高校檔案用戶行為大數據分析技術應用研究

張 倩

（南京藝術學院，江蘇南京，210013）

進入web2.0 時代，互聯網具有了互動功能，用戶通過注冊身份可以參與信息的制造和流通，特別是用戶行為大數據分析的應用價值，迅速得到了各行各業的青睞。大數據技術不僅發現了用戶基本信息資料記錄的使用價值，而且研發出了用戶行為數據增值的“智能挖掘系統”。

本文通過深入考察互聯網“用戶行為大數據分析”的技術創新案例，試圖在揭示其基本涵義、研究意義和數據源集成機制的基礎上，探究高校檔案用戶行為大數據分析的應用前景，并提出模式創新的設計重點與技術要領，以利驅動高校檔案機構不斷推出增值服務。

1.檔案用戶行為大數據分析的基本涵義與研究意義

大數據技術之所以迅速得到各行各業的青睞和熱捧，就是因其能夠利用“用戶行為大數據分析”的技術手段，為互聯網“數據廢氣”變廢為寶提供機遇與途徑。為了解和掌握“檔案用戶行為大數據分析”的基本內涵與應用價值，筆者作了如下考察：

首先，何為“檔案用戶行為信息”？筆者認為，其主要是指：檔案用戶在檔案網站或檔案信息管理系統等環境中發生的檢索、瀏覽、下載等行為（數據痕跡），并包括用戶在第三方網站上與檔案實踐活動相關的行為，如社交媒體上的交流、參與討論、查看相關評價、與好友互動等產生的行為。

其次，什么是“檔案用戶行為大數據分析”？筆者認為，其主要是指：通過把淹沒在檔案用戶行為海量數據中雜亂無章的數據經過數據收集和提煉，獲取有效數據，并挖掘隱藏在用戶行為數據背后的信息，研究其數據價值的過程。這項技術的核心價值在于：能夠事先根據不同檔案用戶在線發生的行為事件，分析出不同用戶的行為特性，并將智能數據服務平臺集成的用戶需求預測結果與其優化匹配(Match)，進而達到不斷發掘數據潛在價值之目的。

第三，為什么要進行“檔案用戶行為大數據分析”？筆者認為，其主要是指：在看似毫無用處的“數據垃圾”背后，隱藏著寶貴的使用價值，即“數據持有人可以從歷史數據中推測判斷出行為人的下一步動作——個人的行動軌跡、行為軌跡，甚至思維軌跡［1］。”檔案管理機構利用“大數據X光機”探究各類行為軌跡背后的本質，不僅能夠通過串聯基于檔案用戶行為的參考數據，對在線用戶進行360 度視角的剖 析 ，最 終 提 供 可 視 化（Visualization）的解決方案，以便更好地服務用戶、留住用戶；而且有利于不斷提升數據分析能力，使后續業務活動更加有的放矢，以期實現與用戶在線智能互動、精準匹配。

2.檔案用戶行為大數據源的優選凝練與集成機制

“數據源”（Data Source）是大數據之母。在大數據來源中，用戶行為數據曾很少被人問津，但其卻是最為重要、最有價值的一種數據源。尤其值得重視的是：用戶行為數據的豐富度與集成機制將決定大數據技術的發展方向與進程。目前，高校檔案管理機構已積累了大量的用戶行為數據，這為開發檔案用戶行為大數據分析提供了良好的資源基礎，但要實現原創數據轉換為“增值數據”（premium data）［2］的“最后一躍”，尚需具備三項基本技術支撐條件。條件一：構建檔案用戶行為原創數據資源庫；條件二：構建檔案用戶行為“增值數據”集成模塊（智能集成機制）；條件三：構建檔案用戶行為“增值數據”匹配服務平臺（智能分析系統）。需要指出的是，在這三項技術支撐條件中，尋找合適的檔案用戶行為原創數據源進行“ 清洗”(Data Scrubbing，即對數據資源進行優選凝練），并將“增值數據”輸入匹配服務平臺，是檔案用戶行為大數據分析過程的最大挑戰之一［3］。通過深入考察，筆者認為：構建檔案用戶行為數據源的凝練集成機制，必須對關鍵性影響因素做好充分的技術分析，以利明確智能集成系統設計的研究內容和重點。

首先，要從時間維度了解和掌握檔案用戶的行為軌跡。借鑒“現代營銷學之父”菲利普·科特勒(Philip Kotler)的營銷學理論，剖析檔案用戶的行為軌跡可以發現其主要包括：產生需求、信息收集、方案選擇、需求決策、后續行為五個階段。其中，后續行為包括：檔案用戶的使用習慣、使用體驗、滿意度和忠誠度等。檔案用戶行為軌跡的時間記錄，是幫助透析和預判用戶需求的探測鏡，對開發利用“增值數據”具有重要作用。

其次，要從空間維度了解和掌握影響檔案用戶行為的關鍵要素。借鑒“5W2H”分析法，可將檔案網站發生的用戶行為分解成七大要素。 即：誰(Who)? 什 么 時 間(When)?什么地點(Where)?訪問了什么檔案(What)?產生查詢需求的動機是什么(Why)?打算查詢多少檔案資料(How Much)?如何借閱(How)?根據這些關鍵要素的分析，既能獲得用戶訪問檔案網站的時間、地點、點擊的內容、頁面每個部分停留的時間等零散的信息參數，又可整理、提煉并清楚地定義一個具體的用戶行為，且利于盡可能精準地挖掘出“5W2H”中需要解答的問題。

第三，要從質量維度分析和評判檔案用戶行為數據的使用價值。檔案用戶的行為數據，可區分為“靜態數據”(Static Data)和“動態數據”(Dynamic Data)兩大類。其中：“靜態數據”是指用戶的姓名、年齡、學歷、職業、來源地區、興趣愛好等用戶屬性類信息。這類大數據信息，通常由檔案管理機構的日常服務自我生成。如：檔案網絡管理系統需要用戶注冊ID才可使用，它可構成用戶身份的確定性與唯一性，且用戶填寫的注冊資料是分析和評判數據價值最基礎、最重要的依據。“動態數據”是指檔案管理機構內部主動對用戶行為進行“捕獲”（Capture）而獲得的操作類信息。這類大數據信息，主要包括用戶的檢索、瀏覽網頁、下載等操作數據和點擊流數據、跳出率數據，等等。檔案管理機構通過獲取用戶的“靜態數據”和“動態數據”，既可了解和掌握用戶行為規律，又可為分析和評判用戶行為數據的使用價值提供基礎依據。

第四，要從來源維度分析和研判檔案用戶行為數據結構優化的解決方案。檔案用戶的行為數據，可區分為“內部數據”(Internal Data)與“外部數據”(External Data)。據IBM 公司發布的《分析：大數據在現實世界中的應用》白皮書顯示：企業“內部數據”是大數據的主要來源，社交媒體等“外部數據”則不到一半［4］。目前，高校檔案管理機構也面臨同樣的問題。即：內部系統中用戶行為數據占主導地位，且這類數據的潛藏價值尚待開發；外部傳統互聯網、移動互聯網、SNS社交網等每天都在生成大量的UGC（User Generated Content，即用戶產生的內容）公共數據，檔案管理機構現有的人力物力卻難以顧及。改變這一狀況的出路何在？筆者認為，除積極改善人力物力條件之外，必須從數據來源的結構優化入手，著力遴選“增值數據”集成機制的解決方案。如：針對高校檔案部門用戶行為數據分布在一系列不同的數據庫(Data Base)、數據存儲器(Data Storage)和文件服務器(File Server)的特點，可將所收集的文本、視頻、音頻、圖片等不同結構類型的數據，先梳理、歸類為結構化數據、半結構化數據和非結構化數據三大類型；再按照數據價值的特性，將不同結構類型的數據賦予“一般”、“獨特”、“專屬”等不同的價值屬性，并對不同價值屬性的數據進行結構優化和集成；然后，根據裝備和技術條件選擇不同的存儲模式（遠程存儲、共享存儲、專用平臺存儲、移動存儲等），以便于開發利用。

3.檔案用戶行為大數據分析系統的設計重點與主要功能

檔案用戶行為大數據分析的技術系統建設，涉及多方面功能集成模塊的設計思路與方法的選擇問題，其中數據凝練、數據分析、數據預測、數據交互等關鍵技術，更是實踐應用不可回避的研究重點。下面，筆者借他山之石并結合自己的研究體會，對系統所涉重大功能模塊的主要作用和設計重點，提出初步研探的一些看法。

3.1 用戶行為數據資源凝練系統

3.1.1 用戶基本信息模塊

構建用戶行為數據資源凝練系統，是高校檔案用戶行為大數據分析的核心技術之一，而建立用戶基本信息模塊更是重中之重。該模塊的主要作用：一是可對用戶進行多維度分析。如：依據用戶的性別、年齡、地域、興趣愛好等人文屬性，可創建用戶基本信息數據的多維度分析資源庫。二是可形成凝練用戶基本信息數據的標準化識別機制。如：將用戶的人文資料及在線行為記錄進行有機融合，可把凝練出來的用戶資料信息作為增值數據進行開發利用。三是可自動更新和完善用戶基本信息數據。如：在不侵犯用戶隱私的前提下，可對用戶基本信息記錄作自動更新和完善，以滿足不同用戶的應用需求。

3.1.2 用戶信用（價值）評價模塊

用戶信用（價值）評價模塊，是用戶行為數據資源凝練系統中不可或缺的重要組成部分。該模塊的主要作用：一是可對大量用戶歷史數據進行量化分析。如：通過對用戶過去是否有點擊、是否有借閱，借閱檔案的價值，借閱的頻率，最近一次什么時候借閱等屬性的統計和歸類，可尋找出用戶信用風險的特征值與規律。二是可對用戶行為數據進行價值評分。如：對新用戶和已有用戶（偶然來訪者和常客），可賦予不同的分值來劃分用戶信用等級。三是可建立用戶價值分群模型。如：按照不同的風險管理級別與服務級別，可有針對性地對不同用戶群設計服務方式與客戶體驗。如：當用戶每次光顧高校檔案網站時，系統能夠立即訪問用戶行為數據庫，并實時判斷出此用戶是否為優質用戶(High-quantity User)，對優質用戶可給予合適的優惠服務。又如：當一位很久沒來過的用戶再次光顧高校檔案網站時，系統可對其提供特殊優待服務，以便其成為常客。再如：系統能給排名靠前的用戶發送推薦信息，以利發現盡量多的潛在用戶(Potential User)，且能提前發現不守信用的用戶（如逾期不歸還檔案或丟失原件等），并根據實際情況采取不同的有效措施進行預警處理。

3.2 用戶行為需求預測系統

3.2.1 用戶偏好（傾向）模塊

在用戶行為需求預測系統中，用戶偏好（傾向）模塊是重要基石。該模塊不僅可以通過追蹤和分析用戶行為數據來掌握用戶行為規律，而且能夠精確定位用戶的需求偏好。應用案例一：高校檔案管理機構通過日常對用戶借閱行為、意向的記錄與積累，可發現用戶經常喜歡辦理哪些業務，以及對服務還有哪些需求，以利從用戶反饋中預測其需求狀況并更好地改善用戶的體驗度。如：每年上半年高校會有大批教職員工查詢與己有關的職稱材料，檔案管理機構可對用戶需求進行分類并預先做出滿足其需要的“對象庫”，以利有效細分用戶群的服務效果。應用案例二：高校檔案管理機構通過對用戶在網頁上的熱點圖(Heat Map)分布數據和網頁覆蓋圖(Webpage-overlay Map)數據，可分析用戶喜歡看哪些主題的檔案資料，從而做到一方面加強用戶所偏好檔案的收集、存儲，另一方面還能考察自己的產品與服務效果，為新課題研發提供可靠的線索。應用案例三：高校檔案管理機構通過對用戶登錄時間點的分析，不僅可以獲悉用戶的活躍期，而且可在對應的時間段做某些有針對性的信息推送，以利降低運營成本，并為發現增值服務提供可靠的線索。應用案例四：高校檔案管理機構可通過用戶訪問網站流程來分析其對網站的字體顏色的喜好程度或頁面結構設計是否合理等，為不同的用戶呈現其專屬設計的網頁，以利開發出不同的產品與服務體驗。

3.2.2 用戶個性化服務推薦模塊

在用戶行為需求預測系統中，個性化服務推薦模塊不僅是一種信息過濾的重要技術和手段，而且是解決信息超載問題的有效工具。用戶個性化服務推薦模塊的功能，主要以“私人訂制”等各類貼心服務來予以體現。應用案例一：效仿亞馬遜等電商巨頭的做法，高校檔案管理機構可在檔案網站內設置“同類用戶還查詢了什么”的頁面，由系統引導用戶發現有價值、感興趣的信息或當前的熱點文章以及熱點話題等。應用案例二：借鑒電子郵件 營 銷（EDM，即Email Direct Marketing）的技術手段，高校檔案管理機構可通過分析用戶已有的訪問信息，并在其事先許可的前提下，利用電子郵件或微信公眾賬號向目標用戶主動發送有價值的信息提示，以利幫助用戶作出決策（經過大數據分析后發送的推薦信息，使用戶收到的郵件起碼是與其潛在需求的普通屬性相關的、可能感興趣的信息，以免被用戶作為垃圾信息而直接刪除）。應用案例三：高校檔案管理機構可在所有要推薦的檔案信息產品旁邊增加一個“不喜歡”的按鈕，以便用戶選擇。就個性化服務推薦而言，收集用戶不喜歡的東西與喜歡的東西不僅同樣具有重要的使用價值，而且可在一定程度上幫助系統改進功能，以利提供更精準的推薦服務。

3.2.3 用戶風險預警模塊

在用戶行為需求預測系統中，用戶風險預警模塊不僅可預測用戶黏度(User Viscosity)并對將要流失的有價值的用戶及時采取有針對性的維系方法，而且對降低運營風險具有重要作用。如：移動運營商采取給數億用戶建立一個數據庫的辦法，通過海量數據分析跟蹤用戶的話費消耗情況，就能知道哪些用戶在流失（話費銳減的用戶基本上是將要流失的先兆）。借鑒這一做法，高校檔案用戶風險預警模塊的設計，應將用戶行為“生命周期”的分析判斷作為重點，并采取相應措施來增強用戶黏度、降低流失率。可資借鑒的參考方案：一是針對處于“穩定期”的用戶，可通過加強用戶互動交流和信息推送服務等，以利保持用戶對高校檔案網站的關注度；二是針對處于“成長期”的用戶，可通過對使用某類增值業務有興趣的用戶進行預測分析，主動向其推薦個性化服務內容，以利促進其向“穩定期”轉化；三是針對處于“衰退期”的用戶，可通過設定預控條件，對即將流失的用戶做出友情提醒，盡量促使其回歸穩定。此外，要根據用戶流失特征和各類運作風險作深度分析，及時改進服務不到位的缺陷，以利有效增強用戶黏度。如：系統可根據大數據分析，實時判斷并提前發現用戶在使用過程中的各種操作失誤或故障，對其各種誤操作進行警示。又如：在物聯網營運環境下，檔案管理人員需要接觸并操作溫濕度控制、有線和無線通信、遠程監控、自動報警、RFID物聯網傳感器等各種現代化設備，系統可通過建立用戶風險預警模塊來收集這些設備的海量運作數據，提前對某個具體指標的變化進行預警分析，并據此采取相應措施來提高數據安全管控，避免不必要的損失和事故發生，以利實現更加及時、更加人性化管理之目的。

3.3 用戶行為大數據關聯系統

3.3.1 用戶“購物籃”關聯模塊

關聯技術不僅是互聯網發展的一大優勢特征，而且為大數據關聯分析提供了有益條件。通過“關聯分析”（Association Rules）尋找在同一事件中出現的不同項的相關性，有助于增值數據的開發利用［5］。如：亞馬遜運用協同過濾（collaborative filtering）技術，對收集到的銷售數據和客戶購買行為數據進行分析，并據此向客戶推銷相關商品［6］。再如，沃爾瑪“啤酒與尿布”的經典商業案例，同樣是將收集到的消費者購物行為數據，運用關聯算法進行數據挖掘（Data Mining），發現了風馬牛不相及的商品之間的神奇關聯，使看似無用的數據創造了新的商業價值。同理，高校檔案管理機構可借鑒“購物籃分析”（Market Basket Analysis）方法，在網站上為用戶設置“購物籃”，分析“購物籃”里用戶借閱檔案之間的相似性關系，發現什么樣的檔案組合用戶多半會一起查閱，尋找出既頻繁又可信的檔案信息借閱組合。因此，建立用戶“購物籃”關聯模塊，一方面可快速、準確地幫助用戶瀏覽想要的檔案，減少用戶過濾信息的負擔，節省用戶的檢索時間；另一方面可按照大數據分析結果對實體檔案進行科學排架，并通過實體檔案與關聯電子檔案的優化鏈接，促進借閱量的快速增長。

3.3.2 用戶檢索語言語義分析模塊

零售業寡頭沃爾瑪為其網站設計的搜索引擎Polaris，利用語義數據進行文本分析、機器學習和同義詞關聯挖掘，使在線購物完成率提升了10%到15%［7］。高校檔案管理機構應積極借鑒大數據語義檢索(Semantic Retrieval)技術，通過建立用戶檢索語言語義分析模塊，來捕捉用戶所輸入語句背后的意圖，并以此向用戶提供最符合其需求的查詢結果。該模塊的技術設計要領是：依托知識“本體”(Ontology)的支持，對用戶查詢請求進行預處理(Data Preprocessing)、語 義 映 射(Semantic Mapping)、共 現 分 析(Collocation Analysis)、聯 想 檢 索(Associative Retrieval)等處理后，在“檔案元數據”（Metadatabase）中匹配(Match)符合條件的檔案信息，以適應概念匹配、語義匹配等知識檢索之需。

3.4 用戶行為大數據交互系統

3.4.1 O2O用戶交互模塊

在實踐中，用戶會先到檔案網站上去查詢，然后再到檔案館去調閱檔案。這種行為模式，與O2O（Online to Offline，線上與線下的結合）電子商務模式有異曲同工之妙。因此，建立O2O 用戶交互模塊，將高校檔案管理機構線下的業務與網絡進行對接（網站成為線下“交易”的前臺，檔案館成為線下的“實體店”），既可讓用戶用收到的二維碼彩信電子憑證在檔案館享受相應的服務，又可通過網上檔案館直接完成足不出戶的查檔體驗。此外，開發用戶O2O 交互數據，不僅能節省用戶時間，而且可節約檔案館的人力服務成本，特別是O2O模式在創造客流量的同時，網站上產生的用戶行為O2O數據資源會成為檔案管理機構了解用戶需求信息的重要渠道，而掌握了龐大的用戶行為數據，既有利于提升“精準服務”水平，又可更好地維護并拓展用戶。

3.4.2 用戶滿意度分析模塊

對用戶評論進行情感（滿意度）分析具有潛在的商業價值。目前，亞馬遜、淘寶等主流網絡交易平臺幾乎都配置了評論功能，大眾點評網、豆瓣網等第三方點評網站也把評論信息作為吸引用戶使用的重要功能。通過考察可以發現，網站的評論信息是根據用戶的經歷和經驗寫成的，正反信息都有，較為客觀，既可方便其他用戶對關注的內容進行充分的比較和更深入的了解，又可方便網站獲得用戶反饋來促進后續的生產或銷售。借鑒這一做法，建立用戶滿意度分析模塊，可讓高校檔案管理機構根據用戶評論的目標、評論的內容、分享的內容，及時了解和掌握用戶的信息需求。

3.4.3 用戶社交圖譜模塊

建立用戶社交圖譜(Social Graph)模塊，既是完善和豐富知識“本體庫”的需要，也是用戶行為大數據分析的必備條件。高校檔案管理機構要在不斷充實和完善內部用戶行為數據的基礎上，切實做好與互聯網數據的對接。如：微博、微信等社交媒體中的用戶非結構化數據，主流的關系型數據庫很難存儲，高校檔案管理機構要利用大數據技術來分析UGC 中海量的用戶社會關系和興趣關系，并通過分析社交圖譜來建立匯聚社會化、非結構化的檔案用戶行為數據資源知識庫，同時要根據這些圖譜關系，結合用戶的網絡訪問軌跡，對網絡潛藏信息進行挖掘，幫助用戶發現彼此的朋友圈，拓展交流范圍，以利方便有共同旨趣的用戶進行檔案信息交流。

3.4.4 可視化分析模塊

“1張圖片等于1000個字［8］。”美好的視覺展現效果可使數據不再是簡單的文字或數字，它能便捷地使用戶理解數據分析背后的信息。建立可視化分析（Visualization Analysis）模塊的用途：運用計算機圖形學和圖像處理技術，將用戶行為數據壓縮轉換成圖形或圖像在屏幕上顯示出來，以便于用戶理解和交互處理。實踐表明，利用可視化軟件以動畫、趨勢線、圖形等美觀的視覺效果，不僅能更好地展現檔案用戶行為大數據分析結果或監測數據背后的信息，而且能優化檔案管理系統人機交互界面，吸引用戶眼球、提高網站黏度。此外，還可將該分析結果發布到Web 和移動終端設備進行交互式信息展示，進一步提高推薦結果被用戶接受的可能性，且可為未來作出合理決策等業務提供信息依據。

4.創建高校檔案用戶行為大數據分析系統的技術要領與應用對策

用戶行為大數據分析不是簡單的“分析數據”，需要一整套切實可行的解決方案，尤其要重視用戶行為數據采集凝練體系與分析流程的應用對策研究。

首先，要有明確的建設目標。隨著Hadoop（由Apache 基金會開發的一個分布式系統基礎架構——支撐大數據分析的分布式計算平臺）的誕生，特別是NoSQL 數據庫（非關系型數據庫——支撐大數據分析的基礎技術）的推廣普及，高校檔案管理機構已無需在內部開發或配備所有大數據技術，甚至不必投入固定資本自行搭建大規模的IT環境，即可完成對大量非結構化數據的高速處理。對此，筆者認為，高校檔案管理機構要根據業務需求和基礎條件，認真研究并制定檔案用戶行為大數據分析系統的建設目標，不僅要明確總體建設規劃目標和階段性實施方案，而且要對施用范圍與成本效益作出科學估價，并通過權衡利弊提出應對措施。如：大型高校檔案館可以橫向的大數據分析為建設目標，選擇自建基于大型機系統的數據中心作為內部解決方案；小型高校檔案館（室）則應以垂直行業的關鍵性技術應用為大數據分析的建設目標，選擇租用托管商提供的基于云端的大數據應用程序（Big Data Applications）作為內部解決方案。但就發展方向而言，高校檔案管理機構應將著眼點放在對信息的分析、存儲和預測能力等核心競爭力的提升上，努力使自身轉化為“有價值的信息部門”。

第二，要確立規范的技術標準與流程。大數據的利用難點在于技術。實踐證明，從數據的收集、存儲 到 清 洗 ， 再 到 脫 敏（Desensitization）、歸類、標簽化、結構化，以及建模分析、挖掘利用等等，這不僅需要服務器集群、數據利用模型、數據處理算法等一系列大數據技術予以匹配，而且需要依靠科學規范的技術標準與流程將挖掘出來的結果進行包裝、變現。對此，筆者認為，對于一般高校檔案管理機構來說，除了技術性很強的業務可委托外包給專業公司來做外，自身需要規范的技術標準與流程主要包括：一是要規范“用戶行為”內涵定義。高校檔案管理機構必須事先為大數據分析定義出規范的“用戶行為”。如：用戶分組、發生時間、持續時間等，以便后續匹配。二是要規范“行為事件”采集標準。高校檔案管理機構必須高度重視數據采集的標準體系建設，并按照標準化和規范化的采集方法與流程，堅持從小處入手，對日常采集的獨立數據流作分類、轉換、匯總并將其輸入至智能數據庫保存起來（隨著收集數據的不斷增多，大數據可隨即形成）。這樣做不但可減少先期投入，而且還能從數據采集凝練中取得意外的收獲。如果平時不注重積攢用戶行為數據，關鍵時刻將會受歷史數據量所限而無法進行大數據分析。三是要規范“行為事件”凝練手段。高校檔案管理機構要根據業務需求和大數據分析技術裝備條件，逐個分析已有的數據倉庫，認真甄別和凝練有效數據，并對其匹配人工或系統智能定義好的個性化標簽（需通過持續化地調整優化用戶行為定義），以利建立用戶行為記錄的分類模型。四是要規范“結果可視化”展示形式。檔案用戶行為大數據分析既要對數據進行詮釋，更要對分析凝練的結論進行可視化包裝展示。鑒于這是一種主觀性分析，其產生的實際效益通常難以量化和展示，能否把具體的項目收益與業務需求緊密結合起來，將是效益分析成敗的關鍵之舉。因此，高校檔案管理機構要深入研究有效數據的量化規律和展示技巧，不斷探索和創新“結果可視化”包裝展示的規范化形式。

第三，要注重數據安全的風險防范。大數據需要“大安全”。高校檔案管理機構在進行用戶行為大數據分析時，不僅要考慮包括系統安全問題、用戶隱私問題、兼容與整合問題等影響因素，而且必須提前做好應對各類風險的解決預案。對此，筆者建議：一是要建立健全信息安全監管制度。嚴格遵守國際國內相關法律法規的要求，切實規范信息安全監管制度與操作規程（包括在規定期限之后刪除個人信息的義務）。二是要建立健全用戶行為大數據分析隱私權防護機制。對采集的用戶行為數據必須作“模糊處理”（Fuzzy Processing），著力使“大數據分析”挖掘出來的個人信息（特別是涉及用戶隱私的信息）與特定數據點的聯系難以對接。三是要建立健全數字化節制措施。對涉及用戶信息數據再利用的行為，必須采取行之有效的數字化節制措施，不斷更新和提升減災能力，以利規避或降低用戶信息數據二次利用中潛在的侵權風險。

結束語

數據科學（Data Science）正在成為一個新興的學科和領域，誰能更好地抓住數據、理解數據、分析數據、應用數據，誰就能在未來的競爭中占據先機。因此，高校檔案管理機構要像對待自己的寶貴資產一樣來對待檔案用戶行為數據，高度關注大數據技術的發展走勢，切實加強應用研究，不斷提升檔案用戶行為大數據分析技術的實時化、精細化、智能化應用水平，努力使其成為開拓高校檔案增值服務和滿足社會需求之利器。

［1］周楓.大數據時代檔案館的特征及發展策略［J］.檔案與建設，2013（8）：8.

［2］城田真琴．《大數據的沖擊》［M］．北京：人民郵電出版社，2013：219．

［3］Frank J.Ohlhorst．《大數據分析點“數”成金》［M］．北京：人民郵電出版社，2013：31.

［4］科技日報．大數據主要來源于企業內部數據［EB/OL］．(2013-03-21).［2014- 04- 28］． http://news.xinhuanet.com/tech/2013-03/21/c_124487009.htm．

［5］楊池然．《跟隨大數據旅行》［M］．北京：機械工業出版社，2014：35．

［6］城田真琴．《大數據的沖擊》［M］．北京：人民郵電出版社，2013：56．

［7］搜狐IT．八個典型的大數據應用案例［EB/OL］．(2014-01-07)．［2014-05- 28］.http://it.sohu.com/20140107/n393108255.shtml．

［8］大衛·芬雷布.《大數據云圖》［M］.杭州：浙江人民出版社，2014：178.