“大数据+业务”复合型能力模型研究

李晓军，苏 逸，姚俊萍，董成荣，周志杰

(火箭军工程大学 301教研室，陕西 西安 710025)

0 引言

信息化背景下，数据能力的培养是军事领域人才队伍建设的重要内容，也是军事领域业务变革与技术创新的关键性支撑，对于提升部队快速反应能力、组训施训科学化水平等具有重要意义。但在实践领域中，对于数据能力的认识还存在着模糊性，比如将数据能力简单等同于统计分析能力、数据工程体系建设异化为数据库系统开发等，直接导致数据工程能力在军事领域的效益发挥受到约束和限制，指挥和管理人员难以建立对于数据工程关键性支撑能力的感性认识。究其原因，当前数据能力，尤其是大数据能力与职业能力人为割裂，数据运用与业务背景分离等是主要因素。在这样的背景下，有必要结合领域特征，从理论角度开展“大数据+业务”复合型能力解构，分析其内在维度特征，为院校及部队军事人才数据能力培养提供依据和参考。

基于此，以军事领域训练管理业务为例，通过文献综述、专家访谈进行问卷设计及数据收集，采用因子分析法解构“大数据+业务”复合型能力维度特征，以期为领域人才体系建设及技术创新提供支撑。

1 大数据能力与职业能力研究现状

1.1 大数据能力内涵与维度

随着信息与通信技术的发展，数据不断增速产生与积累，大数据作为基础资源的重要战略意义已被广泛认可[1-2]，如何实现从资源向价值的转变与输出，逐渐成为研究界与政界、商界的关注焦点。基于对价值输出的追求，一类观点将大数据能力的重点聚焦于分析。大数据分析(Big Data Analytics，BDA)指的是通过复杂的统计、计算和可视化工具，为管理决策提供坚实的数据收集和分析过程[3]。而大数据分析能力，则可以定义为收集、整合和部署大数据特定资源的能力[4]。另一类观点则更聚焦于数据的应用，将数据分析作为数据能力的部分来看待。谢卫红[5]等基于资源基础观和动态能力理论对大数据能力进行了研究，指出从集团管控的角度来看，大数据能力能够整合大数据这一基础性资源，通过深度分析，基于预测实现市场洞察，是一种能够帮助企业适应环境变化的动态能力。这类观点从数据全寿命周期的角度拓展了数据能力的内涵，在一定程度上将数据能力与数据应用需求相结合。

许多研究从不同角度对大数据能力的维度的进行了划分。WAMBA S F[6]等参考IT能力的维度划分研究，在社会物质观基础上，将物质、组织与个人看作是相联系的统一整体，从技术能力、管理能力和人员能力3个维度对大数据能力进行分解。WAMBA S F[7]等指出，大数据的核心价值是预测，从该论断出发，可以将大数据能力分解为资源整合能力、深度分析能力和实时洞察与预测能力3个维度。这种观点虽然提到了分析技术与业务应用之间的联系，但未能将数据分析技术到数据分析应用间的转换能力纳入建模考虑。易加斌[8]等提出大数据能力还包含数据感知识别能力，指感知大数据在商业模式各维度中的存在，并充分识别其背后的价值，从而产生大数据应用的认同感。

1.2 职业能力概念与模型

职业能力作为衡量人才质量的重要概念，在不同研究领域和学派中存在不同的界定。一类观点是将职业能力视作单一的要素。由于人的能力研究与心理学发展息息相关，匡瑛[9]梳理比较了各心理学派对职业能力的内涵界定，认为行为主义心理学派认为职业能力即职业技能；认知主义心理学派将其理解为职业知识；人本主义心理学派则关注于职业潜能。直至构建主义心理学派得到发展，心理学领域对职业能力的研究才涉及情境性综合能力这一较为复杂的认识。由此，职业能力的内涵得到进一步扩展和丰富。当前的多数研究以更为系统的观点对职业能力进行界定，将其视为一种包含多要素的工作能力。朱颂梅[10]等从教育学的角度指出，职业能力是学生经过高等教育所培养得到的从事某种职业所需的能力总和。

职业能力模型可以描述某一特定职业角色所应具备能力。我国的职业能力模型研究主要面向职业教育学生展开，最为广泛采用的模型为“职业能力与职业认同感测评项目”(COMET)模型[11]。COMET模型具有“内容”“要求”和“行动”3个维度。内容维度涉及职业定向性任务、程序化任务、蕴含问题的特殊任务、不可预见的位置任务4种类型的工作任务，分别对应从“初学者”到“专家”的4个学习范围；要求维度指从“名义能力”到“整体化设计能力”的4个能力级别；行动维度将工作过程划分为从“获取信息”到“评价”的6个阶段。COMET职业能力测评不仅对学生完成工作时表现出的知识和技能进行评估，还进一步评估了职业态度和价值观[12]，同时具有信度较高的优点，但测评的设计较为复杂[13]。随着人才需求的结构变化，培养具备良好职业能力的高素质应用型人才逐渐成为普通高等教育院校的一个重要目标，面向不同学生群体的职业能力模型研究亟待开展。目前，数据分析人才的职业能力模型尚未得到广泛研究。

1.3 “大数据+业务”复合型能力的概念界定

已有研究中数据能力模型和体现业务特征的职业能力模型相对独立，此类研究指导下的数据领域教学实践往往将学生数据能力的培养简单地等同于数学能力甚至统计分析技能的培养，从而导致了毕业生在理论上优势明显，但不能结合业务场景运用数据能力进行创新。

大数据分析应该视作需求牵引、数据驱动的行为过程，该过程的本质在于感知业务需求，使用分析的技术手段进行预测、洞察，从而解决业务上的应用问题。实际上，数据分析在技术层面上的发展自基础数学以来直至计算机技术的出现与发展，有了长足的进步，而如何将技术结合业务场景进行应用与创新实则是制约数据价值开发的前置关键性步骤。数据能力与职业能力息息相关，为衡量挖掘大数据资源价值的能力，不能仅从一种能力出发，而需要进行更为综合的考虑。由此，提出“大数据+业务”复合型能力这一概念，将该能力定义为从业务需求出发，进行需求分析、数据收集、数据分析、业务应用等一系列挖掘大数据资源价值的综合能力。

2 研究方法

2.1 “大数据+业务”复合型能力问卷

以训练管理业务为例进行分析，训练管理业务主要指主体对客体训练方案的制订、调整与管控。从驱动范式看训练可分为经验驱动型和数据驱动型[14]。军事领域的训练管理业务，由于长期以来依赖经验、定性评估为主、依赖主观主导的思维惯性，仍存在效费比低、训练计划制订与落实脱节的管理粗放问题[15]。训练管理业务应该以解决实际问题为牵引，充分发挥数据内生动力，实现经验驱动的粗放型向数据驱动的精细型的转变。结合数据驱动的相关概念[16]及上文对“大数据+业务”复合型能力的概念界定，将问题牵引、数据驱动的精细化训练管理做如下定义：主体为解决客体在训练中出现的具体问题，以积累、收集得到的训练大数据为基础，通过一系列数据分析技术及相关数据产品，提供训练计划拟制与调整的决策和支持方案。因此，可以将训练管理划分为“训练问题发现、训练数据采集与整合、训练数据分析、训练计划拟制与调整”4个流程。同时，在社会物质观基础上，从技术、组织与人员3个影响层面对训练管理业务进行数据能力需求解析，为“大数据+业务”复合型能力模型讨论提供前提，见图1。其中，技术层面影响因素涵盖与数据分析技术相关的能力；组织层面影响因素是指，从各种组织形式单位角度出发的数据分析相关工作统筹协调能力和对各类数据资源更新、整合和利用能力；人员层面影响因素则主要涉及个人进行具体业务中数据分析工作的综合素质。

图1 训练管理业务影响因素框架

以训练管理业务影响因素框架为基础，设计开发“大数据+业务”复合型能力问卷，确定对训练管理业务各流程存在显著性影响的因素，进而构建起“大数据+业务”复合型能力的能力模型。其中，对具体影响因素项的确定是结合军事训练实践进行的，如军事训练问题通常是由组训干部及战士骨干在训练过程中发现的，也有上级机关负责训练业务的参谋、首长在总结中分析得到的。从技术层面来看，组训人或上级负责人在数据分析技术上的掌握情况，对在业务实践中是否能敏锐察觉到可以通过数据分析解决的问题可能具有一定影响；从组织层面来看，部队对各岗位的职能定位如何理解与明确，决定了相关人员是否有发现训练问题的义务与职责；从人员层面来看，个人在数据意识、质疑精神、归纳总结等诸多方面的素养都可能对训练问题发现是否及时、有效有着较大影响。对应训练管理业务4个流程、12个影响层面的23个具体指标对应项见表1。调查问卷为5分制(1～5)李克特量表，形式为“XXX(影响因素项)是训练管理业务中数据能力的关键指标”，备选答案为“非常不同意、不同意、一般、同意、非常同意”。

表1 训练管理业务各流程影响层面“大数据+业务”复合型能力项

2.2 数据收集过程与方法

主要面向基层部队单位通过问卷调查方法进行数据收集。为了确保参与问卷调查的单位在实际训练过程中，具有数据驱动型精细化训练管理的业务目标与相关经历，设置了相关的专门测度问项。考虑建立“大数据+业务”复合型能力模型的研究目的，选择参与调研部队中具有高等教育经历、从事训练管理工作且具有一定专业知识的人员作为调查对象，具体包括负责训练业务的管理层及参谋人员、组织训练的基层军官及士兵、在实际训练中起到骨干作用的参训士兵。在确定调查对象范围的基础上，通过随机抽样方法选取了3个单位的350人作为样本，于2022年5月至6月，利用内部网络、现场调查等形式共发放电子及纸质问卷350份，回收问卷336份，问卷回收率96%，对回收问卷进行筛选，剔除不完整及存在明显随意性的无效问卷13份，共计得到有效问卷323份，有效问卷回收率92%。

2.3 分析方法与工具

为通过训练管理业务分析构建“大数据+业务”复合型能力模型，对训练管理业务中各业务流程影响层面中的影响因素项进行探索性因子分析。在不预设影响因素项与业务目标之间关系的前提下，对影响因素项进行公共因子的提取，从而探索得到能力模型的相关维度。使用SPSS 26.0软件，首先对问卷设计的影响因素项进行信度和效度的检验；在信度、效度良好的基础上，对各影响因素项进行公共因子的提取，采纳特征值大于1的主成分；然后，进一步计算各影响因素项的因子载荷，分析影响因素项的重要程度，并对提取得到的公共因子进行解释。

3 结果与讨论

3.1 问卷分析

3.1.1 问卷信度分析

使用Cronbach信度分析法对问卷进行信度分析。对各影响因素项进行信度分析的结果见表2。结果显示，问卷整体的Cronbach’sα系数为0.703，表明各影响因素项的内在一致性较强，问卷整体信度较高。其中，对所有影响因素的项被删除后Cronbach’sα系数进行检查，发现数据分析工具的选择及配置能力、追踪及学习新技术的能力、对依托数据进行决策的认同程度3个影响因素项被删除后Cronbach’sα系数有所上升，除上述因素项外其余因素被删除后Cronbach’sα系数均出现下降。且通过进一步因子分析可以得出，上述因素项不能被提取得到的公共因子所反映。由此，可以认为上述3项与其余影响因素项的相关性较弱，应在后续分析中予以剔除。修正后，问卷整体的Cronbach’sα系数达到0.764，具有良好信度。

表2 信度分析表

3.1.2 问卷效度分析

使用KMO和巴特利特球形检验对问卷进行效度分析。计算得KMO统计量的值为0.793，表明各影响因素项之间的简单相关系数远大于偏相关系数；巴特利特球形检验的显著性小于0.001，球形假设被拒绝，各影响因素项的相关系数矩阵非单位阵，说明问卷设计的结构效度良好，各影响因素项之间存在较强的相关性，能够从中提取公共因子，可以进一步进行因子分析。

3.1.3 因子分析

使用主成分因素分析法对各影响因素项进行公共因子的提取。主成分因子的选取按照特征值大于1的原则进行，在23个影响因素项中提取得到5个公共因子。各公共因子对影响因素项的总方差解释见表3。

表3 影响因素项公共因子总方差解释

通过总方差解释，可以利用方差百分比和累计百分比反映出公共因子对解释各影响因素项的贡献率及累计贡献率。根据解释结果，按照本文规则提取得到的5个公共因子累计贡献率达到79.167%，即这5个主成分集中了20个原始影响因素项的79.167%的信息，能够较好地反映所有影响因素。对5个公共因子进行成分分析，旋转后的成分矩阵见表4。

采用最大方差旋转法计算各影响因素项的因子载荷，将旋转后载荷值大于0.1的因素认为与公共因子存在对应关系，而将载荷值大于0.4的因素判定为与公共因子有较强的对应关系。在该规则下对成分矩阵进行分析，可以对训练管理业务中所有影响因素项的重要程度进行评估，并归纳总结出提取得到的5个公共因子所对应的影响因素。由于在问卷信度分析的步骤已对相关性较低的影响因素项进行剔除，余下的所有影响因素项均可以由公共因子所对应表达(在表4中使用下划线标注)。每个公共因子所对应的影响因素项按载荷值由大到小的顺序排列，则公共因子1主要对应数据意识、数据工作重要性认知、数据自动化采集必要性认知、数据感知识别能力、从数据中提取有用信息并形成结论的能力、结果解读的能力6个影响因素项；公共因子2主要对应训练数据工作业务及岗位职责的理解、实际工作经验、基于数据分析结论结合具体业务场景进行分析的能力、领导能力、归纳总结能力5个影响因素项；公共因子3主要对应质疑精神、工作积极性与责任心、创造性解决问题的能力、归纳总结能力4个影响因素项；公共因子4主要对应根据业务目标协调内外部数据基础资源能力、根据业务目标调配软硬件资源的有效性、根据业务目标调配人才资源的有效性3个影响因素项；公共因子5主要对应数理统计方法及人工智能算法原理的理解、不同数据源的各类数据融合方法、数理统计方法及人工智能算法运用能力、数据感知识别能力4个影响因素项。

表4 旋转后的成分矩阵表

3.2 “大数据+业务”复合型能力模型

从问卷信度分析结果来看，数据分析工具的选择及配置能力、追踪及学习新技术的能力、对依托数据进行决策的认同程度3个影响因素项被删除后问卷的Cronbach’sα系数均有所上升，且不进行影响因素项删除情况下进行因子分析，结果表明上述3项不能被提取得到的公共因子所表达，可以解释为上述影响因素对训练管理业务的影响较小，即对“大数据+业务”复合型能力整体的影响较小，在构建相应能力模型的过程中可以不予考虑。通过计算余下影响因素的因子载荷，可以将影响因素项与各公共因子进行对应，针对对应多个公共因子的情况，考虑公共因子蕴含的物理意义，对其所对应的影响因素从解释性角度进行合理分配，从而构建起如图2所示的“大数据+业务”复合型能力模型。

图2 “大数据+业务”复合型能力模型

3.3 讨论

与当前研究[6-7，17]普遍采用的逻辑分析、模型验证方法不同，采用数据驱动的探索型建模方法，以军事领域训练管理业务为例，通过文献综述、专家访谈、问卷调查、数据分析的研究步骤进行“大数据+业务”复合型能力模型解构，使用探索型因子分析方法推理指标项之间的隐含关系，提取得到潜在的公共因子，结合理论分析赋予其可解释性，从而得到能力模型的具体维度。通过结合业务进行能力模型构建，建立了理论研究与实践应用的联系，解决了当前研究中数据能力与职业能力模型研究割裂的问题，并使得理论研究的建模成果在特定领域应用中更具有指导意义，为不同业务场景中进行能力建模提供了新的思路。通过数据分析方法进行能力建模，则使能力模型的过程具有更强的客观性，并为模型提供了更为有力的解释。

在构建“大数据+业务”复合型能力模型的过程中，对数据分析工具的选择及配置能力、追踪及学习新技术的能力、对依托数据进行决策的认同程度3个影响因素项进行了剔除。大数据分析能力是指收集、整合和部署大数据特定资源的能力，而通过以上分析，认为数据分析应该被视为是完成业务目标的手段，通过何种具体的技术、工具进行实现相对如何结合业务场景进行分析及解释来说，不存在主导性作用，甚至在某些业务场景可能处于相对非重要地位。因此，将数据分析能力作为“大数据+业务”复合型能力模型的普通一维，在当前以社会物质观为基础的一类研究[6]基础上，从组织、技术、人员有机统一的视角出发，将人员层面影响因素在具体业务应用上进行了拓展，相较已有研究中聚焦数据分析技术的大数据能力模型更为全面。

4 结语

当前研究中，数据能力模型与业务特征相割裂，由此导致了数据人才培养实践中，存在简单化将数据能力等同于数据分析能力、数据工程体系建设异化为数据库系统开发的实际问题。因此，衡量挖掘大数据资源价值的能力需要与具体领域特征相结合，使用“大数据+业务”复合型能力这一概念进行能力评估更具有现实意义。“大数据+业务”复合型能力为从业务需求出发，进行需求分析、数据收集、数据分析、业务应用等一系列挖掘大数据资源价值的综合能力。以军事领域训练管理业务为例，使用探索性因子分析法构建起数据思维能力、业务工作能力、主观能动性及创新能力、数据资源协调能力、数据分析能力五维一体的“大数据+业务”复合型能力模型。

数据思维能力指在对数据的特征、价值和功能具有一定认知的基础上，能够从中提取有用、可解释信息的能力，包括数据意识、数据工作重要性认知、数据自动化采集必要性认知、数据感知识别能力、从数据中提取有用信息并形成结论的能力、结果解读的能力6个因素。业务工作能力指具体业务场景中从事某种职业所需的能力总和，在训练管理业务中包括训练数据工作业务及岗位职责的理解、实际工作经验、基于数据分析结论结合具体业务场景进行分析的能力、领导能力4个因素。主观能动性及创新能力指解决具体业务场景中存在问题的主动性与创新能力，包括质疑精神、工作积极性与责任心、创造性解决问题的能力、归纳总结能力4个因素。数据资源协调能力指更新、整合和利用数据相关的一系列资源的能力，包括根据业务目标协调内外部数据基础资源能力、根据业务目标调配软硬件资源的有效性、根据业务目标调配人才资源的有效性3个因素。数据分析能力指对数据分析技术的掌握情况，包括数理统计方法及人工智能算法原理的理解、不同数据源的各类数据融合方法、数理统计方法及人工智能算法运用能力3个因素。

“大数据+业务”复合型能力包括技术层面、组织层面、人员层面的综合能力，该能力模型充分反映出在具体业务领域进行数据价值的挖掘不仅建立在数据分析技术的基础上，且对各类数据资源的组织协调及人员的综合素质均有着较高要求。构建的“大数据+业务”复合型能力复合模型可以为领域人才体系建设及技术创新提供支撑。在数据分析应用型人才培养中，应该摒弃数据分析能力崇拜型教育，在对数据分析能力进行教学的基础上，须加强复合型能力其余维度的能力提升。在数据驱动型精细化训练管理业务等数据分析具体业务场景中，可以对标能力模型各维度，通过领域人才培养、组织配套能力健全、数据分析技术培训等方法实现数据应用能力的提升。