智慧校园大数据决策平台解决方案.pptx

智慧校园大数据决策平台解决方案.pptx

《智慧校园大数据决策平台解决方案.pptx》由会员分享，可在线阅读，更多相关《智慧校园大数据决策平台解决方案.pptx（62页珍藏版）》请在冰豆网上搜索。

,智慧高教大数据应用建设方案,高校大数据分析和落地建设,校领导大数据指挥舱效果示意图,XXX科技,01大数据核心价值建设,0023大数据模型与算法大数据平台与实施落地,04研发实力与合作,高校大数据建设方向与产品,行为画像,轨迹分析,综合预警,管理大数据,校领导驾驶舱,大数据报告,学生大数据,教学大数据,就业指导,人事大数据分析,学生大数据分析,资产大数据分析,学工大数据分析,信息化大数据分析,财务大数据分析,科研大数据,消费,习惯,成绩,借阅,高分,课程,选修课,自习,活动,爱好,科研大数据,高校大数据建设内容,大数数据据管采理集软与件清洗,学生微观数据仓库,教师微观数据仓库,综合行为画像,智慧校园推荐,异常预警,心理健康预警,行为轨迹分析,学生个人大数据报告,群体行为分析,互联网舆情分析,精准就业推荐,教务分析,学工分析,学业分析,人事分析,资产分析,实验室分析,学校信息化管理分析,科研分析,科研分析与横向对比,学生个人数据中心,XXX科技,涵盖大学生活所有信息，保证学生个人数据中心的数据全面精准。

包括以下5个方向：

基础信息学习生活毕业就业,学生数据来源举例,XXX科技,体育场馆门禁信息门户有线网管Wifilocation,认证计费系统无线网管理系统SSL-vpn系统学生电子邮箱教师电子邮箱,校园一卡通宿舍通道机Itservice系统信息网络呼叫中心系统,DNSDhcpURL审计教务系统数据中心,工作进展：

数据全部抽取完成,接入的系统数量18个,接入的数据占用磁盘空间约700G,增加数据保持定时同步,个人数据中心内容展示与查询,XXX科技,个人基础信息,个人课程信息,图书借阅信息,网络访问信息,校园消费信息,校园轨迹信息,个人成绩信息,在线学习信息,内容丰富界面直观支持移动化APP操作简易,内容展示特点：

通过可视化方式，可以让学生、老师直观的查询与了解个人学校的所有数据,查看具体个人的行为轨迹可选择某个学生，查看学生一天的行为轨迹，显示轨迹序号、楼宇名称、时间点、停留多长时间、做了些什么图上箭头按照学生行为轨迹动态移动可查看某个时间点学生的位置状态，便于学校定位失联学生备注：

地图上的动态icon还需优化学生在某个轨迹点的行为还需进一步分析轨迹行走的痕迹还需优化数据跳变问题,XXX科技,行为轨迹-个人行为轨迹,XXX科技,分析全校所有学生的在校轨迹，发现学生校内的热门访问地点可按照集群过滤，包括民族、性别、培养层次、学生类型、生源地等可以选择统计时间间隔，分为30min、1h、，按照时间间隔轮播学校人流变化情况可选择热力图、标注图两种显示方式，其中标注图会显示楼宇名称、人数,XXX科技,点击某楼宇可查看该楼宇各层各室人员分布,备注：

轮播时间展示效果还未达到理想效果时间间隔数据待优化,行为轨迹-全校行为轨迹分析,行为轨迹-全校行为轨迹分析-热力图,XXX科技,学生沉迷预警,XXX科技,学生失联预警,贫困生预警,上网预警,一卡通消费预警,学位异常预警,各类预警详细报告,报告分析总结,预警信息配制,基于微观大数据分析的综合预警,校领导,XXX科技,教师,学生,家长,辅辅员,学工处,预警用户,APP,电脑,短信,微信,邮件,数据预处理/去重,校园安全算法计算匹配,校园安全数据结论标签,校园安全预警算法区配,校园安全预警处理中心,预警内容权限分配,原始数据,采集库,个人基础数据库校园大数据管理计算平台,预警方式,数据源,计算处理逻辑架构,大数据安全设计整体架构,一卡通,视频监控,通道机,门禁,WiFi,指纹识别,考勤互联网数据,XXX科技,14,电子信息学院信息安全12级,张某某电子信息学院04级学生个人标签：

学霸、上网达人、理科高手个人行为画像,个人综合分析综合成绩水平80%,综合消费水平60%综合评估画像70%,自律性分析90%通过大数据微观分析学生的个人特点，进行学生个人画像和数据分析，用于学生管理和综合评价、就业等的辅助。

“学生行为画像”详细介绍,分析全校学生访问该楼宇的情况，包括访问人员画像、访问的高峰时间月数据总结：

总访问次数、访问人数、人均访问次数、全校排名,XXX科技,日数据总结：

访问人数、人员标签、日,高峰时间段,粘度高用户画像：

显示经常访问该楼宇,的人员标签使用人员趋势：

显示该楼宇的访问趋势,访问热度：

显示该楼宇的楼层访问热度,群体楼宇人流画像分析,学生大数据分析报告,XXX科技,学生大数据分析报告,个人数据中心大数据报告,业内数据最丰富的学生大数据报告，涉及生活、教学、图书、网络、消费、习惯等超过10类指标。

支持用户、班级、学院、学校等，可以按时间段，成长周、月、年导出按照A4风格进行设计与排版，美观简洁，支持导出成PDF、图片用于打印或者朋友圈分享。

课堂计划活动进度,XXX科技,进入每个活动可进行详情查询、开展教学督促,学习进度情况签到情况随堂测试情况学生答题情况小组讨论进度,智慧管理、智慧教学分析,智慧管理、智慧教学分析,XXX科技,校领导大数据指挥舱效果示意图,XXX科技,XXX科技,核心部门核心管理大数据,XXX科技,10+类别,400+指标,大数据核心KPI涉及财务、教务、科研、人事、学工、学生、资产、实验室、图书、信息化、综合.等超过10个管理的核心指标分析总共涉及10+大的管理类别，400+的核心指标和分析内容,人事分析人事能力分析-1,XXX科技,岗位工作量分析分析不同岗位教学工作量、科研工作量占比以及趋势,各单位科研绩效统计分析各单位教职工的人均学术作品情况,教职工培训情况统计分析学校教职工的历年培训次数趋势,论文发布刊物分布统计分析教职工发表论文时选择刊物的倾向性,教职工培训分布显示培训次数最多的前八类培训类型,校内薪资福利分析统计分析各岗位的薪资福利情况,校内薪资福利对比通过对全校、各类岗位的薪资福利进行对比分析，发现学校教职工的待遇发展趋势情况,学校支出工资情况将教职工拿到工资和学校支出部分进行对比分析,各级领导情况分析统计分析年龄、学历、职称分布情况,各单位人才引进的绩效统计分析高层次人才的人均学术作品情况,教职工科研画像显示每个教职工科研的核心指标，包括科研项目数量、论著发表数量、学术影响因子,学院职称评审画像根据某学院职称评审情况，分析人员情况和规律，包括通过职称人数、男女比例等,教职工行为画像根据某学院职称评审情况，分析人员情况和规律，包括通过职称人数、男女比例等,人事分析人事能力分析-2,XXX科技,校内薪资福利分析统计分析各岗位的薪资福利情况,校内薪资福利对比通过对全校、各类岗位的薪资福利进行对比分析，发现学校教职工的待遇发展趋势情况,教职工培训情况统计分析学校教职工的历年培训次数趋势,各级领导情况分析统计分析年龄、学历、职称分布情况,各单位科研绩效统计分析各单位教职工的人均学术作品情况,各单位人才引进的绩效分析统计分析高层次人才的人均学术作品情况,岗位工作量分析,分析不同岗位教学工作量、科研工作量占比以及趋势,教职工科研画像显示每个教职工科研的核心指标，包括科研项目数量、论著发表数量、学术影响因子,论文发布刊物分布统计分析教职工发表论文时选择刊物的倾向性,教职工培训分布显示培训次数最多的前八类培训类型,学校支出工资情况将教职工拿到工资和学校支出部分进行对比分析,学院职称评审画像根据某学院职称评审情况，分析人员情况和规律，包括通过职称人数、男女比例等,为学校人员晋升、培训工作，以及人事需求预测提供服务。

01大数据核心业务建设,XXX科技,0023大数据模型与算法大数据平台与实施落地,04研发实力与合作,学生成绩（仅本科生的成绩分析）,XXX科技,专业、年级、科目的不同会使得成绩不具可比性，因此将学生各科成绩进行学时加权标准分换算，每个学生某科目成绩的换算公式如下：

=500+100,（其中为该生某科成绩，为该科成绩在专业中的均值，为该科成绩在专业中的标准差）,因此，每个学生的全部科目加权公式：

Z=,o,（其中为每科换算后成绩，为学科的学时）,通过观察，成绩服从偏态分布，故进行boxcox变换转换为正态分布后，按标准差划分区间，分为学霸（Z成绩573.355224分以上），学优（544.503381分成绩573.355224分），学良（471.681551分成绩544.503381分），学中（422.806076分成绩471.681551分），学差（Z成绩422.806076分以下）5个等级。

60%50%40%30%20%10%0%,XXX科技,学差,学中,学良,学优,学霸,男女生学习成绩占比分布男女,学生成绩（性别）男女生成绩差异大，女生优于男生,检验男女生成绩差异度：

男生成绩均值：

477.21女生成绩均值：

507.46,通过等均值非参数检验差异度，算得P（Z=z）双尾=0.000.05检验结果：

男女成绩差异显著,学生成绩分布（经济消费）,XXX科技,50%45%40%35%30%25%20%15%10%5%,0%,学差,学霸,不同经济差异的成绩占比分布,学中一般,学良普困生,学优特困生,一般生成绩均值：

501.31普困生成绩均值：

497.12特困生成绩均值：

491.22,通过等均值非参数检验差异显著度：

一般生与普困生差异小可忽略特困生与其他学生差异显著,一般生和普困生的成绩差异较小。

特困生成绩较为显著，学差多、学优学霸少。

学生成绩分布（地域）,XXX科技,教育资源丰富度与学生成绩呈现正相关,各区域学生成绩分布基本呈正态，分布大致相同。

显著性检验结果如下：

西北学生成绩较差，学差多，学霸少；华东学生成绩较高，学差少，学霸多。

原因分析：

教育资源丰富度与学生成绩呈现正相关,60%,50%,40%,30%,20%10%,0%,学差,学中,学良,学优,学霸,华北,各区域学生成绩占比分布东北西南华东华南,华中,西北,学生群体聚类分析,XXX科技,常用的聚类技术主要有：

基于分区的方法。

其基本思路是，首先列举出不同的分区，然后根据某种标准对不同的分区进行评价。

常用的方法有K-Means方法、K-Prototypes方法、K-Medoids方法、PAM方法、CLARA方法、基于密度的方法等。

基于层次的方法。

其基本思路是，通过某种标准创建数据（对象）集合的层次分解结构。

常用的方法有BIRCH方法等。

基于模型的方法。

其基本思路是，对每个类簇假设一个模型，并寻求相互之间模型的最佳合适程度。

常用的方法有神经元网络方法（如SOM）方法、统计方法（高斯混合模型方法、自动归类方法），蚁群聚类。

这些方法当中，k-means最为常用，快捷，但有三个缺点：

K需要预先给定，通过实验，本次分析数据运用k-means，在不同的k的聚类平均误差拐点不明显，难以确定适合的k值。

在复杂环境下，模型聚类中心容易受随机情况影响，尤其特征多，k偏少的情况。

同一个k的结果也不稳定聚类结果往往难以解释。

自适应聚类算法，属于深度学习领域，通过竞争进化，让样本自动聚集，常用有蚁群算法，神经网络。

利用神经元网络的聚类方法在管理领域得到广泛的重视和大量的应用。

本分析采用神经元网络（SOM）方法对学生属性进行聚类。

学生群体聚类步骤,XXX科技,数据转换：

补全缺失值，消除异常值，boxcox转换，1-2标准化。

-通过转换后选取分类数据（如男女，贫困程度），选取符合分布条件的特征。

主基底变量筛选，剔除多重相关性数据，现有的数据中，保留了性别，生活日均消