时间：2023-06-06 09:32:19
开篇：写作不仅是一种记录，更是一种创造，它让我们能够捕捉那些稍纵即逝的灵感，将它们永久地定格在纸上。下面是小编精心整理的12篇数据分析方向，希望这些内容能成为您创作过程中的良师益友，陪伴您不断探索和进步。
关键词：数据分析；统计学；课程体系；大数据
中图分类号：G642.0 文献标志码：A 文章编号：1674-9324（2014）49-0248-02
随着社交网络的逐渐成熟，移动带宽迅速提升，云计算、互联网应用的丰富，更多的传感设备、移动终端接入到网络，由此产生的数据及增长速度将比历史上的任何时期都要多，都要快。“大数据”时代已经来临，它对人类的数据驾驭能力提出了新的挑战，也为人们获得更为深刻、全面的洞察能力提供了前所未有的空间与潜力。大数据是指海量数据集，其来源包括动漫数据、企业IT应用带来的数据、博客、点击流数据、社交媒体、机器和传感数据等。它是互联网、电子商务的又一次重大革命，对数据处理、数据挖掘、数据分析提出了新的挑战。如今互联网行业、电子商务行业中的数据应用及分析已经相当普遍，为了应对大数据时代的要求，同时要具备较强的统计学功底和娴熟的计算机软件运用能力，而今完全具备这些能力的数据分析专业人才是极其匮乏的。数据分析师便应运而生，不仅互联网行业、电子商务行业需要大量的数据分析师，近年来项目数据分析事务所不断涌现，而项目数据分析师因其专业技能及量化的数据分析为客户以及所在单位控制决策风险、保证利益最大化而备受各界青睐，以待遇优厚和地位尊崇而闻名国际，也被视为我国21世纪的黄金职业。《华商报》将项目数据分析师纳入了新七十二行，《HR管理世界》将项目数据分析师评为七大赚钱职业。本文就如何在统计学专业开展数据分析方向进行了阐述，首先论述了数据分析的重要意义，其次讨论了数据分析方向的课程构建，最后分析了如何加强理论与实践环节的结合。
一、数据分析的重要意义
大数据预测美国总统：美国时代周刊报道称，数据驱动的竞选决策才是奥巴马竞选获胜的关键。数据分析团队在筹集竞选经费、锁定目标选民、督促选民投票等各个环节的决策中都发挥了重要作用。这意味着华盛顿竞选专家的作用极具下降，能够分析大数据的量化分析家和程序员的地位却大幅提升。如今从事专业数据分析工作的企业如项目数据分析师事务所、数据挖掘公司等都应市场需求而大力发展，并且受到风险投资的青睐。如美国社交数据挖掘公司Datasift于2012年宣布，获得1500万美元风险投资。2013年，DataSift成为Twitter的“认证合作伙伴”，主要负责海量微博社交数据分析。这是该公司今年第二笔融资，五月份其曾融资720万美元。又如面向开发者的大数据应用软件平台服务提供商Continuity最近获得1000万美元的融资，目前融资总额已经达到1250万美元。
数据分析的应用无处不在，那什么是数据分析呢？数据分析就是用适当的统计方法对数据进行分析，以求最大化地开发数据的功能，发挥数据的作用。是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。数据分析技术不仅能通过对真实数据的分析去发现问题，还能够通过经济学原理建立数学模型，对投资或其他决策是否可行进行分析，预测未来的收益及风险情况，为做出科学合理的决策提供依据。在提高工作效率的基础上，也增强企业管理的科学性。无论是在国家政府部门，还是企事业单位中，数据分析工作都是进行决策和做出工作决定之前至关重要的一个环节。因此，针对项目可行性、风险承载力、投资回报率以及相关经济效益指标等方面的分析工作显得格外重要。在这个工作过程中，专业的数据分析人员扮演着无比重要的角色，数据分析成果的质量高低直接决定着项目投资、企业经营决策计划最终的方向。所以，各个行业对数据分析人员的需求之多是不言而喻的。传统行业，如政府机构：一类是计委、经委、统计局等一些经济综合管理部门所设有的调研处、研究室和情报所。第二类是商业、粮食、物资、银行等经济主管业务部门会设有信息中心或调研室，从本系统、本部门的业务出发进行专业性调研，提供支持本部门的市场信息。而伴随着数据分析应用的扩大，其在新兴行业中也得到了发展，如计算机软硬件及IT行业、电子商务与网络游戏、金融保险、消费品、咨询业与广告媒体、大型设备与重工业以及房地产行业等对数据分析师的需求量很大，尤其是电子商务，由于利用互联网，能够比传统零售业具有更好的数据收集和管理能力，能积累海量的数据，因此更看重从海量数据中挖掘出用户偏好和市场机会。研究机构：比如市场研究公司、咨询公司、证券公司、研究院。自主创业：取得注册项目数据分析师（CPDA）资格证可以自主创建或就业于项目数据分析师事务所等。所以，数据分析的行业应用是极其广泛的，并且随着大数据时代的到来，数据分析尤其是数据挖掘将借助互联网的发展，逐步形成人们依靠的重点，并可能成为未来发展与竞争的重点之一。由此我们可以看到数据分析师的就业前景是非常广泛而乐观的，无论是数学专业、统计专业，还是计算机专业的学生，都可以通过系统的学习数据分析课程来适应对数据分析人才的要求。
二、课程体系构建
1.主干课程。主干课程包含高代、数分、概率论、数理统计、多元统计分析、时间序列分析、市场调查与分析、统计预测与决策、数据结构、C语言、数据分析、数据挖掘、大数据分析与展示。理论课程的学习可以使学生了解数据分析的基本内容，学会如何对已获取的数据进行加工处理，如何对实际问题进行定量分析，以及如何解释分析的结果。掌握几种常用数据分析方法的统计思想及基本步骤，并具备一定的分析论证能力。
2.实验课程。数据分析的操作离不开计算机。目前数据分析行业常用的一些统计软件有SAS、SPSS和R软件。SAS软件是一个模块化、集成化的大型应用统计系统。它的功能包括数据访问、数据储存及管理、应用开发、图形处理、数据分析、报告编制、运筹学方法、计量经济学与预测等。SPSS软件是一个社会科学统计软件包，是采用图形菜单驱动界面的统计软件，SPSS的基本功能包括数据管理、统计分析、图表分析、输出管理等。R软件是一套完整的数据处理、计算和制图软件系统，包括：数据存储和处理系统、完整连贯的统计分析工具、优秀的统计制图功能、可操纵数据的输入和输入等功能。这三个软件在数据分析中针对不同行业的需求有不同方向的应用。
3.专业课程。从数据分析的行业需求出发，好的数据分析人员不仅要有较强的数据分析能力，还要有该行业的背景及相关知识的储备，这样才能将数据分析与行业特性联系起来，发挥数据分析的最大功能，即所谓的“因地制宜”。同时要兼顾学生的兴趣与学习的联系，需提供多领域的课程选择，如：经济学、金融学、保险学、管理学、会计学等。而在软件学习方面也要拓宽渠道，除了实验课程安排学习的软件，学生可根据自身发展意向再多掌握一些软件如：SQL数据库，熟悉office常用功能，尤其熟练运用Word和PowerPoint、Excel图表及数据分析等。同时还应该结合对数据分析师的要求设置一些相关课程：投资数据分析、市场调研与预测、预测技术分析、现金流量表编制、风险投资项目筛选、不确定性分析、编制数据分析报告等。
三、实践环节
培养数据分析的专业型人才目的就是为了学以致用。数据分析本身就是为了从数据中发现问题、建立模型、预测收益风险企业决策进而做出合理正确的决策判断。因此，学习了基本的知识和技能就要运用到实际操作中。学校可以和本地的数据分析事务所，或者大量需求数据分析人员的互联网行业建立实训基地，进行合作式教学，使得学生在实习的过程中能够理论联系实际，切身体会数据分析的商业操作体系，这样就能够促进学生有目的、有取舍地针对自身情况学习钻研，继而就能够培养出适应经济发展，满足市场需求的应用型人才。
四、结语
在大数据时代到来之时，数据分析在互联网中的应用将会空前广泛，与此同时对数据分析师的需求也将会井喷，无论是在军事、工业、企业还是在政治上，大数据分析都将会十分紧缺。因此，目前对数据分析师的培养刻不容缓。本文从分析数据分析行业发展及其重要意义、数据分析专业课程设置以及教学实践环节方面对构建数据分析课程体系进行了探讨。不仅从教学课程的内容上予以安排，而且更加注重引导学生自主学习，特别强调理论结合实践的合作式教学。希望能够结合行业需求合理地构建课程，培养出专门从事数据分析的项目数据分析师，从而能够满足市场需求和自身发展。
参考文献：
[1]范金城.数据分析[M].科学出版社，2010.
[2]http：///jrt/120922/70953.shtml
以上是目前数据分析工具所能达到的功能结构图。
在做数据分析之前，要多问几个“为什么”。
为什么要做数据分析？
数据分析能够帮我们做什么决策？
我们的目标实施需要数据分析做什么支持？
有方向的发现，才是真正有价值的发现，才会真的有所发现。
你找到你的店铺需要什么数据了吗？
关键词：大数据；数据挖掘；机遇；挑战
中图分类号：F27
文献标识码：A
doi：10.19311/ki.16723198.2016.21.032
而今，随着互联网、社交网的数据量不断增长，在大数据浪潮的冲击下，图书馆的IT应用也可借此加强数据建设，从而为图书馆知识服务创造更多的机遇，譬如构建业务建设的风险模型，或是对图书馆用户进行流失分析，甚至可以通过整合多维度大数据进行辅助决策。
1大数据的特性
1.1数量大
数据量已不仅仅局限于TB级，已然向着PB甚至更高级别的数据量迈进，呈指数型增长的数据量已无法用传统的数据处理方式进行分析存储。
1.2实时性
数据实时生成对数据分析模型提出了更高的要求，依赖于交互式、实时数据、建立实时的分析模型，通过分析挖掘数据背后深层次的需求增长或者对未来数据进行及时预测实时数据在大数据时代下意义显得尤为重要。
1.3多维度
大数据时代下，数据来源广泛而多样，不再仅仅局限于手工统计分析，而是可依据各类访问日志、检索记录、新闻媒体、影音视频以及社交软件等来源，具备结构化、半结构化甚至非结构化属性的数据，以及在多维度基础上获得一段时间内的数据形成的面板数据等。
1.4价值高
数据即是财富，也许单一的数据并无多大价值，但当庞大的数据将为我们提供更多更复杂的潜在信息，依据数据分析和挖掘技术，将会深入了解到数据背后的意义。
2大数据为图书馆带来的挑战
2.1存储能力及计算能力的挑战
随着大数据的飞速发展，数据来源增多，数据类型多样，数据采集技术的提高使得人们捕获数据能力也在稳步上升，各类结构化、非结构化的数据呈现出的复杂性吸引了众多研究者的目光，而大数据为基础的科学研究呈现出百花齐放的优良态势。有助于图书馆在此背景下向着新型知识服务的方向转变。而图书馆现有的数据储存技术以及数据分析技术显然难以跟上大数据发展的步伐。如何将分层分级存储架构的设计付诸实践以适应信息管理的需要，如何是数据不再受到现有计算能力能力约束，如何实现高通量计算机、高可靠性、高预测性等数据分析技术来对现有的大数据进行统计分析等问题，都是有待解决的难题。
2.2数据分析能力的挑战
大数据带给我们向着广度和深度发展的，已经突破了常规而传统的数据分析要求。大数据时代下的图书馆也需要通过数据分析了解知识服务的特点以及对未来的发展进行预测，从而应对可能发生的困境或机遇，因此，关联分析、趋势分析、神经网络分析、移动平均线分析等分析技术，可以为图书馆未来的发展创造一定的主动权。
2.3硬件设备的挑战
随着储存和计算规模的不断扩大，图书馆需要将高端服务器转换为中低端硬件构成的大规模计算机集群，从而支持非结构化的数据储存要求，同时需要有能够获取储存大规模数据的硬件并能够自动压缩、分层、删除重复数据等智能分析技术，并且有复制分块数据集到集群服务的网络设施以及具有保护性可保密性的软硬件基础设施。
2.4人员储备的挑战
对于现有的大多数图书馆员而言，大数据分析技术是一项全新的技术，他们并不具备相关的知识储备及分析能力，即便是具有一定的知识的图书馆员，可能有也缺乏实际应用的能力，难以将可挖掘的数据做持久化处理及深度分析。此外，随着图书馆数据量的增长，所能够真正分析使用的数据比例实际在降低，如果选择实用可靠的数据分析方法，提高可分析数据比例，真正将数据分析应用到知识服务的辅助决策中，是每一个图书馆员索要思考的问题。
3大数据为图书馆带来的机遇
3.1智能辅助
传统的信息检索模式依赖于用户所输入的检索词，通过检索功能将结果对用户进行反馈，而依赖于大数据的智能辅助功能则不仅仅只是被动的接收用户的检索要求，可以通过检索历史判断客户需求，从而主动推送相关信息给用户。通过对用户搜索行为数据的分析，发现客户的搜索习惯和搜索需求，并有针对性的进行推送，从而提高检索效率。
3.2用户流失及价值分析
随着硬件、软件局限性以及人员素质无法满足当前或未来的要求等问题约束了图书馆的发展，特别是在网络技术高速发展，信息量急速膨胀的今天，高校人员对于图书馆的存在价值进一步弱化，因此，如何能够通过利用大数据分析用户的需求、行为特点、使用习惯等来应对图书馆用户流失的现状，并且对于未来在交互知识服务中对于用户与图书馆使用方向发展态势进行预测，消除图书馆所面临的发展困境是值得每一位图书馆员研究的课题。
3.3引文分析及趋势分析
利用各类统计学的方法：如时间序列分析、相关分析、假设检验、聚类分析等方式，量化文献引用频率及行为，通过相互引证关系分析除了可以分析作者影响力或是文献重要性，还可分析学科之间的交互性以及信息来源分布特征，从而为各学科发展方向提供相应的规划依据。同时，图书馆作为文献集合的载体，可得到不同类型、不同信息要素之间相互引证的数据，从而为用户建立立体的引用分析，掌握全面的引证关系，即在广度上对于知识体系进行挖掘。此外，通过对于不同时间点的相同指标，可建立某些检索或引证的趋势曲线分析，便于用户了解检索的学术趋势或是学科的研究热点的历史变迁。从而发现不同学科、不同主题甚至不同机构的文献生长方向，在深度上挖掘相关的知识体系。
3.4知识服务及业务建设的风险模型构建
通过数据挖掘技术可构建图书馆信息安全风险评估模型，信息资源利用率评估模型、图书采购及使用率评估模型、知识产权风险评估模型等具有分析、决策等功能的数学模型来协助我们对于相关知识服务及业务建设的关键因素进行深入研究，同时可依据二八原则：即80%的效益由20%的关键因素决定，从而能够达到抓主要因素，促进图书馆有效发展的作用。
3.5知识挖掘及情报分析
通过引入先进的分析技术：如数据挖掘、索引规则等手段来对于各类文献数据进行深入分析，了解各类文献间的错综复杂的关系，揭示信息资源关联立体的知识体系，挖掘客户潜在的知识需求，从而提供精准的发现服务。此外，利用结构化和非结构化的数据，实现自动化、智能化的分析技术，获取动态化、知识化的情报，通过人机交互的方式及可视化的技术，帮助用户在一定的技术环境中查看分析结果，了解信息资源潜在的发展规律。
参考文献
[1]姜山，王刚.大数据对图书馆的启示[J].图书馆工作与研究，2013，（4）：5254.
关键词：大数据；数据分析；数据挖掘；体系建设
引言
进入21世纪以来，随着高新科技的迅猛发展和经济全球化发展的趋势，我国国民经济迅速增长，各行业、领域的发展也颇为迅猛，人们生活水平与日俱增，在物质生活得到极大满足的前提下，更加追求精神层面以及视觉上的享受，这就涉及到数据信息方面的内容。在经济全球化、科技一体化、文化多元化的时代，数据信息的作用和地位是不可小觑的，处理和归类数据信息是达到信息传递的基础条件，是发展各学科科技交融的前提。
然而，世界上的一切事物都包含着两个方面，这两个方面既相互对立，又相互统一。矛盾即对立统一。矛盾具有斗争性和同一性两种基本属性，我们必须用一分为二的观点、全面的观点看问题。同时要积极创造条件，促进矛盾双方的相互转变。数据信息在带给人们生产生活极大便利的同时，还会被诸多社会数据信息所困扰。为了使广大人民群众的日常生活更加便捷，需要其客观、正确地使用、处理数据信息，完善和健全数据分析技术和数据挖掘手段，通过各种切实可行的数据分析方法科学合理地分析大数据时代下的数据，做好数据挖掘技术工作。
1 实施数据分析的方法
在经济社会快速发展的背景下，我国在科学信息技术领域取得长足进步。科技信息的发展在极大程度上促进了各行各业的繁荣发展和长久进步，使其发展更加全面化、科学化、专业化，切实提升了我国经济的迅猛发展，从而形成了一个最佳的良性循环，我国也由此进入了大数据时代。对于大数据时代而言，数据分析环节是必不可少的组成部分，只有科学准确地对信息量极大的数据进行处理、筛选，才能使其更好地服务于社会，服务于广大人民群众。正确处理数据进行分析过程是大数据时代下数据分析的至关重要的环节。众所周知，大数据具有明显的优势，在信息处理的过程中，需要对大容量数据、分析速率，以及多格式的数据三大问题进行详细的分析和掌握。
1.1 Hadoop HDFS
HDFS，即分布式文件系统，主要由客户端模块、元数据管理模块、数据存储服务模块等模块组成，其优势是储存容量较大的文件，通常情况下被用于商业化硬件的群体中。相比于低端的硬件群体，商业化的硬件群体发生问题的几率较低，在储存大容量数据方面备受欢迎和推崇。Hadoop，即是分布式计算，是一个用于运行应用程序在大型集群的廉价硬件设备上的框架，为应用程序的透明化的提供了一组具有稳定性以及可靠性的接口和数据运动，可以不用在价格较高、可信度较高的硬件上应用。一般情况下，面对出现问题概率较高的群体，分布式文件系统是处理问题的首选，它采用继续运用的手法进行处理，而且还不会使用户产生明显的运用间断问题，这是分布式计算的优势所在，而且还在一定程度上减少了机器设备的维修和维护费用，特别是针对于机器设备量庞大的用户来说，不仅降低了运行成本，而且还有效提高了经济效益。
1.2 Hadoop的优点与不足
随着移动通信系统发展速度的不断加快，信息安全是人们关注的重点问题。因此，为了切实有效地解决信息数据安全问题，就需要对大量的数据进行数据分析，不断优化数据信息，使数据信息更加准确，安全。在进行数据信息的过程中，Hadoop是最常用的解决问题的软件构架之一，它可以对众多数据实行分布型模式解决，在处理的过程中，主要依据一条具有可信性、有效性、可伸缩性的途径进行数据信息处理，这是Hadoop特有的优势。但是世界上一切事物都处在永不停息地变化发展之中，都有其产生、发展和灭亡的历史，发展的实质是事物的前进和上升，是新事物的产生和旧事物的灭亡，因此，要用科学发展的眼光看待问题。Hadoop同其他数据信息处理软件一样，也具有一定的缺点和不足。主要表现在以下几个方面。
首先，就现阶段而言，在企业内部和外部的信息维护以及保护效用方面还存在一定的不足和匮乏，在处理这种数据信息的过程中，需要相关工作人员以手动的方式设置数据，这是Hadoop所具有的明显缺陷。因为在数据设置的过程中，相关数据信息的准确性完全是依靠工作人员而实现的，而这种方式的在无形中会浪费大量的时间，并且在设置的过程中出现失误的几率也会大大增加。一旦在数据信息处理过程中的某一环节出现失误，就会导致整个数据信息处理过程失效，浪费了大量的人力、物力，以及财力。
其次，Hadoop需求社会具备投资构建的且专用的计算集群，在构建的过程中，会出现很多难题，比如形成单个储存、计算数据信息和储存，或者中央处理器应用的难题。不仅如此，即使将这种储存形式应用于其他项目的上，也会出现兼容性难的问题。
2 实施数据挖掘的方法
随着科学技术的不断发展以及我国社会经济体系的不断完善，数据信息处理逐渐成为相关部门和人们重视的内容，并且越来越受到社会各界的广泛关注和重视，并使数据信息分析和挖掘成为热点话题。在现阶段的大数据时代下，实施数据挖掘项目的方法有很多，且不同的方法适用的挖掘方向不同。基于此，在实际进行数据挖掘的过程中，需要根据数据挖掘项目的具体情况选择相应的数据挖掘方法。数据挖掘方法有分类法、回归分析法、Web数据挖掘法，以及关系规则法等等。文章主要介绍了分类法、回归分析法、Web数据挖掘法对数据挖掘过程进行分析。
2.1 分类法
随着通信行业快速发展，基站建设加快，网络覆盖多元化，数据信息对人们的生产生活影响越来越显著。计算机技术等应用与发展在很大程度上促进了经济的进步，提高了人们的生活水平，推动了人类文明的历史进程。在此背景下，数据分析与挖掘成为保障信息安全的基础和前提。为了使得数据挖掘过程更好地进行，需要不断探索科学合理的方法进行分析，以此确保大数据时代的数据挖掘进程更具准确性和可靠性。分类法是数据挖掘中常使用的方法之一，主要用于在数据规模较大的数据库中寻找特质相同的数据，并将大量的数据依照不同的划分形式区分种类。对数据库中的数据进行分类的主要目的是将数据项目放置在特定的、规定的类型中，这样做可以在极大程度上为用户减轻工作量，使其工作内容更加清晰，便于后续时间的内容查找。另外，数据挖掘的分类还可以为用户提高经济效益。
2.2 回归分析法
除了分类法之外，回顾分析法也是数据挖掘经常采用的方法。不同于分类法中对相同特质的数据进行分类，回归分析法主要是对数据库中具有独特性质的数据进行展现，并通过利用函数关系来展现数据之间的联系和区别，进而分析相关数据信息特质的依赖程度。就目前而言，回归分析法通常被用于数据序列的预计和测量，以及探索数据之间存在的联系。特别是在市场营销方面，实施回归分析法可以在营销的每一个环节中都有所体现，能够很好地进行数据信息的挖掘，进而为市场营销的可行性奠定数据基础。
2.3 Web数据挖掘法
通讯网络极度发达的现今时代，大大地丰富了人们的日常生活，使人们的生活更具科技性和便捷性，这是通过大规模的数据信息传输和处理而实现的。为了将庞大的数据信息有目的性地进行分析和挖掘，就需要通过合适的数据挖掘方法进行处理。Web数据挖掘法主要是针对网络式数据的综合性科技，到目前为止，在全球范围内较为常用的Web数据挖掘算法的种类主要有三种，且这三种算法涉及的用户都较为笼统，并没有明显的界限可以对用户进行明确、严谨的划分。随着高新科技的迅猛发展，也给Web数据挖掘法带来了一定的挑战和困难，尤其是在用户分类层面、网站公布内容的有效层面，以及用户停留页面时间长短的层面。因此，在大力推广和宣传Web技术的大数据时代，数据分析技术人员要不断完善Web数据挖掘法的内容，不断创新数据挖掘方法，以期更好地利用Web数据挖掘法服务于社会，服务于人们。
3 大数据分析挖掘体系建设的原则
随着改革开放进程的加快，我国社会经济得到明显提升，人们物质生活和精神文化生活大大满足，特别是二十一世纪以来，科学信息技术的发展，更是提升了人们的生活水平，改善了生活质量，计算机、手机等先进的通讯设备比比皆是，传统的生产关系式和生活方式已经落伍，并逐渐被淘汰，新的产业生态和生产方式喷薄而出，人们开始进入了大数据时代。因此，为了更好地收集、分析、利用数据信息，并从庞大的数据信息中精准、合理地选择正确的数据信息，进而更加迅速地为有需要的人们传递信息，就需要建设大数据分析与挖掘体系，并在建设过程中始终遵循以下几个原则。
3.1 平台建设与探索实践相互促进
经济全球化在对全球经济发展产生巨大推力的同时，还使得全球技术竞争更加激烈。为了实现大数据分析挖掘体系良好建设的目的，需要满足平台建设与探索实践相互促进，根据体系建设实际逐渐摸索分析数据挖掘的完整流程，不断积累经验，积极引进人才，打造一支具有专业数据分析与挖掘水准的队伍，在实际的体系建设过程中吸取失败经验，并适当借鉴发达国家的先进数据平台建设经验，取其精华，促进平台建设，以此构建并不断完善数据分析挖掘体系。
3.2 技术创新与价值创造深度结合
从宏观意义上讲，创新是民族进步的灵魂，是国家兴旺发达的不竭动力。而对于数据分析挖掘体系建设而言，创新同样具有重要意义和作用。创新是大数据的灵魂，在建设大数据分析挖掘体系过程中，要将技术创新与价值创造深度结合，并将价值创造作为目标，辅以技术创新手段，只有这样，才能达到大数据分析挖掘体系建设社会效益与经济效益的双重目的。
3.3 人才培养与能力提升良性循环
意识对物质具有反作用，正确反映客观事物及其发展规律的意识，能够指导人们有效地开展实践活动，促进客观事物的发展。歪曲反映客观事物及其发展规律的意识，则会把人的活动引向歧途，阻碍客观事物的发展。由此可以看出意识正确与否对于大数据分析挖掘体系平台建设的重要意义。基于此，要培养具有大数据技术能力和创新能力的数据分析人才，并定期组织教育学习培训，不断提高他们的数据分析能力，不断进行交流和沟通，培养数据分析意识，提高数据挖掘能力，实现科学的数据挖掘流程与高效的数据挖掘执行，从而提升数据分析挖掘体系平台建设的良性循环。
4 结束语
通过文章的综合论述可知，在经济全球化趋势迅速普及的同时，科学技术不断创新与完善，人们的生活水平和品质都有了质的提升，先进的计算机软件等设备迅速得到应用和推广。人们实现信息传递的过程是通过对大规模的数据信息进行处理和计算形成的，而信息传输和处理等过程均离不开数据信息的分析与挖掘。可以说，我国由此进入了大数据时代。然而，就我国目前数据信息处理技术来看，相关数据技术还处于发展阶段，与发达国家的先进数据分析技术还存在一定的差距和不足。所以，相关数据分析人员要根据我国的基本国情和标准需求对数据分析技术进行完善，提高思想意识，不断提出切实可行的方案进行数据分析技术的创新，加大建设大数据分析挖掘体系的建设，搭建可供进行数据信息处理、划分的平台，为大数据时代的数据分析和挖掘提供更加科学、专业的技术，从而为提高我国的科技信息能力提供基本的保障和前提。
参考文献
[1]唐东波.基于神经网络集成的电信客户流失预测建模及应用[J].大众商务，2010（06）.
[2]刘蓉，陈晓红.基于数据挖掘的移动通信客户消费行为分析[J].计算机应用与软件，2006（02）.
[3]魏娟，梁静国.基于数据挖掘技术的企业客户关系管理（CRM）[J].商业研究，2005（07）.
[4]田苗苗.数据挖掘之决策树方法概述[J].长春大学学报，2004（06）.
[5]王晓佳，杨善林，陈志强.大数据时代下的情报分析与挖掘技术研究――电信客户流失情况分析[J].情报学报，2013.
[6]刘京臣.大数据时代的古典文学研究――以数据分析、数据挖掘与图像检索为中心[J].文学遗产，2015.
[关键词]临床医学专业硕士；研究生教育；数据分析
1培养学生的文献检索和阅读能力
1.1数据分析与临床医学教育关系
目前全世界的生命科学在自然科学研究领域中的比重已达到50%[2]，网络的迅速发展和大数据时代的到来，传统的医学生培养模式无法适应未来发展。很多课堂上学习的知识仅仅几年后就会更新，医学生需要掌握获取更多新知识、发现新问题的能力，而不是仅仅是背诵记忆现有知识内容。目前临床医学专业硕士参加规范化培养，投入实验研究的时间十分有限，因此可以在导师指导下进行临床科研。中国人口基数大，任何一家三甲医院都积累了大量的临床数据，如何利用这些数据进行临床科研是很关键的问题。导师可辅导学生通过临床诊疗提出问题，并从临床数据中获取有价值的信息，并进一步应用于临床。
1.2通过文献检索和文献阅读建立科研思维
从临床实践中提炼出自己感兴趣的方向再进行研究，首先需要广泛的文献检索和阅读。导师首先教授学生各种国内外文献的检索方法，并向学生推荐相关文献、指南，让学生就某一专业方向进行大量阅读，撰写综述，还可开展相关知识讲座或沙龙，有利于学生不断的进行专科内容的学习，建立科研思维。
1.3建立数据思维的概念
除了进行Meta分析外，数据分析还有更为广阔的用途。教授学生通过准确的数据刻画模糊的现状，让临床经验有科学的依据支撑；依据已知数据挖掘未知的事实，有一些数据独立看来并没有什么价值，但汇总起来会给临床医师新的启示，培养学生连续性、整体性的思维方式；依据历史数据预测未来趋势，通过对趋势的预测，我们对诊治疾病有更多的主动性，让治疗“未病之病”有了更强依据。
2教授学生多种数据收集和统计方法
2.1以科学的方法收集数据
有些学生在开始数据收集时一味求多求大，造成纳入指标特别多，但患者难以长期按此要求复查，造成研究难以持续。导师要引导学生精简和集中目标，使学生明确自己需要研究的是哪些方面，观察的终点事件和结局指标、收集数据的周期是什么，建立科学数据系统。
2.2收集方法和评估
有些患者随访的依从性不佳，随访间隔不一致，而且在不同的医院检查，有时数据单位也不相同，这就需要告诉学生在纳入目标人群前做好评估。数据是否缺失、如何处理一致性及数据歧义性均需要教授学生按照统计学要求进行分类和填补，以保证分析结果的可靠性。
2.3数据记录
指导学生使用结构简单、易组织、通用性强的表格。常用工具是Excel，易操作、常见的数据分析工具都支持。不同学生的研究内容、方向并不相同，但数据表要统一，可根据需要采用单样本数据表或多样本数据表，最重要的是保持数据的完整性。临床数据收集过程可能需要很长时间，几届学生的积累才有可能进行较完整的统计，采用统一的数据表有助于进行全面分析时数据的提取。
2.4统计方法选择
基础研究的统计学方式相对比较单一，因为是前瞻性研究，数据比较规范。而临床数据不同，纳入统计前需要评估数据是否属于正态分布，根据样本量、数据类型、结局指标分析要求等选择不同的统计学方法。不同统计方法可能得出不一致的结果，需要在实践中反复摸索，必要时与统计分析人员一同选择合适的统计学方法，减少方法选择不同而造成的结果偏倚。在这一过程中，让学生牢牢掌握统计学方法。
3指导数据总结和结果呈现
3.1指导数据总结与讨论
临床数据千变万化，不同地区不同方案都会对临床数据造成影响。因此，只要是真实数据，无论是单中心还是多中心研究，无论是前瞻性还是回顾性分析，亦或是横断面研究或队列性研究，对于学生来说都有内容可进行总结和讨论，导师需要指导他们从纷杂的统计结果中找出关键点。可以从患者自身前后的变化对比治疗方案调整的效果，可以从不同的治疗组比较结局的差异，可以与全国或全世界其他国家的数据库比较找出差距，或为中国临床的指南修订提供部分依据。
3.2数据分析与论文撰写
通过临床数据分析十分有利于撰写临床论文，有助于改变导师“重科研、轻临床”的观念[3]。在慢性肾脏病领域，数据分析做的较早较好的高雄医学大学附属中和纪念医院，每年有数十篇临床在国际期刊[4]。通过数据分析，能让学生的科研与临床的结合更为紧密，不仅如此，应用科学规范的数据分析后能让患者的治疗随访趋于规范，有助于规范化和精准化治疗和管理。通过数据模板分析图，可提出重点关注个案及更新管理目标，有利于教授学生如何把科学更好应用于实践中，提高临床专业研究生的人文素养、临床专科实践能力和临床应用科研能力[5]。
3.3建立读书报告会制度和演讲训练
根据毕马威近期名为《超越数据：让数据和分析指导企业行动》的调研报告，99%的跨国企业认为数据分析（data & analytics）对他们的业务至关重要。报告同时发现，中国企业正计划大笔投资发展数据分析，以期赶上那些利用现有客户数据发展成功的电子商贸及科技公司。
毕马威中国客户和创新事务合伙人查玮亮指出：“中国企业过去倾向于根据历史数据评估消费模式，但我们发现有越来越多的企业在利用数据分析预测消费者的购物模式，并形成对消费者的全面认识以实现所有渠道的交叉销售。”
粗线条分析
这份报告的调研数据来源于毕马威对144名首席财务官及首席信息官的访问，他们均来自年收入10亿美元或以上的跨国企业。
报告指出，51%的亚太区受访者（包括中国）认同数据和分析对企业的发展战略具有重要意义；71%的受访者表示使用数据和分析能够帮助他们发现一些或会被忽略的真知灼见。
查玮亮向记者指出，消费主义在中国的兴起，电子商务的高速增长，以及移动科技的普及让许多中国企业能够从客户身上获取大量数据。数据和分析正在成为很多中国企业用于拉近与客户距离的一项重要战略工具。
此外，82%的受访者认为数据分析技术能加快分析信息的速度；63%的受访者指出数据分析有助提高效率进而节省更多成本。然而，毕马威中国合伙人张玛莉认为，与西方发达国家企业相比较，中国企业在运用数据分析降低成本时的着眼点还是存在一定的差异。
张玛莉在接受记者采访时表示，西门子和摩托罗拉等大型跨国公司很善于通过财务管控方式优化公司成本结构。例如它们在中国设立分支机构时会比较每个城市的综合成本进而将加工厂设在二三线城市，这样就可以用相同的运营方式但比较少的成本获得相同的产品和服务。而同时，这些跨国公司仅需将销售公司放在市场比较活跃的一线城市。近年来中国的一些企业也开始逐渐采用这种方式降低成本，虽然最终也达到了目标，但它们主要是根据比较宏观的数据分析手段来进行预测的。
“跨国公司通常将成本细化成很多科目，比如人工成本、租金、财务成本等等，通过分析这些细化的科目来有效地管控成本。在细化分析方面，中国企业才刚刚起步。”张玛莉说。
为市场服务
数据对每个企业来说都不可或缺，但当前并非所有企业都能从数据中获益良多。毕马威调研报告发现，亚太区近八成受访者表示，更好地使用数据和分析能够让它们受益“更多”；相比之下，只有47%的美国受访者及42%来自欧洲、中东和非洲地区的受访者持相同观点。
张玛莉分析，由于目前大部分亚太区经济尚处于开拓阶段，因此喜欢通过数据分析来开拓新的市场。然而从欧美等成熟国家视角来看，数据分析已经是一个比较成熟的概念，很久以前，欧美的一些大型跨国公司已经开始运用海量数据来进行风险控制、销售管理及创新管理等工作，目前已经可以用数据分析实现比较平衡的管理。亚太区的企业家们已经开始有意识跟进、学习国外的数据分析方法，但还有很大的提升空间。
另外，目前国内的银行、电信公司、供电公司都有海量数据，但这些公司在搜集到数据之后不知道如何对数据进行整合、规划以便有效利用，这使得数据对企业的转型升级并没起到本应有的作用。
“企业在运用数据之前要明确很多问题，比如数据的定义是什么、何种情况下运用数据、数据是否正确以及有没有排除掉错误的数据等等。甚至有时候，数据来源是一致和正确的，但不同部门运用这些数据时却仍然会得出不一样的结论。如果这些问题不解决，数据分析就会影响到企业战略的制定。”张玛莉表示。
财务管控弱
近年来，阿里巴巴、京东商城等公司通过大数据管理使得公司业绩不断提升，这使得越来越多的企业尤其是互联网公司和金融类公司加强了对数据和分析的管控，如何充分运用数据，使企业在显著提升业绩的同时，也能有效防范风险，全面提升企业的竞争力，这是刚刚涉足大数据管理的中国企业急需解决的一个问题。
张玛莉认为，中国企业在数据和分析方面之所以与欧美成熟企业存在较大差距，很大程度源于中国企业的财务管控能力较弱。
张玛莉介绍，可能是因为改革开放比较晚的原因，目前中国很多企业在日常经营中还保持着创业的态度，这使得企业在运用数据和分析工具时，只关注于大的方向而很少关注具体细节，只要可以比去年赚钱，哪怕成本和风险都比较高也会进行投资，很少运用财务手段来对企业实施成本及风险管控，数据分析的成熟度明显不够。而欧美国家成熟企业，它们在运用数据分析时是用财务手段来驱动企业所有的运营活动，细化到每个产品的成本和利润等方面，另外，其业务拓展和市场开发也都会经过严格的分析论证之后才会实施。
关键词：大数据；分析模型；房价
中图分类号：TP399 文献标识码：A 文章编号：1007-9416（2017）03-0137-02
1 引言
大数据分析首先要建立一个分析模型，分析模型是大数据分析的基石，只有先建立了模型才能对大数据进行分析。构建大数据分析模型传统的方法很难实现，大数据非结构化、属性很难预知，通过数学、统计学等方法构建大数据分析模型都比较困难，机器学习是构建大数据分析模型最有效的方法之一。机器学习通过不断地学习优化、不断地迭代逼近所要的模型。
2 训练数据准备
机器学习构建大数据分析模型的方法是通过训练数据将模型训练出来。从要研究的大数据对象中找出训练集。机器学习分为监督学习和非监督学习，监督学习需要教师，监督机器学习的结果，事先设定好学习目标，期望的结果。非监督学习的数据一般都无标签，学习结果事先也无法预知，通过数据可视化等方法观察学习结果。
房价大数据分析模型机器学习属于监督学习，期望预测值极大地逼近真实值。首先需要采集房价数据作为训练数据，然后设计房价大数据分析模型机器学习算法，计算机通过机器学习算法和学习路径学习训练数据，学习目标是预测的结果极大地逼近真实数据，通过反复迭代，不断地接近目标，训练出所希望的模型。
3 数据清洗
清洗后的训练数据如下：
间数（x1） x1 2 x1 2 x1 3 x1 3 x1 3 x1 3 x1 2 x1 2 x1 2 x1 3 x1 3 x1 3 x1 2 x1 2 x1 1 x1 3 x1 3 x1 3 x1 3 x1 1 x1 2 x1 2 x1 2 x1 2 x1 2 x1 3 x1 2 x1 3 x1 2 x1 2 x1 3 x1 2 x1 2 x1 3 x1 3 x1 3 x1 2 x1 3 x1 2 x1 1 x1 2 x1 2 x1 2 x1 2
面e（x2） x2 126 x2 99 x2 134 x2 137 x2 135 x2 138 x2 104 x2 99 x2 105 x2 126 x2 112 x2 116 x2 88 x2 90 x2 79 x2 120 x2 155 x2 158 x2 161 x2 66 x2 108 x2 88 x2 111 x2 103 x2 104 x2 131 x2 105 x2 130 x2 102 x2 105 x2 148 x2 98 x2 100 x2 128 x2 110 x2 101 x2 121 x2 127 x2 103 x2 67 x2 78 x2 71 x2 81 x2 77
价格（y1） y1 460 y1 425 y1 515 y1 580 y1 630 y1 600 y1 425 y1 439 y1 435 y1 608 y1 460 y1 460 y1 410 y1 380 y1 340 y1 520 y1 685 y1 680 y1 630 y1 328 y1 532 y1 405 y1 495 y1 470 y1 480 y1 690 y1 480 y1 690 y1 462 y1 495 y1 540 y1 440 y1 510 y1 599 y1 395 y1 450 y1 455 y1 595 y1 403 y1 295 y1 315 y1 345 y1 355 y1 335
4 房价大数据分析模型机器学习算法
机器学习首先要设计机器学习学习算法，设计机器学习学习路径，机器学习解决的问题通常可分为预测和分类两类问题。首先我们分析一下要解决的问题是属于预测问题还是分类问题，然后选择相应的学习算法，设计学习路径，通过训练数据训练和机器学习构建大数据分析模型。模型通过训练数据训练出来以后，对模型进行检验，然后不断进行优化，以达到我们所期望的精度。
以下是梯度下降机器学习算法和学习路径：
首先建立一个估值函数（模型）如下：
x为自变量（特征参数），h（x）为应变量（房价的估值），希望求出此函数的系数θ0、θ1，构成一个完整的函数，此函数就是我们要构建的大数据分析模型。
我们建立一个成本函数，希望预测值与真实值的差趋近于0，也就是成本函数值趋近于0。
J（0， 1）=
其中：
X（I）表示向量X中的第i个元素；
Y（I）表示向量Y中的第i个元素；
表示已知的假设函数；
m为训练集的数量；
Gradient Descent梯度下降方法机器学习步骤：
（1）先随机选定一个初始点；
（2）确定梯度下降方向；
（3）通过实验确定下降步伐，学习率Learning rate；
（4）通过不断地递归，收敛到极小值；
通过梯度下降法使成本函数趋于0，在此条件下求得自变量的系数θ0和θ1，将此θ0和θ1带入到函数中得到我们要的模型。
下面是介绍如何运用梯度下降法，经过反复迭代求出θ0和θ1：
梯度下降是通过不停的迭代，最后沿梯度下降到最低点，收敛到一个我们满意的数据，误差趋近于0时迭代结束，此时的θ0和θ1正是我们要求的函数自变量的系数，有了θ0和θ1，这个假设的函数就建立起来了，这个函数就是我们要建的大数据分析模型。
梯度下降法分为批量梯度下降法和随机梯度下降法，批量梯度下降法速度较慢，每次迭代都要所有训练数据参与；随机梯度下降精度差一些，容易在极值周围震荡；房价大数据分析模型采用的是实时数据梯度下降法（Real Time Online Gradient Descent），可以随着房价的变化随时修正模型的参数。
5 构建房价大数据分析模型
通过数据可视化，我们可以看到房价数据趋于线性，所以我们采用线性回归构建房价大数据分析模型。采用监督学习，先给定一个训练集，根据这个训练集学习出一个线性函数，然后检验这个函数训练的好坏，即此函数是否足够拟合训练集数据，不断优化模型减少残差，最大限度地接近真实值。
假设房价大数据分析模型：
y=aX1+bX2
通过梯度下降法，不断递归，最后使假设值与实际值之差趋近于0，求得此时的模型变量系数a、b，构建线性函数（房价大数据分析模型）。模型通过回归诊断、交叉验证不断进行优化，直到误差达到要求。
以下是采用机器学习算法构建的房价大数据分析模型，用R语言编写房价大数据分析模型程序如下：
令：a=q1；b=q2；
将训练数据以数据框的形式存储。
pricedata
x1
x2
y
造梯度下降算法函数，初始点q1=0、q2=0；下降速率d=0.0001。
grd2
q1=0；
q2=0；
d=0.0001；
i=0；
m=9；
plot（y～x1+x2，data=pricedata，pch=16，col='red'）；
通过反复迭代得出估值函数系数q1、q2。
while （i
{
i=i+1；
q1=q1-d/m*（q1*x1+q2*x2-y）*x1；
q2=q2-d/m*（q1*x1+q2*x2-y）*x2；
}
return（q1）；
return（q2）；
}
grd2（）；
model2
summary（model2）；
通过summary（model2）汇总出模型变量系数。
在大数据概念不断升温、数据分析技术不断成熟的今天，我们已经不再对数据分析、数据报表陌生。而我也不例外，我的数据分析团队每天都会呈现出不同的数据报表和数据分析模型。
销售量的同比环比，成本利润对比；
决议民意调查统计结果分析表；
年度销售情况总结分析报告；
顾客购物行为分析报告；
工作效率统计表，经营管理仪表盘等等。
因为有了智能BI系统作支撑，展现的报表是完美的，华丽的。而在企业中面对这些主题的数据分析，我们也会毫不犹豫地利用各种数据分析工具和方法，对某个特定主题进行ETL，建立分析模型。可是我们往往忘记分析的目的和根本问题，经常性地沉迷于技术分析、报表展示。所以我们想挖掘企业管理和经营问题实质的时候，量化分析就变得尤为重要了。以求对事物存在和发展的规模、程度等做出精确的数字描述。让数据分析从根本意义上服务于业务管理，这才是分析的终极目标。
“外家功”与“内功心法”
说到量化分析，它是一种方法，如果说数据挖掘是“外家功”，那么量化分析就是“内功心法”。虽然量化分析不能解决任何计算机语言逻辑错误，没有具体计算机语言表达规则，不能建立如关联分析、回归分析等具体清晰的统计分析方法。
但是量化分析通过数据收集，指标确定，信息的整理对结果不仅仅是展示，而是做全面的、完整的描述，全面解答根本问题。我们经常在总结汇报会议上看这样的场景：“在本次活动中，销售比去年同期增长了30%，其中某品牌中A型号和B型号对比，A型号比B型号销量高出50%。”如果这样陈述再配上图表展示，看起来好像就是一个很好的数据分析总结汇报了。可是问题来了，为什么A型号要比B型号销量好，我们是停止B型号的采购，还是加大A型号的引进。从这个分析当中我仍然不知道如何处理，似乎困惑的问题和想要的答案都没有反映出来。那我们为什么要收集这些数据，为什么要设定这些指标，又为什么要分析这些信息？显然这是一个没结尾的故事，即使有华丽的过程，却没有揭示实质的问题。
建立量化分析体系
有了量化分析，目的是建立量化分析体系，而在企业要建立量化体系，首先必须学会找出根本问题，要用类似“五个为什么”的方法揭示根本问题。建立企业量化体系不是单枪匹马就可以完成的，我们需要更多的人给我们提出“为什么”，让企业更多的人参与到规划量化体系蓝图的“艺术创作”中去。让我们的企业问题蓝图更加完整。其次对于建立的问题，要不断地检查和分析，看看我们揭示的问题是否考虑了需要的信息、指标和数据。揭示的问题是否有效、问题是否符合量化逻辑等等。我们要在企业的管理和运营中不断检查自己的量化体系蓝图。最后有了完成有效的量化蓝图，就需要我们进行确定指标，明确信息，采集数据了，这时候再也不会在数据的海洋里迷失了航程。确定指标使得量化体系有了方向，明确信息和采集数据是量化体系的技术手段。量化体系是分析的目标，数据分析是揭示问题的工具和资源。
关键词：数据分析；企业经营；企业管理；重要性；统计工作 文献标识码：A
中图分类号：F270 文章编号：1009-2374（2016）35-0218-02 DOI：10.13535/ki.11-4406/n.2016.35.107
随着我国社会经济的发展和繁荣，企业的经营管理也越来越受到重视。在每一个企业中，各个部门都会生产出一定的数据，这些数据就会被深度的挖掘并进行一系列的汇总，从而成为这个企业的重要参考指标。所谓的数据分析，就是指根据合适的计算统计方法来对已经收集到的资料进行进一步汇总，以此来保证这些数据可以被最大化的利用。然而，在我们的实际生活中，企业进行数据的分析可以有效地帮助其管理者很好地了解公司的情况，更能帮助其做出一定的决策，从而做出更加正确的决定。
1 对于数据进行分析的作用及意义
在一个企业中，对于数据进行分析是整个统计阶段的最后工作，也是其工作的重中之重。这项工作的好坏将直接影响到企业今后的发展以及对于重大事件的决策。
1.1 数据分析是对客观情况的完整反映
在对企业的数据进行分析时，如果只用一般的资料报表以及简单的调查，这样是不能将整个企业的情况进行全部展现的，即使其中蕴含着大量的数据资料，也不会起到一定的效果，并没有一定的说服力。有效的数据分析是需要经过对收集到的一手数据进行深入挖掘以及分析研究得到的，需要企业人员以实事求是为基本原则，这样才能将整个企业的基本情况客观地、完整地展示出来，才能制作出数据分析的客观报告。它的说服力将远远高于其他的材料，也可以完整又客观地展现公司面貌。
1.2 数据分析在企业中起着重要的监督作用
在企业的经营管理中，监督对于数据分析有着重要的作用。对于数据进行进一步分析汇总的部门，其掌握着所有部门的基本情况以及大量的数据材料，可以准确地分析和了解公司的整体运行情况，对于数据的来源也更加清晰。因此，它在整个企业中承担着检查和监督整个企业各单位的运行以及生产情况、发展规划等任务。
1.3 对于数据进行分析可以帮助企业管理和规划
每一个企业都有着多个部门同时进行工作，这将会给管理带来一定的困难，然而看似杂乱无章的数据，其中却蕴含着整个公司运作的规律。但是要想完全地了解其中的规律，就不是一个简单的事情，这将需要对大量的数据资料进行深度的分析与汇总、反复的认识与实践，只有这样才能进一步达到想要实现的目标。在这种新的形势下，又有着更多的规律需要我们去探索与认识。例如：对于实现产业的整体结构优化以及如何来提高国民的整体经济效益等问题。因此，对于经济的客观规律问题是一个非常广泛的领域，需要我们去探索。对于数据进行进一步分析的部门将根据其所具有的大量资料的优势来对事物的本质进行系统的分析研究，并直接从感性的层次直接上升为理性的层次中，由此实现对于事物以及发展规律的认识，这也便于管理者全面认识公司以及了解公司发展情况的了解，并帮助其做出正确且有重大价值的决策。
1.4 对于数据进行分析有助于数据的深度开发
数据的分析部门经过长期的普查、落实、调查等多种方式对各部门进行数据统计，这不仅需要大量的时间，更需要大量的心血，从而得到全面、客观又完整的数据，但如果只将这些有价值的数据利用在相关的检查上，以实现对国家的上报汇总工作，这将会大大降低数据分析的价值。由此需要将这些有价值的信息进行更深一步的分析汇总，并开发利用到公司的实践中去，这样才能成为十分丰富的信息。
1.5 帮助数据修正其准确性
所谓的对数据进行分析就是对数据进行深度的加工。在整个加工过程中，可以有效地检验其数据是否存在突然下降或下滑的现象。这样可以对那些升跌不正常的客观数据进行勘查、修正以及维护分析，从而提升全部数据的精准性。这样看来，数据分析是一项必不可少的工作，它起着对大量数据进行研究的作用，又是整个分析报告的重要依据。
1.6 有利于企业人员素质的提升
数据分析的工作者如果每天都是与各种统计表、各种数据资料机械的工作，而不是去感受其中的内在含义，这将很难得为分析者带来灵感，更无法提高数据分析的质量。对于数据分析既要运用大量的一手资料又要与多种分析方法并与实际相结合，只有这样才能更有效地发现问题并找出问题以及解决问题。这是一项相当乏味又艰巨的任务，这考验的不仅是分析者的知识储备量，更考验其耐力与态度。所以，这项工作将很有效地促进分析者的学习知识的态度，又可以提高自身的素质，并逐渐使分析者成为一个智慧与分析经济效益相结合的综合性人才。这将很好地发挥数据分析者的潜在能量，又有利于提升数据分析的效率，也可以有效地提升分析工作者的整体地位以及改善工作环境。
2 数据分析的策略准备工作
在一个企业中，如果只把数据分析当成一项简单的对文字进行整个的工作，只是机械地将各种数据统计到报表中，这样根本不会全面地展示出整个公司的客观情况以及发展趋势，更不会成为整个企业的主要决策依据。以下方面可以为做好数据分析工作做好准备：
2.1 提升一手数据的质量
要想做好数据分析的工作，就必须要保证所使用的一手材料的准确性，只有精准的数字，才能成为整个企业的重要决策依据。然而对于数据的质量整合是一个长期存在的问题。要想得到精准的数据，必须保证其精神上是支持的，对于数据的统计需要正确的认识，防止出现弄虚作假等不良的社会现象。然后，就需要从数据的本源上入手，根据最原始的数据分析，并将数据进行责任制分配，并互相制约互相监督，定期地对数据实施抽查。只有数据的精准性得到了保证，数据的分析工作才能得以有效地进行。
2.2 采用多种分析方法
随着社会的经济体系不断发展，企业的经济管理也逐渐得到重视，其管理者要全面、客观地了解公司的实际情况，又要根据这些基本情况对以后的发展做出规划。这将给数据分析的工作人员带来一定的困难，他们就需要了解更多的数据分析方法，其主要包括动态、因素、比较、预测以及结构分析的方法等，由此可以对数据进行进一步的对比整合，并提出有价值的意见。在这些分析方法中，还需要合适的运用，既要根据主要分析的任务进行分析又要结合自身分析方法的特点，结合传统的分析方法对数据进行详细的分析，同时需要汲取现代的先进手段进行分析，例如数据模型以及计算机等先进的现代化设备，从而提高对于数据分析的深度。
2.3 丰富信息源
数据的分析是以丰富的数据为基础，并在其基础上进行进一步的加工分析，因而对于信息源的丰富以及掌握的信息量不断增加，这都是提高数据分析的重要条件。对于企业进行数据分析时，其保留的历史数据将成为获取数据资料的重要渠道，这对于企业的运营以及发展趋势有着至关重要的作用。对数据的收集进行分析时，需要多渠道地对原有数据进行搜索，并需要与现有的数据进行整合，同时将横向资料与纵向资料相结合。这样才能保证数据的丰富性与真实性，从而更具有说服力。
2.4 加强监管力度
对于一个企业来说，数据分析的工作是必不可少的。企业的管理者也开始对其进行关注，更把其当成一项重要的工作去分配。数据分析的工作人员既要做好上级所要求的报表，又要深入地做好数据分析，来帮助企业的管理人员做出决策。同时，企业的管理者也要对数据的分析情况进行严格的把关，防止出现滥竽充数的现象。
2.5 提高数据分析人员的基本素质
正所谓素质是整个企业的根源所在，并且决定着分析的整体水平。相关的分析人员必须要做到实事求是，从实际出发，有效地学习企业管理与市场营销等知识，并需要具有一定的会计相关专业的知识，熟悉当代社会的基本现象，以此来不断提升其业务水平。此外，也要与实践相结合，正所谓时间是检验真理的唯一标准，在实际的实践中可以更加有效地提升对于数据的准确分析速度，并对数据的进一步分析奠定基础。
3 结语
综上所述，在这个网络化不断发展的时代，数据已经成为企业衡量效益的重要指标，同时也为其对于科学的评估提供了重要的参考资源。数据分析对于企业的经营管理有着重要的作用，但如何做好数据分析就必须做到以下要求：首先，做好最基础的数据分析工作，这样可帮助企业快速发展，并为管理者做出重要决定提供依据；其次，需要企业的管理者严格要求，保证原始数据的准确性，增加数据的来源，保证其多方面扩展，需要采用多种分析方法来对数据进行系统的分析以及提高企业人员的基本素质。在我们的实际生活中，企业进行数据的分析可以有效地帮助其管理者很好地了解公司的情况，更能帮助其做出一定的决策，这都将对有效的数据分析提供帮助，并促进企业的不断发展与进步。
参考文献
[1] 魏巍巍.论数据分析在企业经营管理中的重要性[J].产业与科技论坛，2012，6（30）.
[2] 唐萍.浅谈数据分析在企业经验管理中的意义与作用[J].商业研究，2015，2（11）.
[3] 王玲.论财务管理在企业经营管理中的重要性[J].商业研究，2001，6（10）.
关键词：大数据背景；专业技术；技能探究
中图分类号：G64 文献标识码：A 文章编号：1009-3044（2016）33-0123-01
Abstract ： With the theme of declare big data and applied technology major， this thesis was written by author from telecommunications engineering academy. It has researched and analysed the composition of big data， related technologies， application requirement about the data mining and the problems has been solved by big data technology； Also it described what kind of related knowledge and skills need to be master by higher vocation education students in school， analysed the teaching qualities contrast with the needs of modern enterprises in details， by all means this thesis will focus on practically personnel training and explore the thinking of vocational colleges’ big data application technology major.
Key words ： big data background， professional technology， skills exploration
随着网络和数据信息科学的发展，数据在量和复杂度上的爆炸式增长让人类进入了大数据时代。根据IDC监测，人类产生的数据量正在成指数及增长，大约每两年翻一番，以此速度在2020年之前会持续保持下去。大量数据源的出现则导致了非结构化、半结构化数据爆发式的增长即数据结构日趋复杂。大数据分析意味着企业能够从这些新的数据中获取新的洞察力，并将其与已知I务细节相融合。大数据对各种行业似乎产生了前所未有的巨大影响，从制造商到旅游业，从产品设计到消费者行为分析，大数据能提供前所未有的信息，帮助公商行业做出最好的决策。公商行业对合格的数据分析师或者数据工程师的需求很大。
人才市场需要会分数据并以有用的方式呈现信息的雇员。根据市场需求，高职院校需要培养学生成为具有数据应用技能的人才以满足市场需求。我们研究方向是调查公司企业所需要的技能和大学教的数据分析技能，对比两方面的技能的差别。人才需求调研裼昧宋示矸绞讲杉专家的意，专家分为相关专业学科教授和企业内本行业专家。
大数据应用技术专业的课程设置应跟随新技术的应用，跟随社会及企业需求，在新专业中重视培养专业技能和项目经验人才，课程设置应贴合社会需求培养相应的就业技能。需要研究关于合格的数据分析师或者数据工程师应该具有什么资格及知识技能。调研的结果可以帮助学院开设有关大数据学科的学校及大数据有关的课程教材。
调研内容如下表格：
综上所述，十报告传达的是要重视高等职业教育，强调“要全面实施素质教育，深化教育领域综合改革，着力提高教育质量，培养学生创新精神。”中国的职教体系也在深入发展改革的过程中。本调研是针对高等职业院校的大数据应用技术专业的课程设置的进行探究，通过对大数据应用技术专业在市场人才需求的研究，对全面实施素质教育，重视学生的创新能力的培养具有重要意义。
参考文献：
[1] 王星.大数据分析：方法与应用[M].清华大学出版社，2013.9.
[2] 曹正凤.数据分析统计基础[M].电子工业出版社，2015.2.
[3] 屈泽中.大数据时代数据分析[M].复旦大学出版社，电子工业出版社，2015.7.
[4] Hames R.Evans.Business Analytics：Methods，Models，and Decisions[M].电子工业出版社，2015.7
关键词：网络舆情；大数据；舆情分析方法
中图分类号：TP393.08
随着网络技术的高速发展，网络自媒体的数量庞大，网民人数的不断增多，互联网资源数量呈现指数型的增长，网络已经成为民众获取信息的最主要渠道。网络在传达社情民意方面的优势也逐步显现出来，成为反应社会舆情的主要载体之一，在表达民众心声、反映社会舆论方面发挥极其重要的作用。
在海量数据中，通过探测并发现网络舆情中的热点话题，有助于梳理舆情监控的思路，抓住纷繁的监控工作中的重点，从海量的互联网信息中找到目标信息，将有限的人力物力用到关键的地方，提高工作的针对性和有效性，更好地应对网络舆情。
而如何对网络舆情加以有效的监督和引导，积极化解网络舆论危机，使和谐的互联网环境为维护社会稳定、促进国家发展、构建社会主义和谐社会发挥重要作用，不仅具有重要的现实意义，也已经成为网络舆情工作面临的一个重要课题。基于上述分析，我们认为网络舆情数据越来越呈现出大数据特征。
1 问题与挑战
大数据环境下的网络舆情分析和挖掘方法具有如下挑战：
1.1 为了得到更准确的舆情信息，所需要的数据量大幅膨胀。随着数据生成的自动化以及数据生成速度的加快，自媒体时代的到来，为了获得准确的网络舆情信息需要处理的数据量急剧膨胀。一种处理大数据的方法是使用采样技术，通过采样，把数据规模变小，以便利用现有的技术进行数据管理和分析。
1.2 数据深度分析需求的增长。为了从数据中得到准确的舆情信息进而指导人们的决策，必须对大数据进行深入的分析，这些复杂的分析必须依赖于复杂的分析模型。所以对网络舆情信息的分析还需要路径分析、时间序列分析、图分析、What-if分析等。
1.3 自动化和可视化分析需求的出现。在TB级的复杂舆情信息环境下，网络舆情系统应该能根据网站的内容自动构造查询，自动提供热点推荐，自动分析数据的价值并决定是否需要保存。
2 大数据技术的主要进展
针对传统分析技术的局限性，研究者提出了一些试验性的解决方法和途径。R是开源的统计分析软件，IBM公司研究人员致力于对R和Hadoop进行深度集成，把计算推向数据并且并行处理，使Hadoop获得强大的深度分析能力，为应用开发者提供了丰富的数据分析功能。
针对频繁模式挖掘、分类和聚类等传统的舆情分析方法，研究人员也提出了相应的大数据解决方案。如，Iris Miliaraki等人提出了一种可扩展的在MapReduce框架下进行频繁序列模式挖据的算法[1]，Alina Ene等人用MapReduce 实现了大规模数据下的K-center 和 k-median聚类方法[2]，Kai-wei chang 等人提出了针对线性分类模型的大数据分类方法[3]。U kang等人使用“BP算法”处理大规模图数据发掘异常模式。Jayanta Mondal等人[4]提出了一个基于内存的分布式数据管理系统来管理大规模动态变化的图以支持低延迟的查询处理方法。Shengqi Yang等人[5]对基于集群上的大规模图数据管理和局部图的访问特征进行研究，为了在图查询处理中减少机器间通讯，提出来分布式图数据环境。Jiewen Huang等人提出了一个多节点的可扩展RDF数据管理系统，比目前系统的效率高出3个数量级。
3 网络舆情分析发展方向
3.1 实现更加复杂和更大规模的分析和挖掘是网络舆情分析未来发展的必然趋势。在大数据新型计算模式上实现更加复杂和更大规模的分析和挖掘是网络舆情分析未来发展的必然趋势，需要进行更细粒度的仿真、时间序列分析、大规模图分析和大规模社会计算等。
这些舆情主体间频繁联系、相互影响，在这个过程中涌现出一些大V，他们左右着其他主体的舆论方向，最终影响整个舆论场。同时，关注点相似的舆情主体间也自觉或不自觉地形成了一些联系相对紧密的子群体，在子群体中信息传播速度更快。要管理和引导网络舆情，就必须对网络舆情主体和舆论子群体进行研究，而社会网络分析方法就是有效的手段。
3.2 网络舆情信息的实时分析和挖掘。面对海量数据，分析和挖掘的效率成为网络舆情分析领域的巨大挑战。尽管可以利用大规模集群并行计算，但在数10TB以上的数据规模上，分析和发掘的实时性受到了严峻的挑战，而查询和分析的实时处理能力，对于舆情运用个体来说及时获得决策信息，做出有效应对是非常关键的前提。
3.3 关联不同领域数据进行舆情分析，非结构化大数据处理分析成为难点和重点。网络上的信息是千千万万的人随机产生的，从事网络舆情研究要从这些看似杂乱无章的数据中寻找有价值的信息。网络大数据有许多不同于自然科学数据的特点，包括多源异构、交互性、失效性、社会性、突发性和高噪音等，不但非结构化数据多，而且数据的实时性强，大量数据都是随机动态产生。网络数据的采集相对科学数据的采集成本较低，网上许多数据是重复的或者没有价值的，价值密度低。一般来说，网络舆情的数据分析及预测，比科学实验的数据分析更困难。所以我们不要一味的追求获取越来越多的数据，而是数据的去冗分类，去粗取精，从数据中挖掘有用信息，减少不必要的数据采集。
3.4 词汇理解的复杂性研究。既考虑词汇的情感倾向性，又权衡语义模式对评论的情感倾向值的影响，能比较全面地分析突发事件网络舆情的态势。但是词典的构建与语义模式的建设需要人工参与，个人的主观性影响比较大，机器学习的能力不强，准确度不高。另外，由于网络语言表达的灵活性，技术的发展速度跟不上社会话语变迁的复杂性。在国内的网络语境中，谐音、暗语是常用的表现手法，借古讽今、借外讽内是常用的叙事手段，隐喻、借代是常见的修辞。现有技术还不能完全准确地判定句子的情感倾向性，机器对词汇的理解能力需要进一步研究。
4 结束语
随着大数据时代的到来，我们要不断改进舆情的分析方法，将大数据思维及方法运用到网络舆情分析中去。首先要开始关注大数据分析，其次不再仅仅依靠语义分析，而是求诸于自动化的数据分析，再次要关联不同领域数据进行舆情分析，等等。总之，我们要突破传统，将舆情分析向大数据分析的方向创新。
参考文献：
[1]Miliaraki I，Berberich k，Gemulla R.Mind the gap：large-scale frequent sequence mining.SIGMOD’13，2013：797-808.
[2]Ene A，Im S，Moseley B.Fast clustering using MapReduce. KDD’11，2011：681-689.
[3]Chang K，Roth D.Selective block minimization for faster convergence of limited memory large-scale linear models.KDD’11，2011：699-707.
[4]Mondal J，Deshpande A.Managing large dnamic graphs efficiently.SIGMOD’12，2012：145-156.
[5]Yang S，Yan X，Zong B，e.Towards effective partition managenment for large graphs.SIGMOD’13，2012：517-528.
【关键词】 网络零售 运营管理 培养模式
一、引言
目前，我国网络零售业正处于一个快速发展时期，2012年全国网络零售总额超过1.1万亿元，占社会消费品零售总额的5%，网络购物用户达2.3亿。另据中国电子商务研究中心的资料显示，2012年国内网络零售企业数已超过5万家，连锁百强中有六成企业开展了网络零售业务。可以预计，随着互联网应用的不断深化，除了在线零售商外，将会有越来越多的传统的制造商、品牌商、服务商、渠道商、零售商将传统渠道的触角向线上延伸，通过自建、收购或利用第三方网购平台等方式开拓网络零售市场。
二、网络零售业人才需求分析
1、需求结构
随着网络零售业的快速发展，社会对网络零售业务人员的需求量不断上升，以一个组织结构比较健全的网络零售商铺（网店）为例，其所需要的网络零售岗位人才结构体系如图1所示。
从图1可看出，网络零售商铺（网店）所需人才可分为五大类，具体见表1。从上述岗位需求可以看出，目前网络零售行业所需要人才的专业分工越来越细，涵盖了传统的电子商务、市场营销、新闻、统计学、界面设计、物流管理、会计及人力资源管理等专业。但由于网络零售市场在我国还处于发展初期，各相关专业并没有针对该领域市场进行专门的人才培养。从电子商务专业人才培养来看，在上述岗位类别中可以选择的岗位只有店长、运营主管两个管理类岗位，以及活动策划、文案编辑、市场推广与数据分析四个运营类岗位。
2、需求规模及趋势
以店长与运营主管（经理）为职位名称在淘工作（http：//）进行检索。2011年到2012年招聘店主（含运营主管/经理）的企业数如图2所示。数据显示，2011年，在淘工作进行店主（含运营主管）招聘的企业数为3088家，2012年有4180家，同比增长36%。由此可见，对于店长及运营主管两类网络零售的管理类人才而言，市场需求有不断增长的趋势。
值得注意的是，随着越来越多的企业进军网络零售市场，网络零售商家对店长类综合运营管理人才的需求量也越大，同时随着各企业网络零售市场规模的不断扩大，企业网络零售组织架构也不断扩大，导致专职负责店铺运营的主管人才需求量也不断攀升。但由于不少网络零售商还处于市场不断开拓阶段，因而其对店长及运营主管的要求除能从事管理岗位的工作外，还要求他们能承担一定的运营类岗位工作，如网络市场推广、网络活动策划、网络文案编辑与网络数据分析等。此外，网络零售企业对活动策划、文案编辑、市场推广、数据分析的人才需求也呈现快速增长趋势，以淘工作统计为例，2011年招聘上述岗位的企业数依次为1521家、1024家、4656家和178家，到2012年依次为1688家、1457家、5920 家和241家，招聘企业数增长26%，招聘各类人员总数增长超过30%。
综上所述，从我国网络零售市场发展趋势与企业网络零售人才需求状况来看，未来五到十年内，我国网络零售市场将呈现高速增长态势，企业对相关网络零售运营管理类人才的需求将会越来越旺盛。
三、面向网络零售的运营管理岗位能力要求
1、店长
（1）工作任务。负责平台商铺的整体规划、营销、推广、客户关系管理等系统经营性工作。（2）能力要求。熟悉网络推广、传播方式和渠道；熟悉电子商务模式与流程；熟悉网店装修、页面策划、文案、平面设计等工作；熟悉网店、页面优化及SEO。
2、运营主管
（1）工作任务。制定网上店铺的营销策划方案；负责推广方案设计、讨论和实施；提出网上店铺的页面优化改版方案；对推广效果进行跟踪、评估，并提交推广效果的统计分析报表，及时提出营销改进措施，给出切实可行的改进方案。（2）能力要求。熟悉平台店铺营销策划与推广及网购销售市场；熟悉网络零售平台运营环境、交易规则、推广及广告资源；熟悉各种网络推广手段，组织专业人员进行推广。
3、活动策划
（1）工作任务。协助规划和制定年度网络促销计划，撰写新品推广、产品促销活动方案；协助制定、梳理促销推广活动的管理规则和流程，把控促销方案落实；对促销效果进行跟踪评估；收集、分析市场促销需求、竞品动态，做好促销数据收集和分析，优化促销工具和方法，调整促销策略。（2）能力要求。有较强的网络市场信息收集、统计、分析能力；敏锐的市场动态感知能力和促销推广提案撰写能力；较强的沟通能力、逻辑分析能力以及组织协调能力；较强的客户意识，能够从客户角度出发思考问题和解决问题；能熟悉网络零售平台营销与推广。
（1）工作任务。负责网络店铺宣传性软文、硬广、公司通告撰写；店铺大型活动的文案拟定；参与促销活动及品牌包装的创意、文案工作。（2）能力要求。具备扎实的文字功底，较好的文案撰写能力；了解网络消费者心理需求及消费习惯。
5、市场推广
（1）工作任务。负责网络店铺及产品在网络零售平台或互联网上的推广；制定推广方案并负责实施，对推广效果进行评估，对店铺及产品访问量、转换率数据进行分析；根据网络零售平台规则进行商品页面搜索优化。（2）能力要求。精通网络零售平台营销规则，熟悉网络消费者的购物习惯和心理；熟悉与掌握网络零售平台各种营销工具，熟悉网络SEO技术；良好的策划推广能力和项目执行能力；具有较强的数据分析能力。
6、数据分析
（1）工作任务。负责网络平台店铺的日常数据统计分析以及其他电子商务网站数据的收集统计工作；负责对网上店铺的流量、销量、转化率等数据的分析；负责对市场、行业及竞争对手的网络数据的采集、评估与分析；负责收集客户资源；负责营销管理问题的跟踪和交叉分析，并提出解决方案。（2）能力要求。具备丰富的数据分析、挖掘、清洗和建模的经验；熟练独立编写商业数据分析报告，及时发现和分析其中隐含的变化和问题；具备利用数据分析解决商业、市场营销、风险问题的能力。
四、网络零售运营管理人才的培养目标与要求
1、培养目标
根据河南工业大学电子商务专业人才培养方案，结合目前网络零售市场人才需求特点，我们把网络零售运营管理专业方向人才的就业岗位定位为网络零售平台主管（包括自建网络商店与第三方平台网络商店店长）或运营主管，由于上述岗位一般需要至少一年的网络零售工作经验，因此，学生前期就业岗位也面向网络零售市场活动策划、文案编辑、市场推广与数据分析等具体运营业务岗位。
该专业方向的培养目标为：培养掌握电子商务及网络零售的理论知识和运作规律，熟悉网络零售市场特点，具备网络零售市场的整体规划、营销、推广与客户关系管理等环节的运营管理技能的综合型的网络零售运营管理人才。
2、人才规格
通过本专业方向的系统的学习，学生将具备表2所示的知识和能力。
五、基于能力要素的网络零售运营管理方向课程设置
1、对应关系
根据河南工业大学网络零售运营管理人才的培养目标及定位，我们对岗位能力与课程单元对应关系进行了分析研究，将本专业方向的专业及方向能力分解为六大专项能力，具体对应关系如表3所示。
2、组织实施
根据上述的方向所需能力与课程设置的对应关系，我们梳理了专业原有课程体系。原有课程体系包括了网络营销基础、电子商务管理、网页设计、电子商务网站规划与建设、创业设计综合实验、网页设计课程设计课程设计、电子商务网站建设实训等。同时，为了保证本专业方向在原有电子商务专业培养体系上能够实施，在课程教学组织上保持原有的通识教育模块、学科平台模块以及专业平台模块中的必选课体系不变，在专业平台模块中的选修课中设置网络零售运营管理方向课程群，其中包括6门理论课和3门实践课，如表4所示。学生如果选择了该方向，就代表选择了该方向课程群的所有选修课程。
六、结论
在电子商务专业开设网络零售运营管理方向人才培养，符合社会对电子商务人才的专业化或行业化需求特点。网络零售运营管理人才做为一个综合性电子商务管理人才，既要具有足够的理论知识，也需要紧密联系网络零售市场发展，将一定的理论转化为实践能力。因而，在该类人才培养过程中，需要建立校企深度合作实践教学基地平台，实现学校人才培养与网络零售市场企业需求之间的无缝衔接。当然，要培养出符合网络零售市场需求的电子商务运营管理类人才，需要在教学实践中不断进行改革与实践，探索出符合社会网络零售人才需求及各高校实际的人才培养体系。
（注：基金项目：河南工业大学人才培养模式改革工程项目“电子商务专业人才‘分类’培养模式研究与实践”（2011）。）
【参考文献】
