首页 慕课课程正文

干货丨就业大数据框架体系构建

大数据让就业有迹可循

本文就美国大学学生就业模型作了分析,提出了我国高校就业服务生态模型,通过学生在校期间产生的数据,形成学生数据生态闭环,辅助学生进行职业生涯规划,提高学生整体就业质量。综合利用大数据技术和数据挖掘技术,搭建高校学生就业大数据框架体系,对学生数据进行分析,提高就业服务质量,辅助管理机构的决策。

国外高校就业服务特点以及模型构建

美国是世界上最早开展职业指导服务的国家,美国高校的大学生的就业服务机制在提高大学生成功就业和减少人为失业等方面取得了不少的成功经验,从美国高校大学生就业服务可以一窥其对促进就业的各种努力。主要包括以下方面:

“以学生为本”的就业服务

以学生为本是就业服务的教育价值观、教育发展和教育人才的根本性的理论基础。就业服务指导部门作为大学生就业和联系社会的一个平台,不仅要提供就业服务,还要通过完善的职业生涯指导服务帮助高校的学生认识自己和社会,做好职业生涯规划,在此理念之下,充分发挥学生的主动性、积极性、创造性。

扩展学生就业服务的范围

美国高校的就业指导服务是与学生的四年学生规划相关的:(1)第一年帮助大学生了解市场和专业的特性;(2)第二年在有一定的价值观认识的基础上,不断挖掘学生的兴趣爱好、潜力和特长;(3)第三年帮助学生深入了解学生的专业市场需求,提供实习机会;(4)第四年强化技能训练,提高市场竞争力,提供就业服务信息。

就业服务多样式

就业服务是集服务、管理、教学和研究四维一体的多元化的活动方式,目前国内高校重管理和服务,在教学和研究方面投入较少,很多高校的学生在大一到大三基本没有就业的投入,缺少对大学生技能的培养、潜力的挖掘、职业生涯规划、心理健康服务等全方面的了解和培养学生。而美国高校在此也有一定的经验,通过一些工具和计算机针对学生进行测试和培养。

专业性的就业指导队伍建设

美国高校针对学生就业方面成立了专业的就业管理服务部门,按照与学生1:200的配比进行人才队伍建设,而且人才队伍按照不同岗位招聘专业性的博士或者硕士,这就提供了研究性人才队伍的基本保障,实现实践与研究相结合,提供专业、专家型的指导服务。

就业导向的信息化服务

美国高校除了基本的就业信息推送和管理之外,主要注重人才的培养,尤其是交叉学科人才的培养。美国把高等教育作为为经济建设服务的三大目标之一。优势主要体现在交叉学科满足社会的需要,同时能带动学校传统的专业,最终受益的学生本身在社会的激烈竞争中能脱颖而出。

以上可以看出国外高校在就业服务方面取得了一定的成绩,而我国高校就业服务的理念、过程、方式、队伍建设等方面和国外还存在一定的差距。然而“互联网+”概念给了高校提高就业服务质量的一个契机,传统的管理模式已经不能满足高校的需求,大数据时代的到来,已经引起了社会以及高校的重视,对高校的改革起到了一定的带动作用,改变着以往人们对业务的认识。

因此在此基础之上,结合高校现有的业务,根据“数据来源于学生,服务于学生”的理念,建立学生就业服务生态模型,如图1,此模型主要围绕学生来校之后在大学期间产生的个人行为数据不断地积累,借助高校信息中心的大数据平台技术,对高校积累的数据进行采集、清洗、转换,建立就业数据仓库,通过数据挖掘技术提供全面、客观、科学的分析,提高就业管理部门科学管理与学生的职业生涯规划能力。

就业大数据框架体系构建:大数据让就业有迹可循

就业大数据框架体系构建

就业大数据框架体系是建立在学校的大数据框架的基础之上,有着共同的数据来源、数据平台,就业大数据分析应用是大数据框架的一个基础应用。大数据框架体系主要包括三个层面:数据来源层、数据平台层、数据应用层,同时在数据平台层要进行运维管理、数据安全管控。如图2所示。

就业大数据框架体系构建:大数据让就业有迹可循

数据来源层是数据应用的基础,包括了结构化与非结构化数据、学生在校数据与网络数据、学生第一课堂数据与二三课堂的数据,是一个多角度多层次的来源,因此数据具有种类繁多、价值高、数量大、要求处理速度高等特点,符合大数据的显著特征。

数据处理主要是对学生的数据进行大数据处理,包括语境搜索、数据仓库、Hadoop系统。语境搜索指对信息进行索引与联邦搜索,在上一步信息整合的基础上进一步实现上下文协作洞察。数据仓库是档案数据按照预定规则进行存储,进行先进的数据库分析。Hadoop系统是一个分布式基础架构,实现一个分布式文件系统,适合超大数据集即大数据,可以经济高效的方式分析PB级的结构化与非结构化信息。可视化显示利用最佳的可视化组合,收集、提取并探索大数据的处理结果。数据分析包括BI报告、预测分析、内容分析、辅助决策分析等。在企事业单位,预测、BI、辅助决策更为有帮助。

就业数据源

学生的基本数据来源大致分为两方面:

1.学生在校数据,主要包括学生的第一课堂学习、二三课堂学习、参加社会实践、消费轨迹、学习轨迹等数据,这些数据是目前高校要攻克的难点,大多数高校都在“十二五”期间完成了高校数据中心的建设,但从实际情况来看,高校的数据质量参差不齐,也就无法做到真正科学的、全面的学生素质评价,因此,高校的数据质量是一个不可逾越的鸿沟,是所有数据应用的基础,因此在校学生数据就需要高校信息化部门从整体考虑,进行顶层设计,积极地协调各个部门与业务疏通,打破传统的业务习惯牢笼,建立新的信息化秩序。

2.学生网络数据,此类数据主要包括学生的上网行为数据、上网学习行为轨迹、网络资源等数据,网络数据目前高校的学生比较敏感,信息化部门应该做足充分准备和沟通,循序渐进地推动学生网络数据应用,要对学生的数据进行筛选,抽取有效信息,去除脏数据,这样既保证学生的隐私问题,使学生不会对此类数据敏感,又保证学校的信息化顺利进行。

数据平台层

数据平台层是对数据整合和治理的过程,从松散的、异构的、孤岛的数据到标准化、有机联系的、科学的数据,主要包括对数据进行抽取、清洗,数据共享和转换,数据标准化、结构化的处理等操作,最终把数据存入相应的数据仓库,为不同的数据分析提供不同的角度。

总之,信息技术手段提供了高校实现针对大学生就业质量和就业率这一指标,反过来分析其在学校的行为轨迹,把学生个人因素与学校的客观因素区分开来,更加透彻地挖掘深层次的影响,才能深入了解到影响学生就业的因素是哪些指标,影响的权重,对于决策者可以针对这些指标和因素进行调整高校的决策,从而提高学校的竞争力。

作者:金健宇、韩霖、方丹丹

作者单位:对外经济贸易大学

责任编辑:王培

分享:
延伸阅读
    大数据概念_大数据分析_大数据应用_大数据百科专题
    贵州

    贵州大数据产业政策

    贵州大数据产业动态

    贵州大数据企业

    更多
    “智慧中国杯”全国大数据创新应用大赛
    企业
    更多