数据挖掘人才论文

数据挖掘人才论文（精选12篇）

数据挖掘人才论文 第1篇

人才是高校的第一资源, 科研是高校人才的核心竞争力, 人才的科研能力和水平直接决定了整个高校的科研水平。科学、合理地衡量人才科研水平成为了研究热点。目前国内外学者的研究重点集中于个体科研量化方面, 本研究根据某高校的人才科研成果数据, 从整体层面划分人才科研水平, 并详细分析各层次人才的基本素质, 从中寻找规律, 为高校人才培养和引进提供数据支持和政策依据。

1 人才科研指数模型构建方法和W-K-means算法

1.1 客户细分模型构建方法

美国市场学家温德尔·史密斯于20世纪50年代中期提出客户细分概念[1]。所谓客户细分, 即企业在明确的战略、业务模式和专注的市场条件之下, 根据客户的价值、需求和偏好等综合因素对客户进行分类, 分属于统一客户群的消费者具备一定程度的相似性, 而不同的细分客户群间存在明显的差异性。客户细分模型选择一定的细分变量, 按照一定的划分标准对客户进行分类[2]。客户细分的目的是为了更好地了解客户并提供个性化服务。

对于高校教师群体来说, 他们的科研历史成果存在不同的表现形式, 主要包括:科研项目、科研获奖、科研论文、科研专利、科研著作等。由于高校教师科研水平的不同, 他们的科研成果显然具有差异, 因此本研究借鉴客户细分模型构建方法, 选取科研历史成果的若干变量, 通过聚类算法, 寻找不同层次科研水平的划分标准, 对于高校教师群体进行分类, 为学校制定针对性的政策提供帮助[3,4]。

1.2 W-K-means算法

由于K-means类型算法在聚类过程中同等看待所有变量, 因而不能自动的选择变量。实际上, 聚类问题中的变量选择, 例如客户分割, 通常是基于对业务问题及所使用数据的理解。在初始的选择过程中, 从数据库抽取成百上千个变量, 从而形成一个高维数据空间。众所周知, 在一个由部分变量所定义的子空间, 通常会发现用户感兴趣的聚类结构。为了发现这种聚类结构, 识别变量的子集至关重要。

针对K-means算法存在的问题, 学者们提出了一个改进的K-means类型算法——基于K-means的变量自动加权聚类算法[5,6,7] (W-K-means) 。W-K-means算法根据簇中变量的重要性, 将自动针对重要性不同的变量分配不同的权重。

W-K-means算法发现聚类的能力要优于K-means类型算法。它通过在迭代求解过程中计算出的变量最终权重能够有效识别噪音变量, 此能力对于高维数据聚类的变量选择具有重要意义。

2 数据预处理

2.1 数据准备

本研究的数据来源于一所以工科为主、经管文理农等学科为辅的教学型大学。该校人事、科研等部门均实施了信息管理系统, 其中人事信息系统中包含人事基本信息管理系统;科研信息系统中包含民用科技信息管理系统、军工科技信息管理系统和科技专利信息管理系统。由于历史原因, 高校人事、科研两个信息管理系统相对独立, 相关数据尚未建立连接。同时各个信息系统实施时间不一致, 导致每个系统中各项数据的年限不一致。本研究截取了各部门相同年限的相关数据。

2.2 特征构造

(1) 人事信息

通过咨询相关专家, 同时结合高校实际情况, 选取了具有代表意义的部分属性:姓名、性别、出生日期、工作时间、最高学历、最高学历毕业年月、最高学历毕业学校、初始学历、初始学历时间、初始学历毕业学校、现评职称、职称评定时间、职务、所属学科。

(2) 科研信息

通过高水平科研信息以建立科研分类模型, 因此将每项科研指标中的高水平项目进行泛化, 进而构造科研信息特征属性集:高水平论文篇数、高水平论文科研分值、高水平科技项目数、高水平科技获奖数、高水平著作数、高水平发明专利数。

2.3 数据离散化

数据离散化主要针对人事信息中的相应数据进行离散化。根据特征变量值离散化准则, 对特征值较多的分类型特征变量进行特征值离散化, 概化为较少的特征值。

对于年龄, 针对数值型特征取值的分布绘图, 根据分类汇总图, 按照谷底分类, 将数据离散化。23—38岁概化为“青年”, 39—47岁概化为“中年”, “48—64岁”概化为“壮年”。

工龄0—5年概化为“极短”, 6—10年概化为“较短”, 10—15年概化为“短”, 16—29年概化为“中”, “30—45年”概化为“长”。

最高学历、初始学历统一概化为:博士研究生、硕士研究生、本科、本科以下。

最高学历毕业学校、初始学历毕业学校概化为:国外大学、985高校、211高校、一般高校。

职务级别概化为:处级及以上、处级以下。

现聘职称概化为:高级、副高级、中级、初级。

学科概化为:理工类、人文社科经管类。

2.4 数据规格化

为了获得优良的聚类结果, 针对人才科研信息统计表, 采用最大值最小值规格化方法对数据进行规格化。高水平科技论文篇数、高水平科研论文分值和高水平项目数均规格化至[0, 10], 其余数据亦均在[0, 10]之间。

3 人才科研指数构建

3.1 数据挖掘工具

香港大学和哈尔滨工业大学开发的数据挖掘软件Alpha miner目前已经发展至2.5版本。Alpha miner作为开放的数据挖掘平台, 聚合了聚类、分类与预测、关联规则等建模过程中的各种数据挖掘算法。本研究使用Alpha miner 2.5实现高校教师科研能力的聚类以达到分类目的。

3.2 聚类结果

利用Alpha miner 2.5, 选取W-K-means算法, 聚类的簇的数量设置为4, 权重指数默认为8, 距离类型设置为Euclidean, 比较函数设置为Absolute Difference。聚类结果如表1所示。

3.3 聚类结果分析

W-K-means算法运算结果的3簇分布为:188、36、610。详细指标分析如下:

第一簇中各项指标均比较低, 高水平论文篇数均值为2.934篇, 实际论文数量均值达到6篇;高水平论文科研分值均值为1.214分, 实际科研分值均值为630分;科研项目数均值为0.512项, 实际科研项目均值为1.2项;高水平科技获奖数均值为0.048项;高水平著作数均值为0.282部;高水平发明专利数均值为0.271项。这一类属于科技水平较高、科研能力较突出的人才。将这一簇人才定位为科研类B类人才, 共计188条记录。

第二簇中高水平论文篇数均值为7.056, 实际论文数量均值为14篇;高水平论文科研分值均值为5.07, 实际科研分值均值为2500分;科研项目数均值为2.644项, 实际科研项目均值为5.6项;高水平科技获奖数均值为0.806项;高水平著作数均值为0.639部;高水平发明专利数均值为0.972项。显然, 这一类为科技水平很高、科研能力很突出的人才。将这一簇人才定位为科研类A类人才, 共计36条记录。

第三簇中高水平论文篇数均值为0.376篇, 实际论文数量均值不到1篇;高水平论文科研分值均值为0.109, 实际科研分值均值不到50分;科研项目数均值为0.09项, 实际科研项目均值为0.2项;高水平科技获奖数均值为0.003项;高水平著作数均值为0.061部;高水平发明专利数均值为0.062项。与第一簇和第二簇的相应指标均值比较可知, 第三簇属于科技水平一般、科研能力不太突出的人才。将这一簇人才定位为科研类C类人才, 共计610条记录。

对C类人才进行特征分析, 发现其中部分记录所有的科研成果均为0, 将此部分人员单独列出, 此类人才属于科技水平不高、科研能力一般, 定位为科研类D类人才, 共计320条记录。

最终聚类结果如表2所示。

3.4 构建人才科研指数K

根据科研数据聚类结果, 结合科研能力分类类别, 构建个人科研能力分类指数K:

个人科研能力分类指数K (姓名编号) =f (高水平论文篇数, 高水平论文科研分值, 高水平科研项目数, 高水平科技获奖数, 高水平著作数, 高水平发明专利数) =科研能力分类类别。其中K∈ (A, B, C, D) 。

4 人才科研指数与个人基本素质之间的关联规则挖掘

利用数据挖掘平台Clementine 12.0, 将人才科研指数方向设置为决策属性, 人事基本素质属性设置为条件属性, 应用Apriori经典关联规则算法, 最小支持度 (min_support) 设置为5%, 最小置信度 (min_confidence) 设置为45%。表3显示了挖掘结果中较为具有意义的规则。

根据挖掘规则1、2、3, 科研能力比较高的人才的主要特征为:学历为博士、职称为教授、毕业学校为985高校的人才科研能力较高。从规则4可以看出职务对于教师的科研能力具有负面影响。从规则5、6、7可以看出, 初始学历对于科研能力具有负面影响。从规则8可以看出, 初始学历毕业学校对于科研能力具有负面影响。从规则9、10、11可以看出, 工龄为超短、职称为初级的部分人才由于入校工作不久, 尚处于起步阶段。

5 结论

根据挖掘的关联规则, 针对该高校的实际情况, 为加强高校科研实力、提高高校科研水平, 人才引进和培养方面提出几点建议:

(1) 人才引进方面应当注重引进学历为博士的人才。同时注重人员的毕业院校, 引进一流院校的高学历人才。一方面, 从高校发展趋势来看, 引进高层次院校的高学历人才, 将提高科研能力, 以科研为动力, 促进高校教学与科研的整体提高;一方面, 从创新能力来看, 不同高校来源教师的学术交流, 将有效提高高校的教育创新能力。

(2) 防止“官本位”思想。正确引导高校教师的价值取向, 反对官位重于学问、权术重于学术。从上到下明确“学校的核心力量是人才、学校的主人是教师”的主导思想, 倡导“尊重知识、尊重人才”的理念。纯净高校的科研队伍, 对于致力于科研的人才, 给予职务应当慎重。该类人才在担当职务过程中, 由于耗费了一定精力, 将导致科研时间的减少, 同时影响其科研能力的提高。

(3) 对于不同类型的人才, 给予不同的培养政策。对于科研突出的“A类”人才, 重点资助科研经费, 通过重大、重点科研项目的资助, 帮助此类人才产出在国内外具有重大影响的科研成果。对于科研比较突出的“B类”、“C类”人才, 成立专项资金进行资助, 使其能够与“A类”人才共同组成优秀的学科梯队, 构成高校科研的中坚力量, 培养其成为“A类”人才。对具有发展潜力的“D类”人才, 为他们制定切实可行的发展计划, 提供各类进修机会, 提供机会赴国内外名师名校进修学习, 鼓励在职攻读学位, 大力提高他们的研究实验能力、组织能力、创新能力, 保证师资队伍的可持续发展。

参考文献

[1]吴靖, 林政.基于持卡消费行为的客户细分模型研究[J].中央财经大学学报, 2005 (6) :67-71.

[2]陈治平, 胡宇舟, 顾学道.聚类算法在电信客户细分中的应用研究[J].计算机应用, 2007 (10) :15-18.

[3]孙笑微.数据分类技术在高校人才识别系统中的应用[J].沈阳师范大学学报, 2008 (4) :133-136.

[4]徐国祥, 檀向球.上海市人才指数体系及其应用研究[J].财经研究, 2001 (12) :36-43.

[5]JOSHUA, ZHEXUE HUANG, MICHAEL K.Automated VariableWeighting in K-means Type Clustering[J].IEEE Transactions onPattern Analysis and Machine Intelligence, 2005 (5) :657-668.

[6]V MAKARENKOV, P LEGENARE.Optimal Variable Weighting forUltra metric and Additive Trees and K-means Partitioning Methodsand Software[J].Journal of Classify, 2001 (18) :245-271.

挖掘竞争对手人才的招聘策略 第2篇

设想一下，如果你能够从竞争对手那里选择性地挖走一些最优秀的职员，不但会促进你的公司内部的人才配置，还会对竞争对手造成严重打击呢?如果你的招聘策略重点在于实现业界最关键的技能配置，你的竞争对手就有严重的人才流失，从而削弱它的竞争能力呢?

许多读者可能会认为“偷走”别人团队里的职员听起来明显是一件不道德的事情。实际上，我并不主张你做任何卑鄙和肮脏的事情。相反，你可以通过系统地为行业巨星们创造更好的环境来吸引他们。这与为顾客提供优质产品来“偷走”他人顾客有些类似——没有什么褒贬可言。

为此，首先你需要明确哪家竞争对手拥有最多的且对其公司来说最关键的技能人才配置。根据你的行业和贵公司在业界的地位，对贵公司起关键作用的可能是销售，也可能是研发或生产，或其他技术类的因素，

实际上，单个的高层管理人员很难给企业带来真正的竞争优势。你要寻找的是那些能够实实在在创造或改变事情的人，或是那些做事效果可以明显量化的人。从情报活动的角度来看，我想这样做，一方面能够增强你自身的能力，另一方面，还可以削弱竞争对手的能力。

其次，确定“目标人选”。如果聘用的话，想一想谁最能帮助贵公司从竞争对手那儿复制一批人才，打造一个梦之队。你要寻求的是一个能创造并引领团队的人，所以目标人选必须才能卓越、经验丰富、魅力十足，这样他人才甘愿为他(她)工作。值得注意的是，资历本身代表不了任何东西，你的理想目标人选可以相对年轻，但他(她)一定得有十足的能力迅速取得成功。

用“诱饵”去物色这个梦寐以求的职员吧，吸纳这个优秀新人的过程也是锁定既定目标进程的一部分。如果你所在行业的巨星们对自己目前的工作完全满意，那该怎么办?你将如何吸引他们来接受面谈，又怎样去说服他们接受一份工作?在和他们取得联系之前，你就应该好好想想，哪些东西能够触动到他们的利益。

数据挖掘人才论文 第3篇

大数据时代是数据的革命时代，大数据不但改变着人类的生活和工作，也影响着人们的思维；大数据时代是数据变为资源的时代，大数据不仅对经济活动领域拥有巨大存在价值，对国家的治理模式也产生着不可替代的影响。自2014年3月将“大数据”首次写入《政府工作报告》以来，大数据成为政府工作的热词，2015年8月19日召开的国务院常务会议通过《关于促进大数据发展的行动纲要》，强调要推动政府信息系统和公共数据互联共享，消除信息孤岛，加快整合各类政府信息平台，避免重复建设和数据“打架”，增强政府公信力，促进社会信用体系建设。大数据正在改变着国家治理的方式，国家方针的制定已经不仅仅依靠人脑决策，也要依靠数据论证。人才开发政策的制定，当然也离不开大数据的应用。但是庞杂的数据并不能直接用于人才开发政策研究与制定，在这海量的数据中混杂着各种对制定人才开发政策有用和无用、相关和不相关的信息，要想找到这些被无数数据层层包裹着的信息，必须经过处理与分析，找出隐藏其中有用的规律性的东西， 这个分析与处理的重要工具就是数据挖掘。具体说，数据挖掘就是从海量、不完全的、有噪声的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在的有用的信息和知识的过程①。经过数据挖掘，找到所需要的信息，去掉不需要的信息。

数据挖掘在人才开发政策制定中常用到以下几种技术方法。一是关联分析，根据事物发生的概率和条件进行统计，找出那些有使用价值的相关事物。二是聚类分析，把数据按照相似性归纳成若干类别，同一类别中的数据相似，不同类别中的数据相异。三是分类，将采集到的数据归类到已定义的数据中，分类是大数据挖掘中最基本的工作，没有分类就没有鉴别，就没有使用价值。四是预测，将已有数据建立模型，再运用新数据作为输入值，获得趋势性变化的新数据。

大数据在人才开发政策制定中的作用主要体现在以下几个方面：

首先，大数据能够为人才开发政策制定提供新的科学方法。虽然近十年来政府部门在制定人才政策过程中越来越注重前期调研、专家咨询和智库参与，但是由于受调研面、调查成本、可操作性和专家知识结构等因素的限制，一方面获得的数据数量和质量都十分有限，另一方面这些数据的准确性、真实性和全面性依旧存在不尽如人意之处，在很大程度上造成一些已出台的政策出现了不够科学和实用性差的问题。大数据时代是人力资源信息爆炸的时代，每天产生的大量与人力资源相关的内容能够为政策制定提供前所未有的海量和高质量的社会数据、资料和信息。通过量化的方法转化为数据，利用数据挖掘技术，政策制定者能够深入分析人才个体和群体的复杂性。比如在高层次人才培养政策的制定中可运用聚类分析法将人才分类，高层次人才有其个性，也有其共性。人才分类可按在工作中担当的角色分类，可按性格特点分类，也可按专业类型分类，不论怎么样分类，总能找出其个性和共性。对同类人才的所有数据进行深度挖掘，把具有较高相似度的人才归为一组，把具有较高差异度的人才归为一组，可分为若干组，分组后再利用数据分析技术找出其内在的规律，在制定人才政策时，充分考虑各类人才的差异，制定出适用性强、创新度高的人才政策。

其次，大数据对人才开发政策制定具有预见性。大数据一个突出价值在其具有较好的预见性。运用数据关联规则挖掘数据背后发现事物之间可能存在的关联或者联系，根据事物发生的概率和条件进行统计，快速发现那些有价值的关联发生事件。沃尔玛对历史交易记录进行了分析，这些记录包括每一个顾客的购物清单、消费金额、购物时间及当时的天气等，经过数据处理他们从这些十分庞杂的数据中找出一些规律性的东西。如，每当飓风来临之前，不仅手电筒销量增加，蛋挞的销量也随之增加。因此，每当季节性风暴来临时，沃尔玛都会把蛋挞和飓风用品放在一起，既方便顾客又增加销量。在人才开发政策制定中必须注意到，人才数据有许多特点，这是因为人才本身就是一个涵盖面较广的群体，而且人才的特征描述结构复杂，另外对于人才的需求是随着国家的政治、经济、人民生活水平和综合国力的变化而变化的。由于各阶段对人才需求的不同也就导致对人才定义的不同，人才定义的不同导致人才的各类数据具有多变性、复杂性和多样性。运用数据关联规则挖掘技术，收集人才的成长环境、性格特点、兴趣爱好、生活习惯等看似与工作无直接关系的各类具有特点的数据，对其进行深入分析，可发现有助于人才培养，人才成长，人才流动、流向及需求等多方面的规律，使人才开发政策更加具有针对性和预见性。

再次，利用大数据对人才开发政策进行评估有利于评估的科学性。政策评估的目的是为了检验政策效果、总结政策经验和确定政策变化方向。一是大数据转变了以“政策结果”为导向的思维方式。传统的政策评估是对政策产出和政策影响进行检测和评价。一项政策实施后是否达到预期的目标，产生预期的效果，或产生哪些非预期的连带效果。人才政策结果包括人才政策的产出和影响，指的是人才群体及其受益者能从这项政策中获得的各种资源，以及该项政策对社会的影响。不能否认有些政策一出台就有问题，这是由于传统政策评估工作受到数据的局限性，不能对现实状况进行系统全面的考察和评价。大数据时代将数据分析技术引进政策评估工作当中，改变了政策评估后置的方式，使得政策评估伴随制定政策的全过程，制定政策的每一个环节均可运用数据分析各方面的情况，从源头保证人才政策的正确性和权威性。二是节约人才政策评估成本。传统的人才政策评估工作需要统计调查、数据整理、数据分析和评估，需要对数据进行存档和管理，为此评估机构投入大量的人力、物力、财力，评估的成本不菲。大数据则借助数据共享机制、数据源集聚平台及大数据处理技术对所需行业或领域的数据加以挖掘和分析，这大大节省了相关环节的成本。

注释：

①石丽、李坚《数据仓库与决策支持》，国防工业出版社 2003年5月。

（作者单位：中国人事科学研究院）

数据挖掘人才论文 第4篇

如何实现现代人力资源管理对人的动态管理, 对人力资源管理的相关活动构建成体系, 则需要获取大量的信息。由于传统的数据分析方法只能获得这些数据的表层信息, 并不能获得内在属性和隐含的信息, 这需要转变理念, 探索运用数据挖掘理论, 采用新技术分析这些数据, 使得大量的数据信息得以有效利用。

1 数据挖掘技术概述

数据挖掘 (Data Mining) 就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中, 提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。与数据挖掘相近的同义词有数据融合、数据分析和决策支持等[1]。

数据挖掘库可能是数据仓库的一个逻辑上的子集, 而不一定非得是物理上单独的数据库。但如果数据仓库的计算资源已经很紧张, 那最好还是建立一个单独的数据挖掘库 (见图1) [2]。

数据挖掘是一个多阶段的过程。一般情况下, 它可以分为三个主要阶段, 即:数据准备、数据挖掘、结果表达和解释。知识发现 (KDD) 过程是这三个阶段的反复过程。如图2所示。

应用数据挖掘技术需满足以下三个条件:一是用数据挖掘解决什么样的问题;二是为进行数据挖掘所做的数据准备;三是数据挖掘的各种分析算法[3]。

2 数据挖掘在人才评定管理中的应用

掌握组织内人才构成及类型, 判断某一员工属于哪一类型的人才, 对人才选拔和制定组织人才发展战略都是十分重要的。数据挖掘技术能够从组织内有关人员工作情况的众多数据库中提取人力资源信息, 并发现其中的联系和模式, 从而客观地反映组织内部人才构成情况。

下面介绍能针对解决此问题的数据挖掘技术。

2.1 模式介绍

利用此模式可以发现组织中存在的人才类型, 同时还可以判断出该职员属于这些类型中的哪一类。

1) 在数据仓库的全体数据记录上, 建立待分类的样本集

H0, 把要分类的对象称为样本, 如 h1, h2, …, hn, H={h1, h2, …, hn}为样本集。为了做到合理的样本分类, 应将其具体属性数量化, 数量化的属性称为样本指标, 设有m项指标, 这可用m维向量描述样本, 即:

hi= (hi1, hi2, …, him) (i=1, 2, …, n) (1)

由于实际数据中, 采集到的数据往往不是[0, 1]闭区间的数, 所以应将这些原始数据标准化, 先求其平均值, 例如样本集共有n个样本, 对样本的某一项指标k就可取到n个数据 h′1k, h′2k, …, h′nk, 式中h′nk表示第i个样本对第k项指标取得的数据, 它们的平均值按 (2) 式计算:

h′k= (h′1k+h′2k+…+h′nk) k=1, 2, …, m (2)

然后按 (3) 式求出这些原始数据的标准差Sk

undefined

再按 (4) 式求出各数据的标准化值hikn:

undefined

这时得到的标准化数hikn, 如果还不在[0, 1]闭区间之内, 再采用下面的极值标准化公式:

undefined

这里h″maxk和h″mink分别表示h″1k, h″2k, …, h″nk中的最大值和最小值。

2) 建立模数相似关系R。R可表示为相似矩阵, 一般的形式如下:

undefined

0≤rij≤1; i=1, 2, …n; j=1, 2, …n (6)

计算的rij的方法很多, 这里采用最大最小法, 即:

undefined

3) 聚类分析。

采用最大树方法, 即构造一个特殊的图, 以所有被分类的对象为顶点, 当rij≠0时, 顶点i与顶点j就可以连一条边。具体做法是先画出顶点集中的某一个i, 然后按rij从大到小的顺序依次连边, 并要求不产生回路, 直到所有的顶点都被连通为止, 这样就得到一棵最大树。精确一点说, 是一棵“赋权”树。每一条边都能赋以某一权数, 即rij。但是由于具体的连法不同, 这种最大树不可能是唯一的。

然后对最大数取λ截集, 即去掉那些权数rij<λ的边, λ∈[0, 1]。这样就把一棵树截成互不连通的几棵子树。虽然最大树并不唯一, 但取了截集之后, 所得的子树是一样的。这些子数据即为数据仓库中归纳发现的模式。

2.2 预测

1) 求各模式平均指标。对所得的每一模式, 按下式求其平均指标:

Modeij=∑hik/p i=1, 2, …, s;j=1, 2, …, m (8)

其中 s表示总共模式数, k表示该模式 (即第i种模式) 由仓库中的哪几条记录推出, p表示推出该模式的记录总数。

2) 对待预测的样本

X= (X1, X2, …, Xn) 是该样本在论域 X上的n个模糊子集, 与数据仓库中已分类的模式作比较, 求出它们之间的贴近度:

(X, Modei) = (1/2) [X·Modei+ (1-X⊙Modei) ] (9)

(其中·和⊙分别代表模糊运算中的内积和外积。)

根据择近原则, 即:

(X, Modei) =max ( (X, Mode1) , (X, Mode2) , …, (X, Modes) ) (10)

判定该样本接近哪一模式, 从这一模式的整体情况预测其结果。

运用这样的方法就可以解决在人力资源管理过程中人才评定的难题, 但是, 这种通过具体的科学运算来完全代替人性化的管理还存在着一定的问题, 相信在今后数据挖掘技术越来越完善的同时, 其在人力资源管理中的应用也会越来越准确。

参考文献

[1]计算所.数据挖掘研究现状[Eb/OL]. (2005-11-09) [2011-02-20].http://www.51cto.com/ht ml/2005/1109/11040.ht m.

[2]万星火, 檀亦丽.数据挖掘的聚类方法[J].统计与分析, 2005 (18) :125-126.

数据挖掘人才论文 第5篇

2021年11月

目 录

一、企业管理人员调研情况 1

（一）企业基本信息 2

（二）人才需求情况 7

二、企业员工调研情况 12

（一）个人基本信息 12

（二）岗位能力需求调查 14

三、毕业生调研情况 17

（一）个人基本信息 18

（二）学习评价调查 21

四、兄弟学校调研情况 24

（一）学校及专业信息 24

（二）教学及师资建设情况 26

重庆市铜梁职业教育中心

现代制造企业人才需求调研报告

为充分了解社会经济、现代制造相关企业、行业企业发展情况，现代制造相关企业从业人员基本情况和人才需求情况；掌握产业发展、职业岗位对现代制造专业人才培养规格、能力和素质结构的要求；了解行业主管部门、学校主管部门对现代制造类专业建设、布局结构调整的主要看法和措施；分析同类专业建设、人才培养方案、课程体系建设、教育教学改革现状、存在的主要问题及有效举措，确定本专业人才培养目标、优化课程体系和教学内容、教学模式，加快推进专业建设与改革，以更加优质高效地为区域经济社会发展培养技术技能型人才，我专业团队于2019年8月中下旬开展了行业企业人才需求调研。

本次调研采取座谈、访谈和问卷调查的形式展开，其中，问卷调查共计发放企业管理人员问卷28份、企业员工问卷88份、毕业生问卷50份，学校问卷5份，回收企业管理人员问卷11份、企业员工问卷83份、毕业生问卷35份，学校问卷5份，回收率分别为100%、70%、100%、100%。

一、企业管理人员调研情况

企业管理人员调研主要从企业基本信息、人才需求调查两个个方面进行。

一是企业基本信息包括企业名称、企业地址、企业性质、企业成立时间、重要业务领域、主要岗位设置、企业员工人数、员工的学历情况、年龄结构、工龄结构、中职毕业生起薪、5年工作经历员工的收入情况。

二是人才需求情况，涉及近年现代制造专业人才需求数量、近三年员工招聘数量、未来三年员工需求情况、员工主要来源、人才需求最为迫切的岗位、招聘员工的年龄倾向、学历要求、职业资格要求、技能等级要求、工作经历要求、企业最为看重的能力、企业认为员工最重要的基本素质、中等技能人才基本素质观点等内容。

具体问卷情况如下：

（一）企业基本信息

1.企业名称

本次调研共调查了10个企业5所学校，其中我们每个企业最少选取1个高管和1个人事主管的作为标准，尽可能科学合理的收集企业信息。

表1-1 调查企业

2.企业地址

参与调查的10个企业5所学校，其中广东省有4家，重庆地区11家，详情地址见表1-2。

表1-2 调研企业地址

3.企业重要业务领域

调研的11家企业主要业务包括：起动电机、发电机、发动机飞轮、电气开关、通用汽油机、工业机器人、冶金加工、机械工业为核心动力的高端通用机械产品的设计、开发、制造和销售等。

4.主要岗位设置

被调查的11家企业中主要设置的岗位包括机械识图、零件检测与质量控制、工业机器人操作与编程、机加工工艺及技能训练、数控车工基础及技能训练、数控铣编程与加工、数控车编程与加工、零件加工工艺编制、零件加工、成品组装、研发及生产销售等。

表1-4 企业岗位设置

5.企业员工人数

被调查11家企业，重庆光大产业有限公司员工总数超过1500人，重庆涪柴动力机械制造有限公司员工数为1000人以上，这次调研是一次规模巨大，数据广泛并具有极强可信性的调研活动。

表1-5 企业员工人数

6.企业员工的学历情况

从表中可以看出，调研的11家企业大专、本科学历比例占到50%以上，说明企业不仅看重学历，还有员工的技能水平。

表1-6 企业员工的学历结构

7.企业员工技能情况

调研的11家企业中，有15.7%的从业人员不具备任何技术等级证书。企业对一线员工的技能等级要求集中于初中级工，比例达到66.6%。

表1-7 企业员工技能统计表

8.中职毕业生起薪

从被调查的对象看，认为中职学生起薪在2500以下的占46.6%，其中2000-2500元之间的占33.3%，这表明中职学生起薪主要集中于这一薪级之间。

表1-8 中职毕业生起薪

（二）人才需求情况

1.企业人才需求情况

被调查的11家企业对现代制造类专业人才需求见表1-9，从表中数据得出，现代制造类企业对技术工人的需求量较大。

表1-9 现代制造类专业人才需求量

2.近三年员工招聘数量

从近三年企业员工招聘数量，企业2018年招聘数在100-200人之间的和200-500之间的占被调查者的26.6%；认为2018年招聘数在200-500人之间的占20.0%，认为2018年招聘数在200-500人之间的占26.7%。

表1-10近三年员工招聘数量

3.未来三年员工需求情况

被调查企业在自身未来三年企业员工的需求情况作出了预测，其中认为2017年需求人数在100-200人之间的占33.3%，认为2018年需求人数在200-500人之间的占33.3%，认为2019年需求200-500人和500人以上的分别占26.7%和20.0%，这反映出被调查者对未来企业发展的乐观性，同时也反映出当前企业正处在极具扩张的态势。

表1-11 未来三年员工需求情况

4.员工主要来源

被调查对象中，企业通过人才市场中介招聘自己所需要的员工占32.3%，通过熟人推荐占29.0%，网络应聘占19.4%，而招聘应届毕业生则仅有6.5%。

表1-12 企业员工的主要来源

5.人才需求最为紧缺的岗位

从目前企业哪些岗位的人才需求最紧缺来看，企业当下对现代制造类专业工人需求最大，占38.5%，对现代制造类专业操作工、编程员和检测工的需求仅为7.7%。

表1-13 最为紧缺的岗位需求

6.学历要求

被调查企业对自身员工学历要求不高，主要要求中专或大专及以上即可，占86.7%，这与岗位需求为现代制造类专业相一致。

表1-14 一线员工的学历要求

7.职业资格要求

被调查企业都对一线员工的职业资格要求逐年偏高，除专业岗位要求以外，同时也显示出对个人技能的其他要求。

8.技能等级要求

被调查的企业对一线员工的技能等级要求集中于初中级工，比例达到66.6%。

表1-16 一线员工的技能等级要求

9.企业最为看重的能力

从调查看，企业最为看重员工的熟练操作，其次是开发创新能力，这反映出中职学校要加强学生操作技术技能的培养。

表1-17 企业看重的能力要求

10.企业对人才基本素质要求

企业认为中等技能人才应具备的基本素质排序为吃苦耐劳、勤奋好学、工作仔细、专业能力强等，具体见表1-18。

表1-18 中职技能人才应具备的基本素质

二、企业员工调研情况

企业员工调研主要从个人基本情况和从业经历两个方面进行。

一是个人基本信息主要包括性别、年龄、学历、职称、所在企业、工作岗位、工作时间、月收入、技能等级等内容。

二是从业经历调查主要包括工作前景看法、工作难易度、工作满意度、进入企业途径、专业对口度、岗位运用最多的知识、急需充实的技能知识、自我认为急需提高的能力、工作愿景和企业最为看重的员工素质条件等内容。

具体问卷数据情况如下：

（一）个人基本信息1.调研人数统计

本次调研的11家企业，调研人数的统计见表2-1。

表2-1 调研人数统计

2.学历情况

从学历情况看，被调查的员工具有大专及以上学历占68%，这与管理人员调查情况大致相同。

表2-2 学历情况

3.职称情况

从职称情况看，被调查的员工当中，基本都具有相关技能工种的职业资格证书，一是与这行业就业标准相关，二是与职业学校毕业要求相关。

表2-3 职称情况

4.工作岗位情况

从参与调查的员工所在的工作岗位看，数控车工编程与操作工占36.4%，工业机器人操作工分别占15.9%。

表2-4 工作岗位情况

5.月收入情况

从月收入来看，参与调查的员工中月收入在1000-3000元之间的占52.4%，3000-5000元之间的占45.2%。

表2-5 月收入情况

（二）岗位能力需求调查1.岗位主要工作内容

通过对岗位员工的调研，得出表2-6统计的现代制造类专业相关岗位的典型工作任务.表2-6 岗位典型工作任务与能力要求

2.企业最为看重的员工素质条件

企业最为看重员工专业操作技能，达到61.36%，其次是专业理论知识，达28.41%。

表2-7 企业看重员工素质条件

3.岗位运用最多的知识

在岗位运用最多的知识调查中，零件加工知识运用较多，其次是零件检测知识，再次说零件加工工艺编制知识，然后说维修与售后知识，同时也有17%的员工选择了其他知识，说明对于当前岗位需要的知识调查还需进一步加强。

表2-8 岗位运用最多的知识

4.急需充实的技能知识

从表2-9中可以看出，岗位中急需充实的技能知识排序依次是零件加工工艺编制能力、、零件检测能力、机械设计、数控车床操作等。

表2-9 急需充实的技能知识

5.自我认为急需提高的能力

从自我认知中自己急需提高的能力方面看，专业技能水平、人际交往能力、管理能力、语言表达能力排在前列。

表2-10 自我认为急需提高的能力

三、毕业生调研情况

毕业生调研主要从基本信息和学习评价调查2个方面进行。

一是个人基本信息主要包括性别、年龄、所学专业、学历、技能等级、工作岗位、工龄和月收入等内容。

二是学习评价调查主要包括所学知识重要性程度、知识对个人发展满足度、个人发展中急需的知识、职业资格证书考取难易度、证书获取中知识相关度、资格证书的重要性、岗前培训时间、重要性、与学校专业学习的相关性、专业对口度、职后指导、当前最为欠缺的能力、同辈能力评价、职业素质了解度、工作期间能力提高情况、自我应重点提高的能力、毕业歧视原因分析、工作困扰原因分析、自我知识能力评价、课程重要性评价、课程设置问题与建议等内容。

具体问卷数据情况如下：

（一）个人基本信息1.应聘工作次数

根据调研数据，通过1次应聘获得工作的人数占比达到80%，说明了数控技术应用专业人才需求量非常大。

表3-1 应聘次数统计

2.获取工作的途径

在35份调研问卷中，有80%的人表示是通过校园招聘会获得就业，这也与之前企业招聘人才方式的主要方式相符。

表3-2 获取工作的途径

3.就业单位规模

在35份调研问卷中，公司规模在10人以下占5.4%、10-49人占43.3%、50-99人占48.6%、100-499人占2.7%，其中公司规模10-99人的共占91.9%，这与我们选取的企业调研对象规模基本相符。

表3-3 企业规模

4.工作地点情况

4.工作地点情况

由下表数据可知，学生就业工作地点在本市的占48.57%，在本省工作的人占比例25.71%。在沿海发达地区及其他地区工作人数不足25.72%，由此看出：学生在就业地点的选择上更倾向于离家较近的地方。

表3-4 工作地点统计

5.工作岗位

被调查毕业生中普通工人占80.6%，说明学生在毕业后首次进入企业从事工作大多为普通工人。

表3-5 工作岗位

6.月收入情况调查

从月收入看，被调查的毕业生中有81.86%在2500元以下，值得反映的是有51.43%的毕业生认为自己的月收入为2030元。月收入超过3000元的毕业生比例不到20%。

表3-6 月收入

7.工作的满意度

从工作满意度看，有22.86%的员工对目前自己的工作不够满意，有45.71%的员工认为满意度一般，仅11.43%表示满意。

表3-7 工作满意度

（二）学习评价调查1.知识对个人发展满足度

在知识对个人发展满足度上，仅有8.57%的毕业生认为比较满足，有65.71%的毕业生认为一般，而不满足和很不满足的毕业生占比达到25.7%，这说明学校应加强课程设置和课程体系的优化。

表3-8 知识对个人发展满足度

2.个人发展中急需的知识

在个人发展中急需的知识方面，认为专业技能最急需的占38.7%，认为人际交往等知识最为急需的占32.3%。这与毕业生认为的知识的重要性程度调查结果相一致。

表3-9 个人发展中急需的知识

3.当前最为欠缺的能力

在当前最为欠缺的能力调查上，计算机应用能力、外语能力和管理能力排在了前三，这说明学校应进一步优化课程结构，加强课程体系建设。

表3-10 当前最为欠缺的能力

4.课程重要性评价

在课程重要性评价上，机械识图、工业机器人、模具制造技术、零件检测与质量控制排在前几位，这与毕业生从事的工作岗位密切相关。

表3-11 课程重要性评价

5.学校在就业方面需要加强的项目

毕业生对学校在就业方面需要加强的项目统计显示，大多数人还是认为要加强技能培训，其次是要做好向用人单位做好联系，推荐工作，这些需求符合职业教育以职业能力为导向的培养模式，开展与岗位典型工作任务相符的教学内容。

表3-12学校在就业方面需要加强的项目

四、兄弟学校调研情况

兄弟学校调研主要从学校及专业信息、教学及师资建设情况等2个方面进行。

一是学校及专业信息，主要包括学校名称、本专业学生数量、专业建设中存在的困难、学生学习积极性、学生对就业前景的认识等内容。

二是教学及师资建设情况，主要包括学生能力要求、专业教学资源需求、专业教师自身提升途径、专业教师最需提升的能力、教学过程中存在的问题等内容。

具体问卷数据情况如下：

（一）学校及专业信息1.学校名称

此次调研的对象都是我市办学实力较强的学校，选取的填表人员多为该校现代制造类专业带头人或骨干教师，对各自学校及专业情况都足够了解。

表4-1 调研学校统计表

2.专业学生数量

在调研的5所学校中，有3所学校现代制造类专业学生数量少于500人，有1所学校现代制造类专业学生数量在500~1000人，有1所现代制造类专业学生数量在1000人以上。

表4-2 专业学生数量统计

3.专业建设中存在的困难

3.专业建设中存在的困难

在调研的5所学校中，认为招生困难的学校有4所，认为难以开展实训教学环节的有5所，认为学生就业困难的有1所，认为办学经费不充足的有2所。

表4-3 专业建设中存在的困难

4.学生学习积极性

4.学生学习积极性

调研的5所学校中，有1所学校的老师表示学生学习非常积极，有4所学校的老师表示学生学习比较积极。

表4-4 学生学习积极性统计

5.学生对就业前景的认识

调研的5所学校中，针对学生对就业前景的认识度，有3所学校的老师表示学生认为比较好，有2所学校的老师表示学生认为一般。

表4-5 学生对就业前景的认识度统计

（二）教学及师资建设情况1.学生能力要求

根据调研的5所学校，统计得出学校主要还是注重学生专业能力的培养，特别是专业基础知识部分，如零件加工能力和零件检测能力两项，所有参与调研的老师都表示对学生能力要求非常重要。

表4-6 学生能力培养统计

2.专业教学资源需求

根据调研的5所学校，在专业教学资源需求方面，对实训设备、图书资料、参考文献等方面的需求百分比分别为100%、60%、20%。

表4-7 专业教学资源需求统计

3.专业教师自身能力提升途径

根据调研的5所学校，通过学历教育深造、自发科研活动、参加学术会议、参与企业实践、学校组织科研活动、参加培训班、各类资格考试、到企业挂职等各途径的百分比分别为60%、40%、60%、60%、40%、80%、60%、80%。

表4-7 专业教学资源需求统计

4.专业教师最需提升的能力

根据调研的5所学校，有20%的调研对象表示要提升教师的教学方法，有80%的调研对象表示要提升教师的专业理论知识，有60%的调研对象表示要提升教师的专业技能。

表4-9 专业教师最需提升的能力求统计

5.数控技术人才需求问题

装备制造业是数控机床应用大户，也需要大量数控技术人才。这些几年经济效益较差，任务饱满度不高，但企业还是需要大量的数控技术人员，作为一线操作员工以及技术储备。无论是数控机床操作人员、数控加工工艺编程人员，还是数控机床的维修人员都很缺乏。在市场经济环境中，大多数企业职工的收入偏低，对数控人才吸引力不强，这是造成数控人才普遍缺乏的主要原因。甚至出现个别数控人才的流失，造成企业数控设备停工，给企业造成很大损失。

2.川渝地区数控人才供不应求，主要集中在模具制造企业和汽车零部件制造企业。大量民营、合资企业和外资企业人员比较精干，更加需要既精通数控加工工艺、编程，又能熟练操作数控机床，同时对数控机床的维护维修有一定基础的复合型的技术人才。

“蓝领层”需求数量大，但相对比例将会有所下降。在我们所调研的企业中，虽然大部分企业目前只要求操作者能熟练操作机床，程序由专人负责编写，但随着企业对数控人才的高效利用和进口数控系统的配置，已有企业对“蓝领层”提出了更高的知识结构要求。部分企业已大规模引进了高职毕业生从事数控机床的操作。可以预见，在企业对“蓝领层”的数控技术人才的数量有很大需求的同时，对其知识和能力要求会越来越高

关于挖掘企业“银色人才”的思考 第6篇

关键词：银色人才；宝贵财富；资源开发

广大离退休老同志是企业的宝贵财富，挖掘这些“银色人才”为企业各方领域增添正能量，让他们老有所为，是新形势下企业改革所需、老同志自身所愿、老干部工作职责所在。离退休群体是一个巨大的人才资源宝库，只有充分挖掘运用好这一资源和优势，才能更好地把老同志所蕴藏多年的经验及特长释放出来，为社会的发展和企业的稳定也是大有好处。

一、认识“银色人才”资源开发的重要意义

所谓“银色人才”资源，是指已进入退休年龄的高素质群体，只是相对中青年而言，总体上并无优劣之别，“银色人才”本身具有专门的知识和能力，能够创新，有所建树，都是“银色人才”资源。千里马需要伯乐，人才没有年龄界限之分。

随着我国石油价格与国际油价的接轨，使石油企业面临越来越激烈的竞争与挑战，面对成本不断上升、油价大幅波动的现实，企业需要“银色人才”的再奉献，以较小的再投入获得较大的再开发效益。中海油前辈是海油发展中的宝贵资源，做好“银色人才”资源开发工作，才能变企业老龄化的压力为动力，为实现企业可持续发展开源节流。中海油前辈是海油发展中的宝贵资源，做好“银色人才”资源开发工作，让他们老有所为，必能为实现企业可持续发展开源节流，也能为企业带来巨大的经济和社会效益，形成双赢的局面。

二、“银色人才”资源存量丰富

中海油老干部局二处离退休老同志人员结构情况，70岁以下较年轻的老同志，所占比例是64%；具有领导才能的人，所占比例是25%；具有技术职称的老同志，所占比例是81%；具有高学历的老同志，所占离退休老同志比例的70%。

他们具有较高的受教育程度和专业技术水平，同时身体健康、品德高尚；他们中有高水平管理人才、技术人才，有摄影专业、书法、绘画方面的成功者、爱好者、还有熟悉海洋石油各业务板块的新闻报社记者、编辑人才等等。

三、老有所为取得显著成效

如何认识“银色人才”，我们不应仅仅单纯考虑老年人的物质生活保障，做好供养，而且还应以更加积极的方式，在保障老年人生活的基础上，注重老同志的精神生活，孤独比贫穷更可怕，愚昧比落后更可悲，挖掘他们中的人才，由企业搭建平台，让他们走出家门、自发组织、自己培训、融入社会、与社会相关组织建立联系，发展老年教育，参与适合老同志特点丰富多彩、健康向上的文体活动，运用自己的专业与特长，以及综合知识，发挥他们的余热，满足精神生活、具备成就感，跟上新时代。

自发组建的海之恋模特队：（由一位78岁的退休老人担任艺术总编），互教互学，积极参加过各种比赛，曾获过多个奖项，包括2013年荣获北京市老年模特大赛二等奖。摄影兴趣小组：我们将具有专长的肖工请出山担任授课老师，他是中海油新退休老同志，现担任“心连心摄影沙龙”副会长，曾获得2010年“中海油优秀摄影师”称号、2013年摄影大赛优秀奖，请他给感兴趣的摄影爱好者授课，讲解摄影入门知识。还有新街口片区摄影多年的宋工也非常愿意把他几年来的拍摄经验倒出来，与爱好者共享。爱好者得到实惠，教授者特长得以发挥，自我价值得以更加实现。

老年人是社会的受益者，同时也是参加者、贡献者。“银色人才”的开发是一种简便高效的获取人才资源的方法，其成本最低、见效最快。

四、“银色人才”资源开发举措

目前我们只是做了初步的尝试，未来还要进一步摸清老同志的需求，了解现有的离退休队伍中各类人才，发挥他们的特长，具体实施方法有：

1、夯实基础—建立“银色人才”库

“银色人才”的预测和规划，建立信息数据库和信息网络，实现人才资源共享，为他们发挥作用提供信息平台，全面掌握人才总量、年龄结构、专业类别、身体状况及公司需求等。在引导老年人进入人才第二次利用时，也要启发、引导那些不愿意或有抵触思想的老年人，使他们也能找到发挥自己才能的领域，并组织、推荐、团结、带领他们积极有所为。

2、兴趣带动—丰富退休生活

内部或外部聘请身体力行且具有各专业特长的“银色人才”，投入到各项文化养老活动中来，是否可以考虑开办老年大学等做些工作。如在原有舞蹈、模特班、摄影班项目的基础上，继续扩大兴趣小组的种类，书法、绘画、合唱、烹饪、太极拳等。只要认真发掘，一定能找到既擅长又乐于担任老师、教练的顶尖人才。

3、文化传承—凝练海油精神

优化海油文化引领，提高新时代员工归属感，可以由老职工进行传承。可以构建老职工讲故事平台、开展海油历史讲座等活动，退休，人不休，不同层次的“银色人才”，可以发挥不同的作用，可以带动其他老年人，老有所为、老有所乐。

4、经验传递—共享技能经验

与中海实业公司倡导内部培训相结合，建立一支银色培训师队伍，以“银色人才”资源库为基础，以“银色人才”本身意愿为前提，以共享经验为目的，开展各种形式的交流、学习、培训活动，实现经验传递的同时，既丰富了退休人员的生活，也促进了和谐企业的发展。

5、知识沉淀—发光发热

退休人员中，不乏身体健康，经验丰富的顶尖人才，他们也愿意为海油事业献计献策、参与科研、创新、创业。可以发挥杰出老年人的“人梯”作用，让他们著书立说，让在职的各类人才站在巨人的肩膀上更快成长。可以考虑开办老年人的刊物，让愿意写作的人，晒晒自己的退休生活、写写过去时候的回忆录、说说他们的健康养生经验，还可以展示一下他们的作品等。

数据挖掘人才论文 第7篇

企业界则将大数据看作与自然资源、人力资源一样重要的战略资源。O’Reilly公司断言“未来属于将数据转换成产品的公司和人们”[2]。麦肯锡在2011年5月发布的报告“大数据:下一个创新、竞争和生产力的前沿”中指出, 大数据是继传统IT之后的下一个提高生产率的技术前沿, 将成为未来提高竞争力、生产力、创新能力以及创造消费者盈余的关键因素[3]。

2012年3月, 美国奥巴马政府宣布投资2亿美元启动“大数据研究和发展计划”, 认为大数据是“未来的新石油”, 将“大数据研究”上升为国家意志, 这必将对未来的科技与经济发展带来深远影响[2]。

交通工程是形成与20世纪80年代的一门年轻的应用型学科, 涉及工学、管理学、经济学、社会学等多个领域的交叉和融合, 旨在培养从事交通规划、设计和管理等方面的人才。大数据技术的发展, 为交通工程学科带来新的机遇, 促进了交通数据分析和信息服务产业的发展, 同时也对传统的交通工程人才培养提出了新的要求。

一、大数据技术对交通工程学科的影响

传统交通工程技术以抽样调查为基础, 而大数据技术的发展, 一方面, 提供了更为完备的数据环境;另一方面, 在实证、演绎和仿真模拟3种研究范式的基础上, 出现了“数据密集型科学”的新研究范式, 这将对传统交通工程的理论、技术体系产生重要影响。

在交通数据采集方面, 感应线圈、浮动车等技术的广泛应用, 使得城市交通系统状态信息的获取更为方便。而以手机信令、智能手机、车联网传感器、物联网传感器等为代表的新一代广域交通数据采集技术, 具有实时性强、样本量大、覆盖范围广、采集成本低等优势, 可以实现对个体活动的连续追踪。此外, 论坛、微博等社交网络数据, 包含活动位置信息、公众态度等信息, 在交通政策分析等方面具有很强的应用潜力。数据获取能力的进步, 使得对交通系统进行全面、连续地观测成为可能, 也为交通技术分析提供了全新的数据环境。

在交通规划方面, 传统的交通规划方法是建立在以“四阶段”方法为代表的交通模型体系之上。形成于20世纪60年代的“四阶段”方法以城市居民出行大调查为基础, 通常5~10年进行一次, 抽样率在2%~5%、甚至更低。因此, 样本数据的代表性和时效性存在固有缺陷, 影响了交通预测模型的精度。而大数据技术为交通规划技术的革新带来了新的机遇, 手机等新的数据采集方法, 可以获取大样本、甚至全样本的居民出行数据, 有助于对城市交通需求的现状和发展趋势做出准确的判断。而通过对城市交通系统状态和居民出行行为的连续观测和分析, 可以监测交通规划和建设方案的实施效果, 从而将传统“开环”的交通规划技术流程, 转变为以城市交通战略调控为核心的“闭环”反馈控制的新模式, 通过对交通系统发展过程的调控, 促进城市交通的可持续发展。

在交通管理方面, 新的数据采集手段, 使得全面、实时获取城市交通系统的运行状态成为可能, 这为城市交通系统问题的诊断、区域协调控制策略的制定和实施提供了良好的条件。而车联网技术实现了车辆与车辆、车辆与道路基础设施之间的交互和协同, 使道路的利用效率和安全性大幅提高。此外, 采用大数据技术对出行者行为、交通需求结构进行分析, 有助于制定有针对性的交通需求管理政策, 通过交通方式结构的调整, 促进道路交通资源的高效利用。社交网络数据的利用, 有助于了解公众对交通政策、措施的态度和评价, 减少交通政策和措施的不利影响。

二、交通数据分析和信息服务产业

交通大数据环境的形成和大数据技术的发展, 促进了交通数据分析和信息服务产业的形成和发展。舍恩伯格认为, 在大数据产业将形成大数据掌握公司、大数据技术公司和大数据思维公司3类企业。其中, 大数据掌握公司是指拥有大量数据, 但却不一定拥有提取数据价值技术的企业;大数据技术公司是指具备数据分析专业技能的企业, 包括咨询公司、技术供应商等;大数据思维公司是指具有怎样挖掘数据的新价值的创新想法的企业。[6]

同样, 在交通领域, 也逐渐形成了数据采集、整合、分析、挖掘、展示和服务的交通大数据产业链。相应的企业或部门可以分为5类:交通数据采集公司、交通数据掌握公司、交通数据分析公司、交通数据思维公司和交通信息服务公司。

1. 交通数据采集公司。

在交通管理中, 由于不少城市的感应线圈、微波雷达等自动采集设备还难以覆盖整个城市路网, 因此, 交通流量、延误、通行能力等调查需要采用人工方式;而交通规划的出行调查、公交OD调查等也主要采用人工调查方式。由于人工调查费时、费工, 需要临时招募和培训调查人员, 且数据质量难以保障。因此, 逐渐形成了专业的数据采集公司, 比如:北京晶众公司等, 主要承接交通调查的外包业务, 形成了专业的采集队伍和标准化的采集技术流程。

2. 交通数据掌握公司。

是指拥有大规模交通数据的企业或部门。以前国内城市的交通数据分散在市政、交警、交通、规划等多个职能部门, 为了减少重复建设、充分利用数据资源, 各大城市都逐步建立了交通信息中心, 对各部门的交通数据进行汇聚和整合, 并推进了交通数据采集、传输、存储的标准化。比如:北京交通信息中心、上海交通信息中心等。公交公司、地铁公司、出租车公司等也掌握了各自领域的交通数据, 可喜的是, 这些数据都逐渐接入城市交通信息中心。另外, 随着交通数据采集技术的发展, 手机信令、智能手机、社交网络等也成为交通信息的重要来源, 移动通讯企业、互联网公司等也成为交通数据的掌握者。

3. 交通数据分析公司。

是指从事交通数据加工、分析和系统开发的咨询公司或IT企业, 比如:上海美惠公司、上海电器科学研究所等。这类企业根据交通规划、管理和服务的需要, 将原始交通数据加工成交通状态信息、交通出行信息、交通决策信息等。比如:将出租车GPS位置数据加工为道路交通状况信息, 反映路网的拥堵状况, 为交通管理和公众出行提供参考。

4. 交通数据思维公司。

是指具有创新想法的公司, 将交通数据应用到新的领域, 包括咨询公司、高校等, 这些创新想法通过专利、论文、咨询方案等形式体现。比如, 同济大学先后参与了深圳城市交通仿真系统、杭州市智能交通信息平台的设计和建设, 促进了城市交通管理和规划技术水平的提升。

5. 交通信息服务公司。

是指为公众或企业等最终用户, 提供交通信息服务的企业或部门。比如:城市交通信息中心通过交通广播、可变情报板、Web网站等, 向公众发布道路交通状况、停车位等信息;Google、百度等企业通过Web、手机地图服务等, 向公众发布道路交通状况、公交线路、出行路径诱导等信息。

随着交通大数据产业的发展, 有的企业不断向产业链的上游或下游延伸, 同时具备上述5类企业的2个或多个特点。

三、大数据环境下的交通工程专业人才需求

大数据产业的发展带来了新的人才需求。舍恩伯格认为, 大数据技术催生了一种新的职业“数据科学家”, 是统计学家、软件程序员、图形设计师和作家的结合体[6]。麦肯锡在2011年发布的研究报告中预测, 到2018年, 在美国, 懂得如何分析大数据并从中做出有效决策的管理者及分析师的人才缺口将达到150万[7]。在中国, 大数据技术已被应用于电信、金融、零售、制造等行业, 企业对数据分析人才的需求也日益增长。为此, IBM提出了“IBM U—100”合作计划, 将与中国100所高校合作, 通过捐赠软件、合作开设课程等方式, 培养大数据分析人才[8]。

传统的交通工程专业主要培养交通规划师、交通设计师和交通模型师3类技术人才。其中, 交通规划师主要配合城市规划师进行交通专项规划, 负责交通设施体系规划、交通近期建设规划和交通运输发展政策规划等工作;交通设计师主要从事道路空间设计、交通组织和控制方案设计, 公交系统和慢行交通系统设计等工作;交通模型师则为交通规划和管理工作提供定量分析工具, 以抽样调查数据为基础, 构建城市交通仿真模型, 对规划、管理方案和政策进行测试和评估。

随着交通数据分析和信息服务产业的发展, 交通大数据分析人才的需求也越来越大。因此, 培养交通数据分析师将成为交通工程专业的新任务。

交通数据分析师主要负责交通数据的采集、整理、分析和展示, 根据数据提炼的事实和关联关系, 对交通系统现状和发展趋势进行研判, 支持交通规划和管理决策过程。

交通模型师与交通数据分析师都从事支持决策过程的定量分析工作, 但在内容上具有较大差异。交通模型是采用定期抽样调查数据, 通过交通网络均衡理论和微观交通流理论构建的仿真模型, 以先验的因果关系为基础还原城市交通系统, 模型的精度受到模型师的经验局限。而交通数据分析, 则是从大规模的连续观测数据出发, 以统计分析为基础, 寻找客观事实、挖掘关联关系, 有可能突破经验的局限, 发现新问题和新规律。

四、交通数据分析师的培养

交通数据分析师是一种复合型人才, 需要具备交通工程专业理论、统计分析、计算机编程、可视化表达等多方面的知识和技能。交通数据分析师不仅要精通数据分析, 还要对交通业务具有较深的理解, 通过数据还原交通系统、发现问题, 辅助制定交通战略调控方案, 促进交通系统的可持续发展。

根据交通数据分析师的培养需求和卓越工程师教育培养计划的要求, 同济大学交通工程专业正在或准备从以下6个方面着手, 构建全过程、递进式的实践教学体系, 培养本科生的交通数据分析思维和能力。

1. 课程教学。

将原有的《交通调查与分析》和《交通统计分析》合并为一门课程《交通调查与统计分析》。原来的《交通调查与分析》主要讲授交通调查方法和数据的初步分析, 调查方法也以人工调查为主, 数据分析是根据调查数据分析交通现象和问题;《交通统计分析》重点讲授数据统计方法和统计分析软件, 结合交通数据掌握统计分析方法的应用。新的《交通调查与统计分析》课程, 将数据采集、处理和分析方法贯穿在一起, 融入最新的采集方法和大数据分析技术。强调理论与实践相结合的教学模式, 课程实验包括现场调查和上机实验2种方式;课程作业采用实测的感应线圈、GPS、公交IC卡、车牌照识别等数据, 指导学生采用统计分析软件或编程完成作业。在考核方式上, 课程实验与作业、期末考试分别占50%的权重, 强调通过实践掌握数据分析技能。此外, 将交通数据分析企业的专家或高级工程师引入课堂, 讲授实际工程项目中的问题、方法与工具。

2. 课程设计。

增设《交通数据与统计分析》专业课程设计, 以实际的交通规划和管理问题命题, 提供大规模实测数据, 培养学生分析问题、设计算法和大规模数据处理能力。数据范围为整个城市或某个区域, 时长为1星期以上。比如, 采用出租车GPS数据分析城市路网交通状态, 要求学生独立完成地图匹配、车速计算、拥堵分析等建模、算法设计和数据分析等任务。

3. 实验平台。

依托交通仿真实验室, 进行上机实验和课程设计;搭建了“海量数据存储与挖掘平台”, 配有高性能刀片服务器和容量为40TB的磁盘阵列, 满足大规模数据分析和处理的需求;与专业交通数据调查和分析公司合作, 构建支持多门核心专业课程的数据采集与分析实验体系和平台;与上海、深圳等相关单位或企业合作, 接入实测交通数据。

4. 创新实践。通过“交通科技大赛”、“上海大学生

创新训练计划” (SITP) 等创新实践活动, 鼓励学生参与到实际的交通大数据研究项目, 以分组合作方式完成创新课题, 并推荐优秀作品参加全国的比赛。创新实践通常持续半年到1年, 既培养了学生的创新思维和解决问题的能力, 又培养了团队合作精神。

5. 专业实习。

与交通数据产业的相关部门或企业合作建立实习基地, 在大四上学期进行专业实习, 参与企业的实际工程项目, 在实践中锻炼分析城市交通问题的能力, 学习企业的交通数据分析技术和流程, 得到从事实际工作的基本训练。

6. 毕业设计。

结合交通大数据课题或实际交通问题进行命题, 培养学生综合运用交通工程专业知识、数据分析技能, 进行独立分析与解决实际交通问题的能力, 为从事交通数据分析工作或研究提供基础。

五、结语

本文分析了大数据技术对交通工程学科理论和技术体系的影响、交通大数据分析和信息服务产业链的构成, 提出了交通数据分析师的培养需求和职业定位, 结合同济大学交通工程专业课程和实践教学的探索, 讨论了交通数据分析人才的培养要素。研究成果对于交通工程专业的教学改革和人才培养具有参考价值。

摘要：大数据技术带来了科学研究范式和产业模式的革新。本文从大数据环境下, 交通工程理论和技术的变革、交通数据分析和信息服务产业的发展出发, 提出了交通数据分析师的培养需求, 分析了与传统交通工程技术人才培养的关系。结合同济大学交通工程专业的课程和实践教学探索, 讨论了交通工程专业数据分析人才的培养要素。

关键词：大数据,交通工程,交通数据分析,人才培养

参考文献

[1]Tony Hey, Stewart Tansley, Kristin Tolle.The Fourth Paradigm-Data-Intensive Scientific Discovery[M].Washington:Microsoft Research Redmond, 2009.10.

[2]李国杰.大数据研究的科学价值[J].中国计算机学会通讯, 2012, 8 (9) .

[3]Manyika J, Chui M, Brown B, et al.Big data:The next frontier for innovation, competition, and productivity[R].Mc Kinsey Global Institute, 2011.

[4]杨东援.面向特大城市未来发展的交通模型研究——数据密集型分析概念下的交通模型[J].城市交通, 2013, 10 (6) .

[5]杨东援.连续数据环境下的交通规划与管理[M].上海:同济大学出版社, 2014.

[6][美]维克托·迈尔-舍恩伯格, 肯尼斯·库克耶.大数据时代——生活、工作与思维的大变革[M].盛杨燕, 周涛, 译.浙江人民出版社, 2013.

[7]2012年:BI人才需求增长强劲[EB/OL].[2012-02-07].http://www.enet.com.cn/article/2012/0207/A20120207963920.shtml.

[8]IBM投入1亿美元支持国内大数据与分析人才培养[EB/OL].[2014-07-08].http://www.ibm.com/news/cn/zh/2014/07/08/c962831l91226i08.html.

[9]吴娇蓉, 辛飞飞.开放性实验和专业课程设计包延伸的交通工程专业综合毕业设计实施模式研究[J].教育教学论坛, 2014, (43) .

人才信息系统数据库设计 第8篇

关键词：需求分析,逻辑设计,存储过程,E-R图,关系模型

1 引言

近年来随着就业形式的严峻化,及时地了解当今的人才需求,人才结构,人才分布,人才基本信息成为单位、个人、人才服务机构的当务之急。对人才信息的研究与探索能够使就业走向一个良好的趋势,使人才资源得到最快最合理的配置。于是,人才信息系统便应运而生。

人才信息系统数据库可作为人才数据收集系统和人才数据统计系统的后台数据库。人才信息系统将使得人才调查工作从手工操作转为自动化操作,提高了收集信息的效率。利用信息化系统的特点,统计分析工作将更加方便。

2 需求分析

需求分析是系统设计的起点,为以后的具体设计做准备。通过对用户及用户行为的分析及本系统的业务流程分析的基础上,确定系统应实现的功能。

2.1 用户和用户行为分析

人才信息数据库系统,不同于面向普通公众的信息系统,它是面向特定的客户群体,提供人才信息的系统功能,主要用户群体包括有用人单位、求职者、以及人才市场等各类人才机构。

用人单位:他们需要通过此类数据库及时地了解当前的人才结构、人才分布、人才市场的走势,快速地搜索需要的合适的人选,及时地发布和更新招聘信息。另外通过要了解当前人才对各个单位的看法、意见以及需求,以便在政策上做出相应的调整,让资源得到最合理的配置。

求职者:对于个人来说,主要的需求就是发布求职信息,了解招聘信息及其招聘单位的信息,了解单位在招聘时候所考虑的因素,以利于求职.另外通过此系统也能清楚地发现当今人才的供求状况,对自己的职业生涯能做出很好的规划与选择。

人才市场等机构:对人才市场的人流量,对人才中心所提供的服务内容/方式是否得到社会肯定,对单位/个人的各方面信息进行调查统计,从而更好的拓展工作范围,调整工作重点,更好得为社会服务。

2.2 用户对人才信息系统数据库的要求

1)信息更新速度快

当前社会经济发展迅速,产业分工细致,就业人员基数大,人才供求还是红红火火,人才信息的更新速度非常快,每天都有新的招聘信息,新的求职信息,而先掌握这些信息就意味着抢到竞争的先机。这就要求数据库可以快速的更新数据。

2)查询方式多

要能从各个角度去查询数据,从人才的学历、人才的月薪要求、人才的工作经验;从招聘公司的所在地,招聘公司的性质,招聘公司提供的待遇等各种条件去查找合适的对象。

3)检索速度快

检索系统操作简单,使用人性化。

3 业务流程分析

人才信息系统数据库主要的研究目标和内容为:从调查问卷中采集数据,通过分析整理成规范化数据表,根据用户的需求设置属性,最终设计并提供给人才信息收集与统计系统一个完整的数据库。

基本的业务流程如图1分为四个部分:

第一部分:根据需求分析来设计有针对性的问卷。问卷主要内容是对单位与个人的基本信息、单位的招聘信息以及个人的应聘信息等。

第二部分:对问卷上的问题及其采集到的数据进行分析处理,消除噪声。这一步骤对数据库设计而言及其关键。首先必须根据用户的需求对问卷上的问题进行抽象,抽象出实体,关系,属性,这都将影响到整个数据库的结构。

第三部分:进行数据库设计与实现。对数据库进行概念、逻辑、物理结构上的设计,得出E-R图,然后再用SQL语言进行定义。

第四部分:对数据库进行调式与维护。在SQL Server 2000等数据库管理系统软件上调式运行数据库。用户与系统设计人员进行沟通,对数据库进行评价,并制定一定的维护与安全策略。

4 数据库设计与实现

4.1 概念结构分析

本人才信息系统数据库概念设计的表达工具采用E-R模型,基本过程如下:

1)确定局部应用范围,主要分为七大模块

单位招聘管理:对单位基本信息及其招聘信息进行管理;

单位调查管理:对单位基本信息及其单位调查信息进行管理;

个人求职管理:对个人基本信息及其应聘信息进行管理;

个人调查管理:对个人基本信息及其个人调查信息进行管理;

单位与招聘途径:对单位与其主要招聘途径进行调查;

个人与求职途径:对个人与其主要求职途径进行调查;

单位个人与互动信息七大模块:对单位与个人发布的留言进行管理。

2)确定实体集

在单位招聘管理中实体集合有:单位,招聘信息,行业,性质等实体集。

在单位调查管理中实体集合有:单位,单位调查信息,培训方式,培训内容等。

在个人求职管理中实体集合有:个人,应聘信息,行业,学历,职称,户口所在地,专业,职称,工作经验,婚姻状况1,月薪,选单位条件,工作地点等。

在个人调查管理中实体集合有:个人,个人调查信息等。

在单位招聘途径中实体集合有:单位,招聘途径等。

在个人求职途径中实体集合有:个人,求职途径。

在单位个人与互动信息中实体集合有:单位,个人,互动信息。

另外还有人才收藏,新闻,用户实体集等。

3)确定实体集之间的联系

分析不同实体之间的联系,便于设计数据库完整性约束。

4)确认实体和联系的属性

根据功能要求,合理设置各实体和联系的属性。

5)画出局部E-R图

分别画出单位和个人的局部E-R图,如图2和图3所示。

6)集成局部E-R模型,形成全局初步E-R模型

全局E-R图4所示(箭头表示实体间存在联系,联系名如局部E-R图中所示)。

4.2 逻辑结构设计

1)实体与联系转化为表

E-R模型向关系模型转化主要是利用范式理论,将实体和联系转化为表,将其属性转化为表中的属性,一般使用SQL建表语言描述表名、属性名、属性的数据类型等。

2)实现数据库完整性约束

使用SQL语言完成上述表格之间的实体完整性、参照完整性约束和用户自定义完整性约束。

3)数据库优化

使用SQL语言建立索引、基于存储过程方式优化查询功能和基于视图的优化查询功能。下面给出部分存储过程的代码:

5 结束语

数据库设计是信息系统开发过程中的重要环节,其质量决定信息系统是否具备健壮性、可扩展性,是系统成败的一个标志。本设计方案做了认真的需求分析,为后续人才信息系统的开发设计了良好的数据处理层,在实践中取得了很好的效果,具有一定的现实意义。

参考文献

[1]郭盈发,张红娟.数据库原理[M].西安:西安电子科技大学出版社,2003.社,2003.

浅析如何挖掘和培养企业的潜在人才 第9篇

干部上讲台、培训到现场,矿处级、科队级、班组长、六大工种等分层次、分专业、分系统的各类培训,后期学历教育、技术比武、岗位练兵、导师带徒、素质提升工程……阳煤集团采取了形式多样、内容丰富的培训,但人才危机问题还远未解决。在这里,我想从另一个角度来思考这一困扰企业发展的问题。

1 何谓人才

现在一般教科书和研究资料所说的人才,是指已经显露出能力的各行各业具有真才实学的优秀人物。或者是知识渊博的学者,或者是具有丰富经验的实干家,或者是具有一技之长的专家等。他们的人才概念其实是显性的人才。

显性的人才具有以下特点:有才能,具有超过他人的才干和能力,至少在某一方面独具专长,胜过别人;有远见,至少在专长方面有远见卓识,对问题的了解比一般人深入,有较强的分析和判断能力,善于透过现象看本质,善于抓住事物的变化规律和发展趋势;有开拓精神和创新能力,有所发现,有所发明,有所创造,独具一格。

在我看来,每个人都有天赋,因而每个人都可能是人才。尤其是广大的团员职工,他们初入社会、初入企业,还没有发现自己的天分,同时周围的环境也没有提供尝试、施展才华的机会和平台。他们的天赋并未转化为能力,只能称做潜在的人才。对这些潜在人才的有效激励,往往成本较低、效果显著,而且还能得到有力回报。在这里,我想着重谈谈如何使潜在人才拥有自信而后成为显性人才,为企业的转型跨越发展贡献青春智慧和力量。

2 如何发掘潜在人才

职工作为企业发展的未来和希望,他们每个人都有价值,只是在不同的领域体现不同的价值,职工的潜能大小、类型,总会通过一定的途径和方式表现出来,在实际工作中,只要我们细心观察、注意了解,就不难发现具有潜质、培养价值的广大人才。

2.1 从工作思路上发掘

每日单位要召开班前会,每月要召开部(队)务会,日常还有各式各样座谈、交流、汇报的会议。此外,我们还可以通过广大职工所撰写的各类文稿、会议上的讨论发言、日常工作中所提的建议和意见,观察他们的工作思路,注意了解是否具有超前性、创新性、系统性。

2.2 从工作精神上发掘

素质相近的人,精神状态如何,对其能否取得成功起着决定的作用。我们可以通过观察广大职工在日常工作生活当中,是否会把工作当成一项事业而不仅仅是职业,在工作中不断给自己提出新的目标要求,努力学习新的知识来充实自己、提高自己,勤恳踏实,持之以恒,主动考虑问题,大胆提出建议,不断创造新的工作成绩。

2.3 从重大任务中发掘

面对重大任务,潜力比较大的职工,会勇于接受任务,将其看作一次培养锻炼成就自我的机会,并且能够保持沉着、冷静的态度,有条不紊地开展工作,遇到困难时能够想方设法地克服,始终保持高昂的精神状态,力求通过完成任务,使自己在实践中得到全方位的综合锻炼和提高。从竞争环境中发掘:潜能大的职工,一般自信心比较强,他们赞成竞争,拥护改革,希望能够在一个公开平等的环境中显示自己的才华;在竞争的环境中始终靠自己的能力,满腔热情、积极主动地工作,努力创造良好的工作业绩,来赢得竞争。因此,观察他们对竞争的态度和在竞争中的行为方式,我们就不难分辨出潜在的人才。由于人才本身的复杂性、隐蔽性等特点,使得识别发掘人才不可能一下子就能确定下来,而是需要经过反复考察,才能发掘出真正潜在的人才。

3 如何培养潜在人才

3.1 营造尊重知识、尊重人才的良好氛围

各级领导要在自己所管辖的范围内营造一个尊重知识,尊重人才的环境,如建立行之有效的联系人才的工作制度,掌握人才的工作情况,尊重人才的意见和建议,努力提高服务人才的工作水平,时刻把人才的冷暖挂在心坎上,主动深入一线,为企业各类人才解决实际困难和具体问题,切实解除他们的后顾之忧,为潜在人才实现自身价值提供广阔的天地,使人才安居乐业,工作充满活力,对未来充满信心。

3.2 开展多渠道、多层次的文化教育

现代科技突飞猛进,学科之间越分越细,企业安全生产、和谐发展所用的知识也越来越多。单是凭某一狭窄的知识,难以对社会、对企业做出大的贡献。因此要结合自身单位实际广泛开展精一、会二、学三、懂四活动,在安全生产任务许可的条件下,要有意识的安排潜在人才在多个岗位上进行实践。同时,开展多种业务知识的培训,使潜在人才拥有接触、学习、掌握更多知识的渠道,拥有可能成为复合型人才的机会。

3.3 开展全员性、人人参与的活动

可以结合单位实际,试推行诸如人人轮流当班(组、队、科、矿)长助理活动,给广大职工搭平台、压担子,让他们真正沉下心来,统筹考虑、全面细致地安排部署、管理自己日常工作中看似简单的工作;给他们搭建一个平台、一个机会来展现才华、来施展抱负,真正地调动起他们的积极性,让广大的职工勇敢地迈出成为显性人才的第一步,给潜在的人才一个从幕后走到台前,从台下走到台上的机会。同时,在这项活动中,广大的职工还可以体会到当班(组、队、科、矿)长等各级管理人员的不容易,找到自身素质与现有岗位需求的不足,找到今后还需要努力提升的知识或技能。各级在位的班(组、队、科、矿)长也可以在推行这项活动当中,吸收到好的工作建议和好的工作方法,找到困惑自己日常工作的破解之法,从而不断改善工作方法,提高团队的战斗力和工作效率。

3.4 开展正确人生观、价值观的教育

在社会竞争越来越激烈、越来越快速的今天。快乐好像也离我们广大的职工越来越远,就业、婚姻、房子、车子、升职等等,就像一座座大山压在了职工的头上,“不安”似乎是一种普遍存在的共同现象。在这种形势和状况下,就需要我们充分发挥团组织的作用,倾听职工呼声,了解职工意愿,掌握职工需求,并依据职工思想意识的关键点,结合企业实际,开展书法、绘画、摄影、演讲、朗诵、趣味比赛以及职工岗位能手评选、职工技术攻关创新创效等活动,开展中华传统文化教育,开展各类形势任务教育,经常广泛深入的与职工所在社区联动,开展走访谈心、沟通教育活动,不断引导帮助广大职工去除内心深处无端的欲望,放下不必要的负担,解除内心的烦闹、痛苦,洗涤心灵上的尘垢,净化职工的内心世界,让广大职工在企业找到归属感、成就感,从而忠诚企业、愿意为企业奉献才智、愿意成为企业的优秀员工、愿意在企业担当重任,真心实意报效企业。

4 结语

简析企业人才数据的统计分析 第10篇

关键词：企业人才数据,大数据,数据统计

企业数据信息的分类很广泛, 如资产类数据:固定资产、流动资产;经营数据:合同额、到款额、市场份额等, 以及工资类、社保类、合同类、财务类等方面的数据信息不一而足。本文主要探讨企业中人才数据的统计分析应用。人才数据主要指企业人员的年龄、职称、资质、学历、专业等方面的相关数据资料。

一、企业人才数据的统计分析

企业人才数据的统计分析主要是指企业中各种学历、各种职称、各种注册资质及执业资质等人员的统计数据按照不同的统计方法进行综合调查、分析、运用。程序上主要分为:基础信息的数据库管理、各类数据的统计汇总、专业性统计分析、综合性统计报告。

企业人才数据统计分析的基础是建立本企业的人力资源数据库。把企业所有员工的基本信息资料录入数据库, 进行信息化管理。如将每人的出生日期、政治面貌、学历、学位、职称、职务、职业资格、专业等各项信息内容都收录进数据库, 比之纸质档案, 能够更快捷地查询到员工的各项基本情况, 便于汇总统计。

二、企业人才数据统计分析的内容和目的

企业人才数据的统计分析主要内容包含以下几个方面。第一, 准确统计分析企业专业技术人才基本情况;第二, 准确统计分析企业技术工人基本情况;第三, 准确统计分析企业经营管理人才、专业技术人才、工勤技能人员的基本情况和比例构成;第四, 准确统计分析企业人员各年龄层次、各学历层次、各职称层次等以及荣获各类各级奖项高级人才的情况;第五, 年度企业引进人员、接收大学毕业生、退休人员以及其他增加减少人员情况。

企业人才数据统计分析的目的是在数据提取统计汇总分析的基础上, 为企业各项经营管理提供决策依据。主要分为以下几点。第一, 单项工作需要。如涉及某个投标项目中需要地质勘察专业人员, 从数据库中可直接筛查地质勘察专业的人员即可。也可进行多选择交叉的专业、职称、学历等的统计应用。第二, 统计分析企业人力资源现状, 为企业提供人才发展规划依据。是进行培养现有人员, 还是引进急缺人才, 可以根据数据统计分析后得出结论。如勘察设计类企业进行相关业务时在企业资质上有等级要求, 有的分为甲乙丙级, 有的分为一二三级等, 不同的级别要求企业有不同数量的职称和资质人员, 在对企业现有人员的基本情况进行统计汇总分析后, 按照企业发展规划, 争取高一级别的资质时, 所需配备相应资格人员的要求与现有人员之间的差距, 就可以建立对现有人员提前量的进行培养与储备。

三、企业人才数据统计分析的常用方法

企业人才数据的统计分析几个常用的具体指标有三个。第一, 总量指标:企业在职人数、企业中级职称人数等。第二, 相对指标 (比例相对指标) :企业在职人员的性别比例。第三, 平均指标:包括平均数和加权几何平均数两种。平均数, 例如:高级工程师职称人员的平均年龄、企业在职工人的平均受教育年限、管理部门人员的平均年薪等。加权几何平均数, 如企业高级工程师职称人员的平均增速;企业生产部门人员年龄的平均递减速度。企业人才数据的统计分析几个常用的常用方法:可以运用多种统计方法对企业各类人才需求进行趋势分析与预测。如, 平均增长量外推预测法。根据前5年高级工程师职称人员每年增长量, 预测第六年高级工程师职称人员的增长量。加权分段平均法。如:已知企业近6年2010-2015年的招聘大学毕业生情况, 预测2016年招聘大学毕业生数量。

四、企业人才数据的信息化统计分析的重要性

企业人才数据的信息化统计分析的重要性表现在以下几点。第一, 企业人力资源管理的需要。大中型企业, 在职人员有数千人之多, 将人力资源以数据库信息化模式进行记录管理, 更加科学高效。第二, 企业开展业务的需要。第三, 企业制定战略发展规划的需要。

五、建立企业人才数据基础时应注意的问题

第一, 及时更新、调整数据库, 保证实时最新数据。如人员的职称变动、学历变动、职务变动, 及时的在数据库中进行录入补充调整。人员的进出、部门的变换等也要及时对数据库进行更新。第二, 数据完整准确、实时有效。对于各项人才数据的使用, 标明数据产生的时间。第三, 数据信息使用人员的专业技术能力要不断进行学习和提高。掌握应用各种电子统计软件的使用。第四, 人力资源系统软件的应用和维护要与时俱进, 在实际应用中进行修改完善。

六、企业人才数据的信息化统计分析的作用

第一, 为日常业务与管理提供各项数据的统计分析资料。第二, 优化企业年龄结构。第三, 为企业每年度的员工录用提供依据, 保证人员进出平衡。第四, 优化企业专业技术人员不同专业人员配备。第五, 为企业的机构设置, 人员的调配及中层管理职数设置提供依据。

七、结语

大数据时代的人才价值有多大？ 第11篇

就像显微镜和望远镜能为生物和天文研究带来革命一样，那些知道怎样透过大数据这块“社会之镜”洞察社会经济变迁的人才，也必然会是这个时代的弄潮者。正因此，在全球范围内，大数据人才的价值越来越受到高度重视。海内外不少研究机构开始对大数据人才市场进行详尽的评估分析。以下文章对海内外研究机构的成果进行了精选，以供业内人士参考。

大数据人才有多紧缺？

随着数字化、智能化的普及，市场对大数据人才的需求猛然增加，这导致大数据人才的供给远远跟不上市场的需求。在人才培育体系僵化的社会机体中，大数据人才市场需求与供给端的矛盾更为严重。可以预见，大数据人才市场供需之间的这种矛盾将在未来几年持续。

让我们看看中美大数据人才市场的几组数据。根据Gartner公司提供的数据，截止到2015年年底，将有440万的IT工作来支持大数据，仅美国就会有190万的IT工作产生。美国国家劳工统计局的数据显示，“数据分析师”是美国成长第二快的职业。劳工统计局的最新就业率报告预计该职业在2018年将有80万从业人员（增长53.4%）。美国人才招聘市场的数据分析领先者WANTEDAnalytics对大约10亿条招聘信息所做的调研显示，在美国，市场上对具备大数据专长的信息技术项目经理的需求增加123.60%， 计算机系统分析员需求量增加89.80%。

不过，企业想招到符合心意的应聘者却并非易事。据WANTEDAnalytics调查，2014年12月份，在美国市场，需要有大数据技能的工作招聘比为76，平均每个职位的申请者为12人。如此高的招聘比值，表明雇主并不容易找到职位的合适人选。

大数据人才目前的薪水如何？

在需求短缺的情况下，大数据分析师一般都能获得比较具有竞争力的薪酬，不仅是美国，在中国也是如此。

根据美国商务部发布的一项调研显示，在2013年，“数据分析”业在私营企业中所获得的平均时薪为40.3美元，比其它行业的平均时薪23.96美元要高出许多。WANTEDAnalytics的调研显示，大数据专业人士的年薪中位数为10.3万美元。这些工作主要包括：大数据解决方案构架师、Linux系统及大数据工程师、大数据平台工程师、首席软件工程师、Java、Hadoop、SQL大数据师等等。

而中国国内顶尖互联网公司，大数据分析师的薪酬可能要比同一个级别的其他职位高20%至30%，且颇受企业重视。CSDN的分析显示，北京、上海、深圳是最急缺数据人才的城市，平均待遇也最佳。在北京，数据人才的月薪收入中位数达到10714元，深圳紧随其后达到10375元，上海达到10057元。从行业来看，以深圳市为例，互联网/电子商务、房地产开发、金融/投资/证券三个行业的大数据分析师月薪中位数最高，分别为8431元、7168元、6660元人民币，表明这三个行业对大数据人才的需求较为旺盛（见表1）。

哪些数据分析工具最值钱？

研究机构O’ReillyMedia去年年底发布了2014大数据行业工资调查报告。根据O’ReillyMedia的模型分析，如果要数据分析师希望增加收入，最好的办法是去攻读博士学位，多掌握数据分析的工具（在美国，据统计，每掌握一项新的数据工具，可以让年薪增加1900美元）。

但并不是所有工具都能增加数据分析师的收入。根据O’ReillyMedia的统计，最能提高数据分析师收入的工具是Hadoop。使用Hadoop这一系列工具的人平均年薪为118000美元，而不使用Hadoop的则只有88000美元。Hadoop系列的工具还包括：Elastic MapReduce、Cassandra、Spark和MapR，其中，使用Storm和Spark的人赚取了最高的薪水。

不过，根据WANTEDAnalytics的调查来看，目前大数据人才岗位上需求增长最快的三项技能分别是：Python编程（96.90%）、Linux（76.60%）和SQL结构化查询语言（76%）。

中国的数据分析师偏爱哪些工具？

大数据分析越来越受到中国企业的重视。不过，对于适用哪类大数据工具，不同的企业、不同的开发者都有自己的评判标准和使用习惯。根据CSDN的分析，在众多的开发语言中，中国的大数据平台开发者们尤为青睐Java，占到了总比例的65%，远远超过其他开发语言。值得一提的是，Hadoop本身就由Java实现的。

在大数据分析语言中，SQL的使用比例达到了64%，是R语言使用者人数的2倍之多。从中不难看出SQL-on-XXX项目的前景;同时从R的支持率上，也看到了更多非技术人员，比如数据分析师对低门槛分析类语言的需求。

在大数据存储上，HBase则以67.55%的比例位居榜首，远超其他数据仓库，当然这点与Hadoop原生支持是分不开的。

大数据人才领域的10大趋势

在大数据时代，最令管理者头痛的，是人才问题。对于那些重项目、轻人力的企业来说，如何优化人力资本结构，使人力资源的变革和发展跟上大数据时代的业务发展需求，尤为重要。以下是研究机构InformationWeek对未来几年大数据领域从业人员10个趋势的分析。或许这份预测，能给企业的决策者们带来启发。

趋势一：薪金将继续增长。BI（商务智能，Business Intelligence）和IM（信息管理，Information Management）专业人才现今薪金水平已经高于许多其他IT职位，未来这样的趋势还会继续下去。而数据整合和数据仓库管理人员薪金在未来将达到131000美元，普通工作人员薪金也有101000美元。

趋势二：大数据人才供不应求。麦肯锡全球研究院的研究预测，至2018年，仅在美国本土就可能面临缺乏14万至19万具备深入分析数据能力人才的情况，同时具备通过分析大数据并为企业做出有效决策的管理人员和分析师也有150万人的缺口。

趋势三：雇佣外包。调查显示，25%的组织将其大数据分析业务外包给美国和境外企业，17%的组织表示只外包给美国境内企业，22%的组织表示外包业务完全交给境外企业。

趋势四：人才团队内出现分歧。新生代的从业人员更喜欢使用开放的开源工具和云计算。对于企业来说，不利的因素是新生代对他们的工作环境更加敏感，一旦他们无法与志同道合的同事合作或是无法看到自己的见解对实际业务的影响，那么企业将会失去他们。

趋势五：大数据专业人士需要不断进步。BI分析、IM从业人员和管理人员需要引入更多特定技术培训和认证课程。而统计学和分析学的培训是非常具有价值的。更重要的是，对于在金融和市场营销等领域的业务技能培训要远高于普通IT培训。

趋势六：精通大数据的专业人才将成为最重要的业务角色。BI分析和IM专业人才将要比他们的同龄人承担更多非IT领域的职责。BI和IM管理人员对IT以外的领域富有更多的责任——如业务的发展、研究与开发方向等。

趋势七：大数据领域需要数据科学家。数据科学家擅长采用统计学方式用于开发算法。大多数时间他们是统计数专家，他们了解如何建立统计模型，使企业在处理大数据时开发出新的算法。

趋势八：高校回应大数据人才缺口。企业都在寻找基于R语言统计编程和基于Hadoop和MapReduce的编程人员。这些企业将目光着眼于学校，旨在引入机器学习课程学位的学生。

趋势九：数据驱动的工作令人满意并充满挑战。调查显示，BI分析和IM管理专业人员相比于常见IT人员，他们对工作和职业生涯所面临的挑战都较为满意。当被问及他们的工作是否在对他们的智力有所挑战时，91%的BI/分析/IM人员，以及93%的管理人士表示事实上他们确实正受到一些挑战。

关于大数据人才培养的思考与探索 第12篇

随着计算机软硬件技术的快速发展, 计算技术已从传统的PC平台计算模式发展到嵌入式计算、移动计算、并行计算和服务计算等多种计算系统并存及融合的计算模式, 处理的对象也呈现出网络化、多媒体化、大数据化和智能化需求的特征, 而物联网、移动互联网的快速发展促进了这一趋势, 从而迎来了大数据时代的到来。大数据是继云计算、物联网之后兴起的又一新兴发展方向, 被学术界、工业界乃至政府机构密切关注和广泛研究。

大数据又称巨量资料, 指的是所涉及的资料量规模巨大到无法通过目前主流软件工具, 在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极的目的的资讯。在维克托·迈尔·舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中大数据指不用随机分析法 (抽样调查) 这样的捷径, 而采用所有数据的方法。一般说来, 大数据具有4V的特点:Volume (大量) 、Velocity (高速) 、Variety (多样) 、Value (价值) 。大数据技术的战略意义不在于掌握庞大的数据信息, 而在于对这些含有意义的数据进行专业化处理。换言之, 如果把大数据比作一种产业, 那么这种产业实现盈利的关键, 在于提高对数据的“加工能力”, 通过“加工”实现数据的“增值”。

二、大数据时代对人才的要求

从广义上讲, 大数据人才就是具备大数据处理能力的科学家和工程师。目前, 国际上开设了大量的数据科学方面的课程、数据科学学位计划以及数据科学短期培训班。从国际上设置的培养计划来看, 大数据人才应该系统地掌握数据分析相关的技能, 主要包括数学、统计学、数据分析、商业分析和自然语言处理等, 具有较宽的知识面, 具有独立获取知识的能力, 具有较强的实践能力、创新意识和团队合作意识。具体来说, 大数据人才首先应具备获取大数据的能力, 例如能根据任务的具体要求, 综合利用各种计算机手段和知识, 收集整理海量数据并加以存储, 为支撑相关的决策和行为做好数据准备。其次, 应具备分析大数据的能力, 对于经过预处理的各类数据, 能够根据具体的需求, 进行选择、转换、加载, 采用有效方法和模型对数据进行分析, 并形成分析报告, 为实际问题提供决策依据。最后, 应具备良好的团队合作精神, 大数据时代下的数据分析任务通常无法依赖个人能力来完成, 需要在团队制度的约束下, 与他人一同携手、互相鼓励、分工合作来实现既定目标, 因此具备较强的责任心与团队合作精神也是大数据从业人员必备的基本条件。

三、大数据人才培养的探索

大数据产业的发展, 对大数据人才提出了新的需求, 国内各高校在积极进行大数据学术研究的同时, 也开始考虑将大数据相关课程纳入培养体系, 以满足社会对大数据人才的需求。以下结合作者在数据库及分布式技术系列课程中的教学经验, 以及大数据分析与处理方面的实践经验, 探讨大数据系列课程教学内容和实践形式的设置。

在教学内容的设置上, 大数据系列课程建议可分为理论教学和技术教学两个方面, 因为理论是大数据认知的必经途径, 也是被广泛认同和传播的基线;而技术是大数据价值体现的手段和前进的基石。在理论方面, 讲授的理论内容可涵盖如下几点:

(1) 大数据概念:大数据概念出现的历史, 关于大数据定义的各种流派以及说明, 大数据的四个特征, 大数据与云计算、物联网的关系, 大数据与大规模数据、海量数据的差别。这个部分主要突出“大数据”概念中应包含的“对数据对象的处理行为”。

(2) 典型的大数据应用实例:精选有新意的大数据分析典型案例, 可帮助学生更清晰的理解大数据的概念和含义, 这样的案例如:美国梅西百货的实时定价机制 (根据需求和库存的情况对多达7300万种货品进行实时调价) 、百度搜索的实时热点排行榜 (以数亿网民的搜索行为作为数据基础, 建立权威的关键词排行榜与分类热点) 、沃尔玛的搜索引擎Polaris (利用语义数据进行文本分析、机器学习和同义词挖掘使得在线购物的完成率提升了10%~15%) 、谷歌流感趋势工具 (通过跟踪搜索词相关数据来判断全美地区的流感情况) 等。在教学过程中, 教师应注意将授课的重点放在系统化的开发步骤和关键性问题的求解上, 介绍案例的设计思想、主要方法和应用过程等。

(3) 大数据关键技术与挑战:介绍大数据时代面临的新挑战, 包括大数据集成 (数据异构性和数据质量问题) 、大数据分析 (数据形式多样化、数据处理的实时性、索引结构的复杂性等) 、大数据隐私问题 (隐私保护和数据分析的矛盾) 、大数据能耗问题 (低功耗硬件的设计) 、大数据处理与硬件的协同、大数据管理易用性问题以及性能测试基准。

(4) 大数据存储和管理技术:介绍如何把采集到的大数据存储起来, 建立相应的数据库, 并进行管理和调用。主要内容包括:分布式文件系统 (HDFS) 、去冗余及高效低成本的大数据存储技术、新型数据库技术 (键值数据库、列存数据库、图存数据库以及文档数据库等) 、异构数据融合技术、分布式非关系型大数据管理与处理技术、大数据索引技术和大数据移动、备份、复制等技术。

(5) 大数据分析及挖掘技术:介绍从大量数据中寻找其规律的技术, 通常由数据准备、规律寻找和规律表示3个阶段组成。数据准备是从上述大数据中心存储的数据中选取所需数据并整合成用于数据挖掘的数据集;规律寻找是用某种方法将数据集所含规律找出来;规律表示则是尽可能以用户可理解的方式 (如可视化) 将找出的规律表示出来。根据挖掘任务可分为分类或预测模型发现、数据总结、聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等。

在技术方面, 可考虑分别从云计算、分布式处理技术、存储技术和感知技术的发展来说明大数据从采集、处理、存储到形成结果的整个过程, 具体可包括以下几点:

(1) No SQL技术:No SQL产生的背景、No SQL现状、No SQL数据库与关系数据库的比较、聚合数据模型、分布式模型、数据一致性、典型的No SQL数据库分类、No SQL数据库开源软件。

(2) Map Reduce:Map Reduce模型概述、编程模型:Map和Reduce函数、Map Reduce工作流程、并行计算的实现、实例、Yarn等

(3) Hadoop分布式文件系统:Hadoop出现的背景、Hadoop的功能与作用、为什么不用关系型数据库管理系统、Hadoop的优点、Hadoop的应用现状和发展趋势、Hadoop项目及其结构、Hadoop的体系结构、Hadoop与分布式开发、Hadoop应用案例、Hadoop平台上的海量数据排序。

(4) 还可进一步包括数据流的管理与挖掘、云数据库、图数据库等。

由于大数据系列课程所涉及的技术具有很强的应用背景和实践意义, 因此应摒弃传统教学模式中“重理论、轻实践”的思想, 在掌握大数据相关的理论知识和技术知识之后, 还需重点培养学生的综合实践能力, 以满足社会就业的需要。为此, 应设立一定的大数据技术实践课程内容, 帮助学生从知识型向能力型转变。结合上一节分析的大数据时代对人才的具体要求, 建议按以下流程设置实践环节的内容:

(1) 分组。如前所述, 大数据时代下的数据分析任务通常需要以团队的形式来完成, 因此首先要求学生根据自身情况, 结合各自的技术优势, 合理进行分组。

(2) 选题。在具体选题上, 可使用校企合作的具体项目或以Apache Hadoop、Mongo DB、Dremel、Gephi等一系列的开源大数据分析软件作为实践平台, 以Kaggle为数据科学平台来进行选题。

(3) 明确需求并撰写大数据分析任务书。明确选定的题目范围内, 数据分析要研究的主要问题和预期的分析目标。只有明确了数据分析的目标, 才能正确地制定数据收集方案, 即收集哪些数据, 采用怎样的方式收集等, 进而为数据分析做好准备。

(4) 数据收集及预处理。由于大数据分析最终的结果与其获取的数据质量紧密相关, 因此收集的数据是否真正符合数据分析的目标是必须注意的重要问题。该步骤要求学生从分析目标出发, 从浩瀚的数据中正确的收集高质量且服务于既定分析目标的数据, 然后对数据进行必要的加工整理, 包括填写空缺值、平滑噪声数据、识别和删除孤立点、解决不一致性、规范化 (消除冗余属性) 和聚集 (数据汇总) 等。

(5) 探索性数据分析。由于大数据分析的数据量通常达到PB甚至YB级以上, 因此希望直接选定一个分析模型是不现实的, 而且面对高维海量数据, 也很难直接看出数据的规律。在这个步骤中, 应指导学生通过基本描述统计量的计算、基本统计图形的绘制、用各种形式的方程拟合等手段, 计算某些特征量等方法探索规律性的可能形式, 帮助学生快速掌握数据的分布特征, 这是进一步深入分析和建模的基础。

(6) 模型选定分析。在探索性分析的基础上提出一类或几类可能的模型, 然后通过进一步的分析从中挑选一定的模型。有时选择几种统计分析方法对数据进行探索性的反复分析也是极为重要的。每一种统计分析方法都有自己的特点和局限, 因此, 一般需要选择几种方法反复印证分析, 仅依据一种分析方法的结果就断然下结论是不科学的。

(7) 模型的验证及分析报告。指导学生对选择的数据分析模型及结果进行分析, 可使用数理统计方法对所定模型或估计的可靠程度和精确程度作出推断。观察模型提供决策的信息是否充分、可信, 所发挥的作用是否与期望值一致, 数据分析方法是否合理, 是否将风险控制在可接受的范围。

以上这种项目式实践形式的优势是:在学生参与完成某一具体的大数据分析任务过程中, 通过主动地学习来自主地进行知识的建构, 让学生经历项目开发的整个过程, 从中去发现和掌握相关知识, 达到既能熟悉大数据分析过程, 又完成了经验的积累, 还能实现学习知识、培养能力的目的。在这里, 教师不再是知识的传授者, 而是项目活动的组织者和咨询者。

四、校企合作推动人才培养

一方面, 大数据的核心业务必然是一种扎根于特定行业, 综合运用已有的存储、分析、挖掘、展现技术, 根据用户需求并融入行业特色技术模型的一站式大数据平台业务。另一方面, 对于企业来说, 各类业务产生的数据为数据分析创造了非常好的基础条件。大数据解决方案是有价值的, 但是苦于找不到既懂数据分析技术, 又懂得业务的专业人才。由此可见, 既懂得相关技术, 又谙熟企业业务的复合型人才才是企业部署大数据应用最迫切需要的人才。因此, 企业可以与学校联合培养自己所需要的大数据人才, 这种方式有两方面的优势:一是大数据技能训练的对象, 即大量的数据, 只有企业才具备;二是在企业的支持下, 学校也能通过针对性的实践训练来培养学生的大数据处理技能。

大数据时代下的校企合作的形式多种多样, 可通过联合办学、联合制定人才培养方案、合作开发课程和教学内容、设置实训项目、教学管理和共建“双师”结构教学团队等形式展开。

五、结语

未来的十年将是一个“大数据”引领的智慧科技的时代。随着社交网络的逐渐成熟, 移动带宽迅速提升, 云计算、物联网应用更加丰富。更多的传感设备、移动终端接入到网络, 由此产生的数据及增长速度将比历史上的任何时期都要多, 都要快。“大数据”时代的脚步悄然而至, 未来几年, 中国项目数据分析专业人才需求达几十万人以上。国内高校应及时关注大数据时代的数据分析人才培养, 融基础理论、实验教学、工程实践为一体, 为大数据这样的新兴产业发展输出高层次、实用性、国际化的复合型专业人才, 确保产业科学、持续、高速的发展。

摘要：大数据是继云计算、物联网之后IT界的又一次颠覆性技术革命。为了培养与时俱进的大数据分析专业人才, 作为人才培养重要场所的高校, 需要及时跟进大数据技术的发展, 适应新时代的要求。本文首先分析了大数据时代对人才的要求, 论证了开设大数据系列课程的必要性, 然后探讨大数据相关课程的教学内容和实践形式, 最后指出校企合作对培养大数据人才具有推动作用。