四个步骤，从0到1解决高校数字化实践难点( 三 )

这些需要回归至业务层面，通过进一步调研的方式才能深入了解并界定问题发生根本原因，从而制定有效的解决策略。这就是“回到业务中去”。
五、案例：怎样有效构建高校场景化数据分析体系下面我们以学生安全驾驶舱为例，剖析怎样有效构建高校场景化数据分析体系。
学生安全管理无论在高教还是普教都非常值得关注。现阶段主要痛点在于缺乏学生安全
状况及重点人员全面而准确的名单，难以实时监测、精准干预。那么怎么通过数据分析来帮助解决这个问题呢？
首先应用分析有效性要点一，制定战略目标。我们的目标就是要掌握一份准确而完整的学生安全名单，精准干预，减少学生实际安全问题发生。
其次应用有效性要点“从业务中来”，进行学生安全问题类型定义。我们需要预定义哪些问题是学生安全问题。结合近年学生安全事件，我们可以定义三类学生安全问题：疑似失联、疑似心理预警及学业预警。
下一步是应用有效性要点“将数据分析到底”之主题及模型定义准确性，来构建模型。
对于疑似失联学生，可以通过学生的行为轨迹以及各方面的数据印证构建疑似失联学生状态识别模型，譬如校务系统特征M1、一卡通系统特征M2、校园监控系统特征M3、校园网络系统特征M4，得出一个疑似失联名单，每一个学生的疑似失联天数，学院，辅导员及学生的联系电话等信息。
对于疑似心理预警的学生名单，主要通过学生网络行为如上网时长，上网网站类型来判断；学业预警名单，通过学生的旷课行为、挂科、学分不足等情况综合判断。

文章插图
图六：学生安全管理驾驶舱
继续应用有效性要点“将数据进行到底”之子主题横向拓展，除了以上疑似失联、疑似心理预警及学业预警三类学生安全问题，我们还可以拓展出学生“重点人群”监控，通过对他们访问特殊网站，是否常不在校，是否办理校外住宿等方面进行监控，当然其中部分行为和之前三类学生会有一定程度的交叠。
再应用有效性要点“将数据进行到底”之子主题纵向拓深，对于疑似心理预警学生，我们还可以看学生现在成绩排位和高考生源省内排位的偏离值，重点针对大一学生。为什么要看这个呢？
因为我们知道高校生源是分省份录取，有的省份录取分数低，原本的天子骄子进入高校后发现自己和很多同学学业起点上实际存在较大差距，短期又难以缩短这种差距，心理上就可能出现落差甚至发生极端事件。
这样的学生在学习上通常是用功的，相关行为方式也是正常的，很可能不在以上任何一项安全预警问题名单里，但也是值得专注的。
最后是“回到业务中去”，对于如何减少学生安全问题，在数据分析工具帮助掌握一份相对准确的名单后，还要开展细致的学生关怀工作。譬如了解学生家庭背景、专业老师心理疏导、跟踪学生变化情况等。
每一个学生的安全问题对于个体而言都非常重要甚至关乎生命，结合数据分析有效性要点，构建学生安全管理驾驶舱，有助于减少学生安全事件实际发生。

文章插图
图七：高校数字化实施的收益
【四个步骤，从0到1解决高校数字化实践难点】作者：小霞，永洪科技数据应用部经理
本文由 @永洪数据科学院原创发布于人人都是产品经理，未经许可，禁止转载。
题图来自 Unsplash，基于 CC0 协议