数据分析师统计学基础汇总十篇

序论：好文章的创作是一个不断探索和完善的过程，我们为您推荐十篇数据分析师统计学基础范例，希望它们能助您一臂之力，提升您的阅读品质，带来更深刻的阅读感受。

篇（1）

互联网行业在快速发展，“互联网+”概念的提出标志着互联网已叩响“万物互联时代”的大门。在这个时代，大数据渗透于各行各业，掌握数据核心价值成为企业脱颖而出并取得胜利的法宝。越来越多的企业承认竞争优势与大数据有关，由此，数据分析师这一职业逐渐得到认可并受到追捧。世界500强企业中，有90%以上都建立了数据分析部门。在国内，已有超过56%的企业在筹备和发展大数据研究，据有关部门预测未来5年，94%的公司都将需要数据分析专业人才。数据分析师的职位需求随之不断增长，全国数据分析师的职位由2014年初的200多个职位增长到接近3000个职位。正如著名出版公司O’Reilly的创始人Tim O’Reilly断言，大数据就是下一个Intel Inside，未来属于那些能把数据转换为产品的公司和人群。

优秀的数据分析师已经成为促进各行各业发展，推动国家经济进步的重要人物。但我国针对数据分析的研究起步晚，市场巨大，职位空缺现象十分严重。因此，培养数据分析人才的项目活动应引起高度重视。

1互联网环境下的数据分析师

1.1数据分析师的定义

谈起数据分析师，很多人都认为其职位高高在上，不可企及，但实际并非如此。让我们从案例出发来探索其内在含义，数据分析最经典的案例便是“啤酒与尿布”，沃尔玛超市将Aprior算法引入Pos机数据分析发现美国年轻的父亲去超市为婴儿购买尿布的同时，往往会顺便为自己购买啤酒，这样便使尿布和啤酒这两样看似不相干的商品有了某种联系。于是，沃尔玛尝试将两种商品摆放在同一区域，进而取得了意想不到的良好销售收入。可见，数据分析是运用适当的方法对收集来的大量数据进行分析整理，筛选有价值的信息并形成相应的解决方案以帮助人们作出判断，采取适当行动的过程。

1.2数据分析师的层级分类

经对多家招聘网站数据分析师的招聘信息进行分析研究，发现目前数据分析师大体分为三个层级：传统行业的数据分析师、互联网初级数据分析师、互联网高级数据分析师。传统行业的数据分析师的主要工作是整理、处理数据，专业技能只要具备一定的数学和统计学知识储备即可；第二层级是互联网初级数据分析师，职位要求在传统数据分析师的基础上掌握少数的计算机工具譬如SPSS、SQL等，从职人员需具备一定的数据敏感度和逻辑思维能力，能够对数据源进行分析并能制作数据报表；互联网高级数据分析师是一类复合型人才，要熟悉业务环境并能与技术相结合解决企业实际问题，并掌握数据挖掘常用算法和一系列相关的分析软件，他们的工作与企业发展密切相连，拥有一名优秀的数据分析师的企业将拥有与同行业竞争的资本。

1.3数据分析师的能力需求

数据分析师的工作分为采集、存储、筛选、数据挖掘、建模分析、优化、展现、应用等一系列过程。接下来从主要步骤详细分析数据分析师的能力需求。数据挖掘过程即从海量数据中提取潜在的有价值的信息，要求数据分析师掌握一系列相关分析方法譬如聚类分析、关联分析、等并能熟练运用数据挖掘算法和相关工具；建模分析即对数据抽象组织，确定数据及相关性的过程，在此基础上要掌握譬如决策树、神经网络、K-means算法、SVM等至少一种相关算法；展现过程要求具备数据整理、数据可视化、报表制作能力，熟练应用D3、Vega实现数据可视化，并能运用R和DateWangler工具将原始数据转化为实用的格式。

2数据分析师的培养现状

2.1国外数据分析师的培养现状

在国外，无论是学术研究还是企业部门，数据分析已发展到较为成熟的地步。斯坦福大学的研究成员着手开发MEGA（现代动态网络图像分析Modern Graph Analysis for Dynamic Networks）并与多家媒体公司紧密合作，研究社交媒体中的用户行为，建立模型并探究其中的规律；哥伦比亚大学已开设了《数据科学导论》和《应用数据科学》课程，从2013年秋季起开设“数据科学专业成就认证”培训项目，并于2014年设立专业硕士学位和博士学位；华盛顿大学开设《数据科学导论》课程，并对修满数据科学相关课程学分的学生颁发数据科学证书。数据分析师在国外已引起了充分的重视，他们均衡分布在各行各业，运用掌握的专业知识并结合相关思维为自身、企业乃至社会的发展做着不小的贡献。

2.2国内数据分析师的培养现状

近年来，在国内，大数据的概念虽被媒体和行业广泛提及，但数据分析算是刚刚起步，数据分析师的培养课程未得到普及，我国目前将数据分析纳入教学体系的高校寥寥无几，开设相关课程并取得一定成果的有：香港中文大学设立“数据科学商业统计科学”硕士学位；复旦大学开设数据科学讨论班，于2010年开始招收数据科学博士研究生；北京航空航天大学设立大数据工程硕士学位；中国人民大学统计学院开设数据分析方向应用统计硕士。

和国外相比，我国数据分析师的人才培养机制还未成熟，高校教育仍存在各种各样的问题，譬如，大学生虽然从多门课程中接触到与数据分析相关内容，但各门课程的教学资源未能实现有效的整合。互联网环境下，大数据带来的是一场革命性的变化，若想把握机遇，实现国家经济革命性发展，首要任务就是数据分析师的培养。

3如何成为优秀的数据分析师

数据分析师作为新时代新兴起的高薪职业，对人员的能力要求是相当高的，下面将根据数据分析师的定义、能力需求并结合互联网环境的时代背景，对数据分析师的成才途径作出详细的分析。

思维变革，数据分析师成才的前提。首先要在思维方面有所改变，培养自身数据思维、多模式思维、逻辑思维和结构化思维。数据思维即量化思维，对数据具有独特的敏感度，相信一切事物皆可量化；多模式思维即构造多种想法和解决思路，拓宽思维，从多角度出发，以寻求最优的解决问题的方案；逻辑思维，在错综复杂的海量数据中要有缜密的思维和清晰的逻辑推理能力才能按照自己既定的目标有效解决问题；结构化思维即系统性思考问题，深入分析内在原因，能够制定系统可行的解决方案。

技能变革，数据分析师成才的工具。作为一名优秀的数据分析师若想在互联网环境下对海量数据进行有效的管理，就要努力学习相关的专业技能。要掌握多种机器学习方法，不断学习相关软件应用，譬如，Java、Python、SQL、Hadoop、R等等，这将成为数据分析全过程的辅助工具；除此，还要掌握一定的心理学知识，能够很好的分析和解释客户行为；在此基础上，最核心的是要掌握一定的业务能力和管理能力。

素质变革，数据分析师成才的保证。在个人素质方面，互联网时代对数据分析师的要求增多，若想成为优秀的数据分析师就应不断学习完善以下素质能力：对工作的态度严谨认真，对数据的变化时刻保持敏锐的洞察力，对方法的运用保持一定的创新性，对团队保持团结合作之心，能与顾客沟通交流并及时了解他们的需求。

实践，数据分析师成才的推动力。数据分析师的职责是帮助企业挖掘市场价值、发现机遇、准确进行市场定位并从海量数据中找出问题，提出解决方案。因此，在数据分析师的成才道路上，实践是必不可少的。相关人员要在掌握理论的基础上，敢于应用于实践，充分考虑数据中存在的价值和风险。使自我能力在实践中不断改进和完善。

4给我国高校的建议

高校为数据分析师的成长提供指导和途径，肩负着为我国社会培养有用人才的重任，因此高校要努力构建数据分析师的人才培养机制，不断输出数据分析相关人才。

高校的首要任务是，强化师资力量，改进教学方法。各大高校应联合共建优秀师资团队，鼓励教师考取数据分析师资格证，并到实际企业中进行历练。再者，我们要组建专门师资团队到国外开展学习工作，取其精髓，去其槽粕，不断优化我国数据分析师的培养体系。

第二、培养专业化的人才就要有效整合各门课程的教学资源，构建系统性教学结构。鉴于市场对数据分析师的需求的火热程度，高校完全可以开设专门课程，将与数据相关的课程进行有机的整合并开设数据分析导论、基础等课程，制定数据分析系统性课程体系，专门为市场培养数据分析的专业人才。

第三、在具备优秀的师资力量和良好的教学体系的基础上，高校也高度应注重学生兴趣的培养。数据分析师是新时代的复合型人才，一名优秀的数据分析师需掌握包括数学、统计学、运筹学、社会学、管理学以及大量软件应用在内的大量相关知识，学习过程会十分繁琐、复杂，学习周期长，学习难度大，所以建议各大高校在制定教学体系时应合理安排课程，在教学过程中应注重课程的趣味性，寓教于乐，采用案例导入、项目教学等教学方法，逐渐培养学生对数据分析浓厚的兴趣。

第四、随时更新教学数据，培养适应时展的人才。基于大数据的4V特征即大量化（Volume）、多样化（Variety）、快速化（Velocity）、价值化（Value），在培养数据分析人才的期间，高校一方面要注重数据的全面性，另一方面要注重数据的更新，及时更改教学方法和教学案例，与时俱进。高校要充分利用互联网的优势，引入MOOC（Massive Open Online Course，大规模网络开放课程）教学方式，充分发挥大数据在教育领域的作用，克服传统教学方法资源少、反馈慢、综合分析困难等缺点，将数据分析的研究成果应用于数据分析人才的培养，实现数据分析行业的良性循环。

第五、注重理论与实践相结合，努力为学生搭建实践的平台。高校可考虑校企合作的教学理念，边教学边实践，让学生将所学到的理论知识转化为实际应用，一方面在实践中巩固并检验自己的理论知识，另一方面数据来源真正的企业运营中，让学生切实体验数据的作用和风险，有助于塑造真正对企业有用的人才。

5结语

综上所述，互联网带来了全球范围的数据信息大爆炸，这对企业来说是机遇同时也是挑战，能将大数据为自己所用，是企业取胜的关键，因此数据分析师逐渐被各行各业认可。文章从数据分析师的定义出发，结合目前的时代背景，对数据分析师的每一工作步骤所需的能力进行研究，旨在初步探索优秀数据分析师的成才之道，为即将成为数据分析师的学者提供一定的理论参考。最后，针对如何构建数据分析人才培养体系，对我国高校提出了几点建议。高校的培养只是为数据分析师提供成才的途径，如何成为资深的数据分析师还有赖于每个学者的不断探索和研究。

参考文献：

[1]张明元.数据分析师的职业是否高不可及[J].出国与就业，2007（08）：56.

[2]郑葵，马涛.经管类专业大学生数据分析能力提升策略探讨[J].商业经济，2013（19）：52-53.

[3]冯海超.大数据时代正式到来[J].互联网周刊，2012（24）：36-38.

[4]谭立云，李强丽，李慧.大数据时代数据分析人才培养的思考及对策[J].科技论坛，2015.

[5]尹颖尧，李鸿琳.赶紧培养数据分析师[J].大学生，2013（18）：78-79.

[6]程征.提升数字阅读质感的数据分析师[J].中国记者，2013（6）：46-47.

篇（2）

了解数据采集的意义在于真正了解数据的原始面貌，包括数据产生的时间、条件、格式、内容、长度、限制条件等。这会帮助数据分析师更有针对性的控制数据生产和采集过程，避免由于违反数据采集规则导致的数据问题；同时，对数据采集逻辑的认识增加了数据分析师对数据的理解程度，尤其是数据中的异常变化。比如：

Omniture中的Prop变量长度只有100个字符，在数据采集部署过程中就不能把含有大量中文描述的文字赋值给Prop变量(超过的字符会被截断)。

在Webtrekk323之前的Pixel版本，单条信息默认最多只能发送不超过2K的数据。当页面含有过多变量或变量长度有超出限定的情况下，在保持数据收集的需求下，通常的解决方案是采用多个sendinfo方法分条发送；而在325之后的Pixel版本，单条信息默认最多可以发送7K数据量，非常方便的解决了代码部署中单条信息过载的问题。(Webtrekk基于请求量付费，请求量越少，费用越低)。

当用户在离线状态下使用APP时，数据由于无法联网而发出，导致正常时间内的数据统计分析延迟。直到该设备下次联网时，数据才能被发出并归入当时的时间。这就产生了不同时间看相同历史时间的数据时会发生数据有出入。

在数据采集阶段，数据分析师需要更多的了解数据生产和采集过程中的异常情况，如此才能更好的追本溯源。另外，这也能很大程度上避免“垃圾数据进导致垃圾数据出”的问题。

2.数据存储

无论数据存储于云端还是本地，数据的存储不只是我们看到的数据库那么简单。比如：

数据存储系统是MySql、Oracle、SQL Server还是其他系统。

数据仓库结构及各库表如何关联，星型、雪花型还是其他。

生产数据库接收数据时是否有一定规则，比如只接收特定类型字段。

生产数据库面对异常值如何处理，强制转换、留空还是返回错误。

生产数据库及数据仓库系统如何存储数据，名称、含义、类型、长度、精度、是否可为空、是否唯一、字符编码、约束条件规则是什么。

接触到的数据是原始数据还是ETL后的数据，ETL规则是什么。

数据仓库数据的更新更新机制是什么，全量更新还是增量更新。

不同数据库和库表之间的同步规则是什么，哪些因素会造成数据差异，如何处理差异的。

在数据存储阶段，数据分析师需要了解数据存储内部的工作机制和流程，最核心的因素是在原始数据基础上经过哪些加工处理，最后得到了怎样的数据。由于数据在存储阶段是不断动态变化和迭代更新的，其及时性、完整性、有效性、一致性、准确性很多时候由于软硬件、内外部环境问题无法保证，这些都会导致后期数据应用问题。

3.数据提取

数据提取是将数据取出的过程，数据提取的核心环节是从哪取、何时取、如何取。

从哪取，数据来源——不同的数据源得到的数据结果未必一致。

何时取，提取时间——不同时间取出来的数据结果未必一致。

如何取，提取规则——不同提取规则下的数据结果很难一致。

在数据提取阶段，数据分析师首先需要具备数据提取能力。常用的Select From语句是SQL查询和提取的必备技能，但即使是简单的取数工作也有不同层次。第一层是从单张数据库中按条件提取数据的能力，where是基本的条件语句；第二层是掌握跨库表提取数据的能力，不同的join有不同的用法；第三层是优化SQL语句，通过优化嵌套、筛选的逻辑层次和遍历次数等，减少个人时间浪费和系统资源消耗。

其次是理解业务需求的能力，比如业务需要“销售额”这个字段，相关字段至少有产品销售额和产品订单金额，其中的差别在于是否含优惠券、运费等折扣和费用。包含该因素即是订单金额，否则就是产品单价×数量的产品销售额。

4.数据挖掘

数据挖掘是面对海量数据时进行数据价值提炼的关键，以下是算法选择的基本原则：

没有最好的算法，只有最适合的算法，算法选择的原则是兼具准确性、可操作性、可理解性、可应用性。

没有一种算法能解决所有问题，但精通一门算法可以解决很多问题。

挖掘算法最难的是算法调优，同一种算法在不同场景下的参数设定相同，实践是获得调优经验的重要途径。

在数据挖掘阶段，数据分析师要掌握数据挖掘相关能力。一是数据挖掘、统计学、数学基本原理和常识；二是熟练使用一门数据挖掘工具，Clementine、SAS或R都是可选项，如果是程序出身也可以选择编程实现；三是需要了解常用的数据挖掘算法以及每种算法的应用场景和优劣差异点。

5.数据分析

数据分析相对于数据挖掘更多的是偏向业务应用和解读，当数据挖掘算法得出结论后，如何解释算法在结果、可信度、显著程度等方面对于业务的实际意义，如何将挖掘结果反馈到业务操作过程中便于业务理解和实施是关键。

6.数据展现

数据展现即数据可视化的部分，数据分析师如何把数据观点展示给业务的过程。数据展现除遵循各公司统一规范原则外，具体形式还要根据实际需求和场景而定。基本素质要求如下：

工具。PPT、Excel、Word甚至邮件都是不错的展现工具，任意一个工具用好都很强大。

形式。图文并茂的基本原则更易于理解，生动、有趣、互动、讲故事都是加分项。

原则。领导层喜欢读图、看趋势、要结论，执行层欢看数、读文字、看过程。

场景。大型会议PPT最合适，汇报说明Word最实用，数据较多时Excel更方便。

最重要一点，数据展现永远辅助于数据内容，有价值的数据报告才是关键。

7.数据应用

数据应用是数据具有落地价值的直接体现，这个过程需要数据分析师具备数据沟通能力、业务推动能力和项目工作能力。

篇（3）

中图分类号：G4 文献标识码：A doi：10.19311/ki.1672-3198.2016.33.147

1 引言

管理统计学是一门应用统计学方法和理论研究经济管理问题的应用性学科，它通过收集、分析、表述、解释数据来探索经济管理问题的规律，并辅助企业进行管理决策和提高管理效率。传统的统计学关注小规模数据下的数据描述、推断和科学分析用。与之相应，管理统计学的课堂教学主要关注统计学原理的讲述、小数据的推断分析和经济管理问题的简单应用。

然而，自2008年Nature杂志发表“Big data：science in the peta byte era”以恚大数据的发展方兴未艾，备受学术界，企业界等关注。大数据的理念和技术不仅在互联网、金融、机器人、人工智能等领域取得突破性进展，也将对企业的生产、经营和决策等活动带来深刻的影响，通过对企业大数据的深度挖掘，有助于实现企业的商业价值，规避企业的决策风险，提高企业的竞争力。

大数据时代的到来，对管理统计学来说既是机遇又是挑战，机遇在于：大数据的分析主要建立在统计学的基础上对数据进行处理、分析，从而使得大数据可视化；而挑战在于：当下管理统计学的教学方法和教学手段难以匹配大数据时代对数据分析从业者的要求，这就要求对管理统计学的课堂教学模式进行进一步的发展与创新，以期适应大数据背景下的新要求。

如何结合大数据时代的新要求设计合适的课堂教学模式，如何结合丰富的大数据应用案例开展课堂教学活动，如何增强大数据背景下学生的数据驱动的管理决策意识，培养适应大数据时代要求的高素质人才，这些都是大数据背景下传统的管理统计学课堂教学模式所面临的问题和挑战，这也促使管理统计学教学工作者不得不去探究、优化甚至改革现有的管理统计学课堂教育模式。

2 传统管理统计学教学模式的概述

笔者所在的教学团队来自于武汉科技大学管理学院，承担全院《管理统计学》课程教学任务，在教学方法、实践教学等有较为丰富的教学经验。然而，在多年的教学过程实践和与学生的教学互动当中发现：现有的管理统计学教学模式尽管相对较为成熟，在培养学生的数据分析意识方面起到的重要作用，但是仍存在以下不足，而这些不足恰恰难以适应大数据背景下对管理统计学教学带来的挑战。

2.1 注重理论讲授，忽视应用教学

受技术发展和数据规模等因素的制约，传统的管理统计学教学大都采用理论驱动的教学模式，教师依托教材，注重统计学基本原理和方法的传授，学生掌握基本原理，对统计学的实际应用等关注较少。

尽管管理统计学课堂教学会涉及到一定的应用案例，但是这些案例大都简单，陈旧，数据来源单一，难以接触实际原始数据，统计建模思路也相对固定，这些教学案例既不能反映管理统计学的最新发展和应用思想，也无法将其带入企业经营的情景，对企业决策过程缺乏了解，这些因素都使得学生对该课程的学习兴趣不高，不利于培养学生应用统计学解决实际问题的能力，进而影响课堂教学效果。

2.2 注重数学推导，忽视工具应用

管理统计学要求学生掌握一定的数学基础，教材也都有较多的数学公式和理论推导，忽视了培养学生应用SPSSvSASvR等统计软件工具解决统计问题的操作能力。

根据经管类专业的培养定位，对于经管类专业的学生而言，相比于统计的数学公式，真正实用的如何借用SPSSvSASvR等统计软件工具来解决企业经营决策面临的实际问题，尤其是在大数据背景下，需要处理海量、复杂、多源、异质的高维数据。这些是单凭数学推导和简单的手动计算无法完成的。

近年来，大数据、互联网等技术的快速发展催生了一类新型且前景广阔的职业方向-数据分析师。综合数据分析师的职业要求，可以发现，这些职位大都要求从业者了解基本的统计学原理和方法，熟练掌握SPSSvSASvR等统计软件工具，并应用这些工具解决企业经营管理面临的实际问题。

2.3 注重知识考核，忽视项目训练

受限于教学管理制度和考核手段等因素，目前管理统计学课堂教学考核方式大都以闭卷为主，主要考察学生对统计学基本知识点的掌握情况，以及学生应用统计学知识解决简单案例的综合能力。

然而，在大数据时代背景下，除了要求掌握统计学基本原理，更应培养学生应用统计学知识解决实际问题的综合能力，而这种综合能力往往涉及数据获取、数据预处理、数据探索、统计建模、模型检验、模型评价、模型解释、模型部署和模型修正等数据分析的全过程，这种综合能力的掌握是无法通过现有的知识考核来达到的，这些必然要求学生通过参与实际项目或模拟情景来实现。

3 大数据背景下管理统计学教学模式探讨

篇（4）

中图分类号：F274

文献标识码：A

文章编号：1004-4914（2017）02-237-02

一、引言

信息技术和社会化媒体的飞速发展引发了数据的大爆炸，而庞大的数据集为企业进行市场调查与预测提出了新的挑战。为了适应新的企业需求，高校《市场调查与预测》课程的人才培养方案和培养模式必须做出相应的调整，引入新的教学方法和人才培养理念，使用更加先进的调查预测工具，为企业培养出具备数据分析能力的优秀人才。

二、课程改革的必要性

（一）大数据时代的要求

随着大数据时代的到来，企业越来越重视基于大数据的更多样本，更多实时数据的分析。对于市场专业本科阶段的学生来讲，虽然不能达到数据分析的专家，但是必须顺应时代及企业人才需求的变化，提升数据分析的能力，《市场调查与预测》课程的教学改革迫在眉睫。

（二）传统教学方法与教学模式存在很多弊端

《市场调查与预测》课程最显著的特点就是实践性强，但是传统的教学方法与教学模式很难达到锻炼学生实践能力的目的。主要体现在以下三个方面：第一，传统的注入式教学方法主要强调的是理论知识的传授，学生缺乏参与感，很难调动学生的自主性和积极性，培养学生的创新性；第二，传统课程安排实践课时偏少，通过查阅各类院校本课程的教学计划，多数高校实践课时占总课程课时的比例不足30%，教师很难对整个实践过程进行监管和指导。第三，传统的教学模式忽略了对实践能力的考核，基于实践课时偏少，实践成绩所占总成绩的比重很低且缺乏完整科学的成绩评定体系，容易造成学生“搭便车”的现象；第四，《市场调研与预测》课程与《统计学》存在较强的相关关系，在授课过程中如果缺乏课程衔接与配合意识，很容易造成内容的重叠。同时，如果学生的统计学知识不扎实，对数据的分析仅仅停留在问卷调查数据的初步统计，很难提高学生的数据分析能力。

三、课程改革的基本思路

《市场调查与预测》课程的教学改革应顺应大数据时展的要求，通过以学生为主体，教师为主导的教学方法，着重培养学生的实践能力、创新能力和数据分析能力。教学内容上增加数据分析的内容，主要引入SPSS统计软件的实验课程，提升学生的数据分析能力；教学形式上采用课题式教学，通过课题式教学与分组合作学习的互动式教学模式提高学生的实践能力；课程考核上，通过制定公平合理的考核制度提高学生参与实践锻炼的积极性，并在提高自身综合素质的基础上提高对教师教学的满意度。

（一）教学内容的调整

依据市场调查与预测统计分析的需要，学生要先修《统计学》课程，通过和《统计学》教师的沟通与配合，《市场调查与预测》课程教学内容减少与《统计学》重复的理论部分，增加数据分析内容，尤其是SPSS操作模块。与此同时，增加实践课时。该课程的总课时为48学时，其中课堂理论授课占用24学时，SPSS操作占用12学时，实践课时12学时。课程理论讲授模块的内容包括：市场调研方案设计、数据搜集方法、市场调研误差、数据整理与分析、市场调研报告的撰写、市场预测的基本方法。SPSS操作模块包括：问卷设计与数据收集、问卷数据的录入与清理、单变量的一维频率分析、双变量的交叉表分析、多选变量的一维频率分析和交叉表分析、描述统计分析、简单统计推断、单因素方差分析、线性相关分析与线性回归分析。@两个模块不是孤立的，而是通过课题式教学完成，学生通过选定的课题展开，围绕选题在实践课时完成完整的市场调研过程，应用SPSS完成数据的分析过程，最后以课题小组的形式进行汇报。

（二）教学的组织形式

教学组织形式上主要采用课题式教学与分组合作学习的形式，鼓励学生按照兴趣以4～6人为一组进行组队，通过发现生活中与市场调查相关的实际问题，参与教师的课题项目，参与大学生市场分析大赛或者结合大学生创新项目等形式确定调研主题，明确调查目的、调查对象和调查范围，设计调查方案。无论对于教师还是学生，新的科研项目的立项都会面对很多的新问题。在教学过程中，全体师生围绕共同感兴趣的科研课题展开教学与科研活动，形成一个学习型的教与学的团队。提高学生自主学习与实践的意识。师生在教学与科研活动中会有新的发现，达到教学相长的目的。

（三）课程成绩评定方案的优化

由于《市场调查与预测》的课程加强了实践环节，所以在最终课程的成绩评定中，学生实践环节的占比要相应的提高。我校传统课程考核中，综合成绩=平时成绩+期末成绩。平时成绩和期末成绩分别占30%和70%。现计划调整为：综合成绩=实践成绩+期末成绩。其中实践成绩和期末成绩各占50%。由于实践环节都是分小组进行，调研报告和最终的汇报只能区分不同小组的最终表现，很难区分小组成员的实践表现。为了防止小组成员在团队作业中出现搭便车的现象，所以学生个人实践成绩=小组实践成绩70%+个人平时成绩30%。小组实践成绩的评定在汇报过程中采取小组互评和老师评定相结合的方式，其中小组互评占30%，由其他小组评定的平均分计算得来，老师评定占70%，按照课题选题的难易程度及完成的工作量大小来确定。个人平时成绩=组长评分30%+老师评分70%，组长评分根据组员的参与度及完成情况决定，老师评分根据小组分工的完成情况决定。这种成绩评定结构尽可能的做到客观公正，让学生切身体会到自觉参与实践锻炼的重要性，促进学生积极投入到实践锻炼中，并在提高自身综合素质的基础上提高学生对教师教学的满意度。

四、课程改革与专业特色

由于课程采用课题式教学与分组合作学习的形式，不仅锻炼了学生的实践能力和创新能力，而且对学生团队沟通与合作能力也是一种提升。通过这种教学模式的实践也可以为市场营销专业特色的建立指明方向。

（一）以就业为导向

市场营销专业的学生将来很可能从事市场调研工作，因此如果能在学习的基础上考取相关证书可以很大程度提高就业率，比如可以鼓励学生考取中级调查分析师证书。中级调查分析师证书考核的内容主要包括五个模块：消费者行为学、调查概论、市场调查实务、抽样技术和调查数据分析。学生可以侧重以“消费者行为”为课题开展市场调查，不仅使学生掌握了市场调查的基本理论知识，而且也掌握了市场调查的实务，提高了数据分析的能力，实现了大数据时代企业对新的人才需求的无缝衔接。

（二）以专业竞赛为导向

该课程的实践环节也可以以专业大赛为依托，比如学生的选题可以先以校级大学生创新项目为基础组织教学实践，既完成了教学任务，又可以为参加更高层次的专业大赛奠定一定的基础。在现有课题的基础上选拔比较好的项目衔接省级大学生创新项目、全国及海峡两岸大学生市场调查分析大赛等。这种模式既可以加强与全国高校的交流，也可以紧追市场调研实践教学模式的前沿，拓宽任课教师的思路，促进教学质量的提升，提高教学满意度。

总之，《市场调查与预测》课程的改革不仅顺应了大数据时代的发展，同时也能体现出以市场调研为依托的专业特色。但是我校《市场调查与预测》课程的改革并非一蹴而就，也是一个循序渐进的过程。课程的改革不仅和现有师资水平有关，而且与学校的各种软硬件配置以及实验室建设也存在很大的关系。目前我校在《市场调查与预测》教学方面的软硬件还存在很大的欠缺。如何提高实验室的利用效率，加强实验室软硬件建设，实现SPSS操作课程与理论课程的无缝衔接也是需要我们通过调研来逐步改善的。同时，课程的建O需要长期的投入和努力，我们在提高学生的市场调研实践能力，增强学生将来融入社会的适应能力的过程中还要不断摸索和提升，紧跟时展的步伐。

参考文献：

[1] 段晓梅.基于SPSS软件的《市场调查与预测》实验课程教学研究[J].教育教学论坛，2014（9）58～60

[2] 李红梅.市场调研课程实践性教学模式研究[J].教育教学论坛，2015（12）107～109

[3] 陈成栋，刘晓云.“市场调查与预测“课程教学改革实证研究[J].中国市场，2012（35）26～28

篇（5）

中图分类号：F503 文献标识码：A 文章编号：1674-098X（2014）04（a）-0021-01

对于数据分析来说，其主要的目的就是通过对数据的分析去发现问题或预测趋势。从数据钻取、大规模分析的技术手段、以及算法执行上来说，大规模分析是和小规模数据在技术上是有很大差异的。想要探究大数据下的智能数据分析技术，首先要对数据分析这一概念进行深入研究。

1 数据分析

数据分析的过程其实简单的说就是做报告，做什么样的报告反映什么样的指标。最开始的时候基本上是data processing。例如零售行业来说，最主要的指标就是库存、销售同比增长情况、利润同比增长情况、促销率等等。对于不同的行业会有不同的相关的KPI需要跟踪，所以报告的内容也会有所侧重，但是只要你一个行业做久了，熟悉了套路之后，基本上就是以同样的方法开展。

对于数据分析，如果公司部门分的比较细的（例如可能有建模组），那么做数据分析可能永远都是做data processing了。对于模型的分析，需要你对业务有了深入的了解就可以建立一些模型出来（例如推荐模型）等等。

数据分析主要涉及的技能：

（1）数据库的能力。越全面越好，如果不是理工科的，最起码要会select那些简单的查询语句。

（2）EXCEL、PPT的能力。报告的呈现一般都是Excel+PPT的形式，最好VBA，这样就可以将很多人工的工作转化为自动化的能力，提高工作效率，领导也对你刮目相看，自己也有更多空余的时间准备其他方面的知识。

（3）市场分析能力。学会观察市场的走向和关注的内容，例如零售行业，现在大家都对CRM很热衷，那相关的分析方法和方式是怎么样的，你要自己去了解。从来不会有人手把手的将所有东西都告诉你，你必须自己学会去增长知识。

（4）一些会计的知识。因为通过以上分析，就是会计管理的一部分内容，最后还是公司盈利问题。有兴趣的也可以去看看战略管理方面的，对于做数据分析也很有好处的说。

综合来看，可以说数据分析=技术+市场+战略。

2 如何培养数据分析能力

理论：

基础的数据分析知识，至少知道如何做趋势分析、比较分析和细分，不然拿到一份数据就无从下手；

（2）基础的统计学知识，至少基础的统计量要认识，知道这些统计量的定义和适用条件，统计学方法可以让分析过程更加严谨，结论更有说服力；

（3）对数据的兴趣，以及其它的知识多多益善，让分析过程有趣起来。

实践：

（1）明确分析的目的。如果分析前没有明确分析的最终目标，很容易被数据绕进去，最终自己都不知道自己得出的结论到底是用来干嘛的；

（2）多结合业务去看数据。数据从业务运营中来，分析当然要回归到业务中去，多熟悉了解业务可以使数据看起来更加透彻；

（3）了解数据的定义和获取。最好从数据最初是怎么获取的开始了解，当然指标的统计逻辑和规则是必须熟记于心的，不然很容易就被数据给坑了；

（4）最后就是不断地看数据、分析数据，这是个必经的过程，往往一个工作经验丰富的非数据分析的运营人员要比刚进来不久的数据分析师对数据的了解要深入得多，就是这个原因。

3 大数据

大数据就是通过统计分析计算机收集的数据，在人们可能不知道“为什么”的前提下，了解到事物的状态、趋势、结果等“是什么”。

对于大数据，一直来说，数据规模导致的存储、运算等技术问题从来不是最重要的瓶颈。瓶颈只在于前端数据的收集途径，以及后端商业思想引领的模型和算法问题。早期的各类OLAP工具已经足够了，后来类似海杜普这样的研究则彻底降低了分布式数据的架构成本和门槛，就彻底将大数据带入了一个普及的领域。

从技术层面说，大数据和以前的数据时代的最大差异在于，以前是数据找应用/算法的过程（例如各大银行的大集中项目，以及数据建仓），而大数据时代的重要技术特征之一，是应用/算法去找数据的过程，因为数据规模变成了技术上最大的挑战。

大数据的特点：

（1）大数据不等同于数据大，我们处理问题是根据这个问题的所有数据而非样本数据，即样本就是总体；不是精确性而是混杂性；不是因果关系而是相关关系。

（2）大数据应用的几个可能：当文字变成数据，此时人可以用之阅读，机器可以用之分析；当方位变成数据，商业广告，疫情传染监控，雅安地震时的谷歌寻人；当沟通变成数据，就成了社交图谱。一切都可以量化，将世界看作可以理解的数据的海洋，为我们提供了一个从来未有过的审视现实的视角。

（3）数据创新的价值：数据的再利用。例如重组数据：随着大数据出现，数据的总和比部分更有价值，重组总和和本身价值也比单个总和更大；可扩展数据：在设计数据收集时就设计好了它的可扩展性，可以增加数据的潜在价值；数据的折旧值：数据会无用，需淘汰更新；数据废气：比如语音识别，当用户指出语音识别程序误解了他的意思，实际上就有效的训练了这个系统。

总之，大数据是因为对它的分析使用，才产生和体现它的价值，而不是因为其用到了突出的技术和算法才体现了它的价值。

4 大数据下的智能数据分析

在大数据的背景下，必须考虑数据之间的关联性。一个单独的数据是没有意义的，实际中，选择处在两个极端的数据往往更容易找出它们之间的联系，把它们放在一个框架中看才能发现问题。因此，可以用以下四种方法在大数据背景下进行智能数据分析：

（1）从解决问题的角度出发收集数据；

（2）把收集的数据整理好，放入一个框架内，并利用这个框架帮助决策者做出决定；

（3）评估决定与行动的效果，这将告诉我们框架是否合理；

（4）如果有新的数据出现，我们将考察能否利用它对前面三步做出改进，以及我们今天是否还需要收集更多种类的数据。

5 结语

数据分析的最终目的是帮助业务发现问题并解决问题，提升公司价值，而这些是从数据发觉的，而不是盲目下结论。每家公司都有自己业务生产的数据，通过数据分析、同比环比、漏斗分析及模型等，发现业务上存在的问题，帮助公司业务的优化。

参考文献

篇（6）

对于大数据时代，目前通常认为有下述四大特征，称为“四V”特征：第一，数据体量巨大（VolumeBig）：数据量级已从TB（1TB=210GB）发展至PB（1PB=210TB）乃至ZB（1ZB=220PB），可称海量、巨量乃至超量；第二，数据类型繁多：越来越多的为视频、位置信息、图像与图片等半结构化和非结构化数据信息；第三，价值密度低，商业价值高：以视频为例，连续不间断监控过程中有价值的数据可能仅为一两秒的数据流；第四，处理速度快，处理工具演进快：数据流往往为高速实时数据流，而且往往需要快速、持续的实时处理。[2，3]

2.大数据时代对人才的需求

2013年3月，IDC数字宇宙报告《大数据，更大的数字身影，最大增长在远东》预计到2020年数字宇宙规模将达到40ZB。这意味着需要大量的人力和技术对如此庞大的数据进行处理、分析和管理。在此情况下，对于大数据环境下新型人才的培养问题在近年逐渐受到重视。未来对具有大数据管理和分析能力的人才需求将快速增长，这些人员除了具备相应的技术能力、管理能力、社交能力、系统分析和开发的能力外，还需要具备深度分析数据的能力。同时，一些和大数据相关的职位也会应运而生，例如数据分析师、数据架构师等。2011年麦肯锡全球研究所给出的一份报告预测，美国到2018年对具有良好信息素养的经理人才的需求量大约在150万人，此外，还需要14万～19万数据分析方面的资深专家。[4]在我国，互联网企业、电子商务、金融机构、医疗卫生、零售、保险等行业及政府数据中心对大数据专业人才的需求量都很大。

二、大数据时代下山东理工大学信管专业培养模式

大数据时代产生对相关人才的巨大需求，因此，山东理工大学（以后简称“我校”）信管专业提出了新的培养标准和课程设置体系，培养具有我校特色的信息管理专业人才。

1.培养目标和培养标准

在大数据环境下，重新定位信管专业的培养目标和标准，以适应“大数据”对专业人才提出的新要求，是信管专业建设的首要议题。我校信管专业突破国内高校信息管理专业人才培养的三种主要模式（一是强调IT技术，弱化了现代管理理论与方法；二是强调管理又过于弱化了IT技术；三是IT技术与管理相融合，但实际效果不理想），[5]强调学生不但要掌握现代信息系统的规划、分析、设计、实施和运维等方面的方法与技术，更要具有现代管理科学思想和较强的信息系统开发利用以及数据分析处理能力。我校信管专业还制定了全新的培养标准矩阵（如表1所示），从五大方面28个小方面更为详实地阐述了信管专业学生需具备的技能和能力，并为课程的设置提供了依据。

2.课程设置体系

为了满足大数据时代对人才提出的新要求，我校信管专业课程设置围绕主干学科（管理学、经济学、计算机科学与技术、管理科学与工程）不仅设置了国内高校信管专业常设的管理学、统计学、管理信息系统、数据库原理与应用、数据结构与算法分析、计算机网络基础与应用、Java程序设计、电子商务等课程外，还设置了数据仓库与数据挖掘、商务智能与人工智能等相关课程，使学生在理解新兴数据处理模式的同时，智能化数据分析处理及决策支持能力得到训练。与此同时，还设置了基于移动终端的APP开发、企业信息系统构建与仿真、电子商务平台架构设计等课程，使信管专业的学生成为拥有合理知识结构的复合型人才。大数据时代下新型的信息管理与信息系统专业人才的培养既要高度重视理论知识的学习，又要加强实践能力的培养。为此，我校信管专业还设置了工程实训、软件实习等实践项目，以及为期10周的IM&IS应用实践环节，为学生搭建实践平台，拓宽实践渠道。通过3年在校学习及总计约1年的实践锻炼（如图1所示），我校信管毕业生不仅具有良好的管理知识基础、信息技术应用能力，现代信息系统的开发利用的能力，还具备智能数据分析处理工具的操作能力以及综合数据分析处理能力。

3.特色

大数据时代下，我校信管专业制定了具有自身特色的培养模式，即：培养目标和标准与行业发展结合，适应大数据对人才能力需求的变化；培养具有综合分析和管理能力，强调动手能力的新型信管人才。

篇（7）

作者简介：王晖（1973-），女，黑龙江鸡西人，北京信息科技大学经济管理学院，讲师；段文军（1969-），女，山东蓬莱人，北京信息科技大学经济管理学院，副教授。（北京 100192）

基金项目：本文系北京信息科技大学教学提高-专业建设项目（项目编号：5028023501）的研究成果。

中图分类号：G642.0 文献标识码：A 文章编号：1007-0079（2013）25-0111-02

当今时代不断涌现各种新型信息方式，例如博客、社交网络等；不断兴起各种新技术，例如云计算、物联网等。数据的产生不受任何的限制，数据以前所未有的速度不断增长和累积，大数据时代已经来到。[1]《华尔街日报》认为大数据时代是引领未来繁荣的三大技术变革之一。麦肯锡公司在一份报告中提出数据是一种生产资料。企业每天面对海量的财务数据，如超市的销售记录、银行的交易记录、淘宝网站数千万笔交易记录（产生量超过50TB，存储量40PB①）。企业如能利用这些巨大的数据集挖掘出有价值的信息，那么企业就能掌控下一个创新、竞争和生产力提高的关键。大数据时代，尤其是财务大数据时代，呼唤创新型人才。[2]呼唤具备综合财务分析能力的人才，利用财务大数据为企业创造财富。

如何培养财务分析人才？在财经类高校本科，一般都开设“财务分析”课程，该课程教学目的是培养学生对真实企业进行综合财务分析，并能独立撰写财务分析报告的能力。[3]本文以北京信息科技大学（以下简称“我校”）为例，探讨大数据时代下财务分析人才的需求特点，对高校“财务分析”课程设置的影响，并提出改进“财务分析”课程教学的建议。

一、大数据时代下财务分析人才需求特点

相较于其他类型数据，财务数据更大、更复杂，蕴藏着更多宝贵信息。麦肯锡公司2011年报告推测，利用大数据分析，零售商可增加运营利润60%，制造业设备装配成本会减少50%。[2]在财务大数据环境下，如何整理与统计这些杂乱无章的数据？如何让财务数据开口说话为企业管理者经营决策提供科学依据？朱东华（2013）认为，大数据时代下，传统的数据分析方法已经不再适应当前的数据环境，同时，各种企业对数据的依赖与日俱增，甚至定量分析方法将逐步取代定性分析方法。[4]财务大数据和大量的财务数据分析需求助长了企业对统计和数学背景的人才需求。

可见，大数据时代下财务分析人才应该具备扎实的统计学和数学功底，能够熟练运用定量分析方法分析数据以获取信息，撰写分析报告为企业相关利益人决策提供依据。

二、“财务分析”课程教学现状

张先治（2007）认为，财务分析是财务分析主体为实现财务分析目标，以财务信息及其他相关信息为基础，运用财务分析技术，对分析对象的财务活动的可靠性和有效性进行分析，为经营决策、管理控制及监督管理提供依据的一门具有独立性、边缘性、综合性的经济应用学科。[5]财务分析课程是为我校经济管理学院财务管理专业本科三年级开设的一门专业必修课。学生前期已经学过数学、经济学、会计学、财务管理、统计学等课程。财务分析课程正是在学生掌握前期所学各门课程的基础上，培养学生综合运用所学专业知识，分析判断企业的财务状况，并根据数据分析结果找出企业存在的问题，提出解决方案。[6]为了更好地实现“财务分析”课程教学目的，课程组的老师们经过讨论，决定修改2008级财务管理专业教学计划，将原来课堂教学的方式改为1/2的学时用于课堂教授基本理论，1/2学时用于实践教学。笔者自2011年开始，按照新的教学计划给三届学生讲授了“财务分析”课程。

1.理论教学部分

教材选用东北财经大学出版社出版，张先治和陈友邦主编的《财务分析》（第五版）。该教材体系完整，内容丰富，全书以一家虚拟的ZTE公司为例，演示财务报告分析、财务效率分析和财务综合分析。每章设有案例和复习思考题，该书还有配套的习题集。在课堂教学中，以教材为主线，突出介绍各种财务分析方法的使用，以及根据分析结果得出结论，提出解决方案。

2.实践教学部分

一人一企，边学边分析。每位学生选择一家上市公司作为分析对象，利用学校购买的金融数据库以及相应网络资源，结合所学财务分析理论知识进行上机实验，在Excel内完成数据分析，并将分析结果形成财务分析报告。学生分析判断和决策能力在实战中得以锻炼，教学效果得到改善。

但是，随着大数据时代的来临，外部环境对数据分析能力要求的提升，仅仅学会利用Excel进行水平分析、垂直分析、趋势分析、比率分析和因素分析，已经远远不能满足市场对财务分析人才的需求，学生就业的竞争力无从谈起。结合前面大数据时代下财务分析人才需求特点，我校学生财务分析能力的培养存在着以下问题：

1.学生数据收集、整理和分析能力弱

定量分析方法应用的基础是数据，财务分析人员必须学会从海量的网络资源中搜集并筛选与自己的分析对象和分析目的相关性较强的资料信息，[7]这些资料信息可能是结构化数据，例如金融数据库等；也可能是非结构化数据，例如网页等。从实践教学环节反映出学生数据收集和整理能力弱，分析其原因主要是：

（1）学生不熟悉对财务分析有帮助的网络资源。搜集有价值的数据需要一定的技巧，其中最为重要的是熟悉一些重要的网站，知道相应的数据应该在哪里找到的概率比较大，做到有的放矢。

（2）学生无法将非结构数据快速地转换成所需的数据形式。类似金融数据库这样的结构数据，学生基本能够筛选出所需信息。但是，对于类似网页这样的非结构数据，他们就只能运用最原始的复制粘贴的方法提炼数据信息，耗时且耗力。2013年2月1日，人保财险执行副总裁王和在中国第七届“保险业管理信息化高峰论坛”上指出，在过去的两三年里，结构和非结构数据发生了本质性的逆转。过去就整个社会来讲，绝大多数的数据是结构数据，而现在非结构数据正呈快速增长的趋势，现在以及未来，非结构数据将占到95%，甚至更多。

“财务分析”课程讲授的基本方法主要是比率分析和因素分析法等。目前，无论是学术界还是业界，研究人员大量使用统计模型进行财务数据分析，例如聚类分析、多元回归、因子分析、时间序列预测法等。因而，我校学生数据分析能力急需加强，尤其是统计学和数学的基础要扎实。

2.学生财务分析报告撰写水平有待提高

财务分析的结果是以财务分析报告的形式展示给企业利益相关人，为其进行财务预测、财务决策、财务控制和财务评价等提供可靠信息。财务分析报告是对企业经营状况、资金运作的综合概括和高度反映。李宝智（2012）认为，报告应具备八要素：准确、完整、可比、用户导向、相关、问题的解决方案、及时和易用。[8]从我校学生提交的财务分析报告看，与上述要求还有很大差距。

三、“财务分析”课程教学改革建议

1.培训网络资源使用

重点介绍几个数据库的使用：

（1）金融数据库。我校购买了两款金融数据库，北京聚源锐思数据科技有限公司金融数据库（http：//）和深圳市国泰安信息技术有限公司CSMAR财经系列研究数据库（http：//）。登陆金融数据库后，输入查询条件即可下载上市公司财务数据，速度快且数据量大，数据格式可以任意选择。

（2）中国资讯行（国际）有限公司高校财经数据库（http：//），INFOBANK于1995年在香港成立，是一家专门收集、处理及传播中国商业、经济信息的香港高科技企业，信息范围涵盖19个领域、197个行业。

（3）国务院发展研究中心信息网（国研网）（http：//.cn）。国研网已建成了内容丰富、检索便捷、功能齐全的大型经济信息数据库集群，包括：六十几个文献类数据库、四十多个统计类数据库等。

网站资源：中国证券监督管理委员会（http：//）、上海证券交易所（http：//.cn）、深圳证券交易所网站（http：//）、巨潮资讯网（http：//.cn）和相关协会网站等。

2.培养数据预处理和建模能力

收集到数据之后，需要对数据进行预处理，利用统计学的理论和方法将数据转换成一个分析模型。[9]学生在统计学、计量经济学课程中，已经完成基本模型理论、SPSS或者Eviews三分析软件的学习。但是，若想实现对大数据的整理和分析，应该掌握R或者Matlab统计分析软件，同时，还要掌握一种编程语言，例如C++、JAVA、C#等。利用编程语言调用统计分析软件，从而实现大数据的分析。另外，建议学生了解Perl语言编程，该语言擅长处理非结构数据。

3.培养文献阅读及财务分析报告撰写能力

数据分析之后，需要撰写财务分析报告，为各方利益相关者的决策提供依据。不同财务分析的目的，形成的财务分析报告具体要求会有所差异，但是撰写财务分析报告的基本步骤相同。首先查阅文献，阅读相关学术文章、财务分析师分析报告、评级机构报告等；其次，模仿写作，组织财务分析结果，形成报告。此中没有捷径，需多看、多写。

注释：

①1TB 等于1000GB，1PB 等于1000TB。

参考文献：

[1]孟小峰，慈祥.大数据管理：概念、技术与挑战[J].计算机研究与发展，2013，（1）.

[2]邬贺铨.大数据时代的机遇与挑战[J].求是，2013，（4）.

[3]张肖飞.财经类高校《财务分析》课程案例教学改革研究[J].商业会计，2013，（1）.

[4]朱东华，张嶷，汪雪锋，等.大数据环境下技术创新管理方法研究[J].科学学与科学技术管理，2013，（4）.

[5]张先治.财务分析理论发展与定位研究[J].财经问题研究，

2007，（4）.

[6]陈卫军，徐文学，陈平.基于上市公司网上资源的《财务分析》实训教学探讨[J].财会通讯，2012，（2）.

篇（8）

“十二五”期间，我国信息产业迅速扩大、信息技术快速发展、互联网经济日益繁荣，并积累了丰富的数据资源，比如面向公众的政府网站达8．4万个、智慧城市试点近300个、网民数量超过7亿、移动电话用户突破13亿等［1］；技术创新取得了明显突破，应用势头良好，电信、金融、交通等行业利用已积累的数据资源，积极探索行业大数据的应用和行业服务优化；为“十三五”时期我国大数据产业快速发展奠定了坚实基础。目前，大数据在电子商务、金融、物流、电信、医疗、教育、智慧城市等领域的应用蓬勃兴起［2－4］，产业发展如火如荼，以Hadoop、Spark等开源技术为代表的技术发展日新月异［5］。由于大数据技术属于近几年的新兴技术，目前部分高校缺乏高层次的大数据技术专业人才培养的课程体系和师资队伍；同时，大数据不仅是停留在课堂教学层面上的技术知识，更是需要在实践中学习的一项技能，因此为师生提供一个大数据实践教学平台势在必行。

1大数据分析实验室建设的必要性分析

1．1大数据社会产业需求分析

“十三五”时期是我国全面建成小康社会的决胜阶段，是新旧动能转换的关键时期，也是全球新一代信息产业处于加速变革期，以及国内市场需求处于持续增长期。我国大数据产业面临重要的发展机遇，抓住这一机遇，推动大数据产业发展，对提升政府治理能力、优化民生公共服务、促进经济转型和创新发展有重大意义［1］。随着新一代信息技术的迅猛发展，互联网与社会各领域、各行业交融、交汇日益深化，一个以大规模产生、分享和应用数据为特征的大数据时代已经到来。2014年是进入大数据应用市场的快速增长期，同比增长80％以上，2015年后进入平稳增长阶段，预计2018年全球大数据市场规模将达到超过2500亿元，2015—2018年的增长率为21．8％，我国大数据市场规模将超过500亿元，增长率为47．0％，是全球增长率的2．2倍［6］。

1．2学生大数据就业需求分析

目前，大数据在各个行业都得到了充分的重视，也急需大数据方面的人才。大数据人才是一个非常宽泛的概念，根据具体从事岗位不同，技能要求也会不同。从大数据岗位和技能需求的角度来划分，大数据人才分为3类［7］：第一类是数据分析师，要求熟悉大数据的概念和原理，具有一定的数理和统计学知识，能够熟练操作和使用数据软件和工具，是从事大数据的初级人员；第二类是数据工程师，能够开发和搭建数据平台和应用，并且熟悉数据挖掘的流程和原理，为大数据技术应用在各个领域提供解决方案，要求具有软件开发和数据分析的能力；第三类是数据科学家，要求熟悉各种大数据技术的原理和相对的优劣势，合理利用各种技术来设计大数据平台的架构，根据数据挖掘的使用需求和商业理解来设计和开发算法，是对数学、统计学、机器学习等多方面知识的综合掌控的复合型人才，也是大数据分析的高级人才。大数据人才在“领英”（linkedin）和“玻璃门”（glassdoor）等人力资源和招聘网站上，长期处于供不应求的状态。麦肯锡咨询研究指出，到2018年仅在美国，大数据人才短缺就达到50％～60％。今日美国和彭博社等媒体一致认为，大数据人才短缺的问题短期内只会加剧而不会缓解［7］。如何从纷繁复杂的海量数据中提取有用的信息，变数据为财富，挖掘数据中的金矿，提升企业竞争力以及提高企业风险管理水平，是当前企业和院校教育工作的重要课题。

1．3学生理论学习与实践相结合

院校开设大数据相关课程，涉及到的课程内容有数据分析、数据挖掘、编程语言、机器学习等，这些课程均需要学生具备很强的实践动手能力，如果只是停留在理论知识上，学生也只能纸上谈兵。因此，学校在开设大数据课程时，只有为学生提供配套的实践课程，才能真正达到学以致用的目的［8－9］。建设大数据分析实验室，从学生学习角度来讲，迫切性和必要性主要在于以下几点：第一，加强学生对知识的吸收与应用，萌发学生的创新精神，激发学生的学习动力，在实践中，通过有趣并结合实际的案例，提高学生的兴趣和分析问题的能力；第二，有利于提高学生解决问题的实践能力，通过实验室模拟环境，使学生能够将理论知识用于解决实际问题；第三，增强学生的社会适应性与竞争力，通过实际案例及应用场境，使学生毕业后能够很快融入行业环境，掌握和具备相应的技能。

2大数据分析实验室建设目标与建设内容

大数据分析实验室的建设，应最终为该专业人才培养方案中相应的课程服务，而人才培养方案的制订，应该从社会需求和学生实际需要着手［10］，考虑学生学习基础，不能盲目追求高大上。我校为应用型本科院校，注重培养学生的实践动手能力，因此培养方案中课程的制定，也更注重实践部分。对于大数据技术方面，我们侧重于大数据的分析和挖掘，以及大数据技术和应用。课程方面，先从大数据分析和挖掘、大数据技术及应用等相关内容入手，使学生具备数据分析、数据挖掘的基本能力和大数据技术的基本原理，以及应用系统开发的能力。因而大数据实验室的建设，也将从数据分析挖掘算法、Hadoop生态系统及开发2方面进行建设。大数据分析实验室集硬件服务器、云计算技术、大数据技术于一身，便于计算机相关专业开设大数据教学课程。实验室的建设内容将包含以下3方面内容：（1）实验室硬件平台建设：为保证实验环境的整体搭建，需在现有实验室基础设备基础上，配备必要的服务器环境、网络环境，为搭建大数据分析实验教学平台，提供硬件支撑环境。（2）实验教学平台建设：充分利用现有硬件资源，通过Vmware等虚拟化技术构建云中心的资源池，将云存储资源、服务器资源和网络资源整合，在云平台上搭建统一的大数据分析与挖掘和大数据技术及应用的实验课程所需的实验平台。（3）课程资源建设：根据培养方案，开设大数据分析与挖掘、大数据技术及应用2门专业必修课程。为确保理论与实践的紧密结合，培养学生知识应用能力，积累工程项目经验，需要增设以上理论课程的配套实验课。

3大数据分析实验室实施方案

3．1大数据分析实验室建设思路

大数据实验室的建设是一个系统工程，主要服务于学生学习、教师教学；为了充分发挥大数据实验室的功效和作用，可以增加一项增值服务，即在满足学习和教学的基础上，进一步为教师和学生提供科研服务，使得教师可在该平台上进行科学研究和实验，进而反哺教学（见图1）。

3．2大数据分析实验室建设

实验室建设分3步走：（1）为满足教学的迫切需求，首先建设大数据分析教学平台，以及必要的软硬件支撑，如课程资源，可以是真实数据，也可以是模拟数据。在该平台之上建设数据挖掘分析平台和大数据开发教学平台，满足课堂教与学的需求。（2）沙盘模拟系统建设。为了积累更多的行业数据，更好地体现大数据的特性，需要建设沙盘模拟系统，更好地服务于大数据分析和大数据挖掘相关功能的实现和操作。（3）服务科研的高级应用。通过校企合作［11］，引入企业实际工程项目，随着系统的完善和数据的积累，教师和学生可以在该平台上进行其他行业的科学研究和算法优化等工作，一方面服务企业，另一方面也可不断服务创新。

篇（9）

关键词：

财务分析；教材体系；大数据环境；方法；内容

根据Gartner(2012)的定义，大数据具有数量大、变化快和多样化的基本特征，是典型的信息资产，其背后隐藏着巨大价值与财富。财务数据是企业最基本、最有决策价值的数据，是大数据的重要构成内容。但大数据时代，财务所面对的数据规模越来越庞大、数据类型越来越复杂，也蕴藏着越来越多的宝贵信息，因此，大数据对传统财务会计理论与实务提出了新的要求，对会计信息质量产生更广泛而深刻的影响，这必然需要培养掌握先进的分析技术和大数据分析工具，能从海量数据中发现机遇，具备高效的沟通和协作能力的数据处理与分析的团队。财务分析教材作为财务数据处理与分析人才培养的主要载体、平台和手段，必然以大数据环境下财务数据分析人才知识和能力需求为导向，对其教学工具、教学内容和教学方式进行变革与调整。关于财务分析教材方面的研究，从文献的数量上来看并不多，而进行大数据环境下财务分析教材的研究文献基本是空白。不过，随着大数据时代的到来，目前，关于大数据下财务分析的讨论越来越多。部分学者对从理论上分析了大数据对财务会计理论的影响，进而指出大数据对财务分析内涵、对象和功能等内容的影响[1]；也有部分学者结合实际指出：大数据的到来给财务分析领域带来了巨大机遇和挑战[2]，财务分析将不再是一个静态的，个态的和封闭的内部“小分析”[3]，而是动态的、系统的、开放的、注重过程分析和非结构数据分析的综合分析[4]；当然，也有个别学者从课程建设的角度进行分析，指出数据时代的到来，高校财务分析课程急需改革，以培养创新型财务分析人才来适应市场需求[5]，等等。本文希望在借鉴前述学者的研究成果基础上，构建适应大数据环境下财务分析人才培养的全新的财务分析教材体系。

一、大数据环境对财务分析的影响

大数据时代的到来，财务分析将发生一个翻天的变革，其将突破静态的，个态的“小分析”范畴，而变成一个动态的、系统的“综合分析”。

（一）对财务分析对象的影响

大数据环境下，财务分析将更注重信息的全面性和针对性，更注重利益相关者的信息需求和信息的决策相关性。针对不同利益相关者信息需求的各种“个性化财务报告”在大数据时代强大的存储功和分析能力下将以较低成本得以产生。[1]同时，强大的分析功能使财务分析对象将打破本公司财务数据的界限，大量涉足非本公司以外的财务数据和其他非财务信息。

（二）对财务分析人员知识和能力的影响

大数据环境下的财务分析人才需要新知识、新能力、新度量和新的思维方式，实现由传统的财务数据分析，向一个大数据环境下的综合思维转变。在知识结构方面，财务分析人士除了需要厚实的财务与会计专业知识外，更需要扎实的数学、统计学和计量经济学等进行数据分析的基础知识作支撑。在能力结构方面，财务分析人士需要具有挖掘大数据价值与消除噪音数据的洞查能力、分析大数据的新技术与新工具的使用能力以及为利益相关者创造数据或提供报告的语言表达能力等。总之，大数据环境下的企业首席财务分析师既是企业首席财务技术师、企业首席财务信息师更是企业首席战略决策的咨询师。

（三）对财务分析方法与工具的影响

大数据时代的到来，财务分析突破了传统的数据基础和计算条件的限制，其分析越来越精益，与之相应的财务分析方法与技术也与时俱进。信息技术、数据库和云计算技术与统计学方法和数学方法相结合在数据存储、处理、挖掘和分析中发挥有效的作用，使得财务分析方法将由传统小样本抽样分析转向全面分析成为可能，为不同利益相关都提供全部和高质量的信息。

（四）对财务分析功能的影响

大数据环境下，分析方法和分析内容的丰富，财务分析更注意寻找事物的相关关系，而不仅仅是事物的因果关系；更注重高质量数据的挖掘和企业价值的提高。因此，大数据时代的财务分析功能不仅仅是传统的预测和控制等，而是更注重利用数据为企业利益相关者提供全方位、高相关性和高准确性的决策信息，发展企业商业价值和战略先机。

二、大数据环境下财务分析教材体系的构建

大数据对财务分析对象、功能和方法等产生了巨大的影响，从而对财务分析人才的能力和知识结构给出了新的要求。财务分析课程是财务分析人才培养的平台，大数据环境下其必须建立在统计学、计量经济学和高等数学等基本工具的先修课程的基础上；而财务分析教材则是财务分析人才培养的直接载体和手段，其教学体系直接决定着财务分析人才的知识和能力结构。（如图1所示）传统的以财务比率分析为工具，以财务报告为对象，以满足股东、债权人和经营者等相关利益者对财务数据需求为目的的教材体系必将进行重新构建和创新，以适应大数据环境下财务分析人才的成长。

（一）第一部分：财务分析绪论

本部分内容应该由以下几部分组成：大数据环境下利益相关者对财务分析的需求、大数据环境下财务分析的目标与定位、大数据环境下财务分析所需要的知识与能力支持体系、方法体系以及大数据环境下财务分析教材的内容体系与框架。

（二）第二部分：财务分析方法体系

大数据环境下，财务分析的方法尤为重要，除了传统的财务比率和比较分析等方法外，更注重利用数学、统计学和计量经济学等知识与计算机软件和硬件平台的结合使用来收集、整理、甄别和处理数据，发现数据潜在的巨大商业价值。就财务分析教材而言，必须强调学生充分利用先修改课程所学的知识，具备从各种渠道获取大数据的能力，处理数据与建模能力，因此，大数据环境下财务分析方法应包括海量数据收集方法、海量数据整理与甄别方法以及海量数据的处理方法。

（三）第三部分：财务分析内容体系

1.财务信息分析。财务会计数据是企业最基本、也是最大和丰富的一种数据，是传统财务分析的主体，也是大数据的重要组成部分，因此，财务分析首先必定是对企业大量的财务数据进行分析，包括财务报表比较分析、各种财务能力（盈利、偿债、营运、发展、创新和综合财务）分析、各种会计活动分析等，让财务数据开口说话，挖掘其价值，为企业经营管理者提供决策相关的信息，同时，也为后面的相关分析奠定基础。[4]

2.企业信息分析。企业信息在一定程度是企业的工具更是企业的商业机遇，企业除了财务数据外，还有大量的非财务数据如客户关系信息、产品与销售信息和部门合作信息，等等，这些数据相当重要，也是企业决策的基础，但零散、单个的数据没有任何价值，只有财务人员利用科学的分析方法，建立适当的分析模型，对数据进行加工，才能挖掘出其隐含的商业价值。

3.行业和宏观信息分析。大数据环境下，数据分析人才的基本能力之一是要通过不同渠道获得相关行业和宏观经济数据，进行中观和宏观分析。行业和宏观数据来源于金融数据库，板块数据库，网络数据库、国研网和各种信息中心等平台的数据，分析人员不仅要利用计量经济学的方法进行定量分析，同时，也要利用一些SWOT、专家经验判断法等非定量方法进行分析，为企业发展所处的行业和宏观环境做出科学合理的判断。

（四）第四部分：大数据环境下财务分析的应用

1.利用大数据进行风险管理。以某企业所处的宏观和行业环境为例，设置相应的指标反映其中观和宏观环境，建议中宏风险预警模型，然后再选择或设置反映企业经营和财务风险的相关指标，建立微观风险预警模型。

2.利用大数据创造价值。以某企业为例，分析其不同经营环节（生产过程、供应链和销售环节等）的相关数据，运用财务分析方法对大数据的战略分析，为企业提供机遇，创造价值。

3.利用大数据进行专业化、实时化的决策。以某家银行数据收集处理和方案决策为例，分析其在大数据环境下的工作效率和决策程度，比较传统的决策方式，阐述大数据环境下利用大数据的专业化和实时化决策。

参考文献：

[1]齐萱，杨静.大数据时代会计信息相关性研究述评[J].财会通讯，2015（28）：62-65.

[2]张红英，王翠森.大数据时代财务分析领域机遇与挑战[J].财会通讯，2016（2）：84-85.

[3]白金荣.大数据时代公司财务分析的发展浅析[J].经营管理者,2015（9）：280.

篇（10）

大数据在电信行业应用的总体情况

目前国内运营商运用大数据主要有五方面：(1)网络管理和优化，包括基础设施建设优化和网络运营管理和优化；(2)市场与精准营销，包括客户画像、关系链研究、精准营销、实时营销和个性化推荐；(3)客户关系管理，包括客服中心优化和客户生命周期管理；(4)企业运营管理，包括业务运营监控和经营分析；(5)数据商业化指数据对外商业化，单独盈利。

第一方面：网络管理和优化。此方向包括对基础设施建设的优化和网络运营管理及优化。

(1)基础设施建设的优化。如利用大数据实现基站和热点的选址以及资源的分配。运营商可以通过分析话单和信令中用户的流量在时间周期和位置特征方面的分布，对2G、3G的高流量区域设计4G基站和WLAN热点；同时，运营商还可以对建立评估模型对已有基站的效率和成本进行评估，发现基站建设的资源浪费问题，如某些地区为了完成基站建设指标将基站建设在人际罕至的地方等。

(2)网络运营管理及优化。在网络运营层面，运营商可以通过大数据分析网络的流量、流向变化趋势，及时调整资源配置，同时还可以分析网络日志，进行全网络优化，不断提升网络质量和网络利用率。

利用大数据技术实时采集处理网络信令数据，监控网络状况，识别价值小区和业务热点小区，更精准的指导网络优化，实现网络、应用和用户的智能指配。由于用户群的不同，不同小区对运营商的贡献也不同。运营商可以将小区的数据进行多维度数据综合分析，通过对小区VIP用户分布，收入分布，及相关的分布模型得到不同小区的价值，再和网络质量分析结合起来，两者叠加一起，就有可能发现某个小区价值高，但是网络覆盖需要进一步提升，进而先设定网络优化的优先级，提高投资效率。

德国电信建立预测城市里面的各区域无线资源占用模型，根据预测结果，灵活的提前配置无线资源，如在白天给CBD地区多分配无线资源，在晚上，则给酒吧地区多分配无线资源，使得无线网络的运行效率和利用率更高。

法国电信通过分析发现某段网络上的掉话率持续过高，借助大数据手段诊断出通话中断产生的原因是网络负荷过重造成，并根据分析结果优化网络布局，为客户提供了更好的体验，获得了更多的客户以及业务增长；

第二方面，市场与精准营销。此方向包括客户画像、关系链研究、精准营销、实时营销和个性化推荐。

(1)客户画像。运营商可以基于客户终端信息、位置信息、通话行为、手机上网行为轨迹等丰富的数据，为每个客户打上人口统计学特征、消费行为、上网行为和兴趣爱好标签，并借助数据挖掘技术(如分类、聚类、RFM等)进行客户分群，完善客户的360度画像，帮助运营商深入了解客户行为偏好和需求特征。

(2)关系链研究。运营商可以通过分析客户通讯录、通话行为、网络社交行以及客户资料等数据，开展交往圈分析。尤其是利用各种联系记录形成社交网络来丰富对用户的洞察，并进一步利用图挖掘的方法来发现各种圈子，发现圈子中的关键人员，以及识别家庭和政企客户；或者分析社交圈子寻找营销机会。如在一个行为同质化圈子里面，如果这个圈子大多数为高流量用户，并在这个圈子中发现异网的用户，我们可以推测该用户也是高流量的情况，便可以通过营销的活动把异网高流量的用户引导到自己的网络上，对其推广4G套餐，提升营销转化率。总之，我们可以利用社交圈子提高营销效率，改进服务，低成本扩大产品的影响力。

(3)精准营销和实时营销。运营商在客户画像的基础上对客户特征的深入理解，建立客户与业务、资费套餐、终端类型、在用网络的精准匹配，并在在推送渠道、推送时机、推送方式上满足客户的需求，实现精准营销。如我们可以利用大数据分析用户的终端偏好和消费能力，预测用户的换机时间尤其是合约机到期时间，并捕捉用户最近的特征事件，从而预测用户购买终端的真正需求，通过短信、呼叫中心、营业厅等多种渠道推送相关的营销信息到用户手中。

(4)个性化推荐。利用客户画像信息、客户终端信息、客户行为习惯偏好等，运营商可以为客户提供定制化的服务，优化产品、流量套餐和定价机制，实现个性化营销和服务，提升客户体验与感知；或者在应用商城实现个性化推荐，在电商平台实现个性化推荐，在社交网络推荐感兴趣的好友。

第三方面，客户关系管理。此方面包括客服中心优化和客户生命周期管理。

(1)客服中心优化。客服中心是运营商和客户接触较为频繁的通道，因此客服中心拥有大量的客户呼叫行为和需求数据。我们可以利用大数据技术可以深入分析客服热线呼入客户的行为特征、选择路径、等候时长，并关联客户历史接触信息、客户套餐消费情况、客户人口统计学特征、客户机型等数据，建立客服热线智能路径模型，预测下次客户呼入的需求、投诉风险以及相应的路径和节点，这样便可缩短客服呼入处理时间，识别投诉风险，有助于提升客服满意度；另外，也可以通过语义分析，对客服热线的问题进行分类，识别热点问题和客户情绪，对于发生量较大且严重的问题，要及时预警相关部门进行优化。

(2)客户关怀与客户生命周期管理。客户生命周期管理包括新客户获取、客户成长、客户成熟、客户衰退和客户离开等五个阶段的管理。在客户获取阶段，我们可以通过算法挖掘和发现高潜客户；在客户成长阶段，通过关联规则等算法进行交叉销售，提升客户人均消费额；在客户成熟期，可以通过大数据方法进行客户分群(RFM、聚类等)并进行精准推荐，同时对不同客户实时忠诚计划；在客户衰退期，需要进行流失预警，提前发现高流失风险客户，并作相应的客户关怀；在客户离开阶段，我们可以通过大数据挖掘高潜回流客户。国内外运营商在客户生命周期管理方面应用的案例都比较多。如SK电讯新成立一家公司SK Planet，专门处理与大数据相关的业务，通过分析用户的使用行为，在用户做出离开决定之前，推出符合用户兴趣的业务，防止用户流失；而T-Mobile通过集成数据综合分析客户流失的原因，在一个季度内将流失率减半。

第四方面，企业运营管理。可以分为业务运营监控和经营分析。

(1)业务运营监控分可以基于大数据分析从网络、业务、用户和业务量、业务质量、终端等多个维度为运营商监控管道和客户运营情况。构建灵活可定制的指标模块，构建QoE/KQI/KPI等指标体系，以及异动智能监控体系，从宏观到微观全方位快速准确地掌控运营及异动原因。

(2)经营分析和市场监测。我们可以通过数据分析对业务和市场经营状况进行总结和分析，主要分为经营日报、周报、月报、季报以及专题分析等。过去，这些报告都是分析师来撰写。在大数据时代，这些经营报告和专题分析报告均可以自动化生成网页或者APP形式，通过机器来完成。数据来源则是企业内部的业务和用户数据，以及通过大数据手段采集的外部社交网络数据、技术和市场数据。分析师转变为报告产品经理，制定报告框架、分析和统计维度，剩下的工作交给机器来完成。

第五方面，数据商业化。数据商业化指通过企业自身拥有的大数据资产进行对外商业化，获取收益。国内外运营商的数据商业化都处于探索阶段，但相对来说，国外运营商在这方面发展的更快一些。

(1)对外提供营销洞察和精准广告投放。

营销洞察：美国电信运营商Verizon成立了精准营销部门Precision Marketing Division。该部门提供精准营销洞察(Precision Market Insights)，提供商业数据分析服务。如在美国，棒球和篮球比赛是商家最为看中的营销场合，此前在超级碗和NBA的比赛中，Verizon针对观众的来源地进行了精确数据分析，球队得以了解观众对赞助商的喜好等；美国电信运营商Sprint则利用大数据为行业客户提供消费者和市场洞察，包括人口特征、行为特征以及季节性分析等方面。

精准广告投放：Verizon的精准营销部门基于营销洞察还提供精准广告投放服务；AT&T提供Alert业务，当用户距离商家很近时，就有可能收到该商家提供的折扣很大的电子优惠券。

(2)基于大数据监测和决策支撑服务。