基于业务管理的学生画像系统

1

什么是学生画像？

学生画像是用户画像在高校大数据应用中的延伸，根据学生的在校行为数据抽象出标签化的学生模型。构建学生画像的核心要义是构建学生的标签化体系，而标签是根据学生大量数据分析而来的高度精炼的特征标识。

举例来说，如果一名学生经常上网查阅资料，那么系统可根据学生的上网查阅资料的频率和时长等数据，利用模型可以分析出是否为“网络学习爱好者”，甚至还可以根据上网查阅资料的内容判断出学生的潜在心理意向，贴上有“考研倾向高”这样更为具体的标签，而所有这些标签计算一次并呈现出来，一个鲜活的学生形象就会展现在面前，就成了学生画像。

2

如何建立正确的学生画像系统？

学生画像首先是基于业务的，是建立在对学生管理业务的深刻理解之上。卓智的学生画像系统在技术层面依赖于数据、模型和算法，但是比技术层面更重要的是，卓智依赖于行业经验，深刻洞察业务场景、业务形态和业务部门的需要，将学生画像建立在业务模型上，所以，正确的学生画像系统，既是数据生态系统，也是业务和运营管理的生态体系 ，是一门复杂的交叉领域。

举例来说，学生在校安全是是学工管理的重要工作，为了实现学生在校安全的无感知管理，我们通过数据化标签，对离校、过宅、晚归等不同学生群体打标签，并将数据发送给相关业务管理人员，辅助管理者根据不同的标签群体，应对不同的管理手段，以此挖掘学生画像系统在实际业务管理中的重要价值。

3

学生画像构建流程

1

数据采集

数据采集大致分为基本属性、兴趣特征、消费特征、位置特征、行为数据等类别。在获取数据之后，对数据全部进行深度脱敏处理，既保护学生的个人隐私安全，也保证学生的数据安全。

当然，通过系统对接、网络数据采集等得到的数据不会是100%准确的，比如年龄数据缺失、成绩数据缺失等，这需要经过数据质量检测来发现“杂质”，从而得到高质量数据。

2

数据建模

采集到的数据经清洗、转化、存储后，可进行行为建模，以抽象出学生标签，这个阶段注重的应是大概率事件，通过数学算法模型尽可能地排除用户的偶然行为。

案例一：社交关系亲密度模型

每位学生作为一个点会映射到一个多维空间中，每一个点在这个多维空间中都有固定的位置，每两个点之间的距离代表了他们间的亲密关系。如果两个点相距很近，那他们的亲密度很高。这就是我们基于社交关系网所做的整体模型。每一群人在一个时间点出现在一个位置有一个频次关系和概率，我们把这个频次和概率输入到深度神经网络中，通过循环神经网络的迭代计算，计算出人与人之间的亲密度关系。随着数据量的积累，社交关系亲密度的捕获会更精准，从而一个学生在社交关系中的个人形象就得以呈现。

案例二：成绩预警模型

通过学生的基础数据、学习数据、日常行为等特征维度，利用随机森林算法训练成绩预警模型，来预测学生的挂科情况。随机森林是采用多个决策树的投票机制构造的。决策树是用树的结构来构建分类模型，树形模型更加接近人的思维方式，可以产生可视化的分类规则，产生的模型具有可解释性。决策树中每个节点代表着一个属性，根据这个属性的划分，进入这个节点的儿子节点，直至叶子节点，每个叶子节点都表征着一定的类别，从而达到分类的目的。学生的各个特征维度信息在训练过程中，将映射成为树的节点，叶子节点则代表学生挂科或不挂科，通过训练，可以预测学生挂科的概率，从而在学习层面为学生构建更清晰的画像。

3

学生画像基本成型

基于学生画像的数据模型，生成基于学生数字行为的大数据标签生成系统，同时，学生画像既根据基础数据的不断修正，又根据已知数据来抽象出新的标签，实现通过标签的实时计算，保证了学生标签的适时调整，从而通过标签的实时更新，应对学生行为的不确定性。

4

学生画像可视化

通过将学生画像数据可视化，从而将用户画像真正用起来。卓智的学生画像系统分为学生群体画像和学生个人画像。

学生群体画像是基于大数据标签聚类系统，聚类不同群体的行为特征，并提供多维度的数据分析，从而置身于多种坐标空间，俯瞰学生群体特点，从而有利于管理者根据学生群体特征进行差异化管理。

选择群体

标签聚类

学生个人画像是学生个人形象的“大看板”，管理者可根据学生个人标签特点因材施教，最终实现个性化管理。

个人画像

画像分析