經管類專業本科生開設數據挖掘課程的教學探索

[摘 要] 數據挖掘作為一門新興技術，在各行業中獲得越來越廣泛的應用。在分析經管類專業本科生開設數據挖掘課程的必要性和可行性的基礎上，討論了課程在教學過程中存在的問題和設置的教學目標，著重從教學內容和實驗環節上探索了數據挖掘課程的具體教學方案及其實施。

[關鍵詞] 經濟與管理；本科生；數據挖掘；教學探索

[中圖分類號] G642.3 [文獻標識碼] A [文章編號] 1005-4634（2013）04-0082-03

0 引言

數據挖掘技術能從大量數據中發現和學習有價值的和隱藏的知識，因而近年來在國內外受到極大重視，在電信業、零售業和銀行業等生產大數據的行業中正獲得越來越廣泛的應用[1]。因此，近幾年數據挖掘這門課程已越來越多的走進了高校課堂。但是，數據挖掘又是一門綜合性較強的交叉學科，它涉及到統計學、數據庫技術、數據倉庫、人工智能、機器學習和數據可視化等學科知識，對學生的專業知識背景和前期所學課程有較高的要求，這在一定程度上限制了數據挖掘作為一門既有理論價值又有實踐價值的學科的應用和推廣。筆者結合自己的教學實踐研究經管類專業本科生開設數據挖掘課程的教學探索。

1 經管類專業本科生開設數據挖掘課程的必要性和可行性分析

從經管類各專業的培養目標角度分析。以南京郵電大學經管類專業為例，該專業包含信息管理與信息系統、電子商務、市場營銷、經濟學和工商管理等專業，這些專業的培養計劃都把培養學生具備市場分析、經營和管理決策能力作為專業的基本培養要求之一。數據挖掘作為商務智能的核心技術，是輔助管理者進行決策分析的有效工具，在激烈的商業競爭中發揮的作用越來越大。因此，為經管類專業本科生開設數據挖掘課程可以更好地實現專業培養目標。

從經管類專業本科生的就業角度分析。經管類專業本科生畢業后，有相當一部分同學會從事營銷崗位或者信息管理、網站設計與維護等技術崗位。對于從事營銷崗位的同學來說，由于現在的市場營銷概念已經發展到精細營銷理念，即企業恰當而貼切地對自己的市場進行細分，對各種客戶群進行深入的分析和定位，并根據不同的客戶群特點，采取精耕細作式的營銷操作方式，將市場做深做透，進而獲得預期效益。數據挖掘技術是實現精細營銷的重要工具；對于從事技術崗位的同學來說，學習數據挖掘課程，掌握數據挖掘的思想和方法對培養學生的系統思維和解決實際問題的能力、提高學生的信息素養很有必要。因此，學習數據挖掘課程對學生未來的工作也是非常有幫助的。

數據挖掘是一門交叉學科，課程理論性強，且對學生的計算機基礎要求較高。經管類專業只有信息管理與信息系統、電子商務兩個專業開設了較多的計算機課程。但是所有經管類專業都開設了統計學必修課程和數據庫原理與應用必修或選修課程，這兩門課程是數據挖掘的核心。因此，適當地調整教學目標，將數據挖掘作為一門選修課程為經管類專業本科學生開設是完全可行的。

2 教學過程中存在的問題

筆者在為經管類專業本科生開設數據挖掘課程的過程中，往往遇到兩個問題。

1）課程較強的理論性與學生知識結構缺陷之間的矛盾問題。數據挖掘這門課程涵蓋了統計學、數據庫原理、機器學習、信息論和時間序列等眾多內容，課程教材中有較多的公式推導和算法分析，因此課程的理論性較強。然而，經管類專業本科生之前只是學習了統計學和數據庫原理與應用兩門課程，機器學習等其他課程知識均沒有涉及到，因此在學習數據挖掘課程時會感到內容難度較大，障礙較多[2]。

2）理論教學與實驗教學學時合理分配的問題。由于數據挖掘課程通常是作為選修課安排在經管類專業本科生培養計劃中，總學時數相比學位課程要少，只有32學時。正如前文所述，這門課程包含的內容多、難度大，因此必須要保證足夠的理論教學學時數量。同時，數據挖掘又是一門應用性較強的課程，特別是對于經管類專業本科生來說，一定要安排足夠的實驗教學學時，讓學生在實踐中提高分析問題和解決問題的能力。在較少的總學時約束條件下，如何合理地分配理論教學學時和實驗教學學時是課程教學遇到的又一個問題。

針對經管類專業本科生開設數據挖掘課程時遇到的矛盾問題，將這門課程的教學目標確定為：掌握數據挖掘基本流程和經典算法的基本原理，熟練運用數據挖掘軟件工具，分析和解決商業應用問題。課程教學目標指出，為經管類專業本科生開設數據挖掘課程的目的是培養學生利用數據挖掘這種工具去分析和解決商業應用問題的能力，而不是要求學生具備數據挖掘算法設計能力。因此，對于經管類專業本科生來說，實驗教學和理論教學同等重要。在課程教學大綱中應將理論教學學時和實驗教學學時設置為各16個學時。

3 教學內容設計

用16個學時來介紹數據挖掘課程的理論知識點，這就要求教師能夠為經管類專業本科生精心挑選知識點，“量身定做”教學內容。

1）以應用為目的設計教學內容。根據經管類專業本科生數據挖掘課程的教學目標，本門課程在教學過程中應注重培養學生應用數據挖掘分析問題和解決問題的能力，這就要求教師能夠圍繞數據挖掘的整個應用過程來安排教學內容。數據挖掘的應用過程包括數據收集、數據預處理、模型構建和知識評價四個主要步驟。數據收集步驟是指準備數據挖掘的對象——數據源，有的數據源是一個數據文件或者是數據庫中的一張關系表，但對于具體的商業應用來說，數據源往往是來源于同一個或不同數據庫中的多張關系表，或者是多個數據文件，這時需要對數據源進行集成，甚至是構建數據倉庫；數據預處理步驟是指通過數據清洗、數據集成、數據變換和數據歸約等操作為數據挖掘任務提供干凈、準確和簡潔的數據，提高數據挖掘效率和挖掘結果的質量，它是數據挖掘中非常重要的環節；模型構建步驟是指選用數據挖掘算法在預處理后的數據集上構建挖掘模型的過程，關聯、分類、聚類和回歸分析是數據挖掘中四個主要的挖掘任務，每個挖掘任務又對應了多個挖掘算法；知識評價步驟是指采用各種統計指標對挖掘結果進行評價，以發現有價值的知識。由于不同挖掘算法得出的挖掘結果表現形式不同，知識評價應針對具體挖掘算法進行，因此知識評價步驟要安排在每個挖掘算法介紹完之后。

2）重點介紹經典算法。針對經管類專業本科生在學習數據挖掘課程時感到內容難度較大這一問題，且考慮到課程的理論授課學時有限，筆者對原有的數據挖掘內容進行了適當的精簡。數據挖掘包含數十種挖掘算法，刪除復雜和難度大的數據挖掘算法，針對每種挖掘任務重點介紹其經典算法。例如，關聯挖掘中的Apriori算法，實現分類挖掘的決策樹算法，實現回歸分析的最小二乘法以及聚類分析的k-means算法。對于神經網絡、貝葉斯分類、時間序列挖掘和Web數據挖掘等難度較大或內容拓展性算法，在介紹相關章節時略提一下，并鼓勵有興趣的學生在課余時間自學。

3）增加商業案例。數據挖掘是一門技術性較強的課程，一般的教材往往注重理論，相關案例較少，因而不容易激發學生的學習熱情[3]。為了幫助經管類專業本科生增加對課程中各種挖掘任務的感性認識，同時也是為了激發學生對本門課程的學習興趣，筆者在講授過程中增加了若干關于數據挖掘的幽默故事、經典案例和在各行業中的應用案例，通過分析案例加深學生對算法應用的理解。例如，在介紹關聯挖掘任務時給學生們引入“啤酒與尿布”的故事；在介紹分類挖掘任務時講解客戶流失分析的應用案例；在介紹聚類挖掘任務時分析客戶細分的應用案例。

基于上述分析，筆者為經管類專業本科生開設的數據挖掘課程教學內容具體如下。

第一章為緒論，主要是對數據挖掘技術作概括性描述，讓學生對數據挖掘定義、與數據倉庫的關系、研究熱點以及發展趨勢形成感性認識。本章內容分配2個理論教學學時。

第二章為數據倉庫，主要內容包括數據倉庫的定義與特征、數據倉庫的數據組織、數據模型、總體結構和設計等原理性知識點，以及聯機分析處理（OLAP）的基本概念和分析操作等基本知識。本章內容分配2個理論教學學時。

第三章為數據預處理，主要介紹數據清洗、數據集成、數據轉換以及數據歸約等數據預處理的基本步驟和常見方法。本章分配3個理論教學學時。

第四章至第七章圍繞數據挖掘的4個重要任務——關聯、分類、聚類和回歸分析，在介紹每種挖掘任務基本概念的基礎上，重點介紹經典算法的基本原理和挖掘結果評價方法，以及每個挖掘任務在具體行業的應用案例。第四章至第六章每章內容分別分配3個理論教學學時，第七章內容分配2個學時。

4 實驗項目設計

數據挖掘是一門與實際應用結合緊密、實踐性較強的課程。為了加深學生對數據挖掘理論知識點的理解，鍛煉和提高學生的實際動手能力，必須結合實驗進行教學。數據挖掘課程的理論教學和實驗教學構成一個完整的整體，缺一不可[4]。實驗教學要充分調動學生的主動積極性，而不是簡單地讓學生進行驗證式的操作實驗或僅僅局限于機械地使用、熟悉某種軟件工具。

筆者針對課程知識點設計了4個實驗項目，每個實驗項目分配4個實驗學時。

第一個實驗項目為數據倉庫構建，實驗軟件是SQL Server 2000，它提供了一套完全的數據庫和數據分析解決方案，其中的Analysis Service 組件支持數據倉庫的創建和應用，并提供OLAP聯機分析操作。構建數據倉庫的數據源來自SQL Server 2000的樣例數據庫Northwind，Northwind是一家虛構的公司，從事世界各地的特產食品進出口貿易。Northwind數據庫包含有這家公司的銷售數據，數據內容多，數據量大，數據結構貼近企業的真實數據，符合實驗要求[5]。實驗包含4個步驟：（1）理解業務數據，確定分析主題。Northwind數據庫中的表非常多，需要理清各關系表的內容及其相互間的關聯，在此基礎上確定感興趣的主題；（2）圍繞分析主題，將主題相關的關系表通過企業管理器中的DTS進行清洗和轉換，為數據倉庫提供合適的數據；（3）使用Analysis Server向導，建立多維數據集；（4）基于構建好的多維數據集，對數據進行切片、切塊、鉆取、聚合和旋轉等各種OLAP分析操作。

第二至第四個實驗項目均是基于Clementine12.0等數據挖掘工具，通過構建數據挖掘模型分析具體商業問題。其中，第二個實驗項目為關聯挖掘的綜合實踐，要求學生運用關聯挖掘經典算法Apriori分析移動產品交叉銷售；第三個實驗項目為分類挖掘的綜合實踐，要求運用決策樹算法進行電信客戶流失分析；第四個實驗項目為聚類挖掘的綜合實踐，要求運用聚類經典算法K-means進行電信客戶細分分析。上述三個綜合實驗項目都要求學生首先能夠分析具體應用問題，然后進行數據預處理、構建數據挖掘模型，并對挖掘結果進行分析和討論，以鍛煉學生數據挖掘的思維體系和數據分析能力。

5 教學方案實施

在教學方案實施過程中，著重營造活躍的課堂教學氛圍，重視對課后作業的指導，以期提高課堂教學效果。考慮到經管類專業本科生的知識背景和本門課程的特點，在每次課堂上都會拋出一個思考題，要求學生們運用所學理論聯系身邊實際展開討論。例如，在介紹完第一章后設計了一個討論題：如何運用數據挖掘幫助電信企業提高競爭優勢？學生討論得很熱烈，也得出了多個答案。由于本門課程課堂講授學時較少，為了幫助學生復習、鞏固及應用所學內容，課程每章節后都安排了課外作業，并就其中的難點進行指導和講解。實驗過程中，著重培養學生的獨立性和數據分析能力。首先向學生講授清楚實驗具體要求和注意事項，然后放手讓學生自己去做，遇到問題先鼓勵學生自己思考解決，實在有困難再稍加指點。實驗結束后，要認真分析實驗結果，完成實驗報告。選擇實驗數據時要考慮到數據是否符合現實情況且能夠突出所分析的問題。除實驗以外，其它實驗項目均采用SPSS產品培訓過程中所用的相關數據，數據量大小適中，適合在實驗課上使用，而且這些數據與真實數據的差異小，有助于提高學生解決現實問題的能力。數據挖掘課程的教學方案已實踐了5年，其間不斷進行經驗總結和探索，無論從近幾年選修本門課程的學生人數還是從課堂上學生的反映和學習氣氛看，本門課程都取得了很好的課堂教學效果。

6 結束語

數據挖掘作為一門技術性和應用性較強的課程，對優化經管類專業本科學生的知識結構、擴展學生的專業應用領域有著重要的作用。筆者結合自己的教學經驗，對經管類專業本科生數據挖掘課程的教學內容和實驗環節等方面進行了積極的教學探討和實踐，學生反映非常好。在今后的教學工作中，要不斷實踐，不斷總結，進而不斷改進和提高數據挖掘課程的教學質量。

參考文獻

[1]劉云霞.統計學專業本科生開設“數據挖掘”課程的探討[J].吉林工程技術師范學院學報，2010，26（6）：20-22.

[2]李志勇，王翔，喻軍.信息管理專業數據挖掘課程教學探討[J].管理工程師，2012，（4）：66-68.

[3]劉昆宏.淺談本科階段數據挖掘課程設置[C]//In Proceedings of 2010 Third International Conference on Education Technology and Trainning，Wuhan，2010：4-5.

[4]李正輝.數據挖掘課程實驗總體框架設計[J].統計教育， 2006， （9）：25-27，34.

[5]韋艷艷，張超群.“數據倉庫與數據挖掘”課程教學實踐與探索[J].高教論壇，2011，（1）： 94-96.