大数据分析在高校精准化就业服务模式中的应用研究

岳晓融 张立国

摘   要：随着我国高等教育快速发展，高校毕业生数量呈现逐年递增的趋势。而在就业方面，由于存在结构性矛盾、理念偏差、信息不对称等问题，导致“人职匹配度”不高，即使毕业生勉强初次就业，很快也会由于不适应性过大而辞职或失业。因此，近几年高校毕业生就业工作难度急剧加大、就业形势复杂严峻。将大数据分析技术应用到就业指导工作中，一方面能精准预测和分析各专业大学生的就业与择业思想行为，对其进行精准化、层次化、清晰的就业指导;另一方面能向用人单位精准推送与需求职位相匹配的毕业生，以实现人职精准对接，提高就业成功率。文章从目前高校毕业生就业工作的现状和问题入手，对大数据分析技术在高校精准化就业服务模式中的应用进行研究，拟探寻更为有效的精准化就业服务模式，提升高校就业工作的成效。研究表明，基于大数据分析技术的高校精准化就业服务模式，能够有效提高毕业生的就业“人职匹配度”、提高就业成功率，在很大程度上解决高校毕业生就业难的问题。研究建议，高校应该创新就业工作思维，主动迎接大数据时代的挑战和机遇，努力发掘大数据分析技术在就业工作中的深层次应用，通过完善精准化就业服务模式，提高高校就业服务能力和质量。

关键词：就业结构性矛盾;就业理念;大数据分析技术;精准化就业服务模式

中图分类号：TP393;G43      文献标志码：A      文章编号：1673-8454（2022）05-0105-09

一、研究背景和意义

改革开放以来，随着经济社会的快速发展，我国已建成了世界上规模较大的高等教育体系，高校招生人数和在校生规模都持续扩大。毛入学率是衡量一个国家和社会教育程度重要指标，达到50%以上预示着高等教育已经进入了普及化阶段。全国教育事业统计结果显示，2020年我国高等教育的毛入学率达到54.4%，2021年已达到57.8%[1]。图1为高等教育毛入学率与社会教育程度的对应关系，这也意味着，我国高等教育普及化使高校毕业生数量逐年增长，高校毕业生就业工作压力也正急剧加大，就业问题已成为社会共性问题。图2为我国2013—2022年高校毕业生人数统计，教育部、人力资源社会保障部召开的2022届全国普通高校毕业生就业创业工作网络视频会议上公布2022年我国高校毕业生人数将突破千万，达到1076万，同比增长167万。尤其是2022年受新冠肺炎疫情和世界经济下行的叠加影响，我国高校就业工作面临着前所未有的巨大压力，毕业生求职困难增多，就业形势非常复杂严峻[2]。2020年《政府工作报告》指出，在部署持续做好“六稳”的前提下，作出“六保”的决策部署。“稳”是大局，“保”为底线，“六保”是“六稳”工作的着力点，在“六保”中，保居民就业位居首位。党中央已经将稳就业、保民生放在政府工作的优先位置[3]。新冠肺炎疫情暴发以来，教育部为应对疫情对大学生就业工作的严重影响，为广大毕业生开展“云招聘”“云面试”“云实习”，为人才就业稳岗提供“快速路”，2022年及时改版并完善了“国家24365大学生就业服务平台”。国家也采取了研究生扩招、开设第二学位、基层就业扩岗、发挥创业带动就业的倍增效应等一系列新举措。

随着我国经济社会不断发展及改革开放的深入，网络及信息技术推动各个行业不断进行产业升级、改革和创新。这使即将步入社会的高校毕业生在面临就业选择时，产生了诸多不适应。目前的普遍现象是，用人单位缺人，而大量毕业生却找不到心仪的工作，甚至产生了许多“佛系”青年和“啃老族”，因此高校就业指导工作面临复杂严峻的形势。在信息化时代，就业工作要与时俱进、善于改革创新。将大数据分析技术应用到就业指导工作中，一方面能精准预测和分析各专业大学生的就业与择业思想行为，对其进行精准化、层次化的清晰指导;另一方面能对用人单位精准推送与需求职位相匹配的毕业生，以实现人职精准对接，提高就业成功率[4]。因此，各高校做好大学生就业指导工作，努力实现以学生为中心的就业工作体系，积极拓宽就业渠道，切实做好精准化大学生就业服务工作，是现阶段的职责和使命，关系到高校毕业生的切实利益，关系到国家经济发展和社会稳定，具有十分重要的意义。

二、高校毕业生就业工作中的现实困顿

（一）就业结构性矛盾加大，人才供求无法对接

高校毕业生的就业难问题已经成为一个社会性问题。就业难不是人才输出大于人才市场需求，而是由于就业结构性矛盾造成的一种客观现象。近年来，由于我国经济社会蓬勃发展，产业结构调整过快，而人才的教育培养结构相对滞后于经济社会发展，造成了有些专业毕业生供过于求，而有些专业毕业生却供不应求的结构性矛盾。造成这一矛盾产生的主要原因是，高校对社会需求方面的数据样本过少，企业和高校之间的对接不完整，导致人才培养与供给结构失衡[5]。

（二）部分毕业生在就业岗位中知识转化率过低

当前，各高校都在切实推行教育教学改革，针对新兴行业及传统行业的结构性变化，高校的教学内容都积极地作出了适应性调整，但是部分专业的教学内容调整和教育改革还不到位。通过对部分用人单位回访调查发现，我國大学毕业生通常工作的适应周期在两年到三年，对于我国高速发展的经济现状来说，这个速度跟不上经济发展脚步。导致部分用人单位对当前高校毕业生的工作能力产生质疑，而毕业生在工作中不能完全胜任，就容易产生懈怠、缺少激情甚至丧失信心的情况。究其原因是，大多数毕业生本科阶段所学到的知识和学习能力，不能在实际工作中很好地转化出来，存在知识转化率过低的现象。根源在于，我国大学教育是能力素质的培养、知识技能的灌输，而西方很多国家的大学教育主要培养学生的思维逻辑能力并进行价值观教育。耶鲁大学原校长理查德·雷文（Richard Levin）曾表示，如果一个学生从耶鲁大学毕业后，居然拥有了某种很专业的知识和技能，这就是耶鲁教育最大的失败。他认为，某种专业的知识和技能，是学生根据自己的愿望，在大学毕业后才需要去学习和掌握的东西，这不是耶鲁大学教育的任务。正是根植了这种教育观念，耶鲁大学培养出了全世界最多的领导人才、各级精英分子和深受欢迎的社会公民[6]。由此可见，教育观念直接影响着教育效果，这一点非常值得我们借鉴和反思。8BE2BC5F-FE19-46FE-99A6-D0858F03C119

（三）部分毕业生就业理念存在偏差，就业能力出现危机

1.就业理念存在偏差，导致就业心态浮躁

理念是一个人世界观、价值观的核心评判标准，积极向上的理念能引导人走上正确的道路，反之亦然。我国现在许多大学毕业生受社会各种价值取向的影响，就业理念存在严重偏差，就业心态浮躁，急于求成。笔者从2019至2021年，连续三年对陕西省西安市部分高校应届毕业生进行了就业意向微信问卷调查。其中，2019年回收有效问卷297份、2020年回收有效问卷436份、2021年回收有效问卷552份。图3所示为问卷调查结果统计柱状图，图4所示为问卷调查结果雷达图。通过雷达图可以明显看出，在就业地域选择上，有90%以上的毕业生不愿意去基层或者西部地区就业。由于调查问卷发放的范围不够宽泛，因此数据样本不具有广泛性和代表性，且主要调查对象为笔者所在高校，采取的是无记名调查，因此调查结果不能完全代表我国当前毕业生的就业意向，但仍具有一定的参考价值。从调查结果可以看出，很多毕业生宁愿在国内一线、二线城市或者新一线城市从事自由职业，也不愿去三线、四线城市，以及乡镇、边疆基层当公务员。大多数毕业生认为，大城市发展机会更多、上升空间更大。麦可思研究院发布的《就业蓝皮书：2021年中国本科生就业报告》显示，2021年东部和沿海城市的人才吸引力指数高达67.3%，是西部地区人才吸引力指数的两倍。人才吸引力最大的5个城市依次是：深圳、上海、北京、厦门、广州。结合各地区本科院校毕业生实际占比和2021届在本地区就业毕业生占比，综合来看，珠三角地区人才的吸引力较强，其次是长三角地区，而东北地区、中原地区人才吸引力较弱[4]。就业意向区域集中也是目前就业难的主要因素之一。

2.眼高手低，导致能力危机

“眼高手低”从本质上看是需求层次的错位。马斯洛的需求层次理论，将人的需求层次由低到高分为：生理需要、安全需要、社交需要、尊重的需要和自我实现的需要五个层次。低层次的基本需求要先满足（物质安全），然后才能上升到高层次需求（爱与尊重），然后再往价值和自我的实现提升。但“眼高手低”者则是打乱了马斯洛需求层次理论中的顺序关系，忽略或是刻意回避低层次的需求，直接把目标定位在自我实现的需求，如图5所示。“眼高手低”者总认为自己很优秀，必须要做喜欢的工作，不能为了生存，屈尊去做不喜欢的工作，认为这样就是放弃了梦想，输给了现实。“眼高手低”者的主要表现是，目光高远但实际动手能力较差，大事做不了，小事做不好;看不上所谓的普通工作，又不能很好地胜任自己中意的工作，高不成低不就。这样就造成其长期处于就业观望期的尴尬局面，导致就业困难。“眼高手低”的成因既包含个人因素，也包含社会因素。一方面，学生个体应充分认识自我、客观认识社会，加强教育实践，着力使目标教育趋于现实化;另一方面，社会也应该广泛提供提升大学生实践能力的条件，并为大学生客观评价自我创造条件，创造社会心理基础，驱动大学生需求层次回归合理。

3.普通高校本科毕业生就业适应性低于高职高专院校毕业生

普通高校本科教育注重理论知识的传授，培养理论型、学术型人才。普通高校本科学生在实践技能方面，没有足够的学习和实训经验，学术型的优势暂时发挥不出来，加之普通高校本科毕业生就业期望值普遍较高，因此在就业初期表现出适应性不强的缺点。高职高专院校重在培养学生的实际操作技能，毕业生一般都具备一门具体的应用性强、操作性强的职业技能。很多高职高专院校采用校企合作的办学模式，学生入学即与企业签订就业协议，学生毕业即上岗，因此培养目标明确。加之高职高专院校毕业生的就业期望普遍不高，有些毕业生还需要通过就业实现家庭脱贫，因此就业适应性强于普通高校毕业生。

三、大数据分析技术在解决当前就业问题中的积极作用

大数据分析是指对规模巨大的数据集群进行分析。大数据可以概括为4个V， 即数据量大（Volume）、速度快（Velocity）、类型多（Variety）、有价值（Value），如图6所示。大数据分析技术主要包括数据收集、数据存取、基础架构、数据处理、统计分析、数据挖掘、模型预测、结果呈现。通过分析技术对数据进行统一分析，然后可以在很短的时间内得出分析结果。因为其具有高速运算、分析、整理的特点，目前已经在很多行业成功应用。很多IT企业和消费领域的龙头企业，都应用大数据技术来分析消费者的消费倾向和被服务者的动向。各大网站的应用软件、著名搜索引擎，都会根据读者的阅读习惯来分析其兴趣爱好，以便做到精准推送，进而做到增加阅读量的目的。在精准化就业服务模式中应用大数据分析技术，一方面，可以根据毕业生习惯、喜好分析出毕业生的就业意向、就业期望，从而从海量的招聘信息中，筛选出匹配度高的信息进行精确推送;另一方面，也可以根据用人单位的各项数据，分析出其人才需求的准确定位。大数据分析技术不仅能有效提高就业中的人职匹配程度、提高就业成功率，而且对于就业工作的改革与创新、质量提升都有很大的应用价值[7]。

（一）利用大数据分析技术，可以将毕业生就业意向和用人单位的需求进行精准对接，缓解就业结构性矛盾造成的人才需求无法对接现状

此前，高校大都采用大型综合招聘会、中型招聘会、专场招聘会、毕业推荐会等传统形式，进行毕业生和用人单位之间的需求对接。这种传统形式通过毕业生自荐、用人单位口述或PPT讲述，进行双向选择。应用大数据分析技术可以根据采集整理到的海量数据，对符合本校的用人单位的人才需求进行分析，同时对该用人单位的运营状况，以及所处的行业前景进行分析，对于毕业生进入该单位的发展前景进行预判，给予毕业生清晰的就业指导。同时，可根据毕业生就业方向的统计，对相关用人单位发出邀请，面对面进行交流，提高就业成功率[8]。對于各用人单位而言，可以运用大数据分析技术更准确、更完整地了解学校的培养定位、人才优势，以及毕业生的各种技能特长和品格优点;同时结合用人单位自身的特点，准确地找到所需要人才，确保招聘的毕业生可以很快地适应工作岗位。这种方式提高了招聘工作的准确性和科学性，达到高校毕业生和用人单位的精准对接。同时，高质量的就业数据也能为招生、教学实施提供反馈和支撑，从而缓解就业结构性矛盾。8BE2BC5F-FE19-46FE-99A6-D0858F03C119

（二）利用大数据分析技术，可以为毕业生提供适合的工作建议，有助于加速知识转化、提升就业能力

由于信息不对称，一些高校毕业生对市场需求信息获取不充分，没有形成准确而稳定的预期，处于高不成低不就的困境。有些行业的数据涉及上百个参数。通过大数据分析中的数据挖掘技术，分析复杂海量数据的多源异构、多实体和多空间之间的交互动态性，可以更准确地预测经济和产业的未来发展变化，从而为在校大学生提供适合的工作和学习建议，帮助大学生更好地了解和把握产业未来发展变化态势，调整自身就业预期，并在平时的学习中，注重实践能力的锻炼和提升，以更好适应市场实际需求、快速适应工作岗位[9]。利用大数据分析技术，一方面能够减少大学毕业生的就业成本，降低用人单位的试用和培训成本;另一方面能够加速实现知识转换，提升大学生的就业适应性和就业能力。

（三）利用大数据分析技术，可以对大学生就业观进行培养，帮助其树立正确的就业理念

大数据分析的核心是数据处理，通过数据采集，筛选出有用的数据信息，再对有用信息进行关联分析和整合加工，挖掘有效的数据价值。因此，通过对毕业生就业进行跟踪，可以将就业状况、能力匹配等因素精准分析，从而制定今后就业服务的着力点和工作重点，在就业服务之前精准预测、科学判断，做一些前瞻性的就业指导。还可通过就业现状及趋势分析、就业数据统计、本专业（本地区）的就业质量报告，针对性地对大学生进行择业观和就业观的培养，使其形成良好的就业理念和正确的人生导向[10]。

四、大数据分析技术在就业精准化服务模式中的应用模型

将大数据分析技术应用于高校精准化就业服务模式中，其核心就是对所有就业相关数据进行处理、整合、加工。“大数据”不仅仅是指数据的“量”之大，更应注重范围之广，应包括全部就业相关的数据，通过毕业生求职信息、用人单位招聘信息、双选会参与信息、签约信息、用人单位反馈信息等，形成数据链，进而实现从共性化服务到个性化指导的精准转变。基于此，建立大数据分析技术在高校就业精准化服务模式中的应用模型，如图7所示。

（一）精准化就业服务模式中的就业数据采集和整理

大数据时代，信息瞬息万变。数据是具有时效性的，因此，在高校就业工作中应用大数据分析系统时，要及时采集和整理就业数据。目前，大部分高校的做法是建设就业信息网站、就业服务管理信息系统。就业信息网站是信息采集的重要平台，用人单位通过认证注册，可登录高校就业信息网站发布招聘信息，管理员进入网站后台进行管理，对用人单位发布的信息进行审核，也可对各类招聘信息、岗位数量进行精准统计，对毕业生关注和浏览的信息进行整理和统计。就业服务管理信息系统面向毕业生和就业工作人员，可导入应届毕业生的学籍档案信息数据，包括生源地、专业方向、社会实践经历、学习成绩等基本信息;还可及时了解毕业生就业动态，包括签约状态、就业去向、升学状态、就业满意度等各类就业状态[11]。另外，还可以采用微信问卷、纸质问卷等方式，全面采集、建立和吸纳更多毕业生就业相关的基本数据。针对往届毕业生，还可进行包括用户满意度调查、社会评价等反馈数据的采集。在基于大数据分析技术的就业服务模式中，基础阶段就是将就业信息网站、就业服务管理信息系统、各种形式问卷调查所采集到的数据进行数字转化和整理，数据量越大、样本越多，越能够为大数据分析和决策提供基础数据支撑。采集到的数据包括文件系统、数据库和资源管理系统，其中资源管理系统可为上层应用提供统一的资源管理和调度。

（二）精准化就业服务模式中的数据分析和整合

1.建立就业管理和决策大数据平台，使就业管理和决策科学化

信息交互平台是就业人员和用人单位获取信息资源的主要渠道，也直接影响着当今大学生的就业决策。传统就业决策大多建立在就业经验基础之上，就业管理者难以准确把握复杂多变的就业情况。大数据具有数据海量化、途径多元化、挖掘深度化、视角综合化等优势，有利于发现就业领域同一类数据本身的特征、不同数据之间的联系、数据与外在影响因素的相互作用[12]。建立高校毕业生就业管理和决策大数据平台，作为高校数字化的基本单元，有利于提高就业服务工作水平，实现充分就业，规范就业工作管理。

2.向毕业生精准、有序地推送匹配程度高的岗位需求信息

毕业生在择业时，通过大数据分析和整合可以处理大量复杂的综合信息，根据高校毕业生专业、经常关注的就业岗位等数据，通过大数据的查询分析、流分析可以分析出毕业生的工作意向，从而精准、有序地将适合的就业岗位信息，通过微信、短信、电子邮件等形式推送给相应的毕业生。查询分析大多基于表结构和关系函数，而流分析基于数据、事件流以及简单的统计分析。这样可以有效避免毕业生盲目寻找工作带来的工作不适应性，并避免在求职过程中消耗大量人力、物力、财力[13]。

3.向用人单位提供准确的毕业生信息，快速适配毕业生范围

对于企业来说，传统的简历只能看出求职者的基本信息，比如年龄、专业等有限信息。大数据分析技术可以通过可视化、交互式视觉表现的方式，帮助用人单位探索和理解复杂数据，将学工系统、学籍管理系统等数据进行精准分析，其中包括在校期间的表现、专业水平、日常考勤、消费习惯等交互筛选的大量数据，从而更快、更好地从复杂数据中得到新的发现，更准确、更完整地了解学生的各种特質。通过这种方式，能够给用人单位快速适配毕业生范围，从而准确地找到所需要的人才，确保招聘的毕业生能够快速适应工作岗位，有效地提高了招聘工作的准确性和科学性。

（三）精准化就业服务模式中的数据挖掘和加工

就业数据采集和整理的多元化方式，导致数据的复杂性和不规范性，处理和分析起来难度非常大，运用传统的人工分析和统计方法，很难准确高效地取得结果。首先，采用大数据分析中的数据挖掘和加工技术，通过数据挖掘的聚类算法、关联算法等，挖掘出海量数据中的有用信息。其次，对这些数据进行分析加工，利用决策树算法对数据进行处理，同时利用归纳算法生成可读的规则和决策树，再使用决策对新数据进行分析。最后，计算出就业信息熵。信息熵常被用来作为一个系统信息含量的量化指标，从而可以进一步用来作为系统方程优化的目标或者参数选择的判据。通过上述步骤，逐步构造和发现就业数据中的规律性信息，为就业形式的准确预判和就业决策提供数据支撑[14]。8BE2BC5F-FE19-46FE-99A6-D0858F03C119

（四）精准化就业服务模式中的数据清洗和存储

进入大数据时代，随着技术的不断发展，数据量从TB上升至PB、EB量级。如果还使用传统的数据存储方式，必将给大数据分析造成诸多不便，这就需要借助数据的动态处理技术，即随着数据的规律性变更和显示需求，对数据进行非定期的处理。当前最大的困惑是垃圾数据、冗余数据以及噪音数据的干扰。精准化就业服务模式中的数据清洗，是指在海量的数据中筛选出垃圾数据，并及时进行清理和删除，保留一切有用数据，并确保数据的真实性、准确性。就业数据中的大规模结构化数据可以采用新型数据库集群，结构化数据由二维表结构来逻辑表达和实现，严格地遵循数据格式与长度规范，主要通过关系型数据库进行存储和管理。它们通过列存储、行列混合存储、粗粒度索引等技术，结合大规模并行处理系统（Massive Parallel Processing，MPP）架构高效的分布式计算模式，实现对PB 量级数据的存储和管理。非结构化数据包括所有格式的办公文档、XML、HTML、各类报表、图片、音频、视频信息等，可采用基于Hadoop开源体系的系统平台，通过对Hadoop生态体系的技术扩展和封装，实现对非结构化数据的存储和管理[15]。一方面，用MPP 来管理计算高质量的结构化数据，提供强大的SQL和OLTP型服务，如图8所示;另一方面，用Hadoop实现对半结构化和非结构化数据的处理，以支持诸如内容检索、深度挖掘、综合分析等新型应用。只有真实、准确、完整的数据才能在大数据分析中起到应有的作用。同时，在数据存储方面，要关注就業信息的安全，防止毕业生信息泄露。数据的清洗和存储也是提升就业数据质量、做好持续性就业服务以及确保就业数据安全不容忽视的必要环节[16]。

五、结语

传统的就业工作模式中，各项数据并不匮乏，但缺乏对数据的收集、分析、整合、加工的能力。基于大数据分析技术的高校毕业生就业精准化服务模式，能够有效提高毕业生的就业“人职匹配度”和成功率，在很大程度上解决高校毕业生就业难的问题。就业是最大的民生，就业工作也是检验一所高校人才培养质量和教育成效的重要参考。在我国《普通高等学校本科教学工作水平评估方案（试行）》中，用人单位满意度是检验本科教学质量的一项重要指标。大数据时代，我们应该创新就业工作思维，主动迎接大数据时代的挑战和机遇，努力发掘大数据分析技术在就业工作中的深层次应用，努力完善高校精准化就业服务模式，提高就业服务能力和质量，在毕业生和用人单位之间架起一座彩虹桥。

参考文献：

[1]中国教育报.2021年全国教育事业统计主要结果发布[EB/OL].（2022-03-02）[2022-04-16].https：//baijiahao.baidu.com/s？id= 1726169204947569265&wfr=spider&for=pc.

[2]教育部高等教育司.全面振兴本科教育 推进高等教育内涵发展情况介绍[EB/OL].（2019-02-26）[2022-04-15].http：//www.moe.gov.cn/fbh/live/2019/50340/sfcl/201902/t20190226_ 371171.html.

[3]李克强.2020年政府工作报告[R/OL].（2020-05-22）[2022-04-17].http：//www.gov.cn/zhuanti/2020lhzfgzbg/index.htm？_zbs_baidu_bk.

[4]麦可思研究院.就业蓝皮书：2021年中国本科生就业报告[M].北京：社会科学文献出版社，2021.

[5]陈建伟.我国当前面临的就业结构性矛盾与应对策略[N].工人日报，2020-03-09（5）.

[6]理查德·雷文.大学工作[M].北京：外文出版社，2005.

[7]叶苗.大数据分析大学生就业率估计模型仿真[J].计算机仿真，2016，33（11）：183-186.

[8]李敏艳，高建波.基于大数据的精细化就业指导研究——以江西科技师范大学为例[J].职教论坛，2017（29）：30-32，50.

[9]张家明.大数据背景下的大学生个性化就业指导[J].教育与职业，2014（24）：98-99.

[10]倪瑜琥.大数据分析方法在高校毕业生就业情况中的应用探索[J].人力资源管理，2017（9）：294-296.

[11]王雪梅.大数据背景下基于层次分析法的高校毕业生就业评估模型研究[J].时代教育，2016（6）：20-21.

[12]王海珍.基于大数据的大学生就业指导分析[J].教育研究，2019（8）：11-18.

[13]蒋利平，彭立春.大数据时代高校毕业生就业质量预警机制建构研究[J].就业指导，2020（11）：5-10.

[14]李同果.大数据时代高校学生精准就业的路径选择[J].高等教育，2020（7）：12-19.

[15]梁本.关于大数据思维在高校就业指导工作中的应用[J].教育教学论坛.2019（12）：67-71.

[16]明承瀚，党瑞红.大数据理念在高校就业工作中的应用[J]，中国大学生就业，2014（20）：34-38.

作者简介：

岳晓融，西安音乐学院招生就业处处长、就业指导中心主任，博士研究生，主要研究方向为教育管理、教育信息化、艺术类高校招生、大学生就业指导，邮箱：15003@xacom.edu.cn;

张立国，教授，博士生导师，通讯作者，主要研究方向为教育管理、教育技术、网络与远程教育，邮箱：zhangliguok@126.com。

Research on The Application of Big Data Analysis Technology8BE2BC5F-FE19-46FE-99A6-D0858F03C119

in Colleges and Universities Precise Employment Service Mode

Xiaorong Yue1，2， Liguo Zhang1*

（1.Department of education， Shaanxi Normal University， Xian Shaanxi 710062;

2.Enrollment and Employment Department， Xian Conservatory of music， Xian Shaanxi 710061）

Abstract： With the rapid development of higher education in China， the number of college graduates increases year by year. In terms of employment， due to structural contradictions， conceptual deviations， information asymmetry and etc.， resulting in inadequate degree of “person-job matching”. Even if the graduates get a job for the first time， they will soon resign or lose their jobs because of inadaptability. Therefore， in recent years， the employment of college graduates has become more difficult， and the employment situation is more complicated and severe. The application of big data analysis technology to employment guidance， on the one hand， can accurately predict and analyze the employment and career choice of college students in various majors， while can provide accurate， hierarchical， and clear employment guidance for students. On the other hand， it can precisely push graduates matching the positions in demand to employers， so as to realize  precise connection between people and jobs and improve the success rate of employment. Starting with the current situation and problems of college graduates employment， this paper studies the application of big data analysis technology in the precise employment service mode of colleges and universities， in order to explore a more effective precise employment service mode and improve the effectiveness of college employment. The research shows that the precise employment service mode of colleges and universities based on big data analysis technology can effectively improve the employment of degree of “job-job-matching”， improve the success rate of employment， and solve the problem of difficult employment of college graduates to a large extent. The research suggests that colleges and universities should innovate their employment thinking， take the initiative to meet the challenges and opportunities in the era of big data， strive to explore the deep application of big data analysis technology in employment， and improve their employment service ability and service quality by improving the precise employment service model.

Keywords： Structural contradiction in employment; Employment concept; Big data analytics; Precise employment service MODEL

編辑：王晓明   校对：李晓萍8BE2BC5F-FE19-46FE-99A6-D0858F03C119