«Большие данные» в маркетинговой деятельности...

Перспективы и инструменты использования в университете

Москва, 2015

«БОЛЬШИЕ ДАННЫЕ» В МАРКЕТИНГОВОЙ ДЕЯТЕЛЬНОСТИ ОБРАЗОВАТЕЛЬНОГО УЧРЕЖДЕНИЯ

КОНТАКТЫ

imguu.ru

facebook.com/imguu

@marketing_guu

@IM_GUU

youtube.com/user/MarketingGUU/videos

2 3

УЧАСТНИКИ ПРОЕКТА

2 3

Старостин Василий

Акимова Валерия

рекомендации по использованию API-технологий

проведение опросов и интервью, разработка карты студента

разработка мобильного приложения «вГУУ»

изучение практики использования «Больших данных»

проектирование архитектуры инфор-мационной среды

обзор IT-систем в вузах

проектирование архитектуры инфор-мационной среды

изучение этических особенностей исполь-зования данных

Бородина Екатерина

Ивашина Анастасия

к.э.н., доцент кафедры маркетинга ГУУ, научный руководитель проекта

изучение методики анализа данных

обзор вопросов безопасности при использовании данных

обзор маркетинговой деятельности вуза

Карташова Галина

Емелина Анна

Бутковский Юрий

Бережной Владислав

Мельников Эрнест

ЧеренковаЕлена

Кроличенко Анатолий

Конева Елена

4 5

ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ УПРАВЛЕНИЯ

Государственный университет управления на протяже-нии 95 лет уверенно держит позиции лидера управлен-ческого образования в России. В ГУУ обучаются более 15 тысяч студентов, открыто 12 направлений бака-лавриата и 7 направлений магистратуры. Около 800 аспирантов проходят обучение по 17 научным специ-альностям. В состав Университета входят 9 учебных Институтов и факультетов, которые объединяют около 60 кафедр, научно-исследовательские подразделения и филиал в городе Обнинске. Ежегодно в ГУУ прохо-дят переподготовку и повышают квалификацию около 4 тысяч специалистов и руководителей предприятий. За годы своего существования ВУЗ подготовил более 100 тысяч высококвалифицированных управленцев для различных отраслей экономики.

www.guu.ru

ИНСТИТУТ МАРКЕТИНГА

Институт маркетинга — это более 1000 талантливых и целеустремленных студентов и слушателей, полу-чающих интересные и востребованные профессии в области маркетинга, рекламы и PR. Институт специ-ализируется на фундаментальных и прикладных ис-следованиях проблем маркетинга, рекламы и PR. Его сотрудники неоднократно удостаивались российских и зарубежных грантов, включая государственные за-казы в области хайтек-маркетинга в рамках федераль-ных целевых программ Российской Федерации. Благо-даря высокой квалификации профессорского состава, а также партнерским связям с российским научным сообществом у студентов, аспирантов и докторантов есть возможность заниматься собственными научными проектами, участвовать в научных исследованиях Ин-ститута, успешно проводить диссертационные исследо-вания.

www.imguu.ru

6 7

ПРЕЗЕНТАЦИОННОЕ ВИДЕО

Активное развитие информационных техноло-гий и цифровых устройств не только делает нашу жизнь разнообразнее, но и позволяет выполнять огромное количество задач и предлагает новые сервисы. На сегодняшний день использование таких технологий позволяет компаниям собирать и анализировать большое количество информа-ции о поведении потребителей. Это может быть сделано с различными целями, но, в первую оче-редь, для улучшения продукта, повышения уровня сервиса, а также для более таргетированной на-стройки маркетинговых программ организации.

Специально для проекта мы подготовили презентационный видео-ролик, в котором участники исследования сами представили результаты научной работы. Видео доступно на нашем канале YouTube.

Авторы ролика: Руслан ЮрченкоНикита ЧигинцевВасилий Старостин

Я давно ждал столь широкоформатного проек-та, который будет нести в себе не только смысл, но и большую пользу для целого социального института, в частности, для нашего вуза. Перед ребятами стояла очень сложная задача, а нам с Никитой довелось визуализировать большую идею, которая сконцентрирована в проекте «Большие Данные».

Руслан Юрченко,

соавтор

видео-ролика

Принимал участие во многих проектах, но ни один не сравнится с этим! Настрой людей, которые зани-маются данным проектом, просто вдохновляет на новые открытия! Хотелось сделать то, чего пока нет у других.

Никита Чигинцев,

соавтор

видео-ролика

6

8 9

ВВЕДЕНИЕ СОДЕРЖАНИЕ

Университет — это огромное образовательное сообщество, участники которого ежедневно генерируют огромное коли-чество поведенческих данных. К ним относятся успеваемость и посещаемость занятий, участие в общественной деятельно-сти вуза, стажировки и практика, спортивная жизнь. Наличие таких больших объемов информации позволяет говорить, что эти данные могут быть использованы для развития деятель-ности университета. Анализируя статистику, можно не только делать выводы о принятых решениях, но и строить достаточно точные прогнозы и составлять рекомендательные сервисы. Та-кие системы аналитики могут быть полезны, в первую очередь, студентам. Мониторинг успеваемости и прогноз будущей оцен-ки при текущем уровне освоения дисциплины — лишь один из примеров практической значимости прикладного использова-ния Науки о данных (Data Science). Составление индивидуаль-ной образовательной траектории, служба «умных» цифровых помощников, которые в зависимости от контекста и ситуации предлагают персонализированные рекомендации, способству-ющие успешной учебе и социализации в Университете — да-леко не полный список преимуществ, предлагаемых системой аналитики «Больших данных».

В данной исследовательской работе изучаются преимущества использования системы аналитики «Больших данных» в выс-шем учебном заведении на примере ФБГОУ «Государственный университет управления». На основе проведенного маркетин-гового исследования готовности студентов к использованию поведенческих данных были разработаны маркетинговые ре-комендации по созданию единой информационно-образова-тельной системы, позволяющей проводить сбор и анализ ин-формации для оптимизации учебного процесса в вузе. Научно-исследовательская работа была выполнена командой студентов Института маркетинга Государственного университе-та управления.

Научный руководитель,

к.э.н., доцент

В.С. Старостин

Государственный университет управления .....................................................................................................3Институт маркетинга Государственного университета управления ............................................................3

ЧАСТЬ I «БОЛЬШИЕ ДАННЫЕ» — ИНСТРУМЕНТ МАРКЕТИНГОВОГО УПРАВЛЕНИЯ КОМПАНИЕЙ ................................................................................. 9

1.1. «Наука о данных» — инструмент управления маркетингом ......................................................... 91.2. Использование технологий Big Data в различных сферах деятельности ..................................111.3. Обзор информационно-аналитических сервисов сферы образования .................................... 14

ЧАСТЬ IIИСПОЛЬЗОВАНИЕ «БОЛЬШИХ ДАННЫХ» В УНИВЕРСИТЕТЕ ......................................................... 19

2.1. Маркетинговая деятельность вуза .................................................................................................. 192.2. Работа с данными в образовательном учреждении .....................................................................212.3. Барьеры внедрения систем маркетинговой аналитики .............................................................. 262.4. Методики обработки и анализа маркетинговых данных ............................................................ 28

ЧАСТЬ IIIРАЗРАБОТКА СИСТЕМЫ СБОРА ПОЛЬЗОВАТЕЛЬСКИХ ДАННЫХ В ОБРАЗОВАТЕЛЬНОМ УЧРЕЖДЕНИИ .....................................35

3.1. Виртуальная информационно-образовательная среда вуза .......................................................353.2. Разработка функционала приложения «вГУУ» .............................................................................. 393.3. Личный кабинет и анкета студента ..................................................................................................453.4. Электронная карта студента ..............................................................................................................47

ЧАСТЬ IVМАРКЕТИНГОВОЕ ИССЛЕДОВАНИЕ ГОТОВНОСТИ ВНЕДРЕНИЯ СИСТЕМЫ АНАЛИЗА ДАННЫХ В УНИВЕРСИТЕТЕ .............................................................................. 50

4.1. Методика исследования ................................................................................................................... 504.2. Результаты полевого маркетингового исследования ...................................................................524.3. Этические аспекты использования личных данных ..................................................................... 54

Список использованных источников ............................................................................................................. 58Контакты ............................................................................................................................................................ 59

8 9

10 11

01 02

03

04

ГЛАВНОЕСОВРЕМЕННЫЙ ТРЕНД

С появлением и интенсивным развитием информационных технологий увеличива-лось количество неструктурированной или частично структурированной информации. Традиционно большие массивы неструкту-рированной информации принято называть «Большими данными» (Big Data). Ежедневно люди генерируют огромное количество по-веденческих данных, которые теперь стало возможным собирать и анализировать. Это может быть сделано с различными целями, но, в первую очередь, для улучшения про-дукта, повышения уровня сервиса, а также для более таргетированной настройки мар-кетинговых программ организации.

МАРКЕТИНГ ДЛЯ ВУЗА

Маркетинговая деятельность в вузе — это не только создание бренда и соответствую-щее его продвижение, это также разработ-ка и совершенствование образовательных программ; определение ценовой политики вуза; улучшение организации образова-тельного процесса; организация программ внешних коммуникаций и многое другое.

BIG DATA В СФЕРЕ ОБРАЗОВАНИЯ

В настоящее время появляются большие перспективы использования технологий анализа Big Data в сфере высшего образо-вания, так как данный подход позволяет поднять образовательный процесс в вузе на новый уровень, а также помочь в оптими-зации показателей деятельности универси-тета. Заметные преимущества получают за-интересованные «пользователи»: студенты и слушатели; профессорско-преподаватель-ский состав и администрация вуза.

ПРОГНОЗНАЯ АНАЛИТИКА

Системы прогнозной аналитики работают более эффективно в том случае, когда ис-пользуется различная качественная и ко-личественная информация, что позволяет находить взаимосвязанные показатели. Университет с более чем 15 000 студентов — это огромный потенциальный массив дан-ных. Каждый их студентов генерирует ме-трики по различным категориям в динами-ке за несколько недель, месяцев и лет.

05

07

06

09

08БАРЬЕРЫ РЕАЛИЗАЦИИ

Возникает необходимость в рассмотре-нии ряда барьеров, которые должны быть учтены при решении о внедрении данной технологии Data Science в вузе: отсутствие профессиональных методик сбора и анали-за информации; этика и безопасность; не-достаточное развитие инфраструктуры вуза; инертная к изменениям среда.

ВИОС

Виртуальное информационно-образователь-ное пространство (ВИОС) — единая цифровая среда университета, которая объединяет не-сколько элементов и предоставляет широкий функционал, специально предназначенный для улучшения образовательного процесса и мониторинга учебной и воспитательной ра-боты вуза.

ЭЛЕКТРОННАЯ КАРТА

Электронная карта студента ГУУ призвана заменить собой множество карт и удосто-верений, а также получить один надежный и универсальный инструмент, который вы-полняет множество функций на территории университета и за его пределами.

МОБИЛЬНОЕ ПРИЛОЖЕНИЕ «ВГУУ»

Проект мобильного приложения «вГУУ» для устройств iOS предлагает большое количе-ство функций, связанных с учебой в Уни-верситете. Приложение позволит студентам контролировать собственную успеваемость, узнавать новости и расписания мероприя-тий, пользоваться библиотечным катало-гом, а также многое другое.

ЛИЧНЫЙ КАБИНЕТ СТУДЕНТА

Предложен вариант Личного кабинета сту-дента, в котором объединяются различные категории данных. Такой кабинет предла-гает студенту возможность отслеживать ак-туальные данные об успеваемости, комму-ницировать с преподавателями и получать полезные рекомендации, основанные на собственной поведенческой истории и про-гнозах. С другой стороны, личный кабинет, прикрепленный к электронной анкете, яв-ляется основой для сбора массива «больших данных», которые используются админи-страцией вуза.

12 13

ЧАСТЬ I «БОЛЬШИЕ ДАННЫЕ» — ИНСТРУМЕНТ МАРКЕТИНГОВОГО УПРАВЛЕНИЯ КОМПАНИЕЙ

В настоящее время термины «Большие дан-ные» (Big Data) и «Наука о данных» (Data Science) часто можно встретить в различ-ной литературе, связанной с маркетингом. «Большие данные» и «Наука о данных» — это не просто методика работы с информа-цией. Это — перспективное направление, которое предоставляет огромные возмож-ности, в том числе для маркетологов.

Опираясь на русскоязычную интернет-эн-циклопедию, можно определить «Большие данные» как «серию подходов, инстру-ментов и методов обработки структури-рованных и неструктурированных данных огромных объемов для получения воспри-нимаемых человеком результатов». В ан-глоязычной версии дано более понятное определение: «Big Data» — это наборы данных такого объема, что традиционные инструменты не способны осуществлять их захват, управление и обработку за приемле-мое для практики время.

С появлением и интенсивным развитием информационных технологий, увеличива-лось количество неструктурированной или частично структурированной информации. Интернет изменил не только жизнь и вос-приятие людей, он повлиял на работу раз-личных компаний: от малого бизнеса до огромных корпораций, государственных уч-реждений и органов, некоммерческих орга-низаций. Еще в 2000 году количество инфор-мации, хранящейся в цифровом формате, составляло всего одну четверть от общего количества информации в мире. Осталь-ные три четверти содержались в бумажных документах. Общение в онлайн-режиме,

дистанционное обучение, интерактивные цифровые программы — все это сейчас кажется обыденностью, а двадцать лет назад еще казалось далекой несбы-точной мечтой.

В тот же момент специалисты начали задумывать-ся о том, как можно эффективно использовать всю информацию, которую оставляет пользователь. Для наилучшего понимания количества обрабатываемой информации в интернете достаточно отметить, что поисковая система Google обрабатывает более пета-байта данных в день — это примерно в 100 раз боль-ше всех печатных материалов Библиотеки Конгресса США. С учетом того, что 98% оцифрованной инфор-мации можно оценить не только количественно, но и качественно, возникла потребность в специалистах, которые могли бы оценить ее с качественной точки зрения. И именно наука об изучении, структурирова-нии и обработке больших данных называется Data Science. Человеческий мозг не может обнаружить такие закономерности, какие способен отметить ком-пьютер, выдавая совершенно неожиданные количе-ственные и качественные взаимосвязи.

В последние годы по всему миру начали появлять-ся специалисты в области больших объемов данных (Data Science). Понятие «Data Scientist» (исследова-тель данных) особенно распространено на Западе. В России таких специалистов пока редко выделяют в отдельную группу, и их относительно мало. Тем не менее, следует отметить положительную динамику в данной области. Так, российская компания Яндекс успешно ведет подготовку специалистов в области анализа данных, открывая собственные и совместные образовательные программы.

Еще одним признаком «Больших данных» является их слабая структурированность и разнородность. Также необходимо отметить, что большие данные нуждают-

1.1. «НАУКА О ДАННЫХ» — ИНСТРУМЕНТ УПРАВЛЕНИЯ МАРКЕТИНГОМ

ся в оперативной обработке, а их быстрая изменчи-вость требует мониторинга.

Потребитель любого товара или услуги при соверше-нии сделки оставляет информацию о себе не только онлайн, но и при офлайновом взаимодействии. Вся собранная информация накапливается и обрабаты-вается в базе данных с использованием современных информационно-аналитических технологий. Можно отметить, что ежедневно в различных отраслях через обработку проходят терабайты информации. Техно-логии анализа и структурирования информации по-зволяют «обучить компьютер» принимать решение самостоятельно, а также строить обоснованные реко-мендации. Одна из таких технологий получила назва-ние «машинное обучение» (machine learning). Именно после такой обработки информация становится по-лезной для маркетологов.

Если есть возможность обработки данных в режиме реального времени, как это делает компания Яндекс, анализируя запросы пользователей за миллисекун-ды, то шанс удовлетворить клиента увеличивается многократно. «Большие данные» также позволяют не просто обработать информацию моментально, но и во многих случаях предсказать желания клиента и вероятности исхода различных ситуаций. Другими словами — строить прогнозы и сценарии. В настоя-щее время машинное обучение — не вполне совер-шенная методика, которая может допускать ошибки. Но ситуация быстро меняется. Тем не менее, вероят-ность совершения ошибки компьютером многократ-но меньше по сравнению с возможностью ошибки человеком. Большим плюсом является то, что цен-ность данных не уменьшается с их использованием. Данные могут быть обработаны бесчисленное мно-жество раз.

Технологии анализа и структурирования информации позволя-ют «обучить компьютер» принимать решение само-стоятельно, а также стро-ить обоснованные реко-мендации. Одна из таких технологий получила назва-ние «машинное обучение» (machine learning). Именно после такой обработки ин-формация становится по-лезной для маркетологов.

Аналитика данных работает на повышение гиб-кости образовательных программ и в целом си-стемы образования. Это более точный и полный учет индивидуальности студентов и слушателей.

Г.Л. Азоев,

д.э.н., профессор,

директор Института маркетинга ГУУ

14 15

Теперь маркетологи могут воспользоваться технологиями больших данных и мощной аналитикой, что многократно усиливает возможности маркетинговых подразделе-ний. Если раньше в их распоряжении были небольшие фрагменты данных, на основе которых приходилось выстраивать картину целого, то теперь положение дел измени-лось. Специалисты по маркетингу исполь-зуют эту методику для работы в различных областях маркетинговой деятельности ком-пании. С помощью аналитических инстру-ментов, обрабатывающих огромные потоки данных, компании узнают о проблемах сер-виса и имеют возможность быстрее реаги-ровать на любые изменения предпочтений клиентов и рынка в целом.

РИТЕЙЛ

Самая популярная площадка для сбора больших данных — сфера ритейла. Круп-нейшие магазины по всему миру исполь-зуют данные о покупателях с целью при-влечения и получения большей прибыли. В первую очередь, это достигается за счет анализа динамики покупок и набора по-требительской корзины, что позволяет

прогнозировать будущие расходы и моделировать сценарии взаимодействия c покупателями. Еще один пример использования связан с показателями место-нахождения посетителей в торговом зале. Подходя к кассам, чтобы оплатить свои покупки, стоит обра-тить внимание на экраны, зачастую расположенные вблизи касс, которые информируют о том, на какой кассе смогут обслужить быстрее всего. Система ин-формирования работает эффективно и отлажено, облегчая процесс покупки и уменьшая количество по-траченного времени на ожидание очереди.

ЗДРАВООХРАНЕНИЕ

Сегодня в арифметической прогрессии увеличивает-ся количество мобильных устройств и приложений для поддержания здоровья, способных измерять пульс, давление и режим тренировки. По данным американского аналитического агентства Terradata в 2011 году примерно 31 миллион жителей США ста-ли пользователями мобильных устройств, предна-значенных для мониторинга здоровья. В Американ-ском штате Минессота частная клиника приобрела большую популярность благодаря внедрению техно-логии анализа данных от пациентов. При первом об-следовании у пациента получают всю необходимую для программы информацию: пол, рост, вес, нор-мальный пульс, частота занятий спортом, склонность

1.2. ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИЙ BIG DATA В РАЗЛИЧНЫХ СФЕРАХ ДЕЯТЕЛЬНОСТИ

ЧАСТЬ I. «БОЛЬШИЕ ДАННЫЕ» — ИНСТРУМЕНТ МАРКЕТИНГОВОГО УПРАВЛЕНИЯ КОМПАНИЕЙ

к аллергиям. Врач вводит также свои рекомендации по физическому и физиологическому состоянию па-циента. С этого момента пациент находится под пол-ным контролем лечащего врача, так как данные из мобильного приложения в режиме реального време-ни выгружаются в аналитическую базу врача. В лю-бой нужный момент доктор может посмотреть успе-хи пациента, выявить его слабые стороны в лечении и предложить альтернативные варианты достижения цели, если это необходимо. Во время любых физиче-ских нагрузок, которые совершает пациент возможно использование специального браслета, который фик-сируется на предплечье и измеряет пульс, время тре-нировки и количество потерянных калорий. Мобильное приложение расширило свой функцио-нал и теперь предлагает своим пользователям ори-ентироваться на карту с отмеченными ближайшими фитнес-центрами, аптеками и клиниками, вне зависи-мости от штата, в котором они находятся. При этом па-циент может получить всю необходимую информацию о стоимости продукта или услуги, месторасположении и времени работы, что позволяет сокращать его личное время, а главное — позволяет клиникам проводить свою собственную аналитику, направленную на повы-шение эффективности работы и увеличение прибыли.

ФИНАНСОВЫЙ СЕКТОР

С помощью аналитических инструментов, обрабаты-вающих огромные потоки данных, компании узнают о проблемах сервиса и имеют возможность быстрее реагировать на любые изменения предпо-чтений клиентов и рынка в целом.

Экономическая деятельность также мо-жет показаться интересным объектом для внедрения технологии анализа больших данных. Отечественные финансовые орга-низации используют информационно-ана- литические алгоритмы для повышения эффективности обработки данных и ра-боты с клиентскими базами, а также для сокращения затрат по этим направлениям. В банке «ВТБ24» используется SAS Banking Intelligence Solutions ― пакет интегрирован-ных решений для управления рисками. При совершении покупки с помощью банковской карты, банк в режиме реального времени может отследить месторасположение теле-фона клиента и мгновенно отправить ин-формацию туда, где совершается покупка. Такое банковское нововведение позволяет уменьшить или совсем избежать случаев мошенничества.

BIG DATA

16 17

Еще одним примером использования боль-ших данных в финансовой сфере явля-ется оценка рисков при выдаче кредитов. Многие банки, например «Сбербанк» или «Тинькофф Кредитные Системы» формиру-ют сложные системы по выдаче кредитов. В базе данных банка содержатся огромное количество данных о людях, которым они выдали кредиты. Эти данные были автома-тически проанализированы и использованы в моделях условий, помогающих выявить кредитоспособность заемщика.

ГОСУДАРСТВЕННОЕ УПРАВЛЕНИЕ

Одна из самых сложных сфер внедрения технологии анализа больших массивов дан-ных ― государственное управление. Сегод-ня аналитика данных применяется в сфере коммунальных услуг для решения целого ряда задач. Эти технологии помогают опти-мизировать производство энергии, опера-ционную эффективность и работу с клиента-ми. Аналитика позволяет заблаговременно готовиться к отключениям коммунальных услуг, а также оценивать энергетический ры-нок, прогнозировать спрос и вести подсчет финансовых показателей. Существует тех-нология «умных сетей» электроснабжения

(“Smart grid”), позволяющая коммунальным службам измерять потребление электроэнергии отдельными семьями каждую минуту или каждую секунду. Помимо использования аналитики в сфере жилищ-но-коммунального хозяйства, большие данные на-шли применение в сфере государственных структур, а именно, полиции. На некоторых полицейских участ-ках Германии уже функционирует система упрежда-ющей полиции, работа которой всё меньше осно-вывается на откликах на звонки и всё больше ― на патрулировании заранее известных зон с высокой степенью криминальной активности. На сегодняшний день работа по поиску таких зон выполняется автома-тически, что стало возможным благодаря развитию интеллектуальных систем по анализу больших дан-ных, которые способны самостоятельно сопоставлять всю необходимую информацию и делать из неё вы-воды о повышении криминальной активности в тех или иных районах или о связях определённых людей с криминальными организациями.

Анализируя все приведенные примеры из раз-личных сфер, можно сделать вывод о том, что «Большие данные» с каждым днем все точнее прогнозируют наши желания и действия, входят в нашу жизнь. Порой, совершая какие-либо ба-нальные действия, например, поход за покупка-ми или оплата счетов на жилищно-коммуналь-ные услуги, мы даже не задумываемся о том, что даем огромный фундамент аналитическим системам для управления нашими действиями и желаниями. Чем тщательнее государствен-ные и коммерческие организации будут под-ходить к вопросу внедрения методики анализа огромных объемов информации, тем надежнее и правдивее будут выводы, которые делают аналитические программы.

Для подготовки маркетинговых рекомендаций по использованию поведенческих данных студентов следует проанализировать существующие системы и сервисы, которые предлагают функционал по ана-лизу поведения, успеваемости и активности обучаю-щихся. В данном разделе работы проводится обзор технологических особенностей современных инфор-мационно-аналитических решений и изучается прак-тика их внедрения.

BLACKBOARD ANALYTICSBlackboard — это решения которые позволяют рас-ширять возможности образования в школах, вузах, профильных учреждениях и организациях государ-ственного сектора. Одной из ключевых платформ, увеличивающих эффективность высшего учебного заведения, является BlackBoard Analytics. Платформа собирает и предоставляет информацию для студен-тов, преподавателей и администрации университета и выводит ее в удобной инфографике, удовлетворяя запросы пользователя.

Система охватывает такие ключевые сферы универ-ситета как: • Процесс регистрации новых студентов• Аналитика занятий и успеваемости• Финансы• Кадровая служба• Развитие и продвижение вуза

Black Board Analytics реагирует на изменения дан-ных в режиме реального времени, предоставляя релевантную и актуальную информацию по запросу. Платформа Black Board Analytics легко интегрирует-ся в уже установленные системы сбора данных об Университете, поддерживает работу с продуктами от Oracle, Datatel, Sunguard Higher и другими. Система изначально содержит более 100 практических мето-дов сбора, анализа информации и отчетов, позволяя

С помощью аналитических инструментов, обра-батывающих огромные потоки данных, компании узнают о проблемах сервиса и имеют возмож-ность быстрее реагировать на любые изменения предпочтений клиентов и рынка в целом.

Анна Емелина,

участник проекта

Чем тщательнее государ-ственные и коммерческие организации будут подхо-дить к вопросу внедрения методики анализа огром-ных объемов информации, тем надежнее и правдивее будут выводы, которые де-лают аналитические про-граммы.


1.3. ОБЗОР ИНФОРМАЦИОННО-АНАЛИТИЧЕСКИХ СЕРВИСОВ СФЕРЫ ОБРАЗОВАНИЯ

BIG DATA

18 19


сразу же использовать платформу с макси-мальной эффективностью.

Система упрощает отношения между поль-зователем и информационным отделом, предоставляя доступ к информации для руководителя через персонализированные панели управления, а также позволяя сле-дить за ситуацией и отслеживать изменения в рамках своих полномочий.

BLACKBOARD MOBILEЗа прошедшие семь лет произошла мобиль-ная революция, которая изменила многие аспекты жизни, бизнеса и управления. В том числе, это коснулось и сферы обра-зования. Современные студенты ― актив-ные пользователи смартфонов, планшетов и прочих гаджетов. Естественно, им бу-дет интересно учиться с помощью этих устройств. Для предоставления такой воз-можности была разработана платформа BlackBoard Mobile. Платформа является приложением для смартфонов и планше-тов на Android и iOS системах. BlackBoard Mobile предоставляет карты университе-та, информацию о маршрутах в пределах кампуса и возможность использовать тех-нологии «дополненной реальности» при помощи камеры гаджета. Данные функции особенно важны для новых студентов, ко-торые плохо ориентируются в учебном за-ведении и не знают, как пройти в нужную аудиторию. Функция дополненной реаль-ности позволяет студентам получать ин-формацию о интересующем корпусе. Так-же, с помощью данного сервиса студенты могут легко получать информацию из де-каната или от преподавателей об измене-

нии аудитории, переносе занятий и многом другом через систему оповещения.

Платформа создает площадку для коммуникаций студентов. Журналы, блоги, форумы, с помощью которых студенты могут делиться своими идеями, учебными материалами, обсуждать курсы и проекты. Размещение материалов осуществляется с помощью интеграции в облачную систему Dropbox.

ELLUCIAN ANALYTICSСистема Ellucian Analytics позиционируется как плат-форма, предоставляющая легкий доступ к необхо-димой информации, которая поможет ответить на стратегически важные вопросы, построить грамотный процесс управления и принять решения, повышаю-щие эффективность. Ellucian Analtics состоит из многих продуктов, связанных с хранением данных, процессом привлечения новых студентов, сокращением издер-жек, улучшением эффективности менеджмента вуза. Ключевыми и наиболее популярными продуктами данной платформы являются: Banner Enterprise Data Warehouse, Colleague Reporting and Operating Analytics, Ellucian Institutional Performance management.

Система Ellucian Student success создана для помощи студентам в университетской жизни. Она предостав-ляет аутентичные коммуникации, полезные сове-ты, помогает составить четкий академический план и для улучшения успеваемости студента вносит свои рекомендации по ходу процесса. Система решает проблему мотивации студента, предоставляя гра-фик продвижения по курсу и учебному плану в тече-ние года, отображая время, затраченное на предмет, оценки по нему и т.д. С помощью сервиса студент может самостоятельно планировать свой график об-учения. Система проста в освоении, содержит подго-товленные заранее примеры курсов, которые можно редактировать и модифицировать. После создания

курса система подготавливает расписание для студента. При создании курса помощь студенту оказывает ментор. Через систему он может ско-ординировать действия студента. Для управления системой существует мобильное приложение для смартфонов, планшетов и ПК.

ORACLE Oracle — это комплексные решения для универси-тетов, удовлетворяющие все требования высшего образования для студенческих систем. В предостав-ляемые решения Oracle с использованием Big Data входят Oracle Campus Analytics и Oracle Mobile Campus.

Система Oracle Campus Analytics обеспечивает ши-рокими отчетными и аналитическими возможно-стями. Система направлена на анализ и оценку качества принимаемых решений, увеличение чис-ла новых студентов, совершенствование образо-вательных программ, регулирование и удержание производственных издержек, а также анализ фа-культативной работы.

BIG DATA

Именно базы данных являются фундаментом для дальнейших действий. Цифровая инфор-мация, которая становится все более доступной, улучшает быстродействие и эффективность Университета во многих ключевых областях.

Бережной Владислав,


20 21

Система Student Information Analytics предо-ставляет фундамент для принятия решений по привлечению новых студентов и разра-ботке новых курсов и программ. Система состоит из трех компонентов, которые взаи-модействуют друг с другом, составляя ком-плексную интегрированную аналитическую платформу. Данная платформа предостав-ляет информацию о зачислении студентов и этапах отбора, включая следующие клю-чевые области:• Набор и прием студентов; • Оценки вступительных экзаменов;• Социально-демографические и поведен-

ческие показатели.

Платформа Student record помогает от-слеживать и анализировать успеваемость студентов, содержание курсов, расписание, посещаемость и многое другое через кате-гории ключевых метрик.В целом система Oracle Student Information Analytics — это платформа следующего поколения, которая полностью использует и структурирует существующие данные. Платформа создана на технологии, которая легко интегрируется в существующую ин-формационную структуру и поддерживает все ведущие продукты. Также данная систе-ма поддерживается большим количеством мобильных и планшетных устройств.

PEOPLESOFT CAMPUS SOLUTIONS MOBILEДанная платформа позволяет студентам управлять учебной деятельностью через мобильное приложение на смартфоне или планшете. Это приложение предоставля-ет студентам информацию по расписанию

занятий, расположению корпусов университета, ин-формацию о лекциях и номерах аудиторий. Студент получает доступ к информации о будущих событи- ях, встречах и мероприятиях в рамках учебного за-ведения. Через приложение возможно составление и управление личным учебным планом, а также мо-ниторинг учебного процесса и планирование даль-нейшего образования. Фактически, данная платфор-ма объединяет инструменты, позволяющие настроить приложение под конкретные задачи, включая воз-можность добавления контента.

ВЫВОДЫ Изученные системы предоставляют широкий спектр возможностей для высших учебных заведений. Вклю-чая легкую интеграцию, адаптацию и персонали-зацию под конкретные цели и задачи. Платформы направленны на модернизацию управленческих и образовательных процессов в университете. При высокой скорости компьютеризации и развития ин-формационных технологий в целом, университеты должны следовать тенденциям и использовать новые возможности для выпуска студентов с актуальными знаниями. Для сосредоточения на качестве обучения необходимо создать автоматизированную платфор-му для административных и финансовых процессов. Большинство рекомендаций можно разделить на две категории:

1Административные (связаны с учебным персона-лом, аналитикой и управлением университетом)

2Студенческие (связаны с образовательным про-цессом учащихся)

Для успешных решений необходима правильно вы-бранная информация, поэтому наличие системы ана-литики крайне важно. Именно базы данных являются фундаментом для дальнейших действий. Цифровая информация, которая становится все более доступ-ной, улучшает быстродействие и эффективность Уни-


BIG DATA

верситета во многих ключевых областях. Исходя из получаемых данных, важно анализировать тенден-ции в образовательных программах, то есть — буду-щие предпочтения студентов.

Один из ключевых пунктов всех платформ — техно-логия для привлечения новых студентов. Эта функ-ция включает аналитику по социально-демогра-фическим показателям, среднему баллу и многим другим. В конечном итоге, университет стремится увеличивать не только количество, но и качество учащихся, которые, в том числе, влияют на рейтинг учебного заведения. Внутри университета для повы-шения общей эффективности возможно применять технологии, которые предоставляют информацию по работе преподавателей и сотрудников. Такие решения повысят продуктивность и эффективность преподавателей, предлагая им формирование соб-ственного персонального рейтинга, который будет создаваться на основе успешной учебной и научной работы.

Обеспечение оперативного доступа к информации для студентов и преподавателей является ключевой задачей и первоочередной технологией для внедре-ния. Кроме задач, связанных с рекомендациями но-вым студентам, информационная среда может стать хорошим посредником в отношениях студент-пре-подаватель и упростит их коммуникации. В учебном процессе возникает много вопросов, поэтому система общения (онлайн форум, тематические чаты) позво-ляет студентам общаться друг с другом вне зависимо-сти от курса или факультета. Таким образом, исполь-зование информационно-аналитических платформ позволяет решать большой спектр задач современ-ных университетов.

Для меня Big Data ― это шаг в будущее. На-конец-то студенты, преподаватели и админи-страция смогут получать реальную пользу от огромного количества данных, которые собирает и анализирует предложенная система.

Анатолий Кроличенко,


Цифровая информация, ко-торая становится все бо-лее доступной, улучшает быстродействие и эффек-тивность Университета во многих ключевых областях. Исходя из получаемых дан-ных, важно анализировать тенденции в образователь-ных программах, то есть будущие предпочтения сту-дентов.

22 23

За несколько десятков лет маркетинг прошел большой путь от ориентации на производство и продукт до смещения акцента в сторону обслуживания потре-бителя. Маркетинг в значительной сте-пени уделяет внимание совершенство-ванию услуг, так как в любой отрасли акцент делается на нужды конечных поль-зователей. Хорошим примером данного

Сферы компетенций маркетинговой деятельности вуза

РАЗРАБОТКА и совершен-ствование продуктов (об-разовательных программ)

ОПРЕДЕЛЕНИЕ ценовой поли-тики вуза

ОРГАНИЗАЦИЯ программ внеш-них коммуника-ций

УЛУЧШЕНИЕ организации

образователь-ного процесса

ПОПУЛЯРИЗАЦИЯ результатов

научно-иссле-довательской и

образовательной деятельности

УПРАВЛЕНИЕ портфелем об-

разовательных программ

ЧАСТЬ II2.1. МАРКЕТИНГОВАЯ ДЕЯТЕЛЬНОСТЬ ВУЗА

МАРКЕТИНГОВАЯ ДЕЯТЕЛЬНОСТЬ ОБРАЗОВАТЕЛЬНОГО УЧРЕЖДЕНИЯ ВКЛЮЧАЕТ СЛЕДУЮЩИЕ ЗОНЫ КОМПЕТЕНЦИЙ:

явления выступает маркетинговая деятельность в сфере образования. В данной отрасли четко про-слеживается современный маркетинговый тренд, рассматривающий клиента в качестве «сопроизво-дителя» услуги. Установление взаимовыгодного кон-такта образовательного учреждения и студента (слу-шателя) позволяет не только повысить уверенность в качестве предлагаемого продукта, но и формиро-вать положительный опыт потребления услуги.

02 04 06

01 03 05

С точки зрения широкой аудитории, маркетинговая деятельность вуза подразумевает лишь формиро-вание бренда образовательного учреждения и его продвижение на рынке образовательных услуг. Но это — лишь поверхностный взгляд на данный вопрос. В настоящее время рынок образовательных услуг ак-тивно трансформируется, в отдельных сегментах по-являются признаки насыщения, что предопределяет участие государства в регулировании образователь-ной сферы. Проведение оценки эффективности вузов предполагает анализ деятельности образовательных учреждений по ряду установленных показателей. По-сле такой проверки, состоявшейся в 2013-2014 году по инициативе Министерства образования и науки РФ, была проведена реорганизация ряда вузов. Не-которые из них влились в состав других игроков рын-ка, отдельные вузы прекратили свою работу. Также следует обратить внимание на активную работу ком-паний, которые относятся к другим сегментам рынка образовательных услуг: коммерческие образователь-ные учреждения, краткосрочные программы пере-подготовки, программы дистанционного онлайн-об-учения (в том числе, Massive Open Online Courses) и другие. Анализ текущих показателей демонстриру-ет насколько сильна конкуренция в данной области, что определяет высокую степень важности маркетин-говой деятельности образовательного учреждения.

Маркетинговая деятельность в вузе — это не толь-ко создание бренда и соответствующее его продви-жение, это также разработка и совершенствование образовательных программ, определение ценовой политики вуза, улучшение организации образова-тельного процесса, организация программ внешних коммуникаций и многое другое. Более того, от сте-пени маркетинговой активности зависит способность вуза результативно взаимодействовать с внешней и внутренней средой, а также улучшать показатели эффективности деятельности. Увеличение удовлет-

ИСПОЛЬЗОВАНИЕ «БОЛЬШИХ ДАННЫХ» В УНИВЕРСИТЕТЕ

Также следует обратить внимание на активную ра-боту компаний, которые относятся к другим сегмен-там рынка образователь-ных услуг: коммерческие образовательные учрежде-ния, краткосрочные про-граммы переподготовки, программы дистанционно-го онлайн-обучения (в том числе, Massive Open Online Courses) и другие.

Маркетинговая деятельность в ВУЗе — это не только создание бренда и его продвиже-ние, это также разработка и совершенствование образовательных программ, улучшение органи-зации образовательного процесса и многое другое.

Анастасия Ивашина,


24 25

01 01

02

03

01

02

02

03

04

03

04

05

06

воренности обучающихся, успешность и по- вышение их востребованности на рынке труда во многом определяет конкуренто-способность самого образовательного уч-реждения. Маркетинговые мероприятия в образовательном учреждении должны учитывать необходимость выполнения, как минимум двух основных задач:

1 Социальный эффект образовательного процесса: вуз — это, как правило, неком-

мерческая организация, основной целью которой является обеспечение подготовки высококвалифицированных кадров;

2 Получение дохода от осуществления профессиональной деятельности: для

успешного развития вуза в динамично ме-няющейся рыночной среде необходимы дополнительные ресурсы. Улучшение кам-пуса, закупка дополнительных технических средств для модернизации учебного про-цесса и ряд других задач требуют дополни-тельных ресурсов.

Среди основных сегментов целевой ауди-тории, на которые направлена деятель-ность вуза, следует выделить: студентов,

абитуриентов, преподавателей (и администрацию), выпускников. Результативность маркетинговых ре-шений зависит от понимания системного характера их последствий. К примеру, чтобы повысить лояль-ность профессорско-преподавательского персонала, необходимы управленческие усилия администрации, а также руководителей структурных подразделе-ний. Повышение лояльности преподавателей ведет к улучшению образовательного процесса, а, следова-тельно, большей заинтересованности студентов.

Таким образом, маркетинговая деятельность образо-вательного учреждения включает следующие зоны компетенции:

1 Разработка и совершенствование продуктов (образовательных программ);

2 Управление портфелем образовательных программ;

3 Определение ценовой политики вуза;

4 Улучшение организации образовательного процесса;

5 Организация программ внешних коммуникаций;

6 Популяризация результатов научно-исследова-тельской и образовательной деятельности.

Данный перечень не отражает всех зон ответствен-ности маркетинга учебного заведения, но расширяет взгляд на данное понятие и еще раз демонстрирует актуальность маркетинга в сфере образования.

ЧАСТЬ II . ИСПОЛЬЗОВАНИЕ «БОЛЬШИХ ДАННЫХ» В УНИВЕРСИТЕТЕ

BIG DATA

Более того, от степени мар-кетинговой активности зависит способность вуза результативно взаимодей-ствовать с внешней и вну-тренней средой, а также улучшать показатели эф-фективности деятельности.

2.2. РАБОТА С ДАННЫМИ В ОБРАЗОВАТЕЛЬНОМ УЧРЕЖДЕНИИ

СТУДЕНТАМ АДМИНИСТРАЦИИ ПРЕПОДАВАТЕЛЯМ

Мониторинг успеваемости. В виде графиков и подсказок студентам демонстрируются оценки их теку-щих работ, количество пропущен-ных занятий и общая картина их успеваемости, что будет являться дополнительной мотивацией для успешного обучения, а также снизит риск возникновения проблем во время сессии.

Выбор дополнительных изучае-мых дисциплин. Данная возмож-ность появляется в результате анализа динамики успеваемости, а также различных поведенческих показателей студентов.

Построение индивидуальной образовательной траектории. При оптимальной организации програм-мы обучения студенту может быть предложена возможность адапта-ции образовательного процесса в зависимости от профессиональ-ных интересов, предпочтений, темпов усвоения дисциплин, ожида-емой сферы трудоустройства и т.д.

Выбор сферы будущего трудо-устройства. Анализ успешности развития карьеры выпускника и одновременное сопоставление его образовательной активности в период учебы позволяет выявлять взаимосвязь показателей.

Определение сильных и слабых сторон студента. Данное преимущество будет полезно не только для понимания студента, но и для создания наиболее сбалансированной рабочей группы при проектных заданиях.

Контроль текущей успеваемости. Возможность контролировать всех студентов в режиме реального времени позволяет сопоставлять результаты с контрольными показателями.

Корректировка методики препода-вания дисциплин. Мониторинг уровня успеваемости обеспечит преподавате-лям возможность адаптировать очеред-ность и информационную наполнен-ность предлагаемого материала.

Прогнозирование жизненного цикла образова-тельных программ. Мониторинг успеваемости и востребованности выпускников в комплексе с анализом трендов рынка и предпочтений абитури-ентов позволяет управлять набором программ в портфельном ассортименте вуза.

Повышение общей успеваемости студентов. Тре-кинг динамики успешности прохождения дисциплин позволяет делать выводы о положительных и отрицательных изменениях.

Оптимизация организации образовательного процесса. Распределение учебной нагрузки, исполь-зование аудиторного фонда, планирование расписа-ния и календаря может быть проведено на основе изучения поведенческих данных обучающихся.

Контроль уровня вовлеченности студентов в общественную жизнь университета. Специализи-рованные метрики, такие как участие во внеучебной работе и общественных мероприятиях позволяют корректировать воспитательную работу в вузе.

Сокращение административно-аналитической работы. Современные информационные техноло-гии и методики машинного обучения позволяют передать часть аналитических функций единой вычислительной системе. Оптимизация использования имущественного комплекса вуза. Технологии учета местонахож-дения студентов в рамках кампуса, расписание занятий, интенсивность использования материаль-но-технической базы и библиотеки способствуют более четкой организации работы внутренних служб университета.

Преимущества использования технологий анализа «Больших данных» в университете

26 27

Университет — это огромное образова-тельное сообщество, участники которого ежедневно генерируют огромное количе-ство поведенческих данных. К ним отно-сятся успеваемость и посещаемость заня-тий, участие в общественной деятельности вуза, стажировки и практика, спортивная жизнь. Наличие таких больших объемов информации позволяет говорить, что эти данные могут быть использованы для раз-вития деятельности университета. Анали-зируя статистику можно не только делать выводы о принятых решениях, но и строить достаточно точные прогнозы и составлять


BIG DATA

рекомендательные сервисы. Такие системы анали-тики могут быть полезны, в первую очередь, студен-там. Мониторинг успеваемости и прогноз будущей оценки при текущем уровне освоения дисциплины — лишь один из примеров практической значимости прикладного использования Data Science. Составле-ние индивидуальной образовательной траектории, служба «умных» цифровых помощников, которые в зависимости от контекста и ситуации предлагают персонализированные рекомендации, способству-ющие успешной учебе и социализации в Универ-ситете — далеко не полный список преимуществ. Профессорско-преподавательский состав получает серьезный инструмент для совершенствования си-стемы методической подготовки образовательных дисциплин на основе трекинга успешности прохож-дения отдельных тем курса и выполнения контроль-ных мероприятий. Отличительной особенностью системы аналитики «больших данных» является ис-пользования огромных информационных массивов, которые анализируются на предмет поиска взаи-мосвязей отдельных показателей, что позволяет делать выводы с достаточной степенью надежности. Сбор информации — это не инструмент слежки, а возможность развивать образовательную и обще-ственную работу вуза.

Активное развитие информационных технологий и цифровых устройств не только делает нашу жизнь разнообразнее, но и позволяет выполнять огромное количество задач и предлагает новые сервисы. На сегодняшний день использование таких технологий позволяет компаниям собирать и анализировать огромное количество информации о поведении по-требителей и пользователей. Это может быть сдела-но с различными целями, но, в первую очередь, для улучшения продукта, повышения уровня сервиса, а также для более таргетированной настройки марке-тинговых программ организации. Проведение при-

чинно-следственных связей и совершенствование продуктов компаний стало возможным при анализе уникальной истории, состоящей из поведенческих данных пользователя, посещения сайтов, обноро-дования собственных интересов, геолокации, вре-мени суток и многого другого.

Существует ряд стандартных и нестандартных показа-телей (метрик), которые изучаются для последующей формулировки выводов относительно предпочтений целевой аудитории. Очевидно, что огромное коли-чество собираемых показателей может исчисляться миллиардами неструктурированных данных. Именно здесь информационные технологии дают возмож-ность анализировать «большие данные» и строить рекомендации для оптимизации деятельности орга-низации и улучшения удовлетворенности клиентов. Задача систематизации разрозненной информации может быть решена с помощью машинного обуче-ния. Затем это позволит прослеживать динамику изменения в поведении пользователей и составлять рекомендательные системы и алгоритмы. Работа с «большими данными» дает преимущества не толь-ко в коммерческом секторе, а также в деятельности некоммерческих организаций. В настоящее время появляются большие перспективы использования технологий анализа Big Data в сфере высшего обра-зования, так как данный подход позволяет поднять образовательный процесс в вузе на новый уровень, а также помочь в оптимизации показателей деятель-ности университета.

В сообществе образовательного учреждения можно выделить три группы заинтересованных «пользова-телей»: • Студенты и слушатели • Профессорско-преподавательский состав • Администрация вуза

На сегодняшний день ис-пользование таких техно-логий позволяет компаниям собирать и анализировать огромное количество ин-формации о поведении потребителей и пользова-телей. Это может быть сде-лано с различными целями, но, в первую очередь, для улучшения продукта, повы-шения уровня сервиса, а также для более таргети-рованной настройки мар-кетинговых программ орга-низации.

В виде графиков и подска-зок студентам демонстри-руются оценки их текущих работ, количество пропу-щенных занятий и общая картина их успеваемости, что будет являться допол-нительной мотивацией для успешного обучения, а также снизит риск воз-никновения проблем во время сессии.

В настоящее время все активнее обсуждается проблематика “больших данных” и выработка универсальных наборов правил при использо-вании и организации данных технологий, что также весьма актуально и для образовательных учреждений.

Елена Конева,


28 29

СТУДЕНТЫ

Использование технологий Big Data наи-большее влияние может оказать на сту-дентов, не только как на наиболее воспри-имчивую к новшествам аудиторию, но и, главным образом, как на конечного потре-бителя образовательной услуги. Правиль-ная организация при использовании таких решений позволяет говорить, что в ближай-шее время можно выстроить подробную

картину причинно-следственных связей, определя-ющих результативность образовательного процесса студентов и слушателей.

Выделим основные преимущества, которые предо-ставляет использование методов исследования Big Data для студентов:

1МОНИТОРИНГ УСПЕВАЕМОСТИ. Система позво-ляет собирать и анализировать успеваемость

и посещаемость студента. В виде графиков и подска-зок студентам демонстрируются оценки их текущих работ, количество пропущенных занятий и общая картина их успеваемости, что будет являться допол-нительной мотивацией для успешного обучения, а также снизит риск возникновения проблем во вре-мя сессии. Эта идея может найти развитие в случае, если будет применен принцип соревнования, когда студенты могут делиться результатами собственной успеваемости в социальных сетях. Это также поможет составлять единый рейтинг успеваемости студентов в вузе. Кроме того, в зависимости от уровня освоения одних предметов появится возможность прогнозиро-вать успешность прохождения смежных дисциплин.

2ВЫБОР ДОПОЛНИТЕЛЬНЫХ ИЗУЧАЕМЫХ ДИСЦИПЛИН. Рекомендательная система позво-

лит предлагать студентам выбор дополнительных дисциплин, которые будут наиболее точно соответ-ствовать интересам и успеваемости. Дисциплины по выбору существуют в рамках изучаемой образо-вательной программы, а также могут быть предло-жены отдельно в качестве дополнительно изучае-мых курсов. Данная возможность появляется в результате анализа динамики успеваемости, а так-же различных поведенческих показателей студентов.

3ПОСТРОЕНИЕ ИНДИВИДУАЛЬНОЙ ОБРАЗО-ВАТЕЛЬНОЙ ТРАЕКТОРИИ. При оптимальной

организации программы обучения студенту может

быть предложена возможность адаптации образо-вательного процесса в зависимости от профессио-нальных интересов, предпочтений, темпов усвоения дисциплин, ожидаемой сферы трудоустройства и т.д. Все это позволяет повысить свою успешность не только как студента, но и в последующем быть бо-лее привлекательным для потенциального работо-дателя, что особенно важно на современном рынке труда для студента без необходимого опыта работы.

4ВЫБОР СФЕРЫ БУДУЩЕГО ТРУДОУСТРОЙ-СТВА. Анализ успешности развития карьеры

выпускника и одновременное сопоставление его образовательной активности в период учебы позво-ляет выявлять взаимосвязь показателей. К примеру, если держать связь со студентами после выпуска в течение хотя бы 3-5 лет, то анализ их студенческой активности и последующего карьерного развития, позволит системе рекомендовать направления раз-вития студентам со схожими интересами и учебными результатами. Во время своей студенческой жизни каждый студент будет генерировать свой уникаль-ный «след» данных, который позволит помочь опре-делиться со специализацией.

ПРОФЕССОРСКО-ПРЕПОДАВАТЕЛЬСКИЙ СОСТАВ


BIG DATA

Мониторинг уровня успе-ваемости, в том числе по мере изучения каждой темы, обеспечит препо-давателям возможность адаптировать очередность и информационную напол-ненность предлагаемого материала, что позволит повысить процент понима-ния темы студентами.

Преподаватели также обладают рядом интересных возможностей и перспектив, которые предлагают методики анализа «Больших данных». В первую очередь, это связано с более детальным мониторингом успеваемости и, как результат, трансформа-цией учебно-методических подходов к пре-подаванию дисциплин.

Выделим основные преимущества:

1ОПРЕДЕЛЕНИЕ СИЛЬНЫХ И СЛАБЫХ СТОРОН СТУДЕНТА. Данное преиму-

щество будет полезно не только для пони-мания студента, но и для создания наибо-лее сбалансированной рабочей группы при проектных заданиях.

Технологии сбора и анализа данных — это не инструмент слежки. Это, скорее, средство разра-ботки новых услуг, сервисов, совершенствование продуктов и улучшение жизни пользователей.

В.С. Старостин,

к.э.н., доцент кафедры маркетинга ГУУ,

научный руководитель проекта

30 31

2КОНТРОЛЬ ТЕКУЩЕЙ УСПЕВАЕМО-СТИ. Данное преимущество особенно

актуально в случае сравнения текущей успеваемости с накопленным опытом динамики успеваемости других студентов, которые уже завершили курс. Возможность контролировать всех студентов в режиме реального времени позволяет сопоставлять результаты с контрольными показателями.

3КОРРЕКТИРОВКА МЕТОДИКИ ПРЕ-ПОДАВАНИЯ ДИСЦИПЛИН. Монито-

ринг уровня успеваемости, в том числе по мере изучения каждой темы, обеспечит преподавателям возможность адапти-ровать очередность и информационную наполненность предлагаемого материала, что позволит повысить процент понимания темы студентами.


BIG DATA

АДМИНИСТРАЦИЯ

Главным маркетинговым преимуществом использо-вания технологий анализа «больших данных» явля-ется управление портфелем образовательных про-грамм, что, в том числе, способствует повышению конкурентоспособности вуза. При переходе на более высокий уровень управления образовательным учре-ждением возникает необходимость прогнозирования востребованности программ обучения, что также воз-можно благодаря методам Big Data.

Среди потенциальных перспектив можно выделить:

1ПРОГНОЗИРОВАНИЕ ЖИЗНЕННОГО ЦИК-ЛА ОБРАЗОВАТЕЛЬНЫХ ПРОГРАММ И ИХ

КОНКУРЕНТОСПОСОБНОСТИ. Мониторинг успеваемости и востребованности выпускников в комплексе с анализом трендов рынка и пред-почтений абитуриентов позволяет управлять набором программ в портфельном ассортименте вуза. На практике это означает открытие новых, а также отказ от нерентабельных направлений, профилей и программ.

2ПОВЫШЕНИЕ ОБЩЕЙ УСПЕВАЕМОСТИ СТУДЕНТОВ. Трекинг динамики успешности

прохождения дисциплин позволяет делать выво-ды о положительных и отрицательных измене-

ниях, данная информация может быть использо-вана для принятия различных организационных решений.

3ОПТИМИЗАЦИЯ ОРГАНИЗАЦИИ ОБРАЗОВА-ТЕЛЬНОГО ПРОЦЕССА. Распределение учебной

нагрузки, использование аудиторного фонда, плани-рование расписания и календаря может быть про-ведено на основе изучения поведенческих данных обучающихся.

4КОНТРОЛЬ УРОВНЯ ВОВЛЕЧЕННОСТИ СТУ-ДЕНТОВ В ОБЩЕСТВЕННУЮ ЖИЗНЬ УНИ-

ВЕРСИТЕТА. Специализированные метрики, такие как: участие во внеучебной работе и общественных мероприятиях позволяют корректировать воспита-тельную работу в вузе.

5СОКРАЩЕНИЕ АДМИНИСТРАТИВНО-АНАЛИ-ТИЧЕСКОЙ РАБОТЫ. Современные информаци-

онные технологии и методики машинного обучения позволяют передать часть аналитических функций единой вычислительной системе. Тем не менее, принятие управленческих решений в полной мере возможно самими руководителями.

Технологии учета местонахождения студентов в рамках кампуса, расписание занятий, интенсивность использования материально-технической базы и библиотеки способствуют более четкой организации работы внутренних служб университета.

6ОПТИМИЗАЦИЯ ИСПОЛЬЗОВАНИЯ ИМУЩЕСТВЕННОГО КОМПЛЕКСА

И ИНФРАСТРУКТУРЫ ВУЗА. Технологии учета местонахождения студентов в рамках кампуса, расписание занятий, интенсив-ность использования материально-техниче-ской базы и библиотеки способствуют более четкой организации работы внутренних служб университета.

«Большие данные» будут оказывать се-рьезное влияние на организацию обучения в ближайшие годы. Данные технологии позволят решить основную задачу админи-страции вуза — улучшение образователь-ных программ и совершенствование само-го процесса обучения. Успешные студенты и слушатели, как один из основных активов вуза, усилят свое положительное влияние не только на имидж университета, но и на общество в целом.

32 33

01 03

02

04


BIG DATA

2.3. БАРЬЕРЫ ВНЕДРЕНИЯ СИСТЕМ МАРКЕТИНГОВОЙ АНАЛИТИКИ

лей. Вопрос должен быть решен, в том числе, с уча-стием юристов, что позволит минимизировать нега-тивные последствия. Главным же решением может быть шифрование и обезличивание набора данных.

• Недостаточное развитие инфраструктуры вуза. Сбор поведенческих данных студентов предпола-гает «компьютеризацию» многих процессов, что позволяет контролировать ключевые показатели и отслеживать их динамику. К примеру, учет посе-щаемости занятий, а также выставление проме-жуточных оценок успеваемости не может более проходить в письменном «аналоговом» виде. Появ-ляется необходимость в «диджитализации» такой работы. А именно — в использовании программ-ных продуктов и интранет-системы, объединяющей различные сервисы для студентов, преподавателей и администрации.

• Инертная к изменениям среда. Готовность участни-ков процесса к внедрению и использованию новых технологий может вызывать много вопросов. Тра-диционный уклад высшего образования в России до сих пор во многом связан с консервативными взгля-дами на управление процессом. Нововведения потребуют дополнительного обучения персонала, а также частичного изменения привычных процес-сов в вузе, таких как: организация и проведение экзаменов и контрольных мероприятий; учет по-сещаемости и успеваемости; администрирование личных дел студентов и слушателей и т.п.

Технологии Big Data — это возможность улучшения условий обучения студентов и развития системы об-разования в целом. Двигаясь вперед, необходимо признавать потенциал и риски данных технологий. Также важно уважать взгляды преподавателей и сту-дентов, которые являются основными участниками процесса. Открытость для всех точек зрения являет-ся хорошим принципом безопасного использования этих развивающихся технологий.

Барьеры внедрения систем маркетинговой аналитики в вузе

Большинство инновационных нововведе-ний имеют ряд ограничений, препятству-ющих их скорейшему использованию в по- вседневной практике компаний. Изучая вопрос применения технологии анализа Big Data в образовании, возникает необ-ходимость в рассмотрении ряда барьеров, которые должны быть учтены в процессе реализации.

• Отсутствие профессиональных методик сбора и анализа информации. Данный барьер связан с недостатком реальных

методик сбора информации, а также отсутствием профильных специалистов-аналитиков. С развити-ем технологий, проблема хранения большого коли-чества данных стала отходить на второй план. Глав-ным ресурсом должны стать человеческие знания, компетенции и методы машинного обучения;

• Этика и безопасность. Интенсивность использова-ния большого количества персональных данных приносит с собой много рисков и дилемм этического характера. У аудитории может возникнуть ложное ощущение постоянного контроля и даже слежки. Эти опасения, в том числе, связаны с безопасностью и нераспространением личных данных пользовате-

Нововведения потребуют дополнительного обучения персонала, а также частич-ного изменения привычных процессов в вузе, таких как: организация и проведение экзаменов и контрольных мероприятий; учет посещае-мости и успеваемости; адми-нистрирование личных дел студентов и слушателей и т.д.

Специфика деятельности высшего учебного заведения такова, что одновременно возни-кает множество разнообразных данных, в том числе поведенческих данных о студентах. Их корректный сбор и обработка позволяют более точно настраивать систему управления учебным процессом и создавать основу для постоянного повышения его качества, а также своевременно внедрять инновационные образовательные технологии.

Е.В. Сумарокова,

к.э.н., доцент кафедры маркетинга ГУУ

ОТСУТСТВИЕ ПРОФЕССИОНАЛЬНЫХ МЕТОДИК СБОРА И АНАЛИЗА ИНФОРМА-ЦИИ. Данный барьер связан с недостатком реальных методик сбора информации, а также отсутствием профильных специали-стов-аналитиков

ЭТИКА И БЕЗОПАСНОСТЬ. Интенсивность использования персональных данных приносит много рисков и дилемм этического характера. У аудитории может возникнуть ложное ощущение постоянного контроля и даже слежки.

НЕДОСТАТОЧНОЕ РАЗВИТИЕ ИНФРАСТРУК-ТУРЫ ВУЗА. Сбор поведенческих данных студентов предполагает «компьютеризацию» многих процессов, что позволяет контроли-ровать ключевые показатели и отслеживать их динамику

ИНЕРТНАЯ К ИЗМЕНЕНИЯМ СРЕДА. Нововведения по-требуют дополнительного обучения персонала, а также частичного изменения привычных процессов в вузе, таких как: организация и проведение экзаменов и кон-трольных мероприятий; учет посещаемости и успевае-мости; администрирование личных дел студентов и т.п.

01 02 03 04

34 35


BIG DATA

2.4. МЕТОДИКИ ОБРАБОТКИ И АНАЛИЗА МАРКЕТИНГОВЫХ ДАННЫХ

Образовательное сообще-ство студентов и преподава-телей ежедневно генерируют огромные массивы данных, многие из которых так и остаются в «аналоговой» форме, не контролируются и должным образом не со-бираются. Привычные си-стемы оценивания успева-емости, ведения личных дел студентов, участие во внеу-чебной и культурной жизни вуза не подразумевают пе-ревод имеющихся данных в «цифровой» формат.

Появление новых методов исследования и прогно-зирования не могли не затронуть маркетинг. Если раньше маркетологи могли полностью полагаться на логику при анализе рынка, то сейчас, чтобы оста-ваться конкурентоспособными, необходимо более глубоко исследовать факторы: искать невидимые на первый взгляд связи, работать с большими объема-ми данных.

Высшие учебные заведения зачастую прибегают к работе с большими данными, так в Государствен-ном Университете Управления работают более 1000 преподавателей, обучаются более 15 тысяч студен-тов и более 1000 аспирантов. Безусловно, без гра-мотного подхода к анализу больших данных здесь не обойтись.

Очевидно, что на первом этапе необходимы инстру-менты, методы и технологии сбора поведенческих данных, которые затем будут использоваться для поиска взаимосвязей и составления прогнозных сценариев. Образовательное сообщество студентов и преподавателей ежедневно генерирует огромные массивы данных, многие из которых так и остаются в «аналоговой» форме, не контролируются и долж-ным образом не собираются. Привычные системы оценивания успеваемости, ведения личных дел сту-дентов, участие во внеучебной и культурной жизни вуза не подразумевают перевод имеющихся данных в «цифровой» формат. До сих пор не до конца реа-лизованы системы личных кабинетов, онлайн-жур-налов и дневников, что является одним из основных барьеров внедрения серьезных систем прогнозной аналитики.

В конечном итоге использование систем анализа данных об участниках образовательного процесса во многом направлены на улучшение успеваемости студентов и получение актуальных знаний и навыков

Образование: курс, группа, институт, направление, специальность, программа

Доступ на территорию: вход-выход, наличие автомобиля, общежитие, бассейн

Библиоте-ка: номер читательского билета, выдан-ные книги, ре-комендуемая литература

Мобильное приложение: популярные разделы, поисковые запросы, длина сессии, геолокация

Интранет: популярность страницы, время в сети

Почта: входя-щие, исходя-щие, чернови-ки, ключевые слова

Операции по электронной карте студента: баланс, денеж-ные операции

Учебная деятельность: изучаемые дисциплины, расписание, посещаемость, результаты по контрольным

Достижения: результаты экзаменов и зачетов, тема диплома, ме-сто прохожде-ния практики, участие в конференциях, публикации

Социаль-но-демогра-фические: пол, возраст, гражданство, родной город

Внеучебная дея-тельность: член-ство в кружках и секциях Центра учебно-вос-питательных программ, спор-тивные секции, абонемент в бассейн

Группы поведенческих показателей студентов

01

06

02

07

03

08

04

09

05

10 11

в интересной профессии. Однако до те-кущего времени постоянный мониторинг успеваемости каждого конкретного студен-та ведется лишь в форме зачетной книж-ки, экзаменационной ведомости и личной карточки студента, которые, как правило, хранятся в учебно-методических отделах в рукописной форме. Такая «поведенческая история» является далеко не полной, так как не учитывает многие аспекты деятельности современных студентов. Системы прогноз-ной аналитики работают более эффективно

36 37


BIG DATA

в том случае, когда используется различная качественная и количественная информа-ция, что позволяет находить взаимосвязан-ные показатели. Накопленные в течение нескольких учебных лет данные должны включать не только успеваемость, но и со-вершенно разные явные и неявные пока-затели, такие как: участие в клубах и круж-ках, занятие спортом, научные публикации, посещение библиотеки, международные стажировки, практика в компаниях и мно-гое другое. Только разносторонний портрет студента позволит адекватно проанализиро-вать его успешность и позволит не допустить оценивание только лишь на основе отдель-ных показателей. Для сбора таких данных потребуется серьезная информационно-об-разовательная система, которая позволит

собирать, накапливать и интерпретировать большое количество пользовательских данных (метрик). Архи-тектура такой системы представлена в данной работе.

Масштабный анализ позволяет знание преобразо-вать в прогноз на будущее. Для того чтобы прогноз был наиболее приближен к реальности, после состав-ления массива данных необходимо определиться с методом для анализа: причинно-следственный или корреляционный. Причинно-следственная связь су-ществует между данными, когда одно из них (причи-на) при наличии определенных условий вызывает из-менение другого, называемое следствием. Выбирая причинно-следственный метод анализа, специали-стам необходимо путем логических умозаключений определить, что является предпосылкой — причиной, а что результатом — следствием. После составления модели взаимосвязи между показателями, система будет автоматически определять искомые значения следствий по функции от причин.

Корреляционная связь противопоставляется причин-но-следственной, поскольку отвергает вмешательство фактора человеческой логики, а оперирует исключи-тельно фактами. Корреляционная связь представляет собой функциональную зависимость, где воздействие отдельных факторов проявляется как тенденция при массовом наблюдении фактических данных. В стати-стических исследованиях принято выделять две кате-гории признаков: признаки-факторы и результатив-ные признаки. Если в причинно-следственной связи наблюдается полное соответствие между факторными и результативными признаками, то в корреляции это полное соответствие отсутствует, а точнее диктуется са-мими данными и порой не поддается никакой логике.

Самым элементарным вариантом корреляционной зависимости является парная корреляция, т.е. зави-симость между двумя признаками (результативным

и факторным или между двумя факторными). Мате-матически эту функцию можно определить как зави-симость результативной метрики «Y» от факторной метрики «X». Связи могут быть прямые и обратные. В первом случае с увеличением метрики «X» увеличи-вается и метрика «Y», при обратной связи с увеличе-нием метрики «X» уменьшается метрика «Y».

Метод корреляционного анализа — важный шаг в стремлении количественно измерить и понять свя-зи между, на первый взгляд, независимыми друг от друга характеристиками. То, что прежде невозможно было измерять, хранить, анализировать и распро-странять, находит свое выражение в виде рекомен-дательных сервисов и прогнозных сценариев.

Развитие методов анализа Big Data задает три новых тенденции:

1 способность анализировать все данные, а не толь-ко их части или статистические выборки;

2 необходимость работы с неупорядоченными дан-ными в ущерб точности;

3 доверие фактам, взамен человеческой логике: использовать корреляцию, а не только искать

причину и следствие.

Главное условие работы корреляционного метода — это наличие большого массива данных. Чем больше будет выборка для применения корреляции на прак-тике, тем точнее будет результат прогноза. Система вслепую сканирует данные и ищет в них некие соот-ветствия между выбранными метриками. Затем, на основе найденных функциональных зависимостей составляется прогноз, т.е. система определяет значе-ние искомой метрики по уже известным значениям взаимосвязанных с ней данных. Большинство совре-менных аналитических систем работают эффективно благодаря постоянному обновлению большого коли-чества данных, на основе которых они могут строить

свои прогнозы с помощью корреляционного метода. Более того, системы спроектиро-ваны таким образом, чтобы со временем улучшаться за счет отслеживания самых по-лезных сигналов и моделей по мере посту-пления новых данных.

Корреляции помогают открыть новые не-оценимые знания. Зачастую результаты анализа этим методом не поддаются логи-ке, однако отвергать их — значит делать ошибку. Связи между метриками не всегда очевидны, не стоит проводить время за их поисками, когда можно положиться на фак-ты, обнаруженные машиной. Корреляции не могут определить точно, почему проис-ходит то или иное событие, зато предупре-ждают о том, какого оно рода.

Накопленные в течение не-скольких учебных лет дан-ные должны включать не только успеваемость, но и совершенно разные яв-ные и неявные показатели, такие как: участие в клубах и кружках, занятие спортом, научные публикации, по-сещение библиотеки, меж-дународные стажировки, практика в компаниях и многое другое.

В разработанной нами системе будут использо-ваться не только уже известные данные. Система сможет самостоятельно составлять прогнозы, что, к примеру, позволит студентам заранее знать ве-роятную оценку с учетом текущей успеваемости.

Валерия Акимова,


38 39


BIG DATA

Университет с более чем 15 000 студен- тов — это огромный потенциальный массив данных. Каждый их студентов генерирует метрики по 11 категориям в динамике за не-сколько недель, месяцев и лет. Аналитиче-ская система должна научиться принимать решения самостоятельно, ранжируя наи-более релевантные результаты и выбирая максимально подходящий вариант. Такой процесс называется машинным обучени-ем. Для составления прогнозных сценариев и рекомендательных сервисов необходимо максимально точно выбирать из совокуп-ности студентов именно того человека, для которого предлагаемая информация будет актуальна. Здесь используются уже упо-мянутые показатели — признаки соответ-ствия (отдельные поведенческие метрики

студентов) и критерии выбора (условия, по которым осуществляется отбор и составление рекомендаций).

Корреляционный анализ пользовательских поведен-ческих данных студентов Государственного Универ-ситета Управления будет производиться на основе базы данных, где представлены не только информа-ция из личного дела, но и дополнительные сведения о внеучебной активности студентов. Массив находит-ся в виде стандартного набора метрик по каждому студенту. Доступ к информации будет иметь ограни-ченный круг лиц.

Для удобства представления данных в базе админи-стратора все метрики структурированы в 11 блоков, представляющих собой основные направления до-ступной и актуальной информации по студентам ГУУ:

1Образование: курс, группа, институт, направление, специальность, программа;

2Учебная деятельность: изучаемые дисциплины, расписание, посещаемость, результаты по кон-

трольным;

3Достижения: результаты экзаменов и зачетов, тема диплома, место прохождения практики,

участие в конференциях, публикации;

4Социально-демографические: пол, возраст, граж-данство, родной город;

5Внеучебная активность: членство в кружках и секциях Центра учебно-воспитательных про-

грамм, спортивные секции, абонемент в бассейн;

6Доступ на территорию: вход-выход, наличие авто-мобиля, общежитие, бассейн;

7Операции по электронной карте студента: баланс, денежные операции;

8Библиотека: номер читательского билета, выдан-ные книги, рекомендуемая литература;

9Мобильное приложение: популярные разделы, поисковые запросы, длина сессии, геолокация;

10Интранет: популярность страницы, время в сети;

11Почта: входящие, исходящие, черновики, клю-чевые слова.

С помощью технологии корреляционного анализа данных система выявит взаимосвязанные метрики и, взяв их значения за образец для сравнения с прочи-ми, сможет составить прогноз на основе имеющейся информации. Для анализа и прогнозирования значе-ния неизвестных метрик необходимо учитывать об-ласть возможных значений, которые они могут прини-мать. Для проектирования системы будет рассмотрено 4 варианта представления значений данных:• Числовое значение в пределах, заранее установлен-

ных разработчиком для избежания некорректных данных: курс, группа, посещаемость, результаты по контрольным и экзаменам, номер читательского билета, популярность страницы, длина сессии;

• Числовое значение без пределов: возраст, баланс карты студента, статистика посещения разделов ин-транета, входящие, исходящие, черновики, корзина;

• Наименование: институт, направление, специаль-ность, программа, тема диплома, место прохожде-ния практики, участие в конференциях, публикации, гражданство, родной город, членство в кружках и секциях ЦУВП, спортивные секции, операции, вы-данные книги, рекомендуемая литература, попу-лярные разделы, поисковые запросы, геолокация;

• Да/нет односложные: результаты зачетов, пол, або-немент в бассейн, доступ на территорию (вход-вы-ход, авто, общежитие, бассейн).

Таким образом, система заранее будет иметь выборку параметров для прогноза в зависимости от возмож-ных значений измерения прогнозируемой метрики.

После формирования базы данных проводится ана-лиз всего массива корреляционным методом. Систе-

ма определяет, каким образом изменение одной из метрик о студентах ГУУ влечет за собой изменение других, составляется функ-циональная зависимость между исследуе-мыми значениями параметров. Затем для составления прогноза уже не будет необхо-димости постоянно запускать корреляцион-ный анализ. Система сможет использовать уже выведенные формулы для определе-ния метрик, главным условием точности ко-торых является наличие большого массива данных о студентах для обработки. Техноло-гия анализа «больших данных» во многом использует принципы и возможности ма-шинного обучения. Виртуальное хранилище содержит огромное количество пользова-тельских метрик. Для составления прогно-за или сценария появляется необходимость поиска наиболее подходящей комбинации параметров. Процесс упорядочивания ре-зультатов согласно условиям и критериям

Для составления прогноза или сценария появляется необходимость поиска наи-более подходящей комбина-ции параметров. Процесс упорядочивания результа-тов согласно условиям и критериям отбора следует называть ранжированием. Такие технологии активно используют поисковые си-стемы Яндекс и Google.

Университет востребован в той степени, в кото-рой востребованы его специалисты. Нужно эту ситуацию отслеживать, прогнозировать и уметь подстроиться под потребности рынка.

В.Я. Конкс,

к.ф.-м.н., доцент кафедры маркетинга ГУУ

40 41

отбора следует называть ранжированием. Такие технологии активно используют поис-ковые системы Яндекс и Google.

Для корректной работы машинного обу-чения необходимы эталоны ответа, кото-рые служат в роли «правильных образцов комбинаций». К примеру, задача состоит в поиске студентов, наиболее способных и потенциально готовых к успешной работе в крупной международной компании, зани-мающейся маркетинговыми исследования-ми. Таким студентам может быть предложе-на стажировка, приглашение на открытую лекцию, мастер-класс, а также предложе-ние использовать схожую тему в качестве тематики курсовой или дипломной работы. Для выполнения такой задачи потребуется эталонный образец, то есть, обучающая вы-борка выпускников Университета, которые уже добились успехов в обозначенной меж-дународной компании. IT-система анализи-рует предложенную обучающую выборку, выделяет зависимость критериев, а затем проводит отбор среди студентов на предмет наличия схожих признаков. Суть корреля-ции в данном случае означает поиск ком-бинации нескольких признаков, которые

затем приводят к эталонному результату. Интересно также то, что такие признаки зачастую могут быть совершенно неявными. К примеру, не только курс, специальность и успеваемость по профильным пред-метам, но и хобби, наличие автомобиля и участие во внеучебной деятельности вуза.

Для наглядной демонстрации использования ме-тода корреляционного анализа составлена модель «идеального выпускника» Государственного уни-верситета управления. Данные были собраны в ре- зультате проведенной серии интервью с препода-вателями и администрацией ГУУ. Идея заключа-лась в выяснении, какая часть ныне обучающихся студентов потенциально претендует на успех после получения диплома. На примере этих данных мож-но проследить основные этапы проведения корре-ляционного анализа:

1Сбор и составление анкеты идеального выпускни-ка по всем 11 блокам метрик;

2Выбор ограничений возможных значений по каждой метрике;

3Процесс сканирования данных на наличие их взаимосвязи;

4Составление формул функциональной зависимо-сти между метриками.

Выбор метрики для составления прогноза: к примеру, выпускнику необходимо получить прогноз о его тру-доустройстве.

Выбор необходимых формул для подстановки значе-ний: допустим, по результатам проведения анализа было установлено, что метрика «трудоустройство» вза-имосвязана с метрикой «оценка за прохождение прак-тики» и метрикой «оценка за диплом» по формуле:

Т=(0,1*П+0,1*Д)*100%,

где Т — коэффициент трудоустройства, выраженный в процентах (к примеру, 87% означает, что из 100 ра-ботодателей выпускника готовы принять на работу 87); П — оценка за прохождение практики; Д — оцен-ка за написание диплома.Система подставляет значения уже известных метрик и составляет прогноз: значение метрики «оценка за прохождение практики» у выпускника равна 5, ме-трика «оценка за диплом» равна 5, таким образом,

Т=(0,1*5+0,1*5)*100%=100%.

Коэффициент трудоустройста равен 1 (или 100%), что означает: из 100 работодателей выпускника готовы принять на работу 100.

С использованием корреляционного метода в проекте для Государственного Университета Управления поя-вится возможность получать быстрые прогнозы и ре-

IT-система анализирует предложенную обучающую выборку, выделяет зависи-мость критериев, а затем проводит отбор среди сту-дентов на предмет наличия схожих признаков.


BIG DATA

комендации для студентов. Более того, из-за большого объема информации прогнозы будут достаточно точными. И чем больше данных поступает и анализируется в систе-ме, тем точнее становится результат. ГУУ на-копил многолетнюю базу данных, которые можно применить с пользой для обучения. Университету во многом придется изменить способы обработки данных и управления ими. Польза для систем, использующих ме-тод корреляционного анализа для прогно-зирования, будет огромной, поскольку боль-шие данные станут структурированными и помогут решению актуальных проблем.

42 43

02

0304

05

06 01

Внедрение удобных IT-сервисов не только позволяет сделать обучение и преподава-ние более удобным, но также дает возмож-ность собирать огромное количество поль-зовательских данных (метрик), при анализе которых составляются прогнозы, эксперт-ные оценки, сценарии и рекомендательные системы. Виртуальное информационно-об-разовательное пространство (ВИОС) — еди-

ЧАСТЬ III3.1. ВИРТУАЛЬНАЯ ИНФОРМАЦИОННО-ОБРАЗОВАТЕЛЬНАЯ СРЕДА ВУЗА

ная цифровая среда университета, которая объеди-няет несколько элементов и предоставляет широкий функционал, специально предназначенный для улуч-шения образовательного процесса и мониторинга учебной и воспитательной работы вуза. Архитектура предлагаемого информационно-образовательного пространства включает ключевые компоненты:1. Внутренний портал Университета (Интранет)2. Индивидуальный E-mail

РАЗРАБОТКА СИСТЕМЫ СБОРА ПОЛЬЗОВАТЕЛЬСКИХ ДАННЫХ В ОБРАЗОВАТЕЛЬНОМ УЧРЕЖДЕНИИ

3. Электронная карта студента4. Мобильное приложение «вГУУ»5. Интерактивная информационная панель6. Личный кабинет и электронная анкета студента

Все элементы системы неразрывно связаны между собой. Только при интегрированной работе они по-зволяют решать большое количество пользователь-ских задач и в полной мере использовать преимуще-ства технологий анализа «больших данных».

1ВНУТРЕННИЙ ПОРТАЛ УНИВЕРСИТЕТА (ИНТРАНЕТ)

Главный внутренний портал университета обладает основным функционалом и связывает между собой ос-новные элементы системы, обеспечивает основное ра-бочее поле. Важно, что интранет обладает основным функционалом, полезен также преподавателям и ру-ководящему составу, выполняя ряд важных функций:• Оперативное информирование

и получение обратной связи• База данных учебных материалов

(электронное хранилище)• Электронная поддержка учебного процесса

и документооборот• Коммуникации между преподавателями

и студентами

Возможны коммуникации между преподавателем и студентом, между преподавателями и руковод-ством. Главным образом, это связано с мониторингом собственной успеваемости с возможностью контроли-ровать объем текущих заданий.

Новостная лента может быть интересна как студен-там, так и преподавателям. Таким образом, исчезает необходимость использования электронной почты как основного канала обмена учебными материала-ми. Внутренний портал вуза выполняет эту функцию

более эффективно. Электронное хранили-ще представляет собой информационное облако, доступ к которому имеют только за-регистрированные студенты вуза.

Студенты будут всегда в курсе событий: будь то конференция, которая проходит через неделю, или спортивные соревнования. Каж- дый студент будет иметь возможность ис-пользовать свой виртуальный календарь-рас-писание, где он может более сбалансировано организовать свой учебный процесс.

Преподаватели могут отслеживать основ-ную информацию о студенте, статистику посещаемости своего предмета, оценки по своему и смежным предметам. Кроме того, в своем личном кабинете преподаватели могут администрировать преподаваемые дисциплины, получить информацию о груп-пах. К информации о группе можно прикре-пить полезные напоминания о предстоящей контрольной или заказать проектор. Кроме того, присутствует инструмент быстрой свя-зи как с отдельным студентом, так и всей группой через рассылку.

Руководство университета заинтересовано в успехах своих студентов и качестве работы преподавателей. Благодаря предложенной системе появляется дополнительный ин-струмент анализа и контроля деятельности. Имея самый широкий доступ, можно кон-тролировать статистику как по университету в общем, так и по институтам, факультетам или группам. В удобной форме предостав-ляется вся необходимая информация: об-щая успеваемость группы, посещаемость, активность.

Архитектура Виртуальной информационно-образовательной системы

ВНУТРЕННИЙ ПОРТАЛ УНИВЕРСИТЕТА (ИНТРАНЕТ)• Оперативное информирование и получение обратной связи• База данных учебных материалов (электронное хранилище)• Электронная поддержка учебного процесса и документооборот• Коммуникации между преподавателями и студентами

ЭЛЕКТРОННАЯ КАРТА СТУДЕНТА• Средство идентификации• Пропуск на территорию• Оплата товаров и услуг внутри вуза• Читательский билет• Проездной билет

МОБИЛЬНОЕ ПРИЛОЖЕНИЕ «ВГУУ»• Персональные рекомендательные сервисы• Календарь мероприятий• Новостная лента• Карта университета• Кафе и столовые

ИНТЕРАКТИВНАЯ ИНФОРМАЦИОННАЯ ПАНЕЛЬ• Информирование студентов и преподавателей• Коммуникации с учебным отделом• Заказ справок

и документов

ЛИЧНЫЙ КАБИНЕТ И ЭЛЕКТРОННАЯ АНКЕТА СТУДЕНТА• Ключевые показатели успеваемости• Информация о поведенческой активности• Коммуникационная функция• Системы уведомлений

ИНДИВИДУАЛЬНЫЙ E-MAIL• Официальная электронная почта• Функция имени пользователя при входе

44 45

2E-MAILЭлектронная почта представляет собой

официальный персональный почтовый ящик, закрепленный за студентом Университета. В том числе, через этот канал осуществляется информирование и официальная переписка. С другой стороны, университетский e-mail вы-полняет роль верификатора. Другими слова-ми, имя пользователя и пароль будут исполь-зоваться для входа в личный кабинет, а также регистрации в мобильном приложении. Дан-ные электронной почты выдаются каждому поступившему и имеют вид: [email protected]. При необходимости предусмотрена возмож-ность настроить переадресацию на другой по-чтовый ящик студента.

3ЭЛЕКТРОННАЯ КАРТА СТУДЕНТАЭлектронная карта студента призвана заме-

нить собой множество карт и удостоверений

студента, получить один надежный и универсаль-ный инструмент. Одна стильная электронная кар-та позволит заменить проездной билет, банков-скую карту, студенческий и читательский билет.Используя внутри вуза карту студента с технологи-ей RFID (радиочастотная идентификация), появля-ется возможность создания функционального ин-струмента, который также поможет: брать книги из библиотеки, проходить в университет, удосто-верять личность и принадлежность к университету. Карта «привязана» к личной анкете студента, что позволяет студенту получать уведомления и реко-мендации. К примеру:• При въезде на парковку получать уведомление

о том, сколько парковочных мест свободно и где они расположены;

• При попадании на территорию университета получать уведомление о том, какой предмет и в какой аудитории (в соответствии с расписа-нием студента);

• Карта выдается при поступлении в университет. При её потере существует возможность момен-тально заблокировать ее из мобильного прило-жения. В таком случае, все данные и средства будут в безопасности, так как возможна функция удаленной блокировки.

4ИНТЕРАКТИВНАЯ ИНФОРМАЦИОННАЯ ПАНЕЛЬ

Все знакомы с большим количеством объявлений, бланков и афиш, которые развешаны по стенам внутри и снаружи деканата. Есть решение, кото-рое сделает знакомство и донесение информации намного удобнее. Новая доска объявлений будет выполнена в виде большого сенсорного экрана, на котором демонстрируется информация деканата. Технология touch-screen позволяет производить поиск нужной информации, оставлять заявки на получение справок. Для совершения действий по

заказу документов требуется верификация с помощью электронной карты студента. С помощью интерактив-ного меню можно посмотреть актуальное расписание преподавателей, расписание занятий, сессии или пе-ресдач. Интерактивная панель также используется для демонстрации новостей и сообщений университета. Данный инструмент призван оптимизировать работу учебно-методического отдела, максимально разгрузив их и предоставить студенту полную информацию по первому запросу, без очередей и перерывов на обед.

5МОБИЛЬНОЕ ПРИЛОЖЕНИЕ «ВГУУ»Мобильное приложение — во многом продолже-

ние и дополнение интранета. Некоторые функции со-впадают, но актуальную информацию всегда можно получать со смартфона или планшета. Приложение позволяет решать задачи быстрее, удобнее и эффек-тивнее. Приложение ориентировано на студентов, абитуриентов, преподавателей и администрацию. Студент также может проверить свои успехи, прове-рить расписание или посмотреть последние новости. Приложение оснащено картой, благодаря которой первокурсники и гости университета смогут быстро и легко сориентироваться и найти нужное подраз-деление. Приложение позволяет проверить наличие книг в библиотеке. Предусмотрена связь с официаль-ными страницами в соцсетях и многое другое. Под-робности работы мобильного приложения «вГУУ» представлены в данной работе.

6ЛИЧНЫЙ КАБИНЕТ И ЭЛЕКТРОННАЯ АНКЕТА СТУДЕНТА

Личная анкета студента становится единым элемен-том, который собирает и систематизирует различ-ные социально-демографические и поведенческие метрики человека. Показатели сравниваются с об-щим массивом данных для выявления признаков и корреляций, что при должной аналитической под-готовке способствует составлению поведенческих

ЧАСТЬ III . РАЗРАБОТКА СИСТЕМЫ СБОРА ПОЛЬЗОВАТЕЛЬСКИХ ДАННЫХ В ОБРАЗОВАТЕЛЬНОМ УЧРЕЖДЕНИИ

BIG DATA

Виртуальное информационно-образовательное пространство — среда университета, предо-ставляющая широкий функционал, специально предназначенный для улучшения образователь-ного процесса в вузе.

Юрий Бутковский,


Виртуальное информаци-онно-образовательное про-странство (ВИОС) – единая цифровая среда универси-тета, которая объединяет несколько элементов и пре-доставляет широкий функ-ционал, специально предна-значенный для улучшения образовательного процесса и мониторинга учебной и вос-питательной работы вуза.

Благодаря предложенной системе появляется до-полнительный инструмент анализа и контроля дея-тельности. Имея самый ши-рокий доступ, можно кон-тролировать статистику как по университету в об-щем, так и по институтам, факультетам или группам.

сценариев и разработке рекомендательных сервисов. Подробное описание данной си-стемы предложено в данной работе.

46 47


BIG DATA

Проанализировав примеры удачной прак-тики разработки мобильных приложений образовательных учреждений, структуру объекта исследования, целевую аудито-рию, был разработан функционал будущего приложения для ГУУ. Согласно проведенно-му исследованию, большинство студентов обладают устройствами компании Apple,

3.2. РАЗРАБОТКА ФУНКЦИОНАЛА ПРИЛОЖЕНИЯ «ВГУУ»

поэтому проект мобильного приложения разрабаты-вается для платформы iOS. Информационное и функ-циональное наполнение предполагает открытую и закрытую части. Открытая часть предлагает общую информацию об университете, доступную всем поль-зователям. Закрытая часть (Личный кабинет) предла-гает персонализированное содержание.

Главные разделы меню — «Личный кабинет», «Ка-лендарь мероприятий», «Еда», «Карта Университета», «Новости», «Библиотека», «Контакты», «Мы в соцсетях» и «Вопросы».

Мобильное приложение «вГУУ» синхронизируется с единым Виртуальным информационно-образова-тельным пространством, которое предоставляет зна-чительную часть контента. Сервис непосредственно интегрирован с единой картой студента. Важно обе-спечить защищенный доступ к личной информации пользователей и внедрение данной системы во все структуры университета. Приложение значительно упростит доступ пользователей к информации, вза-имодействие студентов с преподавателями, сделает процесс обучения более современным и удобным.

Приложение разработано для трех категорий пользо-вателей:

1Студенты (информация о жизни вуза, расписание занятий, карта кампуса, календарь мероприятий,

личный кабинет, сообщения и многое другое);

2Абитуриенты (знакомство с новостями универси-тета, контактная информация, ответы на популяр-

ные вопросы);

Система вовлекает студен-тов в учебной процесс с первого дня и до выпуска. После быстрого освоения приложения «вГУУ», студент быстро интегрируется в полноценную студенче-скую жизнь.

Приложение «вГУУ» позволит получать актуаль-ную и интересную информацию, отслеживать успехи в учебном процессе; первокурсникам станет легче адаптироваться к новой для них среде, в том числе благодаря множеству полез-ных функций.

Галина Карташова,


3Преподаватели и администрация (ис-пользование личного кабинета, комму-

никации со студентами, уточнение актуаль-ного расписания).

48 49


BIG DATA

Система вовлекает студентов в учебной процесс с первого дня и до выпуска. После быстрого освоения приложения «вГУУ», студент быстро интегрируется в полноценную студенческую жизнь. Практически, приложение заменяет новичкам куратора — на все вопросы ответ теперь лежит в кармане. Студенты также могут извлекать пользу из системы — слушать подкасты лекций во время дороги, вести онлайн конспекты лекций на планшете во время занятий и обмениваться мнениями. Студенты смогут обу-чаться в любом месте и в любое время, что позволит им достигать больших успехов в учебе. Мобильные устройства ускоряют и упрощают рутинные действия студентов, такие как проверка электронной учебной почты или расписания. С тех пор, как смартфоны и планшеты получили широкое распространение среди молодежи, обеспечение мобильного доступа к услугам и учебным материалам стало очень важ-ным преимуществом.

Рассмотрим подробнее содержание разделов функ-ционала приложения для ГУУ.

ЛИЧНЫЙ КАБИНЕТДанный раздел:• Доступен только при вводе логина и пароля (иден-

тификатор и пароль выдается службой поддержки);• Оснащен функцией оповещения;• Личный кабинет предлагает персонализированный

контент, основанный на личных данных студента и его поведенческой активности.

РАЗДЕЛ «КАРТА СТУДЕНТА»Приложение может быть непосредственно интегри-ровано с единой картой студента, что позволит поль-зователю:• Знать, какие книги выданы и когда их надо вернуть;• Проверять баланс на счету личной карты, с помо-

щью которой он оплачивает услуги на тер-ритории университета;

• Получать оповещения об изменении рас-писания, а также личные сообщения;

• Узнавать наличие свободных парковоч-ных мест.

Кроме того, в данном разделе предполага-ется функция «Онлайн-деканат», с помощью которой пользователь может подать заявку на получение справок и других документов.

РАЗДЕЛ «УСПЕВАЕМОСТЬ» Пользователь сможет отслеживать свою успеваемость, знать, какую тему пропустил, когда будет контрольная работа и др. Кро-ме этого, для удобства пользователей здесь будет размещено расписание. Статистика успеваемости обновляется регулярно на ос-нове электронного журнала посещаемости и успеваемости. Данный журнал заполняет-ся преподавателем по каждой дисциплине. Информация загружается в единую инфор-мационно-образовательную систему, кото-рая предоставляет персонализированные данные студентам. Таким образом, исчезает потребность в бумажных версиях списков и журналов. Преподаватели используют электронный журнал, отмечая посещае-мость и отметки о текущей успеваемости.

РАЗДЕЛ «КАЛЕНДАРЬ»Раздел может быть синхронизирован с пер-сональным календарем iPhone. Помимо этого, пользователь может сам добавлять выбранные мероприятия, которые ему ин-тересны, из общего раздела «Календарь мероприятий ГУУ». Здесь будут отображать-ся дедлайны заданий, организация встреч

Разделы мобильного приложения «вГУУ»КАРТА УНИВЕРСИТЕТА На карте расположены объекты студгородка: учебные корпуса,

общежития, стадион, кафетерии, парковки, бассейн, спорт центр и

другие элементы инфраструктуры.

НОВОСТИ Просматривать общую ленту новостей или настроить изображение новостей по интере-сующим категориям: учебные новости, спорт, ЦУВП, наука, вакансии, стажировки, бизнес и экономика, общежитие и др.

БИБЛИОТЕКА Информация о рабо-те читальных залов и библиотеки университета, время их работы и место-положение. Функция син-хронизации с электрон-ным каталогом позволяет выбрать нужную книгу и узнать о ее наличии.

ЕДА Перечень точек питания на территории Универси-тета, которые будут рас-положены в порядке бли-зости к местоположению пользователя. Анализи-руя данные геолокации, система будет определять наименее загруженные места питания и рекомен-довать их пользователям приложения

ЛИЧНЫЙ КАБИНЕТ

КОНТАКТ-ЦЕНТР Отображение контактных телефонов деканатов, кафедр, приемной комиссии, медкабинета, спорт-центра и др., по которым пользователь сможет связаться для получения необходимой ему информации.

ВОПРОСЫ Публикация часто задава-емых вопросов к админи-страции и руководителям структурных подразде-лений. Предполагается возможность выбора из списка получателей.

МЫ В СОЦСЕТЯХВ популярных соц сетях: Facebook, Twitter, ВКон-такте, Instagram, YouTube существуют официаль-ные группы и страницы Университета и Институ-тов ГУУ.

КАЛЕНДАРЬ МЕРОПРИЯТИЙ Единый календарь меро-приятий на учебный год. Здесь размещены даты и время мероприятий по категориям. Календарь также может быть синхро-низирован с личным ка-лендарем пользователя.

МОЯ КАРТА СТУДЕНТА • Проверка баланса на счету личной

карты, с помощью которой можно оплачивать услуги на территории университета

• Получение оповещения об изменении расписания, а также личные сообщения

• Информация о наличии свободных парковочных мест

• Проверка наличия выданных книг

ОНЛАЙН-ДЕКАНАТ • Подача заявки на получение

справок и других документов

МОЯ УСПЕВАЕМОСТЬ • Контроль успеваемости • Информация о программе

дисциплин

КАЛЕНДАРЬ • Синхронизирует и объеди-

няет данные из различных источников виртуальной информационно-образова-тельной среды, адаптируя распорядок дня каждого студента и напоминая о предстоящих событиях.

ПОЧТА ГУУ • Официальный ящик элек-

тронной почты универси-тета, предназначенный для студента. Исполь-зуется для получения информации от адми-нистрации и различных подразделений вуза, текущей переписки.

49

50 51


BIG DATA

преподавателями и администрацией. Ка-лендарь синхронизирует и объединяет дан-ные из различных источников Виртуальной Информационно-Образовательной Среды, адаптируя распорядок дня каждого студен-та и напоминая о предстоящих событиях.

РАЗДЕЛ «СООБЩЕНИЯ»Выполняет функцию оповещения (персо-нальная информация, трекинг готовности документов), а также коммуникация с дру-гими пользователями приложения.

РАЗДЕЛ «ПОЧТА @GUU.RU» Официальный ящик электронной почты Университета, предназначенный для сту-дента. Используется для получения инфор-мации от Администрации и различных под-разделений вуза и текущей переписки.

КАЛЕНДАРЬ Единый календарь мероприятий вуза на учебный год. Здесь размещены даты и время мероприятий по категориям: ЦУВП, спорт, научно-исследовательская деятель-ность, открытые лекции, КВН и другие. Ка-лендарь также может быть синхронизиро-ван с личным календарем пользователя. В общем календаре отмечена структура учебного года: распределение семестров, сессия, каникулы, а также государственные и другие праздники. Календарь админи-стрируют и наполняют событиями ответ-ственные лица в университете.

Функция синхронизации с электронным каталогом позволяет выбрать нужную книгу и узнать о ее нали-чии. Система оповещения подскажет о возможности выдачи книг, а также, со-вместно с личным кабине-том студента, даст инфор-мацию о уже выданных книгах и сроках возврата.

Я думаю, нам нужен мониторинг, позволяющий с первого курса выявлять талантливых студен-тов и налаживать контакт с отстающими, чтобы вовлечь их в процесс обучения. Такие системы сегодня просто незаменимы, мне, как препода-вателю, очень интересно получать рекоменда-ции от подобного сервиса.

С.И. Онищенко,

к.э.н., доцент кафедры

управления инновациями ГУУ

ЕДАЗдесь можно найти перечень всех мест питания на территории университета, которые будут расположе-ны в порядке близости к местоположению пользо-вателя, часы их работы и меню. Анализируя данные геолокации, система будет определять наименее за-груженные пункты питания и рекомендовать их поль-зователям приложения.

КАРТА УНИВЕРСИТЕТАНа карте расположены объекты студгородка: учеб-ные корпуса, общежития, стадион, кафетерии, пар-ковки, бассейн, спортивный центр и другие элементы инфраструктуры. Также с помощью строки поиска можно найти необходимое место. Для удобства поис-ка нужного структурного подразделения существует список заведений по категориям: библиотеки, дека-наты, кафедры и др.

НОВОСТИВ данном разделе пользователь может просматри-вать общую ленту новостей или настроить отобра-жение новостей по интересующим его категориям: Учебные новости, Спорт, ЦУВП, Наука, Вакансии, Ста-жировки, Бизнес и экономика, Общежитие, и др.

БИБЛИОТЕКАВ разделе отображается информация о работе чи-тальных залов библиотеки университета — время их работы, местоположение. Функция синхронизации с электронным каталогом позволяет выбрать нужную книгу и узнать о ее наличии. Система оповещения подскажет о возможности выдачи книг, а также, со-вместно с личным кабинетом студента, даст инфор-мацию о уже выданных книгах и сроках возврата.

КОНТАКТЫВ разделе отображены контактные телефоны декана-тов, кафедр, приемной комиссии, медкабинета, спорт-центра и др., по которым пользователь сможет свя-заться для получения необходимой ему информации.

МЫ В СОЦСЕТЯХВ популярных социальных сетях — Facebook, Twitter, Instagram, ВКонтакте, существуют официальные группы и страницы всего Университета, так и Инсти-тутов ГУУ, поэтому, чтобы упорядочить их все, а также повысить их посещаемость, в приложении предусмо-трен данный раздел с ссылками на эти страницы.

ВОПРОСЫДанный раздел предназначен для публикации часто задаваемых вопросов к администрации и руководи-телям структурных подразделений. Предполагается возможность выбора из списка получателей. Для того, чтобы задать вопрос необходимо указать базовые персональные данные. Данный раздел может быть также использован абитуриентами.

52 53


BIG DATA

Составление и ведение «поведенческой исто-рии» студента потребует разработки единой электронной анкеты, которая, по сути, яв-ляется современным аналогом личной кар-точки учащегося. Электронная анкета пред-ставляет собой Личный кабинет студента, в котором объединяются различные катего-рии данных. Такой кабинет предлагает сту-денту возможность отслеживать актуальные данные об успеваемости, коммуницировать с преподавателями и получать полезные рекомендации, основанные на собственной поведенческой истории и прогнозах. С другой стороны, личный кабинет, прикрепленный к электронной анкете, является основой для сбора массива «больших данных», которые используются администрацией вуза. Пер-сонализированная поведенческая история накапливается в течение всего периода обу-чения, начиная с зачисления и заканчивая по-

3.3. ЛИЧНЫЙ КАБИНЕТ И АНКЕТА СТУДЕНТА

лучением диплома. Заполнение информации осущест-вляется как самим студентом, так и преподавателями и профильными службами вуза (учебно-методический отдел, деканат, библиотека, служба безопасности и т.д.). Личный кабинет интегрирован в архитектуру единой виртуальной информационно-образовательной среды, предлагаемой для Университета, и синхронизируется с персональным мобильным приложением «вГУУ».

Информация о студенте и его поведенческой актив-ности в рамках вуза разделена на несколько основ-ных категорий:

1ОБЩАЯ ИНФОРМАЦИЯ. ФИО, Институт, направ-ление и специальность, курс и учебная группа.

Также указывается перечень изучаемых дисциплин в зависимости от семестра обучения.

2НАУЧНАЯ РАБОТА. Записывается участие в кон-ференциях, форумах и круглых столах (названия

мероприятий), название статей и других публикаций; участие в научных проектах.

54 55


BIG DATA

Персонализированная по-веденческая история нака-пливается в течение всего периода обучения, начи-ная с зачисления и закан-чивая получением диплома. Заполнение информации осуществляется как самим студентом, так и препода-вателями и профильными службами вуза.

4ВНЕУЧЕБНАЯ ДЕЯТЕЛЬНОСТЬ. Отмечено участие в клубах Центра учебно-воспитательных программ,

активность в спортивных секциях и посещение бассейна.

5КАРТА СТУДЕНТА. Публикуются данные по единой студенческой карте: история операций, баланс карты,

а также график прохода на территорию Университета.

6ТЕКУЩИЕ РЕЗУЛЬТАТЫ. В данном разделе отобра-жаются актуальные результаты зачетно-экзаменацион-

ной сессии, а также текущих контрольных мероприятий.

Для наглядности информации предусмотрены различ-ные виджеты, отображение которых можно настроить индивидуально: • Текущая успеваемость (в %)• Расходы по карте (структура в %)• Распределение оценок («отлично», «хорошо»

«удовлетворительно», в %)• Активность (по направлениям: учеба, наука,

спорт, внеучебная)• Распределение успеваемости

(по основным предметам, в %)• Динамика посещаемости (по неделям

или месяцам, в %)

Очень верное решение — это создание виртуальной стра-ницы для каждого студента, где есть возможность посмо-треть расписание, текущие задания, пообщаться с препо-давателем в режиме онлайн. Но это, безусловно, должно быть комбинировано с реальным процессом обучения.

С.И. Шкаровский,


кафедры маркетинга ГУУ

Я думаю, удобно иметь онлайн кабинет, где можно общать-ся со студентами, принимать домашние задания, тесты, но очное общение с преподавателем нельзя исключать. Дис-танционная часть должна дополнять реальное общение, экономить время и снижать субъективность оценки.

И.В. Семенов,


кафедры маркетинга ГУУ

3ОСНОВНЫЕ ПОКАЗАТЕЛИ. Метрики представлены графически в виде диа-

грамм посещаемости (в %) и успеваемости по основным дисциплинам.

3.4. ЭЛЕКТРОННАЯ КАРТА СТУДЕНТА

Сегодня каждому студенту приходится носить с со-бой в университет студенческий билет, читательский билет, зачетную книжку, пропуск в общежитие или пропуск на парковку, но технологии позволяют объе-динить функции этих документов на одном электрон-ном носителе — персональной пластиковой карте. Она записывает и хранит всю необходимую инфор-мацию о держателе, которая может являться про-пуском на территорию университета, парковки или в здание общежития, хранит информацию о взятых в библиотеке книгах и привязана к электронному ко-шельку, то есть дает возможность безналичного рас-чета, как в самом университете, так и за его предела-ми в любом магазине или кафе. Касаясь терминала, чип карты активируется, позволяя одним движением оплатить покупку, получить различные бонусы, или

просто пройти на территорию и взять книгу в библиотеке. Одна карта может заменить пропуск, банковскую карту, бонусную карту, транспортную карту, читательский билет.

Современные информационные технологии позволяют наполнить электронные карты различным функционалом. В качестве ос-новного решения предложено использовать технологию радиочастотной идентифика-ции (RFID). RFID-карты представляют собой интеллектуальные носители информации нового поколения. Основной особенностью этого вида карт является возможность за-писи и чтения информации в энергонеза-висимую память карты. Такая возможность

56 57


BIG DATA

позволяет создавать локальные базы дан-ных непосредственно на RFID-карте. Причем доступ к информации на карте криптозащи-щен, поэтому воспользоваться записанной на карте информацией может лишь допу-щенный к этой информации пользователь. Подделать такую карту практически невоз-можно.

При подтверждении права доступа раз-решенная информация с карты поступает в терминал для отображения и обработ-

ки. Несомненно, что для последующей оптимизации информация обо всех операциях с картами должна поступить для обработки на сервер. Но эта передача осуществляется уже не в реальном времени, а в ре-жиме “off-line” один или два раза в сутки, тем самым кардинально снижается вероятность сбоев системы, связанная с одновременной передачей и обработкой в сети информации. К тому же, в системах “off-line” сбой в передаче информации от терминала на сервер не так критичен, поскольку вся информация о клиен-те имеется на RFID-карте.

Характеристики технологии

RFID Штрих-код QR-код

Необходимость в прямой видимости метки

Чтение даже скрытых меток

Чтение без прямой видимости невоз-можно

Чтение без прямой видимости невоз-можно

Объём памяти От 10 до 512 000 байт До 100 байт До 3 072 байт

Возможность перезаписи данных и многократного использования метки

Есть Нет Нет

Дальность регистрации До 100 м До 4 м До 1 м

Одновременная иден-тификация нескольких объектов

До 200 меток в се-кунду

Невозможна Зависит от считыва-теля

ПРЕИМУЩЕСТВА RFID-ТЕХНОЛОГИИ

• Бесконтактная работа — RFID-метка может быть прочитана без какого-либо физического контакта между меткой и ридером;

• Перезапись данных — данные RFID-метки с перезаписью (RW-метки) могут быть перезаписаны большое число раз;

• Работа вне прямой видимости — чтобы RFID-метка была прочитана RFID-ридером, в общем случае не требуется ее нахождения в зоне прямой видимости ридера;

• Разнообразие диапазонов чтения — диапазон чтения RFID-метки может со ставлять от нескольких сантиметров до 30 метров и более;

• Широкие возможности хранения данных — RFID-метка может хранить ин формацию объемом от нескольких байтов до практически неограниченного количества данных;

• Поддержка чтения нескольких меток — RFID-ридер может автоматически читать несколько RFID-меток в своей зоне чтения за очень короткий период времени;

• Прочность — RFID-метки могут в значительной мере противостоять жестким условиям окружаю-щей среды;

• Выполнение интеллектуальных задач;• Высокая точность чтения — RFID является точной на 100%.

ХАРАКТЕРИСТИКИ ТЕХНОЛОГИИ И СРАВНИТЕЛЬНЫЙ АНАЛИЗ

58 59

01

02

03


BIG DATA

ФУНКЦИОНАЛ КАРТЫ

ПРОПУСК НА ТЕРРИТОРИЮ УНИВЕРСИТЕТАКарта может применяться с целью идентификации объектов доступа (людей, автомобилей). Карточку для запроса доступа, как правило, нужно подносить к считывающему устройству на расстояние порядка 10 см. В зависимости от уровня доступа карта позво-лит попасть на различные части территории универ-ситета. Благодаря привязке карты к мобильному при-ложению можно получать уведомления о количестве свободных парковочных мест и их расположении, о том, какое ближайшее занятие и в какой аудитории в соответствии с личным расписанием.

ОПЛАТА ТОВАРОВ И УСЛУГ В УНИВЕРСИТЕТЕ Карта позволяет производить безналичную оплату питания в столовой и покупок в буфете через элек-тронный терминал. Привязка к приложению «вГУУ» дает возможность вести учет персональных денеж-ных средств на карте студента в режиме реального времени, смотреть меню столовой, перечень блюд в буфете. Возможно также оплатить услуги печати, ко-пирования или просто купить канцелярские принад-лежности одним касанием. Пополнить счет можно различными способами: банковской картой, через счет мобильного телефона или через терминал. Специальное программное обеспечение реализует автоматизацию бизнес-процессов и организацию учета питания для всех участников. Университету это позволит вести контроль и учет реализации продук-ции, формировать отчетность, получать персони-фицированную информацию в режиме реального времени и перейти на безналичный расчет по всем видам услуг в столовых и точках продаж.

Привязка к приложению «вГУУ» дает возможность вести учет персональных денежных средств на кар-те студента в режиме ре-ального времени, смотреть меню столовой, перечень блюд в буфете. Возможно также оплатить услуги пе-чати, копирования или про-сто купить канцелярские принадлежности одним ка-санием.

Студенческая электронная карта не может быть безликой, поэтому мы разработали не только функционал, но и несколько вариантов дизайна. Карта студента сегодня — это просто, удобно и стильно.

Елена Черенкова,


ПОЛЬЗОВАНИЕ БИБЛИОТЕКОЙ УНИВЕРСИТЕТАКарта представляет собой электронный читатель-ский билет, то есть позволяет регистрировать поль-зователя в базе данных, идентифицировать его и записать книги. Привязка к приложению дает воз-можность отслеживать книги, которые студент взял в библиотеке, информацию о них и срок сдачи.

60 61

Использование поведенческих данных под-разумевает оценку степени готовности сту-дентов и преподавателей и определение ос-новных платформ сбора информации. Для этого необходимо проведение качествен-ных и количественных полевых исследова-ний. В рамках проекта была разработана анкета для студентов и проведены интер-вью с преподавателями и представителями администрации университета.

ЦЕЛЬ ИССЛЕДОВАНИЯ: выявить отноше-ние студентов к использованию поведен-ческих данных для оптимизации учебного процесса в вузе.

ЧАСТЬ IV4.1. МЕТОДИКА ИССЛЕДОВАНИЯ

МАРКЕТИНГОВОЕ ИССЛЕДОВА-НИЕ ГОТОВНОСТИ ВНЕДРЕНИЯ СИСТЕМЫ АНАЛИЗА ДАННЫХ В УНИВЕРСИТЕТЕ

ЗАДАЧИ ИССЛЕДОВАНИЯ: оценить степень готов-ности студентов к внедрению системы анализа пове-денческих данных и определить основные методы и инструменты для сбора информации.

ОБЪЕКТ ИССЛЕДОВАНИЯ: студенты московских вузов: Государственный университет управления, Рос-сийский университет дружбы народов, РЭУ им. Г.В. Пле- ханова, НИУ Высшая школа экономики. Общее число респондентов, принявших участие в исследовании, составило около 1000 человек.

ПРЕДМЕТ ИССЛЕДОВАНИЯ: мнение об использо-вании данных и способы передачи информации.

Подготови-тельный этап

(изучение темы, разработка про-граммы и инстру-

ментов)

Сбор информации

Обработка собранных

данных

Анализ собранной

информации, подготовка

отчета

Этапы исследования

Для проведения исследования необходимо использо-вание, как количественного метода, так и качествен-ного. Интервьюирование преподавателей — экспер-тов в области образования позволяет понять суть практического применения поведенческих данных учащихся, а анкетирование студентов показывает, на-сколько важным и необходимым они считают анализ данных для улучшения учебного процесса.

При формировании состава выборки был использо-ван метод «квот», относящийся к детерминирован-ным методам и обеспечивающий пропорциональное представительство носителей существенных призна-ков, отражающих генеральную совокупность, но сме-щенный в сторону студентов, использующих социаль-ные сети, так как анкета была распространена при помощи страниц, объединяющих учащихся вузов.

Анкета была разработана с учетом поставленных задач исследования и включала вопросы об основ-ных поисковых сервисах, устройствах, операцион-ных системах и программах для передачи данных, используемых студентами, что позволило выявить наиболее популярные информационные платфор-мы, при помощи которых может производиться сбор данных. Также в анкету были включены вопросы о безопасности использования личных данных, об от-ношении к программной аналитике данных для улуч-шения процесса обучения, об оценке возможностей, которые могут быть реализованы при сборе, анализе данных и построении корреляционных связей.

Интервью позволяет раскрыть суть использования поведенческих данных, поэтому при подготовке были разработаны вопросы, направленные на опре-деление проблем, решаемых при помощи анализа успеваемости студентов. Также при проведении ин-тервью были рассмотрены вопросы о возможности переведения составных частей учебно-методическо-

го комплекса на дистанционный формат, о перспективе использования данных и не- обходимых метриках о студентах, кото-рые помогут улучшить процесс обучения и адаптировать его под каждого ученика или под группу студентов со схожими пара-метрами.

Объект исследования: сту-денты московских вузов: Государственный универси-тет управления, Российский университет дружбы наро-дов, РЭУ им. Г.В. Плеханова, НИУ Высшая школа эконо-мики. Общее число респон-дентов, принявших участие в исследовании, составило около 1000 человек.

62 63

ЧАСТЬ IV. МАРКЕТИНГОВОЕ ИССЛЕДОВАНИЕ ГОТОВНОСТИ ВНЕДРЕНИЯ СИСТЕМЫ АНАЛИЗА ДАННЫХ В УНИВЕРСИТЕТЕ

4.2. РЕЗУЛЬТАТЫ ПОЛЕВОГО МАРКЕТИНГОВОГО ИССЛЕДОВАНИЯ

«Я бы хотел, чтобы система анализиро-вала мою поведенческую активность, прогнозировала результаты учебы и давала рекомендации по улучшению образовательного процесса»

«Я бы хотел, чтобы на основе анализа усвоения учебного материала фор-мировалась система рекомендаций относительно дальнейшей програм-мы обучения»

ОЦЕНИ ВЫСКАЗЫВАНИЯ О ПОВЕДЕНЧЕСКИХ ДАННЫХ (ГДЕ 5 — СОВЕРШЕННО СОГЛАСЕН, А 1 — АБСОЛЮТНОЕ НЕ СОГЛАСЕН)

КАКИЕ УСТРОЙСТВА ТЫ ЧАЩЕ ВСЕГО

ИСПОЛЬЗУЕШЬ ДЛЯ УЧЕБНЫХ ЦЕЛЕЙ? (УКАЖИ

ДВА ВАРИАНТА ОТВЕТА)

КАК ТЫ ОТНОСИШЬСЯ К ПЕРСПЕКТИВЕ

ИСПОЛЬЗОВАНИЯ ПОВЕДЕНЧЕСКИХ

ПОЛЬЗОВАТЕЛЬСКИХ ДАННЫХ В РАМКАХ

УЧЕБНОГО ЗАВЕДЕНИЯ?

КАКИЕ ИЗ ПРЕДЛОЖЕННЫХ ИНФОРМАЦИОННЫХ ОНЛАЙН-СЕРВИСОВ

КАЖУТСЯ ТЕБЕ НАИБОЛЕЕ ВАЖНЫМИ В ПРОЦЕССЕ УЧЕБЫ? (ВОЗМОЖНЫ

3 ВАРИАНТА ОТВЕТА)

КАК ТЫ ОТНОСИШЬСЯ К ВОЗМОЖНОСТИ ОПЛАЧИВАТЬ ТОВАРЫ И УСЛУГИ

ВНУТРИ УНИВЕРСИТЕТА С ПОМОЩЬЮ ВИРТУАЛЬНЫХ ДЕНЕГ, СТУДЕНЧЕСКОЙ

КАРТЫ ИЛИ СЧЕТА МОБИЛЬНОГО ТЕЛЕФОНА?

ПРОДОЛЖИ ФРАЗУ: «ЕСЛИ В ДИСЦИПЛИНАХ БУДУТ

ИСПОЛЬЗОВАТЬСЯ ЭЛЕМЕНТЫ ДИСТАНЦИОННОГО ОБУЧЕНИЯ,

ТО Я ...»

НА КАКОЙ ОПЕРАЦИОННОЙ

СИСТЕМЕ РАБОТАЕТ ТВОЙ СМАРТФОН?

10,27%

9,5%

25,16%

21,8%

33,89%

5,82%

6,34%

19,79%

27,55%

40,49%

1

2

3

4

5ТелефонПланшетНоутбук или нетбукСтационарный компьютер

Я поддерживаю эту идею и готов предоста-вить доступ к моим поведенческим данным для улучшения образовательного процесса и улучшения программы обучения

Я согласен на использование моих данных университетской аналитической системой только на условии их неразглашения и обезличенного представления

Я с подозрением отношусь к идее сбора и анализа данных о поведенческой активно-сти студентов, так как боюсь распростране-ния моей личной информации

Стану реже посещать занятия и сделаю упор на использование дистанционных элементов, так как это очень удобно

Буду более интенсивно учиться и мак-симально использовать все доступные методы получения знаний

Лишь иногда буду использовать элементы дистанционного обучения. Мне достаточно информации в аудиториях

Я не сторонник электронных нововведений и буду продолжать делать акцент на очном обучении, так как считаю его более продуктивным

Классная идея! Удобно и не надо тратить время на подсчет сдачи

Сомневаюсь в безопасности таких платежей

Я против. Меня устраивают бумажные банкноты и мелочь

Актуальное расписаниеКалендарь событий вузаОнлайн доступ к учебным материаламОнлайн тестирование по дисциплинамВозможность отслеживать оценкиУниверситетский e-mail аккаунт

iOSAndroidWindows PhoneДругаяHe знаю У меня не смартфон

68,03%

40,89%

69,81%

64,59%37,96% 28,41%

72,61%

3,06%27,13%

1,02%0,76%

2,17%50,7%

7,01%

53,5%

21,9%

63,1%21,0%

35,3%

57,3%

16,6%

24,5%

20,8%20,4%

19,2%

20,89%

64 65


BIG DATA

4.3. ЭТИЧЕСКИЕ АСПЕКТЫ ИСПОЛЬЗОВАНИЯ ЛИЧНЫХ ДАННЫХ

В наше время в связи с распространением интернет-пространства и развитием техно-логических процессов, когда банковские кар-ты связаны с электронными устройствами, а электронные устройства — с учетными запи-сями электронной почты и социальных сетей, когда можно легко получать информацию о каждом человеке, важное место занимает вопрос защиты персональных данных поль-зователей. Особенно это важно при формиро-вании прикладных систем с использованием Data Science, которые объединяют в себе лич-ные данные пользователей и подробную ин-формацию о действиях широкого круга лиц.

Исследование, проведенное компанией Ericsson Consumer Lab, показывает, что 56% дневной интернет-аудитории обеспокоены вопросами безопасности своей персональ-ной информации. Однако, только 4% готовы сократить использование интернет-серви-сов. С ростом вовлеченности вопрос этики и безопасности набирает свою значимость. Однако, отказ от современных технологий не является выходом из сложившейся ситуа-ции. Общий тренд персонализации контента и особенностей использования цифровых сервисов предполагает возможность пре-доставлять часть личной и поведенческой информации для получения более каче-ственных услуг. Технологии анализа Big Data

— это не инструмент слежки, а возможность разрабатывать и предлагать более удобные пользовательские сервисы. В сфере образо-вания сегодня — это очень актуально.

Как бы ни был важен сам сбор информации пользователей и ее хранение, более значи-мым является использование полученной ин-

формации для дальнейшей аналитики образователь-ного учреждения. Соответственно, основная ценность таких данных заключается в возможности их неогра-ниченного повторного последующего использования (например, для анализа перспективных направлений и дисциплин бакалавриата/магистратуры на основа-нии пользовательских данных студентов, касающихся соответствующих направлений и дисциплин).

С точки зрения конфиденциальности и прогнозирова-ния неспособность управлять большим количеством данных или их неверное толкование несут за собой серьезные последствия. Так, сами по себе данные вполне нейтральны. Когда же происходит процесс анализа данных, а также действия на основании проведенного анализа, — все это влечет за собой некоторые этические последствия для людей. Эти последствия, например, затрагивают право на тайну частной жизни, относящееся к числу фундаменталь-ных прав человека.

Таким образом, немаловажным является этический аспект использования больших данных. При этом большие данные сами по себе, как и любая техноло-гия, этически нейтральны. Однако их использование уже не является таковым. В настоящее время все ак-тивнее обсуждается проблематика больших данных и выработка универсальных наборов правил при использовании в организации данных технологий, в том числе в образовательном учреждении. Иссле-дования начинают активно развиваться и описыва-ются в различной профессиональной литературе.

Сейчас можно выделить группы вопросов, которые образовательному учреждению возможно использо-вать при рассмотрении работы в направлении «Боль-ших данных»:• Центральный вопрос: насколько офлайн-присут-

ствие индивидуума идентично его онлайн-личности?

• Как защитить онлайн-личность пользователя?• Кто должен управлять доступом к данным о поль-

зователях?• Закончилась ли частная жизнь пользователей c по-

всеместным использованием систем аналитики? • Правообладание • Кто владеет данными пользователей? • Можно ли передавать права, какие обязательства

должны выполнять те, кто создает и использует ин-формацию?

• Репутация• Как управлять репутацией в сети?• Следует ли использовать псевдоним? • Как определить, что тем или иным данным можно

доверять (вопрос о достоверности данных)? • Как влияют на индивидуумов и организации мне-

ния, основанные на неполных или некорректных наборах данных?

Изучение этических аспектов может и должно способ-ствовать преодолению таких проблем и нахождению устойчивых решений, необходимых для того, чтобы дать адекватные ответы на технологические вопро-сы эпохи развития информационных технологий, а именно на вопросы, касающиеся использования «больших данных».

Для контроля распространения данных со стороны государства, правительством был разработан «Фе-деральный закон Российской Федерации от 27 июля 2006 г. N 152-ФЗ О персональных данных». Данным законом регулируются отношения, связанные с обра-боткой персональных данных, осуществляемой, в том числе, юридическими и физическими лицами.

При создании системы Big Data в вузе необходимо разграничивать уровень доступа к профайлу пользо-вателя для различных категорий лиц. Так, полный до-ступ к профайлу пользователя будут иметь владелец

данных, служба безопасности, учебно-мето-дический отдел института (деканат) и отдел студенческого контингента. Преподаватели университета будут иметь доступ только к той информации, которая касается факти-ческой информации об успеваемости поль-зователя по дисциплине.

Технологии анализа Big Data — это не инструмент слежки, а возможность разрабатывать и предла-гать более удобные пользо-вательские сервисы.

Поскольку данные предоставляют возможность наблюдать за жизнью и действиями пользова-телей, при создании системы пользовательской аналитики важное место занимают вопросы конфиденциальности и защиты.

Екатерина Бородина,


66 67

Для осуществления финансовых операций с помощью карты и доступа персонала, осуществляющего техническую поддержку виртуальной информационно-образова-тельной системы, необходимо использо-вать кодирование, что будет способствовать конфиденциальности получаемых сведе-ний. Самым очевидным вариантом такого кодирования будет являться привязка име-ни пользователя к определенной комбина-ции цифр, букв, или их сочетания. Данный способ использует принцип обезличива-ния. Он представляет собой удаление из совокупности данных пользователя личных идентификаторов. Таким образом, инфор-мация о действиях пользователя будет поступать в систему аналитики, которая будет видеть только соответствующий код пользователя и совершенную операцию. Следовательно, полученные данные можно анализировать без ущерба для чьей-либо конфиденциальности.

Согласно Федеральному закону Россий-ской Федерации «О персональных данных» хранение персональных данных должно осуществляться в форме, позволяющей определить субъекта персональных данных, не дольше, чем этого требуют цели их об-работки, и они подлежат уничтожению по достижении целей обработки или в случае утраты необходимости в их достижении. Сроки должны быть определены в договоре. Таким образом, поскольку при использова-нии системы необходим единый инфор-мационный центр, в котором информация о пользователе будет храниться с момента поступления в вуз и до момента окончания образовательного учреждения.

Обработка персональных данных может осущест-вляться только с согласия субъектов, за исключением случаев, предусмотренных Федеральным законом Российской Федерации о персональных данных. Та-ким образом, возникает необходимость составления договора о Готовности предоставления персональных данных. При помощи студентов-юристов нами было разработано «Согласие на обработку персональных данных».

Согласно результатам опроса, проведенного с целью изучения поведения студентов, 22% респондентов готовы предоставить доступ к своим поведенческим данным без каких либо дополнительных на то ус-ловий. Также более половины респондентов (58%) согласны на использование их поведенческих поль-зовательских данных в рамках учебного заведения только на условии их неразглашения и обезличенно-го представления. С подозрением отнеслись к идее сбора и анализа данных о поведенческой активности студентов в связи с боязнью распространения личной информации 21% респондентов.

Таким образом, можно сделать вывод о том, что по-рядка 80% опрошенных студентов заинтересованы в перспективе использовании поведенческих пользо-вательских данных в рамках учебного заведения.

Оценивая высказывания о поведенческих данных, большинство респондентов (68%) хотели бы, чтобы на основе анализа усвоения учебного материала систе-ма выдвигала рекомендации относительно дальней-шей программы обучения. Получать информацию о новостях и мероприятиях в вузе в соответствии с персональными интересами хотели бы 58% опро-шенных, а 55% респондентов хотят, чтобы система анализировала их поведенческую активность, про-гнозировала результаты учебы и давала рекоменда-ции по улучшению образовательного процесса.


BIG DATA

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Борисова С.Г. Концепция управления маркетинговыми каналами и эффекимвностью вуза. Гребенников, Маркетинг услуг 03(35)2013

2. Данченок Л.А., Нетесова А.В. Маркетинговые исследования запросов потребителей образовательных услуг ВУЗа: дифференцированный подход. Гребенников, Маркетинг услуг02(30)2012

3. Кофанов А.В, Иванова З.И., Еленев К.С. Продвижение бренда госу-дарственного ВУЗа: от построения модели восприятия до бренда до разработки концепта маркетинговых коммуникаций. Гребенников, Маркетинг и маркетинговые исследования 01(91)2011

4. Майер–Шенбергер В., Кукьер К.; перевод с англ. Инны Гайдюк. Большие данные. Революция, которая изменит то, как мы живем, работаем и мыслим. М: Манн, Иванов и Фербер, 2014.–240 с.

5. Прокопенко С.А. Повышение конкурентоспособности и организация маркетинговой деятельности как важнейшие задачи российских вузов. Гребенников, Маркетинг и маркетинговые исследования 6(60) 2005

6. Себрант А.Ю., Аналитика и эксперименты в работе интернет-марке-толога, Интернет-маркетинг. №3, 2013

7. Себрант А.Ю., Работа с данными и алгоритмами в маркетинге, Интернет-маркетинг. №3, 2013

8. Синельников В., по материалам Райана Бэйкера и Артура Грессера, Большие данные в образовании, http://www.edutainme.ru/post/bolshie-dannye-v-obrazovanii/

9. Федеральный закон РФ от 27.07.2006 N 152-ФЗ (ред. от 05.04.2013 с изменениями, вступившими в силу с 19.04.2013) «О ПЕРСОНАЛЬНЫХ ДАННЫХ»

10. Хлебович Д.А. Внутренний маркетинг как новый подход к изучению элементов корпоративной культуры в высшем образовании. Гребен-ников, Управление корпоративной культурой 02(10)2011

11. Хлебович Д.А. Персонифицированный образовательный продукт: предпосылки создания, опыт выведения и оценка потребителей. Гребенников, Маркетинг и маркетинговые исследования 03(93)2011

12. Христофорова И.В., Горохова Е.С. Маркетинговая деятельность ВУЗа: необходимость применения и основные направления использова-ния. Гребенников, Маркетинг услуг 01(17)2009

13. Briggs S., Big Data in Education: Big potential or Big mistake? http://www.opencolleges.edu.au/informed/features/big-data-big-potential-or-big-mistake/

14. Grush M. Big Data: An Evolution in Higher Education’s Technology Landscape http://campustechnology.com/Articles/2014/05/28/The-Big-Data-Evolution-in-Higher-Ed.aspx?Page=1

15. Laurillard D., Big data can transform learning – as long as lecturers take control http://www.theguardian.com/higher-education-network/blog/2014/jun/03/big-data-transform-university-learning

16. Levinson M., How use big data analytics higher education, http://www.futuregov.asia/blog/2014/mar/11/how-use-big-data-analytics-higher-education/

17. Rijmenam van M., Big data will revolutionize learning http://www.bigdata-startups.com/big-data-will-revolutionize-learning/

18. Case Study «Bus Stops and Breaks, Embracing Lost Time with Blackboard Mobile Learn: Edge Hill University» http://www.blackboard.com/CMSPages/GetFile.aspx?guid=04e4052e-9422-4139-a838-aa4a9a696331

19. Case study «Guanghua School of Management» http://www.oracle.com/us/corporate/customers/customersearch/guanghua-school-of-mgmt-1-psft-ss-1902829.html

20. Case study «Walsh College» http://www.ellucian.com/Case-Studies/Walsh-College/

21. Case study «Мэрилендский университет в округе Бал-тимор(UMBC) http://www.blackboard.com/resources/elqNow/ElqReDir.htm?ref=http://www.blackboard.com/Collateral/Analytics/Case-Studies/UMBC-Case-Study.aspx

22. http://ru.blackboard.com/sites/international/globalmaster/Platforms/Blackboard-Analytics.html - сервис BlackBoard Analytics

23. http://ru.blackboard.com/sites/international/globalmaster/Platforms/Blackboard-Mobile.html - сервис BlackBoard Mobile

24. http://www.edutopia.org/blog/personalized-learning-big-data-schools-matt-levinson статья Personalized Learning, Big Data and Schools

25. http://www.ellucian.com/Software/Analytics/ сервис Ellucian Analytics

26. http://www.ellucian.com/Software/Student-Success/ - сервис Ellucian student success

27. http://www.oracle.com/us/products/applications/peoplesoft-enterprise/campus-solutions/campus-analytics/overview/index.html — сервис Oracle Campus Analytics

28. http://www.oracle.com/us/products/applications/peoplesoft-enterprise/campus-solutions/mobile-campus/overview/index.html — сервис Oracle Mobile Campus

29. http://www.oracle.com/us/products/applications/peoplesoft-enterprise/campus-solutions/overview/index.html — сервис Oracle PeopleSoft campus Solutions

30. www.emc.com — Корпоративный сайт компании «EMC»

31. http://company.yandex.ru/technologies/learning/index.xml

Команда проекта благодарит за оказанную помощь при подготовке работы: Азоева Г.Л., Конкса В.Я., Онищенко С.И., Семенова И.В., Сумарокову Е.В., Шкаровского С.И., Юрченко Р., Чигинцева Н., Стукалову Е., Соболеву А., Левина А, Рязанцеву И.Фото: Старостин В., Сазонова Э., Бавченкова А.Дизайн и верстка: Стукалова Е.

Перспективы и инструменты использования в университете

Москва, 2015

«БОЛЬШИЕ ДАННЫЕ» В МАРКЕТИНГОВОЙ ДЕЯТЕЛЬНОСТИ ОБРАЗОВАТЕЛЬНОГО УЧРЕЖДЕНИЯ

КОНТАКТЫ

imguu.ru

facebook.com/imguu

@marketing_guu

@IM_GUU

youtube.com/user/MarketingGUU/videos