第6期 计算机教育 2019年6月10日 Computer Education 文章编号:1672-5913(2019)06-0139-04 中图分类号:G642 数据分析类课程的技能培养方法探讨 赵卫东,蒲实 (复旦大学软件学院,上海200433) 摘要:针对高校培养的教据分析人才不能满足工业界需求的现状,分析高校人才培养的问题,阐述 数据分析技能的基本要求,结合“行动中学习”,提出在实践中培养数据分析技能的培养方式,最后讨 论在数据分析技能培养过程中需要注意的潜在问题,并给出相应的解决方法。 关键词:数据分析;技能培养;行动学习;实践 DO:10.16512/ cnki jsiy.2019.06.034 0引言 待各类职位的区别,“纵向”代表着数据分析角色 的专业化,例如专注数据收集或清洗的数据工程 人类社会已经迈入大数据时代,各个行业都师、专注算法建模的机器学习专家;“横向”代表 不断地产生大量的数据,如何在海量的数据中发 着具有多个行业知识、有统筹安排整个数据分析 现知识、获取价值已成为学术界和工业界炙手可流程的能力、足以指导不同专家团队协作的数据 热的话题,这也催生了“数据科学”新兴交叉学科学家門。深入分析两种角度的数据分析人员的 科和一批专业的数据分析人员叫。 职位需求,可以倒推出企业对数据分析人才的能 数据分析是一个较为宽泛的领域,传统的数力要求。数据分析理论知识是数据分析人员从 据分析包括统计分析和数据可视化等,后来融入事分析工作的基础,但这不足以在竞争中脱颖 了数据挖掘和机器学习的技术。随着人工智能的而出。企业对数据分析的技能有更高的要求。 发展,深度学习也逐渐成为处理图像、音频和文 数据分析的技能包括业务理解能力、数据探 字等数据分析的热点和有效手段。大数据在多个索能力、数据建模能力以及项目管理能力等。以业 领域应用成功后,各个行业对数据分析人才的需务理解应用能力为例,这是数据分析中基础且至关 求日益增长。数据分析相关从业人员逐年增加 但招聘市场仍出现“人才荒”的现象口。国际数重要的环节,是数据分析人员的核心能力之一同, 不仅要求数据分析人员掌握扎实的数据分析方法理 据公司(IDC)预测到2020年时仅美国就需要超 论,还要有某个特定领域的知识,能够理解特定领 过190000名的数据分析人员国;在中国,2017 域的业务问题并将其转化为数据分析的技能。 年中国大数据产业规模为4700亿元人民币,但 数据分析技能难以在短期内培养,需要参与 大数据人才远不能满足发展需要,大数据人才队大量的实践才能逐步提高,这也是导致数据分析 人才培养跟不上市场需求的一个重要原因。数 当前工业界有许多从事大数据和人工智能 据分析技能的培养已成为数据分析人才培养的痛 的企业,在招聘市场上数据分析领域有较多的职 点,值得高校数据分析类课程任课教师的关注和 位,例如数据科学家、大数据分析师、算法工程 师、机器学习工程师、数据挖掘工程师等。对数探讨。 据分析人员职位的划分没有一个确定的标准,各1数据分析技能培养的困境 类公司在招聘时职位需求也常有重叠交叉之处。 总的来说,可以从“纵向”和“横向”的角度看 面对当前各行业激增的数据分析人才需求, 基金项目:2018年复旦大学本科教学研究与改革实践项目(A类重点项目) 第一作者简介:赵卫东,男,副教授,研究方向为商务数据分析和机器学习,wdzhaot@fdan.edu.cn, 1994-2019ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net
139 计算机教育 Computer Education 第 6 期 2019 年 6 月 10 日 中图分类号：G642 0 引 言 人类社会已经迈入大数据时代，各个行业都 不断地产生大量的数据，如何在海量的数据中发 现知识、获取价值已成为学术界和工业界炙手可 热的话题，这也催生了“数据科学”新兴交叉学 科和一批专业的数据分析人员 [1]。 数据分析是一个较为宽泛的领域，传统的数 据分析包括统计分析和数据可视化等，后来融入 了数据挖掘和机器学习的技术。随着人工智能的 发展，深度学习也逐渐成为处理图像、音频和文 字等数据分析的热点和有效手段。大数据在多个 领域应用成功后，各个行业对数据分析人才的需 求日益增长。数据分析相关从业人员逐年增加， 但招聘市场仍出现“人才荒”的现象 [2]。国际数 据公司（IDC）预测到 2020 年时仅美国就需要超 过 190 000 名的数据分析人员 [3]；在中国，2017 年中国大数据产业规模为 4 700 亿元人民币，但 大数据人才远不能满足发展需要，大数据人才队 伍建设亟须加强 [4]。 当前工业界有许多从事大数据和人工智能 的企业，在招聘市场上数据分析领域有较多的职 位，例如数据科学家、大数据分析师、算法工程 师、机器学习工程师、数据挖掘工程师等。对数 据分析人员职位的划分没有一个确定的标准，各 类公司在招聘时职位需求也常有重叠交叉之处。 总的来说，可以从“纵向”和“横向”的角度看 待各类职位的区别，“纵向”代表着数据分析角色 的专业化，例如专注数据收集或清洗的数据工程 师、专注算法建模的机器学习专家；“横向”代表 着具有多个行业知识、有统筹安排整个数据分析 流程的能力、足以指导不同专家团队协作的数据 科学家 [5]。 深入分析两种角度的数据分析人员的 职位需求，可以倒推出企业对数据分析人才的能 力要求。数据分析理论知识是数据分析人员从 事分析工作的基础，但这不足以在竞争中脱颖 而出。企业对数据分析的技能有更高的要求。 数据分析的技能包括业务理解能力、数据探 索能力、数据建模能力以及项目管理能力等。以业 务理解应用能力为例，这是数据分析中基础且至关 重要的环节，是数据分析人员的核心能力之一 [6]， 不仅要求数据分析人员掌握扎实的数据分析方法理 论，还要有某个特定领域的知识，能够理解特定领 域的业务问题并将其转化为数据分析的技能。 数据分析技能难以在短期内培养，需要参与 大量的实践才能逐步提高，这也是导致数据分析 人才培养跟不上市场需求的一个重要原因 [7]。数 据分析技能的培养已成为数据分析人才培养的痛 点，值得高校数据分析类课程任课教师的关注和 探讨。 1 数据分析技能培养的困境 面对当前各行业激增的数据分析人才需求， 数据分析类课程的技能培养方法探讨 赵卫东，蒲 实 （复旦大学 软件学院，上海 200433） 摘 要：针对高校培养的数据分析人才不能满足工业界需求的现状，分析高校人才培养的问题，阐述 数据分析技能的基本要求，结合“行动中学习”，提出在实践中培养数据分析技能的培养方式，最后讨 论在数据分析技能培养过程中需要注意的潜在问题，并给出相应的解决方法。 关键词：数据分析；技能培养；行动学习；实践 文章编号：1672-5913(2019)06-0139-04 基金项目：2018 年复旦大学本科教学研究与改革实践项目（A 类重点项目）。 第一作者简介：赵卫东，男，副教授，研究方向为商务数据分析和机器学习，wdzhao@fadan.edu.cn。 DOI:10.16512/j.cnki.jsjjy.2019.06.034
计算机教育 Computer Education 高校作为数据分析人才培养的基地,担负着向实践的多层次教学。当前部分高校的课程内容却 社会源源不断地输送优秀人才的重任。教育部在还停留在数年甚至十年前,培养的学生跟不上市 2017年发布了“新工科建设复旦共识”,不少高场的技能需求。有限的课程时间也阻碍了从理论 校在近几年也逐渐进行教学改革,建立了一批与到实践的教学过程 大数据、人工智能等有关的专业和学院,还有 综上所述,学生的工程实践能力得不到充分 些高校联合企业成立了实验室,这些举措都与数的锻炼,学生数据分析的技能水平与企业的需求 据分析息息相关。在线教学平台上的数据分析类有较大的脱节,导致了数据分析技能培养困境的 课程也一直炙手可热。但是纵观大多数高校的数出现。 据分析人才培养计划以及相应的各类数据分析课 程,发现一个普遍的问题是偏重数据分析知识的2数据分析技能的有效培养方式 培养,而缺乏数据分析技能的培养。 现在不同层次学校的数据分析课程主要处于 为了探讨数据分析技能更有效的培养方式, 知识传授的阶段。相当一部分课程以理论教学我们对一些成才的学生和工业界的成功人士做 为主体,教师多局限于传授数据分析相关的理论了跟踪调查,并结合在复旦大学软件学院实施的 知识。在课堂上教师容易对数据分析的算法和简“基于项目沉浸式的数据分析类课程教学”的实 单的二手案例进行讲解,对涉及的数理基础进行践,发现有效培养数据分析技能在于“行动中 归纳,但是学生的工程实践机会较少,教学难以学习”。 延展到数据分析的技能培养,有些学校单纯依赖 在数据分析领域有著名的1万小时定律,换 企业承担实验和实训教学也不是长久之计 算后是5年左右的时间,意味着一个人能游刃有 部分高校的教师对数据分析课程进行改革,余地解决实际的数据分析业务问题需要5年左右 引入课程 Project、课程实验等来平衡理论教学与的学习和实践。其中,不必刻意学完所有的知识 实践。但是这种项目教学法一般是抽象的数据分点再去实践,而是在实践中学习,只有这样才能 析问题,例如对某家商务酒店的用户评价进行深刻体会理论知识的内涵,并在实践中与技能共 情感分析、对某种商品的销售数据进行分析等。同学习。如果数据分析的理论知识不在实践中使 这类课程项目有处理好的数据、明确的需求和用,很难真正地理解和掌握。这也符合当前教 考核目标,学生需要考虑的因素较少,通常集育界著名的“行动学习”理论。“行动学习”是 中在课堂所学知识的简单应用上。但这远远不在20世纪中期由英国 Reg revan教授提出,他 够,课程项目与企业项目有非常大的差别。企认为行动学习为L=P+Q,其中P代表结构化的 业项目没有明确地分析问题,需要分析人员从知识,Q代表质疑性洞察。行动学习是一个“知 复杂的业务背景和问题中予以提取。企业项目行合一”的循环学习过程。首先,建立基本的结 的数据非常杂乱,需要大量的数据预处理工作。构化知识体系,这是P阶段的任务;然后在实践 企业项目有近乎严苛的验收标准,伴随着紧张中将知识加以应用,发现问题,并在归纳总结中 的项目排期和时间压力。在企业项目中,很多加深对知识的理解,获得洞察,这是Q阶段的工 问题以及解决思路在教科书和课堂上未曾提及,作。P阶段和Q阶段交错循环,构成了从行动学 需要在项目实践中通过不断地试错和创新去解习认知世界和改造世界的基本规律 决。因此,使用传统的项目教学法培养的学生在 将行动学习理论应用到数据分析技能的培 面对一个实际的企业项目时,可能非常茫然、不养,由两个培养阶段组成。第一阶段是对基本理 知所措 论、方法和工具的学习,对应行动学习的P环 当前数据分析领域不再是学术界一枝独秀,节;第二阶段是在仿真项目、比赛项目以至正式 工业界的贡献与日俱增。近年来优秀的数据分析项目中的实践,对应行动学习的Q环节。在第 工具和算法也多源于企业,例如IBM的 Watson、阶段,学生可以将第一阶段学习到的知识加以应 Google的 Tensor Flow、 Micros的CNIK等。用,理论就不再局限于书本,可以将知识转化为 因此高校的课程体系需要涵盖数据分析领域庞大洞察;同时可以发现理论学习的不足,从而反哺 且日益更新的内容体系,建立从理论基础到应用到第一阶段。学习在两个阶段不断交替进行,第 1994-2019 China academic journal electronic Publishing house. all rights reserve ttp//www.cnkl.net
140 2019 计算机教育 Computer Education 高校作为数据分析人才培养的基地，担负着向 社会源源不断地输送优秀人才的重任。教育部在 2017 年发布了“新工科建设复旦共识”，不少高 校在近几年也逐渐进行教学改革，建立了一批与 大数据、人工智能等有关的专业和学院，还有一 些高校联合企业成立了实验室，这些举措都与数 据分析息息相关。在线教学平台上的数据分析类 课程也一直炙手可热。但是纵观大多数高校的数 据分析人才培养计划以及相应的各类数据分析课 程，发现一个普遍的问题是偏重数据分析知识的 培养，而缺乏数据分析技能的培养。 现在不同层次学校的数据分析课程主要处于 知识传授的阶段 [8]。相当一部分课程以理论教学 为主体，教师多局限于传授数据分析相关的理论 知识。在课堂上教师容易对数据分析的算法和简 单的二手案例进行讲解，对涉及的数理基础进行 归纳，但是学生的工程实践机会较少，教学难以 延展到数据分析的技能培养，有些学校单纯依赖 企业承担实验和实训教学也不是长久之计。 部分高校的教师对数据分析课程进行改革， 引入课程 Project、课程实验等来平衡理论教学与 实践。但是这种项目教学法一般是抽象的数据分 析问题，例如对某家商务酒店的用户评价进行 情感分析、对某种商品的销售数据进行分析等。 这类课程项目有处理好的数据、明确的需求和 考核目标，学生需要考虑的因素较少，通常集 中在课堂所学知识的简单应用上。但这远远不 够，课程项目与企业项目有非常大的差别。企 业项目没有明确地分析问题，需要分析人员从 复杂的业务背景和问题中予以提取。企业项目 的数据非常杂乱，需要大量的数据预处理工作。 企业项目有近乎严苛的验收标准，伴随着紧张 的项目排期和时间压力。在企业项目中，很多 问题以及解决思路在教科书和课堂上未曾提及， 需要在项目实践中通过不断地试错和创新去解 决。因此，使用传统的项目教学法培养的学生在 面对一个实际的企业项目时，可能非常茫然、不 知所措。 当前数据分析领域不再是学术界一枝独秀， 工业界的贡献与日俱增。近年来优秀的数据分析 工具和算法也多源于企业，例如 IBM 的 Watson、 Google 的 Tensor Flow、Microsoft 的 CNTK 等。 因此高校的课程体系需要涵盖数据分析领域庞大 且日益更新的内容体系，建立从理论基础到应用 实践的多层次教学。当前部分高校的课程内容却 还停留在数年甚至十年前，培养的学生跟不上市 场的技能需求。有限的课程时间也阻碍了从理论 到实践的教学过程。 综上所述，学生的工程实践能力得不到充分 的锻炼，学生数据分析的技能水平与企业的需求 有较大的脱节，导致了数据分析技能培养困境的 出现。 2 数据分析技能的有效培养方式 为了探讨数据分析技能更有效的培养方式， 我们对一些成才的学生和工业界的成功人士做 了跟踪调查，并结合在复旦大学软件学院实施的 “基于项目沉浸式的数据分析类课程教学”的实 践 [9]，发现有效培养数据分析技能在于“行动中 学习”。 在数据分析领域有著名的 1 万小时定律，换 算后是 5 年左右的时间，意味着一个人能游刃有 余地解决实际的数据分析业务问题需要 5 年左右 的学习和实践。其中，不必刻意学完所有的知识 点再去实践，而是在实践中学习，只有这样才能 深刻体会理论知识的内涵，并在实践中与技能共 同学习。如果数据分析的理论知识不在实践中使 用，很难真正地理解和掌握。这也符合当前教 育界著名的“行动学习”理论。“行动学习”是 在 20 世纪中期由英国 Reg Revan 教授提出，他 认为行动学习为 L=P+Q，其中 P 代表结构化的 知识，Q 代表质疑性洞察。行动学习是一个“知 行合一”的循环学习过程。首先，建立基本的结 构化知识体系，这是 P 阶段的任务；然后在实践 中将知识加以应用，发现问题，并在归纳总结中 加深对知识的理解，获得洞察，这是 Q 阶段的工 作。P 阶段和 Q 阶段交错循环，构成了从行动学 习认知世界和改造世界的基本规律。 将行动学习理论应用到数据分析技能的培 养，由两个培养阶段组成。第一阶段是对基本理 论、方法和工具的学习，对应行动学习的 P 环 节；第二阶段是在仿真项目、比赛项目以至正式 项目中的实践，对应行动学习的 Q 环节。在第二 阶段，学生可以将第一阶段学习到的知识加以应 用，理论就不再局限于书本，可以将知识转化为 洞察；同时可以发现理论学习的不足，从而反哺 到第一阶段。学习在两个阶段不断交替进行，第
第6期 教育与教学研究 141 阶段学习为第二阶段实践提供基础,实践又反加以映射,同时可以看看其他人是如何思考的, 馈到理论学习中,由此形成良性的循环,在不断在数据分析的每个环节选择了什么方法,思考 的实践和总结反思中获得数据分析的技能。 能不能做进一步的优化。学生在第一次进行到Q 上述两个阶段的学生可细分为下述4个具体环节开始“模仿”时,P环节的知识就能在实践 可操作的步骤 中融入到学生的分析中,逐渐掌握数据分析的技 (1)掌握较坚实的数据分析理论知识。这是能,这就是从知识到洞察的学习过程。同时学生 数据分析技能培养周期的第一个P阶段。行动学可能会发现理论学习的不足,这就为行动学习的 习首先要掌握一定的理论知识,这是后续实践与下一个循环提供了条件,下一循环中P环节的知 反思的基础。强调数据分析技能与实践,并不是识就来源于上一循环中Q环节的问题。 意味着理论知识不重要。相反,理论知识是数据 (3)参与新项目。这是行动学习循环的一个 分析技能的奠基石。没有数学基础,理解算法一提升。在初期的简单复现时,学生技能水平还比 定有困难,更别提熟练运用算法。对算法理解不较弱,但是在后期不断重复后技能会不知不觉提 深,就不能得心应手地选择算法,参数调优也可高,对实际业务问题的理解也会有一个更高的层 能收效甚微。行动学习的主体是学生,但是教师次。这时候就可以面对新的问题,这个阶段无论 需要为学生构建起步阶段的环境,包括需要针对是P环节的知识储备,还是Q环节的实践要求, 数据分析理论体系合理设计教学方案,重在传授与第二阶段的“模仿”相比都可能有了质的提升。 学习的方法,为学生建立数据分析的认知体系,新问题没有他人的思路参考,学生需要去学习新 使得学生掌握数据分析整个流程以及每一步的方的知识。因此这个阶段更考验学生的自学能力 法技巧。同时,在数据分析理论的学习中,初期在该阶段的项目实战中,学生需要将新知识、技 不用拘泥在代码实现上,教师应指导学生将重点能与已有的知识体系融会贯通,并尝试性摸索数 聚焦于分析问题的思路,可以直接调用一些易用据分析的方法、思路。这个阶段学生行动学习的 的开源框架的API尝试算法的应用,强化对数据主体意识应当更强,教师不再需要编写完整的项 的理解以及数据分析的思维方法。因此,在学习目案例或文档,将P环节的学习留与学生自主 的初期,提倡学生使用一些可视化的、组件式的完成,着重点转移到行动学习的Q环节中。教 数据分析工具进行学习,例如 IBM SPSS、腾讯师可以指导学生参加一些大赛,例如阿里天池、 TI-One、华为 FusionInsight等工具,所见即所得 KDD-Cup、 Gaggle等。新项目的难度参差不齐, 的学习方式也能提高学生学习的兴趣 教师需要根据学生当前行动学习的所处阶段和学 (2)学习优秀数据分析师的思路。在该阶段生能力情况推荐合适的项目。在学生项目实践 中行动学习进入了Q环节,学生需要在实践中中,教师重在对学生方法和思路给予针对性建议 将P环节的知识加以应用,并开始行动学习的循或指导,并组织鼓励学生不断反思总结。新项目 环。数据分析包括业务理解、数据采集、数据预能显著提高学生分析问题和应用知识的能力,实 处理、建模分析、结果评估和建议,这是一个完战中学生数据分析的技能也会积累到理想水平 整的流程。流程的每个环节都对应了大量的理论 (4)参与企业实际业务项目。这个阶段是对 知识,如何将理论知识融入到数据分析的整体思行动学习最终成果的检验。在一定的学习积累 路中,如何在分析的每个阶段能有正确的思路是后,需要参与企业实际项目。与企业项目相比, 值得考虑的问题。初学者比较有效的方法是“模企业实际业务问题难度更大。用户在企业项目开 仿”。本阶段教师可以整理已参与完成的数据分展初期,可能只提出简单的业务问题或目标,需 析项目,包括但不限于比赛项目、实际企业项目要将其抽象出合适的数据分析问题,这需要熟稔 等。将这些项目整理成案例和实验文档,将整个业务领域。企业的数据可能分散在各个数据源 项目的实现完整地展示岀来,其中需要突出项目中,不像比赛会提供一个完整的数据集,因此提 中遇到的疑难点。然后将数据和文档交给学生,取哪些数据、如何提取数据都是必须考虑的问 让学生来重演整个项目。对于比赛项目的优胜题。企业问题会有严格的业务审核,数据分析的 者,还有优秀的分析思路,涵盖了各式各样的数结果必须要达到一定的性能要求。与比赛相比, 据分析方法。学生在复现这些项目时可以将理论这对数据分析的质量要求会更高。企业项目一般 1994-2019ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net
第 6 期 教育与教学研究 141 一阶段学习为第二阶段实践提供基础，实践又反 馈到理论学习中，由此形成良性的循环，在不断 的实践和总结反思中获得数据分析的技能。 上述两个阶段的学生可细分为下述 4 个具体 可操作的步骤。 （1）掌握较坚实的数据分析理论知识。这是 数据分析技能培养周期的第一个 P 阶段。行动学 习首先要掌握一定的理论知识，这是后续实践与 反思的基础。强调数据分析技能与实践，并不是 意味着理论知识不重要。相反，理论知识是数据 分析技能的奠基石。没有数学基础，理解算法一 定有困难，更别提熟练运用算法。对算法理解不 深，就不能得心应手地选择算法，参数调优也可 能收效甚微。行动学习的主体是学生，但是教师 需要为学生构建起步阶段的环境，包括需要针对 数据分析理论体系合理设计教学方案，重在传授 学习的方法，为学生建立数据分析的认知体系， 使得学生掌握数据分析整个流程以及每一步的方 法技巧。同时，在数据分析理论的学习中，初期 不用拘泥在代码实现上，教师应指导学生将重点 聚焦于分析问题的思路，可以直接调用一些易用 的开源框架的 API 尝试算法的应用，强化对数据 的理解以及数据分析的思维方法。因此，在学习 的初期，提倡学生使用一些可视化的、组件式的 数据分析工具进行学习，例如 IBM SPSS、腾讯 TI-One、华为 FusionInsight 等工具，所见即所得 的学习方式也能提高学生学习的兴趣。 （2）学习优秀数据分析师的思路。在该阶段 中行动学习进入了 Q 环节，学生需要在实践中 将 P 环节的知识加以应用，并开始行动学习的循 环。数据分析包括业务理解、数据采集、数据预 处理、建模分析、结果评估和建议，这是一个完 整的流程。流程的每个环节都对应了大量的理论 知识，如何将理论知识融入到数据分析的整体思 路中，如何在分析的每个阶段能有正确的思路是 值得考虑的问题。初学者比较有效的方法是“模 仿”。本阶段教师可以整理已参与完成的数据分 析项目，包括但不限于比赛项目、实际企业项目 等。将这些项目整理成案例和实验文档，将整个 项目的实现完整地展示出来，其中需要突出项目 中遇到的疑难点。然后将数据和文档交给学生， 让学生来重演整个项目。对于比赛项目的优胜 者，还有优秀的分析思路，涵盖了各式各样的数 据分析方法。学生在复现这些项目时可以将理论 加以映射，同时可以看看其他人是如何思考的， 在数据分析的每个环节选择了什么方法，思考 能不能做进一步的优化。学生在第一次进行到 Q 环节开始“模仿”时，P 环节的知识就能在实践 中融入到学生的分析中，逐渐掌握数据分析的技 能，这就是从知识到洞察的学习过程。同时学生 可能会发现理论学习的不足，这就为行动学习的 下一个循环提供了条件，下一循环中 P 环节的知 识就来源于上一循环中 Q 环节的问题。 （3）参与新项目。这是行动学习循环的一个 提升。在初期的简单复现时，学生技能水平还比 较弱，但是在后期不断重复后技能会不知不觉提 高，对实际业务问题的理解也会有一个更高的层 次。这时候就可以面对新的问题，这个阶段无论 是 P 环节的知识储备，还是 Q 环节的实践要求， 与第二阶段的“模仿”相比都可能有了质的提升。 新问题没有他人的思路参考，学生需要去学习新 的知识。因此这个阶段更考验学生的自学能力。 在该阶段的项目实战中，学生需要将新知识、技 能与已有的知识体系融会贯通，并尝试性摸索数 据分析的方法、思路。这个阶段学生行动学习的 主体意识应当更强，教师不再需要编写完整的项 目案例或文档，将 P 环节的学习留与学生自主 完成，着重点转移到行动学习的 Q 环节中。教 师可以指导学生参加一些大赛，例如阿里天池、 KDD-Cup、Kaggle 等。新项目的难度参差不齐， 教师需要根据学生当前行动学习的所处阶段和学 生能力情况推荐合适的项目。在学生项目实践 中，教师重在对学生方法和思路给予针对性建议 或指导，并组织鼓励学生不断反思总结。新项目 能显著提高学生分析问题和应用知识的能力，实 战中学生数据分析的技能也会积累到理想水平。 （4）参与企业实际业务项目。这个阶段是对 行动学习最终成果的检验。在一定的学习积累 后，需要参与企业实际项目。与企业项目相比， 企业实际业务问题难度更大。用户在企业项目开 展初期，可能只提出简单的业务问题或目标，需 要将其抽象出合适的数据分析问题，这需要熟稔 业务领域。企业的数据可能分散在各个数据源 中，不像比赛会提供一个完整的数据集，因此提 取哪些数据、如何提取数据都是必须考虑的问 题。企业问题会有严格的业务审核，数据分析的 结果必须要达到一定的性能要求。与比赛相比， 这对数据分析的质量要求会更高。企业项目一般
计算机教育 142 Computer Education 还有时间的限制,相应给数据分析人员带来更多经验,不管参加大型比赛还是企业项目,都有 的压力。学生在该阶段面临的困难和挑战更多,定的难度。老师可以把以前的项目资料收集起来 需要有项目经验的教师给予积极的指导。针对学供学生研究,或者与有经验的企业专家一起指导 生的问题,教师还需要积极与企业的专家合作,学生攻克关键问题,并潜移默化地带领学生进步。 利用企业专家丰富的经验为学生提供切实可行的32教师的主导作用 建议。能够解决企业实际业务问题是数据分析技 数据分析技能的培养强调行动中学习,学习 能的高级培养目标。学生需要经过行动学习P环的主体是学生,教师需要在掌握数据分析技能的 节和Q环节的反复实践,在上述几个具体步骤中基础上,身体力行地参与到学生学习的每个环节 一步一步稳扎稳打地获得数据分析的技能。 中,教师应更多地激励、驱动学生的自主学习 教师和学生都需要认识到数据分析技能培养是 3数据分析技能培养的潜在问题 一个循序渐进的过程,不是一朝一夕可以学习完 成的。教师需要引领学生认识数据分析的技能体 3.1一些企业项目的对接问题 系,通过积极参与项目实践,从中攻克数据分析 很多高校教师没有在工业界工作的经历,也的难题。 没有充分认识到工业界和学术界的差异,因此 些教师会找不到企业的项目,没有和企业合作的4结语 机会;一些教师可能轻视企业项目的难度,投入 精力较少使得项目停滯。因此教师需要加强和企 当前工业界对数据分析人才需求旺盛,但是 业的对接能力。 高校人才培养却跟不上市场需求。高校的数据分 当前企业的需求非常多,教师可以通过讲析类课程更侧重理论知识的传授,学生在实际项 座、技术论坛、数据分析竞赛等方式得到与企目中的实践技能还需要大幅提高。数据分析人才 业交流的机会,教师需主动走出去。值得注意的技能培养周期长、对技能要求高,需要从模仿项 是,企业问题都有严格的检验标准,所以需要老目、比赛项目到企业项目的长时间积累。数据分 师投入更多的时间。在教学中引入企业的问题,析技能培养对高校教师和学生而言都是挑战,教 对学生的技能提高有一定的效果,花费时间也是师首先需要积极参与实践,积累必要的数据分析 值得的。 技能,并在与企业的合作中,培养出真正能解决 由于学生的学习水平不同,且前期缺乏项目实际问题、为社会所用的数据分析人才 参考文献: [1] Dhar V. Data science and prediction[J]. Communications of the Acm, 2013, 56(12): 64-73 [2] Jensen S. Integrating big data Services into an undergraduate MIS curriculum[J]. International Joural of Systems and Service- Oriented Engineering, 2017, 7(2): 58-7 13]marketAnalysisPerspectiveWorldwidedeveloperdemographicscommunitiesandskills[eb/ol].[2018-11-17.https://www.ide com/getdoc. jsp?containerld=US42054117 4]大数据白皮书(2018年)中国信息通信研究院[EBOL口2018-11-17]htp/ww. catr. cr/kxyj/awfb/bps/2018042018042615855 [5] Saltz J S, Grady N w. The ambiguity of data science team roles and the need for a data science workforce framework[C/ IEEE ternational Conference on Big Data. IEEE, 2017: 2355-236I [6]Mauro A D, Greco M, Grimaldi M, et al. Beyond data scientists: A review of big data skills and job families(C)/ International Forum on Knowledge Asset Dynamics, Ifkad 2016 [7 Mikalef P, Giannakos M N, Pappas I O, et al. The human side of big data: Understanding the skills of the data scientist in education nd industry[CI/ IEEE EDUCON 2018 Global Engineering Education Conference IEEE, 2018. 18)Huang X, Qin N, Zhang X, et al. Experimental teaching design and practice on big data course(Cy/ International Conference on Computer Science and Education. IEEE, 2017: 566-569 9]赵卫东,赵洪博,基于项目沉浸式的数据分析类课程教学研究凹计算机教育,2017(06):58-61 (见习编辑:郭安琪) 1994-2019ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net
142 2019 计算机教育 Computer Education 还有时间的限制，相应给数据分析人员带来更多 的压力。学生在该阶段面临的困难和挑战更多， 需要有项目经验的教师给予积极的指导。针对学 生的问题，教师还需要积极与企业的专家合作， 利用企业专家丰富的经验为学生提供切实可行的 建议。能够解决企业实际业务问题是数据分析技 能的高级培养目标。学生需要经过行动学习 P 环 节和 Q 环节的反复实践，在上述几个具体步骤中 一步一步稳扎稳打地获得数据分析的技能。 3 数据分析技能培养的潜在问题 3.1 一些企业项目的对接问题 很多高校教师没有在工业界工作的经历，也 没有充分认识到工业界和学术界的差异，因此一 些教师会找不到企业的项目，没有和企业合作的 机会；一些教师可能轻视企业项目的难度，投入 精力较少使得项目停滞。因此教师需要加强和企 业的对接能力。 当前企业的需求非常多，教师可以通过讲 座、技术论坛、数据分析竞赛等方式得到与企 业交流的机会，教师需主动走出去。值得注意的 是，企业问题都有严格的检验标准，所以需要老 师投入更多的时间。在教学中引入企业的问题， 对学生的技能提高有一定的效果，花费时间也是 值得的。 由于学生的学习水平不同，且前期缺乏项目 经验，不管参加大型比赛还是企业项目，都有一 定的难度。老师可以把以前的项目资料收集起来 供学生研究，或者与有经验的企业专家一起指导 学生攻克关键问题，并潜移默化地带领学生进步。 3.2 教师的主导作用 数据分析技能的培养强调行动中学习，学习 的主体是学生，教师需要在掌握数据分析技能的 基础上，身体力行地参与到学生学习的每个环节 中，教师应更多地激励、驱动学生的自主学习。 教师和学生都需要认识到数据分析技能培养是 一个循序渐进的过程，不是一朝一夕可以学习完 成的。教师需要引领学生认识数据分析的技能体 系，通过积极参与项目实践，从中攻克数据分析 的难题。 4 结 语 当前工业界对数据分析人才需求旺盛，但是 高校人才培养却跟不上市场需求。高校的数据分 析类课程更侧重理论知识的传授，学生在实际项 目中的实践技能还需要大幅提高。数据分析人才 技能培养周期长、对技能要求高，需要从模仿项 目、比赛项目到企业项目的长时间积累。数据分 析技能培养对高校教师和学生而言都是挑战，教 师首先需要积极参与实践，积累必要的数据分析 技能，并在与企业的合作中，培养出真正能解决 实际问题、为社会所用的数据分析人才。 参考文献: [1] Dhar V. Data science and prediction[J]. Communications of the Acm, 2013, 56(12): 64-73. [2] Jensen S. Integrating big data Services into an undergraduate MIS curriculum[J]. International Joural of Systems and ServiceOriented Engineering, 2017, 7(2): 58-73. [3] Market Analysis Perspective. Worldwide developer demographics communities and skills [EB/OL]. [2018-11-17]. https: //www. idc. com/getdoc. jsp?containerId=US42054117. [4] 大数据白皮书(2018年). 中国信息通信研究院[EB/OL]. [2018-11-17]. http: //www. catr. cn/kxyj/qwfb/bps/201804/t20180426_158555. html. [5] Saltz J S, Grady N W. The ambiguity of data science team roles and the need for a data science workforce framework[C]// IEEE International Conference on Big Data. IEEE, 2017: 2355-2361. [6] Mauro A D, Greco M, Grimaldi M, et al. Beyond data scientists: A review of big data skills and job families[C]// International Forum on Knowledge Asset Dynamics, Ifkad. 2016. [7] Mikalef P, Giannakos M N, Pappas I O, et al. The human side of big data: Understanding the skills of the data scientist in education and industry[C]// IEEE EDUCON 2018 Global Engineering Education Conference. IEEE, 2018. [8] Huang X, Qin N, Zhang X, et al. Experimental teaching design and practice on big data course[C]// International Conference on Computer Science and Education. IEEE, 2017: 566-569. [9] 赵卫东, 赵洪博. 基于项目沉浸式的数据分析类课程教学研究[J]. 计算机教育, 2017(06): 58-61. （见习编辑：郭安琪）
