Большие данные в маркетинговой деятельности образовательного учреждения

«БОЛЬШИЕ ДАННЫЕ» В МАРКЕТИНГОВОЙ ДЕЯТЕЛЬНОСТИ ОБРАЗОВАТЕЛЬНОГО УЧРЕЖДЕНИЯ

Перспективы и инструменты использования в университете

Москва, 2015

УЧАСТНИКИ ПРОЕКТА

Старостин Василий

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

Бородина Екатерина

обзор вопросов безопасности при использовании данных

Акимова Валерия

изучение методики анализа данных

изучение практики использования «Больших данных»

Карташова Галина

разработка мобильного приложения «вГУУ»

Бутковский Юрий

проектирование архитектуры информационной среды

Емелина Анна

Мельников Эрнест

рекомендации по использованию API-технологий

Кроличенко Анатолий

проектирование архитектуры информационной среды

Черенкова Елена

2

проведение опросов и интервью, разработка карты студента

Ивашина Анастасия

Бережной Владислав

Конева Елена

обзор маркетинговой деятельности вуза

обзор IT-систем в вузах

изучение этических особенностей использования данных

3

ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ УПРАВЛЕНИЯ Государственный университет управления на протяжении 95 лет уверенно держит позиции лидера управленческого образования в России. В ГУУ обучаются более 15 тысяч студентов, открыто 12 направлений бакалавриата и 7 направлений магистратуры. Около 800 аспирантов проходят обучение по 17 научным специальностям. 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 проходят 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, получающих интересные и востребованные профессии в области маркетинга, рекламы и PR. Институт специализируется на фундаментальных и прикладных исследованиях проблем маркетинга, рекламы и PR. Его сотрудники неоднократно удостаивались российских и зарубежных грантов, включая государственные заказы в области хайтек-маркетинга в рамках федеральных целевых программ Российской Федерации. Благодаря 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 Института, успешно проводить диссертационные исследования.

www.imguu.ru

4

5

ПРЕЗЕНТАЦИОННОЕ ВИДЕО 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 большое количество информации о поведении потребителей. Это может быть сделано с различными целями, но, в первую очередь, для улучшения продукта, повышения уровня сервиса, а также для более таргетированной настройки маркетинговых программ организации.

Я давно ждал столь широкоформатного проекта, 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

6

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

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

Авторы ролика: Руслан Юрченко Никита Чигинцев Василий Старостин

7

ВВЕДЕНИЕ

СОДЕРЖАНИЕ

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

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

В данной исследовательской работе изучаются преимущества использования системы аналитики «Больших данных» в высшем учебном заведении на примере ФБГОУ «Государственный университет управления». На основе проведенного маркетингового исследования готовности студентов к использованию поведенческих данных были разработаны маркетинговые рекомендации по созданию единой информационно-образовательной системы, позволяющей проводить сбор и анализ информации для оптимизации учебного процесса в вузе. Научно-исследовательская работа была выполнена командой студентов Института маркетинга Государственного университета управления.

ЧАСТЬ I «БОЛЬШИЕ ДАННЫЕ» — ИНСТРУМЕНТ МАРКЕТИНГОВОГО УПРАВЛЕНИЯ КОМПАНИЕЙ.................................................................................. 9 1.1. «Наука о данных» — инструмент управления маркетингом.......................................................... 9 1.2. Использование технологий Big Data в различных сферах деятельности...................................11 1.3. Обзор информационно-аналитических сервисов сферы образования..................................... 14

ЧАСТЬ II ИСПОЛЬЗОВАНИЕ «БОЛЬШИХ ДАННЫХ» В УНИВЕРСИТЕТЕ.......................................................... 19 2.1. Маркетинговая деятельность вуза................................................................................................... 19 2.2. Работа с данными в образовательном учреждении......................................................................21 2.3. Барьеры внедрения систем маркетинговой аналитики............................................................... 26 2.4. Методики обработки и анализа маркетинговых данных............................................................. 28

ЧАСТЬ III РАЗРАБОТКА СИСТЕМЫ СБОРА ПОЛЬЗОВАТЕЛЬСКИХ ДАННЫХ В ОБРАЗОВАТЕЛЬНОМ УЧРЕЖДЕНИИ......................................35 3.1. Виртуальная информационно-образовательная среда вуза........................................................35 3.2. Разработка функционала приложения «вГУУ»............................................................................... 39 3.3. Личный кабинет и анкета студента...................................................................................................45 3.4. Электронная карта студента...............................................................................................................47

ЧАСТЬ IV МАРКЕТИНГОВОЕ ИССЛЕДОВАНИЕ ГОТОВНОСТИ ВНЕДРЕНИЯ СИСТЕМЫ АНАЛИЗА ДАННЫХ В УНИВЕРСИТЕТЕ............................................................................... 50 4.1. Методика исследования.................................................................................................................... 50 4.2. Результаты полевого маркетингового исследования....................................................................52 4.3. Этические аспекты использования личных данных...................................................................... 54 Список использованных источников.............................................................................................................. 58 Контакты............................................................................................................................................................. 59

Научный руководитель, к.э.н., доцент В.С. Старостин

8

9

ГЛАВНОЕ

01

02

05

08

СОВРЕМЕННЫЙ ТРЕНД

МАРКЕТИНГ ДЛЯ ВУЗА

БАРЬЕРЫ РЕАЛИЗАЦИИ

МОБИЛЬНОЕ ПРИЛОЖЕНИЕ «ВГУУ»

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

Маркетинговая деятельность в вузе — это не только создание бренда и соответствующее его продвижение, это также разработка и совершенствование образовательных программ; определение ценовой политики вуза; улучшение организации образовательного процесса; организация программ внешних коммуникаций и многое другое.

Возникает необходимость в рассмотрении ряда барьеров, которые должны быть учтены при решении о внедрении данной технологии Data Science в вузе: отсутствие профессиональных методик сбора и анализа информации; этика и безопасность; недостаточное развитие инфраструктуры вуза; инертная к изменениям среда.

Проект мобильного приложения «вГУУ» для устройств iOS предлагает большое количество функций, связанных с учебой в Университете. Приложение позволит студентам контролировать собственную успеваемость, узнавать новости и расписания мероприятий, пользоваться библиотечным каталогом, а также многое другое.

03

ВИОС

В настоящее время появляются большие перспективы использования технологий анализа Big Data в сфере высшего образования, так как данный подход позволяет поднять образовательный процесс в вузе на новый уровень, а также помочь в оптимизации показателей деятельности университета. Заметные преимущества получают заинтересованные «пользователи»: студенты и слушатели; профессорско-преподавательский состав и администрация вуза.

Виртуальное информационно-образовательное пространство (ВИОС) — единая цифровая среда университета, которая объединяет несколько элементов и предоставляет широкий функционал, специально предназначенный для улучшения образовательного процесса и мониторинга учебной и воспитательной работы вуза.

04

ПРОГНОЗНАЯ АНАЛИТИКА

Системы прогнозной аналитики работают более эффективно в том случае, когда используется различная качественная и количественная информация, что позволяет находить взаимосвязанные показатели. Университет с более чем 15 000 студентов — это огромный потенциальный массив данных. Каждый их студентов генерирует метрики по различным категориям в динамике за несколько недель, месяцев и лет.

10

06

BIG DATA В СФЕРЕ ОБРАЗОВАНИЯ

07

09

ЭЛЕКТРОННАЯ КАРТА

ЛИЧНЫЙ КАБИНЕТ СТУДЕНТА

Электронная карта студента ГУУ призвана заменить собой множество карт и удостоверений, а также получить один надежный и универсальный инструмент, который выполняет множество функций на территории университета и за его пределами.

Предложен вариант Личного кабинета студента, в котором объединяются различные категории данных. Такой кабинет предлагает студенту 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.

11

ЧАСТЬ I

«БОЛЬШИЕ ДАННЫЕ» — ИНСТРУМЕНТ МАРКЕТИНГОВОГО УПРАВЛЕНИЯ КОМПАНИЕЙ

1.1. «НАУКА О ДАННЫХ» — ИНСТРУМЕНТ УПРАВЛЕНИЯ МАРКЕТИНГОМ В настоящее время термины «Большие данные» (Big Data) и «Наука о данных» (Data Science) часто можно встретить в различной литературе, связанной с маркетингом. «Большие данные» и «Наука о данных» — это не просто методика работы с информацией. Это — перспективное направление, которое предоставляет огромные возможности, в том числе для маркетологов. Опираясь на русскоязычную интернет-энциклопедию, можно определить «Большие данные» как «серию подходов, инструментов и методов обработки структурированных и неструктурированных данных огромных объемов для получения воспринимаемых человеком результатов». В англоязычной версии дано более понятное определение: «Big Data» — это наборы данных такого объема, что традиционные инструменты не способны осуществлять их захват, управление и обработку за приемлемое для практики время. С появлением и интенсивным развитием информационных технологий, увеличивалось количество неструктурированной или частично структурированной информации. Интернет изменил не только жизнь и восприятие людей, он повлиял на работу различных компаний: от малого бизнеса до огромных корпораций, государственных учреждений и органов, некоммерческих организаций. Еще в 2000 году количество информации, хранящейся в цифровом формате, составляло всего одну четверть от общего количества информации в мире. Остальные три четверти содержались в бумажных документах. Общение в онлайн-режиме,

12

дистанционное обучение, интерактивные цифровые программы — все это сейчас кажется обыденностью, а двадцать лет назад еще казалось далекой несбыточной мечтой. В тот же момент специалисты начали задумываться 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 петабайта данных в день — это примерно в 100 раз больше всех печатных материалов Библиотеки Конгресса США. С учетом того, что 98% оцифрованной информации 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, структурировании и обработке больших данных называется Data Science. Человеческий мозг не может обнаружить такие закономерности, какие способен отметить компьютер, выдавая совершенно неожиданные количественные и качественные взаимосвязи. В последние годы по всему миру начали появляться специалисты в области больших объемов данных (Data Science). Понятие «Data Scientist» (исследователь 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-

ся в оперативной обработке, а их быстрая изменчивость требует мониторинга. Потребитель любого товара или услуги при совершении сделки оставляет информацию о себе не только онлайн, но и при офлайновом взаимодействии. Вся собранная информация накапливается и обрабатывается в базе данных с использованием современных информационно-аналитических технологий. Можно отметить, что ежедневно в различных отраслях через обработку проходят терабайты информации. Технологии анализа и структурирования информации позволяют «обучить компьютер» принимать решение самостоятельно, а также строить обоснованные рекомендации. Одна из таких технологий получила название «машинное обучение» (machine learning). Именно после такой обработки информация становится полезной для маркетологов. Если есть возможность обработки данных в режиме реального времени, как это делает компания Яндекс, анализируя запросы пользователей за миллисекунды, 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 настоящее время машинное обучение — не вполне совершенная методика, которая может допускать ошибки. Но ситуация быстро меняется. Тем не менее, вероятность совершения ошибки компьютером многократно меньше по сравнению с возможностью ошибки человеком. Большим плюсом является то, что ценность данных не уменьшается с их использованием. Данные могут быть обработаны бесчисленное множество раз.

Технологии анализа и структурирования информации позволяют «обучить компьютер» принимать решение самостоятельно, а также строить обоснованные рекомендации. Одна из таких технологий получила название «машинное обучение» (machine learning). Именно после такой обработки информация становится полезной для маркетологов.

Аналитика данных работает на повышение гибкости образовательных программ и в целом системы образования. Это более точный и полный учет индивидуальности студентов и слушателей. Г.Л. Азоев, д.э.н., профессор, директор Института маркетинга ГУУ

13

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

BIG DATA

1.2. ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИЙ BIG DATA В РАЗЛИЧНЫХ СФЕРАХ ДЕЯТЕЛЬНОСТИ Теперь маркетологи могут воспользоваться технологиями больших данных и мощной аналитикой, что многократно усиливает возможности маркетинговых подразделений. Если раньше в их распоряжении были небольшие фрагменты данных, на основе которых приходилось выстраивать картину целого, то теперь положение дел изменилось. Специалисты по маркетингу используют эту методику для работы в различных областях маркетинговой деятельности компании. С помощью аналитических инструментов, обрабатывающих огромные потоки данных, компании узнают о проблемах сервиса и имеют возможность быстрее реагировать на любые изменения предпочтений клиентов и рынка в целом.

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

ЗДРАВООХРАНЕНИЕ

РИТЕЙЛ

Самая популярная площадка для сбора больших данных — сфера ритейла. Крупнейшие магазины по всему миру используют данные о покупателях с целью привлечения и получения большей прибыли. В первую очередь, это достигается за счет анализа динамики покупок и набора потребительской корзины, что позволяет

14

Сегодня в арифметической прогрессии увеличивается 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 стали пользователями мобильных устройств, предназначенных для мониторинга здоровья. В Американском штате Минессота частная клиника приобрела большую популярность благодаря внедрению технологии анализа данных от пациентов. При первом обследовании у пациента получают всю необходимую для программы информацию: пол, рост, вес, нормальный пульс, частота занятий спортом, склонность

к аллергиям. Врач вводит также свои рекомендации по физическому и физиологическому состоянию пациента. С этого момента пациент находится под полным контролем лечащего врача, так как данные из мобильного приложения в режиме реального времени выгружаются в аналитическую базу врача. В любой нужный момент доктор может посмотреть успехи пациента, выявить его слабые стороны в лечении и предложить альтернативные варианты достижения цели, если это необходимо. Во время любых физических нагрузок, которые совершает пациент возможно использование специального браслета, который фиксируется на предплечье и измеряет пульс, время тренировки и количество потерянных калорий. Мобильное приложение расширило свой функционал и теперь предлагает своим пользователям ориентироваться на карту с отмеченными ближайшими фитнес-центрами, аптеками и клиниками, вне зависимости от штата, в котором они находятся. При этом пациент 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 повышение эффективности работы и увеличение прибыли.

ФИНАНСОВЫЙ СЕКТОР

С помощью аналитических инструментов, обрабатывающих огромные потоки данных, компании узнают о проблемах сервиса и имеют возможность быстрее реагировать на любые изменения предпочтений клиентов и рынка в целом.

Экономическая деятельность также может показаться интересным объектом для внедрения технологии анализа больших данных. Отечественные финансовые организации используют информационно-аналитические алгоритмы для повышения эффективности обработки данных и работы с клиентскими базами, а также для сокращения затрат по этим направлениям. В банке «ВТБ24» используется SAS Banking Intelligence Solutions ― пакет интегрированных решений для управления рисками. При совершении покупки с помощью банковской карты, банк в режиме реального времени может отследить месторасположение телефона клиента и мгновенно отправить информацию туда, где совершается покупка. Такое банковское нововведение позволяет уменьшить или совсем избежать случаев мошенничества.

15

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

BIG DATA

1.3. ОБЗОР ИНФОРМАЦИОННО-АНАЛИТИЧЕСКИХ СЕРВИСОВ СФЕРЫ ОБРАЗОВАНИЯ Еще одним примером использования больших данных в финансовой сфере является оценка рисков при выдаче кредитов. Многие банки, например «Сбербанк» или «Тинькофф Кредитные Системы» формируют сложные системы по выдаче кредитов. В базе данных банка содержатся огромное количество данных о людях, которым они выдали кредиты. Эти данные были автоматически проанализированы и использованы в моделях условий, помогающих выявить кредитоспособность заемщика.

ГОСУДАРСТВЕННОЕ УПРАВЛЕНИЕ

Одна из самых сложных сфер внедрения технологии анализа больших массивов данных ― государственное управление. Сегодня аналитика данных применяется в сфере коммунальных услуг для решения целого ряда задач. Эти технологии помогают оптимизировать производство энергии, операционную эффективность и работу с клиентами. Аналитика позволяет заблаговременно готовиться к отключениям коммунальных услуг, а также оценивать энергетический рынок, прогнозировать спрос и вести подсчет финансовых показателей. Существует технология «умных сетей» электроснабжения

16

(“Smart grid”), позволяющая коммунальным службам измерять потребление электроэнергии отдельными семьями каждую минуту или каждую секунду. Помимо использования аналитики в сфере жилищно-коммунального хозяйства, большие данные нашли применение в сфере государственных структур, а именно, полиции. На некоторых полицейских участках Германии уже функционирует система упреждающей полиции, работа которой всё меньше основывается 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 автоматически, что стало возможным благодаря развитию интеллектуальных систем по анализу больших данных, которые способны самостоятельно сопоставлять всю необходимую информацию и делать из неё выводы о повышении криминальной активности в тех или иных районах или о связях определённых людей с криминальными организациями. Анализируя все приведенные примеры из различных 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 банальные действия, например, поход за покупками или оплата счетов на жилищно-коммунальные услуги, мы даже не задумываемся о том, что даем огромный фундамент аналитическим системам для управления нашими действиями и желаниями. Чем тщательнее государственные и коммерческие организации будут подходить 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 анализу поведения, успеваемости и активности обучающихся. В данном разделе работы проводится обзор технологических особенностей современных информационно-аналитических решений и изучается практика их внедрения.

BLACKBOARD ANALYTICS Blackboard — это решения которые позволяют расширять возможности образования в школах, вузах, профильных учреждениях и организациях государственного сектора. Одной из ключевых платформ, увеличивающих эффективность высшего учебного заведения, является BlackBoard Analytics. Платформа собирает и предоставляет информацию для студентов, преподавателей и администрации университета и выводит ее в удобной инфографике, удовлетворяя запросы пользователя.

Чем тщательнее государственные и коммерческие организации будут подходить к вопросу внедрения методики анализа огромных объемов информации, тем надежнее и правдивее будут выводы, которые делают аналитические программы.

Система охватывает такие ключевые сферы университета как: • Процесс регистрации новых студентов • Аналитика занятий и успеваемости • Финансы • Кадровая служба • Развитие и продвижение вуза Black Board Analytics реагирует на изменения данных в режиме реального времени, предоставляя релевантную и актуальную информацию по запросу. Платформа Black Board Analytics легко интегрируется 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 методов сбора, анализа информации и отчетов, позволяя

С помощью аналитических инструментов, обрабатывающих огромные потоки данных, компании узнают о проблемах сервиса и имеют возможность быстрее реагировать на любые изменения предпочтений клиентов и рынка в целом. Анна Емелина, участник проекта

17

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

сразу же использовать платформу с максимальной эффективностью.

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

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

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.

BLACKBOARD MOBILE За прошедшие семь лет произошла мобильная революция, которая изменила многие аспекты жизни, бизнеса и управления. В том числе, это коснулось и сферы образования. Современные студенты ― активные пользователи смартфонов, планшетов и прочих гаджетов. Естественно, им будет интересно учиться с помощью этих устройств. Для предоставления такой возможности была разработана платформа BlackBoard Mobile. Платформа является приложением для смартфонов и планшетов на Android и iOS системах. BlackBoard Mobile предоставляет карты университета, информацию о маршрутах в пределах кампуса и возможность использовать технологии «дополненной реальности» при помощи камеры гаджета. Данные функции особенно важны для новых студентов, которые плохо ориентируются в учебном заведении и не знают, как пройти в нужную аудиторию. Функция дополненной реальности позволяет студентам получать информацию о интересующем корпусе. Также, с помощью данного сервиса студенты могут легко получать информацию из деканата или от преподавателей об измене-

18

ELLUCIAN ANALYTICS Система Ellucian Analytics позиционируется как платформа, предоставляющая легкий доступ к необходимой информации, которая поможет ответить на стратегически важные вопросы, построить грамотный процесс управления и принять решения, повышающие эффективность. Ellucian Analtics состоит из многих продуктов, связанных с хранением данных, процессом привлечения новых студентов, сокращением издержек, 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.

BIG DATA

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

ORACLE Oracle — это комплексные решения для университетов, удовлетворяющие все требования высшего образования для студенческих систем. В предоставляемые решения Oracle с использованием Big Data входят Oracle Campus Analytics и Oracle Mobile Campus. Система Oracle Campus Analytics обеспечивает широкими отчетными и аналитическими возможностями. Система направлена на анализ и оценку качества принимаемых решений, увеличение числа новых студентов, совершенствование образовательных программ, регулирование и удержание производственных издержек, а также анализ факультативной работы.

Именно базы данных являются фундаментом для дальнейших действий. Цифровая информация, которая становится все более доступной, улучшает быстродействие и эффективность Университета во многих ключевых областях. Бережной Владислав, участник проекта

Система Ellucian Student success создана для помощи студентам в университетской жизни. Она предоставляет аутентичные коммуникации, полезные советы, помогает составить четкий академический план и для улучшения успеваемости студента вносит свои рекомендации по ходу процесса. Система решает проблему мотивации студента, предоставляя график продвижения по курсу и учебному плану в течение года, отображая время, затраченное на предмет, оценки по нему и т.д. С помощью сервиса студент может самостоятельно планировать свой график обучения. Система проста в освоении, содержит подготовленные заранее примеры курсов, которые можно редактировать и модифицировать. После создания

19

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

Система Student Information Analytics предоставляет фундамент для принятия решений по привлечению новых студентов и разработке новых курсов и программ. Система состоит из трех компонентов, которые взаимодействуют друг с другом, составляя комплексную интегрированную аналитическую платформу. Данная платформа предоставляет информацию о зачислении студентов и этапах отбора, включая следующие ключевые области: • Набор и прием студентов; • Оценки вступительных экзаменов; • Социально-демографические и поведенческие показатели. Платформа Student record помогает отслеживать и анализировать успеваемость студентов, содержание курсов, расписание, посещаемость и многое другое через категории 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 информационную структуру и поддерживает все ведущие продукты. Также данная система поддерживается большим количеством мобильных и планшетных устройств.

PEOPLESOFT CAMPUS SOLUTIONS MOBILE Данная платформа позволяет студентам управлять учебной деятельностью через мобильное приложение на смартфоне или планшете. Это приложение предоставляет студентам информацию по расписанию

20

занятий, расположению корпусов университета, информацию о лекциях и номерах аудиторий. Студент получает доступ к информации о будущих событиях, встречах и мероприятиях в рамках учебного заведения. Через приложение возможно составление и управление личным учебным планом, а также мониторинг учебного процесса и планирование дальнейшего образования. Фактически, данная платформа объединяет инструменты, позволяющие настроить приложение под конкретные задачи, включая возможность добавления контента. ВЫВОДЫ Изученные системы предоставляют широкий спектр возможностей для высших учебных заведений. Включая легкую интеграцию, адаптацию и персонализацию под конкретные цели и задачи. Платформы направленны на модернизацию управленческих и образовательных процессов в университете. При высокой скорости компьютеризации и развития информационных 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 платформу для административных и финансовых процессов. Большинство рекомендаций можно разделить на две категории: Административные (связаны с учебным персоналом, аналитикой и управлением университетом) Студенческие (связаны с образовательным процессом учащихся)

1 2

Для успешных решений необходима правильно выбранная информация, поэтому наличие системы аналитики крайне важно. Именно базы данных являются фундаментом для дальнейших действий. Цифровая информация, которая становится все более доступной, улучшает быстродействие и эффективность Уни-

BIG DATA

верситета во многих ключевых областях. Исходя из получаемых данных, важно анализировать тенденции в образовательных программах, то есть — будущие предпочтения студентов. Один из ключевых пунктов всех платформ — технология для привлечения новых студентов. Эта функция включает аналитику по социально-демографическим 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 повышения общей эффективности возможно применять технологии, которые предоставляют информацию по работе преподавателей и сотрудников. Такие решения повысят продуктивность и эффективность преподавателей, предлагая им формирование собственного 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 внедрения. Кроме задач, связанных с рекомендациями новым студентам, информационная среда может стать хорошим посредником в отношениях студент-преподаватель и упростит их коммуникации. В учебном процессе возникает много вопросов, поэтому система общения (онлайн форум, тематические чаты) позволяет студентам общаться друг с другом вне зависимости от курса или факультета. Таким образом, использование информационно-аналитических платформ позволяет решать большой спектр задач современных университетов.

Цифровая информация, которая становится все более доступной, улучшает быстродействие и эффективность Университета во многих ключевых областях. Исходя из получаемых данных, важно анализировать тенденции в образовательных программах, то есть будущие предпочтения студентов.

Для меня Big Data ― это шаг в будущее. Наконец-то студенты, преподаватели и администрация смогут получать реальную пользу от огромного количества данных, которые собирает и анализирует предложенная система. Анатолий Кроличенко, участник проекта

21

ЧАСТЬ II

ИСПОЛЬЗОВАНИЕ «БОЛЬШИХ ДАННЫХ» В УНИВЕРСИТЕТЕ

2.1. МАРКЕТИНГОВАЯ ДЕЯТЕЛЬНОСТЬ ВУЗА За несколько десятков лет маркетинг прошел большой путь от ориентации на производство и продукт до смещения акцента в сторону обслуживания потребителя. Маркетинг в значительной степени уделяет внимание совершенствованию услуг, так как в любой отрасли акцент делается на нужды конечных пользователей. Хорошим примером данного

явления выступает маркетинговая деятельность в сфере образования. В данной отрасли четко прослеживается современный маркетинговый тренд, рассматривающий клиента в качестве «сопроизводителя» услуги. Установление взаимовыгодного контакта образовательного учреждения и студента (слушателя) позволяет не только повысить уверенность в качестве предлагаемого продукта, но и формировать положительный опыт потребления услуги.

Сферы компетенций маркетинговой деятельности вуза МАРКЕТИНГОВАЯ ДЕЯТЕЛЬНОСТЬ ОБРАЗОВАТЕЛЬНОГО УЧРЕЖДЕНИЯ ВКЛЮЧАЕТ СЛЕДУЮЩИЕ ЗОНЫ КОМПЕТЕНЦИЙ:

01

03 РАЗРАБОТКА и совершенствование продуктов (образовательных программ)

ПОПУЛЯРИЗАЦИЯ результатов научно-исследовательской и образовательной деятельности

ОПРЕДЕЛЕНИЕ ценовой политики вуза

УПРАВЛЕНИЕ портфелем образовательных программ

02 22

05 ОРГАНИЗАЦИЯ программ внешних коммуникаций

УЛУЧШЕНИЕ организации образовательного процесса

04

06

С точки зрения широкой аудитории, маркетинговая деятельность вуза подразумевает лишь формирование бренда образовательного учреждения и его продвижение на рынке образовательных услуг. Но это — лишь поверхностный взгляд на данный вопрос. В настоящее время рынок образовательных услуг активно трансформируется, в отдельных сегментах появляются признаки насыщения, что предопределяет участие государства в регулировании образовательной сферы. Проведение оценки эффективности вузов предполагает анализ деятельности образовательных учреждений по ряду установленных показателей. После такой проверки, состоявшейся в 2013-2014 году по инициативе Министерства образования и науки РФ, была проведена реорганизация ряда вузов. Некоторые из них влились в состав других игроков рынка, отдельные вузы прекратили свою работу. Также следует обратить внимание на активную работу компаний, которые относятся к другим сегментам рынка образовательных услуг: коммерческие образовательные учреждения, краткосрочные программы переподготовки, программы дистанционного онлайн-обучения (в том числе, Massive Open Online Courses) и другие. Анализ текущих показателей демонстрирует насколько сильна конкуренция в данной области, что определяет высокую степень важности маркетинговой деятельности образовательного учреждения.

Также следует обратить внимание на активную работу компаний, которые относятся к другим сегментам рынка образовательных услуг: коммерческие образовательные учреждения, краткосрочные программы переподготовки, программы дистанционного онлайн-обучения (в том числе, Massive Open Online Courses) и другие.

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

Маркетинговая деятельность в ВУЗе — это не только создание бренда и его продвижение, это также разработка и совершенствование образовательных программ, улучшение организации образовательного процесса и многое другое. Анастасия Ивашина, участник проекта

23

BIG DATA

ЧАСТЬ II. ИСПОЛЬЗОВАНИЕ «БОЛЬШИХ ДАННЫХ» В УНИВЕРСИТЕТЕ

2.2. РАБОТА С ДАННЫМИ В ОБРАЗОВАТЕЛЬНОМ УЧРЕЖДЕНИИ

Более того, от степени маркетинговой активности зависит способность вуза результативно взаимодействовать с внешней и внутренней средой, а также улучшать показатели эффективности деятельности. воренности обучающихся, успешность и повышение их востребованности на рынке труда во многом определяет конкурентоспособность самого образовательного учреждения. Маркетинговые мероприятия в образовательном учреждении должны учитывать необходимость выполнения, как минимум двух основных задач: Социальный эффект образовательного процесса: вуз — это, как правило, некоммерческая организация, основной целью которой является обеспечение подготовки высококвалифицированных кадров; Получение дохода от осуществления профессиональной деятельности: для успешного развития вуза в динамично меняющейся рыночной среде необходимы дополнительные ресурсы. Улучшение кампуса, закупка дополнительных технических средств для модернизации учебного процесса и ряд других задач требуют дополнительных ресурсов.

1

2

Среди основных сегментов целевой аудитории, на которые направлена деятельность вуза, следует выделить: студентов,

24

абитуриентов, преподавателей (и администрацию), выпускников. Результативность маркетинговых решений зависит от понимания системного характера их последствий. К примеру, чтобы повысить лояльность профессорско-преподавательского персонала, необходимы управленческие усилия администрации, а также руководителей структурных подразделений. Повышение лояльности преподавателей ведет к улучшению образовательного процесса, а, следовательно, большей заинтересованности студентов. Таким образом, маркетинговая деятельность образовательного учреждения включает следующие зоны компетенции: Разработка и совершенствование продуктов (образовательных программ); Управление портфелем образовательных программ; Определение ценовой политики вуза; Улучшение организации образовательного процесса; Организация программ внешних коммуникаций; Популяризация результатов научно-исследовательской и образовательной деятельности.

1 2 3 4 5 6

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

Преимущества использования технологий анализа «Больших данных» в университете

СТУДЕНТАМ

АДМИНИСТРАЦИИ

01 Мониторинг успеваемости. В виде 01 Прогнозирование жизненного цикла образоваграфиков и подсказок студентам демонстрируются оценки их текущих работ, количество пропущенных занятий и общая картина их успеваемости, что будет являться дополнительной мотивацией для успешного обучения, а также снизит 02 риск возникновения проблем во время сессии.

тельных программ. Мониторинг успеваемости и востребованности выпускников в комплексе с анализом трендов рынка и предпочтений абитуриентов позволяет управлять набором программ в портфельном ассортименте вуза.

ПРЕПОДАВАТЕЛЯМ

01 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.

Повышение общей успеваемости студентов. Тре- 02 Контроль текущей успеваемости. кинг динамики успешности прохождения дисциплин Возможность контролировать всех позволяет делать выводы о положительных студентов в режиме реального времени и отрицательных изменениях. позволяет сопоставлять результаты с контрольными показателями.

02 Выбор дополнительных изучаемых дисциплин. Данная возмож- 03 Оптимизация организации образовательного ность появляется в результате процесса. Распределение учебной нагрузки, исполь- 03 Корректировка методики преподаанализа динамики успеваемости, зование аудиторного фонда, планирование расписавания дисциплин. Мониторинг уровня а также различных поведенческих ния и календаря может быть проведено на основе успеваемости обеспечит преподаватепоказателей студентов. изучения поведенческих данных обучающихся. лям возможность адаптировать очередность и информационную наполненКонтроль уровня вовлеченности студентов в ность предлагаемого материала.

03 Построение индивидуальной 04 образовательной траектории. При общественную жизнь университета. Специализиоптимальной организации програмрованные метрики, такие как участие во внеучебной мы обучения студенту может быть работе и общественных мероприятиях позволяют предложена возможность адаптакорректировать воспитательную работу в вузе. ции образовательного процесса в зависимости от профессиональ- 05 Сокращение административно-аналитической ных интересов, предпочтений, работы. Современные информационные технолотемпов усвоения дисциплин, ожидагии и методики машинного обучения позволяют емой сферы трудоустройства и т.д. передать часть аналитических функций единой вычислительной системе.

04 Выбор сферы будущего трудоустройства. Анализ успешности 06 Оптимизация использования имущественного развития карьеры выпускника комплекса вуза. Технологии учета местонахожи одновременное сопоставление дения студентов в рамках кампуса, расписание его образовательной активности занятий, интенсивность использования материальв период учебы позволяет выявлять но-технической базы и библиотеки способствуют взаимосвязь показателей. более четкой организации работы внутренних служб университета.

25

BIG DATA

ЧАСТЬ II. ИСПОЛЬЗОВАНИЕ «БОЛЬШИХ ДАННЫХ» В УНИВЕРСИТЕТЕ

На сегодняшний день использование таких технологий позволяет компаниям собирать и анализировать огромное количество информации о поведении потребителей и пользователей. Это может быть сделано с различными целями, но, в первую очередь, для улучшения продукта, повышения уровня сервиса, а также для более таргетированной настройки маркетинговых программ организации. Университет — это огромное образовательное сообщество, участники которого ежедневно генерируют огромное количество поведенческих данных. К ним относятся успеваемость и посещаемость занятий, участие в общественной деятельности вуза, стажировки и практика, спортивная жизнь. Наличие таких больших объемов информации позволяет говорить, что эти данные могут быть использованы для развития деятельности университета. Анализируя статистику можно не только делать выводы о принятых решениях, но и строить достаточно точные прогнозы и составлять

26

рекомендательные сервисы. Такие системы аналитики могут быть полезны, в первую очередь, студентам. Мониторинг успеваемости и прогноз будущей оценки при текущем уровне освоения дисциплины — лишь один из примеров практической значимости прикладного использования Data Science. Составление индивидуальной образовательной траектории, служба «умных» цифровых помощников, которые в зависимости от контекста и ситуации предлагают персонализированные рекомендации, способствующие успешной учебе и социализации в Университете — далеко не полный список преимуществ. Профессорско-преподавательский состав получает серьезный инструмент для совершенствования системы методической подготовки образовательных дисциплин на основе трекинга успешности прохождения отдельных тем курса и выполнения контрольных мероприятий. Отличительной особенностью системы аналитики «больших данных» является использования огромных информационных массивов, которые анализируются на предмет поиска взаимосвязей отдельных показателей, что позволяет делать выводы с достаточной степенью надежности. Сбор информации — это не инструмент слежки, а возможность развивать образовательную и общественную 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 потребителей и пользователей. Это может быть сделано с различными целями, но, в первую очередь, для улучшения продукта, повышения уровня сервиса, а также для более таргетированной настройки маркетинговых программ организации. Проведение при-

чинно-следственных связей и совершенствование продуктов компаний стало возможным при анализе уникальной истории, состоящей из поведенческих данных пользователя, посещения сайтов, обнородования собственных интересов, геолокации, времени суток и многого другого. Существует ряд стандартных и нестандартных показателей (метрик), которые изучаются для последующей формулировки выводов относительно предпочтений целевой аудитории. Очевидно, что огромное количество собираемых показателей может исчисляться миллиардами неструктурированных данных. Именно здесь информационные технологии дают возможность анализировать «большие данные» и строить рекомендации для оптимизации деятельности организации и улучшения удовлетворенности клиентов. Задача систематизации разрозненной информации может быть решена с помощью машинного обучения. Затем это позволит прослеживать динамику изменения в поведении пользователей и составлять рекомендательные системы и алгоритмы. Работа с «большими данными» дает преимущества не только в коммерческом секторе, а также в деятельности некоммерческих организаций. В настоящее время появляются большие перспективы использования технологий анализа Big Data в сфере высшего образования, так как данный подход позволяет поднять образовательный процесс в вузе на новый уровень, а также помочь в оптимизации показателей деятельности университета. В сообществе образовательного учреждения можно выделить три группы заинтересованных «пользователей»: • Студенты и слушатели • Профессорско-преподавательский состав • Администрация вуза

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

В настоящее время все активнее обсуждается проблематика “больших данных” и выработка универсальных наборов правил при использовании и организации данных технологий, что также весьма актуально и для образовательных учреждений. Елена Конева, участник проекта

27

BIG DATA

ЧАСТЬ II. ИСПОЛЬЗОВАНИЕ «БОЛЬШИХ ДАННЫХ» В УНИВЕРСИТЕТЕ

Мониторинг уровня успеваемости, в том числе по мере изучения каждой темы, обеспечит преподавателям возможность адаптировать очередность и информационную наполненность предлагаемого материала, что позволит повысить процент понимания темы студентами. СТУДЕНТЫ

картину причинно-следственных связей, определяющих результативность образовательного процесса студентов и слушателей. Выделим основные преимущества, которые предоставляет использование методов исследования Big Data для студентов: МОНИТОРИНГ УСПЕВАЕМОСТИ. Система позволяет собирать и анализировать успеваемость и посещаемость студента. В виде графиков и подсказок студентам демонстрируются оценки их текущих работ, количество пропущенных занятий и общая картина их успеваемости, что будет являться дополнительной мотивацией для успешного обучения, а также снизит риск возникновения проблем во время 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 прогнозировать успешность прохождения смежных дисциплин.

1

2 Использование технологий Big Data наибольшее влияние может оказать на студентов, не только как на наиболее восприимчивую к новшествам аудиторию, но и, главным образом, как на конечного потребителя образовательной услуги. Правильная организация при использовании таких решений позволяет говорить, что в ближайшее время можно выстроить подробную

28

ВЫБОР ДОПОЛНИТЕЛЬНЫХ ИЗУЧАЕМЫХ ДИСЦИПЛИН. Рекомендательная система позволит предлагать студентам выбор дополнительных дисциплин, которые будут наиболее точно соответствовать интересам и успеваемости. Дисциплины по выбору существуют в рамках изучаемой образовательной программы, а также могут быть предложены отдельно в качестве дополнительно изучаемых курсов. Данная возможность появляется в результате анализа динамики успеваемости, а также различных поведенческих показателей студентов.

быть предложена возможность адаптации образовательного процесса в зависимости от профессиональных 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 более привлекательным для потенциального работодателя, что особенно важно на современном рынке труда для студента без необходимого опыта работы.

4

ВЫБОР СФЕРЫ БУДУЩЕГО ТРУДОУСТРОЙСТВА. Анализ успешности развития карьеры выпускника и одновременное сопоставление его образовательной активности в период учебы позволяет 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 развития студентам со схожими интересами и учебными результатами. Во время своей студенческой жизни каждый студент будет генерировать свой уникальный «след» данных, который позволит помочь определиться со специализацией.

ПРОФЕССОРСКО-ПРЕПОДАВАТЕЛЬСКИЙ СОСТАВ

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, трансформацией учебно-методических подходов к преподаванию дисциплин. Выделим основные преимущества: 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.

1

Технологии сбора и анализа данных — это не инструмент слежки. Это, скорее, средство разработки новых услуг, сервисов, совершенствование продуктов и улучшение жизни пользователей. В.С. Старостин, к.э.н., доцент кафедры маркетинга ГУУ, научный руководитель проекта

3

ПОСТРОЕНИЕ ИНДИВИДУАЛЬНОЙ ОБРАЗОВАТЕЛЬНОЙ ТРАЕКТОРИИ. При оптимальной организации программы обучения студенту может

29

BIG DATA

ЧАСТЬ II. ИСПОЛЬЗОВАНИЕ «БОЛЬШИХ ДАННЫХ» В УНИВЕРСИТЕТЕ

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

2

КОНТРОЛЬ ТЕКУЩЕЙ УСПЕВАЕМОСТИ. 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.

3

КОРРЕКТИРОВКА МЕТОДИКИ ПРЕПОДАВАНИЯ ДИСЦИПЛИН. Мониторинг уровня успеваемости, в том числе по мере изучения каждой темы, обеспечит преподавателям возможность адаптировать очередность и информационную наполненность предлагаемого материала, что позволит повысить процент понимания темы студентами.

30

АДМИНИСТРАЦИЯ

ниях, данная информация может быть использована для принятия различных организационных решений.

3

ОПТИМИЗАЦИЯ ОРГАНИЗАЦИИ ОБРАЗОВАТЕЛЬНОГО ПРОЦЕССА. Распределение учебной нагрузки, использование аудиторного фонда, планирование расписания и календаря может быть проведено на основе изучения поведенческих данных обучающихся.

Главным маркетинговым преимуществом использования технологий анализа «больших данных» является управление портфелем образовательных программ, что, в том числе, способствует повышению конкурентоспособности вуза. При переходе на более высокий уровень управления образовательным учреждением возникает необходимость прогнозирования востребованности программ обучения, что также возможно благодаря методам Big Data. Среди потенциальных перспектив можно выделить: ПРОГНОЗИРОВАНИЕ ЖИЗНЕННОГО ЦИКЛА ОБРАЗОВАТЕЛЬНЫХ ПРОГРАММ И ИХ КОНКУРЕНТОСПОСОБНОСТИ. Мониторинг успеваемости и востребованности выпускников в комплексе с анализом трендов рынка и предпочтений абитуриентов позволяет управлять набором программ в портфельном ассортименте вуза. На практике это означает открытие новых, а также отказ от нерентабельных направлений, профилей и программ.

1

4

КОНТРОЛЬ УРОВНЯ ВОВЛЕЧЕННОСТИ СТУДЕНТОВ В ОБЩЕСТВЕННУЮ ЖИЗНЬ УНИВЕРСИТЕТА. Специализированные метрики, такие как: участие во внеучебной работе и общественных мероприятиях позволяют корректировать воспитательную работу в вузе.

5

СОКРАЩЕНИЕ АДМИНИСТРАТИВНО-АНАЛИТИЧЕСКОЙ РАБОТЫ. Современные информационные 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.

6

ОПТИМИЗАЦИЯ ИСПОЛЬЗОВАНИЯ ИМУЩЕСТВЕННОГО КОМПЛЕКСА И ИНФРАСТРУКТУРЫ ВУЗА. Технологии учета местонахождения студентов в рамках кампуса, расписание занятий, интенсивность использования материально-технической базы и библиотеки способствуют более четкой организации работы внутренних служб университета.

«Большие данные» будут оказывать серьезное влияние на организацию обучения в ближайшие годы. Данные технологии позволят решить основную задачу администрации вуза — улучшение образовательных программ и совершенствование самого 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.

2

ПОВЫШЕНИЕ ОБЩЕЙ УСПЕВАЕМОСТИ СТУДЕНТОВ. Трекинг динамики успешности прохождения дисциплин позволяет делать выводы о положительных и отрицательных измене-

31

BIG DATA

ЧАСТЬ II. ИСПОЛЬЗОВАНИЕ «БОЛЬШИХ ДАННЫХ» В УНИВЕРСИТЕТЕ

2.3. БАРЬЕРЫ ВНЕДРЕНИЯ СИСТЕМ МАРКЕТИНГОВОЙ АНАЛИТИКИ Большинство инновационных нововведеметодик сбора информации, а также отсутствием ний имеют ряд ограничений, препятствупрофильных специалистов-аналитиков. С развитиющих их скорейшему использованию в поем технологий, проблема хранения большого коливседневной практике компаний. Изучая чества данных стала отходить на второй план. Главвопрос применения технологии анализа ным ресурсом должны стать человеческие знания, Big Data в образовании, возникает необкомпетенции и методы машинного обучения; ходимость в рассмотрении ряда барьеров, • Этика и безопасность. Интенсивность использовакоторые должны быть учтены в процессе ния большого количества персональных данных реализации. приносит с собой много рисков и дилемм этического характера. У аудитории может возникнуть ложное • Отсутствие профессиональных методик ощущение постоянного контроля и даже слежки. сбора и анализа информации. Данный Эти опасения, в том числе, связаны с безопасностью барьер связан с недостатком реальных и нераспространением личных данных пользовате-

Барьеры внедрения систем маркетинговой аналитики в вузе

01

ОТСУТСТВИЕ ПРОФЕССИОНАЛЬНЫХ МЕТОДИК СБОРА И АНАЛИЗА ИНФОРМАЦИИ. Данный барьер связан с недостатком реальных методик сбора информации, а также отсутствием профильных специалистов-аналитиков

01

02

02

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.

04

32

03

03

НЕДОСТАТОЧНОЕ РАЗВИТИЕ ИНФРАСТРУКТУРЫ ВУЗА. Сбор поведенческих данных студентов предполагает «компьютеризацию» многих процессов, что позволяет контролировать ключевые показатели и отслеживать их динамику

04

ИНЕРТНАЯ К ИЗМЕНЕНИЯМ СРЕДА. Нововведения потребуют дополнительного обучения персонала, а также частичного изменения привычных процессов в вузе, таких как: организация и проведение экзаменов и контрольных мероприятий; учет посещаемости и успеваемости; администрирование личных дел студентов и т.п.

лей. Вопрос должен быть решен, в том числе, с участием юристов, что позволит минимизировать негативные последствия. Главным же решением может быть шифрование и обезличивание набора данных.

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

• Инертная к изменениям среда. Готовность участников процесса к внедрению и использованию новых технологий может вызывать много вопросов. Традиционный уклад высшего образования в России до сих пор во многом связан с консервативными взглядами на управление процессом. Нововведения потребуют дополнительного обучения персонала, а также частичного изменения привычных процессов в вузе, таких как: организация и проведение экзаменов и контрольных мероприятий; учет посещаемости и успеваемости; администрирование личных дел студентов и слушателей и т.п. Технологии Big Data — это возможность улучшения условий обучения студентов и развития системы образования в целом. Двигаясь вперед, необходимо признавать потенциал и риски данных технологий. Также важно уважать взгляды преподавателей и студентов, которые являются основными участниками процесса. Открытость для всех точек зрения является хорошим принципом безопасного использования этих развивающихся технологий.

Нововведения потребуют дополнительного обучения персонала, а также частичного изменения привычных процессов в вузе, таких как: организация и проведение экзаменов и контрольных мероприятий; учет посещаемости и успеваемости; администрирование личных дел студентов и слушателей и т.д.

Специфика деятельности высшего учебного заведения такова, что одновременно возникает 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

33

BIG DATA

ЧАСТЬ II. ИСПОЛЬЗОВАНИЕ «БОЛЬШИХ ДАННЫХ» В УНИВЕРСИТЕТЕ

2.4. МЕТОДИКИ ОБРАБОТКИ И АНАЛИЗА МАРКЕТИНГОВЫХ ДАННЫХ Появление новых методов исследования и прогнозирования не могли не затронуть маркетинг. Если раньше маркетологи могли полностью полагаться на логику при анализе рынка, то сейчас, чтобы оставаться конкурентоспособными, необходимо более глубоко исследовать факторы: искать невидимые на первый взгляд связи, работать с большими объемами данных.

Группы поведенческих показателей студентов

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

01

02

03

04

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

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

Достижения: результаты экзаменов и зачетов, тема диплома, место прохождения практики, участие в конференциях, публикации

05

Социально-демографические: пол, возраст, гражданство, родной город

Высшие учебные заведения зачастую прибегают к работе с большими данными, так в Государственном Университете Управления работают более 1000 преподавателей, обучаются более 15 тысяч студентов и более 1000 аспирантов. Безусловно, без грамотного подхода к анализу больших данных здесь не обойтись.

Внеучебная деятельность: членство в кружках и секциях Центра учебно-воспитательных программ, спортивные секции, абонемент в бассейн

07

08

09

10

11

Операции по электронной карте студента: баланс, денежные операции

Библиотека: номер читательского билета, выданные книги, рекомендуемая литература

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

Интранет: популярность страницы, время в сети

Почта: входящие, исходящие, черновики, ключевые слова

Очевидно, что на первом этапе необходимы инструменты, 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 должным образом не собираются. Привычные системы оценивания успеваемости, ведения личных дел студентов, участие во внеучебной и культурной жизни вуза не подразумевают перевод имеющихся данных в «цифровой» формат. До сих пор не до конца реализованы системы личных кабинетов, онлайн-журналов 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

34

Образовательное сообщество студентов и преподавателей ежедневно генерируют огромные массивы данных, многие из которых так и остаются в «аналоговой» форме, не контролируются и должным образом не собираются. Привычные системы оценивания успеваемости, ведения личных дел студентов, участие во внеучебной и культурной жизни вуза не подразумевают перевод имеющихся данных в «цифровой» формат.

в интересной профессии. Однако до текущего времени постоянный мониторинг успеваемости каждого конкретного студента ведется лишь в форме зачетной книжки, 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 прогнозной аналитики работают более эффективно

35

BIG DATA

ЧАСТЬ II. ИСПОЛЬЗОВАНИЕ «БОЛЬШИХ ДАННЫХ» В УНИВЕРСИТЕТЕ

Накопленные в течение нескольких учебных лет данные должны включать не только успеваемость, но и совершенно разные явные и неявные показатели, такие как: участие в клубах и кружках, занятие спортом, научные публикации, посещение библиотеки, международные стажировки, практика в компаниях и многое другое.

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

в том случае, когда используется различная качественная и количественная информация, что позволяет находить взаимосвязанные показатели. Накопленные в течение нескольких учебных лет данные должны включать не только успеваемость, но и совершенно разные явные и неявные показатели, такие как: участие в клубах и кружках, занятие спортом, научные публикации, посещение библиотеки, международные стажировки, практика в компаниях и многое другое. Только разносторонний портрет студента позволит адекватно проанализировать его успешность и позволит не допустить оценивание только лишь на основе отдельных показателей. Для сбора таких данных потребуется серьезная информационно-образовательная система, которая позволит

Корреляционная связь противопоставляется причинно-следственной, поскольку отвергает вмешательство фактора человеческой логики, а оперирует исключительно фактами. Корреляционная связь представляет собой функциональную зависимость, где воздействие отдельных факторов проявляется как тенденция при массовом наблюдении фактических данных. В статистических исследованиях принято выделять две категории признаков: признаки-факторы и результативные признаки. Если в причинно-следственной связи наблюдается полное соответствие между факторными и результативными признаками, то в корреляции это полное соответствие отсутствует, а точнее диктуется самими данными и порой не поддается никакой логике.

36

Масштабный анализ позволяет знание преобразовать в прогноз на будущее. Для того чтобы прогноз был наиболее приближен к реальности, после составления массива данных необходимо определиться с методом для анализа: причинно-следственный или корреляционный. Причинно-следственная связь существует между данными, когда одно из них (причина) при наличии определенных условий вызывает изменение другого, называемое следствием. Выбирая причинно-следственный метод анализа, специалистам 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.

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

и факторным или между двумя факторными). Математически эту функцию можно определить как зависимость результативной метрики «Y» от факторной метрики «X». Связи могут быть прямые и обратные. В первом случае с увеличением метрики «X» увеличивается и метрика «Y», при обратной связи с увеличением метрики «X» уменьшается метрика «Y». Метод корреляционного анализа — важный шаг в стремлении количественно измерить и понять связи между, на первый взгляд, независимыми друг от друга характеристиками. То, что прежде невозможно было измерять, хранить, анализировать и распространять, находит свое выражение в виде рекомендательных сервисов и прогнозных сценариев. Развитие методов анализа Big Data задает три новых тенденции: способность анализировать все данные, а не только их части или статистические выборки; необходимость работы с неупорядоченными данными в ущерб точности; доверие фактам, взамен человеческой логике: использовать корреляцию, а не только искать причину и следствие.

1 2 3

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

свои прогнозы с помощью корреляционного метода. Более того, системы спроектированы таким образом, чтобы со временем улучшаться за счет отслеживания самых полезных сигналов и моделей по мере поступления новых данных. Корреляции помогают открыть новые неоценимые знания. Зачастую результаты анализа этим методом не поддаются логике, однако отвергать их — значит делать ошибку. Связи между метриками не всегда очевидны, не стоит проводить время за их поисками, когда можно положиться на факты, обнаруженные машиной. Корреляции не могут определить точно, почему происходит то или иное событие, зато предупреждают о том, какого оно рода.

В разработанной нами системе будут использоваться не только уже известные данные. Система сможет самостоятельно составлять прогнозы, что, к примеру, позволит студентам заранее знать вероятную оценку с учетом текущей успеваемости. Валерия Акимова, участник проекта

37

BIG DATA

ЧАСТЬ II. ИСПОЛЬЗОВАНИЕ «БОЛЬШИХ ДАННЫХ» В УНИВЕРСИТЕТЕ

Для составления прогноза или сценария появляется необходимость поиска наиболее подходящей комбинации параметров. Процесс упорядочивания результатов согласно условиям и критериям отбора следует называть ранжированием. Такие технологии активно используют поисковые системы Яндекс и Google.

Университет с более чем 15 000 студентов — это огромный потенциальный массив данных. Каждый их студентов генерирует метрики по 11 категориям в динамике за несколько недель, месяцев и лет. Аналитическая система должна научиться принимать решения самостоятельно, ранжируя наиболее релевантные результаты и выбирая максимально подходящий вариант. Такой процесс называется машинным обучением. Для составления прогнозных сценариев и рекомендательных сервисов необходимо максимально точно выбирать из совокупности студентов именно того человека, для которого предлагаемая информация будет актуальна. Здесь используются уже упомянутые показатели — признаки соответствия (отдельные поведенческие метрики

38

студентов) и критерии выбора (условия, по которым осуществляется отбор и составление рекомендаций). Корреляционный анализ пользовательских поведенческих данных студентов Государственного Университета Управления будет производиться на основе базы данных, где представлены не только информация из личного дела, но и дополнительные сведения о внеучебной активности студентов. Массив находится в виде стандартного набора метрик по каждому студенту. Доступ к информации будет иметь ограниченный круг лиц. Для удобства представления данных в базе администратора все метрики структурированы в 11 блоков, представляющих собой основные направления доступной и актуальной информации по студентам ГУУ: Образование: курс, группа, институт, направление, специальность, программа; Учебная деятельность: изучаемые дисциплины, расписание, посещаемость, результаты по контрольным; Достижения: результаты экзаменов и зачетов, тема диплома, место прохождения практики, участие в конференциях, публикации; Социально-демографические: пол, возраст, гражданство, родной город; Внеучебная активность: членство в кружках и секциях Центра учебно-воспитательных программ, спортивные секции, абонемент в бассейн; Доступ на территорию: вход-выход, наличие автомобиля, общежитие, бассейн; Операции по электронной карте студента: баланс, денежные операции; Библиотека: номер читательского билета, выданные книги, рекомендуемая литература; Мобильное приложение: популярные разделы, поисковые запросы, длина сессии, геолокация;

1 2 3 4 5 6 7 8 9

10 11

Интранет: популярность страницы, время в сети; Почта: входящие, исходящие, черновики, ключевые слова.

С помощью технологии корреляционного анализа данных система выявит взаимосвязанные метрики и, взяв их значения за образец для сравнения с прочими, сможет составить прогноз на основе имеющейся информации. Для анализа и прогнозирования значения неизвестных метрик необходимо учитывать область возможных значений, которые они могут принимать. Для проектирования системы будет рассмотрено 4 варианта представления значений данных: • Числовое значение в пределах, заранее установленных 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 интранета, входящие, исходящие, черновики, корзина; • Наименование: институт, направление, специальность, программа, тема диплома, место прохождения практики, участие в конференциях, публикации, гражданство, родной город, членство в кружках и секциях ЦУВП, спортивные секции, операции, выданные книги, рекомендуемая литература, популярные разделы, поисковые запросы, геолокация; • Да/нет односложные: результаты зачетов, пол, абонемент в бассейн, доступ на территорию (вход-выход, авто, общежитие, бассейн).

ма определяет, каким образом изменение одной из метрик о студентах ГУУ влечет за собой изменение других, составляется функциональная зависимость между исследуемыми значениями параметров. Затем для составления прогноза уже не будет необходимости постоянно запускать корреляционный анализ. Система сможет использовать уже выведенные формулы для определения метрик, главным условием точности которых является наличие большого массива данных о студентах для обработки. Технология анализа «больших данных» во многом использует принципы и возможности машинного обучения. Виртуальное хранилище содержит огромное количество пользовательских метрик. Для составления прогноза или сценария появляется необходимость поиска наиболее подходящей комбинации параметров. Процесс упорядочивания результатов согласно условиям и критериям

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

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

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

В.Я. Конкс, к.ф.-м.н., доцент кафедры маркетинга ГУУ

39

BIG DATA

ЧАСТЬ II. ИСПОЛЬЗОВАНИЕ «БОЛЬШИХ ДАННЫХ» В УНИВЕРСИТЕТЕ

IT-система анализирует предложенную обучающую выборку, выделяет зависимость критериев, а затем проводит отбор среди студентов на предмет наличия схожих признаков. отбора следует называть ранжированием. Такие технологии активно используют поисковые системы Яндекс и Google. Для корректной работы машинного обучения необходимы эталоны ответа, которые 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, занимающейся маркетинговыми исследованиями. Таким студентам может быть предложена стажировка, приглашение на открытую лекцию, мастер-класс, а также предложение использовать схожую тему в качестве тематики курсовой или дипломной работы. Для выполнения такой задачи потребуется эталонный образец, то есть, обучающая выборка выпускников Университета, которые уже добились успехов в обозначенной международной компании. IT-система анализирует предложенную обучающую выборку, выделяет зависимость критериев, а затем проводит отбор среди студентов на предмет наличия схожих признаков. Суть корреляции в данном случае означает поиск комбинации нескольких признаков, которые

40

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 предметам, но и хобби, наличие автомобиля и участие во внеучебной деятельности вуза. Для наглядной демонстрации использования метода корреляционного анализа составлена модель «идеального выпускника» Государственного университета управления. Данные были собраны в результате проведенной серии интервью с преподавателями и администрацией ГУУ. Идея заключалась в выяснении, какая часть ныне обучающихся студентов потенциально претендует на успех после получения диплома. На примере этих данных можно проследить основные этапы проведения корреляционного анализа: Сбор и составление анкеты идеального выпускника по всем 11 блокам метрик; Выбор ограничений возможных значений по каждой метрике; Процесс сканирования данных на наличие их взаимосвязи; Составление формул функциональной зависимости между метриками.

1 2 3 4

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

комендации для студентов. Более того, изза большого объема информации прогнозы будут достаточно точными. И чем больше данных поступает и анализируется в системе, тем точнее становится результат. ГУУ накопил 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 метод корреляционного анализа для прогнозирования, будет огромной, поскольку большие данные станут структурированными и помогут решению актуальных проблем.

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

Выбор метрики для составления прогноза: к примеру, выпускнику необходимо получить прогноз о его трудоустройстве. Выбор необходимых формул для подстановки значений: допустим, по результатам проведения анализа было установлено, что метрика «трудоустройство» взаимосвязана с метрикой «оценка за прохождение практики» и метрикой «оценка за диплом» по формуле: Т=(0,1*П+0,1*Д)*100%,

41

ЧАСТЬ III 3.1. ВИРТУАЛЬНАЯ ИНФОРМАЦИОННО-ОБРАЗОВАТЕЛЬНАЯ СРЕДА ВУЗА Внедрение удобных IT-сервисов не только позволяет сделать обучение и преподавание более удобным, но также дает возможность собирать огромное количество пользовательских данных (метрик), при анализе которых составляются прогнозы, экспертные оценки, сценарии и рекомендательные системы. Виртуальное информационно-образовательное пространство (ВИОС) — еди-

ная цифровая среда университета, которая объединяет несколько элементов и предоставляет широкий функционал, специально предназначенный для улучшения 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

Архитектура Виртуальной информационно-образовательной системы

01

06

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

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

02

05

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

04 42

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

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

РАЗРАБОТКА СИСТЕМЫ СБОРА ПОЛЬЗОВАТЕЛЬСКИХ ДАННЫХ В ОБРАЗОВАТЕЛЬНОМ УЧРЕЖДЕНИИ 3. Электронная карта студента 4. Мобильное приложение «вГУУ» 5. Интерактивная информационная панель 6. Личный кабинет и электронная анкета студента

более эффективно. Электронное хранилище представляет собой информационное облако, доступ к которому имеют только зарегистрированные студенты вуза.

Все элементы системы неразрывно связаны между собой. Только при интегрированной работе они позволяют решать большое количество пользовательских задач и в полной мере использовать преимущества технологий анализа «больших данных».

Студенты будут всегда в курсе событий: будь то конференция, которая проходит через неделю, или спортивные соревнования. Каждый студент будет иметь возможность использовать свой виртуальный календарь-расписание, где он может более сбалансировано организовать свой учебный процесс.

1

ВНУТРЕННИЙ ПОРТАЛ УНИВЕРСИТЕТА (ИНТРАНЕТ) Главный внутренний портал университета обладает основным функционалом и связывает между собой основные элементы системы, обеспечивает основное рабочее поле. Важно, что интранет обладает основным функционалом, полезен также преподавателям и руководящему 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 руководством. Главным образом, это связано с мониторингом собственной успеваемости с возможностью контролировать объем текущих заданий.

03

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

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

Преподаватели могут отслеживать основную 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 группах. К информации о группе можно прикрепить полезные напоминания о предстоящей контрольной или заказать проектор. Кроме того, присутствует инструмент быстрой связи 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 инструмент анализа и контроля деятельности. Имея самый широкий доступ, можно контролировать статистику как по университету в общем, так и по институтам, факультетам или группам. В удобной форме предоставляется вся необходимая информация: общая успеваемость группы, посещаемость, активность.

43

BIG DATA

ЧАСТЬ III. РАЗРАБОТКА СИСТЕМЫ СБОРА ПОЛЬЗОВАТЕЛЬСКИХ ДАННЫХ В ОБРАЗОВАТЕЛЬНОМ УЧРЕЖДЕНИИ

Виртуальное информационно-образовательное пространство (ВИОС) – единая цифровая среда университета, которая объединяет несколько элементов и предоставляет широкий функционал, специально предназначенный для улучшения образовательного процесса и мониторинга учебной и воспитательной работы вуза.

студента, получить один надежный и универсальный инструмент. Одна стильная электронная карта позволит заменить проездной билет, банковскую карту, студенческий и читательский билет. Используя внутри вуза карту студента с технологией RFID (радиочастотная идентификация), появляется возможность создания функционального инструмента, который также поможет: брать книги из библиотеки, проходить в университет, удостоверять личность и принадлежность к университету. Карта «привязана» к личной анкете студента, что позволяет студенту получать уведомления и рекомендации. 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 расписаE-MAIL нием студента); Электронная почта представляет собой • Карта выдается при поступлении в университет. официальный персональный почтовый ящик, При её потере существует возможность момензакрепленный за студентом Университета. тально заблокировать ее из мобильного прилоВ том числе, через этот канал осуществляется жения. В таком случае, все данные и средства информирование и официальная переписка. будут в безопасности, так как возможна функция С другой стороны, университетский e-mail выудаленной блокировки. полняет роль верификатора. Другими словами, имя пользователя и пароль будут испольИНТЕРАКТИВНАЯ зоваться для входа в личный кабинет, а также ИНФОРМАЦИОННАЯ ПАНЕЛЬ регистрации в мобильном приложении. Дан- Все знакомы с большим количеством объявлений, ные электронной почты выдаются каждому бланков и афиш, которые развешаны по стенам поступившему и имеют вид: studentname@guu. внутри и снаружи деканата. Есть решение, котоru. При необходимости предусмотрена возмож- рое сделает знакомство и донесение информации ность настроить переадресацию на другой по- намного удобнее. Новая доска объявлений будет чтовый ящик студента. выполнена в виде большого сенсорного экрана, на котором демонстрируется информация деканата. ЭЛЕКТРОННАЯ КАРТА СТУДЕНТА Технология touch-screen позволяет производить Электронная карта студента призвана заме- поиск нужной информации, оставлять заявки на нить собой множество карт и удостоверений получение справок. Для совершения действий по

2

4

3 44

заказу документов требуется верификация с помощью электронной карты студента. С помощью интерактивного меню можно посмотреть актуальное расписание преподавателей, расписание занятий, сессии или пересдач. 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.

5

МОБИЛЬНОЕ ПРИЛОЖЕНИЕ «ВГУУ» Мобильное приложение — во многом продолжение и дополнение интранета. Некоторые функции совпадают, но актуальную информацию всегда можно получать со смартфона или планшета. Приложение позволяет решать задачи быстрее, удобнее и эффективнее. Приложение ориентировано на студентов, абитуриентов, преподавателей и администрацию. Студент также может проверить свои успехи, проверить расписание или посмотреть последние новости. Приложение оснащено картой, благодаря которой первокурсники и гости университета смогут быстро и легко сориентироваться и найти нужное подразделение. Приложение позволяет проверить наличие книг в библиотеке. Предусмотрена связь с официальными страницами в соцсетях и многое другое. Подробности работы мобильного приложения «вГУУ» представлены в данной работе.

6

ЛИЧНЫЙ КАБИНЕТ И ЭЛЕКТРОННАЯ АНКЕТА СТУДЕНТА Личная анкета студента становится единым элементом, который собирает и систематизирует различные социально-демографические и поведенческие метрики человека. Показатели сравниваются с общим массивом данных для выявления признаков и корреляций, что при должной аналитической подготовке способствует составлению поведенческих

Благодаря предложенной системе появляется дополнительный инструмент анализа и контроля деятельности. Имея самый широкий доступ, можно контролировать статистику как по университету в общем, так и по институтам, факультетам или группам. сценариев и разработке рекомендательных сервисов. Подробное описание данной системы предложено в данной работе.

Виртуальное информационно-образовательное пространство — среда университета, предоставляющая широкий функционал, специально предназначенный для улучшения образовательного процесса в вузе. Юрий Бутковский, участник проекта

45

BIG DATA

ЧАСТЬ III. РАЗРАБОТКА СИСТЕМЫ СБОРА ПОЛЬЗОВАТЕЛЬСКИХ ДАННЫХ В ОБРАЗОВАТЕЛЬНОМ УЧРЕЖДЕНИИ

3.2. РАЗРАБОТКА ФУНКЦИОНАЛА ПРИЛОЖЕНИЯ «ВГУУ» Проанализировав примеры удачной практики разработки мобильных приложений образовательных учреждений, структуру объекта исследования, целевую аудиторию, был разработан функционал будущего приложения для ГУУ. Согласно проведенному исследованию, большинство студентов обладают устройствами компании Apple,

Система вовлекает студентов в учебной процесс с первого дня и до выпуска. После быстрого освоения приложения «вГУУ», студент быстро интегрируется в полноценную студенческую жизнь.

поэтому проект мобильного приложения разрабатывается для платформы iOS. Информационное и функциональное наполнение предполагает открытую и закрытую части. Открытая часть предлагает общую информацию об университете, доступную всем пользователям. Закрытая часть (Личный кабинет) предлагает персонализированное содержание.

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

3

Преподаватели и администрация (использование личного кабинета, коммуникации со студентами, уточнение актуального расписания).

Мобильное приложение «вГУУ» синхронизируется с единым Виртуальным информационно-образовательным пространством, которое предоставляет значительную часть контента. Сервис непосредственно интегрирован с единой картой студента. Важно обеспечить защищенный доступ к личной информации пользователей и внедрение данной системы во все структуры университета. Приложение значительно упростит доступ пользователей к информации, взаимодействие студентов с преподавателями, сделает процесс обучения более современным и удобным. Приложение разработано для трех категорий пользователей: Студенты (информация о жизни вуза, расписание занятий, карта кампуса, календарь мероприятий, личный кабинет, сообщения и многое другое); Абитуриенты (знакомство с новостями университета, контактная информация, ответы на популярные вопросы);

1 2 46

Приложение «вГУУ» позволит получать актуальную и интересную информацию, отслеживать успехи в учебном процессе; первокурсникам станет легче адаптироваться к новой для них среде, в том числе благодаря множеству полезных функций. Галина Карташова, участник проекта

47

BIG DATA

ЧАСТЬ III. РАЗРАБОТКА СИСТЕМЫ СБОРА ПОЛЬЗОВАТЕЛЬСКИХ ДАННЫХ В ОБРАЗОВАТЕЛЬНОМ УЧРЕЖДЕНИИ КОНТАКТ-ЦЕНТР Отображение контактных телефонов деканатов, кафедр, приемной комиссии, медкабинета, спорт-центра и др., по которым пользователь сможет связаться для получения необходимой ему информации.

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 интересующим категориям: учебные новости, спорт, ЦУВП, наука, вакансии, стажировки, бизнес и экономика, общежитие и др.

ВОПРОСЫ Публикация часто задаваемых вопросов к администрации и руководителям структурных подразделений. Предполагается возможность выбора из списка получателей.

БИБЛИОТЕКА Информация о работе читальных залов и библиотеки университета, время их работы и местоположение. Функция синхронизации с электронным каталогом позволяет выбрать нужную книгу и узнать о ее наличии. ЕДА Перечень точек питания на территории Университета, которые будут расположены в порядке близости к местоположению пользователя. Анализируя данные геолокации, система будет определять наименее загруженные места питания и рекомендовать их пользователям приложения

МЫ В СОЦСЕТЯХ В популярных соц сетях: Facebook, Twitter, ВКонтакте, Instagram, YouTube существуют официальные группы и страницы Университета и Институтов ГУУ. КАЛЕНДАРЬ МЕРОПРИЯТИЙ Единый календарь мероприятий на учебный год. Здесь размещены даты и время мероприятий по категориям. Календарь также может быть синхронизирован с личным календарем пользователя. ЛИЧНЫЙ КАБИНЕТ

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

48

ОНЛАЙН-ДЕКАНАТ • Подача заявки на получение справок и других документов

МОЯ УСПЕВАЕМОСТЬ • Контроль успеваемости • Информация о программе дисциплин

КАЛЕНДАРЬ • Синхронизирует и объединяет данные из различных источников виртуальной информационно-образовательной среды, адаптируя распорядок дня каждого студента и напоминая о предстоящих событиях.

ПОЧТА ГУУ • Официальный ящик электронной почты университета, предназначенный для студента. Используется для получения информации от администрации и различных подразделений вуза, текущей переписки.

Разделы мобильного приложения «вГУУ» Система вовлекает студентов в учебной процесс щью которой он оплачивает услуги на терс первого дня и до выпуска. После быстрого освоения ритории университета; приложения «вГУУ», студент быстро интегрируется • Получать оповещения об изменении расв полноценную студенческую жизнь. Практически, писания, а также личные сообщения; приложение заменяет новичкам куратора — на все • Узнавать наличие свободных парковочвопросы ответ теперь лежит в кармане. Студенты ных мест. также могут извлекать пользу из системы — слушать подкасты лекций во время дороги, вести онлайн Кроме того, в данном разделе предполагаконспекты лекций на планшете во время занятий ется функция «Онлайн-деканат», с помощью и обмениваться мнениями. Студенты смогут обу- которой пользователь может подать заявку чаться в любом месте и в любое время, что позволит на получение справок и других документов. им достигать больших успехов в учебе. Мобильные устройства ускоряют и упрощают рутинные действия РАЗДЕЛ «УСПЕВАЕМОСТЬ» студентов, такие как проверка электронной учебной Пользователь сможет отслеживать свою почты или расписания. С тех пор, как смартфоны успеваемость, знать, какую тему пропустил, и планшеты получили широкое распространение когда будет контрольная работа и др. Кросреди молодежи, обеспечение мобильного доступа ме этого, для удобства пользователей здесь к услугам и учебным материалам стало очень важ- будет размещено расписание. Статистика ным преимуществом. успеваемости обновляется регулярно на основе электронного журнала посещаемости Рассмотрим подробнее содержание разделов функ- и успеваемости. Данный журнал заполняетционала приложения для ГУУ. ся преподавателем по каждой дисциплине. Информация загружается в единую информационно-образовательную систему, котоЛИЧНЫЙ КАБИНЕТ рая предоставляет персонализированные Данный раздел: данные студентам. Таким образом, исчезает • Доступен только при вводе логина и пароля (иден- потребность в бумажных версиях списков тификатор и пароль выдается службой поддержки); и журналов. Преподаватели используют • Оснащен функцией оповещения; электронный журнал, отмечая посещае• Личный кабинет предлагает персонализированный мость и отметки о текущей успеваемости. контент, основанный на личных данных студента и его поведенческой активности. РАЗДЕЛ «КАЛЕНДАРЬ» Раздел может быть синхронизирован с перРАЗДЕЛ «КАРТА СТУДЕНТА» сональным календарем iPhone. Помимо Приложение может быть непосредственно интегри- этого, пользователь может сам добавлять ровано с единой картой студента, что позволит поль- выбранные мероприятия, которые ему инзователю: тересны, из общего раздела «Календарь • Знать, какие книги выданы и когда их надо вернуть; мероприятий ГУУ». Здесь будут отображать• Проверять баланс на счету личной карты, с помо- ся дедлайны заданий, организация встреч

49

BIG DATA

ЧАСТЬ III. РАЗРАБОТКА СИСТЕМЫ СБОРА ПОЛЬЗОВАТЕЛЬСКИХ ДАННЫХ В ОБРАЗОВАТЕЛЬНОМ УЧРЕЖДЕНИИ

преподавателями и администрацией. Календарь синхронизирует и объединяет данные из различных источников Виртуальной Информационно-Образовательной Среды, адаптируя распорядок дня каждого студента и напоминая о предстоящих событиях. РАЗДЕЛ «СООБЩЕНИЯ» Выполняет функцию оповещения (персональная информация, трекинг готовности документов), а также коммуникация с другими пользователями приложения. РАЗДЕЛ «ПОЧТА @GUU.RU» Официальный ящик электронной почты Университета, предназначенный для студента. Используется для получения информации от Администрации и различных подразделений вуза и текущей переписки.

КАЛЕНДАРЬ Единый календарь мероприятий вуза на учебный год. Здесь размещены даты и время мероприятий по категориям: ЦУВП, спорт, научно-исследовательская деятельность, открытые лекции, КВН и другие. Календарь также может быть синхронизирован с личным календарем пользователя. В общем календаре отмечена структура учебного года: распределение семестров, сессия, каникулы, а также государственные и другие праздники. Календарь администрируют и наполняют событиями ответственные лица в университете.

50

ЕДА Здесь можно найти перечень всех мест питания на территории университета, которые будут расположены в порядке близости к местоположению пользователя, часы их работы и меню. Анализируя данные геолокации, система будет определять наименее загруженные пункты питания и рекомендовать их пользователям приложения.

КАРТА УНИВЕРСИТЕТА На карте расположены объекты студгородка: учебные корпуса, общежития, стадион, кафетерии, парковки, бассейн, спортивный центр и другие элементы инфраструктуры. Также с помощью строки поиска можно найти необходимое место. Для удобства поиска нужного структурного подразделения существует список заведений по категориям: библиотеки, деканаты, кафедры и др.

НОВОСТИ В данном разделе пользователь может просматривать общую ленту новостей или настроить отображение новостей по интересующим его категориям: Учебные новости, Спорт, ЦУВП, Наука, Вакансии, Стажировки, Бизнес и экономика, Общежитие, и др.

БИБЛИОТЕКА В разделе отображается информация о работе читальных 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, совместно с личным кабинетом студента, даст информацию о уже выданных книгах и сроках возврата.

КОНТАКТЫ В разделе отображены контактные телефоны деканатов, кафедр, приемной комиссии, медкабинета, спортцентра и др., по которым пользователь сможет связаться для получения необходимой ему информации.

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

Функция синхронизации с электронным каталогом позволяет выбрать нужную книгу и узнать о ее наличии. Система оповещения подскажет о возможности выдачи книг, а также, совместно с личным кабинетом студента, даст информацию о уже выданных книгах и сроках возврата.

ВОПРОСЫ Данный раздел предназначен для публикации часто задаваемых вопросов к администрации и руководителям 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.

Я думаю, нам нужен мониторинг, позволяющий с первого курса выявлять талантливых студентов и налаживать контакт с отстающими, чтобы вовлечь их в процесс обучения. Такие системы сегодня просто незаменимы, мне, как преподавателю, очень интересно получать рекомендации от подобного сервиса. С.И. Онищенко, к.э.н., доцент кафедры управления инновациями ГУУ

51

ЧАСТЬ III. РАЗРАБОТКА СИСТЕМЫ СБОРА ПОЛЬЗОВАТЕЛЬСКИХ ДАННЫХ В ОБРАЗОВАТЕЛЬНОМ УЧРЕЖДЕНИИ

BIG DATA

3.3. ЛИЧНЫЙ КАБИНЕТ И АНКЕТА СТУДЕНТА Составление и ведение «поведенческой истории» студента потребует разработки единой электронной анкеты, которая, по сути, является современным аналогом личной карточки учащегося. Электронная анкета представляет собой Личный кабинет студента, в котором объединяются различные категории данных. Такой кабинет предлагает студенту 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. Персонализированная поведенческая история накапливается в течение всего периода обучения, начиная с зачисления и заканчивая по-

52

лучением диплома. Заполнение информации осуществляется 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 активности в рамках вуза разделена на несколько основных категорий: ОБЩАЯ ИНФОРМАЦИЯ. ФИО, Институт, направление и специальность, курс и учебная группа. Также указывается перечень изучаемых дисциплин в зависимости от семестра обучения. НАУЧНАЯ РАБОТА. Записывается участие в конференциях, форумах и круглых столах (названия мероприятий), название статей и других публикаций; участие в научных проектах.

1

2

53

BIG DATA

ЧАСТЬ III. РАЗРАБОТКА СИСТЕМЫ СБОРА ПОЛЬЗОВАТЕЛЬСКИХ ДАННЫХ В ОБРАЗОВАТЕЛЬНОМ УЧРЕЖДЕНИИ

3.4. ЭЛЕКТРОННАЯ КАРТА СТУДЕНТА

Персонализированная поведенческая история накапливается в течение всего периода обучения, начиная с зачисления и заканчивая получением диплома. Заполнение информации осуществляется как самим студентом, так и преподавателями и профильными службами вуза.

3

ОСНОВНЫЕ ПОКАЗАТЕЛИ. Метрики представлены графически в виде диаграмм посещаемости (в %) и успеваемости по основным дисциплинам.

Очень верное решение — это создание виртуальной страницы для каждого студента, где есть возможность посмотреть расписание, текущие задания, пообщаться с преподавателем в режиме онлайн. Но это, безусловно, должно быть комбинировано с реальным процессом обучения.

54

С.И. Шкаровский, к.э.н., доцент кафедры маркетинга ГУУ

4 5 6

ВНЕУЧЕБНАЯ ДЕЯТЕЛЬНОСТЬ. Отмечено участие в клубах Центра учебно-воспитательных программ, активность в спортивных секциях и посещение бассейна. КАРТА СТУДЕНТА. Публикуются данные по единой студенческой карте: история операций, баланс карты, а также график прохода на территорию Университета. ТЕКУЩИЕ РЕЗУЛЬТАТЫ. В данном разделе отображаются актуальные результаты зачетно-экзаменационной сессии, а также текущих контрольных мероприятий.

Для наглядности информации предусмотрены различные 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 %)

Сегодня каждому студенту приходится носить с собой в университет студенческий билет, читательский билет, зачетную книжку, пропуск в общежитие или пропуск на парковку, но технологии позволяют объединить функции этих документов на одном электронном носителе — персональной пластиковой карте. Она записывает и хранит всю необходимую информацию о держателе, которая может являться пропуском на территорию университета, парковки или в здание общежития, хранит информацию о взятых в библиотеке книгах и привязана к электронному кошельку, то есть дает возможность безналичного расчета, как в самом университете, так и за его пределами 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 основного решения предложено использовать технологию радиочастотной идентификации (RFID). RFID-карты представляют собой интеллектуальные носители информации нового поколения. Основной особенностью этого вида карт является возможность записи и чтения информации в энергонезависимую память карты. Такая возможность

Я думаю, удобно иметь онлайн кабинет, где можно общаться со студентами, принимать домашние задания, тесты, но очное общение с преподавателем нельзя исключать. Дистанционная часть должна дополнять реальное общение, экономить время и снижать субъективность оценки. И.В. Семенов, к.э.н., доцент кафедры маркетинга ГУУ

55

BIG DATA

ЧАСТЬ III. РАЗРАБОТКА СИСТЕМЫ СБОРА ПОЛЬЗОВАТЕЛЬСКИХ ДАННЫХ В ОБРАЗОВАТЕЛЬНОМ УЧРЕЖДЕНИИ

ХАРАКТЕРИСТИКИ ТЕХНОЛОГИИ И СРАВНИТЕЛЬНЫЙ АНАЛИЗ позволяет создавать локальные базы данных непосредственно на RFID-карте. Причем доступ к информации на карте криптозащищен, поэтому воспользоваться записанной на карте информацией может лишь допущенный к этой информации пользователь. Подделать такую карту практически невозможно. При подтверждении права доступа разрешенная 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 режиме “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 клиенте имеется на RFID-карте.

Характеристики технологии

RFID

Штрих-код

QR-код

Необходимость в прямой видимости метки

Чтение даже скрытых Чтение без прямой меток видимости невозможно

Чтение без прямой видимости невозможно

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 идентификация нескольких объектов

До 200 меток в секунду

Невозможна

Зависит от считывателя

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 со­ставлять от нескольких сантиметров до 30 метров и более; • Широкие возможности хранения данных — RFID-метка может хранить ин­формацию 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 окружающей среды; • Выполнение интеллектуальных задач; • Высокая точность чтения — RFID является точной на 100%.

56

57

BIG DATA

ЧАСТЬ III. РАЗРАБОТКА СИСТЕМЫ СБОРА ПОЛЬЗОВАТЕЛЬСКИХ ДАННЫХ В ОБРАЗОВАТЕЛЬНОМ УЧРЕЖДЕНИИ

Привязка к приложению «вГУУ» дает возможность вести учет персональных денежных средств на карте студента в режиме реального времени, смотреть меню столовой, перечень блюд в буфете. Возможно также оплатить услуги печати, копирования или просто купить канцелярские принадлежности одним касанием.

ФУНКЦИОНАЛ КАРТЫ

01

ПРОПУСК НА ТЕРРИТОРИЮ УНИВЕРСИТЕТА Карта 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 позволит попасть на различные части территории университета. Благодаря привязке карты к мобильному приложению 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.

03

ПОЛЬЗОВАНИЕ БИБЛИОТЕКОЙ УНИВЕРСИТЕТА Карта представляет собой электронный читательский билет, то есть позволяет регистрировать пользователя в базе данных, идентифицировать его и записать книги. Привязка к приложению дает возможность отслеживать книги, которые студент взял в библиотеке, информацию о них и срок сдачи.

02

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, участник проекта

58

ОПЛАТА ТОВАРОВ И УСЛУГ В УНИВЕРСИТЕТЕ Карта позволяет производить безналичную оплату питания в столовой и покупок в буфете через электронный терминал. Привязка к приложению «вГУУ» дает возможность вести учет персональных денежных средств на карте студента в режиме реального времени, смотреть меню столовой, перечень блюд в буфете. Возможно также оплатить услуги печати, копирования или просто купить канцелярские принадлежности 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 продукции, формировать отчетность, получать персонифицированную информацию в режиме реального времени и перейти на безналичный расчет по всем видам услуг в столовых и точках продаж.

59

ЧАСТЬ IV

МАРКЕТИНГОВОЕ ИССЛЕДОВАНИЕ ГОТОВНОСТИ ВНЕДРЕНИЯ СИСТЕМЫ АНАЛИЗА ДАННЫХ В УНИВЕРСИТЕТЕ

4.1. МЕТОДИКА ИССЛЕДОВАНИЯ Использование поведенческих данных подразумевает оценку степени готовности студентов и преподавателей и определение основных платформ сбора информации. Для этого необходимо проведение качественных и количественных полевых исследований. В рамках проекта была разработана анкета для студентов и проведены интервью с преподавателями и представителями администрации университета. ЦЕЛЬ ИССЛЕДОВАНИЯ: выявить отношение студентов к использованию поведенческих данных для оптимизации учебного процесса в вузе.

ЗАДАЧИ ИССЛЕДОВАНИЯ: оценить степень готовности студентов к внедрению системы анализа поведенческих данных и определить основные методы и инструменты для сбора информации. ОБЪЕКТ ИССЛЕДОВАНИЯ: студенты московских вузов: Государственный университет управления, Российский университет дружбы народов, РЭУ им. Г.В. Плеханова, НИУ Высшая школа экономики. Общее число респондентов, принявших участие в исследовании, составило около 1000 человек. ПРЕДМЕТ ИССЛЕДОВАНИЯ: мнение об использовании данных и способы передачи информации.

Этапы исследования Подготовительный этап (изучение темы, разработка программы и инструментов)

Сбор информации

Обработка собранных данных

Анализ собранной информации, подготовка отчета

Для проведения исследования необходимо использование, как количественного метода, так и качественного. Интервьюирование преподавателей — экспертов в области образования позволяет понять суть практического применения поведенческих данных учащихся, а анкетирование студентов показывает, насколько важным и необходимым они считают анализ данных для улучшения учебного процесса. При формировании состава выборки был использован метод «квот», относящийся к детерминированным методам и обеспечивающий пропорциональное представительство носителей существенных признаков, отражающих генеральную совокупность, но смещенный в сторону студентов, использующих социальные сети, так как анкета была распространена при помощи страниц, объединяющих учащихся вузов. Анкета была разработана с учетом поставленных задач исследования и включала вопросы об основных поисковых сервисах, устройствах, операционных системах и программах для передачи данных, используемых студентами, что позволило выявить наиболее популярные информационные платформы, при помощи которых может производиться сбор данных. Также в анкету были включены вопросы о безопасности использования личных данных, об отношении к программной аналитике данных для улучшения процесса обучения, об оценке возможностей, которые могут быть реализованы при сборе, анализе данных и построении корреляционных связей.

Объект исследования: студенты московских вузов: Государственный университет управления, Российский университет дружбы народов, РЭУ им. Г.В. Плеханова, НИУ Высшая школа экономики. Общее число респондентов, принявших участие в исследовании, составило около 1000 человек. го комплекса на дистанционный формат, о перспективе использования данных и необходимых метриках о студентах, которые помогут улучшить процесс обучения и адаптировать его под каждого ученика или под группу студентов со схожими параметрами.

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

60

61

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

4.2. РЕЗУЛЬТАТЫ ПОЛЕВОГО МАРКЕТИНГОВОГО ИССЛЕДОВАНИЯ ОЦЕНИ ВЫСКАЗЫВАНИЯ О ПОВЕДЕНЧЕСКИХ ДАННЫХ (ГДЕ 5 — СОВЕРШЕННО СОГЛАСЕН, А 1 — АБСОЛЮТНОЕ НЕ СОГЛАСЕН)

33,89%

21,8%

5

4

40,49%

27,55%

КАКИЕ УСТРОЙСТВА ТЫ ЧАЩЕ ВСЕГО ИСПОЛЬЗУЕШЬ ДЛЯ УЧЕБНЫХ ЦЕЛЕЙ? (УКАЖИ ДВА ВАРИАНТА ОТВЕТА)

КАКИЕ ИЗ ПРЕДЛОЖЕННЫХ ИНФОРМАЦИОННЫХ ОНЛАЙН-СЕРВИСОВ КАЖУТСЯ ТЕБЕ НАИБОЛЕЕ ВАЖНЫМИ В ПРОЦЕССЕ УЧЕБЫ? (ВОЗМОЖНЫ 3 ВАРИАНТА ОТВЕТА)

7,01% 50,7% 69,81% 27,13% 37,96% 72,61%

20,89% 68,03% 53,5% 40,89%

Телефон Планшет Ноутбук или нетбук Стационарный компьютер

КАК ТЫ ОТНОСИШЬСЯ К ПЕРСПЕКТИВЕ ИСПОЛЬЗОВАНИЯ ПОВЕДЕНЧЕСКИХ ПОЛЬЗОВАТЕЛЬСКИХ ДАННЫХ В РАМКАХ УЧЕБНОГО ЗАВЕДЕНИЯ?

57,3% 25,16%

3

62

35,3%

iOS Android Windows Phone Другая He знаю У меня не смартфон

КАК ТЫ ОТНОСИШЬСЯ К ВОЗМОЖНОСТИ ОПЛАЧИВАТЬ ТОВАРЫ И УСЛУГИ ВНУТРИ УНИВЕРСИТЕТА С ПОМОЩЬЮ ВИРТУАЛЬНЫХ ДЕНЕГ, СТУДЕНЧЕСКОЙ КАРТЫ ИЛИ СЧЕТА МОБИЛЬНОГО ТЕЛЕФОНА?

24,5% 19,2%

21,0%

63,1%

19,79% 21,9%

9,5%

2

6,34%

10,27%

1

5,82%

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

0,76% 1,02% 2,17% 3,06% 28,41% 64,59%

Актуальное расписание Календарь событий вуза Онлайн доступ к учебным материалам Онлайн тестирование по дисциплинам Возможность отслеживать оценки Университетский e-mail аккаунт

ПРОДОЛЖИ ФРАЗУ: «ЕСЛИ В ДИСЦИПЛИНАХ БУДУТ ИСПОЛЬЗОВАТЬСЯ ЭЛЕМЕНТЫ ДИСТАНЦИОННОГО ОБУЧЕНИЯ, ТО Я ...»

НА КАКОЙ ОПЕРАЦИОННОЙ СИСТЕМЕ РАБОТАЕТ ТВОЙ СМАРТФОН?

«Я бы хотел, чтобы на основе анализа усвоения учебного материала формировалась система рекомендаций относительно дальнейшей программы обучения»

20,8% 16,6%

Я поддерживаю эту идею и готов предоставить 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 активности студентов, так как боюсь распространения моей личной информации

20,4%

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

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

Буду более интенсивно учиться и максимально использовать все доступные методы получения знаний

Сомневаюсь в безопасности таких платежей

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

Я против. Меня устраивают бумажные банкноты и мелочь

63

BIG DATA

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

4.3. ЭТИЧЕСКИЕ АСПЕКТЫ ИСПОЛЬЗОВАНИЯ ЛИЧНЫХ ДАННЫХ В наше время в связи с распространением интернет-пространства и развитием технологических процессов, когда банковские карты связаны с электронными устройствами, а электронные устройства — с учетными записями электронной почты и социальных сетей, когда можно легко получать информацию о каждом человеке, важное место занимает вопрос защиты персональных данных пользователей. Особенно это важно при формировании прикладных систем с использованием Data Science, которые объединяют в себе личные данные пользователей и подробную информацию о действиях широкого круга лиц. Исследование, проведенное компанией Ericsson Consumer Lab, показывает, что 56% дневной интернет-аудитории обеспокоены вопросами безопасности своей персональной информации. Однако, только 4% готовы сократить использование интернет-сервисов. С ростом вовлеченности вопрос этики и безопасности набирает свою значимость. Однако, отказ от современных технологий не является выходом из сложившейся ситуации. Общий тренд персонализации контента и особенностей использования цифровых сервисов предполагает возможность предоставлять часть личной и поведенческой информации для получения более качественных услуг. Технологии анализа Big Data — это не инструмент слежки, а возможность разрабатывать и предлагать более удобные пользовательские сервисы. В сфере образования сегодня — это очень актуально.

формации для дальнейшей аналитики образовательного учреждения. Соответственно, основная ценность таких данных заключается в возможности их неограниченного повторного последующего использования (например, для анализа перспективных направлений и дисциплин бакалавриата/магистратуры на основании пользовательских данных студентов, касающихся соответствующих направлений и дисциплин). С точки зрения конфиденциальности и прогнозирования 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 фундаментальных прав человека. Таким образом, немаловажным является этический аспект использования больших данных. При этом большие данные сами по себе, как и любая технология, этически нейтральны. Однако их использование уже не является таковым. В настоящее время все активнее обсуждается проблематика больших данных и выработка универсальных наборов правил при использовании в организации данных технологий, в том числе в образовательном учреждении. Исследования начинают активно развиваться и описываются в различной профессиональной литературе.

Сейчас можно выделить группы вопросов, которые образовательному учреждению возможно использовать при рассмотрении работы в направлении «БольКак бы ни был важен сам сбор информации ших данных»: пользователей и ее хранение, более значи- • Центральный вопрос: насколько офлайн-присутмым является использование полученной инствие индивидуума идентично его онлайн-личности?

64

• Как защитить онлайн-личность пользователя?

• Кто должен управлять доступом к данным о пользователях?

• Закончилась ли частная жизнь пользователей c повсеместным использованием систем аналитики?

• Правообладание • Кто владеет данными пользователей?

• Можно ли передавать права, какие обязательства должны выполнять те, кто создает и использует информацию?

• 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 мнения, основанные на неполных или некорректных наборах данных?

Технологии анализа Big Data — это не инструмент слежки, а возможность разрабатывать и предлагать более удобные пользовательские сервисы. данных, служба безопасности, учебно-методический отдел института (деканат) и отдел студенческого контингента. Преподаватели университета будут иметь доступ только к той информации, которая касается фактической информации об успеваемости пользователя по дисциплине.

Изучение этических аспектов может и должно способствовать преодолению таких проблем и нахождению устойчивых решений, необходимых для того, чтобы дать адекватные ответы на технологические вопросы эпохи развития информационных технологий, а именно на вопросы, касающиеся использования «больших данных». Для контроля распространения данных со стороны государства, правительством был разработан «Федеральный закон Российской Федерации от 27 июля 2006 г. N 152-ФЗ О персональных данных». Данным законом регулируются отношения, связанные с обработкой персональных данных, осуществляемой, в том числе, юридическими и физическими лицами. При создании системы Big Data в вузе необходимо разграничивать уровень доступа к профайлу пользователя для различных категорий лиц. Так, полный доступ к профайлу пользователя будут иметь владелец

Поскольку данные предоставляют возможность наблюдать за жизнью и действиями пользователей, при создании системы пользовательской аналитики важное место занимают вопросы конфиденциальности и защиты. Екатерина Бородина, участник проекта

65

BIG DATA

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

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ Для осуществления финансовых операций с помощью карты и доступа персонала, осуществляющего техническую поддержку виртуальной информационно-образовательной системы, необходимо использовать кодирование, что будет способствовать конфиденциальности получаемых сведений. Самым очевидным вариантом такого кодирования будет являться привязка имени пользователя к определенной комбинации цифр, букв, или их сочетания. Данный способ использует принцип обезличивания. Он представляет собой удаление из совокупности данных пользователя личных идентификаторов. Таким образом, информация 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 Российской Федерации «О персональных данных» хранение персональных данных должно осуществляться в форме, позволяющей определить субъекта персональных данных, не дольше, чем этого требуют цели их обработки, 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 использовании системы необходим единый информационный центр, в котором информация о пользователе будет храниться с момента поступления в вуз и до момента окончания образовательного учреждения.

66

Обработка персональных данных может осуществляться только с согласия субъектов, за исключением случаев, предусмотренных Федеральным законом Российской Федерации о персональных данных. Таким 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 условий. Также более половины респондентов (58%) согласны на использование их поведенческих пользовательских данных в рамках учебного заведения только на условии их неразглашения и обезличенного 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 порядка 80% опрошенных студентов заинтересованы в перспективе использовании поведенческих пользовательских данных в рамках учебного заведения. Оценивая высказывания о поведенческих данных, большинство респондентов (68%) хотели бы, чтобы на основе анализа усвоения учебного материала система выдвигала рекомендации относительно дальнейшей программы обучения. Получать информацию о новостях и мероприятиях в вузе в соответствии с персональными интересами хотели бы 58% опрошенных, а 55% респондентов хотят, чтобы система анализировала их поведенческую активность, прогнозировала результаты учебы и давала рекомендации по улучшению образовательного процесса.

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 государственного 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-маркетолога, 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. Гребенников, 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

17. Rijmenam van M., Big data will revolutionize learning http://www.bigdata-startups.com/big-data-willrevolutionize-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-psftss-1902829.html 20. Case study «Walsh College» http://www.ellucian.com/ Case-Studies/Walsh-College/ 21. Case study «Мэрилендский университет в округе Балтимор(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-learningbig-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

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

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

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

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

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

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

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

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

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

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.

67

КОНТАКТЫ imguu.ru facebook.com/imguu @marketing_guu @IM_GUU youtube.com/user/MarketingGUU/videos