Перспективы и инструменты использования в университете. 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. Научный руководитель, к.э.н., доцент В.С. Старостин

1. Перспективы
и инструменты
использования
в университете
Москва, 2015
«БОЛЬШИЕ ДАННЫЕ»
В МАРКЕТИНГОВОЙ ДЕЯТЕЛЬНОСТИ
ОБРАЗОВАТЕЛЬНОГО УЧРЕЖДЕНИЯ

2. 2 3
УЧАСТНИКИ ПРОЕКТА
2 3
Старостин
Василий
Акимова
Валерия
рекомендации
по использованию
API-технологий
проведение опросов
и интервью, разработка
карты студента
разработка
мобильного
приложения «вГУУ»
изучение практики
использования
«Больших данных»
проектирование
архитектуры инфор-
мационной среды
обзор
IT-систем
в вузах
проектирование
архитектуры инфор-
мационной среды
изучение этических
особенностей исполь-
зования данных
Бородина
Екатерина
Ивашина
Анастасия
к.э.н., доцент кафедры
маркетинга ГУУ, научный
руководитель проекта
изучение
методики
анализа данных
обзор вопросов
безопасности при
использовании данных
обзор
маркетинговой
деятельности вуза
Карташова
Галина
Емелина
Анна
Бутковский
Юрий
Бережной
Владислав
Мельников
Эрнест
Черенкова
Елена
Кроличенко
Анатолий
Конева
Елена

3. 4 5
ГОСУДАРСТВЕННЫЙ
УНИВЕРСИТЕТ
УПРАВЛЕНИЯ
Государственный университет управления на протяже-
нии 95 лет уверенно держит позиции лидера управлен-
ческого образования в России. В ГУУ обучаются более
15 тысяч студентов, открыто 12 направлений бака-
лавриата и 7 направлений магистратуры. Около 800
аспирантов проходят обучение по 17 научным специ-
альностям. 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 прохо-
дят 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, полу-
чающих интересные и востребованные профессии
в области маркетинга, рекламы и PR. Институт специ-
ализируется на фундаментальных и прикладных ис-
следованиях проблем маркетинга, рекламы и PR. Его
сотрудники неоднократно удостаивались российских
и зарубежных грантов, включая государственные за-
казы в области хайтек-маркетинга в рамках федераль-
ных целевых программ Российской Федерации. Благо-
даря 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 Ин-
ститута, успешно проводить диссертационные исследо-
вания.
www.imguu.ru

4. 6 7
ПРЕЗЕНТАЦИОННОЕ ВИДЕО
Активное развитие информационных техноло-
гий 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 информа-
ции о поведении потребителей. Это может быть
сделано с различными целями, но, в первую оче-
редь, для улучшения продукта, повышения уровня
сервиса, а также для более таргетированной на-
стройки маркетинговых программ организации.
Специально для
проекта мы подготовили
презентационный видео-
ролик, в котором участники
исследования сами
представили результаты
научной работы. Видео
доступно на нашем
канале YouTube.
Авторы ролика:
Руслан Юрченко
Никита Чигинцев
Василий Старостин
Я давно ждал столь широкоформатного проек-
та, 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
Принимал участие во многих проектах, но ни один
не сравнится с этим! Настрой людей, которые зани-
маются данным проектом, просто вдохновляет на
новые открытия! Хотелось сделать то, чего пока нет
у других.
Никита Чигинцев,
соавтор
видео-ролика
6

5. 8 9
ВВЕДЕНИЕ СОДЕРЖАНИЕ
Университет — это огромное образовательное сообщество,
участники которого ежедневно генерируют огромное коли-
чество поведенческих данных. К ним относятся успеваемость
и посещаемость занятий, участие в общественной деятельно-
сти вуза, стажировки и практика, спортивная жизнь. Наличие
таких больших объемов информации позволяет говорить, что
эти данные могут быть использованы для развития деятель-
ности университета. Анализируя статистику, можно не только
делать выводы о принятых решениях, но и строить достаточно
точные прогнозы и составлять рекомендательные сервисы. Та-
кие системы аналитики могут быть полезны, в первую очередь,
студентам. Мониторинг успеваемости и прогноз будущей оцен-
ки при текущем уровне освоения дисциплины — лишь один из
примеров практической значимости прикладного использова-
ния Науки о данных (Data Science). Составление индивидуаль-
ной образовательной траектории, служба «умных» цифровых
помощников, которые в зависимости от контекста и ситуации
предлагают персонализированные рекомендации, способству-
ющие успешной учебе и социализации в Университете — да-
леко не полный список преимуществ, предлагаемых системой
аналитики «Больших данных».
В данной исследовательской работе изучаются преимущества
использования системы аналитики «Больших данных» в выс-
шем учебном заведении на примере ФБГОУ «Государственный
университет управления». На основе проведенного маркетин-
гового исследования готовности студентов к использованию
поведенческих данных были разработаны маркетинговые ре-
комендации по созданию единой информационно-образова-
тельной системы, позволяющей проводить сбор и анализ ин-
формации для оптимизации учебного процесса в вузе.
Научно-исследовательская работа была выполнена командой
студентов Института маркетинга Государственного университе-
та управления.
Научный руководитель,
к.э.н., доцент
В.С. Старостин
Государственный университет управления......................................................................................................3
Институт маркетинга Государственного университета управления.............................................................3
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
8 9

6. 10 11
01 02
03
04
ГЛАВНОЕ
СОВРЕМЕННЫЙ ТРЕНД
С появлением и интенсивным развитием
информационных технологий увеличива-
лось количество неструктурированной или
частично структурированной информации.
Традиционно большие массивы неструкту-
рированной информации принято называть
«Большими данными»(Big Data). Ежедневно
люди генерируют огромное количество по-
веденческих данных, которые теперь стало
возможным собирать и анализировать. Это
может быть сделано с различными целями,
но, в первую очередь, для улучшения про-
дукта, повышения уровня сервиса, а также
для более таргетированной настройки мар-
кетинговых программ организации.
МАРКЕТИНГ ДЛЯ ВУЗА
Маркетинговая деятельность в вузе — это
не только создание бренда и соответствую-
щее его продвижение, это также разработ-
ка и совершенствование образовательных
программ; определение ценовой политики
вуза; улучшение организации образова-
тельного процесса; организация программ
внешних коммуникаций и многое другое.
BIG DATA В СФЕРЕ ОБРАЗОВАНИЯ
В настоящее время появляются большие
перспективы использования технологий
анализа Big Data в сфере высшего образо-
вания, так как данный подход позволяет
поднять образовательный процесс в вузе на
новый уровень, а также помочь в оптими-
зации показателей деятельности универси-
тета. Заметные преимущества получают за-
интересованные «пользователи»: студенты
и слушатели; профессорско-преподаватель-
ский состав и администрация вуза.
ПРОГНОЗНАЯ АНАЛИТИКА
Системы прогнозной аналитики работают
более эффективно в том случае, когда ис-
пользуется различная качественная и ко-
личественная информация, что позволяет
находить взаимосвязанные показатели.
Университет с более чем 15 000 студентов —
это огромный потенциальный массив дан-
ных. Каждый их студентов генерирует ме-
трики по различным категориям в динами-
ке за несколько недель, месяцев и лет.
05
07
06
09
08
БАРЬЕРЫ РЕАЛИЗАЦИИ
Возникает необходимость в рассмотре-
нии ряда барьеров, которые должны быть
учтены при решении о внедрении данной
технологии Data Science в вузе: отсутствие
профессиональных методик сбора и анали-
за информации; этика и безопасность; не-
достаточное развитие инфраструктуры вуза;
инертная к изменениям среда.
ВИОС
Виртуальное информационно-образователь-
ное пространство (ВИОС) — единая цифровая
среда университета, которая объединяет не-
сколько элементов и предоставляет широкий
функционал, специально предназначенный
для улучшения образовательного процесса
и мониторинга учебной и воспитательной ра-
боты вуза.
ЭЛЕКТРОННАЯ КАРТА
Электронная карта студента ГУУ призвана
заменить собой множество карт и удосто-
верений, а также получить один надежный
и универсальный инструмент, который вы-
полняет множество функций на территории
университета и за его пределами.
МОБИЛЬНОЕ ПРИЛОЖЕНИЕ «ВГУУ»
Проект мобильного приложения «вГУУ» для
устройств iOS предлагает большое количе-
ство функций, связанных с учебой в Уни-
верситете. Приложение позволит студентам
контролировать собственную успеваемость,
узнавать новости и расписания мероприя-
тий, пользоваться библиотечным катало-
гом, а также многое другое.
ЛИЧНЫЙ КАБИНЕТ СТУДЕНТА
Предложен вариант Личного кабинета сту-
дента, в котором объединяются различные
категории данных. Такой кабинет предла-
гает студенту возможность отслеживать ак-
туальные данные об успеваемости, комму-
ницировать с преподавателями и получать
полезные рекомендации, основанные на
собственной поведенческой истории и про-
гнозах. С другой стороны, личный кабинет,
прикрепленный к электронной анкете, яв-
ляется основой для сбора массива«больших
данных», которые используются админи-
страцией вуза.

7. 12 13
ЧАСТЬ I «БОЛЬШИЕ ДАННЫЕ» —
ИНСТРУМЕНТ МАРКЕТИНГОВОГО
УПРАВЛЕНИЯ КОМПАНИЕЙ
В настоящее время термины «Большие дан-
ные» (Big Data) и «Наука о данных» (Data
Science) часто можно встретить в различ-
ной литературе, связанной с маркетингом.
«Большие данные» и «Наука о данных» —
это не просто методика работы с информа-
цией. Это — перспективное направление,
которое предоставляет огромные возмож-
ности, в том числе для маркетологов.
Опираясь на русскоязычную интернет-эн-
циклопедию, можно определить «Большие
данные» как «серию подходов, инстру-
ментов и методов обработки структури-
рованных и неструктурированных данных
огромных объемов для получения воспри-
нимаемых человеком результатов». В ан-
глоязычной версии дано более понятное
определение: «Big Data» — это наборы
данных такого объема, что традиционные
инструменты не способны осуществлять их
захват, управление и обработку за приемле-
мое для практики время.
С появлением и интенсивным развитием
информационных технологий, увеличива-
лось количество неструктурированной или
частично структурированной информации.
Интернет изменил не только жизнь и вос-
приятие людей, он повлиял на работу раз-
личных компаний: от малого бизнеса до
огромных корпораций, государственных уч-
реждений и органов, некоммерческих орга-
низаций. Еще в 2000 году количество инфор-
мации, хранящейся в цифровом формате,
составляло всего одну четверть от общего
количества информации в мире. Осталь-
ные три четверти содержались в бумажных
документах. Общение в онлайн-режиме,
дистанционное обучение, интерактивные цифровые
программы — все это сейчас кажется обыденностью,
а двадцать лет назад еще казалось далекой несбы-
точной мечтой.
В тот же момент специалисты начали задумывать-
ся 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 пета-
байта данных в день — это примерно в 100 раз боль-
ше всех печатных материалов Библиотеки Конгресса
США. С учетом того, что 98% оцифрованной инфор-
мации 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, структурирова-
нии и обработке больших данных называется Data
Science. Человеческий мозг не может обнаружить
такие закономерности, какие способен отметить ком-
пьютер, выдавая совершенно неожиданные количе-
ственные и качественные взаимосвязи.
В последние годы по всему миру начали появлять-
ся специалисты в области больших объемов данных
(Data Science). Понятие «Data Scientist» (исследова-
тель 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-
1.1. «НАУКА О ДАННЫХ» — ИНСТРУМЕНТ УПРАВЛЕНИЯ МАРКЕТИНГОМ
ся в оперативной обработке, а их быстрая изменчи-
вость требует мониторинга.
Потребитель любого товара или услуги при соверше-
нии сделки оставляет информацию о себе не только
онлайн, но и при офлайновом взаимодействии. Вся
собранная информация накапливается и обрабаты-
вается в базе данных с использованием современных
информационно-аналитических технологий. Можно
отметить, что ежедневно в различных отраслях через
обработку проходят терабайты информации. Техно-
логии анализа и структурирования информации по-
зволяют «обучить компьютер» принимать решение
самостоятельно, а также строить обоснованные реко-
мендации. Одна из таких технологий получила назва-
ние«машинное обучение»(machine learning). Именно
после такой обработки информация становится по-
лезной для маркетологов.
Если есть возможность обработки данных в режиме
реального времени, как это делает компания Яндекс,
анализируя запросы пользователей за миллисекун-
ды, 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 настоя-
щее время машинное обучение — не вполне совер-
шенная методика, которая может допускать ошибки.
Но ситуация быстро меняется. Тем не менее, вероят-
ность совершения ошибки компьютером многократ-
но меньше по сравнению с возможностью ошибки
человеком. Большим плюсом является то, что цен-
ность данных не уменьшается с их использованием.
Данные могут быть обработаны бесчисленное мно-
жество раз.
Технологии анализа
и структурирования
информации позволя-
ют «обучить компьютер»
принимать решение само-
стоятельно, а также стро-
ить обоснованные реко-
мендации. Одна из таких
технологий получила назва-
ние «машинное обучение»
(machine learning). Именно
после такой обработки ин-
формация становится по-
лезной для маркетологов.
Аналитика данных работает на повышение гиб-
кости образовательных программ и в целом си-
стемы образования. Это более точный и полный
учет индивидуальности студентов и слушателей.
Г.Л. Азоев,
д.э.н., профессор,
директор Института маркетинга ГУУ

8. 14 15
Теперь маркетологи могут воспользоваться
технологиями больших данных и мощной
аналитикой, что многократно усиливает
возможности маркетинговых подразделе-
ний. Если раньше в их распоряжении были
небольшие фрагменты данных, на основе
которых приходилось выстраивать картину
целого, то теперь положение дел измени-
лось. Специалисты по маркетингу исполь-
зуют эту методику для работы в различных
областях маркетинговой деятельности ком-
пании. С помощью аналитических инстру-
ментов, обрабатывающих огромные потоки
данных, компании узнают о проблемах сер-
виса и имеют возможность быстрее реаги-
ровать на любые изменения предпочтений
клиентов и рынка в целом.
РИТЕЙЛ
Самая популярная площадка для сбора
больших данных — сфера ритейла. Круп-
нейшие магазины по всему миру исполь-
зуют данные о покупателях с целью при-
влечения и получения большей прибыли.
В первую очередь, это достигается за счет
анализа динамики покупок и набора по-
требительской корзины, что позволяет
прогнозировать будущие расходы и моделировать
сценарии взаимодействия c покупателями. Еще один
пример использования связан с показателями место-
нахождения посетителей в торговом зале. Подходя
к кассам, чтобы оплатить свои покупки, стоит обра-
тить внимание на экраны, зачастую расположенные
вблизи касс, которые информируют о том, на какой
кассе смогут обслужить быстрее всего. Система ин-
формирования работает эффективно и отлажено,
облегчая процесс покупки и уменьшая количество по-
траченного времени на ожидание очереди.
ЗДРАВООХРАНЕНИЕ
Сегодня в арифметической прогрессии увеличивает-
ся 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 ста-
ли пользователями мобильных устройств, предна-
значенных для мониторинга здоровья. В Американ-
ском штате Минессота частная клиника приобрела
большую популярность благодаря внедрению техно-
логии анализа данных от пациентов. При первом об-
следовании у пациента получают всю необходимую
для программы информацию: пол, рост, вес, нор-
мальный пульс, частота занятий спортом, склонность
1.2. ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИЙ BIG DATA В РАЗЛИЧНЫХ СФЕРАХ ДЕЯТЕЛЬНОСТИ
ЧАСТЬ I. «БОЛЬШИЕ ДАННЫЕ» — ИНСТРУМЕНТ
МАРКЕТИНГОВОГО УПРАВЛЕНИЯ КОМПАНИЕЙ
к аллергиям. Врач вводит также свои рекомендации
по физическому и физиологическому состоянию па-
циента. С этого момента пациент находится под пол-
ным контролем лечащего врача, так как данные из
мобильного приложения в режиме реального време-
ни выгружаются в аналитическую базу врача. В лю-
бой нужный момент доктор может посмотреть успе-
хи пациента, выявить его слабые стороны в лечении
и предложить альтернативные варианты достижения
цели, если это необходимо. Во время любых физиче-
ских нагрузок, которые совершает пациент возможно
использование специального браслета, который фик-
сируется на предплечье и измеряет пульс, время тре-
нировки и количество потерянных калорий.
Мобильное приложение расширило свой функцио-
нал и теперь предлагает своим пользователям ори-
ентироваться на карту с отмеченными ближайшими
фитнес-центрами, аптеками и клиниками, вне зависи-
мости от штата, в котором они находятся. При этом па-
циент 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 повы-
шение эффективности работы и увеличение прибыли.
ФИНАНСОВЫЙ СЕКТОР
С помощью аналитических
инструментов, обрабаты-
вающих огромные потоки
данных, компании узнают
о проблемах сервиса
и имеют возможность
быстрее реагировать на
любые изменения предпо-
чтений клиентов и рынка
в целом.
Экономическая деятельность также мо-
жет показаться интересным объектом для
внедрения технологии анализа больших
данных. Отечественные финансовые орга-
низации используют информационно-ана-
литические алгоритмы для повышения
эффективности обработки данных и ра-
боты с клиентскими базами, а также для
сокращения затрат по этим направлениям.
В банке «ВТБ24» используется SAS Banking
Intelligence Solutions ― пакет интегрирован-
ных решений для управления рисками. При
совершении покупки с помощью банковской
карты, банк в режиме реального времени
может отследить месторасположение теле-
фона клиента и мгновенно отправить ин-
формацию туда, где совершается покупка.
Такое банковское нововведение позволяет
уменьшить или совсем избежать случаев
мошенничества.
BIG DATA

9. 16 17
Еще одним примером использования боль-
ших данных в финансовой сфере явля-
ется оценка рисков при выдаче кредитов.
Многие банки, например «Сбербанк» или
«Тинькофф Кредитные Системы» формиру-
ют сложные системы по выдаче кредитов.
В базе данных банка содержатся огромное
количество данных о людях, которым они
выдали кредиты. Эти данные были автома-
тически проанализированы и использованы
в моделях условий, помогающих выявить
кредитоспособность заемщика.
ГОСУДАРСТВЕННОЕ УПРАВЛЕНИЕ
Одна из самых сложных сфер внедрения
технологии анализа больших массивов дан-
ных ― государственное управление. Сегод-
ня аналитика данных применяется в сфере
коммунальных услуг для решения целого
ряда задач. Эти технологии помогают опти-
мизировать производство энергии, опера-
ционную эффективность и работу с клиента-
ми. Аналитика позволяет заблаговременно
готовиться к отключениям коммунальных
услуг, а также оценивать энергетический ры-
нок, прогнозировать спрос и вести подсчет
финансовых показателей. Существует тех-
нология «умных сетей» электроснабжения
(“Smart grid”), позволяющая коммунальным службам
измерять потребление электроэнергии отдельными
семьями каждую минуту или каждую секунду.
Помимо использования аналитики в сфере жилищ-
но-коммунального хозяйства, большие данные на-
шли применение в сфере государственных структур,
а именно, полиции. На некоторых полицейских участ-
ках Германии уже функционирует система упрежда-
ющей полиции, работа которой всё меньше осно-
вывается 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 автома-
тически, что стало возможным благодаря развитию
интеллектуальных систем по анализу больших дан-
ных, которые способны самостоятельно сопоставлять
всю необходимую информацию и делать из неё вы-
воды о повышении криминальной активности в тех
или иных районах или о связях определённых людей
с криминальными организациями.
Анализируя все приведенные примеры из раз-
личных 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 ба-
нальные действия, например, поход за покупка-
ми или оплата счетов на жилищно-коммуналь-
ные услуги, мы даже не задумываемся о том,
что даем огромный фундамент аналитическим
системам для управления нашими действиями
и желаниями. Чем тщательнее государствен-
ные и коммерческие организации будут под-
ходить 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 ана-
лизу поведения, успеваемости и активности обучаю-
щихся. В данном разделе работы проводится обзор
технологических особенностей современных инфор-
мационно-аналитических решений и изучается прак-
тика их внедрения.
BLACKBOARD ANALYTICS
Blackboard — это решения которые позволяют рас-
ширять возможности образования в школах, вузах,
профильных учреждениях и организациях государ-
ственного сектора. Одной из ключевых платформ,
увеличивающих эффективность высшего учебного
заведения, является BlackBoard Analytics. Платформа
собирает и предоставляет информацию для студен-
тов, преподавателей и администрации университета
и выводит ее в удобной инфографике, удовлетворяя
запросы пользователя.
Система охватывает такие ключевые сферы универ-
ситета как:
• Процесс регистрации новых студентов
• Аналитика занятий и успеваемости
• Финансы
• Кадровая служба
• Развитие и продвижение вуза
Black Board Analytics реагирует на изменения дан-
ных в режиме реального времени, предоставляя
релевантную и актуальную информацию по запросу.
Платформа Black Board Analytics легко интегрирует-
ся 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 мето-
дов сбора, анализа информации и отчетов, позволяя
С помощью аналитических инструментов, обра-
батывающих огромные потоки данных, компании
узнают о проблемах сервиса и имеют возмож-
ность быстрее реагировать на любые изменения
предпочтений клиентов и рынка в целом.
Анна Емелина,
участник проекта
Чем тщательнее государ-
ственные и коммерческие
организации будут подхо-
дить к вопросу внедрения
методики анализа огром-
ных объемов информации,
тем надежнее и правдивее
будут выводы, которые де-
лают аналитические про-
граммы.
ЧАСТЬ I. «БОЛЬШИЕ ДАННЫЕ» — ИНСТРУМЕНТ
МАРКЕТИНГОВОГО УПРАВЛЕНИЯ КОМПАНИЕЙ
1.3. ОБЗОР ИНФОРМАЦИОННО-АНАЛИТИЧЕСКИХ СЕРВИСОВ СФЕРЫ ОБРАЗОВАНИЯ
BIG DATA

10. 18 19
ЧАСТЬ I. «БОЛЬШИЕ ДАННЫЕ» — ИНСТРУМЕНТ
МАРКЕТИНГОВОГО УПРАВЛЕНИЯ КОМПАНИЕЙ
сразу же использовать платформу с макси-
мальной эффективностью.
Система упрощает отношения между поль-
зователем и информационным отделом,
предоставляя доступ к информации для
руководителя через персонализированные
панели управления, а также позволяя сле-
дить за ситуацией и отслеживать изменения
в рамках своих полномочий.
BLACKBOARD MOBILE
За прошедшие семь лет произошла мобиль-
ная революция, которая изменила многие
аспекты жизни, бизнеса и управления.
В том числе, это коснулось и сферы обра-
зования. Современные студенты ― актив-
ные пользователи смартфонов, планшетов
и прочих гаджетов. Естественно, им бу-
дет интересно учиться с помощью этих
устройств. Для предоставления такой воз-
можности была разработана платформа
BlackBoard Mobile. Платформа является
приложением для смартфонов и планше-
тов на Android и iOS системах. BlackBoard
Mobile предоставляет карты университе-
та, информацию о маршрутах в пределах
кампуса и возможность использовать тех-
нологии «дополненной реальности» при
помощи камеры гаджета. Данные функции
особенно важны для новых студентов, ко-
торые плохо ориентируются в учебном за-
ведении и не знают, как пройти в нужную
аудиторию. Функция дополненной реаль-
ности позволяет студентам получать ин-
формацию о интересующем корпусе. Так-
же, с помощью данного сервиса студенты
могут легко получать информацию из де-
каната или от преподавателей об измене-
нии аудитории, переносе занятий и многом другом
через систему оповещения.
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.
ELLUCIAN ANALYTICS
Система Ellucian Analytics позиционируется как плат-
форма, предоставляющая легкий доступ к необхо-
димой информации, которая поможет ответить на
стратегически важные вопросы, построить грамотный
процесс управления и принять решения, повышаю-
щиеэффективность.EllucianAnalticsсостоитизмногих
продуктов, связанных с хранением данных, процессом
привлечения новых студентов, сокращением издер-
жек, 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.
Система Ellucian Student success создана для помощи
студентам в университетской жизни. Она предостав-
ляет аутентичные коммуникации, полезные сове-
ты, помогает составить четкий академический план
и для улучшения успеваемости студента вносит свои
рекомендации по ходу процесса. Система решает
проблему мотивации студента, предоставляя гра-
фик продвижения по курсу и учебному плану в тече-
ние года, отображая время, затраченное на предмет,
оценки по нему и т.д. С помощью сервиса студент
может самостоятельно планировать свой график об-
учения. Система проста в освоении, содержит подго-
товленные заранее примеры курсов, которые можно
редактировать и модифицировать. После создания
курса система подготавливает расписание для
студента. При создании курса помощь студенту
оказывает ментор. Через систему он может ско-
ординировать действия студента. Для управления
системой существует мобильное приложение для
смартфонов, планшетов и ПК.
ORACLE
Oracle — это комплексные решения для универси-
тетов, удовлетворяющие все требования высшего
образования для студенческих систем. В предостав-
ляемые решения Oracle с использованием Big Data
входятOracleCampusAnalyticsиOracleMobileCampus.
Система Oracle Campus Analytics обеспечивает ши-
рокими отчетными и аналитическими возможно-
стями. Система направлена на анализ и оценку
качества принимаемых решений, увеличение чис-
ла новых студентов, совершенствование образо-
вательных программ, регулирование и удержание
производственных издержек, а также анализ фа-
культативной работы.
BIG DATA
Именно базы данных являются фундаментом
для дальнейших действий. Цифровая инфор-
мация, которая становится все более доступной,
улучшает быстродействие и эффективность
Университета во многих ключевых областях.
Бережной Владислав,
участник проекта

11. 20 21
Система Student Information Analytics предо-
ставляет фундамент для принятия решений
по привлечению новых студентов и разра-
ботке новых курсов и программ. Система
состоит из трех компонентов, которые взаи-
модействуют друг с другом, составляя ком-
плексную интегрированную аналитическую
платформу. Данная платформа предостав-
ляет информацию о зачислении студентов
и этапах отбора, включая следующие клю-
чевые области:
• Набор и прием студентов;
• Оценки вступительных экзаменов;
• Социально-демографические и поведен-
ческие показатели.
Платформа Student record помогает от-
слеживать и анализировать успеваемость
студентов, содержание курсов, расписание,
посещаемость и многое другое через кате-
гории 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 ин-
формационную структуру и поддерживает
все ведущие продукты. Также данная систе-
ма 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 предоставля-
ет студентам информацию по расписанию
занятий, расположению корпусов университета, ин-
формацию о лекциях и номерах аудиторий. Студент
получает доступ к информации о будущих событи-
ях, встречах и мероприятиях в рамках учебного за-
ведения. Через приложение возможно составление
и управление личным учебным планом, а также мо-
ниторинг учебного процесса и планирование даль-
нейшего образования. Фактически, данная платфор-
ма объединяет инструменты, позволяющие настроить
приложение под конкретные задачи, включая воз-
можность добавления контента.
ВЫВОДЫ
Изученные системы предоставляют широкий спектр
возможностей для высших учебных заведений. Вклю-
чая легкую интеграцию, адаптацию и персонали-
зацию под конкретные цели и задачи. Платформы
направленны на модернизацию управленческих
и образовательных процессов в университете. При
высокой скорости компьютеризации и развития ин-
формационных 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 платфор-
му для административных и финансовых процессов.
Большинство рекомендаций можно разделить на две
категории:
1Административные (связаны с учебным персона-
лом, аналитикой и управлением университетом)
2Студенческие (связаны с образовательным про-
цессом учащихся)
Для успешных решений необходима правильно вы-
бранная информация, поэтому наличие системы ана-
литики крайне важно. Именно базы данных являются
фундаментом для дальнейших действий. Цифровая
информация, которая становится все более доступ-
ной, улучшает быстродействие и эффективность Уни-
ЧАСТЬ I. «БОЛЬШИЕ ДАННЫЕ» — ИНСТРУМЕНТ
МАРКЕТИНГОВОГО УПРАВЛЕНИЯ КОМПАНИЕЙ
BIG DATA
верситета во многих ключевых областях. Исходя из
получаемых данных, важно анализировать тенден-
ции в образовательных программах, то есть — буду-
щие предпочтения студентов.
Один из ключевых пунктов всех платформ — техно-
логия для привлечения новых студентов. Эта функ-
ция включает аналитику по социально-демогра-
фическим 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 повы-
шения общей эффективности возможно применять
технологии, которые предоставляют информацию
по работе преподавателей и сотрудников. Такие
решения повысят продуктивность и эффективность
преподавателей, предлагая им формирование соб-
ственного 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 внедре-
ния. Кроме задач, связанных с рекомендациями но-
вым студентам, информационная среда может стать
хорошим посредником в отношениях студент-пре-
подаватель и упростит их коммуникации. В учебном
процессе возникает много вопросов, поэтому система
общения (онлайн форум, тематические чаты) позво-
ляет студентам общаться друг с другом вне зависимо-
сти от курса или факультета. Таким образом, исполь-
зование информационно-аналитических платформ
позволяет решать большой спектр задач современ-
ных университетов.
Для меня Big Data ― это шаг в будущее. На-
конец-то студенты, преподаватели и админи-
страция смогут получать реальную пользу от
огромного количества данных, которые собирает
и анализирует предложенная система.
Анатолий Кроличенко,
участник проекта
Цифровая информация, ко-
торая становится все бо-
лее доступной, улучшает
быстродействие и эффек-
тивность Университета во
многих ключевых областях.
Исходя из получаемых дан-
ных, важно анализировать
тенденции в образователь-
ных программах, то есть
будущие предпочтения сту-
дентов.

12. 22 23
За несколько десятков лет маркетинг
прошел большой путь от ориентации на
производство и продукт до смещения
акцента в сторону обслуживания потре-
бителя. Маркетинг в значительной сте-
пени уделяет внимание совершенство-
ванию услуг, так как в любой отрасли
акцент делается на нужды конечных поль-
зователей. Хорошим примером данного
Сферы компетенций
маркетинговой деятельности вуза
РАЗРАБОТКА
и совершен-
ствование
продуктов (об-
разовательных
программ)
ОПРЕДЕЛЕНИЕ
ценовой поли-
тики вуза
ОРГАНИЗАЦИЯ
программ внеш-
них коммуника-
ций
УЛУЧШЕНИЕ
организации
образователь-
ного процесса
ПОПУЛЯРИЗАЦИЯ
результатов
научно-иссле-
довательской и
образовательной
деятельности
УПРАВЛЕНИЕ
портфелем об-
разовательных
программ
ЧАСТЬ II
2.1. МАРКЕТИНГОВАЯ ДЕЯТЕЛЬНОСТЬ ВУЗА
МАРКЕТИНГОВАЯ
ДЕЯТЕЛЬНОСТЬ
ОБРАЗОВАТЕЛЬНОГО
УЧРЕЖДЕНИЯ
ВКЛЮЧАЕТ
СЛЕДУЮЩИЕ ЗОНЫ
КОМПЕТЕНЦИЙ:
явления выступает маркетинговая деятельность
в сфере образования. В данной отрасли четко про-
слеживается современный маркетинговый тренд,
рассматривающий клиента в качестве «сопроизво-
дителя» услуги. Установление взаимовыгодного кон-
такта образовательного учреждения и студента (слу-
шателя) позволяет не только повысить уверенность
в качестве предлагаемого продукта, но и формиро-
вать положительный опыт потребления услуги.
02 04 06
01 03 05
С точки зрения широкой аудитории, маркетинговая
деятельность вуза подразумевает лишь формиро-
вание бренда образовательного учреждения и его
продвижение на рынке образовательных услуг. Но
это — лишь поверхностный взгляд на данный вопрос.
В настоящее время рынок образовательных услуг ак-
тивно трансформируется, в отдельных сегментах по-
являются признаки насыщения, что предопределяет
участие государства в регулировании образователь-
ной сферы. Проведение оценки эффективности вузов
предполагает анализ деятельности образовательных
учреждений по ряду установленных показателей. По-
сле такой проверки, состоявшейся в 2013-2014 году
по инициативе Министерства образования и науки
РФ, была проведена реорганизация ряда вузов. Не-
которые из них влились в состав других игроков рын-
ка, отдельные вузы прекратили свою работу. Также
следует обратить внимание на активную работу ком-
паний, которые относятся к другим сегментам рынка
образовательных услуг: коммерческие образователь-
ные учреждения, краткосрочные программы пере-
подготовки, программы дистанционного онлайн-об-
учения (в том числе, Massive Open Online Courses)
и другие. Анализ текущих показателей демонстриру-
ет насколько сильна конкуренция в данной области,
что определяет высокую степень важности маркетин-
говой деятельности образовательного учреждения.
Маркетинговая деятельность в вузе — это не толь-
ко создание бренда и соответствующее его продви-
жение, это также разработка и совершенствование
образовательных программ, определение ценовой
политики вуза, улучшение организации образова-
тельного процесса, организация программ внешних
коммуникаций и многое другое. Более того, от сте-
пени маркетинговой активности зависит способность
вуза результативно взаимодействовать с внешней
и внутренней средой, а также улучшать показатели
эффективности деятельности. Увеличение удовлет-
ИСПОЛЬЗОВАНИЕ
«БОЛЬШИХ ДАННЫХ»
В УНИВЕРСИТЕТЕ
Также следует обратить
внимание на активную ра-
боту компаний, которые
относятся к другим сегмен-
там рынка образователь-
ных услуг: коммерческие
образовательные учрежде-
ния, краткосрочные про-
граммы переподготовки,
программы дистанционно-
го онлайн-обучения (в том
числе, Massive Open Online
Courses) и другие.
Маркетинговая деятельность в ВУЗе —
это не только создание бренда и его продвиже-
ние, это также разработка и совершенствование
образовательных программ, улучшение органи-
зации образовательного процесса
и многое другое.
Анастасия Ивашина,
участник проекта

13. 24 25
01 01
02
03
01
02
02
03
04
03
04
05
06
воренности обучающихся, успешность и по-
вышение их востребованности на рынке
труда во многом определяет конкуренто-
способность самого образовательного уч-
реждения. Маркетинговые мероприятия
в образовательном учреждении должны
учитывать необходимость выполнения, как
минимум двух основных задач:
1Социальный эффект образовательного
процесса: вуз — это, как правило, неком-
мерческая организация, основной целью
которой является обеспечение подготовки
высококвалифицированных кадров;
2Получение дохода от осуществления
профессиональной деятельности: для
успешного развития вуза в динамично ме-
няющейся рыночной среде необходимы
дополнительные ресурсы. Улучшение кам-
пуса, закупка дополнительных технических
средств для модернизации учебного про-
цесса и ряд других задач требуют дополни-
тельных ресурсов.
Среди основных сегментов целевой ауди-
тории, на которые направлена деятель-
ность вуза, следует выделить: студентов,
абитуриентов, преподавателей (и администрацию),
выпускников. Результативность маркетинговых ре-
шений зависит от понимания системного характера
их последствий. К примеру, чтобы повысить лояль-
ность профессорско-преподавательского персонала,
необходимы управленческие усилия администрации,
а также руководителей структурных подразделе-
ний. Повышение лояльности преподавателей ведет
к улучшению образовательного процесса, а, следова-
тельно, большей заинтересованности студентов.
Таким образом, маркетинговая деятельность образо-
вательного учреждения включает следующие зоны
компетенции:
1Разработка и совершенствование продуктов
(образовательных программ);
2Управление портфелем
образовательных программ;
3Определение ценовой
политики вуза;
4Улучшение организации
образовательного процесса;
5Организация программ
внешних коммуникаций;
6Популяризация результатов научно-исследова-
тельской и образовательной деятельности.
Данный перечень не отражает всех зон ответствен-
ности маркетинга учебного заведения, но расширяет
взгляд на данное понятие и еще раз демонстрирует
актуальность маркетинга в сфере образования.
ЧАСТЬ II. ИСПОЛЬЗОВАНИЕ
«БОЛЬШИХ ДАННЫХ» В УНИВЕРСИТЕТЕ
BIG DATA
Более того, от степени мар-
кетинговой активности
зависит способность вуза
результативно взаимодей-
ствовать с внешней и вну-
тренней средой, а также
улучшать показатели эф-
фективности деятельности.
2.2. РАБОТА С ДАННЫМИ В ОБРАЗОВАТЕЛЬНОМ УЧРЕЖДЕНИИ
СТУДЕНТАМ АДМИНИСТРАЦИИ ПРЕПОДАВАТЕЛЯМ
Мониторинг успеваемости. В виде
графиков и подсказок студентам
демонстрируются оценки их теку-
щих работ, количество пропущен-
ных занятий и общая картина их
успеваемости, что будет являться
дополнительной мотивацией для
успешного обучения, а также снизит
риск возникновения проблем во
время сессии.
Выбор дополнительных изучае-
мых дисциплин. Данная возмож-
ность появляется в результате
анализа динамики успеваемости,
а также различных поведенческих
показателей студентов.
Построение индивидуальной
образовательной траектории. При
оптимальной организации програм-
мы обучения студенту может быть
предложена возможность адапта-
ции образовательного процесса
в зависимости от профессиональ-
ных интересов, предпочтений,
темпов усвоения дисциплин, ожида-
емой сферы трудоустройства и т.д.
Выбор сферы будущего трудо-
устройства. Анализ успешности
развития карьеры выпускника
и одновременное сопоставление
его образовательной активности
в период учебы позволяет выявлять
взаимосвязь показателей.
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.
Контроль текущей успеваемости.
Возможность контролировать всех
студентов в режиме реального времени
позволяет сопоставлять результаты
с контрольными показателями.
Корректировка методики препода-
вания дисциплин. Мониторинг уровня
успеваемости обеспечит преподавате-
лям возможность адаптировать очеред-
ность и информационную наполнен-
ность предлагаемого материала.
Прогнозирование жизненного цикла образова-
тельных программ. Мониторинг успеваемости
и востребованности выпускников в комплексе
с анализом трендов рынка и предпочтений абитури-
ентов позволяет управлять набором программ
в портфельном ассортименте вуза.
Повышение общей успеваемости студентов. Тре-
кинг динамики успешности прохождения дисциплин
позволяет делать выводы о положительных
и отрицательных изменениях.
Оптимизация организации образовательного
процесса. Распределение учебной нагрузки, исполь-
зование аудиторного фонда, планирование расписа-
ния и календаря может быть проведено на основе
изучения поведенческих данных обучающихся.
Контроль уровня вовлеченности студентов в
общественную жизнь университета. Специализи-
рованные метрики, такие как участие во внеучебной
работе и общественных мероприятиях позволяют
корректировать воспитательную работу в вузе.
Сокращение административно-аналитической
работы. Современные информационные техноло-
гии и методики машинного обучения позволяют
передать часть аналитических функций единой
вычислительной системе.
Оптимизация использования имущественного
комплекса вуза. Технологии учета местонахож-
дения студентов в рамках кампуса, расписание
занятий, интенсивность использования материаль-
но-технической базы и библиотеки способствуют
более четкой организации работы внутренних служб
университета.
Преимущества использования технологий
анализа «Больших данных» в университете

14. 26 27
Университет — это огромное образова-
тельное сообщество, участники которого
ежедневно генерируют огромное количе-
ство поведенческих данных. К ним отно-
сятся успеваемость и посещаемость заня-
тий, участие в общественной деятельности
вуза, стажировки и практика, спортивная
жизнь. Наличие таких больших объемов
информации позволяет говорить, что эти
данные могут быть использованы для раз-
вития деятельности университета. Анали-
зируя статистику можно не только делать
выводы о принятых решениях, но и строить
достаточно точные прогнозы и составлять
ЧАСТЬ II. ИСПОЛЬЗОВАНИЕ
«БОЛЬШИХ ДАННЫХ» В УНИВЕРСИТЕТЕ
BIG DATA
рекомендательные сервисы. Такие системы анали-
тики могут быть полезны, в первую очередь, студен-
там. Мониторинг успеваемости и прогноз будущей
оценки при текущем уровне освоения дисциплины —
лишь один из примеров практической значимости
прикладного использования Data Science. Составле-
ние индивидуальной образовательной траектории,
служба «умных» цифровых помощников, которые
в зависимости от контекста и ситуации предлагают
персонализированные рекомендации, способству-
ющие успешной учебе и социализации в Универ-
ситете — далеко не полный список преимуществ.
Профессорско-преподавательский состав получает
серьезный инструмент для совершенствования си-
стемы методической подготовки образовательных
дисциплин на основе трекинга успешности прохож-
дения отдельных тем курса и выполнения контроль-
ных мероприятий. Отличительной особенностью
системы аналитики «больших данных» является ис-
пользования огромных информационных массивов,
которые анализируются на предмет поиска взаи-
мосвязей отдельных показателей, что позволяет
делать выводы с достаточной степенью надежности.
Сбор информации — это не инструмент слежки,
а возможность развивать образовательную и обще-
ственную 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 по-
требителей и пользователей. Это может быть сдела-
но с различными целями, но, в первую очередь, для
улучшения продукта, повышения уровня сервиса, а
также для более таргетированной настройки марке-
тинговых программ организации. Проведение при-
чинно-следственных связей и совершенствование
продуктов компаний стало возможным при анализе
уникальной истории, состоящей из поведенческих
данных пользователя, посещения сайтов, обноро-
дования собственных интересов, геолокации, вре-
мени суток и многого другого.
Существует ряд стандартных и нестандартных показа-
телей (метрик), которые изучаются для последующей
формулировки выводов относительно предпочтений
целевой аудитории. Очевидно, что огромное коли-
чество собираемых показателей может исчисляться
миллиардами неструктурированных данных. Именно
здесь информационные технологии дают возмож-
ность анализировать «большие данные» и строить
рекомендации для оптимизации деятельности орга-
низации и улучшения удовлетворенности клиентов.
Задача систематизации разрозненной информации
может быть решена с помощью машинного обуче-
ния. Затем это позволит прослеживать динамику
изменения в поведении пользователей и составлять
рекомендательные системы и алгоритмы. Работа
с «большими данными» дает преимущества не толь-
ко в коммерческом секторе, а также в деятельности
некоммерческих организаций. В настоящее время
появляются большие перспективы использования
технологий анализа Big Data в сфере высшего обра-
зования, так как данный подход позволяет поднять
образовательный процесс в вузе на новый уровень,
а также помочь в оптимизации показателей деятель-
ности университета.
В сообществе образовательного учреждения можно
выделить три группы заинтересованных «пользова-
телей»:
• Студенты и слушатели
• Профессорско-преподавательский состав
• Администрация вуза
На сегодняшний день ис-
пользование таких техно-
логий позволяет компаниям
собирать и анализировать
огромное количество ин-
формации о поведении
потребителей и пользова-
телей. Это может быть сде-
лано с различными целями,
но, в первую очередь, для
улучшения продукта, повы-
шения уровня сервиса,
а также для более таргети-
рованной настройки мар-
кетинговых программ орга-
низации.
В виде графиков и подска-
зок студентам демонстри-
руются оценки их текущих
работ, количество пропу-
щенных занятий и общая
картина их успеваемости,
что будет являться допол-
нительной мотивацией для
успешного обучения,
а также снизит риск воз-
никновения проблем во
время сессии.
В настоящее время все активнее обсуждается
проблематика“больших данных”и выработка
универсальных наборов правил при использо-
вании и организации данных технологий, что
также весьма актуально и для образовательных
учреждений.
Елена Конева,
участник проекта

15. 28 29
СТУДЕНТЫ
Использование технологий Big Data наи-
большее влияние может оказать на сту-
дентов, не только как на наиболее воспри-
имчивую к новшествам аудиторию, но и,
главным образом, как на конечного потре-
бителя образовательной услуги. Правиль-
ная организация при использовании таких
решений позволяет говорить, что в ближай-
шее время можно выстроить подробную
картину причинно-следственных связей, определя-
ющих результативность образовательного процесса
студентов и слушателей.
Выделим основные преимущества, которые предо-
ставляет использование методов исследования Big
Data для студентов:
1МОНИТОРИНГ УСПЕВАЕМОСТИ. Система позво-
ляет собирать и анализировать успеваемость
и посещаемость студента. В виде графиков и подска-
зок студентам демонстрируются оценки их текущих
работ, количество пропущенных занятий и общая
картина их успеваемости, что будет являться допол-
нительной мотивацией для успешного обучения,
а также снизит риск возникновения проблем во вре-
мя 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 прогнозиро-
вать успешность прохождения смежных дисциплин.
2ВЫБОР ДОПОЛНИТЕЛЬНЫХ ИЗУЧАЕМЫХ
ДИСЦИПЛИН. Рекомендательная система позво-
лит предлагать студентам выбор дополнительных
дисциплин, которые будут наиболее точно соответ-
ствовать интересам и успеваемости. Дисциплины
по выбору существуют в рамках изучаемой образо-
вательной программы, а также могут быть предло-
жены отдельно в качестве дополнительно изучае-
мых курсов. Данная возможность появляется
в результате анализа динамики успеваемости, а так-
же различных поведенческих показателей студентов.
3ПОСТРОЕНИЕ ИНДИВИДУАЛЬНОЙ ОБРАЗО-
ВАТЕЛЬНОЙ ТРАЕКТОРИИ. При оптимальной
организации программы обучения студенту может
быть предложена возможность адаптации образо-
вательного процесса в зависимости от профессио-
нальных 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 бо-
лее привлекательным для потенциального работо-
дателя, что особенно важно на современном рынке
труда для студента без необходимого опыта работы.
4ВЫБОР СФЕРЫ БУДУЩЕГО ТРУДОУСТРОЙ-
СТВА. Анализ успешности развития карьеры
выпускника и одновременное сопоставление его
образовательной активности в период учебы позво-
ляет 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 раз-
вития студентам со схожими интересами и учебными
результатами. Во время своей студенческой жизни
каждый студент будет генерировать свой уникаль-
ный «след» данных, который позволит помочь опре-
делиться со специализацией.
ПРОФЕССОРСКО-ПРЕПОДАВАТЕЛЬСКИЙ
СОСТАВ
ЧАСТЬ II. ИСПОЛЬЗОВАНИЕ
«БОЛЬШИХ ДАННЫХ» В УНИВЕРСИТЕТЕ
BIG DATA
Мониторинг уровня успе-
ваемости, в том числе по
мере изучения каждой
темы, обеспечит препо-
давателям возможность
адаптировать очередность
и информационную напол-
ненность предлагаемого
материала, что позволит
повысить процент понима-
ния темы студентами.
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, трансформа-
цией учебно-методических подходов к пре-
подаванию дисциплин.
Выделим основные преимущества:
1ОПРЕДЕЛЕНИЕ СИЛЬНЫХ И СЛАБЫХ
СТОРОН СТУДЕНТА. Данное преиму-
щество будет полезно не только для пони-
мания студента, но и для создания наибо-
лее сбалансированной рабочей группы при
проектных заданиях.
Технологии сбора и анализа данных — это не
инструмент слежки. Это, скорее, средство разра-
ботки новых услуг, сервисов, совершенствование
продуктов и улучшение жизни пользователей.
В.С. Старостин,
к.э.н., доцент кафедры маркетинга ГУУ,
научный руководитель проекта