大數據時代下的“商務智能與數據挖掘”課程教學改革研究

朱衛平　陳佳玲

摘 要：文章介紹在“商務智能與數據挖掘”課程教學內容中如何反映大數據時代的基本特征，在教學過程中如何引導學生對具有大數據特征的課程項目進行實踐并開發相應智能教學工具，同時還討論如何將數據挖掘與數據庫和法律課程在大數據背景下進行聯動教學。

關鍵詞：大數據；數據挖掘；商務智能；智能科學；課程改革

0 引 言

隨著近年來信息系統互聯和接入技術的廣泛發展，工作和生活中的許多數據被匯聚起來，使得我們進入大數據處理的時代。然而，數據如果只是“大”并沒有太大意義，關鍵是如何最佳地挖掘高價值的數據和使用這些數據，使這些數據成為“智能數據”。在未來，智能數據可以告訴我們一個系統正在發生什么、為什么會發生、接下來會發生什么，以及我們應該如何應對[1]。智能數據將很大程度改變企業的商業模式和人們的生活方式。

由于巨大的社會需求和國家的政策宣傳，對大數據處理相關的學習已經成為高等院校計算機類學習的一種新時尚。筆者所在院系，只要與大數據相關的畢業設計選題都有眾多學生報名，競爭激烈，只要與大數據相關的課程學生都非常感興趣。興趣驅使對于教師的教學有很大的幫助，但也給教師在新形勢下的課程提出更多的挑戰。

數據挖掘是指從海量數據中自動識別具有某種特殊聯系信息的過程，它包含數據收集、數據創建、數據管理、數據分析、產生價值信息等多個方面[2]。商務智能是指利用包括數據挖掘在內的信息技術對商務過程和決策進行優化而實現商業價值的一種技術。“商務智能與數據挖掘”課程就是講授數據挖掘的基本理論和方法，并將其運用到商務智能方面的一門課程。隨著當今信息量不斷增長和商務智能需求的不斷提高，該課程所涉及的內容已經成為當前信息技術領域研究和應用的熱點。在新形勢下，該課程具有以下幾個特點：①新穎性。隨著大數據浪潮的到來，商務智能和數據挖掘技術受到研究領域和工業領域的空前重視，許多研究課題不斷涌現，并且其關注熱度還在提高。②復雜性。數據挖掘的任務包括分類規則挖掘、聚類規則挖掘、關聯規則挖掘、時序規則挖掘、特征規則挖掘等多個內容。每項內容都有專門的挖掘技術和眾多的算法。在教學上必須對內容有所選擇和側重，保證適度的廣度和深度。③交叉性。與多個學科與廣泛的技術交叉，包括數據庫技術、機器學習、統計分析、模式識別、信息檢索、智能計算以及法律、經濟等[3]。該課程的講授需要和各個學科進行配合，統籌發展。

1 教學內容的變化

“商務智能與數據挖掘”課程教學內容應該反映大數據時代的基本特征，尤其應該在數據體量和數據多樣性上與大數據處理緊密關聯，同時可以采用目前流行的大數據典型應用作為課程例子講授相關內容，方便在之后的大數據處理上進行擴展。

首先，在教學內容中應該體現數據體量的大小。在傳統的數據挖掘課程中，對數據的處理并沒有強調數據量的大小，更沒有考慮到當今數據量極大膨脹和快速增長的情況，而且例子和習題的數據量也是小規模的，這與當前的大數據處理要求不符，因此有必要將數據挖掘的處理目標進行擴展。 教師可以使用典型應用來強調數據挖掘在大數據時代下新的處理目標，如討論搜索引擎（谷歌、百度等的設計）和谷歌的流感趨勢分析（Flu Trends），搜索引擎需要對大規模的數據進行爬取、關聯、聚類、分類、存儲等各種操作，并在數據的體量和運算速度上有較高的需求；谷歌的流感趨勢分析則創新性的將人們在互聯網上的操作與現實生活聯系在一起，這兩個例子涵蓋了數據挖掘的主要方面，且內容新穎，易于激起學生的興趣。

其次，在教學內容中應該體現數據多樣性對處理復雜度的影響。在對“數據認識”這一內容的教學中，可以擴展到大數據處理需要的各種數據類型。只有對數據有基本的認識和分類，才能更好地挖掘數據。傳統的數據挖掘課程對數據類型進行逐類分析，包括標稱屬性、二元屬性、序數屬性、數值屬性等。這些都與大數據處理中數據類型的多樣性相關，在講授該部分內容時候應該予以強調，同時還應該將大數據處理中的重要概率如結構化數據與非結構化數據、靜態數據與流式數據的概念對學生進行講解，為他們以后的數據處理打下基礎。

最后，在教學過程中的案例應該挑選具有大數據處理特征的典型應用。理論知識的教學只能算是教學的一部分內容，要想讓這些理論知識變得生動有趣，需要在整個教學過程中適當加入一些結合大數據時代熱點、有意思的實戰案例。在實踐中可以采用學生在日常生活中遇到的一些項目作為案例，如電子商務網站的物品排列與推薦、支付寶信用分計算、ofo小黃車的位置計算等。

2 教學方法的變化

在教學過程中，教師應該引導學生對具有大數據特征的課程項目進行實踐，提高其對現實中各種限制條件的理解和處理能力，同時應該制作具有大數據特征的教學工具，讓大數據技術為本課程的教學服務。

2.1 指引學生使用課程知識進行科學研究

數據挖掘是一門實踐性很強的課程，想要學生有效地運行課堂中學習到的各種知識，最好的方式就是讓學生親手去實現各種算法和系統。在新的時代下，可以引導學生對精選的具有大數據特征的項目進行實踐。

對于項目的選擇應該符合兩點：一是盡可能多地使用課程教學內容。在課程中，關聯規則、分類、聚類和離群點分析是教學的重點，應該盡量包含進去，促進學生理解；二是具有大數據時代特征的最新應用。在實踐中，筆者選取“大規模群組消費識別與行為預測”項目，該項目通過用戶手機和環境傳感器數據來識別商場中存在的消費群組并進行消費推薦。在獲取大量的用戶行為數據后，使用聚類算法將具有各種相似性的人員識別為群組。在進行聚類算法之前，可能需要將原始的傳感器數據首先識別為動作數據如跑步、行走、握手、擁抱等，這需要使用到分類算法。在消費群組識別出來之后，可以基于歷史數據進行關聯分析，將與當前軌跡和動作最匹配的未來軌跡和動作預測出來。在所有的這些過程之中，可以使用離群點分析去除不相干的數據。endprint

在進行項目研究的過程中，應該讓學生學習大規模數據下各種算法的限制和進行優化的必要性。當前的計算機類學生，普遍存在重編程而輕算法的現象，一方面是編程能力的培養容易進行且立竿見影，而算法的設計卻需要較深的理論基礎從而較難提高；另一方面也是學生未能感受到進行算法設計的必要性。因此，教師在引導學生進行項目研究的過程中，應該引導學生提高大數據處理算法的設計能力，如FP-growth算法在教材所給定的數據集上可以很快執行完成，而在大規模數據集合上可能相當長的時間內無法獲得結果。類似這樣的實踐性問題不宜由教師細致解答，而應由學生自行討論和解決。教師可以在旁觀察討論過程，鼓勵學生進行各種嘗試和探索，既培養學生解決實際問題的能力，又培養學生嚴謹的研究精神。

2.2 基于大數據的教學工具開發和運用

在鼓勵學生理論結合實踐的同時，教師也應該在教學工具的開發和運用中體現大數據時代的優勢和特色，一方面使得學生感覺到大數據就在身邊，數據挖掘算法觸手可及，另一方面可以利用大數據的特點有效輔助教學，更好地開拓學生視野，培訓其獨立的學習思維能力。課程網站和課程微信號就是兩個這樣的教學工具。

1）支持大數據智能獲取的課程網站。

課程網站應該在數據資源的獲取上體現大數據時代的特征。在傳統的課程網站中，所有的內容都是網站管理人員如教師手動進行更新，這就導致網絡上存在大量重復建設的網站，但很少有網站能實時反映最新的知識點和教學資源。可以使用網絡爬蟲技術對網絡上的相關內容如分類算法、聚類算法、關聯規則等進行定時爬取，并展示相應的鏈接。這幫助學生在學習課堂內容之后，可以很方便地進行擴展學習，做到課上課下相結合。爬取的內容可以包括使用搜索引擎查找相關網頁，如各大慕課和學習網站的視頻資料以及相關專業領軍研究團隊的主頁。

2）智能聊天微信公眾號。

微信是目前學生廣泛使用的工具。如果能開發微信公眾號作為教學助手將可以有效地促進學生學習。微信公眾號不應只是課程網站的簡單復制，而應該體現其主動性和智能性，與課程網站錯位發展。課程網站的特點是支持文件類型多，功能可以任意復雜；而微信公眾號則勝在日常使用。微信公眾號除了基本內容展示外，應該著重通知推送提醒和智能聊天。當教師發布通知時，如作業提醒、調換課、考試等，微信公眾號向學生的微信進行推送，使學生可以實時接收到信息，同時微信公眾號還提供智能聊天功能。使用聊天機器人設計在很大程度上可以吸引學生使用該教學工具，并促進學生利用碎片化的時間，隨時隨地方便快捷地進行在線學習。在線學習最主要的特點就是學習具有自主性，學生可以對學習和休閑做出合理安排，從而調動學生自主學習的意識，做到學習和休閑兩不誤[4]。教師也可以通過參與討論和觀察微信公眾號的后臺數據掌握學生的學習情況，并根據不同學生的情況進行針對性指導，從而達成一個教學上的良性循環和教學閉環。

對于該學習助手的開發，同樣體現了大數據下的數據挖掘特征。智能聊天系統的搭建最重要的是構建知識庫，知識庫其中的很大一部分是通過文本挖掘的方式構建的。如何收集數據、如何進行文本分析和聚類、如何進行存儲，對這些問題的解決可以鍛煉學生的動手實踐能力。

3 相關課程聯動教學

數據挖掘是一門交叉性強的學科，其理論體系涉及數據庫技術、機器學習、統計分析、模式識別、信息檢索、智能計算以及法律、經濟等多個學科內容。各類課程之間不僅有前置后置關系，也有相互影響的關系。在進行這些課程教授時，需要在整體上對各課程內容和教學目標有良好設計，促進各學科的聯動性教學。

3.1 與數據庫課程的聯動教學

1）重復教學內容的簡化。

數據庫和數據挖掘作為計算機類專業與數據相關的重要課程，在計算機知識體系中有著重要地位，并且相互關聯，因此背景知識可以統一進行講授，這樣更有利于學生學習該學科的完整結構。另外，隨著時代的不斷發展，數據庫技術也在適應著時代的腳步，對于學生數據庫學習的要求也隨著增加，需要學生掌握一些數據庫高級內容，如NoSQL、 OLAP、大數據管理等。由于這些內容與數據挖掘內容有交叉，同時其適用性和需求性來源于數據挖掘和大數據處理，建議在數據庫課程教學中將此類內容去除，把更多的精力放在核心知識上面，同時將這些內容合并到數據挖掘課程中講授。

2）與數據挖掘課程的銜接。

加強數據庫課程和數據挖掘課程之間的相互銜接。數據挖掘的實體是數據，可以從數據屬性、數據之間的關系、數據存儲一致性等幾個方面剖析數據。在此基礎上，可以指導學生構建出適合數據挖掘的數據源。數據源是數據挖掘的前提，其體量大小和存取性能會直接影響到后面“挖掘”出知識的正確性和準確性。其次，教師可以在數據庫課程中加強對數據結果進行分析的能力。數據挖掘的結果最終存儲回數據庫，如何對獲得的結果進行觀察和分析將是數據挖掘的基本技能。具體而言，可以要求學生對數據基本統計方法、數據可視化技術、數據結果分析工具進行學習；如果學有余力，還可以對一些高階工具如SAS、SPSS、Matlab、WEKA等進行學習。

3.2 與法律課程的聯動教學

大數據給人們觀察世界帶來了全新的視角，同時這種新技術的到來也對人們的生活和法律產生重大的影響[5]。2015年，世界經濟論壇發布的《全球風險報告》指出，隨著越來越多的實物連接到互聯網上以及日益敏感的個人信息（包括健康和財務）被企業存儲到云端設備中，導致在影響力和發生概率兩方面超出平均水平的風險[6]。而個人隱私和數據信息的所有權也成為廣泛關注的問題。

對大數據時代下數據挖掘的學生而言，一方面對技術的探索永無止境，但另一方面對于使用該技術所造成的后果和法律風險卻知之甚少。在數據挖掘的課堂中，在教授相關前沿知識的同時，有必要對學生進行相關的法律普及，使得在今后的工作中明白何者能為何者不能為，規避法律風險，使得相關技術工作符合社會利益。同時，也應該注意到，由于新技術出現過快，很多內容對現行法律制度也造成了相當的影響，很多內容具有相當的爭議性。應該組織相關的講座，對現有的已出臺的相關法律法規，如《中華人民共和國網絡安全法》，《電信和互聯網用戶個人信息保護規定》等進行解讀，同時針對教師普遍關心的問題如“人肉搜索”、數據爬蟲等進行討論。在這些過程中，教師可以進行三個層次的探討：一是法律明令可為和不可為的內容；二是具有法律爭議的相關技術應用的社會考慮和相關風險；三是是否可以利用更先進的技術解決這些問題，如“匿名化”技術、分布式記賬技術、事后追責技術等。

4 結 語

“商務智能與數據挖掘”是針對高年級本科生或研究生開設的計算機類重要課程，該課程在大數據時代下體現了新的特征。筆者介紹講授該課程時在教學內容和教學方式方面的改變，并且和其他相關學科的聯動教學，發現使用大數據理論對傳統教學內容進行改變可以提高學生的學習興趣，而和學生一起開發基于大數據智能獲取的課程網站和具有智能聊天功能的微信公眾號則提升了學生的動手實踐能力。教師可以看到，雖然數據挖掘逐漸成為了各高校的熱門課程，但在教學上仍然有很大的改進空間，教師需要不斷提高自身知識水平，創新教學思維和教學方式，使學生能夠熟練掌握理論知識并將其應用于實踐，為社會創造更多的高質量人才。

參考文獻：

[1] 鈦媒體. 從“大數據”到“智能數據”[EB/OL].（2014-10-26）[2017-04-03]. http：//www.tmtpost.com/162182.html.

[2] 馬守東， 龔永峰. 關于數據挖掘課程教學探索[J]. 電腦編程技巧與維護， 2013（24）： 136-137.

[3] 詹少強. 大數據背景下的數據挖掘課程教學新探[J]. 長春教育學院學報. 2014， 30（22）： 81-82.

[4] 何肖瀟. “學習助手”公眾平臺[J]. 教育界， 2015（27）： 192.

[5] 李海英. 大數據的法律挑戰和建議[J]. 大數據， 2016， 2（2）： 100-107.

（編輯：史志偉）endprint