2022年3月17日，北京科技大学经济管理学院工商管理系“人力资源大数据实践项目”开展了第二次课程教学。按照疫情防控期间相关要求，本次授课依旧采取腾讯会议的方式进行，有幸邀请到新道科技股份有限公司高级讲师曹晔进行讲授。同学们对曹老师的上课方式已经有所熟悉，和着老师的讲课节奏，课程进度十分顺利。曹老师对同学们的大数据基础进行了摸底测试，紧接着便开始了“干货”的教学——数据清洗与数据挖掘。曹老师从大数据来源、数据结构类型和一般数据收集方法与途径这三个方面进行了讲解，并带领同学们进行了数据爬取的实操。

一、大数据来源

曹老师解释说，关于大数据的来源，从数据本体来看分为内部来源和外部来源。数据内部来源有企业信息管理系统，包括人力资源系统、财务管理系统、客户关系管理系统和OA系统——办公自动化；部门上报数据，是获得数据的简易渠道，只需要发布数据需求通知，各分公司或部门就会按照要求填报数据上来，收集数据的速度较快；内部调查数据，人力资源部通常会使用问卷调查来收集所需数据；物联网系统，包括智能仪表、智能设备、视频监控系统等。

数据外部系统包括政府公开数据，这是政府公开信息公开出版的社会经济数据，一般通过政府机构网站来获取数据，与人力资源相关的主要是统计局，人社部等官方网站的公开数据；企业发布数据，通过上市公司发布的年报，可以获取一部分可以利用的数据；人力资源行业网络数据，包括人力资源行业商业调查数据、网络招聘平台发布的数据和线上劳动外包平台发布的数据；公共社交网络数据，包含社交网站发布的数据和在线社区发布的数据。

二、数据结构类型

在数据结构类型方面，曹老师介绍了三种数据结构：结构化数据、非结构化数据和半结构化数据。一般情况下非结构化数据占用内存较大，因为它常常包含图像、声音、网页和视频等信息。

三、一般数据收集方法与途径

在一般数据收集方法与途径方面，曹老师指出现行一般的数据收集方法与途径有网络爬取、数据调用、网络搜索、数据填报和调查数据这五大类。本次课程主要对网络爬取进行讲解与实际操作。

随后，曹老师向同学们介绍了12款网络大数据采集工具，并着重介绍了后羿采集器和八爪鱼、爬山虎采集器，以及我们熟知的Python。这几款数据采集器也是当前比较流行的几款，功能强大、实用，上手快，操作简单。后羿采集器颇受曹老师的青睐，也在后面的举例中让我们一睹其风采。

曹老师告诉同学们使用的爬虫程序不仅可以获取新道人才网的信息，还可以去其他人才网站爬取人才资源信息，像猎聘网、58同城、BOSS直聘等网站都是选择的对象，并以猎聘网为例示范了人力资源数据爬取的操作。

最后，曹老师进行了数据清洗、数据挖掘的示例教学。同学们对这一环节非常感兴趣，积极参与数据清洗与挖掘的练习。在进行模型选择和建模时，有部分同学出现了因素选择操作失误的问题，曹老师耐心地进行了答疑。课后同学们纷纷表示收获颇丰，对人力资源大数据这一项目的兴趣更加深厚。

供稿｜工商管理系

责编｜赵西爱

审核｜范小华