序论：写作是一种深度的自我表达。它要求我们深入探索自己的思想和情感，挖掘那些隐藏在内心深处的真相，好投稿为您带来了七篇数据分析的方法范文，愿它们成为您写作过程中的灵感催化剂，助力您的创作。
企业数据分析编写过程中，常用的分析方法有对比分析法、趋势分析法、结构分析法和综合分析法等。本文结合工作实际，对如何运用这四种基本分析方法谈点想法。
对比分析法
所谓对比分析法，是指将两个或两组以上的数据进行比较，分析它们的差异性，从而揭示这些数据所代表的事物的发展变化情况和规律性。对比分析法是比较研究的一种方法，在企业数据分析中的应用十分普遍。它的特点是，通过比较分析，可以非常直观地看出企业某方面工作的变化或差距，并且可以准确、量化地表示出这种变化或差距是多少。
在实际应用中，企业数据的对比分析，一般有以下几种具体情况：
一是将企业当年的数据与历年（去年或前几年）的数据进行对比分析，目的是为了搞清楚与去年或前几年相比，企业某一方面或某些方面的发展变化情况。比如，某公司2006年利润100万元，2007年利润115万元，年增长率为15%。通过这种对比，我们就可以公司利润的变化情况有一个更直观、更清楚的认识。当然，在许多时候，这种对比分析不会局限在某一个数据，而是一组数据。比如，在对企业当年的利润与去年利润进行对比分析的同时，还可以将产量、销售量、销售额、成本、税金、市场占有量、占有率等指标进行对比分析，从而更全面了解掌握企业的发展现状。
为了一目了然地看出数据对比的直观效果，对比分析一般可用柱式图表表示。
趋势分析法
所谓趋势分析法，是指通过对某一个或几个数据在一定阶段的变化情况进行分析，从而发现该数据所代表事物的发展趋势和规律，并可进一步分析形成这种趋势的原因，为企业领导决策提供依据和参考。趋势分析法实际上是一种历史研究的方法，在企业数据分析的编写中，主要用来表示企业某一方面或某些方面的工作在一定时期内的发展趋势和规律。其特点是对某一时期的某一数据进行持续性考察，进而得出趋势性的结论。
一般说来，对数据进行趋势分析的结果不外乎以下四种情况：
一是某项数据的变化呈逐年加大的趋势，称为上升趋势。比如某企业利润额：2001年为150万元、2002年173万元、2003年220万元、2004年360万元、2005年500万元。从对这组数据的分析中可以得出结论：该企业的利润呈逐年上升的趋势。
二是某项数据的变化呈逐年减小的趋势，称为下降趋势。例某企业产品的市场占有率：2001年为30%、2002年24%、2003年15%、2004年9%、2005年6%。从对这组数据的分析中可以得出结论：该企业产品的市场占有率呈逐年下降的趋势，说明该产品的市场竞争力正在下降，企业应该对该产品进行升级换代，或者开发生产新的产品。
三是某项数据或上升或下降，每年都有较大变化，称为震荡趋势。比如某企业的经营成本：2001年为50万元、2002年83万元、2003年61万元、2004年46万元、2005年103万元。从对这组数据的分析中可以得出结论：该企业每年的经营成本变化较大，呈震荡趋势，说明企业在控制经营成本方面还要进一步采取措施。
四是某项数据几年来基本不变，或变化很小，称为稳定趋势。例如某企业的人均产值：2001年为60万元、2002年63万元、2003年61万元、2004年62万元、2005年63万元。从对这组数据的分析中可以得出结论：该企业的人均产值每年变化不大，呈稳定趋势。
为了更形象地看出数据在一定时期内的变化轨迹，对数据的趋势分析一般可以用曲线图表表示。
结构分析法
所谓结构分析法，就是通过分析数据的构成情况，即分析构成某一数据的各子数据的情况和权重，从而揭示构成某一事物的各方面因素在其中的作用大小和变化情况。结构分析法也是常用的企业数据分析方法，通过这一分析方法，有利于我们发现和把握事物的主要矛盾和矛盾的主要方面，对企业而言，可以据此确定工作重点或经营的主攻方向。
在实际工作中，当我们需要对企业的某一数据作深入分析时，常常需要用到结构分析法。例如我们分析某供电局利润的结构情况：2007年，企业利润为1000万元，其中主业占80%、三产占20%。这就是结构分析的方法，从中我们就可以清楚地知道，主业和三产对企业利润的贡献比例。在这个基础上，我们还可以作进一步的分析，在200万元的三产利润中：火电建设公司占35%、电力设计院占30%、电缆厂占15%、电表厂占10%、电杆厂占5%、宾馆占5%。从而我们可以看出火电建设公司和电力设计院两家对三产利润的贡献率达到了65%，是发展三产的主力军。从供电局的角度而言，抓好三产工作，重点是要抓好火电建设公司和电力设计院的工作。
为了直观地反映某一数据的构成情况，结构分析法一般采用圆饼图表来表示分析的结果。
综合分析法
在编写企业数据分析时，往往不是单一地使用一种数据分析方法，为了使数据分析更透彻、更深入，更多时候我们都需要采用综合分析的方法。所谓综合分析法，就是将以上两种或两种以上的分析方法结合起来使用，从而多角度、多层次地分析揭示数据的变化、趋势和结构情况，以增加数据分析的深度。
综合分析法在具体应用中，有以下几种情况：
一是对比分析与趋势分析相结合的方法。就是通过对两个或两组以上的数据在一定阶段的变化情况进行比较分析，从而发现数据所代表事物的发展趋势、差别和关系，并可进一步分析原因，为企业领导决策提供依据和参考。比如，我们可以使用这一方法来分析一定阶段企业利润和成本的变化和相互关系。再如，我们将“十五”期间本企业的利润指标与其他企业的利润指标进行比较分析，所应用的也就是对比分析与趋势分析相结合的方法。
二是对比分析与结构分析相结合的方法。就是对两个或两组以上的数据的构成情况进行分析比较，从而可以看出构成这两个或两组以上的数据的各种因素的差异性，以此剖析产生这种差异的原因，并提出相应的对策措施。比如，2006年，A供电局利润500万元，B供电局利润700万元。如果只采取对比分析的方法，我们获得的结论就是：“B供电局利润比A供电局多200万元”。结合结构分析：A供电局利润500万元中，主业为450万元，三产为50万元；B供电局利润700万元中，主业为560万元，三产为140万元。由此看出，A、B供电局在主业利润差距并不大，差距主要在三产上。因此，发展三产应成为A供电局利润增长的主要着力点。
三是趋势分析与结构分析相结合的方法。就是通过对构成某一数据的子数据在一定阶段的变化情况进行分析，从而揭示构成某一事物的各方面因素在其中的作用大小和变化趋势。比如，我们分析某企业一定阶段销售额及各种产品销售额的构成和变化情况，就可以使用这一方法。这样的分析既可以了解销售额的变化趋势，也可以全面掌握各种产品在销售额中的权重比例和变化趋势，从而知道哪些产品需要扩大生产，哪些产品需要减产或停产，什么时候需要开发新的产品。
[关键词]财政收入；GDP；面板数据
下面我们将基于2000-2009年中国各省GDP和财政收入的面板数据的实例来详细阐述面板数据的分析方法。
一、GDP与财政收入关系的经济学模型
二、实证分析
（一）单位根检验
Eviews有两种单位根检验方法，一种在相同根的假设下的检验，包括LLC、Breintung、Hadri。另一种则是在不同根下的假设前提下，包括IPS，ADF-Fisher和PP-Fisher5。检验结果表明所有检验都拒绝原假设，因此序列GDP和CZSR均为一个2阶单整序列。
（二）协整检验
如果基于单位根检验的结果发现变量之间是同阶单整的，那么我们可以进行协整检验。协整检验是考察变量间长期均衡关系的方法。所谓的协整是指若两个或多个非平稳的变量序列，其某个线性组合后的序列呈平稳性。此时我们称这些变量序列间有协整关系存在。
在最终的结果中，Pedroni方法中除了rho-Statistic、PP-Statistic项目外都拒绝GDP和CZSR不存在协整关系的原假设，同样Kao和Johansen检验方法也都拒绝原假设，因此，上述检验结果表明，我国各省2000-20009年的GDP和财政收入面板数据间存在着协整关系。既然通过了协整检验，说明变量之间存在着长期稳定的均衡关系，其方程回归残差是平稳的，因此可以在此基础上直接对进行回归分析，此时假设方程的回归结果是较精确的。
三、建立模型
我们根据混合模型的回归结果，得到财政收入和GDP之间的回归方程为：
CZSR=227.3123+0.103224*GDP
（26.47637）（0.002839）
R2=0.810995F=1321.587
显然从模型的回归结构来看，R2的值达到了0.81，有了比较好的回归解释力，同时，GDP的回归系数为0.103224，表明各省的财政收入平均占到了国民收入的10.3%左右。
变系数模型：显然，在中国各省之间由于处在不同的地区，因而拥有不同的区位优势，那么各省的发展水平显然就不一样。正是由于这种不同的地方政策、管理水平、文化差异等会导致经济变量间出现一些关联性的变化，此时在进行模型回归的时候，我们就有必要考虑变系数模型。
在回归结果中，R2的值达到了0.97，比混合模型拥有更好的回归解释力，而在变系数模型回归结果中，GDP的回归系数大于0.5的只有、青海、宁夏三个省份，也就是说这三个省份的财政收入占到了GDP的50%以上，他们同处于经济并不是很发达的西部地区，由此可以看出，处在经济发达地区的财政收入占GDP的比重要低，而不发达地区则要高。
四、结论
参考文献：
[1]谢识予，朱洪鑫.高级计量经济学[M].复旦大学出版社，2005.
[2]张晓峒.Eviews使用指南（第二版）[M].南开大学出版社，2004.
关键词：大数据大数据分析方法情报研究适用性
PreliminaryStudyontheBigDataAnalyticsandItsAdaptabilityinIntelligenceStudies
AbstractBigdataanalyticshasbroughtnewopportunitiesfordata-orientedorinformation-orientedintelligencestudies'development.Basedonexistingresearch，theauthormakesareviewofthreeviewpointsofbigdataanalyticsbasedondata，processandinformationtechnology，andthensummarizesfivelevelsofanalyticswhichincludingstatistics，mining，discovery，predictandintegrate，andits17kindsofrelevantresearchmethods.Theadaptabilityofbigdataanalyticsintheintelligencestudiesisdiscussedanditisfoundthat10researchmethodscanbedirectlytransplantedtointelligencestudies，2researchmethodsshouldbeadjustedfortransplantation，2researchmethodsareinapplicable，and3researchmethodsneedfurtherstudy.
Keywordsbigdata;bigdataanalytics;intelligencestudies;adaptability
1大数据分析的方法分类
不同学者对BDA方法的看法各有差异，概括起来，主要有三种分类体系，分别是面向数据视角的分类、面向流程视角的分类以及面向信息技术视角的分类。
（1）面向数据视角的BDA方法分类。这类研究主要是以BDA处理的对象“数据”作为分类依据，从数据的类型、数据量、数据能够解决的问题、处理数据的方式等角度对BDA方法进行分类。
Power[5]依据分析需求将数值型数据的分析方法划分为三类：①若是模式理解及对未来做出推论，可采取历史数据及定量工具进行“回顾性数据分析”;②若要进行前瞻及预测分析，可采取历史数据及仿真模型进行“预测性数据分析”;③若要触发事件，可采取实时数据及定量工具进行“规范性数据分析”。美国国家研究委员会在2013年公布的《海量数据分析前沿》研究报告中提出了七种基本统计数据分析方法[6]，包括：①基本统计（如一般统计及多维数分析等）;②N体问题（N-bodyProblems）（如最邻近算法、Kernel算法、PCA算法等）;③图论算法（Graph-TheoreticAlgorithm）;④线性代数计算（LinearAlgebraicComputations）;⑤优化算法（Optimizations）;⑥功能整合（如贝叶斯推理模型、MarkovChainMonteCarlo方法等）;⑦数据匹配（如隐马尔可夫模型等）。
（2）面向流程视角的BDA方法分类。这类研究主要是依据BDA的步骤和阶段对BDA方法进行分类。
（3）面向信息技术视角的BDA方法分类。这类研究强调大数据技术本身涉及到的新型信息技术，将大数据处理架构、大数据计算模式、大数据系统等作为BDA方法分类的依据。
孟小峰、慈祥[11]着眼于大数据处理框架，梳理了数据抽取与集成、数据分析及数据解释所使用的分析方法，在数据抽取与集成方面，可区分为基于物化（Materialization）或ETL的方法、基于联邦数据库或中间件的方法、基于数据流的方法以及基于搜索引擎的方法等四类;在数据分析方面，传统的数据挖掘、机器学习或统计分析面临数据规模、算法调整等困难，需进一步发展;在数据解释方面，引入可视化技术或交互式的数据分析过程，有助于用户理解分析结果。覃雄派等人[12]认为，非关系数据管理（如MapReduce）扩展了数据分析的多维视角，使数据分析的生态系统从“大量数据的移动”转向“直接对数据进行分析”。
1.2BDA方法的分类――面向层次的BDA方法框架
上述三种视角的BDA分类各有特点，都有一定的道理。从面向数据的视角来看，BDA方法正从统计（Statistics）转向挖掘（Mining），并提升到发现（Discovery）和预测（Prediction）。基于流程的BDA分类则更能反映BDA过程的集成性（Integration），也就是说，在完成一项分析任务时，需要综合使用多种方法。从面向信息技术的BDA分类中可以看出，这种分类方式强调使用新技术对传统数据处理方法进行改进和创新，同时更重视新型系统架构与分析方法的集成，例如，各种数据挖掘算法的MapReduce化，就是这方面的典型实例。
2BDA方法在情报研究中的适用性探讨
如前所述，BDA与情报研究在本质上有共同之处，BDA方法可为情报研究提供借鉴，因此，探讨BDA方法对情报研究的适用性就很有必要性。以下综合考虑方法本身的完善性及可操作性、情报研究的分析对象特征、方法的可移植性[15]等因素，对本文所列举的17种面向层次的BDA方法在情报研究中的适用性进行分析。
2.1可直接移植的方法
（1）数据挖掘与文本挖掘。数据挖掘与文本挖掘是不同概念，两种方法分别使用不同的发现技术，文本挖掘属于基于计算机语言学及统计方法的发现技术，用来揭示文本中的词与句法特征;数据挖掘以数据库中的大量结构化的数据挖掘为基础，用来揭示数据中潜在的、可能的数据模式及关联规律[16]。在情报学领域的实践应用中，数据挖掘多应用在图书馆自动化技术与服务方面，例如，馆藏采购决策、个性化服务、信息检索、读者管理、馆藏布局等。文本挖掘在情报研究的价值在于弥补了情报学专门分析方法对科技文献内在知识挖掘不足的缺欠，例如，祝清松、冷伏海[17]为了解决引文分析方法无法揭示论文的研究内容这个问题，提出引文内容分析，先建立基于规则的引文内容抽取来识别引用句，再通过基于C-value多词术语识别算法找出高被引论文主题，相比于引文分析，这种方法较能提供客观的语义信息与文献之间的语义关系。
（5）海量数据的基本统计分析方法。海量数据的七种基本统计分析方法适用于情报研究的原因是，专家们普遍认为，在现有硬件技术条件下要开发一个海量数据分析系统的难度过高，且高性能计算领域也面临许多困难，因而转向寻找共通的基础性计算方法来帮助运算[6]，同时这些统计方法也经常应用于数据挖掘或文本挖掘。对情报研究来说，处理的数据量不及高性能计算领域的海量数据，因此可以容易地应用这些基本统计分析方法。尽管如此，随着情报研究处理的文本量增加，包括文献计量或信息计量方法在内的定量分析方法，仍然要经常借鉴基础性的计算方法，并进行公式改进。
2.2调整后移植的方法
调整后移植的方法是指其在原本的领域已经成功应用，但由于该方法最早或成功应用的领域在任务需求、数据处理、分析过程有自身的特点，若移植到情报研究时，需要根据情报研究自身的特征进行调整。数据可用处理及分析方法、时空数据分析等两种分析方法就属于这类情况。
2.3不适用的方法
考虑学科领域差异，本文认为“翻译生物信息学分析”及“学习分析方法”两种专门研究方法不适合情报研究。
（1）翻译生物信息学分析。翻译生物信息学分析是生物信息学的专门分析方法，这种方法是依据特定目的整合多数据源及促进领域知识的有效利用，其结果可应用在生物医学研究、产生支持医疗人员在治疗点中的“可操作的决策”（ActionableDecision），同时能对人类与疾病的关联关系提供更好的理解。生物信息学为了找出更多基因与疾病的关系，通过翻译生物信息学分析，可以将分析方法与工具开发从系统层面横跨到分子、个人或全人类层面，分析视角从单一基因或多肽（Polymorphic）挖掘的研究转向新基因或遗传性状组合与预测研究[36]。从分析方法的操作过程来说，考虑到数据源的特殊性（如DNA编码数据、蛋白质结构等）、分析视角、工具构建及使用等因素，并不符合情报学的学科研究特色。
3结语
[1]LavalleS，LesserE，ShockleyR，etal.BigData，AnalyticsandthePathFromInsightstoValue[J].MITSloanManagementReview，2011，52（2）：21-32.
[2]RussomP.BIGDATAANALYTICS[R].TheDataWarehousingInstitute，2011.
[3]MohantyS，JagadeeshM，SrivatsaH.BigDataImperatives-EnterpriseBigDataWarehouse，BIImplementationsandAnalytics[M].NewYork：Apress，2013.
[4]Computingcommunityconsortium.ChallengesandOpportunitieswithBigData[R].Washington，DC：ComputingResearchAssociation，2012.
[5]PowerDJ.Using"BigData"foranalyticsanddecisionsupport[J].JournalofDecisionSystems，2014，23（2）：222-228.
[6]Nationalresearchcouncil.FrontiersinMassiveDataAnalysis[R].Washington，DC：TheNationalAcademiesPress，2013.
[7]LiZH，HanJW.MiningPeriodicityfromDynamicandIncompleteSpatiotemporalData[A].ChuWW，DataMiningandKnowledgeDiscoveryforBigData[M].Germany：SpringerBerlinHeidelberg，2014：41-81.
[8]魏顺平.学习分析技术：挖掘大数据时代下教育数据的价值[J].现代教育技术，2013，23（2）：5-11.
[9]ChenHC，ChiangRHL，StoreyVC.BusinessIntelligenceandAnalytics：FromBigDatatoBigImpact[J].MISQuarterly，2012，36（4）：1165-1188.
[10]严霄凤，张德馨.大数据研究[J].计算机技术与发展，2013，23（4）：168-172.
[11]孟小峰，慈祥.大数据管理：概念、技术与挑战[J].计算机研究与发展，2013，50（1）：146-169.
[12]覃雄派，王会举，杜小勇，等.大数据分析――RDBMS与MapReduce的竞争与共生[J].软件学报，2012，23（1）：32-45.
[13]SengameduS.ScalableAnalytics-AlgorithmsandSystems[A].SrinivasaS，BhatnagarV.BigDataAnalytics[M].India：SpringerBerlinHeidelberg，2012：1-7.
[14]MehtaS，SubramaniamLV.Tutorial：SocialMediaAnalytics[M].BhatnagarV，SrinivasaS.BigDataAnalytics[M].India：SpringerInternationalPublishing，2013：1-21.
[15]王炼，武夷山.方法移植对科学计量学研究的方法论启示[J].科学学研究，2006，24（4）：503-507.
[16]KroezeJH，MattheeMC，BothmaTJD.DifferentiatingData-andText-MiningTerminology：The2003annualresearchconferenceoftheSouthAfricaninstituteofcomputerscientistsandinformationtechnologistsonEnablementthroughtechnology[Z].SouthAfrica：2003：93-101.
[17]祝清松，冷伏海.基于引文内容分析的高被引论文主题识别研究[J].中国图书馆学报，2014，（1）：39-49.
[18]张树良，冷伏海.基于文献的知识发现的应用进展研究[J].情报学报，2006，25（6）：700-712.
[19]李楠，张学福.基于关联数据的知识发现应用体系研究[J].图书情报工作，2013，（6）：127-133.
[20]王辉，王晖昱，左万利.观点挖掘综述[J].计算机应用研究，2009，26（1）：25-29.
[21]黄晓斌，赵超.文本挖掘在网络舆情信息分析中的应用[J].情报科学，2009：（1）：94-99.
[22]赵洁，温润.基于新词扩充和特征选择的微博观点句识别方法[J].情报学报，2013，32（9）：945-951.
[23]单斌，李芳.基于LDA话题演化研究方法综述[J].中文信息学报，2010，24（6）：43-49.
[24]贺亮，李芳.科技文献话题演化研究[J].现代图书情报技术，2012，（4）：61-67.
[25]查先进.信息分析[M].武汉：武汉大学出版社，2011.
[26]LakshminarayanC.HighDimensionalBigDataandPatternAnalysis：ATutorial[A].BhatnagarV，SrinivasaS.BigDataAnalytics[M].India：SpringerInternationalPublishing，2013：8302，68-85.
[27]胡洁.高维数据特征降维研究综述[J].计算机应用研究，2008，（9）：2601-2606.
[28]吴晓婷，闫德勤.数据降维方法分析与研究[J].计算机应用研究，2009，（8）：2832-2835.
[29]陈涛，谢阳群.文本分类中的特征降维方法综述[J].情报学报，2005，24（6）：690-695.
[30]白如江，冷伏海.“大数据”时代科学数据整合研究[J].情报理论与实践，2014，37（1）：94-99.
[31]化柏林.多源信息融合方法研究[J].情报理论与实践，2013，（11）：16-19.
[32]李建中，刘显敏.大数据的一个重要方面：数据可用性[J].计算机研究与发展，2013，50（6）：1147-1162.
[33]王延飞，王林兰.论情报研究质量[J].图书情报工作，2010，54（10）：35-39.
[36]BellazziR，DiomidousM，SarkarI，etal.Dataanalysisanddataminingcurrentissuesinbiomedicalinformatics[J].MethodsofInformationinMedicine，2011，50（6）：536-544.
[37]NegashS.Businessintelligence[J].CommunicationsoftheAssociationforInformationSystems，2004，13（1）：177-195.
【关键词】教师大数据数学模型matlab最小二乘法
大数据，或称巨量资料，指的是需要新处理模式才能具有更强的决策力、洞察力和流程优化能力的海量、高增长率和多样化的信息资产[2]。大数据技术的战略意义不在于掌握庞大的数据信息，而在于对那些含有意义的数据进行专业化处理。本文将以东北地区数学专业教师大数据为基础，通过“加工”实现数据的“增值”，使其为决策与预测服务。
二、东北地区数学专业教师大数据分析与结果
收集并处理好教师教龄、收入、税收和职业病情况等方面的数据后，本文主要针对三个方面进行了详细的分析：
1.教师收入随年份的变化
（1）数据范围：1994年-2014年东三省各高校数学教师收入（单位：元）；
（2）计算条件：matlab软件，最小二乘回归分析，高性能计算工作站；
（3）求解过程：年份作为自变量x，收入为因变量y，从总体上看，二者统计关系大致符合一元线性的正态误差模型[3]，即对给定xi的有最小二乘一元线性回归公式yi=b0+b1xi+εi，其中：
b■=■，■=■■x■b0=■-b■■，■=■■y■
其中εi是由变量可能的内在随机性、未知影响因素等随机扰动造成的误差。总之，它可看成是众多细小影响因素的综合代表。最后，由Matlab提供polyfit函数实现回归函数拟合[4]；
（4）结果分析：计算结果表明，随着年份的增加，教师收入也在不断增加。估计的因变量的系数b1约为191，也就是说，每过一年，教师收入大致可增加近191元。
2.教师职业病情况与教龄的关系
（1）数据范围：1994年―2014年东三省各高校数学教师教龄（单位：年）、职业病情况；
（2）结果分析：首先利用matlab软件，以横轴为某年东三省数学教师教龄，纵轴反映相应教龄的平均职业病情况（为方便，规定越接近纵轴正方向，职业病越严重）利用matlab软件绘制图形[5]，发现教师教龄越长，职业病也愈加严重。每一年的教师职业病情况均可绘制一张图表，通过将这11张图表的最高值（即每一年职业病的最高值）做比较，发现其趋势是先逐年下降，最后趋于稳定。
3.对教师专业发展阶段的研究
（1）数据范围：2014年东三省各高校数学教师收入、教龄、税收和职业病大数据；
（2）计算条件：IBM处理器、大数据挖掘分类算法；
（3）求解过程：用神经网络研究方法（即模拟生物上神经元工作的方法）。图中每个椭圆形节点接受输入数据，将数据处理后输出，输入层节点接受教师信息的输入，然后将数据传递给隐藏层，隐藏层将数据传给输出层，输出层输出教师专业发展处于哪一专业成熟阶段；
（4）结果分析：若将教师专业成熟过程分为三个阶段：形成期、发展期和成熟期。那么利用IBM处理器和以上算法，在所调查的教师中，约70%处于发展时期，是其基本适应教育教学工作的时期；约20%处于形成期，是形成良好心理素质和正确教育思想的关键时期；约10%处于成熟期，是掌握教学主动权，成为学校教学骨干的时期；
（5）研究意义：研究东三省高校数学教师专业发展成熟阶段，可以基本掌握教师资源结构，从而能够遵循不同发展阶段的不同特征、观念、心理、发展需求，制定相应教研活动、政策和制度，促进教师全面持续发展[6]。
三、结果讨论
1.数据呈现以上结果的原因
（1）随着国家科教兴国战略的深入实施，教师的工资和待遇将被逐步纳入国家工作人员统一管理，教师的收入将得到很大的提高。另一方面，数学能力的培养是学习各专业、走入各行业的基础，国家将加大数学知识的教育力度，进而数学专业教师所付出的辛苦也更加不可小觑，综合以上几个重要原因，教师收入随年份增加而增加也是符合经济理论的。
（3）在对教师专业发展阶段的研究中，处于专业发展时期的教师所占比例最高，达到近70%。实际上，他们多数处于青壮年的人生阶段，是社会的中坚力量，又曾在高等教育多样化与综合化的背景下受到过良好的教育，并具有较丰富的教学经验和紧跟新时代的创新思想，自然在专业发展的角度也占有较大比例。
大数据最有价值的特点就是其“预见性”。上述数值结果表明，在经济平稳发展和社会稳定的前提下，东三省数学专业教师的收入在未来的几十年依旧处于增长趋势，教师职业病总体减轻，专业发展越来越成熟，使得教师队伍整体素质越来越高，而未来教师的考核奖励制度也会变得更加严格和全面。
3.建议
本文利用matlab软件、最小二乘法模型及IBM处理器分析了东北地区数学专业教师大数据，得出的结果对于掌握该地区数学教师基本情况并预测其发展趋势有着重要的作用，还为热心同类问题的研究者提供高效的方法和技术。当我们不能有效处理所获取的大数据，它们就是一些平凡的数字和符号。如果我们能够很好地驾驭大数据，它们必定会为我们带来诸多的方便。
最小二乘法模型在处理大数据时有一定的优势[7]，统计分析，神经网络算法和遗传算法都是处理大数据的有效方法，如果能将这些方法有机的结合起来，将更能获得许多满意的数值分析结果。当大数据超过计算条件的时空允许时，不仅耗时费力，甚至使得计算成为不可能，通常需要采用并行算法等高效计算手段。在高性能计算方面，我们并没有用到并行算法，如果能利用并行算法，所处理的数值结果容量会更大更有参考价值。
[1]蔡锁章主编.数学建模：原理与方法.北京：海洋出版社，2000.
[2]维克托迈尔舍恩伯格.大数据时代.浙江：浙江人民出版社，2012.
[3]吴翊，吴孟达，成礼智编著.数学建模的理论与实践.长沙：国防科技大学出版社，1999.
[4]张德丰编著.Matlab数值分析与仿真案例.北京：清华大学出版社，2011.10（21世纪高等学校规划教材计算机应用）IBSN978―7―302―26254―1.
[5]杨德平等编著.Matlab基础教程.北京：机械工业出版社，2013.221世纪高等院校计算机辅助设计规划教材ISBN978―7―111―41023―2.
关键词：数据分析；观念；统计
数据分析是统计的核心，数据分析观念是统计思想的重要组成部分。在小学数学统计教学中，教师要培养和发展学生的数据分析观念，以有效解决生活中的一些实际问题。教学中主要从以下三个方面进行实践：
一、激发兴趣，引导学生主动参与数据分析
二、启发思考，引导学生掌握数据分析方法
数据分析是一个复杂的思维过程。在教学中要鼓励学生从多角度分析数据，掌握数据分析的方法，通过数据的统计与分析，提取信息，选择方法，培养思维的灵活性和多向性。如，在教学中出示“某商场一年12个月A、B型两种彩电销售情况折线统计图”，统计图上呈现了两种彩电的销售情况和月份，然后让学生完成作业，根据销售情况说说随着月份的变化两种彩电的销售情况有何变化，A型彩电销售量为什么呈下降趋势？为什么在1～3月份销售量最多？B型彩电为什么在10～12月份销售量最多且呈现上升趋势？如果你是经销商将会有什么打算？让学生统计图表中获取信息并联系生活实际进行思考，很快就能得出答案：B型彩电得到了消费者的认可，经销商要及时调整进货源头，多进B型彩电就会获得更多的利润。
三、加强训练，培养学生形成数据分析能力
数据分析能力培养绝不能只靠课堂教学来完成，教学时，教师要精心设计多样性实践操练活动，注重分类与比较能力训练，将课内外有机结合起来，激发学生参与统计与分析的兴趣，指导学生通过调查、科学实验、查阅资料等，把所学的知识进行系统化的收集、整理、分类、描述和分析，让学生形成数据分析观念和数据分析能力。
【关键词】：数据分析；数据管理
数据管理：收集及管理企业内所有类型的数据。包括设计开发的数模图纸，零件清单，数据的审批过程、历史记录等。有目的记录收集数据，是确保数据分析过程有效的基础。
1定义
数据分析：数据分析的目的是把隐没在一大批看来杂乱无章的数据中的信息集中、萃取和提炼出来，以找出所研究对象的内在规律。在实用中，数据分析可帮助人们作出判断，以便采取适当行动。数据分析是组织有目的地收集数据、分析数据，使之成为信息的过程。在产品的整个寿命周期，包括从市场调研到售后服务和最终处置的各个过程都需要适当运用数据分析过程，以提升有效性。
2现状
随着时代的进步，企业已经从传统的人工管理及文件系统管理，发展到数据库管理的阶段。数据库管理的基础提供了数据的完整性，正确性。并且企业已经对数据的安全性有所管理，包括权限控制，文件加密系统的等。数据分析的的工作目前仍比较初级的阶段，当数据分析的水平跟上数据管理发展的水平时，将会大大加快企业发展和进步。
3意义
数据分析是判断、趋势、多角度发现问题的成熟解决方案，传统企业的大部分业务情况，通过业务经验，有了数据分析即可改善业务。数据的核心是发现价值，而驾驭数据的核心是分析。通过对企业数据的梳理分析，结合业务的理解，找出一些突出问题的关键点，预测未来的趋势，帮助企业更好地进行决策。
4数据分析的过程
4.1收集数据
4.2数据预处理
4.3数据分析的方法
数据分析的方法有很多种。这里只是提出比较常用的一些经验方法。
聚类分析、预测建模、关联分析、异常检测。
4.3.1聚类分析
聚类分析简单、直观。
聚类分析主要应用于探索性的研究，其分析的结果可以提供多个可能的解，选择最终的解需要研究者的主观判断和后续的分析；不管实际数据中是否真正存在不同的类别，利用聚类分析都能得到分成若干类别的解；聚类分析的解完全依赖于研究者所选择的聚类变量，增加或删除一些变量对最终的解都可能产生实质性的影响。研究者在使用聚类分析时应特别注意可能影响结果的各个因素。异常值和特殊的变量对聚类有较大影响。
聚类分析是细分产品市场的有效工具，同时也可用于研究消费者行为，寻找新的潜在市场、选择实验的市场，并作为多元分析的预处理。在企业内部数据管理中可以用于用户调研、反馈，进而更好地为企业员工提供适合的服务及帮助。
4.3.2预测建模
以自变量函数的方式为目标建立模型，预测离散的目标变量；预测连续的目标变量。
根据CAD软件的应用状态判断下一年的需求：
根据图标分析可以预测，明年的软件需求应该和今年差不多，CAD软件保证在400左右基本可以满足需求，CAD软件保证在50左右可以满足需求
4.3.3关联分析
例如在零件的数据管理过程中可能发现一些关联零件的规律。
例如：从VDS中找出配置选项的关联，例如配置了前排乘客安全气囊，必定会配置驾驶员安全气囊。
4.3.4异常分析
顾名思义，当一些较为稳定的数据，发生异常或者一组数据中个别数据异于其他数据时，发现它们，并从中找到原因或者规律。
4.3.5对比分析
根据类似数据进行对比分析。在数据管理的工作中找到类似数据，尝试对其对比分析，找出差异点。
4.4数据分析经验数据库的创建
由于企业的数据分析方法是初步形成的，需要累积和实践验证。在找到合适的数据分析方法时，可以将有效的数据分析成果或者过程记录存档，方便后人的学习和改进。企业的数据管理和数据分析是密不可分的，鼓励更多的人参与数据分析将会提高数据分析经验库的含金量。
5结语
数据分析在数据管理工作中的应用将直接支持整车研发企业的开发工作，以及产品数据的管理水平的提高。数据分析经验数据库的创建培养和累积足够的。在将面对大数据盛行的时代，企业内部的数据累积是必不可少的，数据分析有助于提高企业管理和运营系统运行的效率。数据的管理与交流往往是检验公司管理决策和经营策略是否正常运作的标志。所以企业管理中可以利用数据分析发现一些问题，及时跟进改善，从而提高公司整体的运营效率，为公司更快更好的发展打下良好基础。
参考文献
[1]覃雄派，大数据分析――RDBMS与MapReduce的竞争与共生，软件学报，2012（1）
关键词：数据分析；统计学；课程体系；大数据
一、数据分析的重要意义
大数据预测美国总统：美国时代周刊报道称，数据驱动的竞选决策才是奥巴马竞选获胜的关键。数据分析团队在筹集竞选经费、锁定目标选民、督促选民投票等各个环节的决策中都发挥了重要作用。这意味着华盛顿竞选专家的作用极具下降，能够分析大数据的量化分析家和程序员的地位却大幅提升。如今从事专业数据分析工作的企业如项目数据分析师事务所、数据挖掘公司等都应市场需求而大力发展，并且受到风险投资的青睐。如美国社交数据挖掘公司Datasift于2012年宣布，获得1500万美元风险投资。2013年，DataSift成为Twitter的“认证合作伙伴”，主要负责海量微博社交数据分析。这是该公司今年第二笔融资，五月份其曾融资720万美元。又如面向开发者的大数据应用软件平台服务提供商Continuity最近获得1000万美元的融资，目前融资总额已经达到1250万美元。
二、课程体系构建
2.实验课程。数据分析的操作离不开计算机。目前数据分析行业常用的一些统计软件有SAS、SPSS和R软件。SAS软件是一个模块化、集成化的大型应用统计系统。它的功能包括数据访问、数据储存及管理、应用开发、图形处理、数据分析、报告编制、运筹学方法、计量经济学与预测等。SPSS软件是一个社会科学统计软件包，是采用图形菜单驱动界面的统计软件，SPSS的基本功能包括数据管理、统计分析、图表分析、输出管理等。R软件是一套完整的数据处理、计算和制图软件系统，包括：数据存储和处理系统、完整连贯的统计分析工具、优秀的统计制图功能、可操纵数据的输入和输入等功能。这三个软件在数据分析中针对不同行业的需求有不同方向的应用。
三、实践环节
培养数据分析的专业型人才目的就是为了学以致用。数据分析本身就是为了从数据中发现问题、建立模型、预测收益风险企业决策进而做出合理正确的决策判断。因此，学习了基本的知识和技能就要运用到实际操作中。学校可以和本地的数据分析事务所，或者大量需求数据分析人员的互联网行业建立实训基地，进行合作式教学，使得学生在实习的过程中能够理论联系实际，切身体会数据分析的商业操作体系，这样就能够促进学生有目的、有取舍地针对自身情况学习钻研，继而就能够培养出适应经济发展，满足市场需求的应用型人才。
四、结语
在大数据时代到来之时，数据分析在互联网中的应用将会空前广泛，与此同时对数据分析师的需求也将会井喷，无论是在军事、工业、企业还是在政治上，大数据分析都将会十分紧缺。因此，目前对数据分析师的培养刻不容缓。本文从分析数据分析行业发展及其重要意义、数据分析专业课程设置以及教学实践环节方面对构建数据分析课程体系进行了探讨。不仅从教学课程的内容上予以安排，而且更加注重引导学生自主学习，特别强调理论结合实践的合作式教学。希望能够结合行业需求合理地构建课程，培养出专门从事数据分析的项目数据分析师，从而能够满足市场需求和自身发展。