“大數據+業務”復合型能力模型研究

李曉軍，蘇 逸，姚俊萍，董成榮，周志杰

(火箭軍工程大學 301教研室，陜西 西安 710025)

0 引言

信息化背景下，數據能力的培養是軍事領域人才隊伍建設的重要內容，也是軍事領域業務變革與技術創新的關鍵性支撐，對于提升部隊快速反應能力、組訓施訓科學化水平等具有重要意義。但在實踐領域中，對于數據能力的認識還存在著模糊性，比如將數據能力簡單等同于統計分析能力、數據工程體系建設異化為數據庫系統開發等，直接導致數據工程能力在軍事領域的效益發揮受到約束和限制，指揮和管理人員難以建立對于數據工程關鍵性支撐能力的感性認識。究其原因，當前數據能力，尤其是大數據能力與職業能力人為割裂，數據運用與業務背景分離等是主要因素。在這樣的背景下，有必要結合領域特征，從理論角度開展“大數據+業務”復合型能力解構，分析其內在維度特征，為院校及部隊軍事人才數據能力培養提供依據和參考。

基于此，以軍事領域訓練管理業務為例，通過文獻綜述、專家訪談進行問卷設計及數據收集，采用因子分析法解構“大數據+業務”復合型能力維度特征，以期為領域人才體系建設及技術創新提供支撐。

1 大數據能力與職業能力研究現狀

1.1 大數據能力內涵與維度

隨著信息與通信技術的發展，數據不斷增速產生與積累，大數據作為基礎資源的重要戰略意義已被廣泛認可[1-2]，如何實現從資源向價值的轉變與輸出，逐漸成為研究界與政界、商界的關注焦點。基于對價值輸出的追求，一類觀點將大數據能力的重點聚焦于分析。大數據分析(Big Data Analytics，BDA)指的是通過復雜的統計、計算和可視化工具，為管理決策提供堅實的數據收集和分析過程[3]。而大數據分析能力，則可以定義為收集、整合和部署大數據特定資源的能力[4]。另一類觀點則更聚焦于數據的應用，將數據分析作為數據能力的部分來看待。謝衛紅[5]等基于資源基礎觀和動態能力理論對大數據能力進行了研究，指出從集團管控的角度來看，大數據能力能夠整合大數據這一基礎性資源，通過深度分析，基于預測實現市場洞察，是一種能夠幫助企業適應環境變化的動態能力。這類觀點從數據全壽命周期的角度拓展了數據能力的內涵，在一定程度上將數據能力與數據應用需求相結合。

許多研究從不同角度對大數據能力的維度的進行了劃分。WAMBA S F[6]等參考IT能力的維度劃分研究，在社會物質觀基礎上，將物質、組織與個人看作是相聯系的統一整體，從技術能力、管理能力和人員能力3個維度對大數據能力進行分解。WAMBA S F[7]等指出，大數據的核心價值是預測，從該論斷出發，可以將大數據能力分解為資源整合能力、深度分析能力和實時洞察與預測能力3個維度。這種觀點雖然提到了分析技術與業務應用之間的聯系，但未能將數據分析技術到數據分析應用間的轉換能力納入建模考慮。易加斌[8]等提出大數據能力還包含數據感知識別能力，指感知大數據在商業模式各維度中的存在，并充分識別其背后的價值，從而產生大數據應用的認同感。

1.2 職業能力概念與模型

職業能力作為衡量人才質量的重要概念，在不同研究領域和學派中存在不同的界定。一類觀點是將職業能力視作單一的要素。由于人的能力研究與心理學發展息息相關，匡瑛[9]梳理比較了各心理學派對職業能力的內涵界定，認為行為主義心理學派認為職業能力即職業技能；認知主義心理學派將其理解為職業知識；人本主義心理學派則關注于職業潛能。直至構建主義心理學派得到發展，心理學領域對職業能力的研究才涉及情境性綜合能力這一較為復雜的認識。由此，職業能力的內涵得到進一步擴展和豐富。當前的多數研究以更為系統的觀點對職業能力進行界定，將其視為一種包含多要素的工作能力。朱頌梅[10]等從教育學的角度指出，職業能力是學生經過高等教育所培養得到的從事某種職業所需的能力總和。

職業能力模型可以描述某一特定職業角色所應具備能力。我國的職業能力模型研究主要面向職業教育學生展開，最為廣泛采用的模型為“職業能力與職業認同感測評項目”(COMET)模型[11]。COMET模型具有“內容”“要求”和“行動”3個維度。內容維度涉及職業定向性任務、程序化任務、蘊含問題的特殊任務、不可預見的位置任務4種類型的工作任務，分別對應從“初學者”到“專家”的4個學習范圍；要求維度指從“名義能力”到“整體化設計能力”的4個能力級別；行動維度將工作過程劃分為從“獲取信息”到“評價”的6個階段。COMET職業能力測評不僅對學生完成工作時表現出的知識和技能進行評估，還進一步評估了職業態度和價值觀[12]，同時具有信度較高的優點，但測評的設計較為復雜[13]。隨著人才需求的結構變化，培養具備良好職業能力的高素質應用型人才逐漸成為普通高等教育院校的一個重要目標，面向不同學生群體的職業能力模型研究亟待開展。目前，數據分析人才的職業能力模型尚未得到廣泛研究。

1.3 “大數據+業務”復合型能力的概念界定

已有研究中數據能力模型和體現業務特征的職業能力模型相對獨立，此類研究指導下的數據領域教學實踐往往將學生數據能力的培養簡單地等同于數學能力甚至統計分析技能的培養，從而導致了畢業生在理論上優勢明顯，但不能結合業務場景運用數據能力進行創新。

大數據分析應該視作需求牽引、數據驅動的行為過程，該過程的本質在于感知業務需求，使用分析的技術手段進行預測、洞察，從而解決業務上的應用問題。實際上，數據分析在技術層面上的發展自基礎數學以來直至計算機技術的出現與發展，有了長足的進步，而如何將技術結合業務場景進行應用與創新實則是制約數據價值開發的前置關鍵性步驟。數據能力與職業能力息息相關，為衡量挖掘大數據資源價值的能力，不能僅從一種能力出發，而需要進行更為綜合的考慮。由此，提出“大數據+業務”復合型能力這一概念，將該能力定義為從業務需求出發，進行需求分析、數據收集、數據分析、業務應用等一系列挖掘大數據資源價值的綜合能力。

2 研究方法

2.1 “大數據+業務”復合型能力問卷

以訓練管理業務為例進行分析，訓練管理業務主要指主體對客體訓練方案的制訂、調整與管控。從驅動范式看訓練可分為經驗驅動型和數據驅動型[14]。軍事領域的訓練管理業務，由于長期以來依賴經驗、定性評估為主、依賴主觀主導的思維慣性，仍存在效費比低、訓練計劃制訂與落實脫節的管理粗放問題[15]。訓練管理業務應該以解決實際問題為牽引，充分發揮數據內生動力，實現經驗驅動的粗放型向數據驅動的精細型的轉變。結合數據驅動的相關概念[16]及上文對“大數據+業務”復合型能力的概念界定，將問題牽引、數據驅動的精細化訓練管理做如下定義：主體為解決客體在訓練中出現的具體問題，以積累、收集得到的訓練大數據為基礎，通過一系列數據分析技術及相關數據產品，提供訓練計劃擬制與調整的決策和支持方案。因此，可以將訓練管理劃分為“訓練問題發現、訓練數據采集與整合、訓練數據分析、訓練計劃擬制與調整”4個流程。同時，在社會物質觀基礎上，從技術、組織與人員3個影響層面對訓練管理業務進行數據能力需求解析，為“大數據+業務”復合型能力模型討論提供前提，見圖1。其中，技術層面影響因素涵蓋與數據分析技術相關的能力；組織層面影響因素是指，從各種組織形式單位角度出發的數據分析相關工作統籌協調能力和對各類數據資源更新、整合和利用能力；人員層面影響因素則主要涉及個人進行具體業務中數據分析工作的綜合素質。

圖1 訓練管理業務影響因素框架

以訓練管理業務影響因素框架為基礎，設計開發“大數據+業務”復合型能力問卷，確定對訓練管理業務各流程存在顯著性影響的因素，進而構建起“大數據+業務”復合型能力的能力模型。其中，對具體影響因素項的確定是結合軍事訓練實踐進行的，如軍事訓練問題通常是由組訓干部及戰士骨干在訓練過程中發現的，也有上級機關負責訓練業務的參謀、首長在總結中分析得到的。從技術層面來看，組訓人或上級負責人在數據分析技術上的掌握情況，對在業務實踐中是否能敏銳察覺到可以通過數據分析解決的問題可能具有一定影響；從組織層面來看，部隊對各崗位的職能定位如何理解與明確，決定了相關人員是否有發現訓練問題的義務與職責；從人員層面來看，個人在數據意識、質疑精神、歸納總結等諸多方面的素養都可能對訓練問題發現是否及時、有效有著較大影響。對應訓練管理業務4個流程、12個影響層面的23個具體指標對應項見表1。調查問卷為5分制(1～5)李克特量表，形式為“XXX(影響因素項)是訓練管理業務中數據能力的關鍵指標”，備選答案為“非常不同意、不同意、一般、同意、非常同意”。

表1 訓練管理業務各流程影響層面“大數據+業務”復合型能力項

2.2 數據收集過程與方法

主要面向基層部隊單位通過問卷調查方法進行數據收集。為了確保參與問卷調查的單位在實際訓練過程中，具有數據驅動型精細化訓練管理的業務目標與相關經歷，設置了相關的專門測度問項。考慮建立“大數據+業務”復合型能力模型的研究目的，選擇參與調研部隊中具有高等教育經歷、從事訓練管理工作且具有一定專業知識的人員作為調查對象，具體包括負責訓練業務的管理層及參謀人員、組織訓練的基層軍官及士兵、在實際訓練中起到骨干作用的參訓士兵。在確定調查對象范圍的基礎上，通過隨機抽樣方法選取了3個單位的350人作為樣本，于2022年5月至6月，利用內部網絡、現場調查等形式共發放電子及紙質問卷350份，回收問卷336份，問卷回收率96%，對回收問卷進行篩選，剔除不完整及存在明顯隨意性的無效問卷13份，共計得到有效問卷323份，有效問卷回收率92%。

2.3 分析方法與工具

為通過訓練管理業務分析構建“大數據+業務”復合型能力模型，對訓練管理業務中各業務流程影響層面中的影響因素項進行探索性因子分析。在不預設影響因素項與業務目標之間關系的前提下，對影響因素項進行公共因子的提取，從而探索得到能力模型的相關維度。使用SPSS 26.0軟件，首先對問卷設計的影響因素項進行信度和效度的檢驗；在信度、效度良好的基礎上，對各影響因素項進行公共因子的提取，采納特征值大于1的主成分；然后，進一步計算各影響因素項的因子載荷，分析影響因素項的重要程度，并對提取得到的公共因子進行解釋。

3 結果與討論

3.1 問卷分析

3.1.1 問卷信度分析

使用Cronbach信度分析法對問卷進行信度分析。對各影響因素項進行信度分析的結果見表2。結果顯示，問卷整體的Cronbach’sα系數為0.703，表明各影響因素項的內在一致性較強，問卷整體信度較高。其中，對所有影響因素的項被刪除后Cronbach’sα系數進行檢查，發現數據分析工具的選擇及配置能力、追蹤及學習新技術的能力、對依托數據進行決策的認同程度3個影響因素項被刪除后Cronbach’sα系數有所上升，除上述因素項外其余因素被刪除后Cronbach’sα系數均出現下降。且通過進一步因子分析可以得出，上述因素項不能被提取得到的公共因子所反映。由此，可以認為上述3項與其余影響因素項的相關性較弱，應在后續分析中予以剔除。修正后，問卷整體的Cronbach’sα系數達到0.764，具有良好信度。

表2 信度分析表

3.1.2 問卷效度分析

使用KMO和巴特利特球形檢驗對問卷進行效度分析。計算得KMO統計量的值為0.793，表明各影響因素項之間的簡單相關系數遠大于偏相關系數；巴特利特球形檢驗的顯著性小于0.001，球形假設被拒絕，各影響因素項的相關系數矩陣非單位陣，說明問卷設計的結構效度良好，各影響因素項之間存在較強的相關性，能夠從中提取公共因子，可以進一步進行因子分析。

3.1.3 因子分析

使用主成分因素分析法對各影響因素項進行公共因子的提取。主成分因子的選取按照特征值大于1的原則進行，在23個影響因素項中提取得到5個公共因子。各公共因子對影響因素項的總方差解釋見表3。

表3 影響因素項公共因子總方差解釋

通過總方差解釋，可以利用方差百分比和累計百分比反映出公共因子對解釋各影響因素項的貢獻率及累計貢獻率。根據解釋結果，按照本文規則提取得到的5個公共因子累計貢獻率達到79.167%，即這5個主成分集中了20個原始影響因素項的79.167%的信息，能夠較好地反映所有影響因素。對5個公共因子進行成分分析，旋轉后的成分矩陣見表4。

采用最大方差旋轉法計算各影響因素項的因子載荷，將旋轉后載荷值大于0.1的因素認為與公共因子存在對應關系，而將載荷值大于0.4的因素判定為與公共因子有較強的對應關系。在該規則下對成分矩陣進行分析，可以對訓練管理業務中所有影響因素項的重要程度進行評估，并歸納總結出提取得到的5個公共因子所對應的影響因素。由于在問卷信度分析的步驟已對相關性較低的影響因素項進行剔除，余下的所有影響因素項均可以由公共因子所對應表達(在表4中使用下劃線標注)。每個公共因子所對應的影響因素項按載荷值由大到小的順序排列，則公共因子1主要對應數據意識、數據工作重要性認知、數據自動化采集必要性認知、數據感知識別能力、從數據中提取有用信息并形成結論的能力、結果解讀的能力6個影響因素項；公共因子2主要對應訓練數據工作業務及崗位職責的理解、實際工作經驗、基于數據分析結論結合具體業務場景進行分析的能力、領導能力、歸納總結能力5個影響因素項；公共因子3主要對應質疑精神、工作積極性與責任心、創造性解決問題的能力、歸納總結能力4個影響因素項；公共因子4主要對應根據業務目標協調內外部數據基礎資源能力、根據業務目標調配軟硬件資源的有效性、根據業務目標調配人才資源的有效性3個影響因素項；公共因子5主要對應數理統計方法及人工智能算法原理的理解、不同數據源的各類數據融合方法、數理統計方法及人工智能算法運用能力、數據感知識別能力4個影響因素項。

表4 旋轉后的成分矩陣表

3.2 “大數據+業務”復合型能力模型

從問卷信度分析結果來看，數據分析工具的選擇及配置能力、追蹤及學習新技術的能力、對依托數據進行決策的認同程度3個影響因素項被刪除后問卷的Cronbach’sα系數均有所上升，且不進行影響因素項刪除情況下進行因子分析，結果表明上述3項不能被提取得到的公共因子所表達，可以解釋為上述影響因素對訓練管理業務的影響較小，即對“大數據+業務”復合型能力整體的影響較小，在構建相應能力模型的過程中可以不予考慮。通過計算余下影響因素的因子載荷，可以將影響因素項與各公共因子進行對應，針對對應多個公共因子的情況，考慮公共因子蘊含的物理意義，對其所對應的影響因素從解釋性角度進行合理分配，從而構建起如圖2所示的“大數據+業務”復合型能力模型。

圖2 “大數據+業務”復合型能力模型

3.3 討論

與當前研究[6-7，17]普遍采用的邏輯分析、模型驗證方法不同，采用數據驅動的探索型建模方法，以軍事領域訓練管理業務為例，通過文獻綜述、專家訪談、問卷調查、數據分析的研究步驟進行“大數據+業務”復合型能力模型解構，使用探索型因子分析方法推理指標項之間的隱含關系，提取得到潛在的公共因子，結合理論分析賦予其可解釋性，從而得到能力模型的具體維度。通過結合業務進行能力模型構建，建立了理論研究與實踐應用的聯系，解決了當前研究中數據能力與職業能力模型研究割裂的問題，并使得理論研究的建模成果在特定領域應用中更具有指導意義，為不同業務場景中進行能力建模提供了新的思路。通過數據分析方法進行能力建模，則使能力模型的過程具有更強的客觀性，并為模型提供了更為有力的解釋。

在構建“大數據+業務”復合型能力模型的過程中，對數據分析工具的選擇及配置能力、追蹤及學習新技術的能力、對依托數據進行決策的認同程度3個影響因素項進行了剔除。大數據分析能力是指收集、整合和部署大數據特定資源的能力，而通過以上分析，認為數據分析應該被視為是完成業務目標的手段，通過何種具體的技術、工具進行實現相對如何結合業務場景進行分析及解釋來說，不存在主導性作用，甚至在某些業務場景可能處于相對非重要地位。因此，將數據分析能力作為“大數據+業務”復合型能力模型的普通一維，在當前以社會物質觀為基礎的一類研究[6]基礎上，從組織、技術、人員有機統一的視角出發，將人員層面影響因素在具體業務應用上進行了拓展，相較已有研究中聚焦數據分析技術的大數據能力模型更為全面。

4 結語

當前研究中，數據能力模型與業務特征相割裂，由此導致了數據人才培養實踐中，存在簡單化將數據能力等同于數據分析能力、數據工程體系建設異化為數據庫系統開發的實際問題。因此，衡量挖掘大數據資源價值的能力需要與具體領域特征相結合，使用“大數據+業務”復合型能力這一概念進行能力評估更具有現實意義。“大數據+業務”復合型能力為從業務需求出發，進行需求分析、數據收集、數據分析、業務應用等一系列挖掘大數據資源價值的綜合能力。以軍事領域訓練管理業務為例，使用探索性因子分析法構建起數據思維能力、業務工作能力、主觀能動性及創新能力、數據資源協調能力、數據分析能力五維一體的“大數據+業務”復合型能力模型。

數據思維能力指在對數據的特征、價值和功能具有一定認知的基礎上，能夠從中提取有用、可解釋信息的能力，包括數據意識、數據工作重要性認知、數據自動化采集必要性認知、數據感知識別能力、從數據中提取有用信息并形成結論的能力、結果解讀的能力6個因素。業務工作能力指具體業務場景中從事某種職業所需的能力總和，在訓練管理業務中包括訓練數據工作業務及崗位職責的理解、實際工作經驗、基于數據分析結論結合具體業務場景進行分析的能力、領導能力4個因素。主觀能動性及創新能力指解決具體業務場景中存在問題的主動性與創新能力，包括質疑精神、工作積極性與責任心、創造性解決問題的能力、歸納總結能力4個因素。數據資源協調能力指更新、整合和利用數據相關的一系列資源的能力，包括根據業務目標協調內外部數據基礎資源能力、根據業務目標調配軟硬件資源的有效性、根據業務目標調配人才資源的有效性3個因素。數據分析能力指對數據分析技術的掌握情況，包括數理統計方法及人工智能算法原理的理解、不同數據源的各類數據融合方法、數理統計方法及人工智能算法運用能力3個因素。

“大數據+業務”復合型能力包括技術層面、組織層面、人員層面的綜合能力，該能力模型充分反映出在具體業務領域進行數據價值的挖掘不僅建立在數據分析技術的基礎上，且對各類數據資源的組織協調及人員的綜合素質均有著較高要求。構建的“大數據+業務”復合型能力復合模型可以為領域人才體系建設及技術創新提供支撐。在數據分析應用型人才培養中，應該摒棄數據分析能力崇拜型教育，在對數據分析能力進行教學的基礎上，須加強復合型能力其余維度的能力提升。在數據驅動型精細化訓練管理業務等數據分析具體業務場景中，可以對標能力模型各維度，通過領域人才培養、組織配套能力健全、數據分析技術培訓等方法實現數據應用能力的提升。