大数据视角下的高校资产管理系统优化分析

刘瑞芬

（武夷学院 资产处，福建 武夷山 354300）

大数据是近年来信息技术不断发展的产物，能够运用新型处理模式完成对海量信息资产的管理，具有更强的决策力、洞察力和程序的优化能力。大数据的应用范围非常广泛，洛杉矶警察局最早联合加州大学利用大数据对犯罪行为进行预测，取得了良好的效果；统计学家Nate Silver利用大数据预测出了2012年美国大选的结果。目前很多国家的医疗行业都在海量数据的挑战下积极推进医疗体系信息化发展，因而大数据分析也被逐渐应用在医疗行业中。本文主要对大数据视角下高校资产管理系统的设计与实现进行优化分析。

1 大数据的含义及特征

大数据 （big data）来源于2012年2月The New York Time网站上刊登的一篇名为The Age of big data的文章，其作者为Steve Lohr，[1]他在文章中指出，我们已经进入到大数据时代了，尤其是在商业、经济等领域，决策不再是仅仅依靠经验和直觉了，而是得益于海量的数据和分析。

所谓大数据，不仅仅指的是数据的规模十分庞大，并且信息的类型十分繁多，更新速度极快。大数据定义兼顾到两个方面，一是数据必须要海量数据的集合，其规模之大必须是在一定时间内不能用常规的计算软件对其进行内容提取、综合管理和处理。二是在提取、管理和分析的时候必须要依赖于全新的技术体系。总的来说，大数据具有“4V”特征，分别是Volume（容量）、Variety（种类）、Velocity（速度）和 Value（价值）。

1.1 数据总量迅速增长（Volume）

数据总量巨大是大数据的基本特征，也是最根本的属性。根据IDC的定义，在进行大数据分析的时候必须要保证数据容量大于100TB。导致数据容量剧增的原因就是当今时代下的各类用户已经逐渐习惯利用网络共享各种数据，使得流传于网络中的数据越来越多；其次就是如今人们获取数据的渠道越来越多，并且获取数据的能力也在不断加强，因此网络上流传的数据越来越接近事物本身，与真实世界的联系越来越近，随之而来的是数据的复杂性逐渐加剧，并且各种不同类型的数据同时涌入人们的视野，因此数据的总量呈现出不断增加的趋势[2]。另外一个主观原因就是人们现在处理数据的方式和理念已经发生了彻底的变化，人们已经逐渐开始从多角度来实现对数据的精确分析，因此纳入考虑范围的数据类型越来越多，因此在客观程度上就增加了数据样本的总量，逐渐逼近原始的总体数据总量。

1.2 数据类型更加多样（Variety）

大数据又一重要的特点就是数据的种类十分众多且复杂多变，这与传统的结构化信息时代有着根本的差异。原先的结构化信息的主要属性是大众化和标准化，因此数据的复杂程度呈线性增长的趋势，新出现的数据也可以利用传统的方法进行处理，不许用过多考虑细节问题，只需要提取出有用的信息即可。而大数据时代的信息变得更加半结构化，无论是在生活还是工作中，非结构化的数据已经占据数据总量的75%以上，增长速度也是原来的二十倍之多。

1.3 数据处理更加迅速（Velocity）

数据的动态采集技术是数据采集传输的飞跃式发展，能够在最短时间之内完成对海量数据的实时采集、传输和分析，主体可以在最短时间之内完成对整个环境变化了解和掌控，获取到自己想要的信息，在此基础上做出准确的决策。基于此，大数据平台的数据处理速度得到了飞速的发展，已经可以在1s之内完成对全部数据的处理，得出最终结果，超出这个时间范围的数据结果就是失效的。

1.4 数据价值密度更低（Value）

价值密度低是大数据的基本属性之一，也是面临的重要问题之一。在一般情况下，如果要获得数据的全部细节，大数据会提供数据引入策略允许采取所有原始数据，但是这种引入方式会导致大量的错误数据被引入，造成数据的绝对数量激增，有效信息的比例会直接下降[3]。因此必须要着手于解决这一问题，从低密度的数据中过滤出真正有用的数据。

2 大数据对高校资产管理的影响

随着社会的不断发展，高校的资产总量得到了飞速的发展，尤其是资产管理的数据总量呈现出剧烈的膨胀趋势，数据类型逐渐趋于多样化，而现阶段的资产管理模式已经不能满足现在的资产用量，存在着管理系统落后、信息传递速度较慢、不能满足实时查询等功能，因此必须要在大数据环境下对资产管理系统进行升级优化，使其能够最大限度满足海量信息资产的管理与应用。传统资产管理与大数据时代下资产管理的差异见表1。

表1 大数据背景下的资产管理和传统资产管理比对Table 1 Comparison of asset management and traditional asset management in a large data context

3 大数据视角下的资产管理系统设计

3.1 设计原则

大数据最根本的原则不仅要求数据的总量大，还须有新型的技术系统的支撑，要满足“4V”特征。在大数据视角下设计资产管理系统的时候必须要按照大数据思维出发，建立起容量庞大，数据种类十分多样化的数据库（Database）和能够达到安全与效率并行的数据处理品台，使得输出的数据结果具有更高的利用价值[4]。因此，系统建设的总体目标就是能够服务于有效的资产评价决策，实现资源的合理配置，避免出现资产闲置和使用效率低下的问题。

3.2 资产管理系统软件架构

该系统主要由三层组成，分别是感知层、网络层和应用层。感知层的组成部分是RFID标签和读写器，RFID标签可以实现对每个固定资产进行标记，然后利用读写器识别这些电子标签。网络层的组成是由WIFI、2G/3G/4G网络构成的，利用网络将读写器读取到的数据标签传输到控制中心之中。应用层主要是由DBMS（database management system ，数据管理系统）和应用系统软件组成，可以实现对各个任务流程的管理，将固定资产的各种数据进行整合运用。

3.3 主要功能模块

大数据视角下的资产管理系统可以有效提升资产管理的效率，使这种资产能够实现最大限度地智能化和信息化，从采购到预算管理，到报表管理等等各方面都有涉及。

3.3.1 系统管理

该模块主要包括的是用户管理、权限管理和密码管理，这些子模块共同组成系统管理这一上位模块。该模块主要是对进行该系统的所有用户进行账户管理，划分不同职位的访问权限，以及设置不同的登录密码。

3.3.2 数据管理

这个模块主要实现的是对数据的导入、导出和备份，是整个系统的核心模块，在对数据进行管理之前，必须要让所有数据录入到系统之中，最终数据的结果也会通过该系统实现输出。如果需要对数据进行备份的话也要依赖该模块完成，此外还可以实现对数据的恢复。

3.3.3 报表管理

该模块主要的管理对象就是各部门、各类别、各年度的报表，将各种报表收集起来之后，可以在该模块内实现整合管理，将各类信息进行统一规划和计算，对全部报表进行长期的保存和管理。

3.3.4 采购管理

这个模块的功能就是管理每一个采购步骤，首先是制定出科学合理的预算目标，然后发起招标活动，对各个应标对象进行审查，然后追踪招标全过程。在招标完成之后，还必须要对全部的标书文件进行储存和管理。

3.3.5 资产管理

该模块是整个系统中最关键的环节，主要的功能是资产查询、资产变更和资产删除，从而实现资产不断增加的目的。

3.3.6 预测管理

对资产风险的预测也是资产管理系统的重要功能之一，该模块可以实现对资产需求的预测，资产配置的预测、维修的预测以及资产报废的预测。

该系统在运行过程中可以对资产实现灵活的管理，将采购与管理工作有机地结合在一起，使资产的配置更加合理，下面将对预测模块进行详细的分析。

3.4 资产管理系统中的预测管理

在设计预测管理模块的时候才用的是多层次因果分析法，这种方法的优势就是实现对资产需求、配置、维修和报废的全方位预测，使资产的利用效率达到最佳。多层次因果分析法的操作流程如图1所示。

图1 多层次因果分析法的主要流程Figure 1 Main processes of multi-level causal analysis

1.利用定量分析法计算出不同资产组合对使用者需求的影响；

2.执行预先制定好的what-if方案，通过需求模型进行预测和演练；

3.根据上一步预测的结果，将资产的供应和需求匹配关联；

4.将各类信息进行整合，得出最佳资产管理方案。

3.5 实例运用

以某高校的投影仪管理为例进行详细的说明，首先是要确定出和投影仪实际供应和需求的所有数据，对高校内全部投影仪资源进行整合，然后对未来一段时间之内所需要的全部投影仪数量进行预测，然后将全部初始数据，包括设备数据、教师数据和学生数据作为建模的基础，利用相关的需求因素建立起初始需求关系模型，然后在模型的基础上，建立起投影仪设备与单个需求之间的线性回归模型，之后对模型进行多次模拟和测试，保证建立的模型合理可靠，最后利用全部海量数据建立起预测方案，将方案进行测试，将其中不合适的地方进行修改和替换，最终得出预测需求结果。其具体流程如图2所示。

图2 实例流程图Figure 2 Example Flow Chart

4 结束语

综上所述，大数据已经成为当前信息时代主要的技术支持之一，各行各业都必须要抓住这一宝贵的机会，充分利用大数据的优势和长处，实现对信息资产的合理配置和有效利用，使资产管理达到较高的水平。大数据视角下的资产管理系统可以灵活处理各类数据，将其整合成为有序的集合体，实现快速的查询功能，并且可以对各种资产的需求、配置、维修以及报废做出精准地预测，使高校能够在最短时间之内做出科学的资产管理决策，从根本上提高工作效率。