内容提要:本章从院校研究的发展和商业智能的功能两个方面阐述了院校智能的含义和价值,并概括介绍了院校智能体系的基本框架。
· 院校智能是院校研究与商业智能相结合的产物,是当今信息时代院校研究不可或缺的组成部分。
· 院校智能体系的使用有利于提高院校数据收集整合效率、管理信息知识产出效率以及研究成果推广应用效率,并最终强化院校研究对大学政策制定的支撑作用。
院校研究(InstitutionalResearch)自上个世纪中期在美国大学正式兴起后,已逐步演化为一个高等教育管理的系统分支学科。它是大学以改进本校教学、研究和服务质量为基本目的的一种管理咨询研究。[1]因此,它的主要任务是通过研究人员对所在大学的信息数据进行分析,为本校管理层提供决策性依据。但随着高等教育竞争的日趋激烈,大学的管理和决策变得更加错综复杂,院校研究也面临许多新的挑战。例如,如何从“大数据”(big data)中迅速快捷地提炼和挖掘出有用的信息和知识;如何通过纵横向比较研究认识了解和预测本校的发展优势和遇到的问题;如何增强应对社会经济,特别是高等教育市场发展变化的敏感能力;等等。毋庸置疑,足够的数据是院校研究赖以解决这些问题的先决条件,但如果缺乏快速、准确的数据综合、挖掘、分析和汇报能力,院校研究也很难为大学决策及时提供有价值的参考依据,甚至有时提供的信息会有误导性。因此,如何构建强大的集数据储存、集成、挖掘、分析和汇报为一体的知识信息系统是当前院校研究普遍关注的问题。有些院校研究学者以及商业智能(business intelligence)专业人士将这一体系称之为院校智能(institutional intelligence)。[2, 3]
院校智能是院校研究与商业智能(businessintelligence)共同发展的结果。因此,院校智能的含义与价值可以从院校研究的发展以及商业智能的功能两个方面进行诠释。
院校研究的诞生可以追溯到大学建立之日,甚至就某些特定的大学而言,院校研究活动的开展还早于它本身的落成。特别是在高等教育发展日趋复杂、竞争愈演愈烈的当代,每一所新的大学的建立,都要经过长期周密的论证。而这些论证的内容都属院校研究的范畴,或可称之为“先期院校研究”或“先期高校环境扫描”(institutional environmental scanning)。但院校研究作为一门高等教育管理研究的分支学科或者说大学管理的正式组成部分还是起始于20世纪50年代。密西根大学的马文·彼得森(Marvin Peterson)将院校研究在美国的形成和发展归纳为三个时期。[4](1)50-60年代初期是院校研究的成长、扩展与形成时期。第二次世界大战后,美国大学规模的猝然扩展、高等教育向大众化的迈进使大学管理变得错综复杂,决策层需要通过对大量的学生、教师、教学、财务、设备等信息数据的分析来获取制定政策的依据。因此,一些大学对院校研究开始予以重视。(2)60年代中期到70年代中期是院校研究向专业化过渡的时期。这个时期,美国大学处于内外不满情绪冲击的困境中——教师以及学生对学校管理的不满是主要的内部冲突,公众对民权以及言论自由的诉求则是造成大学混乱局面的外部因素。面对这些挑战,如何确保大学的教学、研究和服务质量,自然成为高校领导团体急需解决的问题。为此,美国许多高等教育管理机构以及大学开始投入大量精力从事院校研究。新的数据收集(如调查问卷)和分析方法(统计学方法)在院校研究中勃然兴起。有些大学也开始成立院校研究办公室专门从事这项工作。(3)70年代中期到80年代中期是院校研究提高工作效率的时期。这10年正处于美国经济萧条时期,高等教育也难逃经费拮据的困扰。另外,大学适龄人数的增加也使高等教育市场化。这些事实促使高等教育的评价从“输入或者资源利用”模式向“以结果为基础的绩效”模式过渡。因此,院校研究的范围有了前所未有的拓展。加之计算机技术在高校的广泛应用,院校研究除大幅度提高数据处理效率外,也广泛采纳许多商业质量管理和效益研究的方法,例如提高财务管理和应用效率的数学模型、入学人数的预测模型等。
从上个世纪90年代至今,院校研究经过信息时代与高等教育走向国际化的大“洗礼”,进入了一个新的发展时期。其主要特征体现在研究的技术化和专业化两个方面。技术化主要是指互联网和数据库在院校研究中的广泛使用。从90年代初开始,美国大学的事务运行系统都已基本计算机化,甚至网络化,例如,学生注课系统、交费系统、工资系统、财务系统等。这一时代性跨越,为院校研究进一步技术化创造了空前的发展条件。院校研究的专业化主要包括研究内容的系统化和时代性、研究方法的多元化和科学性以及研究成果的功能化和实践性。经过大约半个多世纪的探索、实践和交流,院校研究人员已经总结出了一系列院校研究的经验,并形成了较为完善的研究理论和运行模式。这些理论和模式分布在大学管理的各个领域,诸如,规划研究、学生事务研究、财政状况研究、教师事务研究、专业和课程研究以及年度报告等。这也是目前美国院校研究所涵盖的六个主要研究内容。[5]值得强调的是,院校研究系统化和完整性的集成,与院校研究学者采纳多元和科学的研究方法有着直接的关系。复杂的统计学方法、数据挖掘技术(data mining techniques)、政策模拟(simulation of decisions)在院校研究中已司空见惯。与此同时,院校研究成果不仅为研究人员所在大学提供了决策性依据、增强了大学的透明度、提高了大学回应社会问责的能力、加强了大学的竞争力和市场应变能力,也为其他院校研究人员进行同类研究提供了理论指导和常模参照。从这个角度来评述,院校研究的功能性和实践性得到了空前突破。
综上所述,院校研究的发展从兴起到目前的普及,可以说经历了一个“试验性研究—简单数据汇报—数据集成融合化—计算机网络技术化—效率化”的过程。如果说院校研究在前四个过程的实践中已经取得了值得称颂的成功,那么,如何进一步实现“效率化”的飞跃,与当今各行各业的技术化、科学化管理接轨,仍然值得探讨和实践。值得庆幸的是,商业智能技术的发展为我们再次创造了实现这一目标的良机。
“商业智能”(businessintelligence)这个概念最先是由IBM研究人员Hans Peter Luhn于1958提出。[6]也许是由于“business intelligence”的中文译文名称中含有“商业”这一术语,所以许多人将其狭隘的理解为我们通常所说的“与商品流通有关的经济信息及其活动”。实际上,在英语名称中,“business”泛指组成社会发展的各行各业的活动,这些活动可能是发生在商业领域、科学领域,也可能在技术领域、工业领域、法律行业、政府部门、安全部门、教育部门,等等。在美国,商业职能体系已非常普及,几乎遍及社会各个角落。
简单地说,商业智能(businessintelligence)就是通过有效地使用相关数据来制定更好的商务决策,使各级管理人员通过利用数据分析得到的结果来帮助提高管理绩效、发现商机、加强企业运作等。商业智能的功能通常包括数据汇报、在线分析处理、商业运行绩效管理、基准分析、分析智能、预测分析智能、商业运行管理、数据挖掘等。[7]
数据汇报(datareporting)是商业智能体系最常见的应用功能之一。其主要特点包括报告生成程序的高度自动化和易操作性以及数据报表的时效性、准确性和一致性。这些“动态性”的特征与传统的数据统计报表的“静态性”特征形成了鲜明的对比。所谓自动化是指分析人员通过使用安装在数据智能体系中的应用软件后可以直接从数据仓储(datawarehouse)里抽取数据,并进行汇总,生成统计报表,亦可设定报告自动生成时间,并通过电子邮件自动将报表传送至用户,也可直接更新单位数据报表网站。实际上这些功能也反映了商业智能数据汇报的时效性。
在线分析处理(OnlineAnalytical Processing, 简称OLAP)又称为联机处理,是一种以计算机为工具的数据分析处理模式。分析人员通过这一功能可对数据进行快速、稳定一致和交互性的存取。这种处理模式使用户更容易根据不同的需求对数据有选择性地进行抽取和浏览。因此,用于在线分析处理的数据通常来源于多维数据库。这种数据处理方法最大的特点是数据观察的多维直观性、数据交流的快捷灵活性以及分析结果展示的可视化,并最终为决策层面提出可靠的信息与知识依据。
商业运行绩效管理(BusinessPerformance Management)包括一系列帮助企事业单位优化商业运行绩效的自动化系统程序,其目的是帮助设定商业策略目标,寻求新的能够帮助实现策略目标的各种商机,评价和优化商业运行体制、模式以及程序等,并最终提高商业运行管理绩效。其核心活动是利用商业智能(businessintelligence)加强财务和运行计划、信息整合与报告、商业模式构建、运行效益分析、主要绩效指标监测等工作。
标杆参照(benchmarking)是将本商业运行机构与其他同类机构或者商业运行标准就经费开支、时间效益、生产率、特定程序的运行方法与质量等进行比较。基准分析通常包括一系列评价指标,例如,单位产品生产成本等。基准分析结果可以帮助企业改善发展战略计划、选定最佳商业实践运行程序等。基准分析方法多种多样,但最为普遍使用的方法包括13个步骤:确定比较对象、界定比较程序、遴选合作伙伴、寻求信息资源、收集信息、发现差距、确定商业运行程序的异同、制定未来运行计划、交流分析结果、调整商业运行目标、实施新的计划、商业运行机制的后评估与重新标准化。[8]
分析智能的英语名称“Analytics”的意思是“分析科学”,也是我们所说的“分析学”。但在商业智能体系中,它的实际功用是商业机构怎样通过现有数据的分析协助制定最佳商务运筹决策。最常用的分析智能包括利用统计方法以及数据挖掘技术等对现存数据进行分析,从历史的角度发掘和解读商业运行格局和趋势。
预测分析智能(PredictiveAnalytics)是指利用统计方法(如回归方程)和数据挖掘技术(如决策树、神经网络等)依据当前和历史性数据对未来可能发生的事件进行预测。预测分析智能具有非常广泛的用途,诸如,客户关系维护和管理、市场导向、消费者保留、欺诈探测、学生入学毕业预测等。
数据挖掘(datamining)是集数据库结构、统计学原理、机器学习、高性能计算等为一体的复杂技术融合体。它是通过数据抽样、整合处理、建模、评估等一系列科学运作,从数据中探寻隐藏的信息和知识的过程。这些知识和信息可能体现了挖掘对象的个体特征,也可能反映了研究群体的发展变化趋势,等等。数据挖掘已被广泛应用于企业及金融领域,成为产品分析、市场预测、欺诈防范等工作流程中极具潜力的技术手段。近年来,数据挖掘技术在美国院校研究中的应用越来越广泛,并取得了卓著的成效。[9]
商业智能(business intelligence)的这些功能具有相互的依赖性。可以说,这些功能虽可单独启动,但只有并用时方能相辅相成地发挥最佳效果。信息处理和报告生成的自动化以及时效性、信息收集和数据分析的多维化以及动态性、对未来商业发展趋势的预测性以及掌控性等特点和功能对增强企业的生产力与市场竞争力有不可估量的助益。毋庸置疑,如果院校研究能够合理采用商业智能技术,那么,实现院校研究向“效率化”的过渡将不再是空中楼阁。
院校智能(institutionalintelligence)是将上面阐述的商业职能的技术及功能应用在院校研究中,以提高院校研究的绩效。其价值主要体现在院校数据收集整合效率化、高校管理信息知识产出效率化、研究成果推广应用效率化。
首先,随着高等教育的发展,院校研究所探索的问题除了包括“是什么”,“怎么样”外,更加侧重于“为什么”以及将来“怎么办”。因此,院校研究对数据的依赖程度越来越高。这种依赖既包括数据的“量”,也包括数据的“质”。只有构建强大的数据仓储(datawarehouse),并对大学运行系统储存的数据以及通过其他方式收集的数据进行有效地整合和集成才能保证达到院校研究对数据的这两个要求。
第二,数据越多产出有用信息和知识的可能性也越大,但与此同时也增加了知识产出的难度,并有可能生成许多误导性的信息。另外,高校的数据通常具有多维度特征。从横向角度来说,数据包罗万象,如学生、人事、经费、预算、课程开设、教学、研究、设备、社会环境等;从纵向角度来说,高校数据具有较长的生命力,比如,与教学有关的数据具有很长时间的研究和使用价值,其实用性可跨越几十年,甚至更长。因此,院校研究人员在成千上万的历史性数据中综合探究信息知识时,既要提高效率,还要确保知识信息的准确性。商业智能(businessintelligence)使用的科学方法,如前面阐述的分析智能、预测分析智能、数据挖掘等均可用来实现这一目的。
第三,院校研究虽然从美国正式成立相关机构到现在已有半个多世纪的历史,但如何有效地广泛推广研究结果的应用(如各种统计数据、学生评价结果、教学质量评价结果等)仍然具有挑战性。这种挑战性的存在不仅是由于院校研究结果在大学本身的决策中所发挥的作用愈来愈重要,更重要的是社会公众对大学的关注度以及对大学质量的问责程度日趋提高。也正是由于后一种原因,院校研究的服务对象已从本校延伸到社会各界,例如高中学生及其家长、社区、立法机构、媒体、政府部门、研究人员、专业学位认证部门,等等。服务对象的扩大使院校研究人员不得不想办法提高研究结果的传播方式和效率。毫无疑问,上面阐述的商业智能体系中的自动化、时效性数据汇报功能以及在线分析处理体系均可用于解决这一难题。
院校智能体系(institutionalintelligence system)的框架结构与目前流行的商业智能(business intelligence)体系的框架结构相同,亦可称之为决策支持系统(Decision Support System,简称DSS)。[10]决策支持系统包括一系列的计算机硬件和软件支持的信息系统。这种系统集数据收集、处理、分析、汇报等功能为一体,为用户在线信息处理提供了非常方便的操作平台。决策支持系统的基本组成部分包括数据收集体系、数据仓储(datawarehouse)、用户界面、建模和分析工具以及硬件架构和网络系统(图1)。
如图1所示,院校研究智能的数据主要来源于大学各部门的运行系统(operational system),例如,学生注册系统、人事工资系统等。除此外,院校研究部门也通过其他多种渠道收集数据。大学生在线调查问卷是众多数据收集方法中较为重要的一种。另外,为了满足标杆参照(benchmarking)分析的需求,大学也需要从全国性数据库收集大学级别的综合性数据。例如,美国大学可从美国全国教育统计中心(NCES)、卡耐基大学分类等机构免费下载全国性高等教育数据。
数据仓储(datawarehouse)和各部门的业务处理数据库虽然都是指储存数据的“系统”,但从处理数据的方式以及数据用途来比较,二者之间存在本质的区别。各部门的数据库或数据场是由各部门负责维护,是独立存在的个体,其目的是“记录”事件发生的情况,如学生学费缴纳系统是财务部门使用的记录学生缴费情况的系统、工资系统是人事部门使用的记录工资发放情况的系统。而数据仓储(datawarehouse)是建立在大学各种业务处理数据系统之上的数据“融合”体,其目的是支持与院校研究有关的活动。因此,数据仓储在存储来自于不同渠道的数据之前必须对数据进行整合和集成,以确保数据的准确性和格式的统一性。需要说明的是数据仓储的数据不仅仅局限于“数字”文件,也可以是“文字”文件、“图片“文件”、“音像”文件等。因此,本文所阐述的数据分析也包括对各种不同格式的“数据”所进行的分析。
用户界面(user interface)是用户和信息系统进行信息互交的集合媒介。其功能可概括为数据输入、输出以及系统维护管理几个方面。数据输入界面主要用来大批量地装载来自于不同渠道的数据。输出界面主要指用于完成前面阐述的数据汇报和在线处理任务的系统。输出界面又分为大学内部使用界面和外部使用界面。内部界面是校内院校研究人员处理数据、生成报告的界面。许多非院校研究人员也可直接通过内部界面生成统计报表。外部使用界面是大学向社会公开有关院校数据的重要工具之一。感兴趣的人士可以通过网站从大学智能体系直接抽取数据,生成相关数据报表。例如,美国加州大学招生数据报告网站为公众提供的数据包括根据学生高中成绩、大学入学成绩、学生个人和家庭背景特征、高中毕业学校排名、分校、大学专业等计算出的学生申请人数(number of applicants)、招生人数(number of admits)、入学人数(enrollmentnumber)、大学成绩(grade average point)、保留率(retention rate)、毕业率(graduation rate)、毕业花费时间(time-to-degree)等统计数据。[11]院校研究人员也可利用统计、数据挖掘软件(如SAS、SPSS等)直接从数据仓库中抽取学生数据进行挖掘、分析和预测等,为学校决策层面提供政策制定的依据。
我国院校研究从上个世纪90年代对国外院校研究予以关注和进行介绍开始,到本世纪初国家将相关研究纳入全国教育科学规划的研究课题,以及近年来的广泛应用和实践,已有大约20年的历史。20年来,许多学者在这一研究领域取得了丰硕的成果,为我国制定高等教育发展规划提供了科学的理论依据和实践经验。但和美国院校研究相比,我国院校研究的规模、方法,特别是技术工具的利用和研究成果的应用等方面还明显滞后。例如,商业智能体系的重要技术组成部分,如数据挖掘、数据仓储(data warehouse)、在线报告等在我国院校研究及其应用中几乎是空白或者刚刚起步。2008年度我国商业智能(business intelligence)软件应用的10大经典案例涉及的行业包括制造业、通信行业、政府行业、医药行业、房地产行业、企业、金融行业、零售业等。[12]这些经典案例所使用的工具都是应用型智能系统,如光大银行使用的菲奈特BI.Office开发的银行平台、橡果国际使用的北京汉瑞科技有限公司开发的橡果国际数据统一平台、湖北省财政厅使用的北京宜兴华晨软件有限责任公司开发的湖北省财政厅清产核资系统等。具有类似功能的商业智能系统在高等教育领域和院校研究中有更大的潜在用途。但非常遗憾的是,教育行业未能有任何应用案例入选。这在某种程度上也说明,我国教育系统在院校智能体系的构建和应用上仍然落后于其他行业。
“知己知彼,百战不殆。”要构建世界一流大学,全面深入了解和分析本校的发展特征和潜能,并通过和其他高校进行比较来取长补短,方能运筹帷幄,制定切实可行且具有独特性的战略发展规划,也才有可能在竞争日趋激烈的信息时代立于不败之地。构建强大的院校智能体系是实现这一目标的坚强后盾。
[1] 赵炬明. 管理咨询与院校研究[J]. 高等工程教育研究, 2007, 2: 53-62.
[2]Kuster, J. & Rouse, C. A business intelligence primer forhigher education:Applying BI in higher education [EB/OL]. BeyeNETWORK.2009, http://www.b-eye-network.com/channels/5085/view/9704/(访问日期:2009年9月21日).
[3]Wells, D. Institutional intelligence: Applying businessintelligence principlesto higher education [EB/OL]. Campus Technology.2007,http://campustechnology.com/articles/2007/04/institutional-intelligence.aspx(访问日期:2009年9月21日).
[4]Peterson, M. Institutional research and management in the U.S.and Europe: SomeEAIR – AIR comparisons. In Roddy Begg (ed.), TheDialogue between HigherEducation Research and Practice[M]. Kluwer AcademicPublishers: New York. 2003,31-44.
[5] 程星, 周川. 院校研究于美国高校管理[M]. 长沙: 湖南人民出版社. 2003, 8-10.
[6]Luhn, H. P. A business intelligence system[J]. IBM Journal.1958, 314-319..
[7]Howson, C. Successful Business Intelligence: Secrets to MakingBI a KillerApp[M]. Mc Graw Hill: New York, 2003.
[8]Camp, R. The Search for Industry Best Practices That Lead 2SuperiorPerformance[M]. Productivity Press, 1989.
[9] 常桐善, 数据挖掘技术在美国院校研究中的应用[J], 复旦教育论坛, 2009.2, 68-79.
[10]Power, D. & Power, J.D. Decision Support Systems: Conceptsand Resourcesfor Managers[M].. Westport, Conn., Quorum Books. 2002, 1-19.
[11]The University of California StatFinder [EB/OL]. 2009, http://statfinder.ucop.edu/ (访问日期:2009年9月21日).
[12] 中国商业智能市场调查与评选:2008年十大商业智能是施案例评选结果[ER/OL]. 商业智能网. 2009, http://www.chinabi.net/Article/binews/200902/1283.html(访问日期:2009年9月21日).
(
(作者:常桐善,教授,美国加州大学院校研究部门主任、加州大学伯克利高等教育中心研究员。文章来源:《院校研究理论与实践论丛——院校研究的发展与应用》)
联系客服