基于企业人才需求分析的高校本科人才培养模式的改革研究

作者:未知

   摘  要:招聘信息一方面能够直接反映用人单位对人才基本条件、能力和素质的要求,同时也能够为高等院校及时了解社会对人才的需求变化情况,为人才培养方案提供参考信息。文章对企业招聘特别是计算机和数据类人才需求信息进行统计分析和数据挖掘,从而总结当今热门行业和人才需求特点与趋势,同时结合笔者自己教学经验,对高等院校的数据与信息类专业课程设置和人才培养模式改革给出了几点的建议。
  关键词:k-means聚类;主成分分析;关联规则挖掘;课程设置;人才培养
  中图分类号:C961 文献标志码:A 文章编号:2096-000X(2019)11-0167-03
   Abstract: On the one hand, the enterprise recruitment information can directly reflect the requirements of the employer on the basic abilities and qualities of the talents. On the other hand, it can also help high education institutions timely understand the society's requirements for talents. The change in demand provides reference information for the talent training program. This paper conducts statistical analysis and data mining for enterprise recruitment, especially computer and data talents, to summarize the characteristics and trends of today's hot industries and talents. At the same time, combined with the author's own teaching experience, it gave several suggestions for the setting and reform of the talent training model on the data and information courses for colleges and universities.
  Keywords: k-means clustering; principal component analysis; association rule mining; curriculum setting; talent cultivation
   一、企业招聘信息与高校人才培养方案的修订
  近年来,随着互联网的广泛应用和网络招聘的迅速发展,网络招聘信息平台已成为招聘者获取信息的主要渠道。对网络招聘信息进行文本挖掘是传统网页信息数据的深层次开发。它可以从大量数据中抽取出有效的、新颖的、潜在的以及最终可以理解的信息,使之具有指导意义和创新价值。而且由于网络招聘信息一方面能够直接反映了用人单位对人才基本条件、能力和素质的要求,为应聘者提供求职参考;另一方面也能够反映出社会和各行业对人才的需求现状,或未来一段时间的人才需求趋向;同时也能够为高等院校及时了解社会对人才的需求变化情况,分析预测未来的人才市场的热点,有针对性的调整人才培养方案和设置安排相关课程提供重要的参考信息,促进高校培养出更多适用的优秀人才以满足社会的需求。
  而且就业一直是社会的热点问题,从传统实地招聘到网络招聘主要是互联网发展的功劳。充分利用信息挖掘技术,将网上检索的大量无序企业所发布的人才需求信息,按照一定的标准,对其进行排序整理并提供有用的科学信息支撑,其分析结果可以进一步应用到高校人才培养计划的修订中。通过招聘信息的挖掘,将企业、学校、求职者三方连成一体,进而形成双向选择机制,减少招聘过程中的信息障碍壁垒,降低企业和毕业生的选择成本。
  二、问题的提出与解决
  本文在2018年3月初从智联招聘(https://sou.zhaopin.com/)依据城市和职位关键词爬取了15个主要城市(‘北京’,‘上海’,‘广州’,‘深圳’,‘天津’,‘杭州’,‘武汉’,‘成都’,‘南京’,‘苏州’,‘无锡’,‘宁波’,‘重庆’,‘长沙’,‘厦门’)的18个互联网相关职位(‘数据分析’,‘php’,‘大数据’,‘java’,‘UI’,‘IOS’,‘安卓’,‘C++’,‘python’,‘前端’,‘.net’,‘测试’,‘产品经理’,‘网络营销’,‘嵌入式’,‘项目经理’,‘VR’,‘AR’)总计23698条招聘信息作为数据样本,基于python和SPSS软件进行分析和挖掘,具体研究内容如下:
  1. 利用K-Means聚类算法对职业类型进行分析,得出目前企业最需要的职业类型,并得出这些职业类型对应的专业领域。
  2. 利用主成分分析对热门地域、热门行业、热门职位进行排名同时分析人才需求情况。
  3. 本文将重点且详细地利用数据挖掘方法(关联分析与文本挖掘)对数据分析师、大数据分析师等新兴职位在地域、行业、学历、月薪以及技能要求方面进行需求分析。
  4. 最后本文为院校特别是数据与信息类专业有针对性的调整人才培养方案和设置一些相关课程提供了几点的参考建议。
  三、企业招聘信息与人才需求的统计分析与数据挖掘
  (一)K-means 聚類分析
  对网络招聘信息中的数据进行去重去空、文本分词、文本向量化等预处理后,利用K-means算法对用TF-IDF算法得到的权重向量进行聚类,得到7个质心。最后利用knn算法分别求出距离各个质心最近的5个职位,结合result.csv中的type字段,得出目前最主要的职业类型,7个聚类中心可分为:技术、市场与销售、运营、职能四大类。   (二)主成分分析
  根据目前的求职者对于求职中最看重的因素作为热门求职需求的特征将热门定义为:招聘需求大,薪酬福利高以及经验型人才倾向。然后结合招聘信息现有的数据,本文用企业发布招聘信息数量、最低薪水、最高薪水、工作年限、学历要求与公司规模描述人才需求情况对其进行编码后利用主成分分析得到综合排名,分析得出上海、北京、南京、无锡、成都等为招聘热门地域,而互联网/电子商务、网络游戏、基金/证券/期货/投资、IT服务(系统/数据/维护)、医药/生物工程等为招聘热门行业,互联网/电子商务、网络游戏、基金/证券/期货/投资、IT服务(系统/数据/维护)、医药/生物工程等为相对热门职位。最后通过描述性统计分析得到热门地区,热门行业以及热门职业的企业需求的学历大多以专科本科为主,对于工作经验的要求大多在1-3年。
  (三)数据类相关职业招聘信息的数据挖掘
  首先需要将数据相关职位筛选出来进行分析,本文在筛选数据时, 只选出 job字段中包含“数据”字段且不包含“数据库“与”数据仓库“字段的数据,共得到4186条招聘信息。接下来进行关联规则挖掘时,首先对数据进行编码,将文本型数据转换为分类数据,最后本文利用软件SPSSModeler进行关联规则建模分析。
   如表1所示,在数据相关职位(数据分析、大数据等)中,存在以下的关联规则:
  如果一个企业的规模在100-499人,提供的平均薪酬在 5-10k范围内,且要求学历是大专及不限,那么这家企业有88.243%的概率对工作年限的要求是1年以下;而如果一家企业位于二线中等城市,要求的工作经验是 1年以下,公司规模是100-499人,提供的薪酬在5-10k之间,那么这家企业有81.453%的概率对于学历的要求是大专及不限。
  接下来考虑分析数据类职业分布特征,使用描述性统计分析方法得到以下几点结论:
  从大数据职位的区域分布来看,大部分数据相关职位聚集在广州、上海、深圳、北京等一线城市和一线周边的省会城市(南京、成都),因此对于数据类职业发展来说,一线城市和二线发展机会更多。
  数据相关职位主要集中在互联网/电子商务、计算机软件、IT服务等行业,其数据相关职位数占比大约为56%,对大数据人才的需求大。
  数据相关职位工作的主要对象是数据库开发、运营和产品,其次是软件开发、金融和市场。说明数据相关职位主要是辅助性支持类工作,主要工作是以数据为依据,为产品策略、运营战术、用户研究、市场趋势、客户画像等企业关键领域提供必要决策支持。
  数据相关职位工作的学历主要为本科,占比约5成,高于总体职业的学历要求,说明数据相关的工作对于学历是较为注重的,而对于工作经验中1年以下的需求最多,占比一半以上,数据相关职业入门壁垒较低。
  最后,本文筛选出所有的数据相关职位依照数据相关职位的岗位描述和任职要求提取出来,利用ROST 文本挖掘系统对这些文本进行分词,由于文本中有大量的专业术语如:“数据分析”、“数据挖掘”等,需要添加自定义的用户词典,将这些专业术语添加进去,然后再进行分词,词频统计。
  根据图1,可以看出,“数据”、“数据分析”、“技术”、“开发”“能力”等词语出现频数较大,说明大数据相关职位要求应聘者具有良好的数据分析能力(数学建模、算法设计、建模开发应用等)另外,“熟悉”、“业务”“经验”、“项目”等词语,说明数据相关职位对项目经验以及业务的熟悉程度也有一定的要求。
  四、高校课程设置与人才培养方案改革的几点建议
  1. 人才培养方案的课程设置需要增设热门课程。院校在对数学数据与信息类专业人才培养时可以对原有课程及教学内容进行优化整合,增设与大数据相关的课程,例如:数据分析、数据挖掘技术以及数据建模等课程,同时也可以增加数据分析软件的应用和大数据案例研究等一些实验课程,从而针对数据分析师、数据挖掘等岗位对学生进行系统地训练,让学生们在学校就能够提高实践能力和适应岗位的能力。笔者所在的院系的统计学专业最新的17版人才培养方案中,已经增设了金融数据挖掘,大数据统计分析,生物医学统计等相关专业课。
  2. 人才培养要注重校企合作。数据职业需求人才是属于应用型的人才,因此数学类专业人才的培养必须重视实践操作。院校在对数学类专业人才的培养过程中应积极探索校企合作的模式来共同培养大数据分析人才,例如可以通过校企合作共同建立大数据分析人才实习实训基地以及开展企业培训班等模式使学生能够真正地有机会去接触真实的大数据,在实习过程中提高学生的岗位适应能力。
  3. 人才培养方案注重实践教学环节的设置。大数据时代对人才的需求在项目实践操作方面有着很高的要求,然而很多院校只关注理论基础却忽视了实践能力,导致院校学子缺乏实践经验,因此院校在培养大数据人才时可以通过建立大数据实验室,同时鼓励学生们积极参与到大数据实验室的实践中去,使学生能够真正有机会去接触大数据的实际运行,让他们在实践中不断学习,不断成长。在数据类实验课程设置中,更新大量最新数据和数据挖掘的实验要求,比如电商数据挖掘实验,银行金融数据挖掘实验,超市客户数据挖掘实验等等。
  4. 人才培养方案应强调学生的科技创新能力和动手能力的培养。建立健全的学生课外课堂的教育和奖励机制,鼓励学生参加数学建模大赛,数据挖掘大赛,SAS统计分析大赛等等。同时,加强创新创业导师队伍建设,也鼓励更多的学生进行大学生创新与创业项目的申报。
  参考文献:
  [1]黄山,刘学锋,毛建华,等.基于关联规则的大数据领域人才需求分析[J].工程控制计算机,2017,30(8):78-80.
  [2]蔡文杰,李悦,王伟军,等.信息管理与信息系统专业本科人才市场需求分析——基于网上招聘的内容分析[J].图书馆学刊,2009,31(8):18-20.
  [3]张学新,贾園园,饶希,等.海量非结构化网络招聘数据的挖掘分析[J].长春师范大学学报,2017,36(10):28-36.
  [4]钟晓旭,胡学钢.基于数据挖掘的web招聘信息相关性分析[J].田安徽建筑工业学院学报:自然科学版,2010,18(4):23-45.
  [5]刘根正,贺浪萍,钟新波.改造要素资源 创新应用型人才培养模式[J].高教学刊,2017(15):31-33+36.
转载注明来源:https://www.xzbu.com/1/view-14846813.htm

服务推荐