時間：2022-05-09 09:08:15
開篇：寫作不僅是一種記錄，更是一種創造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇數據分析方法，希望這些內容能成為您創作過程中的良師益友，陪伴您不斷探索和進步。
· 為什么要做數據分析？
· 數據分析的目的是什么？
· 數據分析的一般過程是怎樣的？
· 有哪些數據分析方法？
· 在服務性行業里，數據分析方法有哪些需要特別注意的地方？
· 在國內最容易犯哪些數據分析的錯誤？
因筆者能力和精力有限，文章中存在錯誤或沒有詳盡之處，還望各位讀者見諒并懇請及時指正，大家相互學習。
(一)數據分析的核心作用
根據國際標準的定義，“數據分析是有組織、有目的地收集并分析數據，通過將數據信息化、可視化，使之成為信息的過程，其目的在于把隱藏在看似雜亂無章的數據背后的信息集中和提煉出來，從而總結研究對象的內在規律。”在實際工作中，數據分析能夠幫助管理者進行判斷和決策，以便采取適當策略與行動。
這里需引起關注的是任何沒有目的或結果的分析報告都是“忽悠”，都僅僅是沒有靈魂的軀殼！我們經?？吹絿鴥鹊耐聜兠τ诟鞣N所謂的“數據分析報告”，堆砌了大量的圖表和文字，顯得“專業”、“美觀”，但認真研讀后卻發現缺乏最關鍵的“分析”過程，更別說什么分析結果了。顯然大家只是把對事實的原始描述當成了數據分析，而實際上描述原始事實只是數據分析過程的一項內容而非全部。數據分析不能僅有報表沒有分析，因為“有報表不等于有分析，有分析不代表有效執行”，報表只是數據的展現形式；數據分析也不能僅有分析沒有結論，沒有結論的分析無疑“差了一口氣”，對實際業務工作無法產生價值，唯有通過分析得出結論并提出解決方案才能體現數據分析協助管理者輔助決策的核心作用。因此數據分析來源于業務，也必須反饋到業務中去，沒有前者就不存在數據分析的基礎，沒有后者也就沒有數據分析的價值了。
(二)數據分析的分類
最常見也是最標準的數據分析可分為三大類：描述性數據分析、探索性數據分析以及驗證性數據分析。
所謂描述性分析是對一組數據的各種特征進行分析，以便于描述測量樣本的各種特征及其所代表的總體特征。這種分析要對調查總體所有變量的有關數據做統計性描述，主要包括數據的頻數分析、數據的集中趨勢分析、數據離散程度分析、數據的分布以及一些基本的統計圖形，比如上個月的平均通話時長是多少，員工離職率是多少等等。
探索性數據分析是指對已有數據（特別是調查或觀察得來的原始數據）在盡量少的先驗假定下進行探索，通過作圖、制表、方程擬合、計算特征量等手段探索數據的結構和規律的一種數據分析方法，側重于在數據之中發現新的特征，比如呼叫中心的一次解決率和哪些因素相關？他們背后的驅動因素又有哪些？哪些因素是“因”、哪些又是“果”等等。
而驗證性分析是依據一定的理論對潛在變量與觀察變量間關系做出合理的假設，并對這種假設進行統計檢驗的現代統計方法，側重于驗證已有假設的真偽性。驗證性分析是在對研究問題有所了解的基礎上進行的，這種了解可建立在理論研究、實驗研究或兩者結合的基礎上，比如從調研的結果來看本月的客戶滿意度比上個月高出2%，是否真是如此；男性客戶的滿意度是否高于女性客戶等等。
(三)數據分析的一般過程
通常來講完整的數據分析過程可分為以下幾步：明確數據分析的目的、采集并處理數據、分析及展現數據、撰寫分析報告。
現實情況中人們往往在做數據分析時陷入一大堆雜亂無章的數據中而忘記了分析數據的目的，數據分析第一步就是要明確數據分析的目的，然后根據目的選擇需要分析的數據，明確數據分析的產出物，做到有的放矢、一擊即中！
其次，在做數據分析時要根據特定需求采集數據，有目的地采集數據是確保數據分析過程有效的基礎，采集后的數據（包括數值的和非數值的）要對其進行整理、分析、計算、編輯等一系列的加工和處理，即數據處理，數據處理的目的是從大量的、可能是難以理解的數據中抽取并推導出對于某些特定人群來說是有價值、有意義的數據。
接著是對處理完畢的數據進行分析和展現，分析數據是將收集的數據通過加工、整理和分析、使其轉化為信息，數據展現的方式有兩類：列表方式、圖形方式。
最后，整個數據分析過程要以“分析報告”的形式呈現出來，分析報告應充分展現數據分析的起因、過程、結果及相關建議，需要有分析框架、明確的結論以及解決方案。數據分析報告一定要有明確的結論，沒有明確結論的分析稱不上分析，同時也失去了報告的意義，因為整個數據分析過程就是為尋找或者求證一個結論才進行的。最后，分析報告要有建議或解決方案，以供管理者在決策時作參考。
(四)客戶中心常用的數據分析工具及簡介1 Excel
Excel是微軟辦公套裝軟件的一個重要組成部分，它可以進行各種數據的處理、統計分析和輔助決策操作，廣泛地應用于管理、統計財經、金融等眾多領域。Excel提供了強大的數據分析處理功能，利用它們可以實現對數據的排序、分類匯總、篩選及數據透視等操作。
2 SPC
SPC（Statistical Process Control）即統計過程控制，是一種借助數理統計方法的過程控制工具。實施SPC的過程一般分為兩大步驟：首先用SPC工具對過程進行分析，如繪制分析用控制圖等；根據分析結果采取必要措施：可能需要消除過程中的系統性因素，也可能需要管理層的介入來減小過程的隨機波動以滿足過程能力的需求。第二步則是用控制圖對過程進行監控。
3 SAS
SAS是用于決策支持的大型集成信息系統，但該軟件系統最早的功能限于統計分析，時至今日，統計分析功能仍是它的重要組成部分和核心功能。在數據處理和統計分析領域，SAS系統被譽為國際上的標準軟件系統，SAS提供多個統計過程，用戶可以通過對數據集的一連串加工實現更為復雜的統計分析，此外 SAS還提供了各類概率分析函數、分位數函數、樣本統計函數和隨機數生成函數，使用戶能方便地實現特殊統計要求。
4 JMP
JMP是SAS（全球最大的統計學軟件公司）推出的一種交互式可視化統計發現軟件系列，包括JMP，JMP Pro，JMP Clinical，JMP Genomics，SAS Simulation Studio for JMP等強大的產品線，主要用于實現統計分析。其算法源于SAS，特別強調以統計方法的實際應用為導向，交互性、可視化能力強，使用方便。JMP的應用非常廣泛，業務領域包括探索性數據分析、六西格瑪及持續改善（可視化六西格瑪、質量管理、流程優化）、試驗設計、統計分析與建模、交互式數據挖掘、分析程序開發等。 SPSS（Statistical Product and Service Solutions）“統計產品與服務解決方案”軟件，是世界上最早的統計分析軟件，基本功能包括數據管理、統計分析、圖表分析、輸出管理等等。SPSS統計分析過程包括描述性統計、均值比較、一般線性模型、相關分析、回歸分析、對數線性模型、聚類分析、數據簡化、生存分析、時間序列分析、多重響應等幾大類，每類中又分好幾個統計過程，比如回歸分析中又分線性回歸分析、曲線估計、Logistic回歸、Probit回歸、加權估計、兩階段最小二乘法、非線性回歸等多個統計過程，而且每個過程中又允許用戶選擇不同的方法及參數，SPSS也有專門的繪圖系統，可以根據數據繪制各種圖形。
6 Minitab
Minitab軟件是為質量改善、教育和研究應用領域提供統計軟件和服務的先導，是全球領先的質量管理和六西格瑪實施軟件工具，具有無可比擬的強大功能和簡易的可視化操作，對一般的數據分析和圖形處理都可以應付自如。
環境監測數據可以反映出某一區域內的環境質量狀況、污染物的排放情況以及環境受污染的程度。各項數據的不斷匯總并分析為各級環保主管部門以及相關機構做決策提供了技術依據。因此，采用健全的質量保證體系以及方法來保證數據的分析質量很有必要。首先，我們先來了解監測數據分析的方法。
（一）統計規律分析
就是采用數理統計方法、模糊數學方法以及適用于小同環境要素的數學和物理方程等方法，對所得的監測數據進行深度剖析，做出詳細的分析評價。這種數據分析方法主要適用于環境調查、環境規劃和環評等工作。
（二）合理性分析
實際的環境監測中，影響環境要素變化的因素錯綜復雜，而有效的能用于綜合分析的監測數據十分有限，所以我們需要考慮到各種環境要素之間的相互影響，以及監測項目之間的關系，理論結合實際全面分析數據的合理性，這樣才可能得到準確可靠的、合理的監測數據分析結果。
二、提高環境監測數據分析質量的方法
為了促進環境執法工作的嚴肅和公正，在科學化環境管理政策中，提高環境數據分析質量很有必要。在前人的研究工作基礎之上，我們提出了以下幾種方法來提高數據分析質量。
（一）加強審核
加強各項審核是提高環境監測數據分析質量的重要方法，它主要是指加強對現有數據的綜合審核。在進行例行監測或是年度監測計劃時，我們的工作一般都是連續性的展開的，一年或是好幾年，因此，我們可以建立一個動態的分析數據庫，錄入每次的監測數據，包括每個污染源的詳細信息（污染點的地理位置和排放口的排污狀況等），在以后的審核中，我們可以迅速地在數據審核中對于同一采樣點、同一分析項目進行新舊數據的分析對比。當數據分析結果出現異常時，可以及時的發現并找到原因，這可以對污染應急事故的發生起到提前警示的作用。另外，在數據審核中，也要密切注意到同一水樣、不同的分析項目之間的相關性，比如：同一水體中氟化物和總硬度、色度和pH的關系、氨氮和總氮之間的相關性等，這樣也能及時發現數據分析中出現的誤差。
（二）加強監督機制
通過調研我們發現，目前在傳統的監測數據質量控制系統中依舊存在許多不足，我們可以通過引入反饋和交流機制，加強監督機制來有效提高數據分析的質量。首先，通過強化平面控制，在系統內部全面優化管理的模式，提高工作人員的分析技術水平，盡可能的減少或消除數據誤差，以此來提高監測分析的準確性；其次，我們應該主動接受來自外界的監督，對于外界有異議的監測數據要進行反復的檢測；再次，我們也應該多舉辦技術交流會，讓技術人員可以與各級環境監測部門的人員溝通，學習他們的先進技術和方法，同時進行數據分析結果對比，找到自身的不足，發現問題并能及時更正。
（三）加強采樣及實驗室測量質量的控制
1.采樣控制
工作人員在每次采樣前，都應該根據實際環境情況來制定采樣技術細則，做好采樣控制，比如：需要校準儀器并確保儀器可以正常運轉；使用的采樣管和濾膜要正確安裝，采樣器干凈整潔沒有受到污染源的污染，其放置的位置也能滿足采樣要求等。采集好的樣品，要妥善存放避免污染。如果樣品不能及時進行檢測，考慮到樣品的穩定性，最好將樣品密封并存放在于冰箱中。
2.實驗室測量控制
在實驗室進行樣品測試之前，首先應該對所要用到的玻璃量器及分析測試儀器進行校驗。日常工作中，也應該根據各種儀器保養規定，對儀器定期進行維護和校驗，確保儀器可以正常運轉工作。其次，需要準確調配各種溶液，特別是標準溶液，配置時要使用合格的實驗用蒸餾水。測試數據時，先要測定標準樣品并繪制標準曲線。測定樣品時要檢查相關系數和計算回歸方程，并對實驗系統誤差進行測驗，每一步都不能少。
三、結束語
【關鍵詞】數字電視;地面覆蓋;測試
1.測試方案的制定
數字電視測試方案制定時，第一步是確定選擇多少個地點進行測試，以及它們的特定位置。被選定的地點在數學統計上必須是相關的，通常應超過100個(最好超過200個)。在給定方向上最遠的測試地點距離通常由F(50,90)曲線確定，FCC過去使用的確定NTSC頻率規劃的方法也被用于DTV的頻道分配。發射機的ERP和HAAT首先影響最遠距離的測試地點的確定。另外, 如果在數字電視發射機附近有模擬NTSC發射機且頻率接近，則測試計劃還應包括測量模擬信號，比較模擬電視的數值和數字電視的數值。
2.數字電視場強測試數據分析方法
標準的歸一化的數據采集方法對于結果的分析來說是非常重要的。盡管對一個廣播公司而言，特定的地理環境可能會有一些唯一的與其它地方不同的測試結果，但是，測試中的一些關鍵參數，是非常重要同時又是必須測試的。
例如，有不同的服務區域預測技術要考慮。舊的基于統計測量的方法所得到的F(50,50)和F(50,10)曲線，從50年代起在約50年的時間內，被用作預測場強數值(dBmV/m)，這兩條預測曲線，在FCC規則的73.699節中出現(參考資料5)，給出了預測的50%的地點在50%或10%的時間概率下的最小場強電平，通常使用的F(50,90)曲線是從F(50,50)和F(50,10)采用下式計算得到：
F(50,90) = F(50,50)-[F(50,10)- F(50,50)]
就是說，F(50,90)場強電平值高于F(50,50)值，F(50,10)場強值低于F(50,50)值。這些FCC的標準曲線是基于發射機的ERP和HAAT、接收裝置的天線高度、發射機與測試地點之間距離而確定。通過在每一個測試地點應用這些曲線，場強電平可以被預計并且與測量的場強電平相比較。同樣，可以計算出超過最小場強電平的被測地點的百分比，按照統計規律，這些地點能基于F(50,90) 曲線成功地接收數字電視信號?？梢灾苯颖容^在最小場強電平以上的測量地點數量和成功地接收數字電視信號的地點數量。
另一種場強電平預測技術是Longley-Rice算法，在FCC的工程技術部門(OET)公告69號(參考資料7)中有詳細的描述，不僅用到發射機的ERP，HAAT和接收裝置天線高度，而且涉及到在發射機和接收裝置之間的地面的類型。應用這種算法可以預計每個測試地點的場強電平，這些預測值也應與測量的數值進行比較。對于F(50,90)曲線，基于Longley-Rice算法，可以計算出最小場強電平以上的地點的百分比，以給出能成功地收到數字電視信號的地點的百分數。這能直接與成功地接收數字電視的地點的測量數字進行比較。
兩種場強電平預測方法不僅能評估數字電視的場強分布曲線和效果，也能評估成功地進行數字電視服務的區域和效果。隨著更多的數字電視發射機投入使用，進行覆蓋狀況的試驗和分析，將會有更好的統計曲線來預測數字電視的覆蓋曲線。實際上，原有的F(50，50)曲線與實際的對于數字電視覆蓋的要求是不同的，數字電視要保證可靠接收，要求是F(90，90)。
還有幾個其它的參數被用于數字電視場強測試評估：服務有效性、系統性能指標、造成誤碼的極限電平、場強電平、C/N門限值、接收機靈敏度、地形輪廓及高度變化的統計等。并且每個參數在數字電視的系統構成上提供寶貴的信息，并且被分別描述。
服務有效性是指所有的可成功地接收數字電視信號的測試地點的百分比，包括那些場強電平較小但又可以成功解碼的所有的地點，對廣播公司來說是重要的，在測試的期間給定發射機ERP和HAAT，它是表示覆蓋區域的大小和服務有效性的主要參數。
另一方面，作為數字電視場強的測試手段，系統性能指標是其效果如何的一種表示方法。即，接收S/N在15dB(誤差極限)以上的站點的百分比。這種統計分析所確定的距離，對于那些低于接收門限的數字電視信號測試點(如嚴重的地形遮擋或天線增益過小)無效。在場強測試期間，在非白噪聲干擾情況下(如多徑反射、脈沖干擾或模擬電視與數字電視同頻干擾)，系統性能指標可從本質上得到很好的反映。
對于數字電視的接收而言，接收機的靈敏度同樣影響到接收的效果，實際上是覆蓋范圍的大小。接收機的最小接收門限值越低，越容易收到數字電視節目。反過來，在許多高于接收門限電平的地點并非一定能很好地接收，還受到載噪比門限的限制，只有載噪比門限超過所要求的數值，才能可靠地對數字電視信號進行解碼?？煽拷邮杖Q于兩個條件，一是接收的場強大于接收機的最小輸入門限電平，二是接收信號的載噪比大于可靠解碼所要求的數值。
場強電平統計顯示出所有測試地點的場強電平百分比(dBmV/m)，作為成功接收的條件，要求場強電平值大于接收機的門限?；诂F場試驗車的接收機參數(例如天線增益，同軸饋線損耗，系統前置放大器增益和噪聲系數，以及在誤差極限S/N以上的比率)。這是能成功接收數字電視地點的最大的百分比，并且能與實際的服務效果比較。當然，也能與從F(50,90)曲線和從Longley-Rice算法得來的場強電平預測數據相對比。這些場強電平并不能顯示出在這些地點存在的頻道失真量(頻道的背景噪聲與接收到的射頻頻譜形狀)?；谶@個原因，建議所有的數字電視現場試驗不僅僅只進行數字電視的場強測試，同時，也應進行包括頻道失真和專業解調器誤碼率的測量。
Abstract：In view of the problems of the social survey data processing and analysis， this paper establishes the mathematical model of three dimensional matrix which is based on the three dimensional matrix.On the basis of the established three dimensional matrix model，we can use the properties of three dimensional matrix to deal it with a variety of mathematical methods， and use the hypergraph theory for further analysis. This enriches the method of the survey data processing greatly.
Key Words：Social survey data；Three-dimension matrix；Hypergraph
社會調查是了解各方面信息的重要途徑之一，社會調查數據主要是通過調查問卷的方法得到的。由于社會調查數據的維數較高，加上人為主觀因素，數據類型主要為二元變量、離散變量、序數變量等為主，所以對于社會調查數據的分析和處理大都基于統計學，只對單一題目進行統計學分析，其分析方法主要是基于題型進行處理的，對于題目和題目之間的關系很少關心[1]。許多數據挖掘算法因為種種限制無法在社會調查的數據分析中得到應用。因為方法的限制，所以現在很多社會調查只能驗證事先想好的內容和假設，很少可以對高維數據進行相對復雜的回歸分析處理。
根據以上存在的問題，該文建立了基于三維矩陣的數學模型，將單選題、多選題和排序題用向量形式進行表示，每一題定義為空間中的一個維度，從而所有的題目就可以構成一個N維空間。每份問卷的信息用一個M×N矩陣表示。這樣表示可以將所有問卷內容當作一個整體，作為后續算法的基礎。
1 社會調查數據的特點
通常情況下，社會調查數據特點如下。
（1）相關性。對于一個樣本個體而言，它具有本身的多個特征，這些特征之間就具有一定的相關性。對于多個樣本而言，個體與個體的特征之間具有相關性。如果樣本隨時間而變化，那么該樣本在不同時刻的特征之間又具有相關性。因此，由于上述多個原因使得社會調查數據具有了復雜的相關性，傳統的統計學調查難以解決這樣的問題。
（2）離散性。因為社會調查數據是通過自填式問卷、網絡調查數據庫等方法得到，所以社會調查數據一般以離散變量為主，且這些數據之間只有標示作用，并沒有嚴格的邏輯關系。
（3）模糊性。社會調查數據當中不可避免的會接觸到各種表達方式和概念，因此，它具有模糊性。
因為由自填式問卷或結構式訪問的方法得到的社會調查數據具有以上特點，所以在實際應用中基于統計學的處理方法只能籠統的顯示數據的部分特性，如頻數、離散程度等[2]。對于數據之間的關系只能分析出維數極少的大致的關系。
而且利用軟件進行數據挖掘時，因為現有的軟件中的數據挖掘算法對于數據類型和格式要求較高，所以能應用到的數據挖掘算法很少。就算是數據要求較低的關聯分析，其結果也存在大量的冗余。因此，我們需要建立一個合適的社會調查數據的數學模型來完善原先的方法并使跟多的數據挖掘方法可以運用到其中，使得結果更準確。
2 社會調查數據的建模
研究中我們發現，三維矩陣可適用于社會調查數據的建模。
2.1 三維矩陣的定義
三維矩陣的定義：由n個p×q階的矩陣組成的n×p×q階的矩陣A稱為三維矩陣，又稱立體陣。Ak，i，j表示三維矩陣A的第k層，第i行，第j列上的元素。其中n，p，q分別表示三維矩陣的高度，厚度和寬度。
2.2 三維矩陣模型的建立
調查問卷的題目一般有三種類型：單選題、多選題和排序題。這三類題目都可以表示成向量的形式，其中每一道單選題、多選題可以表示成一個向量，排序題可以表示成多個向量組成的矩陣。對于單選題和多選題，可以按選項的順序可以表示成一個向量，其中選中的項用“1”表示，未選中的項用“0”表示。對于排序題，可以表示成一個n×n的方陣，其中n表示該排序題的選項個數，。這樣，每一題就可以定義為空間中的一個維度，從而所有的題目就可以構成一個N維空間。每份調查問卷的信息用一個M×N矩陣表示（M為題目的最大選項數），其在每一維上的選擇稱之為一個元素，這樣每份問卷的信息就包括了N個元素。以第1，2，3題數據為例，其中第1題為單選題選擇“B”，用向量表示為一個元素，第2題為多選題選擇“ACE”，用向量表示為一個元素，第3題為排序題順序為CBADEFIHG，用矩陣表示，每一個列向量是一個元素，如圖1所示。
那么，假設有一問卷信息用一個大小為M×N的矩陣表示。K份的問卷信息就可以用K個大小為M×N的矩陣表示。將這K個矩陣疊加，形成一個三維矩陣。這個三維矩陣就是我們建立的三維矩陣數學模型，如圖2所示。
在圖2中我們看到，該三維矩陣數學模型有三個坐標軸，它們分別是題目，人數，選項。題目軸以每一道題為一個單位；人數軸以每一份問卷為一個單位；選項軸的刻度為A，B，C，D，E，F等題目選項，其個數為該調查問卷中選項最多的題目的選項個數。
在此基礎之上，這樣的三維矩陣具有以下性質。
（1）在題目軸中選取對應的題目，將三維矩陣面向豎切得到截面1（如圖2中01所示），截面2表示每一道題所有人選擇的信息。
（2）在人數軸中選取對應的人，將三維矩陣橫切得到橫截面1（如圖2中02所示），橫截面1表示對應的人選擇所有題目的信息。
在得到三維矩陣后，可對它進行像素化處理，置1的元素用黑點代替，置0元素的則空白，在得到像素化三維矩陣后我們可以將三維矩陣沿著人數維度上向下投影，這樣就可以得到一個具有濃黑不一的點的平面。通過這些點的濃度，可以知道每一選項選擇的人數。接下來我們可用灰度級表示點的濃度，篩選出濃度大于一定程度的點，在此基礎上進行后續算法處理。
上述三維矩陣數學模型具有數學三維矩陣的所有性質，可依據調查問卷的需求進行轉置，加權、相乘、篩選等數學處理，另外在數學處理的基礎上，采用超圖理論可以大大豐富了調查問卷的處理方法。
3 基于超圖算法的調查問卷分析技術
超圖是離散數學中重要的內容，是對圖論的推廣[3]。超圖是有限集合的子系統，它是一個由頂點的集合V和超邊集合E組成的二元對，超圖的一條邊可以有多個頂點的特性，這與一般的圖有很大不同。超圖分為有向超圖與無向超圖兩類，在無向超圖的每條超邊上添加方向后得到的有向二元對就是有向超圖。超圖在許多領域有廣泛的應用。
大家可以利用無向超圖表示每一道題的選擇情況，先將這每一題的每一個選項設成一個節點，然后將三維矩陣從上向下投影，如果某一題的若干個選項同時被一個人選擇，就用一條超邊包圍這些節點，那么選這些選項的人越多，投影得到的超邊就越濃。這樣就用超圖表示了問卷中每道題的信息，可以進行聚類處理。
利用有向超圖，可以將關聯規則表示成有向超圖的形式，在得到了關聯規則后，設實際中得到的關聯規則的形式為：，前項和后項都是由多個項組成的集合。該文定義一條關聯規則由一條有向超邊表示，有向超邊的頭節點表示關聯規則的前項，有向超邊的尾節點表示關聯規則的后項。每條有向超邊的頭節點和尾節點均可以為多個，如此便成功表示了復合規則，從而可以使用相關算法進行冗余規則檢測。
通過基于有向超圖的冗余規則檢測就可以將關聯規則之間存在著的大量冗余檢測出，減少挖掘資源的浪費，從而增加了挖掘結果的有效性。
傳統的聚類方法都對原始數據計算它們之間的距離來得到相似度，然后通過相似度進行聚類，這樣的方法對于低維數據有良好的效果，但是對于高維數據卻不能產生很好的聚類效果，因為高維數據的分布有其特殊性。通過超圖模型的分割實現對高維數據的聚類卻能產生較好的效果。它先將原始數據之間關系轉化成超圖，數據點表示成超圖的節點，數據點間的關系用超邊的權重來表示。然后對超圖進行分割，除去相應的超邊使得權重大的超邊中的點聚于一個類中，同時使被除去的超邊權重之和最小。這樣就通過對超圖的分割實現了對數據的聚類。具體的算法流程如下。
首先，將數據點之間的關系轉化為超圖，數據點表示為超圖節點。如果某幾個數據點的支持度大于一定閾值，則它們能構成一個頻繁集，就將它們用一條超邊連接，超邊的權重就是這一頻繁集的置信度，重復同樣的方法就可以得超邊和權重。
然后，在基礎此上，通過超圖分割實現數據的聚類。若設將數據分成k類，則就是對超圖的k類分割，不斷除去相應的超邊，直到將數據分為k類，且每個分割中數據都密切相關為止，同時保持每次被除去的超邊權重和最小，最終得到的分割就是聚類的結果。
如圖3所示是基于超圖算法的選題型調查問卷的分析技術的流程圖，主要包括4個主要部分，一是用向量表示調查問卷結果，二是將向量表示的調查問卷轉化為三維矩陣數學模型表示調查問卷結果，三是使用超圖算法進行優化，四是根據要求顯示調查問卷結果。
【關鍵詞】正交設計；方差分析；極差分析；試驗設計；工業應用
一、正交設計的應用類型
基本上有四種情況：有交互作用和無交互作用，重復試驗和無重復試驗。相應的對這四種情況所構造的正交表也有所區別具體情況如下：（1）無交互作用是指實驗各因素之間是相互
獨立的，只是單個因素的水平變化對指標有影響，因素間各水平的聯合搭配對指標沒有影響或影響可以忽略不計，這種情況對正交表的構造沒有影響。（2）有交互作用是指在進行實驗時，有時不僅因素的水平變化對指標有影響，而且有些因素間各水平的聯合搭配對指標也產生影響，這種聯合搭配作用稱為交互作用。當出現了交互作用時，正交表的構造也要發生相應的變
二、方差分析在工業上的應用舉例
下面以一個三因素、三水平的無重復實驗，無交互作用的工業生產例子進行分析一下：例，某水泥廠為了提高水泥的強度，需要通過試驗選擇最好的生產方案，經研究有三個因素影響水泥的強度，這三個因素生料中礦化劑的用量，燒成溫度，保溫時間，每個因素都考慮3個水平，具體情況如表，試驗的考察指標為28天的抗壓強度（Mpa），分別為44.1，45.3，46.7，48.2，46.2，47.0，45.3，43.2，46.3。問：對這3個因素的3個水平如何安排，才能獲得最高的水泥抗壓強度？
上述例子中指標為抗壓強度，影響指標的因素為A（礦化劑的用量），B（燒成溫度），C（保溫時間），例中只有三個因素，三個水平，L9（34）、L27（318）這兩張表都至少有四個列。因此，都可以用來安排這個試驗。我們要求盡量少做試驗。
對上述例子應用SAS編程，只用輸入主效應項，運行后的結果如下：
從輸出結果中可以看出，在A（礦化劑的用量）的第二個水平下的均值最大，在B（燒成溫度）的第三個水平下的均值最大，在C（保溫時間）的第三個水平下的均值最大。根據實際因素，（抗壓強度）越大越好，因此在A2B3C3的條件下，即在礦化劑的用量4%，燒成溫度1450℃，保溫時間40的條件下生產，抗壓強度最大。
三、正交設計法的應用步驟
（1）定指標，挑因素，選水平；（2）選擇正交表、排表頭；（3）排試驗方案表，做試驗，填數據；（4）分析數據，選取合適的生產條件。通過驗證試驗，找出較穩定的較優生產條件，進行小批量考驗，最后納入技術文件，才算完成一項正交試驗的全過程。
參 考 文 獻
【關鍵詞】洞樁法（PBA法）；隧道監測；數據分析
1、工程概況
呼家樓站位于東三環北路與朝陽北路的交叉路口，地面交通擁擠，地質條件差，施工環境復雜。
1.1地質概況
工程地質情況為雜填土、輕亞粘土、粘土層、粉細砂層；結構拱部位于粉細砂層；結構中部位于圓礫層；結構下半段和結構基礎位于粘土或亞粘土層層，以下依次為中砂層、圓礫層。
水文情況：上層滯水位于③粘土層，潛水位于⑤圓礫層，圓礫層中水位標高約24m左右，結構上部位于潛水層，承壓水位于結構下部的中粗砂層及圓礫層內，水位標高約為17m左右。
1.2工程結構
車站為分離島式車站，主體為雙線雙洞，雙層結構。結構斷面為單拱單跨斷面，標準斷面開挖寬度12.6m，開挖高度15.15米；主體結構采用洞樁法施工。斷面變化頻繁，同時開挖洞室多，洞室距離近，施工難度大。
2、監控量測方案
根據車站的結構形式和地下已有構筑的位置關系，結合洞樁法施工方法及要求，監測采用精密水準儀、銦瓦尺、鑒定鋼尺和收斂計，通過精密測量和計算分析預以監控。
3、監測項目
進行日常的常規監測主要有：地表沉降、地面建筑物沉降、傾斜及裂縫、地下管線沉降、隧道拱頂下沉及水平收斂、支護結構內力、臨時支護內力、土壓力、地下水位、地中土體垂直位移、地中土體水平位移等。
4、儀器選擇
采用拓普康DL-101C電子水準儀、拓普康AT-G2水準儀及相應配套銦瓦尺以及經鑒定的鋼掛尺（50m）。采用SGS-1型收斂計。
5、測點的布置
暗挖車站隧道以洞內、地表、管線、房屋和橋樁監測為主布點；明挖出入口以地表、管線、房屋和基坑變形監測為主布點。
A建筑物沉降測點布置：在地表下沉的縱向和橫向影響范圍內的建筑物應進行下沉及傾斜監測，沉降測點埋設用沖擊鉆在建筑物的基礎或墻上鉆孔，放入直徑200～300mm的半圓頭彎曲鋼筋，四周用水泥砂漿填實。測點采取保護措施，避免破壞。每幢建筑物上布置4-6個觀測點。
b地下管線沉降測點布置：測點重點布設在煤氣、給水、污水管線、大型的雨水管及電力方溝上，布置時要考慮地下管線與隧道的相對位置關系。管線沉降觀測點的設置可視現場情況，采用抱箍式或套筒式安裝。每根監測的管線上最少要有3～5個測點。
c暗挖隧道拱頂沉降測點布置：沿隧道軸線每隔5m埋設1個拱頂下沉測點。埋設方法為在初支鋼拱架立好后將拱頂下沉預埋件焊接在拱架上，測點露出噴砼外10～15mm，并進行初測，監測工作要確保連續性。
d暗挖隧道水平收斂測點布置：在拱頂下沉測點同一斷面拱腰部位埋設收斂測點預埋件。測點埋設方法為在初支鋼拱架立好后即將收斂測點預埋件焊在拱架上，測點露出噴砼外10～15mm，每對收斂點隧道左右兩側各一個，并進行初測。
e初支及內襯結構鋼筋軸力測點布置：暗挖隧道的初次支護結構，鋼筋計直接布置在鋼拱架或格柵拱架上；二次支護結構，鋼筋計布置在環向主受力鋼筋上。
6、測量方法
建筑物、地下管線沉降監測采用精密水準測量方法?；c和附近水準點聯測取得初始高程。觀測時各項限差宜嚴格控制，每測點讀數高差不宜超過0.3mm，對不在水準路線上的觀測點，一個測站不宜超過3個，超過時應重讀后視點讀數，以作核對。首次觀測應對測點進行連續兩次觀測，兩次高程之差應小于±1.0mm，取平均值作為初始值。
暗挖隧道拱頂沉降監測，由洞外基準點起測量洞內相對基準點高程，再由洞內相對基準點起測量拱頂下沉預埋件高程，通過計算后、前兩次拱頂下沉預埋件高程的變化值即可算得拱頂下沉值。施測時前視拱頂測點，倒掛鋼尺時底下掛以重物，采用往返閉合量測，同時考慮施測環境的溫度，加入尺長改正。
暗挖隧道水平收斂監測，用SGS-1型收斂計按操作步驟準確測量兩個預埋件的距離，讀卷尺長度和測微計上的讀數，然后相加為兩測點間的距離，前后兩次測量之差即為本次測量的收斂值。
7、監測頻率
監測頻率決定于變形值的大小和變形速度，頻率見表1。
表1 監測頻率選擇表
位移速度（mm/日） 量測頻率（次/日）
μ
0.5
μ>1 2次/日
8、控制標準、警戒值
根據地鐵施工經驗，對暗挖結構拱頂沉降、凈空收斂位移和明挖圍護結構變形建立了相應的控制值和預警值。根據本工程的特點、設計要求，并參考有關規范規定，確定本工程施工量測控制值和預警值2。
9、數據分析與處理
現場觀測取得第一手資料后，先對觀測資料給予整理，校核各項原始記錄，檢查各項變形值的計算是否有誤，剔除錯誤后，對各種變形值按時間逐點填寫觀測數據表，然后繪制各種變形過程線，其次對觀測資料進行如下分析：
9.1判斷實測值的可靠性
對同一物理量進行無限多次量測，即可求得該物理量的真值，但實際工作中只能進行有限次量測，故不能得到真值。但若采用有限次量測的計算平均值作為真值：
式中 N—量測次數；
—第i次的量測值。
則可確定真值（包含99.7%的概率）落在（）區間內，是平均值的均方差，為
若以平均值為真值，則誤差為。
不過，在隧道工程中往往不能對同一物理量在相同條件下進行多次重復量測。例如，對某斷面的拱頂位移，由于開挖的空間效應和圍巖的流變特性，客觀條件時刻都在變化，上述方法就不適用了。只能采用不同量測手段進行量測，以便相互印證，以確認量測結果的可靠性。設有任意方向的凈空變化量測基線ij，顯然，對每一條這樣的基線，我們都可以寫出如下的方程：
式中 —i、j兩點絕對位移的水平分量；
—i、j兩點絕對位移的垂直分量；
—基線上的收斂值。
根據上式便可將收斂量測所得的數據和用其它方法量測的絕對位移相互驗證。
9.2成因分析（定性分析）
是對結構本身（內因）與作用在結構上的荷載（外因）以及觀測本身加以分析、考慮，確定變形值變化的原因和規律性。
9.3變形預報和安全判斷
實際測得的位移或應力是隨時間而變化的，需要找出變化規律，用以判斷所設計的支護結構和施工流程最終的可靠性。
由于量測誤差所造成的離散性，按實測數據繪制的位移隨時間變化的散點圖上下波動，難以用來進行分析。因此，需要對量測數據進行處理，找出位移時態曲線。
將實測數據整理成實驗曲線和經驗公式，隧道工程中較長用的是回歸分析法，它的步驟如下：
1、在以時間為橫坐標、位移為縱坐標的坐標系中，標出由量測值確定的各對應的實測點，得散點圖；
2、根據實測點描繪出光滑的實驗曲線；
3、根據所有描繪的實驗曲線形狀選擇回歸函數。位移時態曲線都是非線性的，在位移隨時間漸趨穩定的情況下，選擇函數：
式中的A、B為待定系數，按測量數據，通過最小二乘法求得。
將代入，即可求得A、B，按下式求出回歸精度。
求得回歸函數后，可以進一步修改原先所描繪的實驗曲線。
4、根據回歸函數預測最終的位移值（）：以及，這些值都是穩定性的重要指標。如果位移時態曲線始終保持，說明位移速率不斷下降，這是穩定的標志。若出現，說明位移速率維持不變或不斷增大，表明圍巖進入危險狀態。
關鍵詞：數據分析人才；軟件工程專業；計算思維能力；正情緒
0引言
Web技術的飛速發展產生了海量的用戶生成內容，大量信息蘊藏其中，是潛在用戶決策支持的有價值資源。如何挖掘海量用戶生成內容催生了數據分析人才的市場需求。麥肯錫全球研究院報告預計，美國在2018年數據分析人才缺口將達到50%～60%，甚至可能更大。我國政府提出的“互聯網+”行動計劃，使得數據幾乎滲透到每一個行業和業務職能領域。在大數據時代，具有豐富經驗的數據分析人才需求倍增。
1數據分析人才必備的重要素質
數據分析人才能對行業已有數據進行統計、分析、預測，能為企業經營決策提供科學量化的分析依據。2007年，復旦大學首先在國內開始培養數據分析人才，隨后香港中文大學、北京航空航天大學等高等院校也相繼開設了相關課程。分析上述高校人才培養計劃可知，數據分析人才應該系統地掌握數據分析相關技能（主要包括數學、統計學、數據分析、商業分析和自然語言處理等），應具有較寬的知識面、獨立獲取知識的能力及較強的實踐能力和創新意識，是一種復合型專業人才?！吨袊髷祿夹g與產業發展白皮書》在數據人才一章中明確指出，數據分析人才的培養要從本科階段開始，要注重運用算法分析問題、解決問題，由此可見，計算思維能力是數據分析人才必須具備的重要素質之一。
2計算思維能力培養現狀
自2002年以來，我國計算機教育專家將計算思維能力歸結為計算機專業人才必備的4大專業基本能力，并且強調計算思維能力是其他3項能力（算法設計與分析、程序設計與實現以及系統能力）的基石。那么，如何在大數據時代背景下，依托應用型本科軟件工程試點專業建設，培養軟件工程專業學生的計算思維能力，為社會輸送高質量數據分析人才？計算思維能力的強弱主要表現為學生能否正確運用抽象與分解、遞歸、啟發式等方法解決計算求解問題。訓練學生的計算思維能力可在算法與數據結構以及算法設計與分析課程（以下簡稱算法類課程）的教學中進行，因而算法類課程是本科階段培養數據分析人才的重要課程。
然而，在算法類課程的實際教學過程中，存在兩個較為常見的問題：
（1）學生理論聯系實際的能力薄弱。學生要達到靈活運用算法解決實際問題，必須掌握算法的核心思想，但由于算法類課程中許多概念抽象，一些經典算法較為復雜，在這兩門課程的學習和實踐中，能體會到理論學習意義和動手實踐樂趣的學生很少。
（2）系統能力培養沒有受到教師的足夠重視。由于算法類課程相關的綜合設計課內學時少，教師無法引導學生從系統的角度認知綜合設計，并對其進行分析、開發與應用。
由此可見，在算法類課程的現有教學環節中，訓練學生計算思維能力的機會較少，必須結合當前數據分析人才市場需求的發展趨勢，重新審視算法類課程的定位和內容，以達到夯實學生計算思維能力的目的。
3在算法類課程教學中培養學生計算思維能力的方法
從整體上，一個較高層次的數據分析人才應該掌握7大版塊的知識結構，分別是數據采集、數據存儲、數據提取、數據挖掘、數據分析、數據展現以及數據應用。以數據分析人才驅動為導向，培養軟件工程專業學生計算思維能力的算法類教學方法主要是把算法類課程中算法分析與設計的思想融入數據分析中，用數據分析中的實際需求驅動學生學習書本上抽象的理論知識。以7大版塊中最重要的數據挖掘版塊作為載體，在算法類課程教學中培養學生的計算思維能力。
3.1基于實際數據分析任務的實驗項目設計
目前，國際權威學術組織IEEE International Conference on Data Mining（ICDM）已評選出數據挖掘的10大經典算法：C4.5、k-means、SVM、Apriori、EM、PageRank、AdaBoost、kNN、Navie Bayes和CART。在教學過程中，可以根據不同類型的應用問題，結合這些經典數據挖掘算法布置實驗任務，對每一實驗任務制定實現該任務的實驗目的、實驗要求、實驗內容、實驗步驟和預期實驗結果，讓學生清晰地理解并實現這些實驗任務。
以2013級軟件工程專業學生參加中國好創意的“互聯網情緒指標和生豬價格的關聯關系挖掘和預測”為例，說明實驗項目的設計。
（1）實驗目的：針對來自國內互聯網的生豬歷年消費者情緒數據，挖掘消費者情緒指標和生豬價格之間的關聯關系。
（2）實驗要求：采用Apriori算法，對近期國內五花肉價格及生豬價格進行預測。
（3）實驗內容及步驟：首先，對原始的生豬數據清洗是分析消費者情緒與生豬價格之間的關聯關系的第一個階段，其目的是刪除無關數據；其次，統計與消費者正面情緒或消費者負面情緒同時出現的相關指標，并根據自定義的最小支持度閾值獲得正面情緒或負面情緒的頻繁項集；最后，根據自定義的置信度對獲得的頻繁項集進行篩選，得到有意義的頻繁項集。
（4）預期實驗結果：解讀最終得到的頻繁項集，將挖掘的結果反饋到生豬養殖戶，讓其掌握生豬市場的供求關系。
個別有能力的學生還可以對以上內容進行拓展，從互聯網大數據中找出其他一些具有參考價值的生豬價格預測先導指標。
實驗任務的編碼完成后，還要求學生從軟件開發的角度撰寫規范的項目報告，內容包括項目的需求分析、總體設計、詳細設計、編碼與測試等。教師可通過報告清楚了解學生是否有良好的計算思維能力。針對計算思維能力薄弱的學生，教師可以再布置另外的實驗項目讓其訓練。例如，在“互聯網情緒指標和生豬價格的關聯關系挖掘和預測”實踐項目中，要求項目報告中有目標場景、需求理解、方案創意說明、模型數據選取、數據分析、算法設計、實驗設計、結果分析、原型系統介紹等。
3.2算法類課程教學內容拓展
由于本科階段算法類課程的教學內容只涉及完成基于實際數據分析任務的基礎知識，不包括數據挖掘算法，這就需要教師在算法類課程中拓展教學內容。因此，在教學過程中需要將經典的數據挖掘算法與算法類課程的理論知識巧妙融合。為此，教師需要詳細分析實現每個數據分析任務需要的基本理論知識，然后按照書本相關內容的先后順序串聯起來并編寫授課計劃，體現算法類課程精華內容與實際數據分析任務的融合。為了保證學生對數據挖掘算法的深入理解，需要鼓勵其利用課余時間廣泛查閱相關資料，進行自主學習。
在2013級軟件工程專業學生參加中國好創意的“互聯網情緒指標和生豬價格的關聯關系挖掘和預測”競賽中，指導教師們利用課外時間給學生講解關聯規則挖掘算法的思想、原理、特點等。學生在學習關聯規則挖掘算法的過程中進一步掌握了遞歸與分治思想、回溯法思想；理解了樹型存儲結構對關聯規則挖掘算法性能的改進。通過這樣的實踐，參賽學生完成的作品清晰展示了他們在學習算法類課程中培養的計算思維能力。
3.3計算思維能力培養的跟蹤
為了改進軟件工程學生計算思維能力培養中可能存在的問題，收集應用于13級軟件工程專業學生的實驗項目、授課計劃、項目報告、算法類課程的理論成績與實踐成績。通過跟蹤他們畢業設計的完成情況，分析曾在算法類課程上得到較好計算思維能力培養的學生的畢業設計情況，檢驗提出的方法。由于本研究的對象還沒有進入畢業設計環節，故只進行算法類課程的理論成績與基于實際數據分析任務的實驗項目完成情況的分析。通過兩門課程期末考試成績可以看出，認真完成實驗項目的學生理論考試成績普遍高于不認真的學生，這充分說明基于實際數據分析任務的實驗項目能有效改進目前算法類教學課程中存在的問題。
此外，還準備通過學院學生管理部門跟蹤2013級軟件工程專業學生的就業情況和用人單位的反饋意見，了解學生的專業能力，及時修改計算思維能力的培養方法，為探索應用型本科軟件工程試點專業建設提供有力支撐。
3.4充分利用移動平臺
為了讓學生充分體驗到算法類課程學習的成就感，在算法類教學過程中，要求學生以3～5人一組，形成一個團隊，開發算法類課程教學App。該App的功能模塊主要有算法類課程的教學資源、10種經典的數據挖掘算法講解教案、基于數據分析任務的實驗項目、學生作品展示區和交流區。課程結束后，學生對每一個團隊開發的App進行互評，最終選用得分最高的課程教學App為下屆的學生使用。由于有了這樣的平臺，教師和學生的溝通變得更加方便與及時，學生對算法類課程的學習不再受時空的限制。在移動終端普及的情況下，這種教學模式一方面能讓學生充分利用課余時間，另一方面能營造一種學生之間良性競爭的學習氛圍。盡管教學App的開發是學生計算思維能力培養的副產品，但也正是這種副產品給學生帶來的成就感讓學生在學習的過程中充滿了正情緒，讓計算思維能力的培養成為一個潛移默化的過程。
關鍵詞：農經專業；數據分析；教學改革
2019年12月，農業農村部、中央網絡安全和信息化委員會辦公室關于印發《數字農業農村發展規劃（2019-2025年）》的通知，部署了用數字化引領驅動農業農村現代化，加快農業農村生產經營、管理服務的數字化改造的發展戰略，將全面提升農業農村生產智能化、經營網絡化、管理高效化、服務便捷化水平作為農業農村發展的目標[1]。農業農村的數字化建設離不開專業人才的培養。農林經濟管理專業畢業生的就業方向主要有農業經營單位、面向農業農村的政府管理部門、事業單位、科研院所等。隨著農業農村數字化發展戰略的推進，給傳統的農經人才培養帶來了一系列的挑戰[2]。在數字經濟和智慧農業的時展背景下，數據分析能力是農經專業學生重要的核心競爭力。如何提升農經專業學生數據分析能力，是農經專業人才培養中面臨的重要課題[3]。
1農業農村數字化發展戰略給農經人才培養帶來的挑戰
1.1對農經人才的數據思維的更高要求
在大數據時代，無論是農業生產經營活動，還是農村的行政管理中都有大量的數據資源。農業企業、農業合作經營組織、農產品產銷數據、農產品溯源數據為農業經營者提供了生產、物流、銷售環節大量的數據資源。經營者需要認識到數據是一種新的生產要素，要調動數據作為生產要素的屬性，讓數據分析為管理決策服務[4]。在數字中國的建設進程中，各級政府部門工作人員通過各級各部門的行政管理智能，收集了大量省、市、區、縣級的區域經濟社會發展數據。社區網格化管理下收集了微觀層面的農業經營單位數據、農村常住人口數據、醫保數據、扶貧數據、農村小額信貸數據。這些數據資源是政府提高行政效率、提高政務服務質量的寶貴資源。
1.2對農經人才的數據分析能力的更高要求
在大數據時代，每天都有海量數據生成，如何能更好地利用這些數據，讓數據能發揮其為管理決策服務的功能，與數據使用者的數據分析能力是密切相關的。例如，農業經營單位在農業生產環節的農業投入數據、農產品銷售數據、電商平臺的客戶反饋評論、農產品庫存的動態數據，如何整合分析這些數據，要求農業經營者系統掌握數據分析、數據挖掘、文本分析等多元化的數據分析方法。政府管理部門掌握的農業人口的遷移數據、農村常住人口網格管理數據、農村居民醫保數據、扶貧數據等，數據類型豐富，數據量龐雜，如何實現數據庫的整合，要求政府部門工作人員掌握數據庫管理、大數據分析技術。
2農經專業數據分析課程群建設中存在的問題
2.1課程之間連貫性不足
以筆者所在的高校為例，為農經專業本科生開設的數據分析類課程，見表1。數據分析課程群包括了通識教育、專業教育和實踐教育。從目前的課程設置來看，涵蓋了數據庫、統計學、經濟計量學、多元統計、大數據分析等領域，內容豐富。數據庫應用由計算機學院開設，是一門通識教育課程，在授課時教師往往將其視為一門計算機類的入門課程，在教學中沒有針對農經專業學生的特質，將數據庫的教學與其在農經領域的應用結合起來。學生在學習中往往會覺得該課程與專業聯系不夠緊密，教學內容枯燥，缺乏學習興趣。
2.2學生學習的軟件種類繁多，但不夠深入
在統計學和多元統計課程中，學生將學習EXCEL、SPSS或者R語言的應用，在經濟計量學課程中學生將學習Eviews或STATA的應用，在數據挖掘與大數據分析課程中學生將學習Python語言的應用。在每一門課程中學習的軟件都不同，對于軟件的學習缺乏連貫性和延續性，雖然學生接觸的軟件種類多，但是由于學時所限，每一種軟件都只是入門級的介紹，無法進入到深度學習。
2.3與專業課學習聯系不夠緊密，缺乏應用機會
學生缺乏在專業課學習中運用數據分析類課程所學知識的機會。數據分析類課程主要介紹數據分析方法和軟件的應用，但大部分都安排在第5學期和第6學期。學生在學習了數據分析方法后，缺少在專業學習領域里運用這些方法的機會。例如學生若要完成產業經濟學、農業技術經濟學、農產品國際貿易學的專題研究、課程論文，需要用到統計學、經濟計量學、大數據分析的方法，但在第2-4學期開設大量專業課的學期，數據分析類課程還沒有開設。若能將數據分析類課程盡量靠前安排，學生可以在后續的專業學習、課題研究中運用所學的方法，一方面夯實數據分析技能，另一方面也可以增加學生對專業課的學習興趣。
2.4排課不夠科學
在大三階段，學生可以選修多元統計、數據挖掘與大數據分析、Python語言三門選修課。但到了大三，學生專業課的學習任務重，選修課種類考慮繁多，學生選課可能出于興趣、學分安排或者準備考研保研考慮，并不是每一位同學都會選修上述課程。尤其是計算機能力不太強、對數學類課程感到困難的同學，會傾向于選擇難度小的課程。
3基于項目驅動式教學理念的數據分析課程群改革
3.1開展項目驅動式教學的意義
項目驅動教學法是基于行動導向的探究式教學方法，是將真實的或模擬的項目轉化為教學項目，結合課程內容將項目分解為若干工作任務，創設工作情境，引導學生完成任務，進而實現項目教學目標的教學活動[4-5]。項目驅動式教學法最顯著的特點是“以項目為主線、教師為主導、學生為主體”，改變了以往“教師講，學生聽”被動的教學模式，完善了學生主動參與、自主協作、探索創新的新型教學模式。與傳統教學方法相比，教學實施過程中，學生的目標更清晰明確，可避免傳統課堂教學的被動性，進而提高學生學習知識的興趣和主動性[6]。在數據分析課程群中引入項目驅動教學，一方面能讓學生運用所學的數據分析方法分析現實問題，創設數據分析情境，加深對所學方法的理解和運用，激發學習興趣，培養自主學習能力；另一方面也可以有針對性地創設圍繞“三農”問題的數據分析項目，讓學生從數據分析中加深對“三農”問題的感性認識，培養對農經專業學習的興趣，提升對農經專業的認同度。具體來講，可以從以下方面開展對數據分析課程群的改革[7]。
3.2統籌規劃教學內容，加強課程間的連貫和遞進
農經專業數據分析課程群目前主要包括必修課數據庫應用、統計學和經濟計量學，選修課多元統計、數據挖掘與大數據分析，以及實踐課R語言與統計應用、Python語言。統計學教學的重點在于對基礎性的統計方法的運用，經濟計量學教學的重點在于讓學生掌握經濟計量分析的范式，如何利用經濟計量模型開展實證分析。多元統計強調對復雜多維數據信息的提煉。數據挖掘與大數據分析教學的重點在于大數據時代數據挖掘方法的應用。此外，針對于目前學生所學的軟件門類過多，軟件操作不夠熟練，建議在統計學、多元統計、數據挖掘大數據分析中統一采用R語言進行教學，讓學生通過幾門課程的學習，能夠熟練掌握一種統計分析軟件。
3.3基于項目驅動對教學內容進行整合及優化，調動學生主動參與
例如統計學課程介紹了基礎性的統計分析方法，在后續課程經濟計量學、多元統計、數據挖掘與大數據分析中引導學生運用基礎性統計分析方法，對數據進行初步的統計分析和整理，為經濟計量分析、多元統計、數據挖掘做好數據處理上的準備，讓學生體會到關聯課程中所學知識的聯結。鼓勵學生積極參與“三下鄉”活動，開展田野調查實踐，圍繞“三農”開展調研，運用統計和計量方法對調研數據進行分析，鼓勵學生參與到教學中來，培養學生的學習興趣，學以致用。
3.4建設“項目驅動”實踐教學模塊
結合農經專業課程體系，建設數據分析課程群“項目驅動”實踐教學模塊。在農經專業的課程體系中開設的農業經濟學、農產品貿易、農村社會學等專業性課程對大量的“三農”問題進行了探討，這類課程中涉及的城鄉差異問題、收入和消費問題、農產品價格波動、農產品貿易等現實問題的研究，都離不開基于現實數據的定量分析。因此，在農經專業的數據分析課程群中可以結合教學內容引導學生對專業課學習中熱點問題的研究，圍繞課程教學大綱，建設“項目驅動”實踐教學模塊，理論聯系實際，讓學生在研究項目中運用所學的數據分析方法，加深對專業知識的理解。
4農經專業數據分析課程群優化方案
在大數據時代，數據分析能力是學生的核心競爭力之一。數據分析類課程在建設中要強調理論與實踐的結合，不能只是將教學停留在課堂上，引入體現專業特色的實踐教學環節?？梢詮囊韵聨追矫骈_展數據分析課程群的優化：第一，數據分析基礎類必修課安排在大一學年。在第1學期，可以安排R入門、Python入門、數據可視化課程，讓學生盡早接觸當前主流的數據分析軟件，激發學生對R或Python的學習興趣，讓學生自我拓展學習空間。R入門、Python入門、或者數據可視化課程都屬于數據分析的基礎課程，無需其他先修課程。在這一時期，讓學生開始接觸數據分析軟件，學習數據可視化的分析工具，有利于培養學生的數據思維、數據意識和軟件實操能力。第二，將與農經專業課有關的專業必修課統計學、經濟計量學安排在第3-4學期學習。統計學課程需要學生先行修讀高等數學和概率論課程，經濟計量學需要學生先行修讀微觀經濟學、宏觀經濟學，因此可安排在第3-4學期。讓學生在掌握了一定經濟管理專業知識后，可以更好地體會統計學、經濟計量學方法論學科的應用價值。第三，將數據分析進階類選修課多元統計、大數據分析、數據挖掘、機器學習等課程安排在第5-6學期。為高年學生提供豐富的數據分析類選修課，讓學生結合自己的興趣、未來的發展規劃學習更加多元化的數據分析技術。鼓勵學生能在專業論文習作、學科競賽中有更多的機會運用自己所學的數據分析方法，增加學生的收獲感和成就感，挖掘學生的學習潛力。第四，改革課程考核評價體系，采用項目式管理和評估的思路，由學生自主開展一個數據分析項目，從收集數據、提出問題、分析數據到提煉研究結論，開展小組團隊成員互評。教師跟蹤學生的項目開展過程，從學生的學習態度、投入程度、數據分析質量等綜合評價學生的學習效果。
5結束語
將項目驅動教學引入到農經專業數據分析課程群的建設，讓學生參與到教學中去，突破傳統教學中“教師教學生學”的局面，讓學生通過參與項目，運用數據分析方法解決項目中的實際問題，激發學生的學習興趣和潛能，讓學生體會到所學知識的應用價值，讓學生不再對數據分析類課程望而生畏。本文的研究對于農經專業學生數據分析能力的培養有重要的意義，強調理論與實踐的結合，提高學生數據分析的高階能力，也能為同類課程開展項目驅動教學提供借鑒。
參考文獻：
[1]農業農村部中央網絡安全和信息化委員會辦公室關于印發《數字農業農村發展規劃（2019-2025年）》的通知[EB/OL].（2019-12-25）[2020-4-14].
[2]李虹賢.農業經濟管理專業人才培養模式創新研究與實踐[J].智慧農業導刊，2022，2（7）：110-112.
[3]馮開文，陶冶.農業經濟管理專業實踐教學改革———以中國農業大學經濟管理學院為例[J].教育現代化，2017，4（23）：54-56+63.
[4]杜洪燕，陳俊紅.鄉村振興背景下中國數字農業高質量發展路徑研究[J].南方農業，2021，15（21）：213-214.
[5]金娥.基于項目式學習的《現代教育技術應用》課程學習框架的設計與實踐研究[D].武漢：華中師范大學，2021.
[6]胡靜，王昌鳳.基于應用型本科人才培養目標的項目式教學模式構建[J].教書育人（高教論壇），2022（9）：59-64.
【關鍵詞】數據分析觀念；價值要義；培養策略
【中圖分類號】G623.5 【文獻標志碼】A 【文章編號】1005-6009（2017）33-0035-03
【作者簡介】1.周丹菊，江蘇省淮安市天津路小學（江蘇淮安，223005）總務副主任，高級教師，淮安市數學學科帶頭人；2.王乃濤，江蘇省淮安經濟技術開發區教師發展中心（江蘇淮安，223005）教研員，高級教師，江蘇省數學特級教師。
在大數據時代，海量信息從數據中產生，具備數據分析觀念和能力是信息社會對人的基本要求，是數學素養的重要方面。新課標把“統計觀念”修訂為“數據分析觀念”，點明了統計的核心是數據分析。對數據的搜集、整理、分析并體會事件發生的可能性、隨機性，培養學生數據分析觀念，幫助學生進行合理判斷和科學決策。
一、以信息為載體，讓數據“發聲”――培養數據分析觀念的初意識
1.數據場景現實化，激發數據整理的興趣。
兒童更容易對現實的東西感興趣，尤其是數據分析觀念很薄弱的低年級兒童，教學需要根據兒童認知規律和心理特征，創設現實化場景，調動其整理數據的欲望；通過簡單的分類整理等活動，讓學生初步了解數據，理解數據中蘊含的有價值的信息，培養根據問題收集、獲取、分析數據的意識。
案例1 蘇教版二下《分類統計》
（圖1）
問題1：圖1中有哪些人，分別在做什么？你還想知道什么？
生1：我想知道學生比老師多多少人？
生2：我想知道參加哪種活動的人最多，哪種活動的人最少？
以上是兒童第一次接觸統計教學內容，面對游戲情境圖，大多數兒童只知看圖說話，并沒有意識到主題圖中隱藏的數學信息。因此，筆者讓兒童談談“你還想知道什么”，以此來激發他們收集數據的興趣，并使他們意識到，必須根據問題情境對數據進行分類和整理。這是培養學生數據分析初意識的方法之一。
2.數據表達個性化，彰顯數據分析的意趣。
在現實場景中，教師無法預設學生整理數據時會運用哪種符號或方法。首次進行數據整理的兒童往往會創造出令人意想不到的符號，教師應尊重其思維特點，保護其創造性。
問題2：要想知道學生比老師多多少人，你準備怎樣分類？有什么好方法能做到不重復，不遺漏？ 小組合作：用自己的方法表示分類的結果。
部分呈現：
分析：根據整理出的數據，能解決你提出的問題嗎？你還能從這些分類結果里知道什么？
放手讓兒童收集、整理數據，鼓勵他們用自己的方式記錄并呈現數據，兒童從場景信息到符號數據的整理過程中感受到數據分析的樂趣。
二、以問題為導向，讓過程“發生”――激發數據分析觀念的潛意識
1.問題指向富有統計意義，經歷真實過程。
培養兒童數據分析觀念不能一蹴而就，須讓兒童從親身經歷中獲取、感悟，讓他們不斷經歷數據分析的全過程：調查收集整理分析。根據數據分析的結果，兒童作出預測和決策，感悟分析過程中滲透的分類、歸納、類比等數學思想方法，數據分析觀念從而得以發展。
案例2 蘇教版四上《可能性練習》
問題：按照足球比賽的國際慣例，雙方采用拋硬幣的方法決定誰先發球。瓶蓋也有正反兩面，為什么不采用拋瓶蓋的方法呢？
活動：合作拋硬幣、瓶蓋各10次并記錄結果。
交流：瓶蓋開口面朝上與朝下的次數相差比較大，硬幣兩個面朝上的次數接近。
分析：瓶蓋兩面輕重不一樣，落地后兩面朝上的可能性不相等。硬幣兩面輕重是一樣的，落地后兩面朝上的可能性相等。所以，拋硬幣的方法對雙方來說是公平的。
兒童在有價值的任務的驅動下經歷主題式活動，親身經歷了數據統計的全過程，統計方法得到掌握，數據分析觀念得以發展。
2.大數據問題分析多樣化，滲透多元思想。
大數據收集、分析過程可以多元化。根據問題所需，選擇適切的分析方法是培養數據分析觀念的關鍵。
案例3 蘇教版六下《統計與可能性復習》
問題：利用網絡調查統計全校各班男生、女生喜愛文藝、科技、漫畫、故事等四類圖書的數據。
交流1：展示某一年級學生喜愛文藝類圖書人數情況可用什么統計圖？展示某一年級男生、女生喜愛漫畫類圖書人數情況可用什么統計圖？
交流2：展示全校各年級學生閱讀故事類圖書的喜好變化情況用什么統計圖？展示全校學生喜愛閱讀各類圖書的分布情況用什么統計圖？
基于全校的調查樣本，教師引導兒童對收集的數據進行整理分析，在討論中讓兒童明晰統計圖表的選擇是基于能否解決所要分析的問題，在討論中，兒童將感受到數據分析的魅力。
三、以課程為資源，讓數據意識常態化――拓寬數據分析觀念的廣意識
1.開發有價值的材料。
并非只有統計教學可以培養學生數據分析觀念。圖形的認識、質數、圓周率等知識的學習，也能培養學生數據分析觀念。
案例4 蘇教版一上《認識圖形》
（1）小組活動：每人選一種積木看一看、摸一摸，把自己的感受和發現在小組內交流。
（2）分一分：把相同形狀的物體放在一起，說說為什么這么分。
引導兒童把隨意擺放的各種圖形進行分類，兒童既認識了圖形又經歷了數據整理的過程。適時創造、開發有價值的研究材料可以把培養學生的數據分析觀念貫穿于課程教學的始終。
2.依托教材體驗隨機。
稻蕕乃婊性是數據分析觀念的要素之一。在課程內容教學中，緊扣教學內容，通過個別現象了解整體規律，由特殊認識一般，可以培養學生的創新精神。
案例5 蘇教版五下《圓的周長》
問題：圓的周長和直徑到底有什么關系呢？
活動：以小組為單位，測量手中的4個圓（每組領到的圓相同），記錄測量出的周長、直徑的長度，利用計算器算出圓的周長與直徑之間的關系，填入表格。
反饋：選取多組數據進行分析，討論周長除以直徑的商有什么特點？為什么有的組測量同一個圓，數據會不一樣？
“圓的周長與直徑到底有什么關系”問題旨在激發兒童通過數據分析獲得結論的意識。讓兒童思考為什么不同的小組測量同一個圓，得出的結果不同，兒童很快意識到測量數據是有誤差的，而產生誤差的原因是多樣的，這正是事件發生隨機性的原因之一。兒童在對多個圓的周長除以其直徑的商的數據分析過程中，發現周長都大約是直徑長的3倍，這是事件隨機性的另一個重要方面。
四、以實踐為決策依據，讓數據分析生活化――實現從數據分析到解決問題
1.拓展數據分析路徑，提升問題解決能力。
一方面教材提供了大量培養兒童數據分析觀念的素材，另一方面解決生活中的實際問題有助于兒童真正養成數據分析觀念。因此，兒童數據分析觀念的培養需從課堂延伸到課外。
案例6 “快樂的聯歡”活動準備
談話：同學們，“六一”兒童節馬上就要到了，班委會打算買些水果分給大家吃，他們該如何購買？
交流：調查大家最愛吃的水果再作決定。
分組收集，匯總全班數據：18人愛吃西瓜，3人愛吃蘋果，6人愛吃梨，25人愛吃桃子。
得出：根據大家愛吃的水果種類和數量買水果，但是西瓜體積大，不必買這么多，買2個就可以了。
當數據分析真正走進學生的現實生活，學生親身經歷了解決實際問題的過程，才能真正體會數據分析對決策的作用。學生能結合實際考慮個別樣本的特點，思考問題更加全面，數據分析觀念得以發展，解決問題能力得以提升。
2.延伸數據分析場域，養成自覺自主意識。
互聯網時代的學習方式是多元的，“數字化教學”已經走進課堂，海量互聯網信息提供了豐富的數據分析素材。
案例7 “一起作業”網絡學習
（1）學生登錄校園英語學習網站，完成單詞跟讀、拼寫、排序、模仿、連詞成句等學習項目。
（2）通過每天的統計數據，了解自己的作業情況，對照本班實際完成情況分析在班級中的排名，也可進行班與班之間的對比。
數據分析素養的養成是為了使學生能更好地適應未來的學習、工作和生活。本例中，學生可以從統計表中了解自身的學習時間、效率、效果等，對自己的學習狀態進行定量或定性的評價。教師也可以分析個人、班級、年級間的差異，為評價學生提供依據。延展性學習，提升了分析數據和解決問題的能力，有助于在“大課堂”中發展學生數據分析觀念。
【參考文獻】
[1]教育部基礎教育課程教材專家工作委員會.義務教育數學課程標準（2011年版）解讀[M].北京：北京師范大學出版社，2012.
關鍵詞：大數據分析；高中數學；教學策略
一、引言
在大數據的影響之下，我們的傳統的教育教學方式正在發生著劇烈的改變，大數據分析在教學中的應用也越來越明顯，特別是在高中數學中的應用，未來的大數據分析必然會對教學產生巨大的作用，因此，研究大數據分析是一件至關重要的事。
二、大數據分析的概念
對于數據的本身來說，是用來記錄信息的，但是隨著計算機和互聯網技術的發展，我們在生產和生活中的各個領域都有了突飛猛進的進步，這相應地帶來的是各種數據的處理方式更加的復雜，數據的數量以及涉及的規模也在不斷地擴大。大數據的特點可以和經濟學的觀點一樣，從微觀和宏觀兩個方面來理解，但是目前大多數對大數據有研究的專家來說他們都是從宏觀的角度來分析大數據的定義的。大數據處理的數據數量很多，即使新數據也能很快地進行處理，這些數據的類型也是多種多樣涉及很多的領域，而且處理的數據具有真實性。大數據分析的重點在于分析，就是利用大數據技術對收集到的數據進行全方位的分析，大數據分析的優勢明顯，哪怕你的數據量非常大，但是分析也能快速地完成，并且還能保證數據的真實性。大數據分析的目的是通過對歷史數據的分析和解決，進行科學的總結，發現其規律性和模式，同時結合穩定的動態流數據預測事物發展的未來趨勢。
三、高中數學課堂教學策略的大數據分析
（一）更新高中數學教學思想，以此構建數據分析的概念。很多的老師因為受傳統的教學觀念的影響，思維方式和教學方法都已經模式化了，并沒有樹立數據分析的教學觀念，俗話說，物質決定意識，意識是物質的反映。如果老師的教學觀念還沒有及時更新的話，那么，教學行為在這些思想的影響下還是不會出現根本性的變化，為了解決這一難題，在國家新的課程改革中明確提出了“數據分析”這一概念，這一概念的提出標著在大數據的時代背景下我們的國家也越來越重視數據分析在教學中的實際運用，各位老師應該牢牢把握住數據分析的觀念，在實際教學中，幫助學生構建數據分析的知識框架。（二）勇于探索，在數學教學中嘗試分層教學?，F在的高中數學教學的過程中，采用的還是以班級為單位的固定的教學方法，這種教學方法已經是一種既定的模式，對知識接受不同程度的學生他們上課的內容是相同的，這樣接受能力強的學生的潛能得不到發揮，接受新知識能力弱的學生跟不上老師講解的內容，打擊了他們學習的積極性和主動性。早在幾千年之前，我們的大教育家孔子在教學的過程中就提出了因材施教的教育理念，要求老師在課堂教學中準確地把握每一個學生的性格特點，來進行知識的傳授，不錯過任何學生的潛力，同時進行不同類型的教育。在高中數學課堂教學中，教師可以分層次地教學生。一班上有不少學生，學生與學生之間存在個人和個人之間的差異，不同學生的不同類型的教學可以有效地促進教學課堂。個人差異和個體差異明顯的小學生，也可以嘗試不同的教學方法，嘗試新的教學模式，面對個人差異，分不同層次的分析教學給他們，這有助于促進學生更好地學習數學，也充分挖掘學生在數學上的潛力。（三）學習分類和重視數學知識的積累。高中數學是一個強大的抽象性和邏輯性的學科，需要有更大的知識量，這就要求學生學會分類，分類各種數學知識，這有助于學生加深對數學知識的理解，也可以幫助學生理清數學知識的靜脈，學生進入下一階段的數學學習會學得更好。另外，還要強調數學知識的積累。
作者:馮雄德 單位:武威第七中學
參考文獻：
［1］宋顯微．高中數學課堂教學研究［J］．亞太教育，2016（14）．
［2］賈慧梅．基于云平臺的初中數學課堂教學研究［J］．中國教育技術裝備，2015（23）．
[關鍵詞] 初中數學；數學課程標準；數據分析觀念；數學素養
一、初中生培養數據分析觀念的意義
課程標準認為數據分析觀念主要指：在現實生活中處理問題時先做調查研究，收集到有用的數據，分析數據中蘊含的信息并以此為依據做出判斷；掌握解決問題的多種方法，能根據問題或實際情況選出合適的方法；體驗數據分析中的隨機性，在足夠的數據中發現規律。[1] 也就是說在數據分析觀念的指導下，學生能夠用適當的統計分析方法對收集的大量數據進行分析，提取有用信息或形成結論，從而對數據加以研究和概括總結。觀念指導實踐，培養學生的數據分析觀念就是培養學生形成有效的問題解決策略，在數據中發現價值從而指導決策。數據分析觀念的形成需要學生經歷數據統計分析的全過程，包括調查研究，收集、整理、分析數據并做出預測和決策，再進行交流、評價與改進，進而形成對數據處理的思維。
二、初中生數據分析觀念現狀
課程標準將原來培養學生“統計觀念”的目標改成如今的培養學生“數據分析觀念”，是為了讓學生對數據有一個宏觀的把握并能利用數據分析觀念解決問題。而學生，甚至是一些教師，沒有意識到概念的轉變意味著學習方式和教學方式的轉變，仍然以升學考試各知識點的占比作為學習的主體，為學習而學習，為升學考試而教。教師應該利用教材的系統性安排，為學生合理設計教學計劃，以培養學生的數學素養和數學能力為最終目的，唯此才能從根本上提高學生的數學學習能力。
學生的數據分析水平一定程度上反映了數據分析能力。據調查統計，[2] 不具備數據分析觀念的學生和能夠建立數據表征但不明白目的和作用的學生占調查的初中生一大半。教師因為過于注重對頻率和概率的概念性教學，使學生不能夠正確認識頻率與概率的關系，也不會從數據分析中找到規律。學生數據分析水平不高的原因主要是教師在教學中重計算、輕體驗，重講授、輕探究，重得分、輕能力，重結果、輕過程。[3]
三、課堂培養策略
1.提升學生興趣
培養學生的數據分析觀念，要讓學生主動參與課堂學習。教學中適當地使用情境教學法，將生活實際問題轉入數學知識的教學中，能夠激發學生的探究欲望，促進學生建構數學知識體系和遷移知識。情境的設置可以包括對天氣預報的準確程度進行預測、商場打折促銷活動的折扣程度，甚至是銀行存款利率變動的原因分析等，依據學生的知識掌握情況和課程進度向學生拋出與日常生活，與民生息息相關的事件，引發學生關注，學生在教師指導下認識到數據分析給解決這些問題帶來的便利。
隨著教學的深入，學習難度提升，教師情境教學方式要讓學生進入到對數據分析的體驗過程中，親歷數據的收集、整理、處理、分析和做出判斷，在體驗中形成數據分析意識，提升數據分析能力。例如，對“隨機事件”的教學，教師提出骰子拋擲后正面朝上的點數的可能性，先讓學生提出自己的觀點，然后教師給學生骰子讓學生分成若干小組自己嘗試拋擲10次、20次、30次甚至更多次并將每一次結果記錄下來。拋擲完骰子后，教師讓學生匯總數據并匯報6個面分別朝上的次數占總次數的比例，接著將每個組得出的結果展現給學生，學生會發現結果不盡相同，匯總所有小組的結果后，不同點數分別朝上的占比還是可能與所有小組都不一樣，由此引出隨機事件的概念。學生通過這一過程體驗到數據的收集、整理、處理過程，形成處理問題通過數據來做出判斷的意識。
2.掌握數據辨別能力
數據分析是個應用性較強的活動，日常生活中經常要運用到各種數據分析，但怎樣在眾多數據中提取有效信息為我所用，學生對此還很不清楚。因為不管學習還是做題時，經常是給出的數據都是有用數據，沒有其他數據摻和進來混淆對數據的分析活動，可現實生活中，同一個事件產生的數據不止一種。這就需要教師留意培養學生理智選擇數據進行分析的意識，對數據抱有質疑態度，才會深入數據的形成過程，理解每一組數據代表的信息。
例如，給出一組數據：65、72、60、65、88、90、70、65、65，假設是某班一次考試成績，教師向學生提問：如果要分析學生的整體水平，要怎樣利用這組數據呢？不少學生可能認為計算出所有成績的平均數就是這次考試的整體水平，而這個平均數約為71分。這時候教師可以讓學生思考：平均分71分和占了全部數據的4/9的65分哪個更能代表這個班的總體水平呢？由此引入“眾數”的概念――一組數據中出現次數最多的數值，叫眾數，并且讓學生認識到，平均數與眾數都是對整體數據進行分析，但平均數是反映數據的總體平均水平，而眾數則反映數據的多數水平，雖然用以代表數據可靠性相對差一些，但它不受極端數據的影響，求法簡便，適用于大面積的普查研究或非數值型信息。通過這樣的教學設置，學生既學到了新的知識點，同時也掌握了在不同數據和問題中辨別數據、利用數據的能力，在面對數據時，能有意識地辨別、選擇有用數據。
3.強化分析能力
教學中教師經?；ǜ嗟木ψ寣W生讀圖作分析，忽略了讓學生知道并掌握這個圖表要在什么訴求下形成，什么情況下用別的圖表形式來呈現數據。而讓學生會選擇合適的方法分析數據，能更直觀地顯示數據分析結果，有助于提升判斷的準確性。教學中可以引導學生體驗在同種數據下各種圖表的產生和形成過程，比較數據分析方式的差異，找出最優數據分析方法，提升數據分析觀念。
通過讓學生對比各種類型圖表，學生會發現，柱狀圖比表格呈現稍微直觀一些，而折線圖比柱狀圖對波動的表現更為直觀。比較柱狀圖和折線圖，會發現柱狀圖較容易比較數據之間的差異，而折線圖在表示數量多少的同時，還可以反映同一事件在不同時間的變化情況。這種體驗分析，提高了學生辯證思考和分析問題的能力，學生能夠建立起在不同需求下分析處理數據的觀念，并知道如何選擇分析方法，然后依據數據的趨勢進行預測并給出合理建議。
4.課后鍛煉策略
觀念的形成不能一蹴而就，數學思維能力需要在不斷的鍛煉中獲得提升，使能力得到提高進而促進良好數據分析意識的形成，而良好的數據分析觀念能推動向應用能力的轉化。實際生活中有太多可以讓學生發揮數據分析意識去解決的問題，教師對學生的課后作業可以不用局限于教材教輔提出的練習，而是讓學生自主選擇一個主題，自己親歷提出問題，收集、篩選、分析數據并得出結論的過程。例如，對學生每天放學后從學?；氐郊业臅r間進行統計分析，調查身邊同學所喝礦泉水的品牌，看籃球賽時對不同隊員的投籃次數進行統計并分析等等。相比于埋頭在習題中，這些有趣的觀察記錄活動更能吸引學生的興趣，發揮主觀能動性去參與，也有利于培養學生全面、客觀、務實的數據分析意識。
參考文獻
[1]中華人民共和國教育部.全日制義務教育數學課程標準[M].北京：北京師范大學出版社，2011.
[2]張寧.初中生數據分析觀念發展水平及教學成因研究[D].重慶師范大學，2013.
［關鍵詞］會計信息管理；人才培養；數據分析
0引言
2012年以來，鋪天蓋地的大數據進入了我們的視線，各種流行書籍，各大網站、媒體都在談論大數據，一時間成為這個時代最熱門的話題。同時，這也引起了我們的關注。我們說，大數據，不單純是數據規模上的大，還在多樣性、速度、精確性上都有突破性增長。更重要的是，這種數據的潛在價值也是舊有數據難以企及的。我們這里暫且不論如何駕馭大數據以及有什么樣的技術要求，它給我們的一點重要啟示就是要注重數據分析的重要性。在此背景下，深圳信息職業技術學院會計信息管理專業積極探索滿足新形勢下人才需求的培養模式，使人才更好地滿足當前企業的實際需要。
1大數據時代背景引發對人才需求的變革
可以說，在未來的競爭領域，“占領市場必須先占有數據”，也就是要做到基于信息的決策———“用數據說話，做理性決策”，即進行數據分析。數據分析是從海量的數據中提取和挖掘出對企業有價值的規律和趨勢，為企業的決策提供支持，這些支持體現在四個方面：①行為預見鏡———幫助企業識別機會、規避風險；②問題良藥———幫助企業診斷問題、亡羊補牢；③跟蹤檢測———幫助企業評估效果，提升效益；④引力動力器———幫助企業提高效率，加強管理。不可否認，個別公司的決策人具有超人的戰略眼光以及敏銳的洞察力，單靠直覺也能給公司帶來巨大價值。那么究竟靠數據分析的決策能否優于直覺決策，我們這里也要靠數據說話。有學者比較了組織中用直覺決策以及用數據分析決策的可能性，研究發現，業績優秀的組織更多地傾向于采用分析決策，尤其是在財務管理、運營、戰略等方面。因此，可以推斷，用數據分析決策比直覺決策能給企業帶來更大的價值。與此同時，根據智聯招聘網站顯示，短短兩年時間，珠三角地區數據分析人才需求已接近了需求量旺盛的傳統會計專業?？梢?，越來越多的公司需要能夠對公司財務等相關信息數據進行處理、加工、分析以為公司管理層決策提供信息支持的人才?？梢哉f，傳統會計專業注重會計核算，即財務報表編制的整個流程及環節的掌握，而會計信息管理專業更注重對財務報表數據以及其他有用信息數據的再加工、處理、分析及呈報，以滿足管理層經營決策的需要?？梢哉f，不同的社會發展階段和發展水平要求有不同的專業設置及專業培養目標與之適應。從會計電算化到會計信息管理背后的推動力是時代的變革引發的對人才的需求。然而，從當前會計信息管理專業的建設情況來看，多數院校存在培養目標不清晰、沒有明確的專業定位、與會計電算化等專業沒有明顯區分以及缺乏明確的專業核心課程等突出問題，尤其是對會計信息管理專業名稱中“信息”二字究竟如何體現沒有清晰的把握和界定。因此，會計信息管理專業的人才培養模式亟需變革。
2大數據時代背景下會計信息管理人才工作崗位及能力分析
深圳信息職業技術學院2012年成功申報會計信息管理新專業，并于2013年下半年開始首屆招生。與此同時，會計信息管理的專業定位、培養目標、課程體系也成為擺在專業任課教師面前的重大課題。近幾年來，全體專任教師圍繞會計信息管理專業建設展開了一系列的咨詢、調研、走訪，并定期進行討論、交流，扎扎實實了解實際中的人才需求，實現專業人才供給與人才需求無縫對接。到目前，初步形成了具有專業特色的會計信息管理專業建設思路與方法。首先，會計信息管理專業人才就業崗位主要集中在賬務處理、管理會計、財務數據分析、預算管理、成本管理、資金管理及內部控制等方面。具體工作任務體現在：會計核算，納稅申報，管理會計，財務數據處理、加工、分析及呈報，以及預算、成本、資金管理等。其次，在新形勢下會計信息管理人才的工作崗位領域，會計信息管理專業人才應具備如下三方面能力：①會計核算能力，指的是熟悉并掌握會計信息生成系統，運用財務信息對企業經營活動進行評價；②數據分析能力，指的是掌握一定的數據分析方法，運用Excel、數據庫等現代信息技術手段對數據進行采集、處理、分析及呈現；③輔助決策能力，指的是能夠依據相應的數據分析結果，為公司日常財務等管理決策提供支持。
3大數據時代背景下會計信息管理人才培養目標
在當前互聯網時代及大數據時代，對財務人才的要求，已經不局限于傳統賬務處理，更傾向于對決策相關信息數據的處理和分析?！罢碱I市場必須先占領數據”，公司財務和經營決策的制定更多的是基于信息的決策，即“用數據說話，做理性決策”，而數據分析即是從海量的數據中提取和挖掘出對企業有價值的規律和趨勢，為企業的決策提供支持。因此，在新形勢下，會計信息管理專業的人才培養目標可以確定為數據分析引領財務決策信息化。為了實現這一培養目標，需要三個層面的支撐體系，即基于財務會計、強化數據分析、服務管理決策。
4大數據時代背景下會計信息管理人才培養課程體系
在以數據分析引領財務決策信息化的人才培養目標指引下，我們初步形成了如下三個層次的課程體系。
（1）會計學基礎課程：會計信息管理源于會計，不能脫離財務會計，仍然要以財務會計為基礎。專業學生要了解財務報表的生成過程及會計賬務處理流程、能夠對一般企業常見經濟業務進行會計處理、進行企業納稅申報等。這方面課程主要有：會計學原理、財務會計、納稅實務。
（2）數據分析技術課程：對信息的把握體現在兩個層面，其一是與企業信息化相適應的一般管理軟件、財務軟件的使用及熟練操作以及簡單維護，能夠作為關鍵人物輔助中小企業實現財務信息化；另一層面通過對數據的采集、整理、分析報告，滿足管理層基于信息的決策以及決策的科學化。數據的來源可以來自公司內部的管理信息系統，根據需要也可以來自企業外部的國家經濟產業政策、行業市場信息等。其中，對數據的分析能力又從兩方面進行培養，一方面是分析思維方式的培養，這是起主導作用的層面；另一方面是分析工具運用的培養，信息化時代，數據量的加大要求借助于一定的分析工具才能實現數據分析。企業信息化實施及數據分析方面的主要課程有：財務報表分析、財經數據分析、應用統計學、數據庫原理及應用、數據處理軟件應用、商務智能等。
（3）決策能力提升課程：新形勢下財務人員面對和服務的更多是企業的管理層和決策層，會計信息管理專業學生要清楚公司管理層和決策層需要哪方面的決策信息支持，并通過數據分析方法進行提供，同時給出合理化建議。這方面課程主要有：管理會計、財務管理、成本管理等。其中，財經數據分析課程能夠使學生掌握系統的數據分析方法，包括數據收集、數據處理、數據分析、數據展現及報告撰寫各環節的基本理論及操作技能，同時熟練地運用數據分析的思想和方法分析企業的財務數據，為管理層決策提供信息支持。數據分析軟件應用課程能夠讓學生熟練運用Excel等常見數據分析工具、軟件進行數據錄入、數據整理和數據分析的方法和技巧，培養學生操作Excel等數據分析軟件的基本技能。商務智能（含數據挖掘）課程依托商務智能平臺，從商務智能概念、商務智能結構、多維數據集內容、數據挖掘、交付等主要內容，使學生在了解如何運用商務智能的工具、架構以及規則的基礎上，分析企業數據，為企業管理層提供信息化決策支持系統。
5結語
不同的社會發展階段和發展水平要求有不同的專業設置及專業培養目標與之適應。從會計電算化到會計信息管理背后的推動力是時代的變革引發的對人才的需求。大數據時代下會計信息管理人才培養目標為數據分析引領財務決策信息化。相應課程體系為財務會計基礎課程、數據分析技術課程、決策能力提升課程。我們共同期待，會計信息管理人才將通過數據分析對企業財務等管理決策帶來價值增值。
主要參考文獻
［1］陳憲宇．大數據時代企業相關職位設置與人才培養［J］．經營與管理，2014（9）：43－47．
［2］譚立云，李強麗，李慧．大數據時代數據分析人才培養的思考及對策［J］．黑龍江科技信息，2015（3）：57．
