高校信息化的發展已歷經三十年。從信息化建設階段來看，可以分為四個階段：

第一階段以設備和網絡為建設核心，譬如“電教中心”、“計算機中心”；

第二階段以數字化校園建設為核心，譬如 “智慧教室”，“在線教學平臺”；

第三階段以數據為核心，譬如有些學校已經把“網絡信息中心”更名為“大數據中心”；

第四階段為已建立智慧大腦、人工智能的問題解決平臺的發展階段，譬如自動解答海量疑問、智能辦理校內業務、建立人工智能問題解決平臺等。

現階段不少高校都處于信息化建設的第三階段，今天我也主要基于此階段，進行高校數據分析有效性探討。

圖一：高校信息化建設階段

結合永洪在高教行業的具體客戶應用，我整理了一些如何提升高校數據分析有效性要點和大家分享。

一是要確定戰略目標。

是面向校領導層級的頂層駕駛艙，面向教務管理領導的單刀深入之教務管理，面向更多職能部門之教務、學生、圖書館、招就及科研管理，還是面向廣義智慧校園之安全、空間、資產和能源管理？

又或是以上各種排列組合？我們的數據目標是什么？是否需要形成長期數據資產，數據共享？數據現狀包括數量和質量又是怎樣的？項目資金預算是怎樣的？當期，中長期目標分別是怎樣的？數倉、大數據平臺甚至數據中臺、BI怎么選擇？

就像做課題設計一樣，這些都需要在項目初期研判并確定。這個確定的過程要運用頂層設計方法，結合學校所處信息化建設階段、業務系統數據情況及可以得到的相關財力、人力資源進行目標確定及整體規劃。

圖二、永洪高教行業方案架構

好比裝修項目，如果財力、人力、物力各方面條件完備，自是可以功能性能兼顧，從硬裝到軟裝都來個豪華版，比如大數據平臺建設一步到位，各數據主題應用也來個“百花齊放”。

但現實往往不那么豐滿，比如當前各業務系統數據比較完備，但數據質量很差，學校有長遠的數據應用規劃，財力尚可但不很充裕，那當期首先可以建設數倉，完成數據治理，在此基礎上選擇需要的典型業務場景進行數據分析，后期再進一步建設大數據平臺及進行更多報表開發。

再可能現實很骨感，什么都不完備，財力也很有限，那就可以以相對成熟業務系統為切入點，快速完成數據治理，小步輕走，實現“精瘦”化數據應用，數倉/大數據平臺建設及系統性報表開發都在后期規劃。

圖三、永洪高教行業數據應用體系

二是不要貪多。

首先分析主題不要貪多，即使業務系統數據完善，也不一定要納入當期數據建設體系，原則是執行層面和目標嚴格一致。

以我們一個客戶為例，近兩年都一致深耕教務主題，因為其主體目標是提升學校教學質量及辦學水平。事實證明通過對教務管理深度數據應用，切實提升了教務管理水平進而提升了辦學水平。

再者是分析指標不要貪多。比如一卡通消費分析可以對學生消費時間、消費類別、消費金額、消費類別/金額和學生成績關聯性分析，是不是以上指標都需要呢？不是。

假設我們的目標是通過一卡通分析找到在生活上需要關懷的學生，那我們只需要著重看消費金額即可，譬如對月消費金額低于某個值的學生進行一卡通充值補助。“有舍才有得”，階段內過于分散的目標和龐大的數據分析體系會分散精力，不利于數據應用落地及目標達成。

三是將“將數據進行到底”。

還是以上面提到的我們致力于教務分析的客戶為例，我在和客戶相關負責人就數據應用情況進行回訪過程中，客戶有句話讓我印象非常深刻：“越用越準” 。我理解“越用越準”首先是主題定義、模型構建及指標定義準，再是發現問題準，最終輔助決策準。

“將數據進行到底”意味著主題定義及模型構建準確性。比如我們要做學業預警分析，是只看學生學業成績來進行預警嗎？傳統方式可能是，但這還不夠。

我們可以構建一個模型，從學生學業成績、上課行為如出勤率、圖書館行為如圖書館進出次數/時長/圖書借閱次數、上網行為如上網時長、活動參與等多方面構建一個基于學生行為的學業預警分析模型，因為只專注學業成績很多時候看到即是結果，更多做到“預警”中的“警”，而基于以上模型能提供更多的預警信息，更好做到“預警”中的“預”。

“將數據進行到底”還意味著指標定義準確性。

以教師工作量指標定義為例，需要結合課程難度，上課學生數，是否有輔講，節次等計算出來，才能相對準確地反映教師工作量。

怎么設置課程難度呢？可以設立教師專家組，請其設置不同課程難度系數。假設高等數學難度系數被設置為1.x, 某語言類學科難度系數被設置為0.x。還可以結合歷年學科各方評教情況建立模型進行難度系數設置。

不要小看一個小小的指標定義，教師工作量是評教的重要因素之一，而評教的公平公正性，對教師隊伍的激勵性，對教學質量提升的重要性，再上升對學校辦學水平的重要性影響程度都很大。

“將數據進行到底”還意味著什么？

除此之外高校數據分析有效性還有哪些要點呢？我們將在《淺談高校數據分析之有效性》下篇繼續和大家探討，屆時還將結合典型場景剖析如何有效構建高效場景化分析體系。歡迎關注。

fqj