數據分析師統計學基礎匯總十篇

序論：好文章的創作是一個不斷探索和完善的過程，我們為您推薦十篇數據分析師統計學基礎范例，希望它們能助您一臂之力，提升您的閱讀品質，帶來更深刻的閱讀感受。

篇（1）

互聯網行業在快速發展，“互聯網+”概念的提出標志著互聯網已叩響“萬物互聯時代”的大門。在這個時代，大數據滲透于各行各業，掌握數據核心價值成為企業脫穎而出并取得勝利的法寶。越來越多的企業承認競爭優勢與大數據有關，由此，數據分析師這一職業逐漸得到認可并受到追捧。世界500強企業中，有90%以上都建立了數據分析部門。在國內，已有超過56%的企業在籌備和發展大數據研究，據有關部門預測未來5年，94%的公司都將需要數據分析專業人才。數據分析師的職位需求隨之不斷增長，全國數據分析師的職位由2014年初的200多個職位增長到接近3000個職位。正如著名出版公司O’Reilly的創始人Tim O’Reilly斷言，大數據就是下一個Intel Inside，未來屬于那些能把數據轉換為產品的公司和人群。

優秀的數據分析師已經成為促進各行各業發展，推動國家經濟進步的重要人物。但我國針對數據分析的研究起步晚，市場巨大，職位空缺現象十分嚴重。因此，培養數據分析人才的項目活動應引起高度重視。

1互聯網環境下的數據分析師

1.1數據分析師的定義

談起數據分析師，很多人都認為其職位高高在上，不可企及，但實際并非如此。讓我們從案例出發來探索其內在含義，數據分析最經典的案例便是“啤酒與尿布”，沃爾瑪超市將Aprior算法引入Pos機數據分析發現美國年輕的父親去超市為嬰兒購買尿布的同時，往往會順便為自己購買啤酒，這樣便使尿布和啤酒這兩樣看似不相干的商品有了某種聯系。于是，沃爾瑪嘗試將兩種商品擺放在同一區域，進而取得了意想不到的良好銷售收入。可見，數據分析是運用適當的方法對收集來的大量數據進行分析整理，篩選有價值的信息并形成相應的解決方案以幫助人們作出判斷，采取適當行動的過程。

1.2數據分析師的層級分類

經對多家招聘網站數據分析師的招聘信息進行分析研究，發現目前數據分析師大體分為三個層級：傳統行業的數據分析師、互聯網初級數據分析師、互聯網高級數據分析師。傳統行業的數據分析師的主要工作是整理、處理數據，專業技能只要具備一定的數學和統計學知識儲備即可；第二層級是互聯網初級數據分析師，職位要求在傳統數據分析師的基礎上掌握少數的計算機工具譬如SPSS、SQL等，從職人員需具備一定的數據敏感度和邏輯思維能力，能夠對數據源進行分析并能制作數據報表；互聯網高級數據分析師是一類復合型人才，要熟悉業務環境并能與技術相結合解決企業實際問題，并掌握數據挖掘常用算法和一系列相關的分析軟件，他們的工作與企業發展密切相連，擁有一名優秀的數據分析師的企業將擁有與同行業競爭的資本。

1.3數據分析師的能力需求

數據分析師的工作分為采集、存儲、篩選、數據挖掘、建模分析、優化、展現、應用等一系列過程。接下來從主要步驟詳細分析數據分析師的能力需求。數據挖掘過程即從海量數據中提取潛在的有價值的信息，要求數據分析師掌握一系列相關分析方法譬如聚類分析、關聯分析、等并能熟練運用數據挖掘算法和相關工具；建模分析即對數據抽象組織，確定數據及相關性的過程，在此基礎上要掌握譬如決策樹、神經網絡、K-means算法、SVM等至少一種相關算法；展現過程要求具備數據整理、數據可視化、報表制作能力，熟練應用D3、Vega實現數據可視化，并能運用R和DateWangler工具將原始數據轉化為實用的格式。

2數據分析師的培養現狀

2.1國外數據分析師的培養現狀

在國外，無論是學術研究還是企業部門，數據分析已發展到較為成熟的地步。斯坦福大學的研究成員著手開發MEGA（現代動態網絡圖像分析Modern Graph Analysis for Dynamic Networks）并與多家媒體公司緊密合作，研究社交媒體中的用戶行為，建立模型并探究其中的規律；哥倫比亞大學已開設了《數據科學導論》和《應用數據科學》課程，從2013年秋季起開設“數據科學專業成就認證”培訓項目，并于2014年設立專業碩士學位和博士學位；華盛頓大學開設《數據科學導論》課程，并對修滿數據科學相關課程學分的學生頒發數據科學證書。數據分析師在國外已引起了充分的重視，他們均衡分布在各行各業，運用掌握的專業知識并結合相關思維為自身、企業乃至社會的發展做著不小的貢獻。

2.2國內數據分析師的培養現狀

近年來，在國內，大數據的概念雖被媒體和行業廣泛提及，但數據分析算是剛剛起步，數據分析師的培養課程未得到普及，我國目前將數據分析納入教學體系的高校寥寥無幾，開設相關課程并取得一定成果的有：香港中文大學設立“數據科學商業統計科學”碩士學位；復旦大學開設數據科學討論班，于2010年開始招收數據科學博士研究生；北京航空航天大學設立大數據工程碩士學位；中國人民大學統計學院開設數據分析方向應用統計碩士。

和國外相比，我國數據分析師的人才培養機制還未成熟，高校教育仍存在各種各樣的問題，譬如，大學生雖然從多門課程中接觸到與數據分析相關內容，但各門課程的教學資源未能實現有效的整合。互聯網環境下，大數據帶來的是一場革命性的變化，若想把握機遇，實現國家經濟革命性發展，首要任務就是數據分析師的培養。

3如何成為優秀的數據分析師

數據分析師作為新時代新興起的高薪職業，對人員的能力要求是相當高的，下面將根據數據分析師的定義、能力需求并結合互聯網環境的時代背景，對數據分析師的成才途徑作出詳細的分析。

思維變革，數據分析師成才的前提。首先要在思維方面有所改變，培養自身數據思維、多模式思維、邏輯思維和結構化思維。數據思維即量化思維，對數據具有獨特的敏感度，相信一切事物皆可量化；多模式思維即構造多種想法和解決思路，拓寬思維，從多角度出發，以尋求最優的解決問題的方案；邏輯思維，在錯綜復雜的海量數據中要有縝密的思維和清晰的邏輯推理能力才能按照自己既定的目標有效解決問題；結構化思維即系統性思考問題，深入分析內在原因，能夠制定系統可行的解決方案。

技能變革，數據分析師成才的工具。作為一名優秀的數據分析師若想在互聯網環境下對海量數據進行有效的管理，就要努力學習相關的專業技能。要掌握多種機器學習方法，不斷學習相關軟件應用，譬如，Java、Python、SQL、Hadoop、R等等，這將成為數據分析全過程的輔助工具；除此，還要掌握一定的心理學知識，能夠很好的分析和解釋客戶行為；在此基礎上，最核心的是要掌握一定的業務能力和管理能力。

素質變革，數據分析師成才的保證。在個人素質方面，互聯網時代對數據分析師的要求增多，若想成為優秀的數據分析師就應不斷學習完善以下素質能力：對工作的態度嚴謹認真，對數據的變化時刻保持敏銳的洞察力，對方法的運用保持一定的創新性，對團隊保持團結合作之心，能與顧客溝通交流并及時了解他們的需求。

實踐，數據分析師成才的推動力。數據分析師的職責是幫助企業挖掘市場價值、發現機遇、準確進行市場定位并從海量數據中找出問題，提出解決方案。因此，在數據分析師的成才道路上，實踐是必不可少的。相關人員要在掌握理論的基礎上，敢于應用于實踐，充分考慮數據中存在的價值和風險。使自我能力在實踐中不斷改進和完善。

4給我國高校的建議

高校為數據分析師的成長提供指導和途徑，肩負著為我國社會培養有用人才的重任，因此高校要努力構建數據分析師的人才培養機制，不斷輸出數據分析相關人才。

高校的首要任務是，強化師資力量，改進教學方法。各大高校應聯合共建優秀師資團隊，鼓勵教師考取數據分析師資格證，并到實際企業中進行歷練。再者，我們要組建專門師資團隊到國外開展學習工作，取其精髓，去其槽粕，不斷優化我國數據分析師的培養體系。

第二、培養專業化的人才就要有效整合各門課程的教學資源，構建系統性教學結構。鑒于市場對數據分析師的需求的火熱程度，高校完全可以開設專門課程，將與數據相關的課程進行有機的整合并開設數據分析導論、基礎等課程，制定數據分析系統性課程體系，專門為市場培養數據分析的專業人才。

第三、在具備優秀的師資力量和良好的教學體系的基礎上，高校也高度應注重學生興趣的培養。數據分析師是新時代的復合型人才，一名優秀的數據分析師需掌握包括數學、統計學、運籌學、社會學、管理學以及大量軟件應用在內的大量相關知識，學習過程會十分繁瑣、復雜，學習周期長，學習難度大，所以建議各大高校在制定教學體系時應合理安排課程，在教學過程中應注重課程的趣味性，寓教于樂，采用案例導入、項目教學等教學方法，逐漸培養學生對數據分析濃厚的興趣。

第四、隨時更新教學數據，培養適應時展的人才。基于大數據的4V特征即大量化（Volume）、多樣化（Variety）、快速化（Velocity）、價值化（Value），在培養數據分析人才的期間，高校一方面要注重數據的全面性，另一方面要注重數據的更新，及時更改教學方法和教學案例，與時俱進。高校要充分利用互聯網的優勢，引入MOOC（Massive Open Online Course，大規模網絡開放課程）教學方式，充分發揮大數據在教育領域的作用，克服傳統教學方法資源少、反饋慢、綜合分析困難等缺點，將數據分析的研究成果應用于數據分析人才的培養，實現數據分析行業的良性循環。

第五、注重理論與實踐相結合，努力為學生搭建實踐的平臺。高校可考慮校企合作的教學理念，邊教學邊實踐，讓學生將所學到的理論知識轉化為實際應用，一方面在實踐中鞏固并檢驗自己的理論知識，另一方面數據來源真正的企業運營中，讓學生切實體驗數據的作用和風險，有助于塑造真正對企業有用的人才。

5結語

綜上所述，互聯網帶來了全球范圍的數據信息大爆炸，這對企業來說是機遇同時也是挑戰，能將大數據為自己所用，是企業取勝的關鍵，因此數據分析師逐漸被各行各業認可。文章從數據分析師的定義出發，結合目前的時代背景，對數據分析師的每一工作步驟所需的能力進行研究，旨在初步探索優秀數據分析師的成才之道，為即將成為數據分析師的學者提供一定的理論參考。最后，針對如何構建數據分析人才培養體系，對我國高校提出了幾點建議。高校的培養只是為數據分析師提供成才的途徑，如何成為資深的數據分析師還有賴于每個學者的不斷探索和研究。

參考文獻：

[1]張明元.數據分析師的職業是否高不可及[J].出國與就業，2007（08）：56.

[2]鄭葵，馬濤.經管類專業大學生數據分析能力提升策略探討[J].商業經濟，2013（19）：52-53.

[3]馮海超.大數據時代正式到來[J].互聯網周刊，2012（24）：36-38.

[4]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].科技論壇，2015.

[5]尹穎堯，李鴻琳.趕緊培養數據分析師[J].大學生，2013（18）：78-79.

[6]程征.提升數字閱讀質感的數據分析師[J].中國記者，2013（6）：46-47.

篇（2）

了解數據采集的意義在于真正了解數據的原始面貌，包括數據產生的時間、條件、格式、內容、長度、限制條件等。這會幫助數據分析師更有針對性的控制數據生產和采集過程，避免由于違反數據采集規則導致的數據問題；同時，對數據采集邏輯的認識增加了數據分析師對數據的理解程度，尤其是數據中的異常變化。比如：

Omniture中的Prop變量長度只有100個字符，在數據采集部署過程中就不能把含有大量中文描述的文字賦值給Prop變量(超過的字符會被截斷)。

在Webtrekk323之前的Pixel版本，單條信息默認最多只能發送不超過2K的數據。當頁面含有過多變量或變量長度有超出限定的情況下，在保持數據收集的需求下，通常的解決方案是采用多個sendinfo方法分條發送；而在325之后的Pixel版本，單條信息默認最多可以發送7K數據量，非常方便的解決了代碼部署中單條信息過載的問題。(Webtrekk基于請求量付費，請求量越少，費用越低)。

當用戶在離線狀態下使用APP時，數據由于無法聯網而發出，導致正常時間內的數據統計分析延遲。直到該設備下次聯網時，數據才能被發出并歸入當時的時間。這就產生了不同時間看相同歷史時間的數據時會發生數據有出入。

在數據采集階段，數據分析師需要更多的了解數據生產和采集過程中的異常情況，如此才能更好的追本溯源。另外，這也能很大程度上避免“垃圾數據進導致垃圾數據出”的問題。

2.數據存儲

無論數據存儲于云端還是本地，數據的存儲不只是我們看到的數據庫那么簡單。比如：

數據存儲系統是MySql、Oracle、SQL Server還是其他系統。

數據倉庫結構及各庫表如何關聯，星型、雪花型還是其他。

生產數據庫接收數據時是否有一定規則，比如只接收特定類型字段。

生產數據庫面對異常值如何處理，強制轉換、留空還是返回錯誤。

生產數據庫及數據倉庫系統如何存儲數據，名稱、含義、類型、長度、精度、是否可為空、是否唯一、字符編碼、約束條件規則是什么。

接觸到的數據是原始數據還是ETL后的數據，ETL規則是什么。

數據倉庫數據的更新更新機制是什么，全量更新還是增量更新。

不同數據庫和庫表之間的同步規則是什么，哪些因素會造成數據差異，如何處理差異的。

在數據存儲階段，數據分析師需要了解數據存儲內部的工作機制和流程，最核心的因素是在原始數據基礎上經過哪些加工處理，最后得到了怎樣的數據。由于數據在存儲階段是不斷動態變化和迭代更新的，其及時性、完整性、有效性、一致性、準確性很多時候由于軟硬件、內外部環境問題無法保證，這些都會導致后期數據應用問題。

3.數據提取

數據提取是將數據取出的過程，數據提取的核心環節是從哪取、何時取、如何取。

從哪取，數據來源——不同的數據源得到的數據結果未必一致。

何時取，提取時間——不同時間取出來的數據結果未必一致。

如何取，提取規則——不同提取規則下的數據結果很難一致。

在數據提取階段，數據分析師首先需要具備數據提取能力。常用的Select From語句是SQL查詢和提取的必備技能，但即使是簡單的取數工作也有不同層次。第一層是從單張數據庫中按條件提取數據的能力，where是基本的條件語句；第二層是掌握跨庫表提取數據的能力，不同的join有不同的用法；第三層是優化SQL語句，通過優化嵌套、篩選的邏輯層次和遍歷次數等，減少個人時間浪費和系統資源消耗。

其次是理解業務需求的能力，比如業務需要“銷售額”這個字段，相關字段至少有產品銷售額和產品訂單金額，其中的差別在于是否含優惠券、運費等折扣和費用。包含該因素即是訂單金額，否則就是產品單價×數量的產品銷售額。

4.數據挖掘

數據挖掘是面對海量數據時進行數據價值提煉的關鍵，以下是算法選擇的基本原則：

沒有最好的算法，只有最適合的算法，算法選擇的原則是兼具準確性、可操作性、可理解性、可應用性。

沒有一種算法能解決所有問題，但精通一門算法可以解決很多問題。

挖掘算法最難的是算法調優，同一種算法在不同場景下的參數設定相同，實踐是獲得調優經驗的重要途徑。

在數據挖掘階段，數據分析師要掌握數據挖掘相關能力。一是數據挖掘、統計學、數學基本原理和常識；二是熟練使用一門數據挖掘工具，Clementine、SAS或R都是可選項，如果是程序出身也可以選擇編程實現；三是需要了解常用的數據挖掘算法以及每種算法的應用場景和優劣差異點。

5.數據分析

數據分析相對于數據挖掘更多的是偏向業務應用和解讀，當數據挖掘算法得出結論后，如何解釋算法在結果、可信度、顯著程度等方面對于業務的實際意義，如何將挖掘結果反饋到業務操作過程中便于業務理解和實施是關鍵。

6.數據展現

數據展現即數據可視化的部分，數據分析師如何把數據觀點展示給業務的過程。數據展現除遵循各公司統一規范原則外，具體形式還要根據實際需求和場景而定。基本素質要求如下：

工具。PPT、Excel、Word甚至郵件都是不錯的展現工具，任意一個工具用好都很強大。

形式。圖文并茂的基本原則更易于理解，生動、有趣、互動、講故事都是加分項。

原則。領導層喜歡讀圖、看趨勢、要結論，執行層歡看數、讀文字、看過程。

場景。大型會議PPT最合適，匯報說明Word最實用，數據較多時Excel更方便。

最重要一點，數據展現永遠輔助于數據內容，有價值的數據報告才是關鍵。

7.數據應用

數據應用是數據具有落地價值的直接體現，這個過程需要數據分析師具備數據溝通能力、業務推動能力和項目工作能力。

篇（3）

中圖分類號：G4 文獻標識碼：A doi：10.19311/ki.1672-3198.2016.33.147

1 引言

管理統計學是一門應用統計學方法和理論研究經濟管理問題的應用性學科，它通過收集、分析、表述、解釋數據來探索經濟管理問題的規律，并輔助企業進行管理決策和提高管理效率。傳統的統計學關注小規模數據下的數據描述、推斷和科學分析用。與之相應，管理統計學的課堂教學主要關注統計學原理的講述、小數據的推斷分析和經濟管理問題的簡單應用。

然而，自2008年Nature雜志發表“Big data：science in the peta byte era”以恚大數據的發展方興未艾，備受學術界，企業界等關注。大數據的理念和技術不僅在互聯網、金融、機器人、人工智能等領域取得突破性進展，也將對企業的生產、經營和決策等活動帶來深刻的影響，通過對企業大數據的深度挖掘，有助于實現企業的商業價值，規避企業的決策風險，提高企業的競爭力。

大數據時代的到來，對管理統計學來說既是機遇又是挑戰，機遇在于：大數據的分析主要建立在統計學的基礎上對數據進行處理、分析，從而使得大數據可視化；而挑戰在于：當下管理統計學的教學方法和教學手段難以匹配大數據時代對數據分析從業者的要求，這就要求對管理統計學的課堂教學模式進行進一步的發展與創新，以期適應大數據背景下的新要求。

如何結合大數據時代的新要求設計合適的課堂教學模式，如何結合豐富的大數據應用案例開展課堂教學活動，如何增強大數據背景下學生的數據驅動的管理決策意識，培養適應大數據時代要求的高素質人才，這些都是大數據背景下傳統的管理統計學課堂教學模式所面臨的問題和挑戰，這也促使管理統計學教學工作者不得不去探究、優化甚至改革現有的管理統計學課堂教育模式。

2 傳統管理統計學教學模式的概述

筆者所在的教學團隊來自于武漢科技大學管理學院，承擔全院《管理統計學》課程教學任務，在教學方法、實踐教學等有較為豐富的教學經驗。然而，在多年的教學過程實踐和與學生的教學互動當中發現：現有的管理統計學教學模式盡管相對較為成熟，在培養學生的數據分析意識方面起到的重要作用，但是仍存在以下不足，而這些不足恰恰難以適應大數據背景下對管理統計學教學帶來的挑戰。

2.1 注重理論講授，忽視應用教學

受技術發展和數據規模等因素的制約，傳統的管理統計學教學大都采用理論驅動的教學模式，教師依托教材，注重統計學基本原理和方法的傳授，學生掌握基本原理，對統計學的實際應用等關注較少。

盡管管理統計學課堂教學會涉及到一定的應用案例，但是這些案例大都簡單，陳舊，數據來源單一，難以接觸實際原始數據，統計建模思路也相對固定，這些教學案例既不能反映管理統計學的最新發展和應用思想，也無法將其帶入企業經營的情景，對企業決策過程缺乏了解，這些因素都使得學生對該課程的學習興趣不高，不利于培養學生應用統計學解決實際問題的能力，進而影響課堂教學效果。

2.2 注重數學推導，忽視工具應用

管理統計學要求學生掌握一定的數學基礎，教材也都有較多的數學公式和理論推導，忽視了培養學生應用SPSSvSASvR等統計軟件工具解決統計問題的操作能力。

根據經管類專業的培養定位，對于經管類專業的學生而言，相比于統計的數學公式，真正實用的如何借用SPSSvSASvR等統計軟件工具來解決企業經營決策面臨的實際問題，尤其是在大數據背景下，需要處理海量、復雜、多源、異質的高維數據。這些是單憑數學推導和簡單的手動計算無法完成的。

近年來，大數據、互聯網等技術的快速發展催生了一類新型且前景廣闊的職業方向-數據分析師。綜合數據分析師的職業要求，可以發現，這些職位大都要求從業者了解基本的統計學原理和方法，熟練掌握SPSSvSASvR等統計軟件工具，并應用這些工具解決企業經營管理面臨的實際問題。

2.3 注重知識考核，忽視項目訓練

受限于教學管理制度和考核手段等因素，目前管理統計學課堂教學考核方式大都以閉卷為主，主要考察學生對統計學基本知識點的掌握情況，以及學生應用統計學知識解決簡單案例的綜合能力。

然而，在大數據時代背景下，除了要求掌握統計學基本原理，更應培養學生應用統計學知識解決實際問題的綜合能力，而這種綜合能力往往涉及數據獲取、數據預處理、數據探索、統計建模、模型檢驗、模型評價、模型解釋、模型部署和模型修正等數據分析的全過程，這種綜合能力的掌握是無法通過現有的知識考核來達到的，這些必然要求學生通過參與實際項目或模擬情景來實現。

3 大數據背景下管理統計學教學模式探討

篇（4）

中圖分類號：F274

文獻標識碼：A

文章編號：1004-4914（2017）02-237-02

一、引言

信息技術和社會化媒體的飛速發展引發了數據的大爆炸，而龐大的數據集為企業進行市場調查與預測提出了新的挑戰。為了適應新的企業需求，高校《市場調查與預測》課程的人才培養方案和培養模式必須做出相應的調整，引入新的教學方法和人才培養理念，使用更加先進的調查預測工具，為企業培養出具備數據分析能力的優秀人才。

二、課程改革的必要性

（一）大數據時代的要求

隨著大數據時代的到來，企業越來越重視基于大數據的更多樣本，更多實時數據的分析。對于市場專業本科階段的學生來講，雖然不能達到數據分析的專家，但是必須順應時代及企業人才需求的變化，提升數據分析的能力，《市場調查與預測》課程的教學改革迫在眉睫。

（二）傳統教學方法與教學模式存在很多弊端

《市場調查與預測》課程最顯著的特點就是實踐性強，但是傳統的教學方法與教學模式很難達到鍛煉學生實踐能力的目的。主要體現在以下三個方面：第一，傳統的注入式教學方法主要強調的是理論知識的傳授，學生缺乏參與感，很難調動學生的自主性和積極性，培養學生的創新性；第二，傳統課程安排實踐課時偏少，通過查閱各類院校本課程的教學計劃，多數高校實踐課時占總課程課時的比例不足30%，教師很難對整個實踐過程進行監管和指導。第三，傳統的教學模式忽略了對實踐能力的考核，基于實踐課時偏少，實踐成績所占總成績的比重很低且缺乏完整科學的成績評定體系，容易造成學生“搭便車”的現象；第四，《市場調研與預測》課程與《統計學》存在較強的相關關系，在授課過程中如果缺乏課程銜接與配合意識，很容易造成內容的重疊。同時，如果學生的統計學知識不扎實，對數據的分析僅僅停留在問卷調查數據的初步統計，很難提高學生的數據分析能力。

三、課程改革的基本思路

《市場調查與預測》課程的教學改革應順應大數據時展的要求，通過以學生為主體，教師為主導的教學方法，著重培養學生的實踐能力、創新能力和數據分析能力。教學內容上增加數據分析的內容，主要引入SPSS統計軟件的實驗課程，提升學生的數據分析能力；教學形式上采用課題式教學，通過課題式教學與分組合作學習的互動式教學模式提高學生的實踐能力；課程考核上，通過制定公平合理的考核制度提高學生參與實踐鍛煉的積極性，并在提高自身綜合素質的基礎上提高對教師教學的滿意度。

（一）教學內容的調整

依據市場調查與預測統計分析的需要，學生要先修《統計學》課程，通過和《統計學》教師的溝通與配合，《市場調查與預測》課程教學內容減少與《統計學》重復的理論部分，增加數據分析內容，尤其是SPSS操作模塊。與此同時，增加實踐課時。該課程的總課時為48學時，其中課堂理論授課占用24學時，SPSS操作占用12學時，實踐課時12學時。課程理論講授模塊的內容包括：市場調研方案設計、數據搜集方法、市場調研誤差、數據整理與分析、市場調研報告的撰寫、市場預測的基本方法。SPSS操作模塊包括：問卷設計與數據收集、問卷數據的錄入與清理、單變量的一維頻率分析、雙變量的交叉表分析、多選變量的一維頻率分析和交叉表分析、描述統計分析、簡單統計推斷、單因素方差分析、線性相關分析與線性回歸分析。@兩個模塊不是孤立的，而是通過課題式教學完成，學生通過選定的課題展開，圍繞選題在實踐課時完成完整的市場調研過程，應用SPSS完成數據的分析過程，最后以課題小組的形式進行匯報。

（二）教學的組織形式

教學組織形式上主要采用課題式教學與分組合作學習的形式，鼓勵學生按照興趣以4～6人為一組進行組隊，通過發現生活中與市場調查相關的實際問題，參與教師的課題項目，參與大學生市場分析大賽或者結合大學生創新項目等形式確定調研主題，明確調查目的、調查對象和調查范圍，設計調查方案。無論對于教師還是學生，新的科研項目的立項都會面對很多的新問題。在教學過程中，全體師生圍繞共同感興趣的科研課題展開教學與科研活動，形成一個學習型的教與學的團隊。提高學生自主學習與實踐的意識。師生在教學與科研活動中會有新的發現，達到教學相長的目的。

（三）課程成績評定方案的優化

由于《市場調查與預測》的課程加強了實踐環節，所以在最終課程的成績評定中，學生實踐環節的占比要相應的提高。我校傳統課程考核中，綜合成績=平時成績+期末成績。平時成績和期末成績分別占30%和70%。現計劃調整為：綜合成績=實踐成績+期末成績。其中實踐成績和期末成績各占50%。由于實踐環節都是分小組進行，調研報告和最終的匯報只能區分不同小組的最終表現，很難區分小組成員的實踐表現。為了防止小組成員在團隊作業中出現搭便車的現象，所以學生個人實踐成績=小組實踐成績70%+個人平時成績30%。小組實踐成績的評定在匯報過程中采取小組互評和老師評定相結合的方式，其中小組互評占30%，由其他小組評定的平均分計算得來，老師評定占70%，按照課題選題的難易程度及完成的工作量大小來確定。個人平時成績=組長評分30%+老師評分70%，組長評分根據組員的參與度及完成情況決定，老師評分根據小組分工的完成情況決定。這種成績評定結構盡可能的做到客觀公正，讓學生切身體會到自覺參與實踐鍛煉的重要性，促進學生積極投入到實踐鍛煉中，并在提高自身綜合素質的基礎上提高學生對教師教學的滿意度。

四、課程改革與專業特色

由于課程采用課題式教學與分組合作學習的形式，不僅鍛煉了學生的實踐能力和創新能力，而且對學生團隊溝通與合作能力也是一種提升。通過這種教學模式的實踐也可以為市場營銷專業特色的建立指明方向。

（一）以就業為導向

市場營銷專業的學生將來很可能從事市場調研工作，因此如果能在學習的基礎上考取相關證書可以很大程度提高就業率，比如可以鼓勵學生考取中級調查分析師證書。中級調查分析師證書考核的內容主要包括五個模塊：消費者行為學、調查概論、市場調查實務、抽樣技術和調查數據分析。學生可以側重以“消費者行為”為課題開展市場調查，不僅使學生掌握了市場調查的基本理論知識，而且也掌握了市場調查的實務，提高了數據分析的能力，實現了大數據時代企業對新的人才需求的無縫銜接。

（二）以專業競賽為導向

該課程的實踐環節也可以以專業大賽為依托，比如學生的選題可以先以校級大學生創新項目為基礎組織教學實踐，既完成了教學任務，又可以為參加更高層次的專業大賽奠定一定的基礎。在現有課題的基礎上選拔比較好的項目銜接省級大學生創新項目、全國及海峽兩岸大學生市場調查分析大賽等。這種模式既可以加強與全國高校的交流，也可以緊追市場調研實踐教學模式的前沿，拓寬任課教師的思路，促進教學質量的提升，提高教學滿意度。

總之，《市場調查與預測》課程的改革不僅順應了大數據時代的發展，同時也能體現出以市場調研為依托的專業特色。但是我校《市場調查與預測》課程的改革并非一蹴而就，也是一個循序漸進的過程。課程的改革不僅和現有師資水平有關，而且與學校的各種軟硬件配置以及實驗室建設也存在很大的關系。目前我校在《市場調查與預測》教學方面的軟硬件還存在很大的欠缺。如何提高實驗室的利用效率，加強實驗室軟硬件建設，實現SPSS操作課程與理論課程的無縫銜接也是需要我們通過調研來逐步改善的。同時，課程的建O需要長期的投入和努力，我們在提高學生的市場調研實踐能力，增強學生將來融入社會的適應能力的過程中還要不斷摸索和提升，緊跟時展的步伐。

參考文獻：

[1] 段曉梅.基于SPSS軟件的《市場調查與預測》實驗課程教學研究[J].教育教學論壇，2014（9）58～60

[2] 李紅梅.市場調研課程實踐性教學模式研究[J].教育教學論壇，2015（12）107～109

[3] 陳成棟，劉曉云.“市場調查與預測“課程教學改革實證研究[J].中國市場，2012（35）26～28

篇（5）

中圖分類號：F503 文獻標識碼：A 文章編號：1674-098X（2014）04（a）-0021-01

對于數據分析來說，其主要的目的就是通過對數據的分析去發現問題或預測趨勢。從數據鉆取、大規模分析的技術手段、以及算法執行上來說，大規模分析是和小規模數據在技術上是有很大差異的。想要探究大數據下的智能數據分析技術，首先要對數據分析這一概念進行深入研究。

1 數據分析

數據分析的過程其實簡單的說就是做報告，做什么樣的報告反映什么樣的指標。最開始的時候基本上是data processing。例如零售行業來說，最主要的指標就是庫存、銷售同比增長情況、利潤同比增長情況、促銷率等等。對于不同的行業會有不同的相關的KPI需要跟蹤，所以報告的內容也會有所側重，但是只要你一個行業做久了，熟悉了套路之后，基本上就是以同樣的方法開展。

對于數據分析，如果公司部門分的比較細的（例如可能有建模組），那么做數據分析可能永遠都是做data processing了。對于模型的分析，需要你對業務有了深入的了解就可以建立一些模型出來（例如推薦模型）等等。

數據分析主要涉及的技能：

（1）數據庫的能力。越全面越好，如果不是理工科的，最起碼要會select那些簡單的查詢語句。

（2）EXCEL、PPT的能力。報告的呈現一般都是Excel+PPT的形式，最好VBA，這樣就可以將很多人工的工作轉化為自動化的能力，提高工作效率，領導也對你刮目相看，自己也有更多空余的時間準備其他方面的知識。

（3）市場分析能力。學會觀察市場的走向和關注的內容，例如零售行業，現在大家都對CRM很熱衷，那相關的分析方法和方式是怎么樣的，你要自己去了解。從來不會有人手把手的將所有東西都告訴你，你必須自己學會去增長知識。

（4）一些會計的知識。因為通過以上分析，就是會計管理的一部分內容，最后還是公司盈利問題。有興趣的也可以去看看戰略管理方面的，對于做數據分析也很有好處的說。

綜合來看，可以說數據分析=技術+市場+戰略。

2 如何培養數據分析能力

理論：

基礎的數據分析知識，至少知道如何做趨勢分析、比較分析和細分，不然拿到一份數據就無從下手；

（2）基礎的統計學知識，至少基礎的統計量要認識，知道這些統計量的定義和適用條件，統計學方法可以讓分析過程更加嚴謹，結論更有說服力；

（3）對數據的興趣，以及其它的知識多多益善，讓分析過程有趣起來。

實踐：

（1）明確分析的目的。如果分析前沒有明確分析的最終目標，很容易被數據繞進去，最終自己都不知道自己得出的結論到底是用來干嘛的；

（2）多結合業務去看數據。數據從業務運營中來，分析當然要回歸到業務中去，多熟悉了解業務可以使數據看起來更加透徹；

（3）了解數據的定義和獲取。最好從數據最初是怎么獲取的開始了解，當然指標的統計邏輯和規則是必須熟記于心的，不然很容易就被數據給坑了；

（4）最后就是不斷地看數據、分析數據，這是個必經的過程，往往一個工作經驗豐富的非數據分析的運營人員要比剛進來不久的數據分析師對數據的了解要深入得多，就是這個原因。

3 大數據

大數據就是通過統計分析計算機收集的數據，在人們可能不知道“為什么”的前提下，了解到事物的狀態、趨勢、結果等“是什么”。

對于大數據，一直來說，數據規模導致的存儲、運算等技術問題從來不是最重要的瓶頸。瓶頸只在于前端數據的收集途徑，以及后端商業思想引領的模型和算法問題。早期的各類OLAP工具已經足夠了，后來類似海杜普這樣的研究則徹底降低了分布式數據的架構成本和門檻，就徹底將大數據帶入了一個普及的領域。

從技術層面說，大數據和以前的數據時代的最大差異在于，以前是數據找應用/算法的過程（例如各大銀行的大集中項目，以及數據建倉），而大數據時代的重要技術特征之一，是應用/算法去找數據的過程，因為數據規模變成了技術上最大的挑戰。

大數據的特點：

（1）大數據不等同于數據大，我們處理問題是根據這個問題的所有數據而非樣本數據，即樣本就是總體；不是精確性而是混雜性；不是因果關系而是相關關系。

（2）大數據應用的幾個可能：當文字變成數據，此時人可以用之閱讀，機器可以用之分析；當方位變成數據，商業廣告，疫情傳染監控，雅安地震時的谷歌尋人；當溝通變成數據，就成了社交圖譜。一切都可以量化，將世界看作可以理解的數據的海洋，為我們提供了一個從來未有過的審視現實的視角。

（3）數據創新的價值：數據的再利用。例如重組數據：隨著大數據出現，數據的總和比部分更有價值，重組總和和本身價值也比單個總和更大；可擴展數據：在設計數據收集時就設計好了它的可擴展性，可以增加數據的潛在價值；數據的折舊值：數據會無用，需淘汰更新；數據廢氣：比如語音識別，當用戶指出語音識別程序誤解了他的意思，實際上就有效的訓練了這個系統。

總之，大數據是因為對它的分析使用，才產生和體現它的價值，而不是因為其用到了突出的技術和算法才體現了它的價值。

4 大數據下的智能數據分析

在大數據的背景下，必須考慮數據之間的關聯性。一個單獨的數據是沒有意義的，實際中，選擇處在兩個極端的數據往往更容易找出它們之間的聯系，把它們放在一個框架中看才能發現問題。因此，可以用以下四種方法在大數據背景下進行智能數據分析：

（1）從解決問題的角度出發收集數據；

（2）把收集的數據整理好，放入一個框架內，并利用這個框架幫助決策者做出決定；

（3）評估決定與行動的效果，這將告訴我們框架是否合理；

（4）如果有新的數據出現，我們將考察能否利用它對前面三步做出改進，以及我們今天是否還需要收集更多種類的數據。

5 結語

數據分析的最終目的是幫助業務發現問題并解決問題，提升公司價值，而這些是從數據發覺的，而不是盲目下結論。每家公司都有自己業務生產的數據，通過數據分析、同比環比、漏斗分析及模型等，發現業務上存在的問題，幫助公司業務的優化。

參考文獻

篇（6）

對于大數據時代，目前通常認為有下述四大特征，稱為“四V”特征：第一，數據體量巨大（VolumeBig）：數據量級已從TB（1TB=210GB）發展至PB（1PB=210TB）乃至ZB（1ZB=220PB），可稱海量、巨量乃至超量；第二，數據類型繁多：越來越多的為視頻、位置信息、圖像與圖片等半結構化和非結構化數據信息；第三，價值密度低，商業價值高：以視頻為例，連續不間斷監控過程中有價值的數據可能僅為一兩秒的數據流；第四，處理速度快，處理工具演進快：數據流往往為高速實時數據流，而且往往需要快速、持續的實時處理。[2，3]

2.大數據時代對人才的需求

2013年3月，IDC數字宇宙報告《大數據，更大的數字身影，最大增長在遠東》預計到2020年數字宇宙規模將達到40ZB。這意味著需要大量的人力和技術對如此龐大的數據進行處理、分析和管理。在此情況下，對于大數據環境下新型人才的培養問題在近年逐漸受到重視。未來對具有大數據管理和分析能力的人才需求將快速增長，這些人員除了具備相應的技術能力、管理能力、社交能力、系統分析和開發的能力外，還需要具備深度分析數據的能力。同時，一些和大數據相關的職位也會應運而生，例如數據分析師、數據架構師等。2011年麥肯錫全球研究所給出的一份報告預測，美國到2018年對具有良好信息素養的經理人才的需求量大約在150萬人，此外，還需要14萬～19萬數據分析方面的資深專家。[4]在我國，互聯網企業、電子商務、金融機構、醫療衛生、零售、保險等行業及政府數據中心對大數據專業人才的需求量都很大。

二、大數據時代下山東理工大學信管專業培養模式

大數據時代產生對相關人才的巨大需求，因此，山東理工大學（以后簡稱“我校”）信管專業提出了新的培養標準和課程設置體系，培養具有我校特色的信息管理專業人才。

1.培養目標和培養標準

在大數據環境下，重新定位信管專業的培養目標和標準，以適應“大數據”對專業人才提出的新要求，是信管專業建設的首要議題。我校信管專業突破國內高校信息管理專業人才培養的三種主要模式（一是強調IT技術，弱化了現代管理理論與方法；二是強調管理又過于弱化了IT技術；三是IT技術與管理相融合，但實際效果不理想），[5]強調學生不但要掌握現代信息系統的規劃、分析、設計、實施和運維等方面的方法與技術，更要具有現代管理科學思想和較強的信息系統開發利用以及數據分析處理能力。我校信管專業還制定了全新的培養標準矩陣（如表1所示），從五大方面28個小方面更為詳實地闡述了信管專業學生需具備的技能和能力，并為課程的設置提供了依據。

2.課程設置體系

為了滿足大數據時代對人才提出的新要求，我校信管專業課程設置圍繞主干學科（管理學、經濟學、計算機科學與技術、管理科學與工程）不僅設置了國內高校信管專業常設的管理學、統計學、管理信息系統、數據庫原理與應用、數據結構與算法分析、計算機網絡基礎與應用、Java程序設計、電子商務等課程外，還設置了數據倉庫與數據挖掘、商務智能與人工智能等相關課程，使學生在理解新興數據處理模式的同時，智能化數據分析處理及決策支持能力得到訓練。與此同時，還設置了基于移動終端的APP開發、企業信息系統構建與仿真、電子商務平臺架構設計等課程，使信管專業的學生成為擁有合理知識結構的復合型人才。大數據時代下新型的信息管理與信息系統專業人才的培養既要高度重視理論知識的學習，又要加強實踐能力的培養。為此，我校信管專業還設置了工程實訓、軟件實習等實踐項目，以及為期10周的IM&IS應用實踐環節，為學生搭建實踐平臺，拓寬實踐渠道。通過3年在校學習及總計約1年的實踐鍛煉（如圖1所示），我校信管畢業生不僅具有良好的管理知識基礎、信息技術應用能力，現代信息系統的開發利用的能力，還具備智能數據分析處理工具的操作能力以及綜合數據分析處理能力。

3.特色

大數據時代下，我校信管專業制定了具有自身特色的培養模式，即：培養目標和標準與行業發展結合，適應大數據對人才能力需求的變化；培養具有綜合分析和管理能力，強調動手能力的新型信管人才。

篇（7）

作者簡介：王暉（1973-），女，黑龍江雞西人，北京信息科技大學經濟管理學院，講師；段文軍（1969-），女，山東蓬萊人，北京信息科技大學經濟管理學院，副教授。（北京 100192）

基金項目：本文系北京信息科技大學教學提高-專業建設項目（項目編號：5028023501）的研究成果。

中圖分類號：G642.0 文獻標識碼：A 文章編號：1007-0079（2013）25-0111-02

當今時代不斷涌現各種新型信息方式，例如博客、社交網絡等；不斷興起各種新技術，例如云計算、物聯網等。數據的產生不受任何的限制，數據以前所未有的速度不斷增長和累積，大數據時代已經來到。[1]《華爾街日報》認為大數據時代是引領未來繁榮的三大技術變革之一。麥肯錫公司在一份報告中提出數據是一種生產資料。企業每天面對海量的財務數據，如超市的銷售記錄、銀行的交易記錄、淘寶網站數千萬筆交易記錄（產生量超過50TB，存儲量40PB①）。企業如能利用這些巨大的數據集挖掘出有價值的信息，那么企業就能掌控下一個創新、競爭和生產力提高的關鍵。大數據時代，尤其是財務大數據時代，呼喚創新型人才。[2]呼喚具備綜合財務分析能力的人才，利用財務大數據為企業創造財富。

如何培養財務分析人才？在財經類高校本科，一般都開設“財務分析”課程，該課程教學目的是培養學生對真實企業進行綜合財務分析，并能獨立撰寫財務分析報告的能力。[3]本文以北京信息科技大學（以下簡稱“我校”）為例，探討大數據時代下財務分析人才的需求特點，對高校“財務分析”課程設置的影響，并提出改進“財務分析”課程教學的建議。

一、大數據時代下財務分析人才需求特點

相較于其他類型數據，財務數據更大、更復雜，蘊藏著更多寶貴信息。麥肯錫公司2011年報告推測，利用大數據分析，零售商可增加運營利潤60%，制造業設備裝配成本會減少50%。[2]在財務大數據環境下，如何整理與統計這些雜亂無章的數據？如何讓財務數據開口說話為企業管理者經營決策提供科學依據？朱東華（2013）認為，大數據時代下，傳統的數據分析方法已經不再適應當前的數據環境，同時，各種企業對數據的依賴與日俱增，甚至定量分析方法將逐步取代定性分析方法。[4]財務大數據和大量的財務數據分析需求助長了企業對統計和數學背景的人才需求。

可見，大數據時代下財務分析人才應該具備扎實的統計學和數學功底，能夠熟練運用定量分析方法分析數據以獲取信息，撰寫分析報告為企業相關利益人決策提供依據。

二、“財務分析”課程教學現狀

張先治（2007）認為，財務分析是財務分析主體為實現財務分析目標，以財務信息及其他相關信息為基礎，運用財務分析技術，對分析對象的財務活動的可靠性和有效性進行分析，為經營決策、管理控制及監督管理提供依據的一門具有獨立性、邊緣性、綜合性的經濟應用學科。[5]財務分析課程是為我校經濟管理學院財務管理專業本科三年級開設的一門專業必修課。學生前期已經學過數學、經濟學、會計學、財務管理、統計學等課程。財務分析課程正是在學生掌握前期所學各門課程的基礎上，培養學生綜合運用所學專業知識，分析判斷企業的財務狀況，并根據數據分析結果找出企業存在的問題，提出解決方案。[6]為了更好地實現“財務分析”課程教學目的，課程組的老師們經過討論，決定修改2008級財務管理專業教學計劃，將原來課堂教學的方式改為1/2的學時用于課堂教授基本理論，1/2學時用于實踐教學。筆者自2011年開始，按照新的教學計劃給三屆學生講授了“財務分析”課程。

1.理論教學部分

教材選用東北財經大學出版社出版，張先治和陳友邦主編的《財務分析》（第五版）。該教材體系完整，內容豐富，全書以一家虛擬的ZTE公司為例，演示財務報告分析、財務效率分析和財務綜合分析。每章設有案例和復習思考題，該書還有配套的習題集。在課堂教學中，以教材為主線，突出介紹各種財務分析方法的使用，以及根據分析結果得出結論，提出解決方案。

2.實踐教學部分

一人一企，邊學邊分析。每位學生選擇一家上市公司作為分析對象，利用學校購買的金融數據庫以及相應網絡資源，結合所學財務分析理論知識進行上機實驗，在Excel內完成數據分析，并將分析結果形成財務分析報告。學生分析判斷和決策能力在實戰中得以鍛煉，教學效果得到改善。

但是，隨著大數據時代的來臨，外部環境對數據分析能力要求的提升，僅僅學會利用Excel進行水平分析、垂直分析、趨勢分析、比率分析和因素分析，已經遠遠不能滿足市場對財務分析人才的需求，學生就業的競爭力無從談起。結合前面大數據時代下財務分析人才需求特點，我校學生財務分析能力的培養存在著以下問題：

1.學生數據收集、整理和分析能力弱

定量分析方法應用的基礎是數據，財務分析人員必須學會從海量的網絡資源中搜集并篩選與自己的分析對象和分析目的相關性較強的資料信息，[7]這些資料信息可能是結構化數據，例如金融數據庫等；也可能是非結構化數據，例如網頁等。從實踐教學環節反映出學生數據收集和整理能力弱，分析其原因主要是：

（1）學生不熟悉對財務分析有幫助的網絡資源。搜集有價值的數據需要一定的技巧，其中最為重要的是熟悉一些重要的網站，知道相應的數據應該在哪里找到的概率比較大，做到有的放矢。

（2）學生無法將非結構數據快速地轉換成所需的數據形式。類似金融數據庫這樣的結構數據，學生基本能夠篩選出所需信息。但是，對于類似網頁這樣的非結構數據，他們就只能運用最原始的復制粘貼的方法提煉數據信息，耗時且耗力。2013年2月1日，人保財險執行副總裁王和在中國第七屆“保險業管理信息化高峰論壇”上指出，在過去的兩三年里，結構和非結構數據發生了本質性的逆轉。過去就整個社會來講，絕大多數的數據是結構數據，而現在非結構數據正呈快速增長的趨勢，現在以及未來，非結構數據將占到95%，甚至更多。

“財務分析”課程講授的基本方法主要是比率分析和因素分析法等。目前，無論是學術界還是業界，研究人員大量使用統計模型進行財務數據分析，例如聚類分析、多元回歸、因子分析、時間序列預測法等。因而，我校學生數據分析能力急需加強，尤其是統計學和數學的基礎要扎實。

2.學生財務分析報告撰寫水平有待提高

財務分析的結果是以財務分析報告的形式展示給企業利益相關人，為其進行財務預測、財務決策、財務控制和財務評價等提供可靠信息。財務分析報告是對企業經營狀況、資金運作的綜合概括和高度反映。李寶智（2012）認為，報告應具備八要素：準確、完整、可比、用戶導向、相關、問題的解決方案、及時和易用。[8]從我校學生提交的財務分析報告看，與上述要求還有很大差距。

三、“財務分析”課程教學改革建議

1.培訓網絡資源使用

重點介紹幾個數據庫的使用：

（1）金融數據庫。我校購買了兩款金融數據庫，北京聚源銳思數據科技有限公司金融數據庫（http：//）和深圳市國泰安信息技術有限公司CSMAR財經系列研究數據庫（http：//）。登陸金融數據庫后，輸入查詢條件即可下載上市公司財務數據，速度快且數據量大，數據格式可以任意選擇。

（2）中國資訊行（國際）有限公司高校財經數據庫（http：//），INFOBANK于1995年在香港成立，是一家專門收集、處理及傳播中國商業、經濟信息的香港高科技企業，信息范圍涵蓋19個領域、197個行業。

（3）國務院發展研究中心信息網（國研網）（http：//.cn）。國研網已建成了內容豐富、檢索便捷、功能齊全的大型經濟信息數據庫集群，包括：六十幾個文獻類數據庫、四十多個統計類數據庫等。

網站資源：中國證券監督管理委員會（http：//）、上海證券交易所（http：//.cn）、深圳證券交易所網站（http：//）、巨潮資訊網（http：//.cn）和相關協會網站等。

2.培養數據預處理和建模能力

收集到數據之后，需要對數據進行預處理，利用統計學的理論和方法將數據轉換成一個分析模型。[9]學生在統計學、計量經濟學課程中，已經完成基本模型理論、SPSS或者Eviews三分析軟件的學習。但是，若想實現對大數據的整理和分析，應該掌握R或者Matlab統計分析軟件，同時，還要掌握一種編程語言，例如C++、JAVA、C#等。利用編程語言調用統計分析軟件，從而實現大數據的分析。另外，建議學生了解Perl語言編程，該語言擅長處理非結構數據。

3.培養文獻閱讀及財務分析報告撰寫能力

數據分析之后，需要撰寫財務分析報告，為各方利益相關者的決策提供依據。不同財務分析的目的，形成的財務分析報告具體要求會有所差異，但是撰寫財務分析報告的基本步驟相同。首先查閱文獻，閱讀相關學術文章、財務分析師分析報告、評級機構報告等；其次，模仿寫作，組織財務分析結果，形成報告。此中沒有捷徑，需多看、多寫。

注釋：

①1TB 等于1000GB，1PB 等于1000TB。

參考文獻：

[1]孟小峰，慈祥.大數據管理：概念、技術與挑戰[J].計算機研究與發展，2013，（1）.

[2]鄔賀銓.大數據時代的機遇與挑戰[J].求是，2013，（4）.

[3]張肖飛.財經類高校《財務分析》課程案例教學改革研究[J].商業會計，2013，（1）.

[4]朱東華，張嶷，汪雪鋒，等.大數據環境下技術創新管理方法研究[J].科學學與科學技術管理，2013，（4）.

[5]張先治.財務分析理論發展與定位研究[J].財經問題研究，

2007，（4）.

[6]陳衛軍，徐文學，陳平.基于上市公司網上資源的《財務分析》實訓教學探討[J].財會通訊，2012，（2）.

篇（8）

“十二五”期間，我國信息產業迅速擴大、信息技術快速發展、互聯網經濟日益繁榮，并積累了豐富的數據資源，比如面向公眾的政府網站達8．4萬個、智慧城市試點近300個、網民數量超過7億、移動電話用戶突破13億等［1］；技術創新取得了明顯突破，應用勢頭良好，電信、金融、交通等行業利用已積累的數據資源，積極探索行業大數據的應用和行業服務優化；為“十三五”時期我國大數據產業快速發展奠定了堅實基礎。目前，大數據在電子商務、金融、物流、電信、醫療、教育、智慧城市等領域的應用蓬勃興起［2－4］，產業發展如火如荼，以Hadoop、Spark等開源技術為代表的技術發展日新月異［5］。由于大數據技術屬于近幾年的新興技術，目前部分高校缺乏高層次的大數據技術專業人才培養的課程體系和師資隊伍；同時，大數據不僅是停留在課堂教學層面上的技術知識，更是需要在實踐中學習的一項技能，因此為師生提供一個大數據實踐教學平臺勢在必行。

1大數據分析實驗室建設的必要性分析

1．1大數據社會產業需求分析

“十三五”時期是我國全面建成小康社會的決勝階段，是新舊動能轉換的關鍵時期，也是全球新一代信息產業處于加速變革期，以及國內市場需求處于持續增長期。我國大數據產業面臨重要的發展機遇，抓住這一機遇，推動大數據產業發展，對提升政府治理能力、優化民生公共服務、促進經濟轉型和創新發展有重大意義［1］。隨著新一代信息技術的迅猛發展，互聯網與社會各領域、各行業交融、交匯日益深化，一個以大規模產生、分享和應用數據為特征的大數據時代已經到來。2014年是進入大數據應用市場的快速增長期，同比增長80％以上，2015年后進入平穩增長階段，預計2018年全球大數據市場規模將達到超過2500億元，2015—2018年的增長率為21．8％，我國大數據市場規模將超過500億元，增長率為47．0％，是全球增長率的2．2倍［6］。

1．2學生大數據就業需求分析

目前，大數據在各個行業都得到了充分的重視，也急需大數據方面的人才。大數據人才是一個非常寬泛的概念，根據具體從事崗位不同，技能要求也會不同。從大數據崗位和技能需求的角度來劃分，大數據人才分為3類［7］：第一類是數據分析師，要求熟悉大數據的概念和原理，具有一定的數理和統計學知識，能夠熟練操作和使用數據軟件和工具，是從事大數據的初級人員；第二類是數據工程師，能夠開發和搭建數據平臺和應用，并且熟悉數據挖掘的流程和原理，為大數據技術應用在各個領域提供解決方案，要求具有軟件開發和數據分析的能力；第三類是數據科學家，要求熟悉各種大數據技術的原理和相對的優劣勢，合理利用各種技術來設計大數據平臺的架構，根據數據挖掘的使用需求和商業理解來設計和開發算法，是對數學、統計學、機器學習等多方面知識的綜合掌控的復合型人才，也是大數據分析的高級人才。大數據人才在“領英”（linkedin）和“玻璃門”（glassdoor）等人力資源和招聘網站上，長期處于供不應求的狀態。麥肯錫咨詢研究指出，到2018年僅在美國，大數據人才短缺就達到50％～60％。今日美國和彭博社等媒體一致認為，大數據人才短缺的問題短期內只會加劇而不會緩解［7］。如何從紛繁復雜的海量數據中提取有用的信息，變數據為財富，挖掘數據中的金礦，提升企業競爭力以及提高企業風險管理水平，是當前企業和院校教育工作的重要課題。

1．3學生理論學習與實踐相結合

院校開設大數據相關課程，涉及到的課程內容有數據分析、數據挖掘、編程語言、機器學習等，這些課程均需要學生具備很強的實踐動手能力，如果只是停留在理論知識上，學生也只能紙上談兵。因此，學校在開設大數據課程時，只有為學生提供配套的實踐課程，才能真正達到學以致用的目的［8－9］。建設大數據分析實驗室，從學生學習角度來講，迫切性和必要性主要在于以下幾點：第一，加強學生對知識的吸收與應用，萌發學生的創新精神，激發學生的學習動力，在實踐中，通過有趣并結合實際的案例，提高學生的興趣和分析問題的能力；第二，有利于提高學生解決問題的實踐能力，通過實驗室模擬環境，使學生能夠將理論知識用于解決實際問題；第三，增強學生的社會適應性與競爭力，通過實際案例及應用場境，使學生畢業后能夠很快融入行業環境，掌握和具備相應的技能。

2大數據分析實驗室建設目標與建設內容

大數據分析實驗室的建設，應最終為該專業人才培養方案中相應的課程服務，而人才培養方案的制訂，應該從社會需求和學生實際需要著手［10］，考慮學生學習基礎，不能盲目追求高大上。我校為應用型本科院校，注重培養學生的實踐動手能力，因此培養方案中課程的制定，也更注重實踐部分。對于大數據技術方面，我們側重于大數據的分析和挖掘，以及大數據技術和應用。課程方面，先從大數據分析和挖掘、大數據技術及應用等相關內容入手，使學生具備數據分析、數據挖掘的基本能力和大數據技術的基本原理，以及應用系統開發的能力。因而大數據實驗室的建設，也將從數據分析挖掘算法、Hadoop生態系統及開發2方面進行建設。大數據分析實驗室集硬件服務器、云計算技術、大數據技術于一身，便于計算機相關專業開設大數據教學課程。實驗室的建設內容將包含以下3方面內容：（1）實驗室硬件平臺建設：為保證實驗環境的整體搭建，需在現有實驗室基礎設備基礎上，配備必要的服務器環境、網絡環境，為搭建大數據分析實驗教學平臺，提供硬件支撐環境。（2）實驗教學平臺建設：充分利用現有硬件資源，通過Vmware等虛擬化技術構建云中心的資源池，將云存儲資源、服務器資源和網絡資源整合，在云平臺上搭建統一的大數據分析與挖掘和大數據技術及應用的實驗課程所需的實驗平臺。（3）課程資源建設：根據培養方案，開設大數據分析與挖掘、大數據技術及應用2門專業必修課程。為確保理論與實踐的緊密結合，培養學生知識應用能力，積累工程項目經驗，需要增設以上理論課程的配套實驗課。

3大數據分析實驗室實施方案

3．1大數據分析實驗室建設思路

大數據實驗室的建設是一個系統工程，主要服務于學生學習、教師教學；為了充分發揮大數據實驗室的功效和作用，可以增加一項增值服務，即在滿足學習和教學的基礎上，進一步為教師和學生提供科研服務，使得教師可在該平臺上進行科學研究和實驗，進而反哺教學（見圖1）。

3．2大數據分析實驗室建設

實驗室建設分3步走：（1）為滿足教學的迫切需求，首先建設大數據分析教學平臺，以及必要的軟硬件支撐，如課程資源，可以是真實數據，也可以是模擬數據。在該平臺之上建設數據挖掘分析平臺和大數據開發教學平臺，滿足課堂教與學的需求。（2）沙盤模擬系統建設。為了積累更多的行業數據，更好地體現大數據的特性，需要建設沙盤模擬系統，更好地服務于大數據分析和大數據挖掘相關功能的實現和操作。（3）服務科研的高級應用。通過校企合作［11］，引入企業實際工程項目，隨著系統的完善和數據的積累，教師和學生可以在該平臺上進行其他行業的科學研究和算法優化等工作，一方面服務企業，另一方面也可不斷服務創新。

篇（9）

關鍵詞：

財務分析；教材體系；大數據環境；方法；內容

根據Gartner(2012)的定義，大數據具有數量大、變化快和多樣化的基本特征，是典型的信息資產，其背后隱藏著巨大價值與財富。財務數據是企業最基本、最有決策價值的數據，是大數據的重要構成內容。但大數據時代，財務所面對的數據規模越來越龐大、數據類型越來越復雜，也蘊藏著越來越多的寶貴信息，因此，大數據對傳統財務會計理論與實務提出了新的要求，對會計信息質量產生更廣泛而深刻的影響，這必然需要培養掌握先進的分析技術和大數據分析工具，能從海量數據中發現機遇，具備高效的溝通和協作能力的數據處理與分析的團隊。財務分析教材作為財務數據處理與分析人才培養的主要載體、平臺和手段，必然以大數據環境下財務數據分析人才知識和能力需求為導向，對其教學工具、教學內容和教學方式進行變革與調整。關于財務分析教材方面的研究，從文獻的數量上來看并不多，而進行大數據環境下財務分析教材的研究文獻基本是空白。不過，隨著大數據時代的到來，目前，關于大數據下財務分析的討論越來越多。部分學者對從理論上分析了大數據對財務會計理論的影響，進而指出大數據對財務分析內涵、對象和功能等內容的影響[1]；也有部分學者結合實際指出：大數據的到來給財務分析領域帶來了巨大機遇和挑戰[2]，財務分析將不再是一個靜態的，個態的和封閉的內部“小分析”[3]，而是動態的、系統的、開放的、注重過程分析和非結構數據分析的綜合分析[4]；當然，也有個別學者從課程建設的角度進行分析，指出數據時代的到來，高校財務分析課程急需改革，以培養創新型財務分析人才來適應市場需求[5]，等等。本文希望在借鑒前述學者的研究成果基礎上，構建適應大數據環境下財務分析人才培養的全新的財務分析教材體系。

一、大數據環境對財務分析的影響

大數據時代的到來，財務分析將發生一個翻天的變革，其將突破靜態的，個態的“小分析”范疇，而變成一個動態的、系統的“綜合分析”。

（一）對財務分析對象的影響

大數據環境下，財務分析將更注重信息的全面性和針對性，更注重利益相關者的信息需求和信息的決策相關性。針對不同利益相關者信息需求的各種“個性化財務報告”在大數據時代強大的存儲功和分析能力下將以較低成本得以產生。[1]同時，強大的分析功能使財務分析對象將打破本公司財務數據的界限，大量涉足非本公司以外的財務數據和其他非財務信息。

（二）對財務分析人員知識和能力的影響

大數據環境下的財務分析人才需要新知識、新能力、新度量和新的思維方式，實現由傳統的財務數據分析，向一個大數據環境下的綜合思維轉變。在知識結構方面，財務分析人士除了需要厚實的財務與會計專業知識外，更需要扎實的數學、統計學和計量經濟學等進行數據分析的基礎知識作支撐。在能力結構方面，財務分析人士需要具有挖掘大數據價值與消除噪音數據的洞查能力、分析大數據的新技術與新工具的使用能力以及為利益相關者創造數據或提供報告的語言表達能力等。總之，大數據環境下的企業首席財務分析師既是企業首席財務技術師、企業首席財務信息師更是企業首席戰略決策的咨詢師。

（三）對財務分析方法與工具的影響

大數據時代的到來，財務分析突破了傳統的數據基礎和計算條件的限制，其分析越來越精益，與之相應的財務分析方法與技術也與時俱進。信息技術、數據庫和云計算技術與統計學方法和數學方法相結合在數據存儲、處理、挖掘和分析中發揮有效的作用，使得財務分析方法將由傳統小樣本抽樣分析轉向全面分析成為可能，為不同利益相關都提供全部和高質量的信息。

（四）對財務分析功能的影響

大數據環境下，分析方法和分析內容的豐富，財務分析更注意尋找事物的相關關系，而不僅僅是事物的因果關系；更注重高質量數據的挖掘和企業價值的提高。因此，大數據時代的財務分析功能不僅僅是傳統的預測和控制等，而是更注重利用數據為企業利益相關者提供全方位、高相關性和高準確性的決策信息，發展企業商業價值和戰略先機。

二、大數據環境下財務分析教材體系的構建

大數據對財務分析對象、功能和方法等產生了巨大的影響，從而對財務分析人才的能力和知識結構給出了新的要求。財務分析課程是財務分析人才培養的平臺，大數據環境下其必須建立在統計學、計量經濟學和高等數學等基本工具的先修課程的基礎上；而財務分析教材則是財務分析人才培養的直接載體和手段，其教學體系直接決定著財務分析人才的知識和能力結構。（如圖1所示）傳統的以財務比率分析為工具，以財務報告為對象，以滿足股東、債權人和經營者等相關利益者對財務數據需求為目的的教材體系必將進行重新構建和創新，以適應大數據環境下財務分析人才的成長。

（一）第一部分：財務分析緒論

本部分內容應該由以下幾部分組成：大數據環境下利益相關者對財務分析的需求、大數據環境下財務分析的目標與定位、大數據環境下財務分析所需要的知識與能力支持體系、方法體系以及大數據環境下財務分析教材的內容體系與框架。

（二）第二部分：財務分析方法體系

大數據環境下，財務分析的方法尤為重要，除了傳統的財務比率和比較分析等方法外，更注重利用數學、統計學和計量經濟學等知識與計算機軟件和硬件平臺的結合使用來收集、整理、甄別和處理數據，發現數據潛在的巨大商業價值。就財務分析教材而言，必須強調學生充分利用先修改課程所學的知識，具備從各種渠道獲取大數據的能力，處理數據與建模能力，因此，大數據環境下財務分析方法應包括海量數據收集方法、海量數據整理與甄別方法以及海量數據的處理方法。

（三）第三部分：財務分析內容體系

1.財務信息分析。財務會計數據是企業最基本、也是最大和豐富的一種數據，是傳統財務分析的主體，也是大數據的重要組成部分，因此，財務分析首先必定是對企業大量的財務數據進行分析，包括財務報表比較分析、各種財務能力（盈利、償債、營運、發展、創新和綜合財務）分析、各種會計活動分析等，讓財務數據開口說話，挖掘其價值，為企業經營管理者提供決策相關的信息，同時，也為后面的相關分析奠定基礎。[4]

2.企業信息分析。企業信息在一定程度是企業的工具更是企業的商業機遇，企業除了財務數據外，還有大量的非財務數據如客戶關系信息、產品與銷售信息和部門合作信息，等等，這些數據相當重要，也是企業決策的基礎，但零散、單個的數據沒有任何價值，只有財務人員利用科學的分析方法，建立適當的分析模型，對數據進行加工，才能挖掘出其隱含的商業價值。

3.行業和宏觀信息分析。大數據環境下，數據分析人才的基本能力之一是要通過不同渠道獲得相關行業和宏觀經濟數據，進行中觀和宏觀分析。行業和宏觀數據來源于金融數據庫，板塊數據庫，網絡數據庫、國研網和各種信息中心等平臺的數據，分析人員不僅要利用計量經濟學的方法進行定量分析，同時，也要利用一些SWOT、專家經驗判斷法等非定量方法進行分析，為企業發展所處的行業和宏觀環境做出科學合理的判斷。

（四）第四部分：大數據環境下財務分析的應用

1.利用大數據進行風險管理。以某企業所處的宏觀和行業環境為例，設置相應的指標反映其中觀和宏觀環境，建議中宏風險預警模型，然后再選擇或設置反映企業經營和財務風險的相關指標，建立微觀風險預警模型。

2.利用大數據創造價值。以某企業為例，分析其不同經營環節（生產過程、供應鏈和銷售環節等）的相關數據，運用財務分析方法對大數據的戰略分析，為企業提供機遇，創造價值。

3.利用大數據進行專業化、實時化的決策。以某家銀行數據收集處理和方案決策為例，分析其在大數據環境下的工作效率和決策程度，比較傳統的決策方式，闡述大數據環境下利用大數據的專業化和實時化決策。

參考文獻：

[1]齊萱，楊靜.大數據時代會計信息相關性研究述評[J].財會通訊，2015（28）：62-65.

[2]張紅英，王翠森.大數據時代財務分析領域機遇與挑戰[J].財會通訊，2016（2）：84-85.

[3]白金榮.大數據時代公司財務分析的發展淺析[J].經營管理者,2015（9）：280.

篇（10）

大數據在電信行業應用的總體情況

目前國內運營商運用大數據主要有五方面：(1)網絡管理和優化，包括基礎設施建設優化和網絡運營管理和優化；(2)市場與精準營銷，包括客戶畫像、關系鏈研究、精準營銷、實時營銷和個性化推薦；(3)客戶關系管理，包括客服中心優化和客戶生命周期管理；(4)企業運營管理，包括業務運營監控和經營分析；(5)數據商業化指數據對外商業化，單獨盈利。

第一方面：網絡管理和優化。此方向包括對基礎設施建設的優化和網絡運營管理及優化。

(1)基礎設施建設的優化。如利用大數據實現基站和熱點的選址以及資源的分配。運營商可以通過分析話單和信令中用戶的流量在時間周期和位置特征方面的分布，對2G、3G的高流量區域設計4G基站和WLAN熱點；同時，運營商還可以對建立評估模型對已有基站的效率和成本進行評估，發現基站建設的資源浪費問題，如某些地區為了完成基站建設指標將基站建設在人際罕至的地方等。

(2)網絡運營管理及優化。在網絡運營層面，運營商可以通過大數據分析網絡的流量、流向變化趨勢，及時調整資源配置，同時還可以分析網絡日志，進行全網絡優化，不斷提升網絡質量和網絡利用率。

利用大數據技術實時采集處理網絡信令數據，監控網絡狀況，識別價值小區和業務熱點小區，更精準的指導網絡優化，實現網絡、應用和用戶的智能指配。由于用戶群的不同，不同小區對運營商的貢獻也不同。運營商可以將小區的數據進行多維度數據綜合分析，通過對小區VIP用戶分布，收入分布，及相關的分布模型得到不同小區的價值，再和網絡質量分析結合起來，兩者疊加一起，就有可能發現某個小區價值高，但是網絡覆蓋需要進一步提升，進而先設定網絡優化的優先級，提高投資效率。

德國電信建立預測城市里面的各區域無線資源占用模型，根據預測結果，靈活的提前配置無線資源，如在白天給CBD地區多分配無線資源，在晚上，則給酒吧地區多分配無線資源，使得無線網絡的運行效率和利用率更高。

法國電信通過分析發現某段網絡上的掉話率持續過高，借助大數據手段診斷出通話中斷產生的原因是網絡負荷過重造成，并根據分析結果優化網絡布局，為客戶提供了更好的體驗，獲得了更多的客戶以及業務增長；

第二方面，市場與精準營銷。此方向包括客戶畫像、關系鏈研究、精準營銷、實時營銷和個性化推薦。

(1)客戶畫像。運營商可以基于客戶終端信息、位置信息、通話行為、手機上網行為軌跡等豐富的數據，為每個客戶打上人口統計學特征、消費行為、上網行為和興趣愛好標簽，并借助數據挖掘技術(如分類、聚類、RFM等)進行客戶分群，完善客戶的360度畫像，幫助運營商深入了解客戶行為偏好和需求特征。

(2)關系鏈研究。運營商可以通過分析客戶通訊錄、通話行為、網絡社交行以及客戶資料等數據，開展交往圈分析。尤其是利用各種聯系記錄形成社交網絡來豐富對用戶的洞察，并進一步利用圖挖掘的方法來發現各種圈子，發現圈子中的關鍵人員，以及識別家庭和政企客戶；或者分析社交圈子尋找營銷機會。如在一個行為同質化圈子里面，如果這個圈子大多數為高流量用戶，并在這個圈子中發現異網的用戶，我們可以推測該用戶也是高流量的情況，便可以通過營銷的活動把異網高流量的用戶引導到自己的網絡上，對其推廣4G套餐，提升營銷轉化率。總之，我們可以利用社交圈子提高營銷效率，改進服務，低成本擴大產品的影響力。

(3)精準營銷和實時營銷。運營商在客戶畫像的基礎上對客戶特征的深入理解，建立客戶與業務、資費套餐、終端類型、在用網絡的精準匹配，并在在推送渠道、推送時機、推送方式上滿足客戶的需求，實現精準營銷。如我們可以利用大數據分析用戶的終端偏好和消費能力，預測用戶的換機時間尤其是合約機到期時間，并捕捉用戶最近的特征事件，從而預測用戶購買終端的真正需求，通過短信、呼叫中心、營業廳等多種渠道推送相關的營銷信息到用戶手中。

(4)個性化推薦。利用客戶畫像信息、客戶終端信息、客戶行為習慣偏好等，運營商可以為客戶提供定制化的服務，優化產品、流量套餐和定價機制，實現個性化營銷和服務，提升客戶體驗與感知；或者在應用商城實現個性化推薦，在電商平臺實現個性化推薦，在社交網絡推薦感興趣的好友。

第三方面，客戶關系管理。此方面包括客服中心優化和客戶生命周期管理。

(1)客服中心優化。客服中心是運營商和客戶接觸較為頻繁的通道，因此客服中心擁有大量的客戶呼叫行為和需求數據。我們可以利用大數據技術可以深入分析客服熱線呼入客戶的行為特征、選擇路徑、等候時長，并關聯客戶歷史接觸信息、客戶套餐消費情況、客戶人口統計學特征、客戶機型等數據，建立客服熱線智能路徑模型，預測下次客戶呼入的需求、投訴風險以及相應的路徑和節點，這樣便可縮短客服呼入處理時間，識別投訴風險，有助于提升客服滿意度；另外，也可以通過語義分析，對客服熱線的問題進行分類，識別熱點問題和客戶情緒，對于發生量較大且嚴重的問題，要及時預警相關部門進行優化。

(2)客戶關懷與客戶生命周期管理。客戶生命周期管理包括新客戶獲取、客戶成長、客戶成熟、客戶衰退和客戶離開等五個階段的管理。在客戶獲取階段，我們可以通過算法挖掘和發現高潛客戶；在客戶成長階段，通過關聯規則等算法進行交叉銷售，提升客戶人均消費額；在客戶成熟期，可以通過大數據方法進行客戶分群(RFM、聚類等)并進行精準推薦，同時對不同客戶實時忠誠計劃；在客戶衰退期，需要進行流失預警，提前發現高流失風險客戶，并作相應的客戶關懷；在客戶離開階段，我們可以通過大數據挖掘高潛回流客戶。國內外運營商在客戶生命周期管理方面應用的案例都比較多。如SK電訊新成立一家公司SK Planet，專門處理與大數據相關的業務，通過分析用戶的使用行為，在用戶做出離開決定之前，推出符合用戶興趣的業務，防止用戶流失；而T-Mobile通過集成數據綜合分析客戶流失的原因，在一個季度內將流失率減半。

第四方面，企業運營管理。可以分為業務運營監控和經營分析。

(1)業務運營監控分可以基于大數據分析從網絡、業務、用戶和業務量、業務質量、終端等多個維度為運營商監控管道和客戶運營情況。構建靈活可定制的指標模塊，構建QoE/KQI/KPI等指標體系，以及異動智能監控體系，從宏觀到微觀全方位快速準確地掌控運營及異動原因。

(2)經營分析和市場監測。我們可以通過數據分析對業務和市場經營狀況進行總結和分析，主要分為經營日報、周報、月報、季報以及專題分析等。過去，這些報告都是分析師來撰寫。在大數據時代，這些經營報告和專題分析報告均可以自動化生成網頁或者APP形式，通過機器來完成。數據來源則是企業內部的業務和用戶數據，以及通過大數據手段采集的外部社交網絡數據、技術和市場數據。分析師轉變為報告產品經理，制定報告框架、分析和統計維度，剩下的工作交給機器來完成。

第五方面，數據商業化。數據商業化指通過企業自身擁有的大數據資產進行對外商業化，獲取收益。國內外運營商的數據商業化都處于探索階段，但相對來說，國外運營商在這方面發展的更快一些。

(1)對外提供營銷洞察和精準廣告投放。

營銷洞察：美國電信運營商Verizon成立了精準營銷部門Precision Marketing Division。該部門提供精準營銷洞察(Precision Market Insights)，提供商業數據分析服務。如在美國，棒球和籃球比賽是商家最為看中的營銷場合，此前在超級碗和NBA的比賽中，Verizon針對觀眾的來源地進行了精確數據分析，球隊得以了解觀眾對贊助商的喜好等；美國電信運營商Sprint則利用大數據為行業客戶提供消費者和市場洞察，包括人口特征、行為特征以及季節性分析等方面。

精準廣告投放：Verizon的精準營銷部門基于營銷洞察還提供精準廣告投放服務；AT&T提供Alert業務，當用戶距離商家很近時，就有可能收到該商家提供的折扣很大的電子優惠券。

(2)基于大數據監測和決策支撐服務。