统计学大数据分析

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇统计学大数据分析范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

统计学大数据分析范文第1篇

【关键词】统计学；管理现状；优化策略；模式创新

【中图分类号】C81【文献标志码】A【文章编号】1673-1069（2020）06-0071-02

1引言

统计学作为企业经营管理的重要手段，在企业经营过程中统计工作是否落实到位，对于企业可持续发展目标的实现而言具有重要影响，尤其在当前多元化市场竞争环境下，企业规模化发展虽然推动了国民经济的进一步发展，但与此同时企业市场竞争也愈演愈烈，实现持续性经营，确保统计学应用效益的最大化，是目前推动产业可持续发展的重要战略基础。

2大数据时代内容的基本概述

简单来讲，所谓的“大数据”是指在当前信息化产业时代背景下，无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是互联网公司在日常运营中生成、累积的用户网络行为数据，是需要新处理模式才能有效处理的海量、高增长率和多样化信息资产。随着近年来信息技术的不断发展和广泛应用，“大数据”时代是“互联网+”技术应用下时代未来发展的趋势。就目前来看，与传统信息数据相比，大数据具有数据量大、数据多元以及数据价值高的显著特点，伴随城市化、工业化建设进程的不断加快，如何有效地对大数据进行处理，成为现阶段基层产业结构和相关主管部门的核心发展方向，也是促进企业进一步发展的重要基础。

数据实质上是存储于计算机内的各种信息集合，在当前全球化、市场化不断发展的新产业时代背景下，商业模式的巨大转变，在改变人们关注度的同时，也为企业的进一步发展奠定了良好基础，最终为企业预期发展目标的实现创造了良好条件。对于大数据的处理，倘若采取传统的处理技术，不仅难以达到预期的处理目标，更极易导致一系列其他问题的产生，最终对企业整体发展造成了极为不利的影响，为此在大数据发展的同时，技术领域也取得了显著突破，目前常见的管理技术主要有——数据仓库技术、数据安全技术、数据分析、数据挖掘和模型预测，其中，数据分析、数据挖掘与大数据关系最为密切。

3新形势下统计学存在的主要问题

3.1企业对于统计管理工作的重视度不足

在经济全球化和一体化建设进程不断加快的新市场经济常态下，企业规模和数量的不断增加，在加剧企业市场竞争力的同时，如何有效地提升企业工作质量和工作效率是现阶段企业的核心发展方向，但由于部分企业受传统发展以及管理理念根深蒂固的影响，企业管理和发展重心始终集中于企业经济效益，忽视了对统计管理的关注度，致使单位在统计管理工作方面的人力和物力投入不足，各项管理工作受到一定影响的同时，企业的整体发展也受到了一定影响。

3.2统计管理人员自身专业素养有待提高

统计管理人員作为统计管理工作的实践者，其自身专业能力和综合素养水平的高低，对于统计管理工作质量和工作效率具有重要影响，但随着当下统计管理工作量的增加，部分企业为满足人员配置需求，不断地降低人员选拔标准，导致聘用人员无论是专业能力还是综合素养都有待完善。作为一项专业、系统的管理工作，统计管理不仅要求管理人员拥有细心、踏实、耐心等基本素质，还要具备一定的计算机操作能力，但随着企业规模和数量的持续增加，统计管理人员身兼数职、待遇不高等问题的存在，导致管理人员自身专业能力有所欠缺，业务操作等方面也存在一定不足，最终对统计管理造成了极为不利的影响。

3.3数据库硬件设施、设备不完善

信息化产业时代背景下，“互联网+”技术的广泛应用，在便捷人们日常生活，提高企业生产效益的同时，将其应用到其他领域中，在一定程度上也为各单位的转型升级注入了新的发展动力。统计管理是企业管理作业的重要内容，在很大程度上数据管理库自身硬件设施、设备的完善度对于统计管理工作质量和效率具有直接影响，但对于某些偏远地区亦或经济发展相对缓慢的区域，统计管理设备、设施的落后性在影响现代化科技管理手段应用效益的同时，统计管理作业也始终未能得到突破性进展，企业发展也由此受到了一定影响。

4新形势下统计管理工作的创新策略探析

4.1加强对统计管理重要性的宣传力度，提高对统计管理工作的重视

统计管理作为企业管理的重要组成部分，其管理工作质量和工作效率对企业发展而言也具有一定影响，而为实现企业可持续发展的目标，确保统计管理工作落实到实处是极为必要的。通过上述分析可知，管理人员对于统计管理工作的不重视是影响统计管理工作效益的重要因素，为有效地改善当前管理现状，一方面基层产业机构需加大对统计管理重要性的宣传力度，在不断提高人们对于“统计学应用效益”高度认同的同时，为统计管理工作的顺利开展奠定良好基础。而另一方面企业还需加强对统计管理工作人员的教育力度，在不断增强统计管理人员工作责任感和使命感的基础上，为预期管理目标的实现创造良好条件。

4.2积极和有关大数据公司或机构进行合作

要想在大数据时代背景下进一步优化和提高统计管理工作，就必须将大数据有关技术和统计管理的实际工作紧密结合起来，因此必须解放思想，打破行业限制，积极寻求和有关大数据公司或者机构进行合作开发，开发出真正适合统计管理工作的大数据技术和工具，大数据无法使用单台计算机进行操作和处理，必须采用分布式架构技术等，其也必然和云计算的有关分布式处理、云存储以及虚拟技术等密不可分，因此统计管理必须要积极寻求多方合作，积极将大数据的有关技术引入统计管理的实际工作中去。

4.3不断优化和完善统计管理模式

在当前企业规模和数量持续增加的新产业时代背景下，数据的形成过程较为烦琐，且数量也较为庞大，为从根本上有效提高管理的科学性、高效性和有效性，不断地优化统计管理模式和管理手段也是极为必要的。通过大量调研数据分析可知，在进行统计管理过程中，信息技术的不断发展和传播渠道的日趋增多，在很大程度上为企业统计管理创造了良好条件，但由于部分企业在计算机信息技术应用过程中，未将现代化技术应用到电子统计管理中，导致管理信息化水平较低的同时，预期管理目标也难以实现，为有效地解决上述问题，将数据信息化纳入到工作日程中，为单位的数据管理部门配置专门的信息化设备，是现阶段提高统计管理信息化水平，促进企业进一步发展的重要战略手段。

4.4将各项统计管理工作细节落实到位

在统计管理作业过程中，从根本上有效地提高企业的经济效益、确保各项统计工作细节落实到位也是现阶段基层产业机构和相关主管部门的重要工作内容，换言之，在当前多元化市场竞争环境下，要想从根本上提升统计管理工作质量，提高企業整体的经济效益，以会计管理工作为中心，确保各项细节管理工作落实到位是十分必要的。要想确保管理工作效益的最大化发挥，提升企业经济效益，企业需将会计的发展目标与企业的发展方向相结合，在确保两者“统一性”的基础上，以会计管理工作为中心对企业经营进行系统化管理，最终为企业可持续发展目标的实现奠定良好基础。

4.5确保预算统计管理工作落实到位

在当前企业经济收支管理过程中，预算统计管理工作流于形式是影响精细化管理效率的重要因素，而为从根本上有效地解决上述问题，确保全面预算统计管理工作落实到位，是现阶段企业经济运行精细化管理目标实现的重要基础和根本前提。作为企业经济运行精细化管理的重要环节，全面预算统计管理作业的开展不仅能确保企业达成预期的战略目标，其在科学预测企业未来运营状况、协调内部资源以及控制内部预算编制等方面都发挥了重要作用。因此，在进行预算统计管理过程中，企业统计管理部门工作人员需摒弃传统管理理念，在做好日常收支管理的基础上，还要确保内部全范围、全过程及所有资产的预算统计管理落实到位，由此在保障全面预算作业有序开展的同时，提升企业在多元化市场中的竞争优势。

统计学大数据分析范文第2篇

关键词：大学生职业素质 SPSS统计软件 模型构建

一、SPSS统计软件特性分析

（一）SPSS统计软件应用范围

SPSS（Statistical Product and Service Solutions），是一种“统计产品与服务解决方案”软件。开始时它的全称为“社会科学统计软件包”，但最后被命名为“统计产品与服务解决方案”。它最初用于统计学分析运算、数据挖掘、预测分析和决策支持任务，有Windows和Mac OS X等版本。后来随着SPSS公司对这款软件的更新与改进，它的应用范围也逐渐扩大起来，它在自然科学、技术科学和社会科学等方面都有涉及，并且都收到使用者的好评。世界上许多著名的杂志报刊都对SPSS统计软件的各方面功能做出了很高的评价。

（二）运用SPSS统计软件的实例分析

某高校要对大学生党员素质进行评价，以便于对发展和培养当代大学生的工作实践。他们首先选取了“道德品行”“政治素养”“学习能力”“工作能力”“心理素养”这五个方面对大学生党员素质进行评价，然后要求被调查者根据自己对党员的要求来判断学生党员是否能做到其中一点。其中1表示“非常不同意”、2表示“不同意”、3表示“不能确定”、4表示“同意”、5表示“非常同意”。从发出的300份卷中筛选出有效的188份，然后用SPPS统计软件对分卷信度用克隆巴赫系数测量，该系数表示的是问卷调查结果总变异中由不同被调查者导致的比例占多少，整个问卷和各个子问卷的克隆巴赫系数如下表所示：

为了验证所获得数据的有效性，该试验还进行了Bartlett’s Test和KMO指标验证。Bartlett’s Test检验的sig为0.000说明参与分析的数据来自正态分布的总整体，而KMO的取值在0到1之间，所得到的值越接近1，表明这些变量对因子分析的效果越好，这些因素很好的解释了大学生优秀党员应当从什么地方开始培养，而SPSS统计软件则是验证了这些因素的有效性和可信度，为大学生党员的培养工作提供科学依据。

二、大学生职业素质评价模型构建

（一）大学生素质评价模型研究背景

随着时代的前进和科学技术的发展，现代年轻人的思维也追上了时代的最前端。步入大学殿堂的“90后”一代年轻人，他们追求自我和个性的特点越来越显著，教育工作者对大学生职业素质的培养与分析也遇到了挑战。如何根据大学生的特点来构建素质评价模型是新一代教育工作者需要考虑的问题。

（二）SPSS统计软件对大学生职业素质评价模型构建的作用

对大学生职业素质评价要从学习能力、工作能力、政治思想、心理素质四个因素考虑，这四个因素涵盖了大学生的外在处事能力和内部思想，是对一个人的综合职业素质比较全面的评价。大学生的职业素质评价模型由这四个因素构成。运用SPSS统计软件对这几个因素进行分析，可以看出这些因素对职业素质评价所占比重的大小，然后根据各个因素所占的比重构建大学生职业素质评价模型，得出科学的评价方法和评价重点。

（三）SPSS软件对大学生职业素质评价情况分析

运用SPSS统计软件对大学生职业素质进行数据统计分析，可以了解到我国当代大学生需要培养的职业素质，也可以看出在校大学生对自身优秀职业素质的期盼和要求。大学生的职业素质涵盖了学习、工作、政治、心理等四大方面，以大学的具体生活为基础，由校园小范围扩大到社会这个大范围，具有很强的现实指导意义。运用SPSS统计软件，可以得出大学生职业素质评价的重点，让大学生充分了解到自己达标和不达标的地方，加以改正。

三、结论

对大学生的职业素质进行评价是大学生发展阶段中的必要条件。大学教育的目的在于让大学生成长和发展，让他们掌握更多的知识技能，认清自己与社会外界的关系，有助于自己以后的工作和生活。而在SPSS统计软件的分析下，可以看到大学生的职业道德素质由多种原因共同决定，因此我们可以知道，只有多方面的对大学生进行教育，才能使大学生形成良好的职业道德素质，做一个对社会、对国家有用的人。

参考文献：

统计学大数据分析范文第3篇

应用统计专业学位的设立是为了适应现代统计事业发展对应用统计专门人才的需要而设置的，它的培养目标主要是让学生掌握扎实的理论基础和系统的专业知识和技能，具备数据采集、整理、分析和开发的能力，能够从事统计调查咨询、数据分析等“应用型”统计专门人才[5]110-111。然而，在大数据环境下实现的数据分析已不再局限于某一类特殊的行业统计分析需要，各行各业的运作发展都越来越依赖于大数据环境的存储、计算、统计分析与决策。对于多样化的大数据集，其所涉及的内容和知识结构必然是不同学科的交叉应用。大数据时代的数据分析专业人才的培养目标并不仅仅是传统的数据收集、整理与分析，而是需要掌握能适应大数据特点的新的研究方法和独立分析的能力，能很好地融会贯通其他专业的知识内涵，成为真正意义的专业大数据分析人才。然而传统的统计学人才培养目标和教学模式并不符合社会对大数据分析专业能力的要求。参考和借鉴文献[6-7]8-9,226提出来的一些建议，笔者探索从以下几个方面对人才培养目标和教学培养模式进行改革：（一）走出校园，深入社会，挖掘并归纳出社会用人单位对数据分析专业职位技能和能力素质要求，进而制定符合社会需求的人才培养目标，以市场需求为导向更好地指导教学实践活动。为了更好地为用人单位输送符合大数据时代需求的专业数据分析人才，尝试对高年级学生的培养方案设计中考虑以岗位需求为标准灵活调整和制定相应的培养目标和内容。（二）参考国外本科生专业人才培养的先进理念，引入“协作式”培养模式，大力支持大型企业与高校合作或高校与高校合作培养复合型和开发型人才。各个高校、企业可以发挥各自专业特长来实现合作，高校的不同专业之间也应该加强沟通和协作，例如在制定应用统计专业数据分析人才培养方案及实施过程中，可以以统计学科所在的学院为主导，让计算机学科、经济、金融及管理学科等相关学院协作参与完成[8-9]60-64。（三）总结教学过程存在的不足，探索新的知识学习和能力培养的创新模式。目前的教学活动主要以老师独立授课，学生被动接受知识为主的方式，培养过程计划性强，缺乏弹性，培养的评价也过于单一。在本科生培养中可以引入课程学习、导师指导和科学研究三个阶段，考虑采用导师指导与集体培养相结合的方式，一门专业课程的讲授不再局限于单个老师完成，在培养方案中考虑主题分组方式，鼓励授课教师根据自己的专业特点和知识背景共同参与一门课程的教学活动。多名教师协同工作的模式可以取长补短，在大数据分析的实际案例设计及课程内容上都更加贴近实际需求，产生更好的教学效果[6]8-9。

二、基于大数据分析的特点科学构建课程体系

大数据背景下，人们可以通过互联网、数据库以及各种通信工具获得海量数据，人们日常生活、学习和工作的各类事物都可以实现信息化，世界几乎是由各种信息和数据所构成的。大数据的特点可以归结为四个V,数量大（Volume）、类型繁多（Variety）、价值密度低（Value）、速度快时效高(Velocity)[6]8-9。大数据的真正意义不在于能提供庞大的数据量，而是对海量的数据进行专业的处理和分析，并从中获取用户关注的信息。结合当前互联网应用中大数据本身的特点，从大数据中挖掘出重要知识并对之深度学习和分析的工具和方法也应与时俱进地发生改变，传统的统计方法和统计分析工具已无法满足大数据分析的需要。然而，在大多数高等院校中，统计学专业人才培养的课程体系并没有考虑社会的实际应用需求，仍然停留在以传统的统计模型框架为主导的课程体系设置，本科生教育的主要专业课程包括：数学分析、高等概率论与数理统计、应用随机过程、回归分析和多元统计分析等[10]248-249，这些课程内容和知识结构还不足以满足大数据时代对数据分析专业人才知识结构的要求，课程体系设置中缺少能有效整合的数据分析能力培养模块[11]66-68。因此，有必要针对各类院校师生各自的专业特点和学科基础，分层次、分阶段地展开课程体系改革。（一）参考国内外先进高校大数据分析专业的课程设置，结合本校的师资和专业结构特点采取灵活的策略制定课程计划，在实施学分制改革的高校中各类学生可以在学业导师指导下实施符合学生自身特点的课程学习方案。（二）以大数据分析人才需求驱动的课程体系改革要考虑市场的行业需求变化、大数据应用中跨学科的特点。素质好的数据分析人员不仅仅要具备专业的数据分析能力，还应该对具体数据中涉及的学科知识有较好的储备，能将不同行业的专业知识与数据分析紧密关联起来，实现大数据分析的效用最大化。此外，在充分借鉴国内外大学成功经验的基础上，课程设置应该与学生的学术倾向和基础能力紧密结合，注重基础课程教育的同时强调文理渗透，同时要兼顾学生的兴趣与学习的联系，在课程体系的设置中需要增设一些多领域、跨学科的选修课程，如经济学、金融学、保险学、管理学和会计学等。因此，校内跨学科或高校与高校之间联合培养是实现跨学科课程建设的有效方法之一。（三）科学构建课程体系的主要思路还包括根据大数据时代需求，对专业必修和专业选修课程在课程时间、顺序及内容等方面进行改革。专业必修课程重点内容为统计学和计算机科学的交叉部分，在讲授统计基础理论（如多元统计、决策树、时间序列等）课程基础上设置大数据案例分析课程，在案例分析过程中让学生实际操作企业当前应用的大数据计算平台[6]8-9，从而增强学生大规模分布式计算技能。为提高学生的实际动手和二次开发能力，专业选修课程需更多地开设与数据挖掘及面向数据的编程语言相关的课程，如数据挖掘算法、C++、Java和Python等课程，强化学生的数据挖掘和分析能力。

三、基于协同创新的理念开展实践教学改革

近几年，随着应用型、创新型人才培养目标的提出，学校越来越重视和加强对各类专业人才实践教学能力的培养，以“数据分析”为方向的专业人才需要运用统计分析软件对数据进行分析和决策，其实践教学的重要性更是不言而喻。然而，在大数据被广泛应用的时代背景下，高等院校中的实践教学仍然是培养高层次“大数据分析”人才的薄弱环节，实践教学教材及内容不规范、教学方法单一、软硬件的更新以及师资储备等方面都存在着一些问题[12]96-97。例如以模型驱动为主的实践教学模式已不适应大数据时代的要求，大数据时代数据是海量且复杂的，用简单的SPSS、Eviews为主的软件教学已无法处理大数据[5]110-111。因此，学习其他知名高校构建的协同创新的理念，结合财经类院校的统计学科及人才培养的特点，开展实践教学改革[13]248-249。对“数据分析”专业人才实践教学改革，笔者的建议如下：（一）根据协同创新理念，解决实践教学环节存在的实验教材（教学内容）缺乏实用性的问题，一方面可以参考企业对数据分析师、调查分析师资格认证相关培训教材，开发实用性强的《数据分析》实践教材，另一方面学校可以和企业或其他高校定期举办交流座谈会，面向企业需求甄选实践教学内容。（二）高素质的师资队伍对人才的培养无疑起着至关重要的作用，在提高指导教师理论和实践能力方面，借鉴协同创新联合培养的模式可以有效充分地利用企业、学校的各方面师资资源。例如北京大学、中国科学院、中国人民大学、中央财经大学、首都经济贸易大学5所高校已经与政府部门和产业界签署了联合培养大数据分析应用人才的合作协议[14]。广东财经大学也可以参照类似联合培养的做法，和广东其他高校、政府和企业合作。一方面企业或政府可以利用自身的资源为高校提供人才培养实习基地，并且引荐相关的技术人员聘为校外实习导师，指导学生在实习实践中建立以问题为导向，以项目为牵引的运作机制，让学生能够理论联系实际，切身体会数据分析的商业操作体系。另一方面，由于高校的专业教师缺乏社会实践的机会和经验，高校应该制定政策鼓励并推荐相关专业教师走出学校、走进企业，密切与企业合作交流，从而更进一步地提高教师对复合型专业学位人才培养的能力[15]29-32。（三）为了激发学生的学习热情，减少对实践操作的畏难情绪，实验课程的教学方法也需要探索创新性实践教育模式。教学过程可以考虑灵活的制定团队教学计划、案例实战分析、模拟实训等多样化的方式，减少单一的课堂内容讲授，在理论和实践教学环节中积极调动学生的主观能动性，提供更真实的企业大数据应用环境，并以学生为主完成实际案例分析。此外，基于不同的授课对象的特点，老师在教学过程中也要适当考虑学生的兴趣和需求，随时调整实验教学策略[9]。

统计学大数据分析范文第4篇

［关键词］大数据;应用型人才;SPOC建设

1大数据的含义

各行各业都存在着大数据，从表面来看，它就是实时性较强、种类较多、数据量大的一个集合，但其真实含义不仅仅如此，大数据的深层含义是在众多错综杂乱的数据中，利用科学方法及时提取出有效的数据，并进行整理和分析，为政府、企业等决策者提供潜在价值的数据。因此大数据时代给《统计学》带来了更多发展机遇。这就要求《统计学》课程无论从内容上，还是教学方式、教学资源上必须进行改革和完善。

2大数据为人才培养的研究带来新的发展机遇

《统计学》是一门应用性较强的学科，它是经管类专业的专业基础课，旨在于培养学生能进行数据收集、数据整理与数据分析的专业技能;从数量的角度去认识经济变量及经济变量间的关系，掌握其发展规律，指导实践的方法论科学。大数据现代信息化扩大了统计学的应用范围，为统计学的发展带来新的机遇。

2.1有效提升数据收集的时效性、准确性、全面性

大数据时代出现前，只有当要分析某经济现象时，才会主动调查收集此方面的数据，且数据的收集只限于人工，查找一下有关的统计年鉴、权威性较强的经济报告等，遇到一些具体数据没有的，只能在文章中进行说明，用一些相关的数据去代替，所以说传统的数据收集来源存在不稳定性，且数据的可靠性较一般，这些特点对数据分析结果存在着一定程度的误差。但大数据时代的到来，给数据收集带来了发展的机遇，数据收集的时效性、准确性、全面性得到了大幅度的提升。数据的收集不再仅局限于人工，因为大数据的数据收集是建立在网民在互联网留存的信息，且数据收集更有针对性、数据质量也更为精确、数据的时效性更高以及数据更加全面。相对于传统的数据收集，它更加省时、省力和省物。

2.2数据分析结果更加准确

传统的统计分析在分析总体的规律性时，由于数据收集的有限性，只能对样本数据进行分析，使用推断性统计分析方法推断总体的规律，其结果并不能全面、总体概括数据的整体情况。大数据的出现，为数据分析提供了良好的数据基础，利用现有的多种统计软件同时进行多方面的统计分析，对分析对象的了解更全面、更准确，为统计员提供更准确的决策依据。

3人才培养存在的问题

3.1与思想教育长期相互隔离

作为一名高校教师经常会在课堂上问学生们“你喜欢现在自己的专业吗?”“你对自己的未来有什么规划?”等问题，但很多同学不喜欢自己的专业，甚至有的学生都不知道自己专业将来毕业后可以做什么，对自已的规划就更谈不上了。这些问题都显示了高校大学生的思想教育存在着问题，无法树立正确的人生观、价值观和世界观。而高校的思政教育通常开设了专门的课程，如《基本原理概论》《中国近现代史纲要》《思想和中国特色社会主义理论体系概论》《形势与政策1－4》，分别设于大学生的前四学期，作为公共基础课，总学时比例也很高，但由于大学生在学习过程中，对课程的不重视，导致这些课程没有对大学生的思想教育起到作用。高校的专业课教育虽然经过长期的改革及教师们的努力研究，专业课之间进行了有效的融合讲解，但专业课教育长期与思想教育相脱离，这种现象不利于学生的整体发展，也没有体现出公共基础课与专业课的相辅相成作用，导致人才培养方案设计的失效。所以大学生的专业课与思想教育融合是势在必行的。《统计学》课程是高校经管类专业的专业基础课，讲解如何收集数据、整理数据、分析数据、解释数据，并从数据得出规律性结论的一门学科，提高学生数据分析和解决实际问题的能力，是学生在日后工作中提供经营管理的咨询、决策、实施管理的工具。《统计学》课程一定要在授课过程中融入“课程思政”元素，发挥《统计学》课程的思政教育功能。

3.2SPOC建设不完善

2020年受肺炎疫情的影响，各大高校纷纷改为以“网上授课”为主。在疫情期间，教师为了监督学生学习，提高学习效果，不断地更新和探索新的教学方法，向学生推送网络资源，利用学习通、腾讯课堂等方式进行网络授课。线上和线下结合的教学模式已成为一种教育的发展趋势。但疫情期间，《统计学》课程线上教学出现了很多问题，导致学生的学习积极性不强。《统计学》课程的网络资源很多，但由于各大高校的学情不同，很难从现有的线上资源找到一个适合不同层次学生的网络资源，尤其对于民办高校学生来说，其知识基础薄弱、学习兴趣不浓、学习积极性较差，很难固定找到一个网络资源完全与民办高校的《统计学》教学大纲培养应用型人才相符。除了向学生推送网络资源提前预习外，课堂前、课堂中、课堂后提高学生学习的参与率、考核学生在授课后其基本理论知识的掌握程度等也是非常重要。那如何能做到这些有效的监督呢?这就需要高校针对自己的学情进行课程SPOC建设，再以其他网络资源为辅，可以有效提高学生的主动学习性。而现有的高校《统计学》课程SPOC建设还不完善，甚至有很多高校的《统计学》课程SPOC建设几乎为零。

4大数据背景下人才培养的建设

4.1与思政教育相结合的建设

(1)理论授课的要点与思政教育的融合。第一，统计学的基本理论包括统计学定义、统计学研究对象、特点、统计学的起源和发展、统计学学科的性质等内容，它与思政教育的融入点为:认识统计学的作用、统计学的发展历史，以史为鉴可知兴替。在原始社会中只是有计数活动;到了奴隶社会为了课税和征兵，开始对人口进行普查、土地和财产进行统计;到了封建社会，秦汉、唐宋、明清分别对地方田亩和户口统计、土地调查和计算、人品登记和保甲制度;到封建社会后期和资本主义社会前期，随着社会生产力发展及分工细化，直到目前已进入大数据时代。第二，统计数据的收集，数据的来源有两种:直接来源和间接来源。对于间接来源数据，融入“诚实守信，尊重他人劳动成果，为企业一些机密数据保密原则，遵守统计人员的职业道德等”思政教育;对于直接来源数据，要“实事求是，对真实数据产生敬畏，做一个有思想不盲从的统计从业人员等”思政教育。第三，统计学的分析主要有描述性统计和推断性统计。其中推断性统计分析的参数估计引入“以点概面、从局部到总体”、假设检验引入“事物的对立面”等思政教育。(2)课程思政融入于案例和实践教学中。检验学生对《统计学》课程内容掌握的程度及是否能进行应用去解决经济问题，最有效的方法就是实训教学。在实训教学中，教师以生活熟悉的案例为载体讲解统计学各种分析方法在软件的操作，将学生进行分组，利用学生的好奇心和兴趣，让学生自选一个身边感兴趣的现象作为研究。引导学生们用科学的方法进行问卷调查收集数据，对回收的数据进行细致的审核和整理，此时融入“坚持客观、严谨科学的态度等”思政教育。在整理好的数据进行数据分析时，融入“尊重数据分析的最终结果等”思政教育。在实训过程中，让每组学生对所收集的数据中某一问卷中的某一数据进行撰改后数据分析结果与未撰改数据分析结果相比，有何差别，引导学生们去认识数据真实性的重要性，让学生养成严谨、敬业、尊重事实的科学态度，培养他们成为真正热爱并有职业操守的统计职业人才。

4.2线上SPOC建设

《统计学》课程的SPOC建设针对校内线上资源建设，它的完善会极大提高学生自主学习的能力。作为一名民办高校《统计学》教师，笔者认为针对我校的学情，此课程的SPOC建设包括线上微课、线上讨论、线上答疑的建设。线上微课视频是指通过“碎片化”教学，将教学过程中的重点、难点和疑点结合实例讲解，以教学视频方式呈现出来，具有针对性强、目标明确和时间短等特点。利用学习通等软件提前上传给学生，向学生布置任务，利用软件的一些功能，监督学生观看的时间，并设置在学生观看后，需学生总结出学习视频内容的心得，即理解内容、不理解内容，也可以提出问题及意见。这不仅可以监督学生学习，提高他们自主学习的时间，也可以为教师后续的课程改革提出方向及依据。线上讨论主要是设置在每一章理论课结束后，在线上设计一些案例，并提出任务，让学生在课后对所提出的案例任务进行线上讨论，运用所学的理论知识去解决实际的经济问题，不仅提高学生理论与实践相结合能力，还可以提高学生的独立思考、解决实际问题的能力。教师根据学生在线上讨论的参与率及讨论效果给予学生平时成绩，也体现了各大高校对课程考核成绩的一项改革，侧重于平时学习的考核。而线上答疑，是利用现代信息技术，在网上进行的一种答疑方式，教师可随时随地在线上看到学生的疑问，针对学生的疑问及时进行解答。这种线上答疑方式为学生对重点知识的反复学习和深刻理解提供了及时、较好支持，为其巩固知识和加强理解给予很大的帮助，提高学生学习积极性，提升其学习兴趣。

参考文献:

［1］胡瑞香.浅谈课程思政理念下《统计学基础》课程教学改革的探索［J］．国际教育，2020(10)．

［2］方万里.统计学与思政课程同向同行的思考［J］．太原城市职业技术学院学报，2020(11)．

［3］杨潇伟.大数据对高职统计学教学的影响［J］．产学研经济，2020(11)．

［4］唐谦.大数据背景下统计学教学改革探讨［J］．课程教学，2020(10)．

［5］马斐斐，尚增振.大数据背景下经管类专业统计学课程教学改革研究［J］．科技经济导刊，2020，28(33)．

统计学大数据分析范文第5篇

关键词：大数据 智能 数据分析

中图分类号：F503 文献标识码：A 文章编号：1674-098X（2014）04（a）-0021-01

对于数据分析来说，其主要的目的就是通过对数据的分析去发现问题或预测趋势。从数据钻取、大规模分析的技术手段、以及算法执行上来说，大规模分析是和小规模数据在技术上是有很大差异的。想要探究大数据下的智能数据分析技术，首先要对数据分析这一概念进行深入研究。

1 数据分析

数据分析的过程其实简单的说就是做报告，做什么样的报告反映什么样的指标。最开始的时候基本上是data processing。例如零售行业来说，最主要的指标就是库存、销售同比增长情况、利润同比增长情况、促销率等等。对于不同的行业会有不同的相关的KPI需要跟踪，所以报告的内容也会有所侧重，但是只要你一个行业做久了，熟悉了套路之后，基本上就是以同样的方法开展。

对于数据分析，如果公司部门分的比较细的（例如可能有建模组），那么做数据分析可能永远都是做data processing了。对于模型的分析，需要你对业务有了深入的了解就可以建立一些模型出来（例如推荐模型）等等。

数据分析主要涉及的技能：

（1）数据库的能力。越全面越好，如果不是理工科的，最起码要会select那些简单的查询语句。

（2）EXCEL、PPT的能力。报告的呈现一般都是Excel+PPT的形式，最好VBA，这样就可以将很多人工的工作转化为自动化的能力，提高工作效率，领导也对你刮目相看，自己也有更多空余的时间准备其他方面的知识。

（3）市场分析能力。学会观察市场的走向和关注的内容，例如零售行业，现在大家都对CRM很热衷，那相关的分析方法和方式是怎么样的，你要自己去了解。从来不会有人手把手的将所有东西都告诉你，你必须自己学会去增长知识。

（4）一些会计的知识。因为通过以上分析，就是会计管理的一部分内容，最后还是公司盈利问题。有兴趣的也可以去看看战略管理方面的，对于做数据分析也很有好处的说。

综合来看，可以说数据分析=技术+市场+战略。

2 如何培养数据分析能力

理论：

基础的数据分析知识，至少知道如何做趋势分析、比较分析和细分，不然拿到一份数据就无从下手；

（2）基础的统计学知识，至少基础的统计量要认识，知道这些统计量的定义和适用条件，统计学方法可以让分析过程更加严谨，结论更有说服力；

（3）对数据的兴趣，以及其它的知识多多益善，让分析过程有趣起来。

实践：

（1）明确分析的目的。如果分析前没有明确分析的最终目标，很容易被数据绕进去，最终自己都不知道自己得出的结论到底是用来干嘛的；

（2）多结合业务去看数据。数据从业务运营中来，分析当然要回归到业务中去，多熟悉了解业务可以使数据看起来更加透彻；

（3）了解数据的定义和获取。最好从数据最初是怎么获取的开始了解，当然指标的统计逻辑和规则是必须熟记于心的，不然很容易就被数据给坑了；

（4）最后就是不断地看数据、分析数据，这是个必经的过程，往往一个工作经验丰富的非数据分析的运营人员要比刚进来不久的数据分析师对数据的了解要深入得多，就是这个原因。

3 大数据

大数据就是通过统计分析计算机收集的数据，在人们可能不知道“为什么”的前提下，了解到事物的状态、趋势、结果等“是什么”。

对于大数据，一直来说，数据规模导致的存储、运算等技术问题从来不是最重要的瓶颈。瓶颈只在于前端数据的收集途径，以及后端商业思想引领的模型和算法问题。早期的各类OLAP工具已经足够了，后来类似海杜普这样的研究则彻底降低了分布式数据的架构成本和门槛，就彻底将大数据带入了一个普及的领域。

从技术层面说，大数据和以前的数据时代的最大差异在于，以前是数据找应用/算法的过程（例如各大银行的大集中项目，以及数据建仓），而大数据时代的重要技术特征之一，是应用/算法去找数据的过程，因为数据规模变成了技术上最大的挑战。

大数据的特点：

（1）大数据不等同于数据大，我们处理问题是根据这个问题的所有数据而非样本数据，即样本就是总体；不是精确性而是混杂性；不是因果关系而是相关关系。

（2）大数据应用的几个可能：当文字变成数据，此时人可以用之阅读，机器可以用之分析；当方位变成数据，商业广告，疫情传染监控，雅安地震时的谷歌寻人；当沟通变成数据，就成了社交图谱。一切都可以量化，将世界看作可以理解的数据的海洋，为我们提供了一个从来未有过的审视现实的视角。

（3）数据创新的价值：数据的再利用。例如重组数据：随着大数据出现，数据的总和比部分更有价值，重组总和和本身价值也比单个总和更大；可扩展数据：在设计数据收集时就设计好了它的可扩展性，可以增加数据的潜在价值；数据的折旧值：数据会无用，需淘汰更新；数据废气：比如语音识别，当用户指出语音识别程序误解了他的意思，实际上就有效的训练了这个系统。

总之，大数据是因为对它的分析使用，才产生和体现它的价值，而不是因为其用到了突出的技术和算法才体现了它的价值。

4 大数据下的智能数据分析

在大数据的背景下，必须考虑数据之间的关联性。一个单独的数据是没有意义的，实际中，选择处在两个极端的数据往往更容易找出它们之间的联系，把它们放在一个框架中看才能发现问题。因此，可以用以下四种方法在大数据背景下进行智能数据分析：

（1）从解决问题的角度出发收集数据；

（2）把收集的数据整理好，放入一个框架内，并利用这个框架帮助决策者做出决定；

（3）评估决定与行动的效果，这将告诉我们框架是否合理；

（4）如果有新的数据出现，我们将考察能否利用它对前面三步做出改进，以及我们今天是否还需要收集更多种类的数据。

5 结语

数据分析的最终目的是帮助业务发现问题并解决问题，提升公司价值，而这些是从数据发觉的，而不是盲目下结论。每家公司都有自己业务生产的数据，通过数据分析、同比环比、漏斗分析及模型等，发现业务上存在的问题，帮助公司业务的优化。

参考文献

[1] 李贵兵，罗洪.大数据下的智能数据分析技术研究[J].科技资讯，2013（30）.