图1 学生正餐消费次数与消费金额分布

　　图1是学生正餐消费次数与消费金额分布图示例。X轴为某月份(2010年9月份)学生正餐消费次数(除去每日早餐与周六、周日三餐)，Y轴为该月正餐的一餐消费均值(单位为分)，图1抽样数据为2010级所有学生(4150名)。管理者可以粗略地观察消费均值集中分布区域，与消费次数集中分布区域。如需要进一步挖掘出低消费人群，需要在下文中进一步分析。

　　M和N是人为给定的，需要校方管理人员结合实情与经验给出，比如上例中，我们假定为M=15次，N=5.00元，则通过X≥15次，N<5.00元，可以找到图1中相应的消费偏低的群体。

　　以上仅是一种理想的状况，在真实的分析中，有时需要根据不同的聚类来调整参数以得到不同的分析结果。比如：刷卡消费偏低群体中性别比例与实际在校生的性别比差别很大时，可能是学习日男女活动的频率差异参考值导致，因为男女生有较大差异，需要调整。我们抽样的数据可以进一步按性别进行聚类分样。

　　最后，通过学生基本信息库的关联分析，我们可以进一步得到：刷卡消费偏低与家庭情况的相关性、刷卡次数偏低与校内其他开放设施的划卡消费相关性、刷卡消费偏低与图书馆自习次数的相关性、刷卡消费偏低与就诊次数的相关性等等，以此让教师有更全面的判断。例如对于刷卡消费偏低同时图书馆自习次数较多成绩优秀的学生应给予助学补助及勤工助学机会。

　　对于刷卡次数异常的学生，说明思想出现了波动，例如经常不参加集体活动或经常在正常上课时间外出等。学校根据分析结果，找出这些行为异常的学生名单，便于校方进行重点的思想教育活动。

　　数字化校园及一卡通系统中所存储的学生信息、一卡通数据，成为有问题学生的决策依据，这仅是数据挖掘在数字化校园中的一个简单应用，如何把数据挖掘技术和数字化校园更好地结合起来，为高校的管理、建设决策提供更完备的支持是各大高校接下来面临的一个现实问题。

　　(作者单位为上海海事大学信息化办公室)