基于胜任力的财经类高校DA课程体系构建与实践

杜 宾，刘 炜

（江西财经大学 信息管理学院，江西 南昌 330032）

0 引 言

近年来，随着信息技术和互联网的爆发式跨越发展，人类进入万物互联的大数据时代，数据已成为当今世界的基础性战略资源。2012年美国总统奥巴马宣布启动“大数据研究与开发计划”，旨在提高从海量数据中获取知识和观点的能力[1]。与此同时，我国高度重视大数据发展，制定《大数据产业发展规划（2016—2020年）》，全面实施国家大数据战略，助力中国经济从高速增长转向高质量发展[2]。随着大数据的不断开发和深入应用，各行各业对大数据方面的人才产生强烈的需求，许多知名企业开设大数据研究中心，与大学开展合作，因而催生了大学大数据专业教育[1]，系统地讲授数据分析（Data Analytics，DA）类课程。

数据分析是指运用适当的数学、统计方法和软件工具剖析数据，揭示数据内在的价值和规律，形成合乎逻辑的解释和描述，达到对客观事物的科学认识[3]。同时，数据分析也是对数据的全方位探索和概括提炼，从海量数据中提取有效信息和形成结论的过程[4]，不仅通过对真实数据的分析去发现问题，还能够运用经济学、会计学、金融学原理建立数学模型，对投资、期权或其他决策是否具有可行性进行分析并给出解释，预测未来的收益及风险情况，为科学合理的决策提供参考依据[5]。

由此可见，基于财经类高校的教学实践构建数据分析课程体系，能够提升学生的专业能力和社会竞争力，满足经济高速发展的金融市场需求，体现财经类高校自身的办学能力。

1 培养目标对接市场需求

面对大数据时代，市场对数据分析的要求发生“质”与“量”的转变。从“质”的维度看，数据分析的水平提升很高，要求掌握统计学、数据挖掘和机器学习的知识；从“量”的维度看，不仅数据分析人员的数量增大，而且数据分析的职位细化，层次分明。应基于金融市场上数据分析行业的调查数据，将数据分析职业匹配胜任能力，明确高校培养的目标。高级别的职位需要覆盖低职位的能力要求。

（1）数据专员。此职位能够收集数据、整理数据并实现基本的可视化功能，对应的能力要求是筛选、排序、透视表、公式和函数，并且能够简单的编程，这就要求熟练掌握Excel +Powerpoint + VBA。

（2）数据分析员。此职位能够运用专业的数据库管理数据，对应的能力要求是增、删、改、查询、数据的读入和写出等操作以及使用、管理大型数据库，这就要求熟练掌握SQL+RMSDB+领域知识。

（3）数据分析师。此职位能够熟练驾驭统计学知识，包括多元回归、假设检验、方差分析、蒙特卡罗和贝叶斯方法；同时，熟悉领域背景知识，可以做到了解企业现状与竞争环境、风险评判与决策支持，能够充分利用大数据带来的价值[6]，进行数据挖掘与可视化后，呈现给企业决策者的将是一份清晰、准确且有数据支撑的报告。

（4）数据科学家。此职位能够完成数据分析师、商务智能等工作，并且精通统计学和计算机科学。熟悉领域背景的同时，掌握机器学习的技巧和方法，不仅可以处理数据、ETL、可视化，还能做到调节参数、选择模型、优化算法。数据科学家已不是简单的IT技术人员，而是可以参与到企业决策、制订发展战略的核心人物[6]。

2 DA胜任力模型的构建

20世纪70年代，以“智力”测评为主的能力评价思想遭到广泛的质疑[7]。哈佛大学教授McClelland提出“胜任力”概念，认为成就动机、人际关系、团队影响力才是真正影响绩效的能力特征[8]。针对本科教育，大学的培养目标定位于数据分析师；针对研究生教育，大学的培养目标定位于数据科学家。以本科教育为例，与之匹配的数据分析师应该具有的能力对应的胜任力模型，主要有4个维度，具体有知识结构、人文能力、工具能力、程序设计能力。

2.1 知识结构

数据分析属于数据科学的分支，需要多学科全方位的知识储备，并在分析实践过程中积累经验值，主要覆盖以下几个方面。

（1）数学方面。微积分、概率论、线性代数等课程是大部分数据结构进行矩阵运算和数理分析的基本计算方法。

（2）统计方面。掌握描述性统计、统计推断的基础知识以及多元回归等相关性分析和因果分析，融合结构化、非结构化数据进行数据建模和预测，至少会使用一种统计工具软件，例如R、SPSS、Stata、SAS以及SciPy包等。

（3）数据库方面。掌握SQL语言，了解MySQL、SQLServer、Oracle等高性能关系数据库。

（4）程序设计语言方面。掌握至少一门计算机高级语言，例如C/C++、Java、VBA、Python等，并且具备程序设计思维和方法。

（5）算法方面。主要包括数据挖掘、机器学习等，其中数据挖掘是数据分析的高级阶段，机器学习则是数据挖掘的高级部分。具体算法是无监督学习的主成分分析（PCA）和聚类、有监督学习的回归和分类、半监督的强化学习、深度学习等。

（6）数据可视化。当R、Python、SPSS、Stata等软件的可视化功能不能满足数据分析的要求时，可以选择一些专业性强的可视化工具，如HighCharts、Tableau、Google Visualization API 等。

2.2 人文能力

数据分析是一项全方位融合的技术性工作，离不开人文能力的支撑。人文能力的维度主要包括以下几方面。

（1）行业领域知识。对行业及其背景的数据属性、类型、结构非常了解，例如服务业、制造业、政府机关、事业单位等。

（2）创造力。数据分析工作本身就是一项数据挖掘、知识发现和创新为主的活动，因此并不缺乏创造力。

（3）项目管理能力。针对特定项目的数据集，在一定的约束条件下，负责人带领团队成员完成数据分析和知识发现任务的综合管理能力。

（4）沟通能力。团队负责人及其成员有效地将信息、知识、经验等进行沟通和共享，是完成DA工作的关键[7]。

2.3 工具能力

根据DA知识结构的要求，数据分析离不开计算机硬件、软件和软件包，尤其是面向大数据。工欲善其事，必先利其器。因此，数据分析师需要擅长一些工具软件。数据分析工具众多，主要有3类：一是统计软件或软件包，例如R、SPSS、Stata、SAS以及SciPy包；二是可视化软件，例如，R有3套可视化系统，由Base、lattice、ggplot2构成；三是数据库软件，例如SQLServer、MySQL、Oracle等大型数据库。

2.4 程序设计能力

以良好的工具软件或工具包为基础，数据分析在一般情况下不需要大量的编程工作。但是对于数据分析师或者数据科学家来说，具备高水平的程序设计能力，是职业胜任力不可或缺的一部分，而且，面向计算思维、掌握编程语言或者编写脚本（script）文件实现算法既是内在能力要求也能够体现强大的竞争力。当前流行且功能强大的语言或者软件有Python、R、C/C++、Java、MATLAB、Ruby等；未来可期的还有Julia、Go等。

3 DA课程体系的构建

以财经类高校信息管理与信息系统专业（智能金融方向）为例，构建DA课程体系，主要从3个方面阐述，即培养目标、课程组成及其之间的依赖关系。

3.1 培养目标

面向财经类高校，信息管理与信息系统专业（智能金融方向）的培养目标融合传统的信息管理与信息系统专业+财经类专业，同时突出金融智能化特色。所以，具体目标是培养具有先进管理理念，掌握金融管理基础知识、信息管理理论与系统科学方法，熟练掌握互联网金融数据处理技术以及互联网金融平台开发方法，具备较强的金融大数据分析能力，在银行、证券、保险等各类金融机构和管理部门以及政府机关、事业单位及互联网金融企业从事信息管理、电子支付、咨询服务、管理信息系统的实施、维护与评价等方面工作，具有健全人格、富有创新精神，同时具有较强实践能力的互联网金融方面的创新创业人才。依据培养目标可以发现，数据分析日益成为专业教育的核心能力，数据分析课程体系服从于培养目标，并为培养目标奠定重要基础。

3.2 课程组成

依据高校“三三四四”教学育人体系，可将大学本科教育的所有课程划分为4类：通识课程、基础课程、专业理论课程、实践课程。从这4类课程中提取与数据分析相关联的多层次课程，纳入数据分析课程体系，同时，将课程知识与数据分析职位要求相匹配，见图1，详细课程构成如下。

（1）通识课程。指专业课程以外的基础教育课程[9]，旨在拓宽学生的知识广度和独立思考判断力，主要包括：微积分Ⅰ&Ⅱ、办公软件高级应用、西方经济学、会计学等。

（2）基础课程。指信息管理与信息系统专业的基本理论课程，旨在培养学生的基本能力和基本素质，主要包括线性代数、概率论与数理统计、程序设计语言、管理学原理、学科专业导论等。

图1 数据分析课程体系

（3）专业课程。指专业的主干课程，旨在讲授本专业的核心理论和专门技能，主要有数据库原理及应用、R语言数据分析导论、金融大数据分析、管理统计学、管理信息系统、货币银行学等。

（4）实践课程。纯粹的或侧重于实践课程有R语言数据分析、程序设计实训、专业实训等。一般地，与数据分析有关的实践环节大部分与理论课程并行，即专业课程既有理论教学也有实践辅助设计，例如，金融大数据分析、数据库原理与应用、程序设计语言、办公软件高级应用等。

3.3 依赖关系

数据分析体系内每门课程不是孤立的存在，既有为后续课程做“铺路石”的前导向课程，发挥基础性支撑作用，如微积分为概率论与数理统计、数据库原理及应用为数据库开发技术、R语言数据分析导论为金融大数据分析等；也有学科交叉融合的创新特色课程，如管理统计学融合管理学和统计学、R语言数据分析导论融合计算机科学和统计学等；还有应用融合类课程，如计算机应用技术涵盖Excel、Powerpoint等软件。

另一方面，数据分析是面向过程、强实践性的一类课程，更加注重理论教学与实践教学的融合和一致性，提高学生解决复杂问题能力和创新创业能力。依据数据分析课程体系的构建理念，可以区别验证性实验、综合性实验、设计性实验、创新性实验的实践教学项目，分层次递进式设计实验目标和实验内容。主要实践环节划分为专业基础实验、个性化培养阶段、毕业实习、毕业设计、社会调查与学年论文、课外科研创新实践活动。其中，在第一、二、三学年个性化培养阶段（小学期或二阶段）分别安排程序设计实训、专业实训Ⅰ和专业实训Ⅱ，强化学生的综合实践能力。

4 DA课程体系的实践

将DA课程体系应用在财经类高校的智能金融方向，将财经类高校的金融市场领域与数据分析技术相结合，可以提升学生的金融大数据分析、建模与计算能力，并进一步强化学生的综合实践能力。具体课程设置与学期分布见表1。

课程知识与职位胜任力相匹配，一年一个台阶，形成分阶递进培养模式[10]。①第一学年通过必修课计算机应用技术和选修课办公软件高级应用，重点学习Excel、Powerpoint等，达到数据专员水平；②第二学年通过必修课数据库原理及应用和程序设计语言，重点学习SQL语言和管理数据库，能够达到数据分析员水平；③第三学年通过选修课R语言数据分析导论和必修课金融大数据分析课程，重点学习数据分析的基本理论、方法和模型，接近金融行业的数据分析师水平。

5 结 语

目前，我国处于经济发展转型的关键时期。宏观上，大数据环境下的社会实体渴求具备数据分析能力的创新人才；微观上，中国高校打造一流本科教育，着重培养创新创业精神。因此，破解传统的课程结构体系，重构信息管理与信息系统专业的课程规划，构建数据分析课程体系，是高等教育不断探索创新的举措。数据分析课程体系既包容传统数据库类课程，又纳入金融大数据分析等新课程，整体处于快速探索阶段。有理由相信在未来若干年，数据分析类课程能像数学、英语，进入其他学科课程体系并在众多领域中绽放光彩。

表1 数据分析课程设置与学期分布