上周，我们对高校信息化建设阶段的3个要点进行了探讨：

■第一，制定战略目标

■第二，不要贪多

■第三，“将数据进行到底”

本周，本篇将继续对“将数据进行到底”进行探讨，并结合典型场景剖析，怎样运用有效性要点构建高校场景化数据分析体系。

将数据进行到底

“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。

对子主题横向扩展：

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。

对子主题纵向扩展：

对于学生成绩管理这个主题，可以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。

“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。

从业务中来，回到业务中去：

每一个业务模型，每一项指标定义都需符合业务逻辑。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。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？是教师教学能力退步还是其他原因？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。

例：男生女生学习成绩与早餐次数分布

举例探讨

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？

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。

学生安全管理驾驶舱（永洪Z-Suite制作）

二、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。

横向：

除了疑似失联、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。

纵向：

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。

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。

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。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。

数据是生产力，数据是新型生产力。从数据应用深度角度，让数据不断挖掘，越用越准。

查理.芒格曾言：“宏观是我们必须接受的，微观才是我们可以有所作为”。只有提升数据分析有效性，提升数据洞察业务精准性，数据才能为企事业单位创造更大生产力。