信息管理与信息系统专业大数据分析人才培养模式研究

吕成功 魏亚双

摘要：在大数据时代背景下，大数据分析能力已成为企业的核心竞争力，企业对大数据分析人才的需求不断增加，如何培养此类人才成为信息管理与信息系统专业亟待解决的问题。首先提出大数据人才能力结构模型，分析大数据相关人才能力的市场需求情况，比较大数据人才与信息管理与信息系统专业人才的能力特征，分析该专业培养大数据分析人才的优势与不足，在此基礎上，提出大数据分析人才应具备的知识能力结构。最后，该文建立面向项目实践的信息管理与信息系统专业人才大数据分析能力培养模式。

关键词：大数据分析；信息管理与信息系统；人才培养

中图分类号：G434 文献标识码：A 文章编号：1009-3044（2018）03-0123-03

Abstract： In the context of big data era， big data analysis capability has become the core competitive ability of firms. The need to big data analysis talents is increasing continuously. How to train this kind of talents has become a problem which has to be settled urgently. First， present a structure model for the capabilities of big data talents， analyze the market demand of these talents， compare the capabilities of big data talents and those of information management and information system talents， analyze strengths and weaknesses in training big date analysis talents in this major， then， on the basis of all the work above， achieve the knowledge and capability structure which should be owned by big data analysis talents. In the end， build a big data analysis capability cultivation mode facing practical programs for the talents who major in information management and information system.

Key words： Big Data Analysis； Information Management and Information System； Talents Cultivation

近年来，大数据时代的到来为经济发展带来了新的机遇，社会对大数据人才的需求进一步增加，大数据人才短缺问题凸显。分析挖掘数据价值已成为企业发展的新动力，企业对大数据分析人才的需求不断增加，并对其提出了更高的要求。据麦肯锡预测，美国到2018年对数据相关管理人才的需求量大约为150万人，其中，需要14～19万的数据分析专家[1]。2015年，我国业界专家估算：未来五年，我国大数据人才需求至少为100万人，而目前大数据人才储备量尚不足10万人[2]。如何培养大数据人才以满足需求成为我国现阶段亟待解决的问题。

针对大数据人才短缺问题，美国哥伦比亚大学、加州大学伯克利分校、华盛顿大学等均开设《数据科学导论》课程，纽约大学、南加州大学、英国邓迪大学设立“数据科学”硕士学位，复旦大学、香港中文大学、清华大学等国内顶尖高校也在数据科学领域设立学科或开设课程[3]。我国在设立数据学科方面尚处于起步阶段，尚未形成完备的大数据人才培养体系，且不同应用领域对大数据人才的能力需求也有很大的不同，无法以统一的标准来培养大数据人才，大数据人才的培养还存在着一定的困难。乔治.鲁米里奥蒂斯认为，大数据人才的首要能力并不是统计和分析能力，而是跨界能力：即具备扎实的数学、统计学、概率论和计算机基础，并兼具商业知识和分析消费者需求的能力[4]。大数据相关专业应结合各自的特点，发挥自身优势，同时注重跨界能力，培养具有不同能力特征的各类大数据人才。信息管理与信息系统（以下简称“信管”）专业作为大数据相关专业之一，应顺应时代发展的潮流，发挥优势、改进不足，培养大数据分析人才以满足社会需求。

1 信管专业大数据分析人才培养优劣势分析

信管专业要实现大数据分析人才的培养目标，首先要分析社会大数据人才的需求特征、大数据人才需具备的能力。然后要分析信管专业人才的能力特征，发掘其与大数据人才能力的交叉点，并进一步分析信管专业在大数据分析人才培养方面的优势与不足，为大数据分析人才培养模式的研究提供依据。

1.1 大数据人才能力分析

本文依据大数据人才能力的不同层次，将其分为三个类别即大数据工程技术人才、大数据分析人才和数据科学家，分析市场所需的大数据人才的能力，其相关能力要求如图1所示，据此进一步分析各类人才的主要能力特征比较如图2所示：

1） 大数据工程技术人才。这类人才主要负责数据平台的搭建和运维，数据的收集、整理、存储以及清洗、组织等大数据处理工作。大数据工程技术人才应具备编程能力，熟练使用Hadoop、MapReduce等技术平台，掌握ETL技术对数据进行有效筛选、构建数据仓库等各类大数据处理技术，具有较强的技术背景。

2） 大数据分析人才。此类人才通过数据分析挖掘来辅助高层的决策工作、预测相关趋势。大数据分析人才需精通数据分析语言R、Python等、能够熟练运用工具进行数据分析挖掘工作，并且对统计学、管理学、社会科学等学科有较深刻的理解，具有大数据分析能力，能够发掘数据中蕴含的事实，对行业未来进行有根据的预测，利用数据辅助决策，且通常具有较强的沟通能力，能够与客户建立信任度。

3） 数据科学家。数据科学家善于研究并编写优秀算法，熟悉大智能知识、善于建立数据模型，具备良好的沟通能力，具有远见与洞察力，能够从数据中发现价值，是相对于数据技术、分析人才而言，更高层次的大数据人才。专家学者对数据科学家都有自身的见解，例如学者 Chris Wiggins 认为数据科学家应该具备三大能力：分析能力、技术能力、沟通合作能力，认为数据科学家不仅能够利用统计工具和数学工具进行数据分析与可视化，还要具有一定的技术能力和沟通交流能力[5]。数据科学家作为大数据高端综合人才，通常具备深厚的教育背景，质优量少，严重供不应求。

综上，大数据工程技术人才侧重于技术工具的运用，对大数据处理技术能力要求较高；数据科学家，能够编写优秀的算法、创建数据模型、发现数据价值，具有深厚的教育和研究背景；大数据分析人才须熟练使用数据分析挖掘工具，利用数据分析结果预测趋势、辅助决策，要了解业务知识，具备沟通和管理能力。

1.2 信管专业人才能力分析

信管专业现阶段的人才培养方向主要有信息系统管理工程师、产品经理等人才类型，各类人才的主要能力类型如图3所示：

信息系统管理工程师作为信息系统的开发、维护与管理人员，要求具有编程和算法能力，基础知识扎实，具有信息系统开发运维能力、数据管理与信息分析能力；产品经理是一类综合管理型人才，要求在掌握基础知识、了解各类底层技术的基础上，熟悉业务知识，还要兼具管理能力、远见与洞察力。

1.3 信管专业在大数据分析人才培养方面的优势与不足

信管专业培养大数据分析人才优势如下：第一，信管专业人才具备编程和算法能力，有信息系统平台开发经验；第二、信管专业人才掌握广泛的业务知识，管理能力突出，可以将数据分析工作与企业业务联系起来，从而提高数据分析的准确性和效率；第三，信管专业人才沟通能力强，能够高效准确地将数据分析结果传达给非数据分析专业人员、如企业的决策者等；第四，信管专业人才具备一定的数据管理与信息分析能力，对于大数据的分析有基础作用。

信管专业人才与大数据分析人才的能力结构相比也存在不足：第一，信管专业人才的数学和统计学思维能力不足，数据可视化能力也比较欠缺；第二，在大数据的时代背景下，信管专业人才已有的数据管理与信息分析能力远不能满足大数据分析人才对数据分析能力的要求。

2 大数据分析人才的知识能力结构

对于信管专业大数据分析人才而言，数据分析和管理的综合能力是数据分析人才的核心竞争力；数学统计学思维、编程以及数据可视化能力也是不可或缺的重要部分；而在数据建模能力和大数据处理技术能力不作重点要求。结合大数据人才的市场需求情况以及信管专业的培养优势与不足，提出大数据分析人才的知识能力结构，将信管专业大数据分析人才知识能力分为五个维度，如图4所示：

1） 数学和统计学思维能力。数学和统计学思维是大数据分析的基础，对于分析预测具有至关重要的作用。数学思维往往能促进数据工作者发现数据特征和趋势从而更好的发掘数据价值。描述性分析、回归分析、聚类分析、主成分分析等统计分析方法是数据分析处理的有力工具。高校信管专业除了进行课堂教学以外，监督学生加强课后练习与扩展，以此提高学习精度与应用知识的能力，锻炼数学与统计学思维。

2） 编程能力。编程能力已成为数据工作领域最基本、最普遍的能力，学习编程，不仅要学习这门语言，而要明白从需求收集到分析、编程、再到测试、维护的整个过程。编程能力的提高需要大量的练习和积累，可引导信管专业学生自行学习优秀教材，安排课堂上机练习，并为学生提供课下练习机会和场所，设置相关任务对其进行考核。

3） 数据分析挖掘能力。挖掘数据价值是大数据分析人才的核心能力，可以辅助决策者进行决策、预测市场趋势。大数据分析人才都應能够熟练使用如R、Python等主流数据分析工具进行数据分析与挖掘工作，并要掌握大量的数据分析方法和模型。高校信管专业可为学生提供大数据分析相关的实践机会，设置项目实践任务并对其验收考核，通过实习实践，增强信管专业人才数据分析与数据挖掘能力。

4） 数据可视化能力。可视化是利用诸如图形、表格或报告等形式将有意义的数据分析成果和分析人员相关见解清晰地表现出来，让非数据型专业人才如决策者、客户等能够清楚的理解数据分析的结果。数据可视化是数据分析成果的表现过程，在整个数据分析过程发挥价值的过程中具有不容忽视的作用，信管专业可设置相关能力培养课程，并为人才提供实践的机会。

5） 业务知识与沟通能力。分析的目的在于指导业务实践，丰富的业务知识有助于更有针对性的发挥数据分析的作用，而沟通能力让信息的传达更有效。除课堂知识外，学生可通过参加项目实践和校外实习实践学习业务知识、锻炼沟通能力，提高社会竞争力。

3 大数据分析能力培养模式

为了满足社会对大数据分析人才的需求，培养信管专业人才的大数据分析能力，除了开设相关课程外，项目实践具有至关重要的作用，本文以项目实践为主线，建立从指导、监督实施到结果控制的大数据分析能力培养体系，如图5所示：

项目实践旨在通过实践活动培养人才的大数据分析能力，主要分为三个环节：第一、建立能力培养体系，确定整体方向，规定具体实践过程与方法，为后续的实践工作提供基础；第二、按照时间阶段安排实践内容，从简单到复杂实现层层递进，边实践边反馈，培养信管专业人才大数据分析能力；第三、在项目实践全部结束后，进行实践成果评价，为以后的实践工作提供指导。三大环节紧密联系，共同构成大数据分析能力培养模式。

第一环节：培养过程体系化。

制定大数据分析能力培养计划，将大数据分析能力培养过程按时间划分为三个阶段，边学习边实践，同时不断改进实践过程。第一学年开始至第二学年，利用课下大作业形式进行实践训练，主要培养学生的逻辑思维、统计思维、大数据思维。第二学年至第三学年，在专业课学习过程中，安排学生进行小型数据分析项目实践，提升学生专业技术能力。第三学年开始，进行较复杂的综合项目实践，通过引导学生，小组合作，全面提高学生大数据分析能力。各个阶段要进行及时的评价与反馈，不断改进计划实施过程，大学四个学年形成紧密联系的大数据分析能力培养体系。

第二环节：项目实践过程安排。

根据四个学年内对信管专业人才的培养阶段不同，从思维和基本能力的训练到综合大数据分析能力的养成，项目实践过程由浅及深，主要分为三大步骤：

1） 简单项目实践，这一阶段重在分析思维的养成，主要安排在第一到第二学年，可通过布置具有综合性的大作业等形式拓展学生思路，项目通常较为简单，为后续的综合实践奠定基础。

2） 小型综合项目实践，这一时期，专业课程正陆续展开，学生的基础知识基本扎实，也具备了一定的分析思维，这时逐渐扩大项目规模，组织学生进行小规模综合项目实践，进一步提高大数据分析能力。

3） 复杂综合项目实践，在前两个阶段的基础上继续扩大项目范围，从第三学年开始。高校可与企业合作，从企业获得大数据分析领域待解决的问题，确定项目，规定合理的项目起止时间，要求学生进行自由组队，分析问题，提出解决方案，并进行项目实践。

第三环节：实践成果评价。成果评价是对教师在实践训练中教学质量以及学生的学习效果的综合检验。项目时间截止后，组建专门的实践成果评价团队，综合分析各项目成果，根据产出成果以及学生表现和贡献分别对各组成员进行分数评定，并据此对教师的教学指导成效加以评定，最后进行综合评价，找到学生的优势所在，同时找到不足之处引导其加以改进。将实践过程不断改进更新，提高教师教学能力，增强信管专业学生的大数据分析能力。

4 结论

在大数据时代的浪潮下，将信管专业发展成为面向大数据分析人才培养的专业已成为大势所趋。高校要抓住大数据时代的发展机遇，促进信管专业的转型发展，将信管专业人才培养为理论知识丰富、实践经验充足，具备卓越的大数据分析能力，掌握商业业务知识和管理技能，能够为社会提供源源不断强大支持的智能大数据分析人才，促进我国社会的发展进步。

参考文献：

[1] 闫娜. 大数据视角下信息管理与信息系统专业建设研究[J]. 图书馆学研究，2013（11）：9-12.

[2] 陈桂龙. 九三学社中央：加强大数据人才队伍建设[J]. 中国建设信息，2015（7）：21.

[3] 朱扬勇，熊贇. 大数据时代的数据科学家培养[J]. 大数据，2016（3）：106-112.

[4] 《哈佛商业评论》：数据科学家，二十一世纪最性感职业[J]. 21世纪商业评论，2012（19）：17.

[5] 迪莉娅. 高校数据科学专业硕士课程设置研究[J]. 教学研究，2014（6）：39-43+124.

[5] 馬海群，蒲攀. 大数据视阈下我国数据人才培养的思考[J]. 数字图书馆论坛，2016（1）：2-9.

[6] 汪祖柱. 大数据背景下的信息管理与信息系统专业课程建设[J]. 宿州学院学报，2015（2）：119-122.

[7] 王有刚，胡笑梅. 信息管理与信息系统专业本科生实践能力培养模式探讨[J]. 赤峰学院学报：自然科学版，2014（16）：186-188.