四个步骤，从0到1解决高校数字化实践难点( 二 )

“将数据进行到底”意味着主题定义及模型构建准确性。
比如我们要做学业预警分析，是只看学生学业成绩来进行预警吗？传统方式可能是，但这还不够。我们可以构建一个模型，从学生学业成绩、上课行为如出勤率、图书馆行为如图书馆进出次数/时长/图书借阅次数、上网行为如上网时长、活动参与等多方面构建一个基于学生行为的学业预警分析模型。
因为只专注学业成绩很多时候看到的只是结果，更多做到“预警”中的“警”，而基于以上模型能提供更多的预警信息，更好做到“预警”中的“预”。

文章插图
图四：校长就业驾驶舱
“将数据进行到底”意味着指标定义准确性。
以教师工作量指标定义为例，需要结合课程难度，上课学生数，是否有辅讲，节次等计算出来，才能相对准确的反映教师工作量。怎么设置课程难度呢？
可以设立教师专家组，请其设置不同课程难度系数。还可以结合历年学科各方评教情况建立模型进行难度系数设置。
不要小看一个小小的指标定义，教师工作量是评教的重要因素之一，而评教的公平公正性，对教师队伍的激励性，对教学质量提升的重要性，再上升对学校办学水平的重要性影响程度都很大。
“将数据进行到底”还意味着在数据应用中不断迭代开发，深化应用。
一是对子主题横向扩展，比如结合高校业务信息平台化建设系统，通过身份验证的毕业生可在线进行毕业生成绩打印，让学生少跑腿，为其提供更好服务，这是从宽度上拓展数据应用。
二是子主题纵向拓深。比如对于学生成绩管理这个主题，除了可以包含常规的学生学习效果分析，运用描述性分析看学生当期各科成绩，运用趋势分析看学生不同时期成绩变化情况，运用对比分析看不同院系、班级及课程学生成绩，还可以进一步进行绩点预测等数据挖掘分析。
除此之外，还能进行更多细分子主题比如课程不合理度分析，对比学生平时成绩与考试成绩差异度，对偏差值大的课程进行进一步调研；或是进行更多关联分析，譬如人事、科研及教务相关性分析，教务和一卡通数据关联分析等。
这是从数据应用深度角度，让数据不断挖掘，越用越准。

文章插图
图五：男生女生学习成绩与早餐次数分布
“将数据进行到底”是一个迭代循环的过程。在数据应用中结合业务情况还可以对前期定义的数据主题、数据模型及指标进行修正。只有融入匠人般的执着精神，才能不断深化数据应用。
四、要点四： “从业务中来，回到业务中去”“从业务中来”指数据分析要结合业务需求。每一个业务模型，每一项指标定义都需符合业务逻辑。比如前面提到的教师工作量指标就是基于业务理解来定义的。
但数据分析工具及方法更多是帮助我们发现问题，或者是缩小问题范畴，找到一个异常指标点并不意味着问题的终结。我们需要让问题回归到业务本身，结合业务方法解决问题。
举个例子，假设通过评教系统，我们发现某教师综合得分低主要是学生评教得分较低。从数据层面，学生评教可以对教师备课、授课思路、教学风格、教学手段、课件制作、作业布置、对待学生公平性、尊重关心学生、课后辅导参与指导及与其他教师协作等方面制定一套评分体系。
但看到总评分甚至每一细项评分都不意味着问题到此终结。评分背后更深层次原因是什么？
譬如我们发现某老师今年和去年相比学生评教分数下滑严重，是教师教学能力退步，学校倡导的新的教学方式不能适应，还是其他比如因近期职称评定甚至家庭因素导致的态度原因？