教育行业通用FineBI分析方案
教育行业大数据应用背景2014年起，“大数据”概念首次被正式写入《政府工作报告》。
2017年12月，中共中央政治局就实施国家大数据战略进行第二次集体学习。
现如今，大多数高校的信息化建设已经得到全面发展。各类网络、服务器、存储、私有云、公共数据库、统一身份认证、一卡通系统和内容管理系统等基础设施都已经建设完成，大部分业务部门已经在使用信息化系统，在部门内实现信息化管理，并且产生了良好的效益。
但与此同时，教育领域的大数据应用现状也出现了不少的问题：
1、各系统各自为政，分开建设，缺少统筹，水平参差不齐。更有部分部门信息化思维跟不上当今数据时代的发展，依旧用excel处理数据。 2、各业务系统积攒大量数据，未打通数据前数据安全难以保障。 3、各个业务系统的数据交换只能通过定制化的数据平台进行，耗时耗力。 4、各系统平台的数据，尤其是各个业务部门的业务数据，缺乏统一的平台进行分析和管理，无法快速建模实现分析和展示。
教育行业大数据技术应用架构
基于教育行业目前面临的信息化建设现状，帆软FineBI提供的一站式大数据分析产品及解决方案可以帮助用户快速搭建大数据分析平台，敏捷制作专属分析报告，并为用户提供灵活的交互式分析操作，在业务协作过程中快速释放数据价值。
从源数据对接——>数据抽取转化——>数据仓库——>数据集市——>整合分析——>自助分析，完整的FineBI教育行业大数据技术应用架构如下图所示：
源数据方面，整合教务系统、图书馆系统、后勤系统以及数据补录相关的数据，然后进行数据抽取、数据转换、数据加载的质量管理，之后将相关数据写入数据仓库，并且输出到数据集市中进行数据建模，按照招生分析、教职工分析、学生成绩分析、科研项目分析、图书馆分析等进行整合，通过FineBI实现基础科目的数据可视化展示，以及各类灵活场景的数据探索式自助分析。
教育行业典型FineBI应用场景
1、高校招生数据分析
a.问题背景在以往，教育行业如果想要对学校招生情况进行分析，在遇到一些需要进行探索式分析的场景时，会非常的麻烦：
1、为什么今年招的学生多了？去年招的学生少了？这些应如何分析？ 2、某个地区的生源逐渐变少？是在哪一个环节出现了问题？是地区教育水平问题，还是地区招生名额限制导致的？ 3、每年的计划招生人数和实际录取人数变化趋势如何？某个学院出现相关录取专业比例下降，问题出在哪里？
b.问题解决分析思路针对以上问题，往往固定化报表很难完全回答全部问题，那么我们需要做的是：
1、整合以往招生相关数据，并在各流程进行数据收集，完成数据建模，通过业务包进行归类整合。 2、通过FineBI自助数据集和分析型仪表板，对不同场景的问题进行多维探索式分析，灵活应对各类分析需求。
c.方案/指标体系分析模块 | 图表类型 | 分析维度 | 分析指标 | | 高校招生区域分析 | 地图 | 省份/城市 | 录取人数 | | 折线图 | 年份 | 计划招生人数/实际录取人数 | | 堆积点图 | 年份/省份 | 招生比例 | | 高校招生专业分析 | 颜色表格 | 学院名称 | 实际招生人数/比例 | | 环形图 | 专业名称 | 录取人数/比例 | | 条形图 | 志愿等级 | 录取人数/比例 |
d.应用对象高校各学院的相关招生部门。
e.成果展示和应用价值1、通过分析对比不同区域的历年招生情况，合理制定各个地区每年的招生名额。 2、分析相关学院专业的录取情况，对录取比例相对较低的专业适当提高宣传力度，提高专业录取比例。 3、分析相关专业的志愿等级录取比例，不断调整和优化招生策略，提升学校和专业吸引力度。
2、图书馆大数据分析
a.问题背景在以往，高校管理者对公共场所的使用情况并不怎么了解，以图书馆为例：
1、图书馆借阅最多的书籍是什么？什么类型的图书更加受到学生欢迎？会随着时代的发展而演变吗？ 2、每个类别借阅最多的图书分别是什么？图书馆是否有相关类别的图书资源不足需要补充？ 3、哪些学院的入馆率最高？他们最爱看什么书？哪些学生入馆率最高，他们最喜欢看什么书，这批学生有什么特征？
对于高校管理者而言，他们渴望了解更渴望分析，以便为优化高校公共场所的管理策略提供科学的数据决策依据，提高高校公共资源利用率，但却无有效工具或者途径能够支撑。
b.问题解决分析思路1、整合图书馆相关内部的数据，将不同系统、不同数据库中数据整合，通过图表加明细的方式统一展现。 2、将数据进行合理的展示并进行分析，借助FineBI的联动、钻取等OLAP多维分析功能帮助回答更加深层次的问题。
c.方案/指标体系分析模块 | 图表类型 | 分析维度 | 分析指标 | | 书籍借阅数据分析 | 颜色表格 | 书籍名称 | 借阅数量（TOP10） | | 条形图 | 书籍名称
书籍类别（文学类/社会科学类/科技类） | 借阅数量（TOP10） | | 学院和学生图书借阅分析 | 条形图 | 学院名称
学生群体（本科/硕士） | 入馆量（TOP5） | | 条形图 | 学生名称
教师名称 | 借阅量（TOP5） |
d.应用对象图书馆相关管理人员
e.成果展示和应用价值1、分析不同类别、不同学院的图书借阅情况，帮助图书馆管理人员针对性的调整书籍种类。 2、分析年度借阅量最高的学生/教师，辅助进行学生/教师评优（图书馆借阅之星）等事务作为数据决策支撑。
3、校园一卡通消费分析
a.问题背景在以往，高校的消费数据分布极为分散，在引入一卡通之后却没有有效地进行高校的消费数据分析：
1、高校内各承包的食堂对师生的吸引力是否充足，每日来用餐的人数及金额究竟是多少？ 2、师生在各个学校消费类别中，哪个类别消费金额最大？消费低的类别是什么，是否有什么问题导致？ 3、师生的消费时间有什么规律，对应的消费类别的高峰期分别是什么时候，如何降低各个食堂窗口的排队压力？
以上的相关问题，在过去都无法直观的看到并分析，更无谈通过数据指引学校领导进行管理决策优化了。
b.问题解决分析思路1、整合一卡通数据。将不同系统、不同数据库中数据整合，通过图表加明细的方式统一展现。 2、通过部分指标：消费人次/金额窗口TOP10，食堂人均消费等来对食堂经营进行把控。 3、借助FineBI的联动、钻取等OLAP多维分析功能，帮助决策者回答更加深层次的问题。
c.方案/指标体系分析模块 | 图表类型 | 分析维度 | 分析指标 | | 消费属性分析 | 饼图 | 餐饮/非餐饮 | 消费占比 | | 饼图 | 分校区名称 | 消费占比 | | 条形图 | 消费群体 | 消费金额 | | 折线图 | 消费场所 | 消费金额 | | 消费时间分析 | 日历图（矩形块） | 消费时间 | 消费金额 | | 折线图 | 消费年周 | 消费金额
消费次数 |
d.应用对象高校管理后勤部门
e.成果展示和应用价值1、帮助食堂管理人员人员快速分析食堂数据，为决策优化提供依据。 2、整合并分析内外部数据，快速优化各个业务环节，提升食堂质量。 3、分析食堂各窗口在不同时间段的消费情况，通过优化相关窗口的开放时间，降低各个食堂窗口的排队压力。
4、高校教职工数据分析
a.问题背景在以往，高校管理者对高校内部教职工具体情况无准确认识，即使有数据，但看表也较为头痛：
1、高校每个月的入职、离职情况如何，什么时间是入职/离职的高峰期？ 2、教职工的学历和年龄分布如何，不同的学历男女占比是否存在差异？ 3、教职工的职级分布如何，人才引进类别是如何分布的？
b.问题解决分析思路1、整合内部的数据。将不同系统、不同数据库中数据整合，通过图表加明细的方式统一展现。 2、根据不同数据的特征，将数据进行合理的图表展示并进行分析。
c.方案/指标体系分析模块 | 图表类型 | 分析维度 | 分析指标 | | 教职工入职/离职变化 | 堆积柱状图 | 年月 | 在职人数、入职人数、离职人数
| | 教职员工画像分析 | 环形图 | 性别 | 人数、占比 | | 多层饼图 | 学历
性别 | 人数、占比 | | 点图 | 年龄
性别 | 人数 | | 环形图 | 部门单位 | 人数、占比 | | 矩形树图 | 非教学单位 | 人数、占比 | | 颜色表格 | 人才引进类型 | 人数 | | 漏斗图 | 教职工职级 | 人数、占比 |
d.应用对象拥有权限的管理层
e.成果展示和应用价值1、帮助高校管理人员快速获取学校教师信息，结合FineBI的联动、钻取等OLAP多维分析功能以回答更加深层次的问题，提升业务数据分析效率。 2、整合并分析内外部数据，综合分析高校的员工结构是否科学合理，对高校人事部门下一步方向有指导意义。
相关推荐：
编辑于 2020-6-16 12:12
| 
