当前位置: 首页>解决方案>

高校学生信息管理系统解决方案(2)

时间:2008-12-06 22:05来源:赛迪网 作者:
6、学籍管理业务:包括新生学籍信息管理、在校生学籍信息管理、学籍异动信息管理和毕业管?虑各地实际情况进行设计:针对已经有实习实训管理的学校,可以按照统一定义的信息标准格式和传输规范进行数据采集上传,并
  
6、学籍管理业务:包括新生学籍信息管理、在校生学籍信息管理、学籍异动信息管理和毕业管?虑各地实际情况进行设计:针对已经有实习实训管理的学校,可以按照统一定义的信息标准格式和传输规范进行数据采集上传,并基于上传信息进行查询监控和统计分析;对于无实习实训管理学校可以采用本系统提供的实习实训管理模块,并将实习实训信息统一通过本系统的数据交换平台上传到中心数据库。其主要功能如下:
1、数据导出:完成从各地实习实训系统,按照系统定义标准格式导出生成采集上传文件的功能;
2、数据采集传输:通过数据交换平台完成各采集点数据采集上传和中心端数据接收功能。对于不具备接入条件的地区可以通过电子邮件方式发送文件到中心指定邮箱或采用邮寄光盘等方式;
3、数据一致性检查:共享数据中心数据一致性检查;
4、数据导入:共享数据中心数据导入/导出工具完成数据导入功能;
5、查询统计分析:提供对实习实训信息检索查看和统计分析等信息管理功能。
实习实训基本信息的评价指标主要包括按不同分类统计的实习生数量(例如年度、地区、科目、实习时间等)、平均成绩等。通过数据中心记录的每年全国各省中等职业教育学生学生实习、实训情况,并统计和分析实习人数、接收实习企业数量、各地区比例分布等综合指标;
6、实习实训业务功能:包括实习申请管理、实习单位管理和实习绩效管理等。


5.就业管理
综合考虑各地实际情况进行设计:针对已经有就业管理的学校,可以按照统一定义的信息标准格式和传输规范进行数据采集上传,并基于上传的信息进行查询监控和统计分析;对于无就业管理学校可以采用本系统提供的就业管理模块,并将学生就业信息统一通过本系统数据交换平台上传到中心数据库。其主要功能模块如下:
1、数据导出:完成从各地就业系统,按照系统定义标准格式导出生成采集上传文件的功能;
2、数据采集传输:通过数据交换平台完成各采集点数据采集上传和中心端数据接收功能。对于不具备接入条件的地区可以通过电子邮件方式发送文件到中心指定邮箱或采用邮寄光盘等方式;
3、数据一致性检查:共享数据中心数据一致性检查;
4、数据导入:共享数据中心数据导入/导出工具完成数据导入功能;
5、查询统计分析:提供对就业信息检索查看和统计分析等信息管理功能。学生就业基本信息的评价指标主要包括就业率、所学专业、毕业学校、就业人数等。通过记录每年全国中等职业教育学生的就业情况,包括就业时间、就业地区、就业单位等信息,并统计和分析企业用人需求、企业就业人数、跨地区流动比例等综合指标;
6、就业管理业务功能:包括毕业生求职管理、用人单位招聘管理、就业管理、在线调查管理和就业信息发布等。


6.决策支持系统
决策支持系统是建立在共享数据中心和各个业务系统基础之上的,通过共享数据中心,高度集成各业务系统的基本数据,并进行处理、统计和分析,形成可以作为决策的参考依据,同时为用户提供各种查询统计服务,如在校生情况统计分析、学校专业信息分析与调整、连锁实习基地评估和学生奖助学金审评等。其提供的主要查询分析工具如下:
1、OLAP的查询分析型工具:OLAP又称联机分析处理,主要通过多维的方式对数据进行分析、查询和报表。OLAP在决策系统中的前端应用工具是大多数用户选择决策系统所使用的检索、统计分析和报表工具,它不同于传统的联机事物处理(OLTP)应用。OLAP应用主要是对用户当前及历史数据进行分析,辅助领导决策。主要是进行大量的查询操作,对时间的要求不太严格;
2、DSS的分析预测型工具:决策支持系统(DSS)和数据仓库的目标用户相同,都是面向企业的中高层领导,它们执行的都是决策和趋势分析类的应用。DSS中的一些技术可以很好地集成到数据仓库中,并使数据仓库的分析能力更加强大。例如:DSS中的传统统计分析模型可以帮助用户对数据仓库中的数据进行更加有效、更加深入的分析,从而更好地掌握和利用信息。而一些智能决策技术,如人工神经网络。这些DSS的核心技术在数据仓库中的应用,不但会大大提高数据仓库的决策支持能力,同时也使DSS的应用范围更加广泛;
3、数据挖掘型工具:数据挖掘是当前业界的热门技术,已经在多个应用领域产生了巨大的效益。数据挖掘不一定需要建立在数据仓库的基础上,但是如果将数据挖掘和数据仓库协同工作,则可以简化数据挖掘过程的某些步骤,从而大大提高数据挖掘的工作效率。由于数据仓库的数据来源于整个企业,保证了数据挖掘中数据来源的广泛性和完整性。数据挖掘技术是数据仓库应用中比较重要且相对独立的部分。目前,数据挖掘技术正处在发展当中。数据挖掘涉及到数理统计、模糊理论、神经网络和人工智能等多种技术,技术含量比较高,实现难度较大。此外,数据挖掘技术还会同可视化技术、地理信息系统、统计分析系统相结合,丰富数据挖掘技术及工具的功能与性能。
4、多维分析工具:根据建立的模型,利用展示工具,用户可以进行随机查询、在线分析、数??使用户从多角度观察和分析数据,并且可以快速生成电子图表。

 

------分隔线----------------------------
推荐内容