基于QFD模型和双向聚类技术的电子商务专业学生能力分析

蔚莹+刘希龙+赵明轩+周建

【摘 要】

互联网的发展极大地促进了电子商务的普及，而人才匮乏已成为电子商务实现高速发展的瓶颈。为了解决这一问题，越来越多的学者参与到电商专业人才培养的研究中。目前对于电商专业学生能力的研究大多聚焦于课程建设、教学模式的构建以及从理论角度分析岗位对学生能力的需求，而对学生专业能力的定量分析较少。本研究以一个中高职电商专业“三位一体”在线教育平台为例，运用QFD模型根据学生在分销系统中的微店运营绩效数据对学生所具备的专业能力进行评估，并运用双向聚类这一数据挖掘技术对能力评估结果进行特征提取，从理论学习的角度进一步探究造成学生能力差异的课程因素，所得结果可以帮助学生进行自身能力定位，同时为教学方了解学生能力分布特征，指导学生进行深入学习和职业生涯发展规划提供依据。

【关键词】 电子商务；在线教育；教育数据挖掘；QFD模型；双向聚类

【中图分类号】 G442 【文献标识码】 A 【文章编号】 1009-458x（2017）02-0033-12

一、引言

随着信息技术的飞速发展，互联网作为一种高效、便捷的连接工具，已渗透到人们生活的各个方面。在教育领域，通过互联网进行在线教育的教学方式已成为传统课堂教学的重要补充，甚至在一定程度上代替了传统教学，成为一种新的教学模式。目前，在线教育平台在国内呈现出快速普及的状态，其中以MOOC（大规模开放在线课程）为代表的在线教育平台已为人熟知，国内大量优秀大学均在这类平台上开设了相关课程。在这些规模较大的在线教育平台课程体系中，基础学科课程居多，职业教育类课程较少。其中，电子商务作为一门与互联网息息相关的学科，其专业人才的市场需求度与人才培养之间的不平衡已日渐显现，人才匮乏已成为电子商务高速发展的瓶颈。为了满足市场对电子商务专业人才的培养需求，构建在线教育平台转变传统课堂教学模式，已成为一种必然的趋势。

与现有在线教育平台相同，电子商务在线教育平台可以汇聚大规模的学习者，并通过多样化的网络学习行为产生种类众多的教育数据。这些数据中蕴含着大量有用的信息，通过对这些信息进行提取和识别，可以帮助研究者进行课程构建、学习模式分析以及学习规律发现，为电子商务专业人才培养提供依据。不同于传统教育研究中通过调查问卷、观察法等手段获取学习行为数据，在线教育通过学生在系统中的操作行为可以收集大量的学习数据。这些数据普遍呈现出规模巨大、结构多样的特征，潜藏着更加全面、准确的学习行为信息。这些信息一方面可以为教育研究者发现学生学习模式和规律提供可能；另一方面也对数据挖掘技术提出了挑战。由此可以看出，为了使在线教育平台的效用最大化，对平台中的数据进行有效挖掘，发现其中潜在的特征具有重要的意义。

教育数据挖掘领域的研究目前主要集中在预测型数据分析和描述型数据分析方面（田娜， 陈明选， 2014）。其中，预测型分析通常由分析得到与某个变量相关的模型，以此为依据对该变量未来的变化趋势进行预测。常用的预测方法包括回归、人工神经网络和决策树等。Al-Radaideh等（2006）分别采用ID3、C4.5和朴素贝叶斯模型，对约旦耶尔穆克大学参加C++课程的学生期末考试成绩进行了预测。结果表明，在对教育数据进行分析时决策树模型比其他模型具有更好的预测效果。Hijazi 和Naqvi（2006）通过对巴基斯坦旁遮普大学附属学院学生的在校表现和上课态度、课后学习时间、家庭收入、母亲年龄以及教育程度进行回归分析发现，母亲的教育程度和家庭收入与其在校表现具有高度的相关性。孙力等（2015）运用C5.0决策树方法，通过分析网络学历教育学生英语学习及相关信息，预测了其英语统考成绩，同时提出了相应策略以提高网络教育学生英语学习水平和统考通过率。舒忠梅等（2015）在构建学生投入模型的基础上，结合典型相关分析和数据挖掘方法，识别出学生投入的相关因素，并对学生学习行为进行了分类研究。分析发现学生投入与学生家庭背景、学生入学前特征、学校特征及课程作业之间存在显著相关关系。描述型分析则通过分析数据发现新的模式或结构。常用的方法有聚类分析、因素分析和关联规则挖掘等。在这些方法中，聚类分析可以用来识别数据中具有共同特征的群体或模式，从而对一些现象进行解释与建模，在教育数据挖掘中被广泛使用。Aher和Lobo（2013）对学生在MOODLE 上的课程学习记录进行聚类和关联规划分析，向学生推荐合适的课程。Romero等（2013）运用分类和聚类的方法分析了学生对社交网络论坛的使用情况与期末考试成绩之间的关系，结果显示了课程结束时进行后期预测与课程结束前进行前期预测的适用性，表明了相较于传统识别学生表现模型的分类方法，聚类分析和关联规则挖掘有更大的解释力。吴林静等（2014）研究了教育资源的聚类组織方法，设计并实现了一个面向e-Learning的教育资源聚类系统，从而为学习者提供更加精确的资源导航和更为快速的资源定位。

从国内外教育数据挖掘的研究成果可以看出，聚类分析已成为该研究领域中普遍使用的方法。目前在运用该方法识别学生学习特征时，所使用的多是传统聚类算法。而众多关于高维数据聚类分析的研究已表明，这样的算法在处理大规模数据时具有一定的局限性。除此之外，在查阅电子商务专业学生能力培养的相关研究时还发现，目前对于该问题的研究大多是对专业课程建设和教学模式构建的探索以及从理论角度分析岗位对学生能力的需求，从数据角度对学生专业能力进行定量分析的研究较少。在此背景下，本文以某中高职电子商务专业“三位一体”在线教育平台为例，通过QFD模型对学生所具备的专业能力进行定量评估，并运用双向聚类技术对能力评估结果进行特征提取。在此基础上，从理论学习的角度进一步分析造成学生能力差异的课程因素，所得结果可以帮助平台中的学生掌握自己的能力情况，实现自我定位，同时为教学方了解学生能力分布特征，指导学生进行深入学习和职业生涯发展规划提供依据。

二、电子商务专业学生能力和微店绩效指标构建

本研究是以某中高职电商专业“三位一体”在线教育平台为背景，从数据挖掘的角度对电子商务专业学生能力进行定量分析。

（一）“三位一体”在线教育平台

现有与电子商务相关的在线教育一方面多以单一课程教学为主，缺乏专业知识系统化的学习平台，另一方面，只涉及理论知识的学习，实践活动作为中高职电子商务专业教学重要组成部分却无法在网络教学中得以实现。近年来已有部分学校意识到这一问题，试图鼓励学生在淘宝等网上商城开设店铺来锻炼其实践能力，但在线教育平台和网上商城作为两个独立的系统，无法实现数据的交互，因此无法有效辅助学校了解和掌握学生实践表现，无法通过实践平台和理论教学两方面的数据探索二者之间的联系。而“三位一体”在线教育平台则将上述两个系统完美地结合在一起。“三位一体”是指集在线教育系统、微店分销系统和大数据挖掘与分析系统为一体的集成化教学平台。在该平台上，学生一方面可以通过教育系统学习电子商务专业理论课程，另一方面可以通过在分销系统中开设网店将所学知识运用于实践。同时，大数据挖掘与分析系统可以将上述两个系统中产生的数据相结合，分析实践和理论学习的内在联系，以实践检验理论、理论指导实践的方式促进学生进行可持续、可循环的学习，不断提升自己的专业能力。

（二）学生能力指標构建

以上述平台为基础，在进行学生能力评估之前，首先应确定电子商务专业学生应具备的能力，并选取在线教育平台分销系统中可以衡量学生经营绩效的相关指标。目前对电子商务专业学生能力分析的研究中，刘立（2015）分析了企业对于不同级别电子商务从业人员专业能力的需求，剖析了各种能力的重要性，有针对性地提出了高职高专院校培养电子商务人才需要关注的学生能力；贾志林（2008）论证了当前电子商务专业人才培养定位和电子商务岗位细分，提出了建设性意见；施民宪等（2008）将国家职业标准与市场现时岗位需求相结合，对电子商务专业人员的职业能力进行了分析，为构建人才培养方案提供了依据。分析文献中对电子商务岗位技能和学生能力需求分析的结果，并结合“三位一体”在线教育平台的特征，本研究构建了如表1所示的电子商务专业学生能力体系。

通过进一步分析该在线教育平台微店分销系统的运营数据，并参考淘宝网等C2C交易平台中对店铺绩效的评价指标，本研究构建了针对“三位一体”在线教育平台学生实践绩效评估的相关指标（如表2所示）。

三、基于QFD模型的学生能力评估

在构建了电子商务专业学生能力体系后，需要根据学生在微店平台的经营绩效对其所具备的能力进行评估。在此之前，首先需要确定可以体现学生能力的微店绩效指标及两者之间的相关关系。从现有C2C电商平台中反映店铺绩效的指标来看，指标之间通常不是完全独立的，因此需要考虑绩效指标间的相关性。在上述关系的基础上，确定不同指标对学生能力评估的重要度，并根据每个学生经营的微店与各指标相应的实际值，计算得到学生能力评估值。这一过程恰好与质量功能展开（QFD）的实现过程相类似，因此，本研究选择该模型进行学生能力的评估。

（一）模型介绍

质量功能展开（QFD），作为一种由顾客需求驱动的产品或服务的设计方法，产生于20世纪60年代末的日本。QFD的核心理念是在新产品开发时，将顾客对于产品或服务定性的质量需求转换并关联展开到产品或服务的各个功能部件定量的质量要求上去，使得产品或服务在开发前就完成质量保证，满足顾客需求，在市场上获得竞争优势，是一种系统化的技术管理方法（Akao， 1972； Akao & Mazur， 2003）。QFD的核心是需求转换，质量屋（House of Quality，HoQ）是实现这种需求转换的工具，是一种直观的矩阵框架表达形式，是QFD方法的精髓（Chan & Wu， 2002a， 2002b， 2005）。在本研究中，根据需要解决的实际问题，对原始QFD模型进行调整，分别用学生能力和微店绩效指标代替质量屋中的顾客需求和工程特性，将微店经营绩效转化为学生能力水平。这一过程与传统QFD中对现有（改进前）产品进行顾客满意度评估类似。调整后的QFD模型如图1所示。

其中，CRi代表电子商务专业人员需具备的各项能力，W表示各能力对学生综合能力评价的相对重要度，第i个能力的重要度记为wi，若不考虑该权重，则可以得到单个能力的评估值；ECj代表学生微店运营绩效指标，第j个指标标准化后的实际数值记为xj；R代表学生能力与绩效指标之间的相关关系矩阵，矩阵中元素rij表示第i个CR与第j个EC之间的相关程度；P表示绩效指标自相关矩阵，其中的元素表示第k个EC与第j个EC之间的关联程度；H表示同时考虑“能力—指标”相关关系和指标间自相关关系后各绩效指标对学生能力评估的相对重要度，第j个指标对第i个能力评估的相对重要度记为；Ci为模型的输出值，即学生各能力的评估值。

（二）数据收集

模型构建完成后，就可以利用QFD的相关原理进行学生能力评估了。在计算之前，首先要进行数据的收集，主要分为两个部分：其一是确定模型中两个相关关系矩阵的数值，其二是统计学生微店运营绩效指标数据。

在相关关系的数据收集中，参考传统QFD中相关关系确定方法，选择专家调查法进行关系矩阵数值的确定。由于专家调查法所得结果具有较大的主观性，为了增加结果的可信度，本研究选择了来自不同部门的电子商务相关专家进行相关关系评分。参与调查的专家共10人，其中4人为高校电子商务专业教师，3人为电子商务企业管理人员， 另外3人为淘宝网皇冠店主。上述专家根据在QFD中被广泛应用的一种四级量表对相关关系进行打分，该量表的数值分布为9，3，1，0，依次代表相关程度由强到弱（Chan & Wu， 2002）。在得到10位专家对“能力—指标”相关关系和指标间自相关关系的打分结果后，计算出平均值作为最终确定的相关关系数值。

在微店绩效指标的数据收集方面，本研究获取了中高职在线教育平台分销系统试运行期间，从2016年1月1日至2016年6月31日六个月的学生店铺经营数据。这些经营数据按照一定规则可以计算得出相应绩效指标数值，具体的指标计算方式及原始数据结构如表2所示。

（三）电子商务专业学生能力评估

在收集到数据之后，根据各学生微店绩效指标值和相关关系矩阵可以对学生能力进行评估，评估过程如下：

第一，数据的标准化处理。由于收集的微店绩效指标数据反映了微店运营各方面的绩效，具有不同的量纲和数量级，直接计算会导致结果出现较大的误差，因此，在计算之前需要先对数据进行标准化处理。假设学生第j个绩效指标的原始数据为lj，则经过无量纲化处理后的指标值为

式中，表示第j个绩效指标标准化后的数值；为第j个指标原始数据中的最大值；表示第j个指标原始数据中的最小值。对于效益型（数值越大则表明能力越强）指标，选择（1-2）式进行处理；对于成本型（数值越大则表明能力越弱）指标，选择（1-1）式进行计算。经过处理之后，可以排除量纲不同对计算结果产生的影响。

第二，计算绩效指标对能力评估的相对重要度。如上所述，微店绩效指标代表其运营中各方面的表现，反映的是学生多方面的能力，且不同指标对学生能力的反映程度不同，因此，确定绩效指标对能力评估的重要度十分必要。在收集到专家调查数据，并構成指标与能力的相关关系矩阵以及指标间自相关矩阵之后，可根据如下公式计算出各绩效指标对学生能力评估的绝对重要度。

其中，代表第j个指标对第i个能力评估的绝对重要度，由此可进一步根据公式

计算出各指标的相对重要度。

第三，学生能力评估。在得到无量纲化处理的指标数据和各指标的相对重要度后，即可确定该学生各能力评估结果，计算公式如下：

其中，和分别由等式（3）和等式（1）计算得到。标准化后指标数值以及相对重要度的取值范围均为[0-1]，为了便于分析，将所得结果转化为百分制。

通过构建电子商务专业学生能力评价QFD模型，可以根据学生在在线教育平台分销系统中开设微店的经营绩效，将学生的能力水平进行量化，从定量的角度对学生能力进行评估，从而较为直观地了解学生的能力状况，也为进一步对学生能力差异进行分析奠定基础。

四、基于双向聚类方法的学生能力差异分析

通过构建基于QFD原理的学生能力评估模型，运用定量分析的方法得到了学生能力评估值。这样的结果虽然可以在一定程度上反映学生个体的能力优势，并观察到不同学生能力圈的差异，但对于教学方来说，深入探索其形成原因，为之后的教学工作提供参考则更为必要。为实现这一目的，首先需要了解学生能力分布的群体特征。提取群体特征较常用的一种方法是聚类分析。本研究引入一种在处理高维数据时比传统聚类更为准确的双向聚类方法，对量化后的学生能力水平进行划分，以识别拥有不同能力圈的学生群体，为进一步分析其形成原因奠定基础。

（一）原理介绍

双向聚类，相对于传统的单维聚类来说，是一种可以同时从数据矩阵的行和列两个维度进行聚类的方法。该方法最早出现在对基因表达数据进行分析的研究中，以解决传统聚类在处理高维数据时出现的精确性较低以及结果弥散等问题，得到只在部分实验条件下有相似表达水平的基因集（Hartigan， 1972）。目前，这仍然是双向聚类技术的主要应用领域。就在线教育平台而言，随着其推广范围的扩大，拥有的用户数据会急剧增长，从而形成庞大的学生数据库。在此情况下，一个合适的数据分析方法可以更有效地挖掘出隐藏在数据中的信息，为教学工作提供借鉴。

本研究从学生能力分析的角度出发，力求识别出在某些能力上有较好表现（能力评估值较高）的学生群体，这意味着需要得到“聚大”型的聚类结果。在双向聚类的算法中，BCBimax是一种特殊的“聚大”型聚类算法，它可以在一个“0-1”型数据矩阵中，搜索到数据空间尽可能大且元素值全为“1”的子矩阵，这样的子矩阵即为识别出的双聚类（Dolnicar， Kaiser， Lazarevski， & Leisch， 2012）。因此，本研究利用BCBimax算法的这一原理，对学生的能力评估结果进行聚类。

（二）基于双向聚类的学生能力分析

在确定了学生能力分布特征提取的方法之后，根据QFD模型输出的能力评估值进行学生及其对应能力圈的聚类。

1. 数据收集与处理

将之前所得学生能力评估结果进行转换后可得到维度为268612的数据矩阵。其中，行代表学生，列代表电子商务专业学生应具备的能力。由于在进行能力评估时，得到的评估值为0-100之间的数值，而BCBimax算法处理的是“0-1”型数据，因此在进行双向聚类之前需要先对数据进行二值化处理，以一定的阈值为标准，将其转化为二进制数据。为了使聚类结果能够代表在不同能力上有突出优势的学生群体，在此将该阈值设置为“85”。

2. 基于BCBimax算法的学生能力聚类结果

经过处理之后，得到268612的二进制矩阵，通过对该数据矩阵运行BCBimax算法，可以得到学生能力圈的聚类结果。数据计算过程在R 3.2.4中完成，计算得到的双聚类结果如图2所示。

图2中，每一列代表拥有某些能力优势的学生类群，每一行代表一种能力。其间的黑色方块表示一种类别的学生在相应能力上较其他学生有更明显的优势。从中可以比较直观地看出学生的能力分布情况，进一步可以观察到不同学生类群具有的能力优势存在比较明显的差异。如第二类学生普遍在“人际交往与沟通能力”“语言表达能力”和“客户关系管理能力”上有较明显的优势。其中“人际交往与沟通能力”和“语言表达能力”是这一类学生区别于其他类群的独特优势，图中表现为色块中间的小方块颜色较深；对比可知，“客户关系管理能力”对应的小方块颜色较浅，表示该能力在不同类群间的区分度较低。观察结果发现，第一、四类学生同样在该能力上具有优势。以此类推，可以分析其他类别学生的能力分布差异。为了更详细地观察各类别学生的能力分布情况，将双聚类结果整理、归纳得到表3所示的结果。

表3中，第二列为双聚类得到的学生类别；第三列为每一类别中的学生数量以及与之对应的优势能力数量；第四列显示出与每类学生相匹配的优势能力。对于第一类学生，他们普遍在“网页制作”和“美工设计”上有明显优势。结合前文可知，这两个能力需要学生掌握网页制作相关的编程方法和图形图像处理技术等知识，具有较强的操作性，因此将在这两个能力方面表现出色的学生归纳为“技术型”人才。对于第二类和第五类学生，他们同样具有较好的“客户关系管理能力”，但从其他能力的差异可以初步推断，第二类学生在“客户关系管理能力”方面更倾向于和顾客间的沟通，如及时有效地对顾客的咨询进行回复、与顾客进行互动以达到维持顾客关系的目的等，因此将这一类学生归纳为“交际型”人才；而第五类学生的优势则不然，他们没有显示出杰出的人际交往能力，却在市场分析与定位方面有所建树。但对比第六类同样具有较强“市场分析与定位能力”的学生可以看出，第五类学生在数据分析方面并没有特长，由此推断，他们的优势更偏重于对市场信息和顾客信息的收集方面，他们往往可以通过各种途径捕捉到竞争对手或顾客的信息，可视为“情报型”人才。第六类学生更侧重于根据已掌握的数据或所处环境进行分析，具有较强的逻辑性，因此为“分析型”人才。相对而言，第七类学生在数据收集和分析的整个过程中表现出较为全面的能力，因此可以被称为“数据全能型”人才，从表中可以看出这一类学生在学生整体中分布最少。第三类学生在推广和促销这两个需要进行周密策划的能力上表现杰出，因此将其归纳为“策划型”人才。第四类学生在采购和物流管理方面具有优势，这两个环节都需要较强的计划和行动能力，因此可以定义为“计划控制型”人才。

通过以上分析，可以得到学生能力分布的具体情况。为了进一步分析学生能力掌握程度的群体特征，绘制如图3所示的条形图。

图3中七个方格分别表示7个学生群，以字母“A”“B”“C”“D”“E”“F”和“G”为标记。方格中的条形代表每个学生群具备的优势能力，观察其长短可以看出相应能力在该学生群中的平均水平，条形越长表明平均水平越高。与知识的融会贯通类似，能力之间也存在相互作用的现象。对比“A”“B”和“D”三类可以看出，这三个类别中的学生都具有较强的客户关系管理能力，但其掌握程度并不相同。“交际型”（B类）学生在该能力上的平均水平相较其他两类最低，而“情报型”（D类）学生最高。由此可以大致推断出人际交往和语言表达能力对于客户关系管理的促进作用并不十分显著。而“情报型”学生相较“数据全能型”（A类）学生而言，有更高的市场分析与定位能力，因此可以看出该能力与客户关系管理能力之间的相关程度更大。出现这种结果的原因可能是，在市场分析与定位时，需要进行充分的市场调研，了解并理解顾客的需求，而客户关系管理中一个关键环节就是获取不同顾客的需求特征，二者的内容存在一定的重叠，因此表现出较强的相关性。同理，对比“A”“C”和“D”三类可以看出，这三类学生都拥有市场分析与定位能力方面的优势，但“分析型”（C类）学生的优势更为明显。观察三类学生在其他能力方面的掌握情况可以看出，相对于风险评估与控制和客户关系管理能力，数据分析能力对市场分析与定位的促进作用更为明显。这一结果可能是由于数据分析能力可以更好地帮助学生理解市场调查所得数据，从而更准确地对市场和产品进行定位。

根据双向聚类的分群结果，学生可以随时了解自己的能力掌握情况，在之后进行有针对性的学习；教学方可以更清晰地了解学生的能力分布特征，在下一阶段的教学中针对不同能力特征学生实施个性化的教学，同时帮助具有不同能力优势的学生进行差异化的职业生涯发展规划 。

五、学生能力差异与理论学习的相关分析

对中高职电子商务专业“三位一体”在线教育平台中的学生能力进行双向聚类分析的最终目的是观察与学生能力差异相关的在线教育平台课程学习行为，以此探究对学生能力有影响的理论学习因素。然而个体的学习行为对能力掌握水平的影响具有较大的偶然性，因此需要通过群体普遍呈现的特征，来推断学生能力与在线教育理论学习之间的关系。通过双向聚类技术得到了学生能力分布情况，识别出不同能力圈的学生群，并通过对比不同群体之间的能力差异，初步分析了學生各能力之间的关系。以此为基础，联系在线教育平台学生专业课程学习数据，从理论学习的角度进一步分析形成学生能力分布差异的原因。

（一）学生理论课程学习整体情况

在平台试运行的六个月期间，共有2，868名电子商务专业学生通过该平台进行实践和理论课程的学习，参与学习的课程共22门，平台系统记录了这些学生22门课程的理论学习得分情况，总体得分分布如图4所示，详细分值如表4所示。

结合图4和表4可以看出，学生理论课程学习的平均成绩从总体来看分布比较均匀。但“HTML语言与网页制作”和“Java程序设计”平均成绩较低，均在60分以下；“人际交往与沟通”“计算机多媒体应用”和“销售心理基础”三科成绩偏高。原因可能在于编程语言的课程内容专业性较强，对于中高职电子商务专业的学生而言较难掌握；而后三门课程的内容呈现出较大的适用性且趣味性较强，比较容易理解和掌握。

得到在线教育平台学生学习成绩的整体分布后，接下来将根据上述的双向聚类结果具体分析每一类别学生理论课程学习情况，并与整体情况进行对比，以发现学生专业能力和在线学习两者间的相关性。

（二）基于聚类结果的学生理论课程学习情况

对各学生群在线教育理论课程的学习情况进行统计，将各群体学生平均成绩与整体成绩进行比较，观察拥有不同能力圈的学生在理论课程方面较其他同学呈现出怎样的特征，以此分析学生能力与课程学习是否存具有潜在的联系。统计结果如图5所示。

从图5可以明显看出，不同能力优势的学生在理论课程表现上有明显的偏向性。如图5（b）所示，“技术型”学生所学理论课程中，有四门课程的成绩较其他同学有明显的优势，分别为“商务网页设计”“HTML语言与网页制作”“Java程序设计”和“计算机多媒体应用”，而这一类学生具有较强的网页制作能力和美工设计能力。从课程内容上来看，这四门课程涉及电子商务网页的设计和制作方法以及多媒体软件的应用，这些内容在一定程度上可以帮助学生掌握技术并对自己的微店网页和其中的多媒体文件（图片、视频、音频等）进行制作，从而有效提高微店网页的美观性和便捷性，一方面增加顾客在微店中的浏览时间，增加交易机会，另一方面帮助顾客更快捷地找到自己需要的商品，从而提高微店运营的绩效。这些绩效指标数据的变化反映了学生能力的提升。在七个学生群体中，“情报型”学生的理论学习情况明显区别于其他群体，表现在其平均成绩相较其他学生并无明显优势。原因可能在于学生对竞争对手或顾客信息的搜集能力并不能在短时间内通过理论课程的学习有明显提高，在情报搜集方面有优势的学生可能拥有其熟悉的渠道或敏锐的洞察力可以获得对微店经营有利的信息，这种能力并非是由理论课程的学习获得。可以对其他群体学生的学习数据做类似分析，将不同能力圈学生的优势课程进行整理后得到如表5所示的结果。

从表5可以看出，具有差异化能力圈的学生在理 论课程学习方面也呈现出比较明显的群体特征。这样的特征从一定程度上可以表明，电子商务专业学生能力与其在线教育理论学习成果之间存在相关性，即在某些能力上有明显优势的学生普遍在相应理论课程上有较好的表现。根据这样的结果，可以向存在能力弱项的学生推荐学习相应课程，为之后在实践中有更好的表现奠定理论基础，从而实现实践检验理论、理论指导实践的持续学习，并在这一循环过程中促使学生不断补充理论知识，不断在实践中应用，使能力得到提升

六、总结

本研究以一个中高职电子商务专业“三位一体”在线教育平台为例，对电子商务专业学生能力进行分析。与现有研究相比，本研究所做的工作主要体现在以下几个方面：①现有的电子商务专业学生能力分析大多以理论分析的方法探究电子商务岗位需要学生具备的岗位技能和人才培养模式，而本研究从定量分析的角度出发，对学生能力进行数值化分析，得到了更加客观的结果；②对普遍应用于质量管理的QFD模型进行转化，结合研究内容，构建了基于QFD的电子商务专业学生能力评估模型，得到学生能力评估的具体数值；③将一种大量用于基因表达数据分析的双向聚类技术引入学生能力评估数据的聚类中，得到具有不同能力圈的学生群；④以双向聚类结果为基础，进一步从理论学习的角度出发，识别具有差异化能力圈的学生群体特征，探究学生能力与理论学习表现之间的内在联系，为教学方了解学生能力分布特征，指导学生进行深入学习和职业生涯发展规划提供依据。

本研究结果表明，“三位一体”在线教育平台可以实现：① 为学生提供理论与实践的双重培养平台，促进学生的均衡可持续发展。学生一方面通过微商平台开展具有鲜明时代特征的新电子商务学习与实践，培养其电子商务实践能力；另一方面通过在线教育平台进行理论知识的学习和补充，为其在电子商务平台的实践打下知识基础。通过教育平台和微商平台的循环学习，不断提高自身能力。学生还可以随时了解自己的学习情况，发现自己的能力瓶颈进行重点攻破，同时通过数据挖掘结果进行自身水平的定位，取长补短，实现持续发展。②为教师提供智能便捷的授课和学生管理渠道。教师通过在线教育平台，发布学习资源和批改学生作业。同时了解授课班级的学生学习数据报告，通过这些报告的分析结果，清楚了解任教班级学生理论学习情况以及实践情况。以此为依据，为学生提供有针对性的、个性化授课或指导，实现智能、便捷的授课与学生管理。③识别拥有不同能力圈的学生群体，指导学生进行个性化职业生涯发展规划。以微商平台学生绩效数据为基础，通过双向聚类技术，识别在不同能力组合上有明显优势的学生群体。针对拥有不同能力圈的学生群体，进行差异化职业生涯发展规划指导。同时可以根据不同群体学生能力优势情况，为他们推荐与自身能力相匹配的岗位。

然而，本研究仍存在许多不足之处。第一，对学生能力差异的影响因素仅从理论课程学习成绩的角度进行了统计分析，虽然在一定程度上表明了两者之间存在内在联系，但不足以说明理论课程的学习是导致学生能力呈现差异化分布的原因，在之后的研究中可以从多方面的学生学习行为数据出发，采用回归分析、关联规则挖掘等多种方法，更全面地探究学生能力分布的影响因素。第二，在对双向聚类所需的能力评估数据进行二值化处理时，会造成信息的缺失，今后的研究可以寻找更合适的算法或对现有算法进行改进，避免数据处理过程中的信息缺失。

[参考文献]

贾志林. 2008. 浅析高职电子商务专业人才培养目标定位及岗位细分[J]. 中国市场（28）：154-155.

刘立. 2015. 企业对于大学电子商务专业能力需求分析[J]. 當代经济（19）：102-103.

施民宪，谢菁. 2008. 与国家职业标准相衔接的电子商务职业能力调查分析[J]. 中国职业技术教育21（36）：28-30，32.

舒忠梅，徐晓东，屈琼斐. 2015. 基于数据挖掘的学生投入模型与学习分析[J]. 远程教育杂志33（1）：39-47.

孙力，程玉霞. 2015. 大数据时代网络教育学习成绩预测的研究与实现——以本科公共课程统考英语为例[J]. 开放教育研究21（3）：74-80.

田娜，陈明选. 2014. 网络教学平台学生学习行为聚类分析[J]. 中国远程教育（11）：38-41.

吴林静，刘清堂，黄焕，刘嫚，黄景修. 2014. 面向e-Learning的教育资源聚类系统的设计与实现[J]. 中国电化教育（10）：85-89，95.

Aher， S.B.， & Lobo， L.M.R.J. （2013）. Combination of machine learning algorithms for recommendation of courses in e-learning system based on historical data. Knowledge-Based Systems， 51（10）： 1-14.

Akao， Y. （1972）. New product development and quality assurance-quality deployment system. Standardization and Quality Control， 25（4）： 7-14.

Akao， Y.， & Mazur， G.H. （2003）. The leading edge in QFD： past， present and future. International Journal of Quality & Reliability Management， 20（1）： 20-35.

Chan， L.K.， & Wu， M.L. （2002a）. Quality function deployment： a comprehensive review of its concepts and methods. Quality Engineering， 15（1）： 23-35.

Chan， L.K.， & Wu， M.L. （2002b）. Quality function deployment： a literature review. European Journal of Operational Research， 143（3）： 463-497.

Chan， L.K.， & Wu， M.L. （2005）. A systematic approach to quality function deployment with a full illustrative example. Omega， 33（2）： 119-139.

Dolnicar， S.， Kaiser， S.， Lazarevski， K.， & Leisch， F. （2012）. Biclustering overcoming data dimensionality problems in market segmentation. Journal of Travel Research， 51（1）： 41-49.

Hartigan， J.A. （1972）. Direct clustering of a data matrix. Journal of the American Statistical Association， 67（337）： 123-129.

Radaideh， Q.A.， Shawakfa， E.M.， & Najjar， M.I. （2006）. Mining student data using decision trees. In： International Arab Conference on Information Technology（ACIT2006）， Jordan.

Romero， C.， Lopez， M.I.， Luna， J.M.， & Ventura， S. （2013）. Predicting students final performance from participation in on-line discussion forums. Computers & Education， 68（6）： 458-472.

Hijazi， S.T.， & Naqvi， S.M.M.R. （2006）. Factors affecting students performance： a case of private colleges. Bangladesh e-Journal of Sociology， 3（1）： 90-100.