大数据时代背景下经管类人才数据分析能力培养研究

李洋阔　舒晓惠　田广

［摘 要］随着大数据和人工智能时代的到来，数据量呈指数级增长，企业不断向数字化转型，越来越需要具备大数据分析能力的人才。因此，数据分析能力成为新时代对人才的基本要求。而如何增强数据分析能力则成为人才培养的关键所在。基于此，文章提出开设大数据分析课程和案例分析的实践教学的建议，并探讨培养经管类人才数据分析能力的具体路径。

［关键词］大数据；数据分析；经管类；实践教学

［中图分类号］ G645 ［文献标识码］ A ［文章编号］ 2095-3437（2022）10-0234-03

党中央和国务院高度重视大数据产业的发展，大数据产业成为国家战略性新兴产业。数字经济发展规模不断扩大，数据要素对经济社会的发展起着主要作用。在大数据时代的背景下，企业的数据规模不断扩大，其潜在的利用价值不断加大[1]。如何借助数据分析工具，从海量数据中挖掘出有效信息，为企业创造价值成为经济管理过程中的一个关键环节[2]。随着产品服务和决策支持的变化，大数据技术和管理方法得以不断改革创新。有效管理与合理利用大数据和业务分析，可有效提升企业竞争能力[3]。大数据时代对数据分析人才的需求总量不断增长，对人才数据分析能力的要求越来越高，大数据人才需要掌握数学、统计学、数据分析等多方面的知识。因此，高校必须紧跟大数据时代步伐，不断完善数据人才培养方案，培养出高水平、多层次应用型数据分析人才。

一、大数据时代下具备数据分析能力素质的必要性

2020年人力资源和社会保障部发布的《新职业——大数据工程技术人员就业景气现状分析报告》显示，2021年我国大数据产业规模将超过8000亿元。在大数据、人工智能、5G等技术应用不断发展的背景下，预计2025年前大数据人才需求将以30%-40%的速度增长，需求总量在2000万人左右。虽然企业对具备数据分析能力的人才需求量越来越大，但目前符合要求的复合型数据分析人才数量明顯不足。因此，为了更好地将人才培养与市场需求有效衔接起来，必须不断增强经管类人才的数据分析能力。

随着大数据、物联网、5G等技术应用的不断发展，以数据量大、种类多、时效性强为特征的非结构化数据规模不断扩大，大数据呈现数据容量大、数据种类类型多、数据处理速度快、数据价值密度低等特点。大数据的这些特点决定了大数据处理流程要不断更新发展，才能借助合适工具从海量数据中提取有效信息。数据分析能力培养是大数据信息时代发展的必然要求。企业数据化经营管理、教育信息化等的出现促使各行各业积累了海量数据，各行各业不断开展基于数据资产业务和管理的创新，大数据技术逐渐得到应用，从海量数据挖掘有效信息，为管理和决策提供重要依据。因此数据分析成为新时代人才必备的技能。

二、大数据时代下经管类人才数据分析能力培养对策

经管类人才培养目标是培养出经济理论基础扎实、知识结构合理、具备较高专业素质和创新创业能力的人才。而大数据时代对人才的需求更加全面，不仅需要其具备大数据思维、商业思维，而且还需要其具备分析能力和实践技能的复合型能力。因此，高校在培养经管类学生经济理论基础上，要加大学生数据分析技能的培养力度。在这个过程中，除使学生掌握统计学、数据分析等理论基础外，还需重点培养学生的算法以及可视化的操作技能。同时为了培养适应产业和社会发展需求的大数据人才，要重点培养经管类人才的沟通能力、项目管理能力以及商业敏感性。

（一）完善高校课程的改革，适应大数据发展理念

在大数据和人工智能的背景下，大数据时代的教学理念要顺应社会发展趋势，要积极地转变传统的教学理念。教学理念的改革不仅仅是大数据技术应用的创新，更重要的是向大数据思维方式转变。大数据时代的教学变革要贯穿整个教学实践过程。根据新时代大数据行业对复合型、应用型人才的需求，高校应改革专业、创新课程，激励学生学习和探索大数据知识。不断加强学生对数学模型的理解，增强其处理实际数据的能力，提升借助大数据的方法解决具体行业应用问题的能力。

在高校课程中，对大数据分析能力的学习，其基础课程是统计学，学生通过学习，积累统计学理论的基础知识。根据新时代大数据复合型人才培养的要求，学生应不断加强对理论课程的学习，如概率论与数理统计、多元统计分析、回归分析、抽样调查、时间序列分析、计量经济学等课程，其中概率论与数理统计课程侧重应用，解释了大量随机现象的统计性规律。通过学习该课程，学生能更好地理解预测模型的思想和掌握解决不确定性问题的有效方法；通过学习多元统计分析课程，有利于学生更好地理解数据分析中的多变量问题；通过学习回归分析，掌握线性回归和非线性回归理论知识，学生能更好地理解人工智能领域的深度知识。时间序列分析课程是一门分析数据的变动规律并用于预测的重要课程。

在掌握理论课程知识的基础上，要想培养出新时代的复合型、应用型数据分析人才，高校应着重培养学生的大数据分析思维和操作技能[4]。对财经领域人才的培养，学校要将统计理论与统计实训项目结合起来，通过案例教学呈现抽象的统计理论，以此增强学生理论联系实际的能力[5]。要开设涵盖数据分析与挖掘、可视化及其他创新性的高级课程。通过课程学习，首先培养经管类学生读懂数据的能力，掌握如何用数据解决业务问题和经济现象的思维方法，然后通过开设数据分析与挖掘、数据可视化等方面的课程，提升学生处理数据的能力。

（二）加强数据分析软件的应用，提升技能本领

在数字经济时代，企业需要新时代的复合型人才为其创造价值。传统的经管类专业也将顺应新时代人才培养的需求，提高应用数据技术解决实际问题的能力。计算机技术的不断发展，使统计软件得到广泛的应用，并能很好地解决统计计算问题[6]。高校应根据专业特点，合理开设数据分析软件应用的课程。根据目前经管类专业的特点，多数学生主要借助EXCEL软件进行数据分析；根据新时代大数据对人才的要求，高校应开设SPSS、STATA、EViews、MATLAB等软件的应用课程，使学生能够借助这些软件进行模型的分析与预测，达到基本数据分析要求。在高校电子商务专业课程的建设过程中，应该重点引导学生加强对数据库的学习，加强学生对关系型数据库和非关系型数据库的查询和应用。其中在对电子商务、财管专业人才的培养过程中，考虑到企业面临的数据量越来越大，由此，学校要更注重培养学生对数据库管理以及软件的应用技能，开设数据分析进阶课程，以适应企业对大数据人才的需求，加快开设Python数据分析、SQL数据库、Tableau数据可视化等技术课程，不仅要培养学生对数据库的管理应用，还要增强学生海量数据分析与可视化的能力。重点培养学生对Python语言的掌握，该编程语言是解释型语言，其语法简单，代码可读性高，可快速入门，可应用于数据科学、爬虫编写、机器学习和Web开发等多个方面，还可用于处理大规模数据，也可支持机器学习模型。总而言之，掌握Python语言是人工智能和大数据时代不可缺少的技能。

（三）加强师资培训，不断完善教学内容

教师在大数据人才培养的过程中发挥着重要的引领作用，因此，教师要提高数据科学素养，不断学习新的数据分析思维方法，不断提高自身数据分析的教学技能。高校要积极顺应大数据时代发展趋势，把握行业人才需求方向，推动信息化建设，加强师资人才队伍建设，积极实施人才产教融合、校企合作人才培养战略，建立校内导师和企业导师整合型教学团队。通过以上举措，不仅可以加强学生对数据分析理论的学习，还可以提高了学生的数据实践分析水平。

教师要不断更新教学创新思维，紧跟大数据建设和应用潮流。教师团队应不断增强数据分析的实践性，提升数据分析与应用能力。教师以大数据在行业中的应用为出发点，借助大数据挖掘平台的真实数据案例，以企业需求和面临的问题为导向设计教学案例，将大数据挖掘方法融入教学过程，提升学生实践能力，培养学生数据思维，提升学生的数据分析能力。教师在教学中应不断改善教学方法，融合创新，促进自身教学技能水平的提高，提升新时代人才培养质量。

（四）构建完善的案例教学体系，提升学生综合素质

在大数据时代，高校应该培养经管类学生掌握数据分析与数据挖掘的技能，学会运用数据分析工具和统计方法去解决现实业务中的具体问题。学生通过学习数据分析理论课程，掌握数据大分析的思路方法和技能后，还需通过实际案例教学，进行大数据分析实践，该过程是将统计方法组合和应用创新的体现，也是大数据分析人才成长的必经之路。教师通过企业的实际案例展开知识点的讲解，学生对重要知识点进行强化练习，实现理论学习与实践的有效结合，以达到熟练运用和掌握数据分析技能的目标。经管类专业人才数据分析培养的目的在于培养学生的数据分析思维方式，并将其转化为创新应用能力，合理的案例教学可以使学生具备使用数据和知识解决企业实际问题的能力，并进一步实现创新。大数据培养中的案例教学过程分为数据获取与存储、数据整理、数据建模分析、数据可视化、撰写报告等，具体如图1所示。

1.数据获取与存储

经管类课程教学中数据分析的教学需要企业大量实际的数据作支撑，这也是进行数据挖掘分析案例教学的第一步。数据的选取必须能够反映研究目标，否则研究结论会对研究目标造成误导。数据的来源可大致总结为两个方面，一方面是获取企业的数据资源，高校需要积极与企业开展校企合作，利用企业提供的数据库，通过SQL提取目标数据，进行数据分析。另一方面，对来源于Web的数据，可借助网络爬虫的方法进行收集，该过程需要编程语言或者爬虫软件的支持，以保证收集到高质量的数据。需要对采集到的目标数据进行存储，结构化数据的存储一般是借助于MySQL、Oracle等关系型数据库，但大量的半结构化、非结构化数据，需要借助Hadoop HDFS、KFS等分布式文件系统进行存储。

2.数据整理

由于原始数据格式、标准不同以及存在冗余数据等原因，收集到的原始数据可能在准确性、完整性和一致性等方面存在不足，可能存在重复值、错误值、缺失值等异常数据。数据质量的高低直接影响数据研究价值的大小，因此在数据分析前，数据清洗工作是必不可缺的，通过对数据集进行删除、填充、替换等操作，最终达到去除异常值、纠正错误值、弥补缺失值的目的，提高了数据的准确性，为模型分析做好准备。

3.数据建模分析

在分析数据的过程中，要结合研究目标选择合适的数据分析模型。在大数据时代，掌握和熟练运用数据挖掘统计模型是必不可少的技能，高校应加强培养经管类专业人才将预处理的数据进行模型分析的能力。在该过程中，要重点培养学生动手操作能力，通过借助数据分析软件对预处理的数据进行模型分析。培养学生根据自己的实际应用场景选择合适的模型的能力，常用的数据模型分析方法有相关分析法、回归分析法、聚类分析法、主成分分析法、因子分析法、时间序列等。在实际中往往会选择多个数学模型分析，后续通过模型的评估，不断进行优化调整。

4.数据可视化

数据可视化旨在运用统计学和计算机等知识，直观地展现出抽象数据中所蕴含的信息。经管类专业的学生已基本熟练掌握了Excel、PPT等常用的基本可视化展示工具，基于此，学校还应增强学生利用SPSS、STATA、EViews、MATLAB等软件完成可视化展示及使用Python、R语言等的能力，使学生学会调用其中的可视化组件或模块进行可视化分析。对于多维海量的数据，学校还需培养学生学会借助专业的可视化软件如Power BI、Tableau等可视化工具，做出精细且复杂的可视化图表，或形成可视化仪表盘，多角度地展示数据分析结果。

5.撰写数据分析报告

各行各业管理者的决策依据正在从“业务驱动” 转向“数据驱动”，大数据分析的结果便于管理者实时掌握市场和企业的运行状态，进而为管理者提供决策支持，因而培养学生撰写出逻辑清晰的报告尤为重要。学生撰写分析报告前，首先应建立层次鲜明的框架，然后结合可视化结果进行严谨的论述，最后阐明结论。要多角度清晰地展现分析结果，方便阅读者理解结论，并且能够为决策者提供可行性建议，使阅读者根据其研究结论做出有针对性的决策。

三、结语

大数据、人工智能、物联网等数字经济时代的到来对经管类人才的培养提出了更高的要求。高校要培养经管类学生具有大数据思维，掌握数据分析流程以及可视化方法的技能，具备沟通、项目管理等能力；积极按照应用型、复合型人才培养的思路，将经管类专业人才的教育与大数据分析、应用技能培养有效衔接起来，培养具有核心竞争能力的人才；应不断学习大数据处理分析的前沿技术，不断丰富教学资源，完善培养体系和教学平台；从社会各行业的需求出发，积极推进数据分析人才的建设，培养出具备大数据分析与挖掘能力的高素质人才。

［ 参 考 文 献 ］

[1] 杨天红.大数据背景下电子商务专业人才数据分析能力现状及培养对策研究[J].科技资讯，2019（16）：213，217.

[2] 章丽萍，孔泽，尹依婷.“大数据+财务”管理会计人才培养与优化路径：基于能力成熟度模型视角分析[J].财会通讯，2020（23）：158-162.

[3] MIKALEF P， PAPPAS I O， KROGSTIE J， et al. Big data analytics capabilities： a systematic literature review and research agenda[J]. Information systems and e?Business management， 2018（3）： 547-578.

[4] 周小玮，朱明星.大数据时代重构应用统计专業本科培养方案的建议：基于中美应用统计专业本科培养方案的比较[J].中国管理信息化，2020（1）：226-228.

[5] 王景波，云兵兵，孙磊.财经类专业《应用统计学》实践教学质量改善探索[J].教育现代化，2018（41）：186-187.

[6] 戴君，杜江，谢俐，等.大数据背景下研究生公共课程《数据分析与统计软件》改革探索的思考[J].高教学刊，2019（26）：133-135.

［责任编辑：苏祎颖］