财经类高校数据分析课程群建设探讨——以安徽财经大学新经管战略为例

武 凌，王 浩，周 健，段爱华

（安徽财经大学，安徽 蚌埠 233030）

1 安徽财经大学新经管战略

大数据时代的到来，在商业、经济及其他领域中基于数据分析去发现问题并做出科学、客观的决策越来越重要。国务院在《促进大数据发展行动纲要》中提出建立健全多层次、多类型的大数据人才培养体系，大力培养具有统计分析、计算机技术、经济管理等多学科知识的跨界复合型人才。各高校纷纷探索大数据与人工智能背景下课程建设与人才培养机制［1-3］，一些传统的专业与课程也开始进行改革［4］。安徽财经大学在教育部力推“新工科”建设发展过程中，敏锐地紧跟高等教育改革发展步伐，2018 年在全国率先提出“新经管”发展战略［5］。“新经管”建设工程是着眼于互联网、云计算、大数据、人工智能等新一代信息技术与经济社会及教育教学深度融合，为适应学科专业建设、人才培养等提出的新要求而实施的一项战略选择。

为了支持新经管战略，学校对2018学生级培养方案进行了全面修订，新的人才培养方案以新技术发展与应用为支撑，将互联网、云计算、大数据、人工智能、区块链等信息技术植入课程体系中，在本校的经济学、会计学、金融学等各经管类专业的大一大二基础公共课程模块中增设计算机运用、互联网、大数据等相关基础课程；在大三大四专业课程中，以现代信息技术改造相关课程的内容，通过“互联网+专业”等方式打造特色专业方向，如互联网金融、智能会计、大数据税务管理、智慧外贸等，信息技术学分由5分增调至12分。

根据学校“新经管”发展战略的要求，在新一轮人才培养方案修订中设置了学科竞赛学分，制定了《安徽财经大学学科竞赛类学分认定指南》，将学生参加学科竞赛列入必修项目，要求学生大学期间必须修满10个学科竞赛学分，根据参赛项目等级可转换为学科竞赛学分。实施用学科竞赛成绩进行毕业论文替代等新机制，逐步形成学生个性发展与专业教育提升相互促进、相互成长的良好态势。

2 数据分析课程群建设目标

我国的财经类院校肩负着为社会培养经济管理类高级专业人才的重任，在大数据时代，社会对于经济管理类高级人才在数据分析方面的要求极大增加，要求具有极强的“数据视野”、“数据意识”和“数据能力”［6］，即对所处行业数据的形式种类详尽把握，对数据的作用深刻理解，对数据分析方法和分析软件熟练运用。

掌握大数据分析能力并不是简单的一二门课就能完成的任务，需要有多方面的技术基础，其知识体系构成涉及统计学、数学、计算机技术、经济管理等多个学科的知识，需要多门课程的协同合作才能完成，因此建设数据分析课程群就显得很有必要。尤其对于财经类高校的非计算机专业和非大数据专业的学生，他们在未来的工作中会有很多的机会接触到海量的数据，如何让他们获得最基础最关键的数据分析处理能力以及未来不断深入学习的能力则是一个值得研究和探讨的问题。提高学生使用最新的信息技术工具对大数据的分析与处理能力既是支持“新经管”战略的一个重要体现，也是数据分析课程群建设的重要目标。

3 数据分析课程群建设思路

本校的管理科学与工程学院承担了全校的计算机基础课程的教学任务，在修订2018级培养方案的工作中，管理科学与工程学院组织了计算机基础教学部和计算机系的团队力量，同时启动了数据分析课程群的建设计划，共同对数据分析课程的建设方案进行了探讨，并对传统计算机基础课程的内容进行了调整和升级。

整个课程群共建设了5门课程，分别是《计算机应用基础》、《数据库应用》、《数据科学导论》、《Py⁃thon 语言》、《大数据分析与应用》。这5 门课程的总体思路是在学生循序渐进掌握计算机基础知识和操作的基础上，以Excel 的数据分析作为起点，熟悉SQL 语言，在掌握Python 编程语言的基础上，使用Python的数据分析模块对较大规模的数据进行分析与可视化，挖掘出数据的内在价值，增强学生数据分析的能力，为未来从事经济管理工作打下坚实的基础。

这5 门课程都集中在大一、大二基础公共课程中，课程性质、课程名称、学时、开课学期等详细信息如表1 所示。其中大一上学期开设了计算机应用基础，大一下学期开设了数据库应用，大二上学期开设了数据科学导论和Python 语言，大二下学期开设了大数据分析与应用。这5 门课程在内容上由浅入深，承上启下，理论和实践并行，逐步带领学生进入到数据分析这个丰富多彩而又充满趣味的世界。

表1 数据分析课程群

4 课程群具体内容

4.1 《计算机应用基础》

《计算机应用基础》主要目标是要求学生掌握操作系统相关知识及基本操作，熟练应用办公软件Office 进行文档的高级排版、电子表格的数据计算、动态演示文稿的制作。这门课程是课程群的起步课程，重点是学习Excel 的基本操作，对数据进行初步的分析，要求学生熟悉数据类型、函数与公式、数据透视表、绘制常见图表等基本操作，培养学生对数据处理的感性认识。

4.2 《数据库应用》

《数据库应用》以Access 2010作为学习的软件，主要目标是掌握数据库系统相关概念、信息系统与数据库的关系、建立数据模型的基本方法，掌握Ac⁃cess数据库的基本操作以及表、查询、窗体、报表、宏等数据库对象的建立及应用。这门课程的教学目标是让学生从简单的Excel 数据处理过渡到关系型数据库，并能够利用SQL 语言对数据进行各种查询和操作。

4.3 《数据科学导论》

《数据科学导论》是课程群中唯一的一门理论性课程，课程主要任务是作为数据科学的先导课和认知类课程，为学生普及数据挖掘、大数据相关的基础知识、核心概念和思维模式。课程教学重点是让学生能够基本掌握数据科学与大数据技术概念，了解数据分析相关课程的课程体系，目的不在于让学生对具体的某个技术平台细节有很深的理解，而是尽量让学生体会整个大数据处理的技术流程，使学生能够掌握大数据技术的整体框架，能够在未来的学习和工作中通过系统化的大数据思维能力为遇到的问题提供解决思路和方案。

4.4 《Python语言》

《Python语言》因为在数据分析方面的强大功能已经在众多高校中广泛开设，相对于《计算机应用基础》和《数据库应用》课程，这门课程的学习难度陡然上升，会让一些从未接触过程序设计的学生感到学起来比较困难。在教学过程中我们注意到以下2 点：①Python 编程模式中非常重要的一条是代码简单化、问题简单化，同时应保证代码具有较强的可读性，要尽量引导学生从简单的角度去思考和解决问题、实现自己的想法和思路，尽量多使用Py⁃thon内置函数、标准库对象和合适的扩展库对象，保证代码的优雅、简洁。不建议在内存地址或类似的底层细节上花费太多时间。②注意知识体系的裁减，侧重于将数据分析中常用的语法介绍清楚，比如面向对象的程序设计思想在数据分析中应用的较少，在课时量较少的情况下可以少讲或不讲，留给学生自学。Python 课程的教学环境有多种，推荐在Jupyter Notebook环境下开展教学。

4.5 《大数据分析与应用》

作为课程群的收尾课程，展现出数据分析技能的综合性和实用性，通过这门课程的学习让学生掌握Python+Numpy+Pandas+Matplotlib 进行数据分析和可视化的基本方法，并初步掌握爬虫、中文文本分析等很实用的开发技能。

这门课程涉及的各种对数据的操作变化多端，往往一种功能可以有多种方式实现，比较灵活。教学过程中可以采用差异化的教学，教学案例设计要结合学生的专业背景，如在金融专业学生教学中引入金融大数据分析、会计专业学生中引入财务大数据分析、统计专业学生引入统计数据分析及其数据可视化等，使得学生既可学习到数据处理的相关技术，又能提高相关业务处理能力［7］。教师要精心准备案例，将灵活多变的数据处理技术与案例密切结合起来，让学生在案例中体会数据分析处理的技能，也推荐在Jupyter Notebook环境下开展教学。

5 课程群建设现状

《计算机应用基础》《数据库应用》这2门课程已经开设多年，《数据科学导论》《Python语言》和《大数据分析与应用》这3 门课程从2018 级开始新增。为了支撑这3 门新增课程的教学，学校的实验实训中心更新了机房的相关软件，计算机基础部组织所有授课教师集体备课，对课程的教学思路进行把关，对课程中的难点进行剖析，组织教师编写课程的试题库、试用并调试考试环境。2019 年5 月管理科学与工程学院举办了主题为“开启大数据教学之旅，助力安财新经管建设”的青年教师教学基本功竞赛。这些举措为保证3门新增课程的教学质量进行了充分的准备。

依托校园网和学校的超星网络教学平台，课程群的部分教学资源已经上线，学生在课后能充分使用这些资源进一步深入学习。有的非计算机专业的学生初次接触Python 就喜欢上了这门语言，课程还没有结束就已经自学了爬虫、可视化等技术，并完成了一些趣味小案例的开发；有的学生在学习数据科学导论时知道了Linux 操作系统，自己查阅资料完成了Linux系统的安装，学习了初步使用。

6 未来课程群建设思路

6.1 不断改革课程群的教学模式

随着新一代信息技术的发展、MOOC 平台的出现，需要充分利用新一代信息技术开展教学模式改革。未来课程群的教学模式也会不断进行改革，包括探索线上线下相结合的翻转课堂教学模式、不断丰富线上教学资源、持续加强线下教学设计、逐步完善考核评价体系［7］。

大数据分析知识体系的庞杂性对入门者提出了较高的要求，要求学习者能快速高效地进入某一领域学习。要让学生明白数据分析课程的知识体系还有着更加丰富的内容，这5 门课程也只能作为基础带领学生入门。由于课时数的限制，一些内容不再由教师讲授，例如计算机应用基础中的硬件和软件基础知识、数据库应用中的宏和VBA，但是在考试中仍然做出了要求，这就要求学生们必须要自学这部分内容。将这部分内容搬到网上，采用慕课的方式让学生们自学，这也是提高学生自主学习能力的有益尝试。

6.2 开设选修课作为有益补充

通过《数据科学导论》《Python 语言》《大数据分析与应用》这3门课程，学生们可以真正体会到大数据分析理论与实践的结合，但是仍然觉得有点遗憾的是由于专业的限制，课程群并没有涉及到真正的大数据环境下的数据分析，学生们还暂时没有机会接触Hadoop、Hive、HBase、Spark 这些真正的生产环境下的大数据技术。由于Hadoop、Spark 平台的使用涉及到Linux、计算机网络、Java程序设计等课程，对非计算机、非大数据专业的同学来说学习门槛还是很高的。

我们采取的思路是开设一些选修课作为课程群的有益补充，现阶段已经有管理科学与工程学院、统计与应用数学学院的部分教师面向全校以开放性实验课程的方式开设了部分选修课，包括Linux、Hadoop 集群程序设计、Hive 数据仓库、Python大数据分析等课程供学生选修。未来会开设更多的大数据技术主题课程，鼓励对数据分析有浓厚兴趣的学生有目的有计划地选择相关课程学习，或者去大数据专业旁听相关课程。

6.3 参与和开辟学科竞赛提升学习动力

新的培养方案中增加了学科竞赛学分，这部分学分的增加既是对学生在校期间学习成果的检验，也是对学生们学习能力的一种挑战。现在大数据与人工智能方面的竞赛越来越丰富，全国性及各省的大数据相关赛事也在逐步增加，以安徽省为例，在省内高校之间竞技的大数据赛事主要包括“安徽省高校大数据与人工智能应用竞赛（本科组与高职组）”（2017 年开始举办）、“安徽省高校物联网应用创新大赛竞技组物联网数据采集及分析方向”（2019 年开始举办）、“安徽省大学生网络与分布式系统创新设计大赛大数据应用技能赛”（2019 年开始举办）、“中国大学生计算机设计大赛安徽省级赛大数据模块与人工智能模块”（2019 年开始举办）。这些竞赛的举办为展示学生的数据分析能力提供了高层次的舞台。

为了检验课程群的实施效果，提升学习数据分析课程的兴趣，本校也在积极筹办校内的数据分析学科竞赛，竞赛的重点会根据财经类高校的专业特点与金融、经管方向结合起来，在全校范围内营造学习数据分析技术的氛围，校级竞赛的内容和组织形式也是以后课程群建设的重要目标。