前言：中文期刊网精心挑选了大数据分析战略范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
大数据分析战略范文1
【关 键 词】 互联网；微信；大数据；平台化
“大数据技术与应用的产生发展，表明信息技术革命进入了一个新的转折点，数据资源真正与能源、材料等量齐观，共同推动人类社会的进步。更加广泛深入的大数据应用将出人意料的改变传统产业[1]。”由此可以看出业界共识：大数据的技术与应用方兴未艾，发展迅速。
虽然大数据在国内还处于初级阶段，但是商业价值已经凸显出来。手中握有数据的公司站在金矿上，基于数据交易即可产生很好的效益；同时，基于数据挖掘会有很多商业模式诞生，引发众多新的业态产生。
然而，我们知道，大数据的基本概念是通过快速获取、处理、分析以从中提取具有价值的海量、多样化的数据，正如《大数据时代》一书中提到的4V特点：Volume（大量）、Velocity（高速）、Variety（多样）、Value（价值）[2]。从大数据产业的角度看，其产业链应该包括大数据的采集与挖掘、组织与管理、分析与发现、应用与服务等环节。因此无论是从大数据的概念还是从产业链的角度，我们都可以发现，大数据的关键环节是巨量数据的采集与挖掘。数据采集与数据挖掘涉及众多技术与方法，通过观察与分析腾讯微信平台功能的扩展，发现平台化应该是数据采集与挖掘的关键。
腾讯最近更新了微信5.2版本，打开新版微信，欢迎界面回顾了微信3周年的发展历程，里面记录了微信功能扩展的一个个里程碑――“语音聊天”、“摇一摇”、“朋友圈”、“飞机大战”、“微信支付”等。从这些所谓里程碑的应用扩展，可以管窥腾讯的大数据策略。很多人原以为微信只不过是加入语音的QQ，到后来发现微信迅速涉足了游戏、在线支付，以及依托春节推出“理财通”这个与淘宝的“支付宝”相抗衡的金融工具，人们才真正发现，微信根本不是什么QQ的亲兄弟，而是腾讯在不知不觉中构建的一个大型社交生态平台，这个平台就是大数据平台，依托这一平台，腾讯才真正采集和挖掘了近5亿用户的相关数据。
众所周知，平台化的应用对于数据收集十分方便。由于同处一个平台上，各个分支模块的数据一般会存在一台相同的机器上，互相提取数据显然比独立时要方便许多，还能节省很多信息成本。比如，微信在没有整合入游戏功能之前，腾讯要收集有关游戏方面的数据，就不得不去寻求一些游戏应用开发公司的支持。这一过程，公司不仅需要支付昂贵费用，而且所获数据不一定准确和适用。仍拿微信和游戏公司比较，游戏公司的主攻方向是怎么把游戏情节设计得更加吸引人，画面做的更加炫酷、质量更好，故很多数据都集中在有关游戏设计本身的各个参数上。但作为一个社交平台的微信显然更关心的是人们喜欢玩哪些类型的游戏、人们什么时候会玩游戏、人们一般花多少时间玩游戏等等这些偏用户信息类的数据，需求和取舍不同，有关数据的标准也不同；而如果将游戏应用整合到一个平台上来，那平台管理团队就可以更具针对性的采集数据了，数据的可信度也就有了保证。
同时，平台化有利于数据采集的标准化、规格化。因为来源于同一个平台的数据，存储起来就可以是标准和规格的数据。这既方便数据的提取、检索，更为重要的是，标准化、规格化的存储格式给今后的数据挖掘效率带来了保证。作者曾经动手编写过一项有关数据挖掘的程序，先编写数据挖掘算法程序，然后读入几组“大数据”进行正确性和效率的验证。结果在算法设计及优化上花的时间不多，倒是花在处理数据输入上费了一番功夫，原因就是给的测试数据格式不确定――数据数值之间的空格数不定，有的数据每一行是以windows标准的’＼r＼n’结尾，有的却以linux标准的’＼n’结尾；验证起来难度很大。有时候，可能程序运行的数据不是原始数据，一开始就错了，最终程序走不通。因此，如果数据本身是以一种比较标准的格式存储的，甚至是用更高效率的数据结构存储的，这对于数据的挖掘应用，就会更加高效和正确。
当然，平台化也给数据挖掘提供了新思路、新价值。[3]“大数据的核心是挖掘出庞大的数据库中独有的价值 ”，重点是要挖掘不同类数据之间潜在的联系，即“交叉数据”的价值。微信平台上有“滴滴打车”应用，还有微信支付支持的电子商城和电影票购买业务。“滴滴打车”应用可以获取两大关键数据，即地点和时间。地点即使用打车应用之前要告知的目的地，时间则是根据路况信息推算出乘客在出租车上大概花费的时间。有了地点，服务器可以马上从平台上搜寻与目的地距离较近的商城或电影院，然后根据乘客的乘车时间推送一定长度的优惠促销信息吸引用户消费。这里，“滴滴打车”的数据分析结果对于商城销售商品发挥了重要作用。另外，像微信这种社交平台，对于游戏设置本身信息的关注可能不多，更关心的是反映用户使用习惯的数据，比如用户每天在什么时候打开游戏，一般愿意花多长时间在游戏上。诸如这样的数据，表面上看反映的是用户玩游戏的习惯，但思路再放开一点，游戏其实是一种放松娱乐的方式。加之，微信平台设置的网游不像大型网游，只是一些小游戏，往往是人们无聊的时候随手玩一两局，玩游戏的时间反映了一个人感到无聊的时间。然而，人们无聊不一定只能玩游戏啊，可能也会愿意看一两篇小文章、小短片来消遣。于是，腾讯大数据平台可以借此在用户无聊的时间里，推送一些小容量小的文章、图片、视频，甚至是小广告，这样游戏应用的数据又产生了难以估量的商业价值。
当然，腾讯具体如何挖掘数据，作者没有深入调查，但从微信平台采集的数据，腾讯完全可以做点大文章。冯小刚拍摄的《私人定制》上映后，结果“私人定制”很快成为一种很火的销售方式，因为针对每个人特定条件、需求的精准营销，专为“私人定制”的商品和服务受到越来越多人的青睐。要想真正做得精准，更加“私人”化，关键在于私人数据的充分挖掘。而平台化的应用，有利于公司整合相关数据，进行更加深入、系统的挖掘与分析，从而使“私人定制”成为可能。作者猜想，腾讯未来一定会借助平台化这一“大数据”挖掘利器，将更多、更广的应用整合到微信平台上，比如说被常用来作为收集、分析数据的搜索和地图工具，也许不久的将来，就会出现在手机的微信应用里。
上述分析，足以说明，腾讯的微信平台是其大数据战略的重要支点。凭借这一支点，腾讯在大数据应用方面必将走在国内众多机构与企业的前头。
其实，采用平台化策略，推动大数据产业的不仅仅是腾讯；国外的facebook、twitter，以及我们熟悉的Google，实际上都是先构建了一个大数据采集平台，然后对海量数据进行深入挖掘分析，最终形成大数据应用的。
平台化战略就是数据整合以及标准和规范的战略。大数据的前提是如何更好地整合巨量数据，没有巨量的数据资源，难以构建大数据应用，更难以形成大数据产业链。采集到了巨量数据，如果没有数据的标准化、规范化，如果不能将非结构化数据转变成结构化数据，如果不能方便快捷地挖掘出不同数据之间的关联性，也难以实现真正的大数据应用[4]。
由此，作者认为，平台化是大数据战略实施的关键，有一个良好的数据整合平台，才能真正构建良好的大数据应用。无疑，拓展大数据应用，发展大数据产业，首先要考虑的是构建一个能够实现数据采集与挖掘的大数据平台。
参考文献：
[1]《中国信息化》杂志2014年第1期第5页
[2]麦肯锡研究报告：《大数据：下一个创新、竞争和生产率的前沿》，2011年5月。
大数据分析战略范文2
大数据时代的来临，对于企业传统的运作模式和管理模式都提出了严峻的考验，时代的发展速度逐步提高，企业的管理模式也应该紧跟时代的发展步伐。只有这样才能够让企业不断的进步发展。2012年以来，以美国为代表的西方发达国家纷纷出台了针对于企业的大数据发展战略，大数据时代背景下企业管理模式创新已经成为全球商界普遍关注的热点问题。在大数据背景下调整企业自身的管理策略，通过电子数据分析消费者的消费习惯和相关用户信息，开发能满足客户需求的消费品，对于企业制定科学的战略决策，具有重要的理论意义与实践意义。国际国内知名的电子商务平台都利用自身的计算机科学技术分析与消费者消费行为有关的数据信息，并且投入了大量的人员与技术，这是使得互联网公司规模不断扩大的重要手段。因此对于大数据背景下企业管理创新的研究具有重要意义。
一、大数据和企业管理的相关概述
1.大数据的概念。所谓大数据就是庞大的数据信息，通过常规的软件工具无法在短时间内完成搜集、筛选、分析但对企业进行战略决策具有重要经济价值的信息。大数据的特点主要包括以下几点：高速、大量、多样、精确。随着信息技术的不断发展，在大数据背景下通过电子计算机对大数据进行数据分析，搜集与企业经营有关的数据，使用数学方法进行分析与建模，挖掘数据信息背后隐藏的经济价值，已经成为当前企业经营管理过程中的重要行为。对大数据进行计算分析能够得出对于企业经营决策具有战略价值的信息，对于提高企业战略决策的科学性和准确性具有重要意义。
2.企业管理的概念。所谓企业管理就是指对企业生产经营过程中所必须的计划、组织、经营、指挥、协调等一系列行为的统称。就管理对象的属性进行区分，可以将企业管理分为行为管理和业务管理。企业管理创新也需要从行为和业务两方面着手实施。企业管理和人力资源管理相辅相成。在经营企业的过程中，只有保证企业不断向前发展，才能够确保企业中所有的员工都能够不断进步。
二、大数据时代企业管理创新
1.企业管理模式。所谓企业的管理模式就是指管理者对企业进行经营管理的方式。管理模式是建立在以管理人性为基础的管理理念、内容、制度、程序、方法的统称。管理模式应该适合企业的发展需求，同时还能够确保企业可以科学有序的取得利润。
2.企业管理模式创新。在大数据时代背景下，充分运用互联网技术，能够确保企业获得巨大的商业利润。为了能够更好的发挥大数据的优势，需要企业根据时代的变化合理的转变企业的经营管理模式，提高自身的行业竞争力。利用大数据为企业创造更多的经济价值。根据大数据的时代特点，企业转变自身的管理模式应该注意以下几点：首先，限制传递媒介对企业内部信息外泄。对于企业而言，内部信息意味着重要的商业秘密和巨大的经济价值。因此应该对企业内部网络和社交软件给予必要限制，避免企业内部重要信息泄露。其次，充分认识到数据信息的价值。企业应该投入大量的人力和资金，加快升级数据分析能力，在这个掌握数据信息就掌握主动权的时代，企业管理者应该重视对有价值信息的分析，将其分析结果应用于企业经营决策之中，只有这样才能够充分挖掘企业的内部价值。最后，企业应该建立企业内部信息交流平台。企业应该利用社交软件，增加员工之间的沟通交流，这样就能够大幅度提高企业办事效率，但是应对信息交流做出必要限制。
三、大数据背景下企业经营管理中存在的问题
1.落后的企业决策方法有待创新。大数据背景下，企业制定战略决策需要以数据分析后得到的信息为依据，对云端数据进行分析加工，同传统的逻辑推理存在较大区别，其需要对庞大的数据群进行搜索、比较、分析、加工并归纳总结，找到数据群之间的关联性，以此来构建企业战略决策支持系统。寻求对企业战略决策具有价值的隐藏信息。从同企业经营相关的数据信息中挖掘能够帮助企业增加盈利的信息，就能够为企业战略决策提供支持。
2.企业决策模式跟不上市场变化。当前多数企业进行战略决策往往遵循数据搜集、调查取证、数据分析、分析论证、方案选择与评估等步骤，该流程耗时较长，决策程序较为复杂，因此严重影响企业战略决策的速度。常常会导致企业丧失重要的发展机遇。在大数据时代，企业应该通过互联网信息技术，制定科学合理的战略决策，简化决策程序已经企业管理改革的重点工作。简化决策流程才能够让企业更好的把握机遇，迅速做出战略决策，抢占先机才能够先他人而动。让企业在激烈的市场竞争中保持核心竞争力。因此企业应该改变传统的决策模式，简化决策流程，提高数据加工的速度和质量，确保企业能够及时作出选择。
3.难以甄别有经济价值的数据信息。呈爆炸态势增长的互联网数据，已经超出了当前我国企业对数据的加工、分析能力范畴。呈井喷态势增长的云端数据库，无形中增大了企业数据分析的工作量，传统的数据分析、数据挖掘技术已经不能挖掘出对企业有用的信息，并且通常还会干扰企业进行战略决策。企业在进行战略决策的过程中，采用何种方式对数据信息进行加工处理，已经成为影响企业战略决策质量的重要因素。只有筛选出具有价值的数据信息，才能够确保企业战略决策更加科学合理。
4.市场环境更加复杂。为企业提供具有价值的决策信息，需要对云端的数据进行数据分析，随着云端数据的不断增多，与企业相关的数据信息也呈指数增长，对于数据的加工处理、分析、存储，客观上要求企业能够不断提升数据的整合能力和分析能力。只有建立在高速、高质基础上获得的数据分析信息才是有价值的。在当前大数据背景下，庞大的云端数据库，错综复杂的外界环境都对企业战略决策信息的获取造成的干扰，从而影响企业制定科学合理的战略决策，影响企业对大数据的分析管理，从某种程度上讲增加了企业战略决策的难度。
四、在大数据背景下应对企业经营管理问题的对策
1.改变传统决策方法。对数据进行加工处理的过程中，应该对云端数据进行结构化管理，从中筛选出可用的数据信息，并引用可视化技术对数据进行模拟，从而确保数据信息的可靠性和有用性。应该摒弃传统的决策思路，选择从数据加工直接到战略决策的捷径。在进行数据分析过程中应该明确数据变量的内涵，对于不确定的数据建模分析，减少企业决策风险，提高战略决策的科学性和合理性。
2.升级企业大数据集成系统。为了简化数据分析工作量，提高数据分析质量，在利用云计算和数据挖掘技术的同时，还应该做到高效数据分析，做出科学合理的预判，只有这样才能够确保企业应对外界环境的变化，因此企业应该升级企业大数据集成系统，不同的企业应该构建适合企业发展规模的信息数据集成系统。
3.充分利用数据挖掘技术，提高数据分析质量。企业在获取大量云端数据之后，应该通过数据清理技术，清除掉不必要的冗杂数据，对数据进行科学的鉴别和筛选，利用数据集成技术构建数据仓库，采用多维数据压缩方式消除数据在空间、属性、时间方面的差异，提高信息搜索的质量，获取更具价值的信息。一来能够减少不必要的资源浪费，二来能够提高数据分析能力。企业还应该畅通渠道，让企业能够快速获取与企业相关的云端数据，由此对客户的消费行为和消费习惯进行判断，这有利于开发市场，更好的满足消费者的需求。
4.建立企业内部决策系统，优化决策程序。建立内部信息交流平台，有利于信息的传播，提高战略决策效率。良好的信息沟通是实现优质的战略决策的前提条件，优化信息交流平台，加快信息传播的效率，鼓励企业管理者参与到信息交流平台中来。减少信息链的长度，是减少信息沟通时间的重要影响因素，对于简化内部管理决策程序具有重要意义。通过虚拟网络平台来提高企业战略决策管理，同时还应该不断规范信息传递的途径，优化决策程序。
五、结论
综上所述，在大数据时代的到来，对于企业发展既是机遇，又是挑战。对于大数据背景下企业管理模式的研究也会逐步深入。改变传统的决策方法;充分利用数据挖掘技术，提高数据分析质量;不断升级企业大数据集成系统;建立企业内部决策系统，优化决策程序是改善当前企业经营管理中遇到问题的重要手段。于此同时，国家还应该针对大数据背景下，制定企业经营管理的法律法规，这具有重要的理论意义和实践意义。
大数据分析战略范文3
关键词：大数据;电力物资;招标采购;规划
随着经济社会的发展，大数据作为重要的战略资源已经在全球范围达成共识。2011年，一些国际组织便报告称看好大数据；2012年开始，英国、法国、美国等国家相继启动了大数据发展规划。国内，以大数据为主导的信息化浪潮来势凶猛。2014年3月，大数据被写入政府工作报告；2015年8月，国务院印发《促进大数据发展行动纲要》，特别强调通过大数据的发展，提升创业创新活力和社会治理水平；2015年10月，十八届五中全会提出，实施国家大数据战略。如今，在城市建设、金融、电子商务、公共服务等领域，大数据的应用随处可见，并正在改变着各行各业。一个大数据的时代已然来临。而对于招标采购行业来说，研究和应用大数据是提质增效、实现精益化管理提升的迫切要求。笔者所在单位属于电网行业，2014年起，在集团公司内部的物资采购管理要求和历史采购数据的基础上，结合已有大数据应用研究成果，建立了物资全供应链条上的大数据应用规划和蓝图。本文就电力物资招标采购管理大数据应用规划进行探讨。
一、大数据在招标采购管理
中的应用规划研究思路由于大数据在物资管理领域的研究处于起步阶段，缺乏成熟的应用理论，现有理论无法直接应用于招标采购大数据分析中。根据招标采购管理业务的特点，大数据在招标采购管理中的应用需实施“四步走”战略。第一步，历史采购数据挖掘和诊断。基于信息化平台和历史采购数据，对大量无序、杂乱的数据进行梳理诊断，包括数据分类整合、数据质量分析、数据应用需求分析、数据应用价值分析，为大数据分析提供数据基础；第二步，根据招标采购业务的特点，结合实际业务需求调查情况，提出大数据可能应用的方向，甄选出大数据应用点，并将其系统性、体系化地在招标采购业务流程中串联，随业务流程进行场景化应用；第三步，对甄选出的大数据应用点进行评估分析，运用定性与定量分析两种方法判断大数据应用点的优先顺序；第四步，对招标采购大数据应用点的开展进行规划和分析，提出大数据在招标采购管理中的实施方案。
二、规划制定方法和过程
（一）历史采购数据挖掘和诊断
招标采购业务流程中，涉及需求预测、计划申报、招标采购、专家管理、供应商管理等不同的业务环节，每项关键业务环节都有丰富的数据基础，这为数据分析提供了基础。将所有历史采购数据进行汇总、梳理，站在物资供应链条的高度，将零散杂乱的字段归类整理成若干类别。在数据整合分类的基础上，对数据质量进行分析。通过资料分析、访谈调研、问卷调查等多种途径，了解招标采购管理人员对于大数据分析方向的潜在业务需求，为大数据应用点的提出建立基础。
（二）大数据在招标采购业务中的应用
结合招标采购业务的特点，甄选相关大数据应用点，在招标采购业务场景中进行串联，随业务流程进行场景化应用，进而提高招标采购业务的管理水平。结合调研访谈、问卷调查结果，招标采购业务流程共包括物资分析、招标分析、供应商分析、专家分析四个分析范畴，甄选出十四个大数据应用点，分为事前和事后两个时间阶段。具体见图1。事前阶段，通过一系列大数据分析点，为物资采购准备基础参考。通过集采物资范围分析和策略性物资分类分析，优化物资分类方法；通过招标分包策略分析和评标方法分析，确定最优的分包策略和评标方法；通过供应商分类管理、供应商综合评价、供应商行业对标分析、潜在供应商及产品信息分析，为供应商的最优选择和快速匹配提供基础；通过评标专家综合评价，为评标专家的选取提供依据；将物资分析与招标分析相结合，通过物资类别与招标方式匹配分析，为每个物资品类提供最合适的招标方式。事后阶段，通过一系列大数据分析点，总结和分析物资采购规律。通过重点物资报价规律分析，总结重点物资的投标报价规律，优化价格评分公式；通过中标率分析和中标占比分析，对中标结果进行总结分析；通过供应商投标行为分析，根据供应商投标历史行为判断疑似违规现象，为围标、串标行为提供预警判断。
（三）大数据应用点评估
对于招标采购业务流程中的每一个大数据应用点，运用定性评估分析和定量评估分析两种方法，评定该应用点的优先地位。在定性评估分析中，对于每一个大数据分析点，基于对业务流程的了解和对数据现状的梳理，从应用价值、数据需求、可行性分析、优先级评价四个角度进行评估分析。综合考虑应用价值和可行性两个维度，将全部大数据分析点划分为四个优先级：应用价值高、可行性高的，属于第一优先级；应用价值低、可行性高的，属于第二优先级；应用价值高、可行性低的，属于第三优先级；应用价值低、可行性低的，属于第四优先级。在定性评级分类的基础上，运用层次分析法对大数据应用蓝图中的数据分析点进行定量评价分析。层次分析法是将与决策有关的元素分解为目标、准则、方案等层次，通过定量分析确定层次权重的多目标综合决策方法。在运用层次分析法对国网物资全供应链大数据应用蓝图中的数据分析点进行评价排序时，按照以下步骤流程进行：构造层次结构模型、专家打分、构造成对比较矩阵、计算权重向量并进行一致性检验、计算组合权重向量并进行一致性检验。
（四）大数据在招标采购管理中的实施方案
通过对大数据应用点进行全面的评估分析，结合定性分析和定量评估的结果，确立大数据应用实施方案。依据四个优先级的划分和权重数值高低，将大数据应用分为三个实施阶段，确定开展实施大数据的首要目标、短期目标和中长期目标。首要实施目标对应于第一优先级，共有五个应用点；短期实施目标对应于第二优先级，共有两个应用点；中长期实施目标对应于第三和第四优先级，共有七个应用点。在每个实施阶段，参照定量评估结果确立的优先顺序开展实施。电网公司招标采购业务大数据应用点实施规划，如表1所示。大数据应用的首要目标是第一优先级中应用价值高、可行性强、实施周期短的分析点，以此作为切入点，预期能在最短的时间周期内实现物资业务管理水平的提升。短期目标是第二优先级中可行性较强、难度不大、应用价值也比较高的大数据应用点，预期通过5年的大数据应用实施。中长期目标是第三和第四优先级中实现难度大、实施周期长的大数据应用点，通过未来若干年的数据改进、技术积累和人才培养，争取在10年内实现大数据应用点全部落地，全面推广实施招标采购业务大数据应用。
三、大数据应用规划实施的保障
体制机制建设、标准化建设、人才队伍建设是物资管理三项基础体系建设，大数据工作的开展实施，也应当落实到三项基础体系建设中，分别从数据应用需求、业务数据质量、技术攻关能力三个方面加以改进。
（一）重视体制机制建设，提高数据应用需求
体制机制建设是保障大数据应用工作持续顺利开展的基础，在物资业务管理实践中，应当建立起基于数据分析的常态化绩效考核，设计专门的考核指标，对各层级单位、部门通过大数据应用辅助业务执行的情况进行考评，并与单位、部门的工作业绩直接挂钩。通过这样的体制机制建设，提高大数据应用的工作需求，为各单位、部门的大数据开展实施提供动力。
（二）重视标准化建设，提高业务数据质量
大数据分析的实现是以数据支持作为基础，业务数据质量的提高离不开数据管理体系的标准化建设，大数据应用体系的构建也必然以标准化的数据管理体系作为基础。大数据分析属于数据的应用层面，是建立在数据收集和数据加工的基础之上的。在物资数据的管理流程中，通过对数据的一步步挖掘，数据的利用深度逐级加深，最终通过可视化呈现手段，为物资决策提供辅助参考信息。
（三）重视人才队伍建设，提高技术攻关能力
大数据分析战略范文4
关键词：农经专业；数据分析；教学改革
2019年12月，农业农村部、中央网络安全和信息化委员会办公室关于印发《数字农业农村发展规划（2019-2025年）》的通知，部署了用数字化引领驱动农业农村现代化，加快农业农村生产经营、管理服务的数字化改造的发展战略，将全面提升农业农村生产智能化、经营网络化、管理高效化、服务便捷化水平作为农业农村发展的目标[1]。农业农村的数字化建设离不开专业人才的培养。农林经济管理专业毕业生的就业方向主要有农业经营单位、面向农业农村的政府管理部门、事业单位、科研院所等。随着农业农村数字化发展战略的推进，给传统的农经人才培养带来了一系列的挑战[2]。在数字经济和智慧农业的时展背景下，数据分析能力是农经专业学生重要的核心竞争力。如何提升农经专业学生数据分析能力，是农经专业人才培养中面临的重要课题[3]。
1农业农村数字化发展战略给农经人才培养带来的挑战
1.1对农经人才的数据思维的更高要求
在大数据时代，无论是农业生产经营活动，还是农村的行政管理中都有大量的数据资源。农业企业、农业合作经营组织、农产品产销数据、农产品溯源数据为农业经营者提供了生产、物流、销售环节大量的数据资源。经营者需要认识到数据是一种新的生产要素，要调动数据作为生产要素的属性，让数据分析为管理决策服务[4]。在数字中国的建设进程中，各级政府部门工作人员通过各级各部门的行政管理智能，收集了大量省、市、区、县级的区域经济社会发展数据。社区网格化管理下收集了微观层面的农业经营单位数据、农村常住人口数据、医保数据、扶贫数据、农村小额信贷数据。这些数据资源是政府提高行政效率、提高政务服务质量的宝贵资源。
1.2对农经人才的数据分析能力的更高要求
在大数据时代，每天都有海量数据生成，如何能更好地利用这些数据，让数据能发挥其为管理决策服务的功能，与数据使用者的数据分析能力是密切相关的。例如，农业经营单位在农业生产环节的农业投入数据、农产品销售数据、电商平台的客户反馈评论、农产品库存的动态数据，如何整合分析这些数据，要求农业经营者系统掌握数据分析、数据挖掘、文本分析等多元化的数据分析方法。政府管理部门掌握的农业人口的迁移数据、农村常住人口网格管理数据、农村居民医保数据、扶贫数据等，数据类型丰富，数据量庞杂，如何实现数据库的整合，要求政府部门工作人员掌握数据库管理、大数据分析技术。
2农经专业数据分析课程群建设中存在的问题
2.1课程之间连贯性不足
以笔者所在的高校为例，为农经专业本科生开设的数据分析类课程，见表1。数据分析课程群包括了通识教育、专业教育和实践教育。从目前的课程设置来看，涵盖了数据库、统计学、经济计量学、多元统计、大数据分析等领域，内容丰富。数据库应用由计算机学院开设，是一门通识教育课程，在授课时教师往往将其视为一门计算机类的入门课程，在教学中没有针对农经专业学生的特质，将数据库的教学与其在农经领域的应用结合起来。学生在学习中往往会觉得该课程与专业联系不够紧密，教学内容枯燥，缺乏学习兴趣。
2.2学生学习的软件种类繁多，但不够深入
在统计学和多元统计课程中，学生将学习EXCEL、SPSS或者R语言的应用，在经济计量学课程中学生将学习Eviews或STATA的应用，在数据挖掘与大数据分析课程中学生将学习Python语言的应用。在每一门课程中学习的软件都不同，对于软件的学习缺乏连贯性和延续性，虽然学生接触的软件种类多，但是由于学时所限，每一种软件都只是入门级的介绍，无法进入到深度学习。
2.3与专业课学习联系不够紧密，缺乏应用机会
学生缺乏在专业课学习中运用数据分析类课程所学知识的机会。数据分析类课程主要介绍数据分析方法和软件的应用，但大部分都安排在第5学期和第6学期。学生在学习了数据分析方法后，缺少在专业学习领域里运用这些方法的机会。例如学生若要完成产业经济学、农业技术经济学、农产品国际贸易学的专题研究、课程论文，需要用到统计学、经济计量学、大数据分析的方法，但在第2-4学期开设大量专业课的学期，数据分析类课程还没有开设。若能将数据分析类课程尽量靠前安排，学生可以在后续的专业学习、课题研究中运用所学的方法，一方面夯实数据分析技能，另一方面也可以增加学生对专业课的学习兴趣。
2.4排课不够科学
在大三阶段，学生可以选修多元统计、数据挖掘与大数据分析、Python语言三门选修课。但到了大三，学生专业课的学习任务重，选修课种类考虑繁多，学生选课可能出于兴趣、学分安排或者准备考研保研考虑，并不是每一位同学都会选修上述课程。尤其是计算机能力不太强、对数学类课程感到困难的同学，会倾向于选择难度小的课程。
3基于项目驱动式教学理念的数据分析课程群改革
3.1开展项目驱动式教学的意义
项目驱动教学法是基于行动导向的探究式教学方法，是将真实的或模拟的项目转化为教学项目，结合课程内容将项目分解为若干工作任务，创设工作情境，引导学生完成任务，进而实现项目教学目标的教学活动[4-5]。项目驱动式教学法最显著的特点是“以项目为主线、教师为主导、学生为主体”，改变了以往“教师讲，学生听”被动的教学模式，完善了学生主动参与、自主协作、探索创新的新型教学模式。与传统教学方法相比，教学实施过程中，学生的目标更清晰明确，可避免传统课堂教学的被动性，进而提高学生学习知识的兴趣和主动性[6]。在数据分析课程群中引入项目驱动教学，一方面能让学生运用所学的数据分析方法分析现实问题，创设数据分析情境，加深对所学方法的理解和运用，激发学习兴趣，培养自主学习能力；另一方面也可以有针对性地创设围绕“三农”问题的数据分析项目，让学生从数据分析中加深对“三农”问题的感性认识，培养对农经专业学习的兴趣，提升对农经专业的认同度。具体来讲，可以从以下方面开展对数据分析课程群的改革[7]。
3.2统筹规划教学内容，加强课程间的连贯和递进
农经专业数据分析课程群目前主要包括必修课数据库应用、统计学和经济计量学，选修课多元统计、数据挖掘与大数据分析，以及实践课R语言与统计应用、Python语言。统计学教学的重点在于对基础性的统计方法的运用，经济计量学教学的重点在于让学生掌握经济计量分析的范式，如何利用经济计量模型开展实证分析。多元统计强调对复杂多维数据信息的提炼。数据挖掘与大数据分析教学的重点在于大数据时代数据挖掘方法的应用。此外，针对于目前学生所学的软件门类过多，软件操作不够熟练，建议在统计学、多元统计、数据挖掘大数据分析中统一采用R语言进行教学，让学生通过几门课程的学习，能够熟练掌握一种统计分析软件。
3.3基于项目驱动对教学内容进行整合及优化，调动学生主动参与
例如统计学课程介绍了基础性的统计分析方法，在后续课程经济计量学、多元统计、数据挖掘与大数据分析中引导学生运用基础性统计分析方法，对数据进行初步的统计分析和整理，为经济计量分析、多元统计、数据挖掘做好数据处理上的准备，让学生体会到关联课程中所学知识的联结。鼓励学生积极参与“三下乡”活动，开展田野调查实践，围绕“三农”开展调研，运用统计和计量方法对调研数据进行分析，鼓励学生参与到教学中来，培养学生的学习兴趣，学以致用。
3.4建设“项目驱动”实践教学模块
结合农经专业课程体系，建设数据分析课程群“项目驱动”实践教学模块。在农经专业的课程体系中开设的农业经济学、农产品贸易、农村社会学等专业性课程对大量的“三农”问题进行了探讨，这类课程中涉及的城乡差异问题、收入和消费问题、农产品价格波动、农产品贸易等现实问题的研究，都离不开基于现实数据的定量分析。因此，在农经专业的数据分析课程群中可以结合教学内容引导学生对专业课学习中热点问题的研究，围绕课程教学大纲，建设“项目驱动”实践教学模块，理论联系实际，让学生在研究项目中运用所学的数据分析方法，加深对专业知识的理解。
4农经专业数据分析课程群优化方案
在大数据时代，数据分析能力是学生的核心竞争力之一。数据分析类课程在建设中要强调理论与实践的结合，不能只是将教学停留在课堂上，引入体现专业特色的实践教学环节。可以从以下几方面开展数据分析课程群的优化：第一，数据分析基础类必修课安排在大一学年。在第1学期，可以安排R入门、Python入门、数据可视化课程，让学生尽早接触当前主流的数据分析软件，激发学生对R或Python的学习兴趣，让学生自我拓展学习空间。R入门、Python入门、或者数据可视化课程都属于数据分析的基础课程，无需其他先修课程。在这一时期，让学生开始接触数据分析软件，学习数据可视化的分析工具，有利于培养学生的数据思维、数据意识和软件实操能力。第二，将与农经专业课有关的专业必修课统计学、经济计量学安排在第3-4学期学习。统计学课程需要学生先行修读高等数学和概率论课程，经济计量学需要学生先行修读微观经济学、宏观经济学，因此可安排在第3-4学期。让学生在掌握了一定经济管理专业知识后，可以更好地体会统计学、经济计量学方法论学科的应用价值。第三，将数据分析进阶类选修课多元统计、大数据分析、数据挖掘、机器学习等课程安排在第5-6学期。为高年学生提供丰富的数据分析类选修课，让学生结合自己的兴趣、未来的发展规划学习更加多元化的数据分析技术。鼓励学生能在专业论文习作、学科竞赛中有更多的机会运用自己所学的数据分析方法，增加学生的收获感和成就感，挖掘学生的学习潜力。第四，改革课程考核评价体系，采用项目式管理和评估的思路，由学生自主开展一个数据分析项目，从收集数据、提出问题、分析数据到提炼研究结论，开展小组团队成员互评。教师跟踪学生的项目开展过程，从学生的学习态度、投入程度、数据分析质量等综合评价学生的学习效果。
5结束语
将项目驱动教学引入到农经专业数据分析课程群的建设，让学生参与到教学中去，突破传统教学中“教师教学生学”的局面，让学生通过参与项目，运用数据分析方法解决项目中的实际问题，激发学生的学习兴趣和潜能，让学生体会到所学知识的应用价值，让学生不再对数据分析类课程望而生畏。本文的研究对于农经专业学生数据分析能力的培养有重要的意义，强调理论与实践的结合，提高学生数据分析的高阶能力，也能为同类课程开展项目驱动教学提供借鉴。
参考文献：
[1]农业农村部中央网络安全和信息化委员会办公室关于印发《数字农业农村发展规划（2019-2025年）》的通知[EB/OL].（2019-12-25）[2020-4-14].
[2]李虹贤.农业经济管理专业人才培养模式创新研究与实践[J].智慧农业导刊，2022，2（7）：110-112.
[3]冯开文，陶冶.农业经济管理专业实践教学改革———以中国农业大学经济管理学院为例[J].教育现代化，2017，4（23）：54-56+63.
[4]杜洪燕，陈俊红.乡村振兴背景下中国数字农业高质量发展路径研究[J].南方农业，2021，15（21）：213-214.
[5]金娥.基于项目式学习的《现代教育技术应用》课程学习框架的设计与实践研究[D].武汉：华中师范大学，2021.
[6]胡静，王昌凤.基于应用型本科人才培养目标的项目式教学模式构建[J].教书育人（高教论坛），2022（9）：59-64.
大数据分析战略范文5
这一候选发展趋势得到了委员们最多的关注。数据的资源化是指大数据在企业、社会和国家层面成为重要的战略资源。2014年大数据将成为新的战略制高点，是大家抢夺的新焦点；大数据将不断成为机构的资产，成为提升机构和公司竞争力的有力武器。
2.大数据隐私问题
大数据对于隐私将是一个重大挑战，现有的隐私保护法规和技术手段难于适应大数据环境，个人隐私越来越难以保护，有可能会出现有偿隐私服务，数据“面罩”将会流行。而且预计2014年将会颁布关于大数据隐私的标准和条例。
3.大数据与云计算等深度融合
大数据处理离不开云计算技术，云计算为大数据提供弹性可扩展的基础设施支撑环境以及数据服务的高效模式，大数据则为云计算提供了新的商业价值，因此从2013年开始大数据技术与云计算技术必然进入更完美的结合期。总体而言，云计算、物联网、移动互联网等新兴计算形态，既是产生大数据的地方，也是需要大数据分析方法的领域。
4.基于海量数据(知识)的智能
2014年将会有更多基于海量数据(知识)的智能成果出现，甚至有可能产生人工大脑。至少类似于Chinese Room这样的问题将得到彻底解决。因为所有人们能想到的问题，在问之前就都已经被人回答过了，所以，即便在没有思考和逻辑的情况下，也可以利用前人的经验同样可以起到脑的功能，甚至也可能通过大数据直接进行推理。
5.大数据分析的革命性方法
在大数据分析上，2014年将出现革命性的新方法。就像计算机和互联网一样，大数据可能是新一波的技术革命。基于大数据的数据挖掘、机器学习和人工智能可能会改变小数据/小世界里的很多算法和基础理论，这方面很可能会产生理论级别的突破。
6.大数据安全
大数据的安全令人担忧，大数据的保护越来越重要——大数据的不断增加，对数据存储的物理安全性要求会越来越高，从而对数据的多副本与容灾机制提出更高的要求。进入2013年，网络和数字化生活使得犯罪分子更容易获得关于人的信息，也有了更多不易被追踪和防范的犯罪手段，可能会出现更高明的骗局，也就是说大数据已经把你出卖。
7.数据科学兴起
2014年数据科学作为一个与大数据相关的新兴学科出现，将有专门针对数据科学的专业形成，有博士、硕士甚至本科生出现。同时，有大量数据科学的专著出版。
8.数据共享联盟
数据共享联盟将在2014年逐渐壮大成为产业的核心一环。数据是基础，之前在科技部的支持下，已建立了多个领域的数据共享平台，包括气象、地震、林业、农业、海洋、人口与健康、地球系统科学数据共享平台等。之后，数据共享将扩展到企业层面。
9.大数据新职业
大数据将在2014年催生一批新的就业岗位，如数据分析师、数据科学家等。具有丰富经验的数据分析人才成为稀缺资源，数据驱动型工作机会将呈现出爆炸式的增长。大数据领域最优秀的科学家们纷纷转行股票、期货、甚至赌博(能比别人多看远一秒钟，就是效益)。
大数据分析战略范文6
北京永洪商智科技发展公司高级副总裁王桐表示，通过数据都能做出怎样的事情，产生怎样的价值，同时应该怎样更好地去运用数据……成为关键的几个问题。除此之外，通过数据化的运营，将改变以往决定战略和决策的思维模式。以前经常是通过业务经验来做相应的决策，不管是宏观的、战略的，还是和具体的某些执行相关。
数据本身通过这种客观，如实的证据帮我们提供了一个量化决策支持的基础。通过这样的基础支持，帮助更好地完成决策的事情。所以，对于企业战略的定义，还是未来的走向，具备数据的支撑是非常重要的。在存量的时代，数据资产化、决策数据化才是整体的趋势。
运营数据难题多
过去几年大数据领域的热门话题多是集中在基础架构方面，近年来伴随着相关底层技术的逐渐成熟与丰富，在数据的底层的基础建设的问题上不再困难。“如今大家都不约而同地思考更进一步的问题，这些保存下来的数据，其价值产出如何，怎么在业务场景中体现价值，如何对外输出和变现……这些都成了用户乃至企业的管理者们共同思考的问题。”王桐对《中国信息化周报》记者说。在这个过程中，同样产生了很多有创意的业务形态与想法，现在数据的价值在于如何通过数据达到更精准的运营、更有效的管理以及更加全面的集团企业监控，才是数据价值所主要遵循的三个方向。
在每一个方向中，实际有很多具体的细分场景。例如更精准的运营，可能会与用户画像、用户活跃度等密切相关，其中更有效的管理可能偏向内部执行层面，更全面的监控是指偏财务审计与管理层面。在这些不同的业务层面，其实数据都能够切入每一个具体的业务场景中，通过数据化的指标帮助完成监控。不管是运营还是管理，还是业务，成效如何主要通过数据化的KPI来监控。很多时候，业务本身就是通过数据进行包装组合的利用，最后构成了服务的一部分，甚至是产品的一部分。
但在今天，所有的运营商，包括所有的行业企业都会在运营方面遇到各种各样的难题。例如，我们经常会发现运营商的报告，在内容和数据分析等菜单项，实际上存在大量的重复。看数据的过程其实是感知业务、发现问题，并且思考逻辑、找到答案、采取行动的过程。如果所看的分析内容，实际有很多冗余，这就会对分析与思考的过程带来很糟糕的用户体验，耽误效率的同时还造成成本的浪费。
在探讨运营难题时，王桐说：“现在绝大部分的数据分析系统，或者是VI系统，底层还是上一代的传统架构，是基于立方体的技术底层，它的特点是相对比较零散和固定，往往是一个需求对应一个数据模型，模型中的分析和计算方式只满足了一次的需求的实现。和客户交流的过程中，会发现有的客户的数据仓库中有几百个模型，甚至多达上万个，后果是数据仓库复杂到不可维护，性能的损耗相当严重，不但带来了不可维护性，而且也给用户非常差的体验。”
通过观察多家企业的数据分析系统，我们总结出其中的统计数据依然占比很高，明晰偏少。实际上，对于数据分析的操作过程相对比较复杂，而且数据的目录结构也很难梳理，最终表现出来的问题看起来很零散，问题表现的背后实际上还是过去做数据分析的思路与逻辑的诟病。
探究其问题的本质，IT资源往往是有限的，如果负担过重，资源会变成瓶颈。数据分析虽然只是一个词，但实际上却涉及了一个完整的链条，从数据的整合、清洗、加工、建模、分析、展现，输出，还有挖掘和深度分析，整个链条涉及到了很多方面，管理难度非常大。目前很多场景对大数据的应用还不够灵活高效，往往以固定报表为主，数据的展示只是起点，而不是终点，所以对数据的分析和利用绝对不是做一个静态报告就结束了，后续还有很多工作要做。
如今大多数情况下大数据的价值产出与预期可能并不匹配。如何让数据真正促进业务，真正产生价值的变现，并且让产生价值的过程高效，是值得探讨的问题。
敏捷BI+探索式分析
大显神通
业界权威的IT机构Gartner撰写了商业报告，证明敏捷型BI以及探索式的分析已成为大势所趋。许多企业中，无论是信息部门，还是业务部门，两者都在呼吁能不能成为数据分析过程中的协作角色，使IT部门可以充分完成底层的数据模型建设后，将剩下90%的常用需求让业务部门“上手”，这样可以让业务部门自己进行服务分析。
“无论是国外还是国内，实际上越来越多传统的、完全以IT为中心的BI平台正在逐渐被新型平台所补充，甚至被取代。最新的BI的报告中，这种敏捷型，探索式的BI也是不够的。众所周知，数据分析是一个完整的链条，必须要移动到一站式的大数据平台，这将会是未来各个企业的标配。”王桐补充道。
探索式分析可以让业务部门也能轻松做数据分析，实际上只做BI类偏描述型的分析也是不够的。如果需要做用户画像，收入预测，或者是电子商城商品的关联交易分析，以及其它机器学习等相关分析的话，还是需要深度分析的，所以深度分析与企业级的管控等四部分有机融合在一起就构成了一站式的大数据分析平台。敏捷型数据分析，会进一步释放数据价值。数据分析做到更敏捷，需要提供更好的洞察力，如今很多行业的客户已经开始采用一站式大数据平台来完善、提升大数据运营能力。
王桐在交谈中提出：“现在是存量的竞争时代，以用户画像举例。用户画像归根结底是要对用户有更深刻的了解，因为大多时候电子商城也有第三方的产品和自由服务，逻辑过程比较类似。做用户画像，更深地了解用户和C端的消费者，对研发设计人员，或者电子商城的选品，以及产品和服务的设计人员来讲，会有很关键的指向作用。以前是基于自己的经验去设计新产品和服务，设计好后，再推销出去，这是过去闭门造车的做法；好的做法是先调查用户的需求与喜好，再结合需求与喜好来设计套餐和选品。”
