大數據背景下用戶行為數據分析課程教學改革研究

李忠霖

（武昌工學院，湖北 武漢 430065）

1 引言

基于大數據技術的用戶行為數據分析，通常涉及網絡數據信息收集、機器學習分析、數據可視化等的執行流程，要求學生具有軟件編程基礎，且能夠熟練使用Python爬取軟件工具、R統計應用軟件。這一情況下，對于數據分析課程的教學改革與創新，也要引入有關大數據技術、Python用戶數據抓取工具，進行現有課程教學情境、教學理論與實踐內容、交互實踐教學流程的革新，帶領學生深入到某一用戶行為文本挖掘、數據分析、可視化呈現的學習之中，進而提高學生的數據爬取、分析與展示呈現能力。

2 網絡用戶行為的表現形式及數據類型

2.1 用戶行為表現形式

大數據、云計算、互聯網通信技術的迅猛發展，使得網絡內部出現多種多樣的用戶行為數據信息，也為不同類型用戶數據的深度挖掘、價值利用帶來巨大機遇。當前對于用戶行為數據的采集、整合與分析，通常圍繞著與用戶相關的網絡平臺展開，對電子商務、門戶網站、社交媒介的用戶行為數據，進行某一類別用戶數據的爬取、篩選、整合與存儲[1]。

從多源化用戶行為數據爬取的角度來看，用戶對網絡數據資源的獲取、查詢、交流、傳播、加工和利用等行為，通常有兩種表現形式：一是對網絡資源的檢索、查詢、瀏覽行為，即用戶根據自身的業務、服務需求，作為游客或登錄至網絡平臺，在不同功能模塊開展信息瀏覽、查找等操作行為；二是對網絡平臺資源的復制、粘貼、修改、下載行為，在外部用戶獲得訪問或管理權限后，可下載自身需要的數據信息，或對網絡平臺的數據信息、功能服務資源，作出復制、粘貼、修改等操作行為。

2.2 網絡用戶行為數據類型

基于Python語言編寫的Scrapy網頁應用程序框架，通常包括爬蟲(Spiders)、爬蟲引擎(Scrapy Engine)、調度器(Scheduler)、下載器(Downloader)等組成結構，可針對海量化的網頁數據、用戶行為信息，進行用戶任務請求處理、關鍵數據信息爬取[2]。

在Scrapy框架、Redis數據庫工具支持下，可在同一時間段內抓取任務請求數據，統計與提取豐富的數據類型，包括list、hash、string、sets、sorted sets等數據類型，支持不同數據集合或列表的交集、并集操作。當前對于網絡用戶行為的不同數據類型搜集與分析，存在著任務請求響應、數據流資源處理、網頁或網址爬取、數據信息抓取、數據存儲等執行流程。

3 當下網絡用戶行為數據分析課程教學存在的問題

3.1 缺乏以用戶行為數據融合與利用為主的教學理念

由于數據分析課程在整個專業教學中所占的比例較小，教師通常并未建構起系統化的數據分析教學理念，會忽視對用戶行為數據的采集、融合與利用教學[3]。如以校內圖書館用戶行為的數據分析教學為例，在對學生用戶行為的數據信息采集、整合與分析過程中，由于不同學生的數據訪問、操作行為具有分散性、實時性的特征，使得數據分析課程教學只是針對某一個或一類的用戶行為數據，進行行為數據類型、數據內容、數據特征的分析教學，而缺乏對多源用戶行為數據的融合、利用教學，致使大量“高價值”的數據信息難以得到充分應用。

3.2 數據分析課程缺少以學生為中心的教學情境創設

現階段數據分析專業課程的組織設置，通常缺少以學生為中心的教育理念，也很少設置出某一類用戶行為數據分析的教學情境。首先在課前階段，高校教師極少關注不同學生的自主學習情況，包括很少解學生對網絡用戶數據爬取、分析與存儲的技能掌握情況，只是依據課程教材大綱、單元知識內容的設置要求，進行課程教學資源整合、用戶行為數據分析的“講授”教育。

之后對于數據分析課程的教學情境創設，也很少引入課外電子商務、門戶網站、社交媒介等渠道的用戶行為數據，建立以數據爬取、分析為主的教學情境，使得數據分析課程教學的形式化嚴重、實踐應用性不足。

3.3 用戶行為數據分析課程內容、教學方式單一陳舊

在數據分析課程的組織與教學實施中，應圍繞X、Y等多個主成分變量，進行用戶行為數據信息的采集、整合與分析。但當下用戶行為數據分析的課程教學活動，通常只針對Python語言、R語言的網頁應用程序匯編語言，向學生講解網頁數據信息的爬取、檢索與整合分析流程，而缺少用戶行為原變量數據X、主成分數據Y的教學資源引入，很少進行系統化的Eviews或STATA軟件應用、主成分數據分析教學。

另一方面，從數據分析課程的教學方式來看，其很少結合用戶的實際生活、工作行為數據，采取分類問題分析法、聚類分析法，使用SPSS統計與分析軟件、Matlab仿真軟件，對不同時間段、不同類型的用戶行為數據進行分析教學，導致數據分析課程的系統化、層次化不強，不能保證學生對用戶行為數據的自主搜集、處理與分類分析。

3.4 數據分析課程缺乏交互實踐教學、客觀教學評價

用戶行為數據分析作為多元統計課程的組成內容之一，既要求學生利用Spiders、Scrapy Engine等數據資源爬取工具，進行用戶數據的搜集與挖掘，還要求學生使用SPSS、STATA、Matlab等軟件工具，進行用戶行為數據的分析、結果呈現，但部分高校缺乏數據分析課程的交互實踐教學安排、教學流程設置[4]。

當前多數高校數據分析課程的教學，仍舊采取用戶數據搜集原理分析、教材實例解析的“講授式”教學方式，對學生進行用戶行為數據分析的教學，卻很少設置校內實訓室、校外實踐應用基地，教師也并未針對具體問題進行一對一、一對多的交互指導。

此外，在數據分析課程教學評價方面，過于注重教學任務、應試考試成績等的結果性評價，忽視對教師課堂教學情境創設、演示與實踐教學的過程性評價，以及學生項目案例討論、數據挖掘與分析技能、分工協調能力的評價，不能反映出教師實踐教學、學生專業技能學習的真實情況。

4 大數據背景下用戶行為數據分析課程教學改革的創新策略研究

4.1 建構數據分析課程“課崗對接”項目式教學理念

隨著大數據、云計算技術的迅速發展，對高校內部業務、社會企業生產經營中的用戶行為數據分析，成為高校服務體系建設、企業產業發展關注的重要問題。“課崗對接”是指根據數據分析專業學生就業崗位需求，構建服務于融崗位工作要求、行業要求及學生職業發展于一體的課程內容體系。在這一人才培養理念的指導下，教師對學生的用戶行為數據分析課程教學，要遵循課崗對接化、項目化教學原則，設置初級、中級、高級的模塊化課程教學知識體系[5]。

其中，初級模塊圍繞SPSS、STATA、Matlab等軟件，以及Spiders、Scrapy Engine等數據資源爬取組件工具的安裝與運行，講解軟件的安裝、存儲及管理的操作方式，以及講授用戶行為任務請求管理、數據資源爬取、數據類型統計、carbon緩存存儲的執行流程。中級模塊主要針對用戶行為數據的變量信息，設置有關X(Y)的主成分變量、假設檢驗、回歸分析、方差分析內容，講解具體項目案例的數據分析方法。高級模塊則包括分類問題分析、聚類分析、因子分析等教學內容，講解金融或貿易交易、電子商務、社交媒介中存在的用戶行為數據變化情況，包括輸入/輸出的數據變動、資源瀏覽與調用情況，可充分保證“課崗對接”的項目式教學效果。

4.2 創設以學生為中心的數據分析課程教學情境

網絡用戶行為數據的爬取、分析與存儲教學，通常涉及數據自動化采集、讀取與清洗的爬取流程，因而可根據數據爬取與分析的業務，創設符合學生認知的問題導向式、交互式教學情境。

如針對分布式網絡用戶行為抓取系統的建構，教師可設置問題導向為主的教學情境：“ScrapyTwisted、Scrapy-Redis、Graphite等組件，在Scrapy網絡爬蟲框架系統中起到什么作用？”“用戶行為數據爬取的采集，處理、儲存流程是如何實現的？”在此基礎上，引導學生參與到網絡新聞的用戶評論、轉發、收藏行為爬取中，使其學習數據字段爬取、字符轉碼、清洗、分類、分割、對象添加、存儲的操作流程，完成不同類別用戶行為數據的爬取、分析與存儲工作。

4.3 創新用戶行為數據分析教學內容、教學方式

在“課崗對接”人才培養目標的指導下，對于數據分析課程的教學內容組織設置，以及學生自主探究、教師演示與實踐教學方式的創新，成為提高數據分析質量、對接企業數據分析與管理需求的重中之重。[6]因此，要以用戶行為數據分析的項目案例為主，創新與完善現有的課程教學內容、教學引導和指導方式。

首先根據不同網站、社交媒介的業務及服務需求，以項目服務為導向搜集相關的用戶行為數據信息，按照數據分析的教學與技能要求，設置出系統化的課程教學內容，具體如表1所示。其次，對于用戶行為數據分析的教學方式創新，依托于慕課、微課、翻轉課堂等網絡線上平臺，加強在線演示、項目交互實踐的引導教學，一是設定課程實踐案例的思維導圖，按照思維導圖完成不同場景下的分析流程構建，如“電子商務用戶行為數據分析”的課堂教學中，設定“Navicat可視化軟件安裝——用戶行為數據.csv文件導入——新建數據字段表——數據清洗與篩選——行為數據比較、用戶商品偏好和交易流程分析”的思維導圖，輔助線上課程教學；二是采取分類問題分析、聚類分析、因子分析等方式，使用具有相關性的公共因子，描述多個隨機變量之間的關系，實現對多種用戶行為數據的統計、比較分析。

表1 用戶行為數據分析的系統化課程教學內容設置

4.4 注重課程中師生交互實踐、科學客觀教學評價

用戶行為數據分析課程教學質量的好壞，在于教師是否根據學生學習情況、企業實際需求，設置出一系列典型的用戶行為數據分析項目。在這一實踐應用人才培養要求下，教師可針對具體的用戶行為數據分析項目，設置數據特征分類、整理、分析、共享與存儲的教學模塊，不同模塊使用相對應的軟件或組件工具，對學生進行用戶行為數據的采集、篩選、分析、存儲管理教育。如在Web網頁的用戶行為數據爬取教學中，教師可先向學生提出“網頁鏈接域名解析、網頁數據下載、消息列表數據提取、url去重過濾、網頁鏈接數據下載、爬蟲繼續抓取”等的用戶行為抓取流程。

然后提出問題：“如何使用URL下載特定的網頁，抓取網頁的用戶行為內容？”隨后引導學生利用數據特征分類、整理、分析、共享與存儲等的教學模塊，完成“種子URL抓取——將已下載URL放進抓取URL隊列——抽取新的URL放入待抓取URL隊列——讀取URL DNS并解析網頁用戶行為信息——存儲數據信息至網頁庫”。教師指導學生繪制用戶行為抓取的工作流程，解答學生的疑惑問題，并要求其將軟件抓取的數據信息，存放至數據庫共享模塊。

同時在用戶行為數據分析課程教學評價上，應結合教師情境創設、演示實踐教學活動，以及學生數據分析實踐、作業測驗情況，作出課前、課堂與課后的全流程教學(學習)評價，包括學生SPSS、STATA、Matlab的軟件使用技能評價，不同項目數據類型統計與提取、Python用戶數據抓取、用戶行為數據比較的業務執行評價，設定A級(優秀)、B級(良好)、C級(一般)、D級(較差)、E級(極差)五個等級，完成對不同課堂環節的評價打分，進而保證用戶行為數據分析與課程教學目標、企業信息需求之間的對接。

5 結語

數據分析課程屬于計算機科學與技術專業的主要課程之一，往往針對特定學生的專業要求、數據分析需求，由教師組織相關的課程教學知識體系，開展用戶行為數據分析的系統化課程教學。大數據環境下用戶行為數據分析課程教學，需要依托于慕課(MOOC)、微課、翻轉課堂的網絡在線平臺，根據不同學生的思維認知、數據分析學習狀況，設置出符合學生認知的問題導向式、啟發引導式教學情境，創新課程教學內容、交互實踐教學方式，引導學生進行數據字段爬取、字符轉碼、清洗、分類、分割、對象添加、存儲的不同環節的操作實踐，可達成用戶行為數據分析的項目實踐、問題交互指導教學目標。