商務(wù)智能期末考試

1、第一講商務(wù)智能歸納（綜合論述題）學(xué)習(xí)本課程的原因：現(xiàn)代管理需要基于計(jì)算機(jī)的方法讓決策更有有效性企業(yè)需要有智能在解析型商務(wù)智能軟件的幫助下，用戶能夠成立一致的企業(yè)數(shù)據(jù)庫房平臺(tái)，并收集，接見，解析每個(gè)商業(yè)領(lǐng)域的數(shù)據(jù)，同時(shí)，數(shù)據(jù)庫技術(shù)的進(jìn)步，服務(wù)器性能的提升以及解析軟件算法的優(yōu)化，是的接見大型數(shù)據(jù)庫辦理海量信息變得更加簡單便利。商務(wù)智能能夠供應(yīng)個(gè)性化服務(wù)，以滿足不同樣用戶的需求，智能找尋能夠給決策者以很好的數(shù)據(jù)解析。與本專業(yè)的關(guān)系性:信息技術(shù)迅速發(fā)展的今天，電子商務(wù)已在公民經(jīng)濟(jì)中展現(xiàn)出極其重要的作用。陪同著服務(wù)形態(tài)在全球擴(kuò)大，市場需求多樣化，社會(huì)網(wǎng)絡(luò)的廣泛成立等社會(huì)經(jīng)濟(jì)巨大改革；數(shù)據(jù)量正以每年翻倍的

2、速度擴(kuò)增，但是數(shù)據(jù)源分別，異構(gòu)數(shù)據(jù)庫難以整合，數(shù)據(jù)接口復(fù)雜等問題嚴(yán)重，以致大量數(shù)據(jù)中真實(shí)能被利用來解析和運(yùn)用的數(shù)據(jù)不足10%。如何將數(shù)據(jù)有效轉(zhuǎn)變成決策者所需要的信息，提升電子商務(wù)整體應(yīng)用水平，已經(jīng)成為政府，企業(yè)界和軟件開發(fā)界關(guān)注的一個(gè)研究方向。（BI發(fā)展趨勢：績效管理，產(chǎn)品模塊的集成，構(gòu)造化和非構(gòu)造化數(shù)據(jù)，數(shù)據(jù)質(zhì)量，展望解析，客戶定制化。）依照商務(wù)智能的主要技術(shù)，以及電子商務(wù)的搬動(dòng)，虛假性，個(gè)性化，社會(huì)性等新式特點(diǎn)，把商務(wù)智能同電子商務(wù)基礎(chǔ)性規(guī)律結(jié)合起來，完滿商務(wù)節(jié)點(diǎn)的數(shù)據(jù)挖掘，抽取，轉(zhuǎn)變集成和應(yīng)用。提升電子商務(wù)中的智能找尋，精度營銷，比較購物，供應(yīng)鏈、配送優(yōu)化等現(xiàn)實(shí)需求。描述商務(wù)智能交融技術(shù)

3、在電子商務(wù)中的應(yīng)用展望。商務(wù)智能在電子商務(wù)中的典型應(yīng)用（1）數(shù)據(jù)挖掘的應(yīng)用：挖掘主若是挖掘出有潛力價(jià)值數(shù)據(jù)的信息拘束，主要應(yīng)用在情報(bào)解析，數(shù)據(jù)庫營銷，鑒別用戶花銷行為，客戶流失解析，劃分客戶集體等相關(guān)應(yīng)用。（沃爾瑪商場尿布與啤酒的銷售）（2）智能找尋的應(yīng)用：人們運(yùn)用要點(diǎn)詞進(jìn)行找尋返還的結(jié)果信息之間缺乏有效的關(guān)系，不但增加了用戶精選結(jié)果信息的時(shí)間，而且也為用戶查找有效信息增加了復(fù)雜的。更重要的是傳統(tǒng)找尋系統(tǒng)基于信息共享平臺(tái)設(shè)計(jì)，缺乏有效的權(quán)限管理策略和安全體系，無法有效的保證資訊信息合法使用。結(jié)合新興電子商務(wù)的特點(diǎn)與精度營銷，比較購物，供應(yīng)鏈、配送優(yōu)化等現(xiàn)實(shí)需求，研究電子商務(wù)中的知識(shí)管理與智能找

4、尋的理論和方法。主要內(nèi)容可包括：擁有智能的商務(wù)知識(shí)表達(dá)與數(shù)據(jù)挖掘方法，非構(gòu)造信息中的知識(shí)獲取技術(shù)，網(wǎng)頁數(shù)據(jù)有效提取與實(shí)時(shí)動(dòng)向解析技術(shù)，個(gè)性化介紹技術(shù)的應(yīng)用等問題。（3）可視化技術(shù)的應(yīng)用：基于有限的失散采樣，三維數(shù)據(jù)比幾何形態(tài)的信息更加豐富和完滿，而且更適合于表達(dá)不規(guī)則的研究對象。（4）知識(shí)管理的應(yīng)用：隨著知識(shí)管理在科研機(jī)構(gòu)內(nèi)的應(yīng)用，所有的科研成就和業(yè)內(nèi)最新信息都能夠共享在知識(shí)庫中，方便使用人員檢索知識(shí)，參照經(jīng)驗(yàn)，進(jìn)而達(dá)到商務(wù)成就信息的有效利用。（5）個(gè)性介紹技術(shù)的應(yīng)用：個(gè)性化介紹必定能夠?qū)τ脩舻南埠霉?yīng)相關(guān)性強(qiáng)的精確的介紹，盡可能減少個(gè)性化用戶的查找時(shí)間，介紹結(jié)果必定能夠?qū)崟r(shí)計(jì)算。商務(wù)智能在電

5、子商務(wù)中的未來發(fā)展趨勢商務(wù)智能簡單型趨勢（簡略易用的交互界面；優(yōu)異的合用性；推行與管理的便利性；）（2）商務(wù)智能平臺(tái)化發(fā)展（3）商務(wù)智能嵌入化趨勢（4）商務(wù)智能同公眾決策互補(bǔ)發(fā)展第二講商務(wù)智能導(dǎo)論1：BI的作用頁眉內(nèi)容1.1商務(wù)智能與信息社會(huì)處在信息社會(huì)的一個(gè)重要標(biāo)志性特點(diǎn)就是信息交融。由信息技術(shù)的進(jìn)步和廣泛應(yīng)用驅(qū)動(dòng)的技術(shù)交融不斷深入，從兩個(gè)方面對于人們的社會(huì)生活和經(jīng)濟(jì)活動(dòng)產(chǎn)生影響。(一方面，企業(yè)中好多傳統(tǒng)的業(yè)務(wù)決策問題逐漸變成信息決策問題.另一方面，信息產(chǎn)品及其應(yīng)用隨著技術(shù)創(chuàng)新表現(xiàn)出越來越豐富的形態(tài)和特點(diǎn))商務(wù)智能發(fā)展起來的四種推手：1：傳統(tǒng)業(yè)務(wù)報(bào)告數(shù)據(jù)充分而知識(shí)困窮；2：傳統(tǒng)報(bào)告不能夠滿足

6、用戶需求3：傳統(tǒng)解析工具的整合能力有限（用戶被限制在數(shù)據(jù)對象中，而不能夠進(jìn)一步解析和整合）4：信息技術(shù)及應(yīng)用的推行（大容量數(shù)據(jù)儲(chǔ)藏，互聯(lián)網(wǎng)，并行辦理，云技術(shù)）商務(wù)智能是信息社會(huì)繁榮的推動(dòng)力從傳統(tǒng)的商業(yè)領(lǐng)域逐漸拓展到政務(wù)領(lǐng)域、教育領(lǐng)域、醫(yī)療領(lǐng)域等其他各領(lǐng)域。1.2商務(wù)智能與企業(yè)管理商務(wù)智能對企業(yè)的戰(zhàn)略決策也同樣擁有特別重要的影響，這種影響表現(xiàn)在3個(gè)方面：企業(yè)戰(zhàn)略、業(yè)務(wù)戰(zhàn)略和職能戰(zhàn)略。(商務(wù)智能能夠依照企業(yè)各戰(zhàn)略業(yè)務(wù)單元的經(jīng)營業(yè)績和經(jīng)營定位來選擇合格的投資組合戰(zhàn)略商務(wù)智能能夠進(jìn)行企業(yè)外面要素解析：外面環(huán)境解析、行業(yè)情況解析、競爭對手解析等商務(wù)智能能夠在解析企業(yè)內(nèi)部要素(勞動(dòng)力，成本，技術(shù)，競爭等)

7、的基礎(chǔ)上為職能戰(zhàn)略供應(yīng)科學(xué)的決策依照)改進(jìn)關(guān)系：供應(yīng)相關(guān)業(yè)務(wù)情況的適用信息，提升企業(yè)有名度，改進(jìn)全信息鏈的效率。理解業(yè)務(wù)：能夠?qū)Ω黜?xiàng)業(yè)務(wù)進(jìn)行正確的評估，幫助理解業(yè)務(wù)的驅(qū)動(dòng)要素，鑒別對業(yè)務(wù)產(chǎn)生影響的要點(diǎn)要素，積極推動(dòng)業(yè)務(wù)發(fā)展，培養(yǎng)優(yōu)異發(fā)展態(tài)勢。創(chuàng)辦商業(yè)機(jī)遇：掌握各種商務(wù)數(shù)據(jù)和信息的企業(yè)能夠出手這些信息而盈利。衡量績效：從企業(yè)各個(gè)應(yīng)用系統(tǒng)中提取各種基礎(chǔ)績效指標(biāo)與要點(diǎn)績效指標(biāo)，對員工的工作績效進(jìn)行追蹤、衡量和議論。商務(wù)智能是如何協(xié)助企業(yè)進(jìn)行管理的呢?(基于目標(biāo)的管理：能計(jì)算跨組織的績效目標(biāo).基于異常的管理：檢測實(shí)質(zhì)指標(biāo)與計(jì)劃目標(biāo)之間的誤差.基于事實(shí)的管理：將企業(yè)目標(biāo)與事實(shí)結(jié)合.基于智能共同的管理：實(shí)

8、現(xiàn)企業(yè)內(nèi)部與外面資源的共同)商務(wù)智能的商業(yè)價(jià)值主要有三個(gè)方面的表現(xiàn)：省錢，提升效率和提升競爭力。2.1BI的看法商務(wù)智能是企業(yè)利用現(xiàn)代信息技術(shù)收集、管理和解析構(gòu)造化和非構(gòu)造化的商務(wù)數(shù)據(jù)和信息，創(chuàng)辦和累計(jì)商務(wù)知識(shí)和見解，改進(jìn)商務(wù)決策水平，采用有效的商務(wù)行動(dòng)，完滿各種商務(wù)流程，提升各方面商務(wù)績效，加強(qiáng)綜合競爭力的智慧和能力。2.2BI的理解商務(wù)智能是經(jīng)過對來自不同樣的數(shù)據(jù)源進(jìn)行一致辦理及管理，經(jīng)過靈便的展現(xiàn)方法來幫助企業(yè)進(jìn)行決策支持。2.3BI的四層面（個(gè)數(shù)據(jù)解析層面；信息系統(tǒng)層面；知識(shí)發(fā)現(xiàn)層面；戰(zhàn)略層面）商務(wù)智能的系統(tǒng)組成3.1四個(gè)階段：數(shù)據(jù)收集富強(qiáng)的解析工具專業(yè)的解析知識(shí)改進(jìn)決策水平3.2要點(diǎn)

9、技術(shù)：數(shù)據(jù)庫房，聯(lián)機(jī)解析辦理技術(shù)，數(shù)據(jù)挖掘，可視化技術(shù)。商務(wù)智能的開發(fā)方法（規(guī)劃，需求解析，設(shè)計(jì)，實(shí)現(xiàn)。）4.1商務(wù)智能系統(tǒng)成功的要點(diǎn)要素：培訓(xùn)，次序漸進(jìn)，業(yè)務(wù)人員與IT人員合作，高層支持，業(yè)務(wù)驅(qū)動(dòng)商務(wù)智能的發(fā)展趨勢交融加強(qiáng)，演變成門戶化?日趨“傻瓜”，表現(xiàn)人性化?可視化數(shù)據(jù)和自助式BI基于云計(jì)算的BI?搬動(dòng)BI?致力于找尋領(lǐng)域的BI第三講數(shù)據(jù)庫房的歸納不應(yīng)當(dāng)說數(shù)據(jù)庫到數(shù)據(jù)庫房是技術(shù)的進(jìn)步。數(shù)據(jù)庫房其實(shí)不是對數(shù)據(jù)庫的完整拋棄。數(shù)據(jù)庫與數(shù)據(jù)庫房的比較：數(shù)據(jù)集市頁眉內(nèi)容數(shù)據(jù)集市(DataMart)又叫數(shù)據(jù)市場，是部門級(jí)的數(shù)據(jù)庫房，也許是為某種特地的用途開發(fā)的數(shù)據(jù)儲(chǔ)藏系統(tǒng)。數(shù)據(jù)集市：規(guī)模較小，成本較

10、低，針對性更強(qiáng)。數(shù)據(jù)庫房：數(shù)據(jù)本源于各個(gè)部門的不同樣應(yīng)用系統(tǒng)，可保證數(shù)據(jù)的整合性。數(shù)據(jù)集市的兩種基本形式A:隸屬的數(shù)據(jù)集市（自上而下成立數(shù)據(jù)集市）數(shù)據(jù)是從企業(yè)的數(shù)據(jù)庫房獲取，可看作是數(shù)據(jù)庫房的一個(gè)子集。因此擁有較好的數(shù)據(jù)整合性。若需要的數(shù)據(jù)在數(shù)據(jù)集市中沒有，則要先更正數(shù)據(jù)庫房的構(gòu)造，使這種數(shù)據(jù)先進(jìn)入數(shù)據(jù)庫房，再進(jìn)入數(shù)據(jù)集市。這種數(shù)據(jù)市會(huì)集合用于對數(shù)據(jù)庫房的接見量比較大的要點(diǎn)業(yè)務(wù)部門。獨(dú)立的數(shù)據(jù)集市（自下而上成立數(shù)據(jù)集市）沒有數(shù)據(jù)庫房作為它的數(shù)據(jù)本源，而是直接從各個(gè)應(yīng)用系統(tǒng)獲取數(shù)據(jù)，因此，成本低，靈便性好，需要一種新的數(shù)據(jù)時(shí)不用更正企業(yè)級(jí)的數(shù)據(jù)庫房。可供應(yīng)個(gè)別部門所需要的數(shù)據(jù)，整合性較差。第四講

11、數(shù)據(jù)庫房的解析數(shù)據(jù)庫房的系統(tǒng)構(gòu)造數(shù)據(jù)庫房是面向主題、面向解析和知識(shí)發(fā)現(xiàn)的一種數(shù)據(jù)辦理技術(shù)，對數(shù)據(jù)庫房的使用沒有固定的模式，因此數(shù)據(jù)庫房與操作型事務(wù)辦理系統(tǒng)的構(gòu)造有很大的不同樣。對于用戶，數(shù)據(jù)庫房就是由數(shù)據(jù)源、數(shù)據(jù)庫房的數(shù)據(jù)儲(chǔ)藏、數(shù)據(jù)庫房的應(yīng)用工具和可視化用戶界面組成的。粒度越是詳細(xì)的數(shù)據(jù)，粒度級(jí)別越??；越是歸納的數(shù)據(jù)，粒度級(jí)別越大。雙重粒度指輕度綜合數(shù)據(jù)級(jí)和真實(shí)細(xì)節(jié)數(shù)據(jù)級(jí)(最低粒度級(jí))。3確定粒度大小一般考慮的原則：若數(shù)據(jù)庫房的空間很有限，為節(jié)約儲(chǔ)藏空間，宜采用大粒度級(jí)表示數(shù)據(jù)；若追求數(shù)據(jù)庫房能夠回答的問題種類的能力，要求能夠回答特別詳細(xì)的問題，則使用較小的數(shù)據(jù)粒度級(jí)別；若想要減少辦理器的負(fù)擔(dān)

12、，提升盤問性能，則采用較大的數(shù)據(jù)粒度級(jí)別；若沒有儲(chǔ)藏空間的限制，則可在一個(gè)數(shù)據(jù)庫房中采用多重粒度級(jí)別，既儲(chǔ)藏低粒度級(jí)其他數(shù)據(jù)，也儲(chǔ)藏高粒度級(jí)其他數(shù)據(jù)，以同時(shí)獲取高的盤問效率和盤問能力。第五講DW的設(shè)計(jì)與開發(fā)看法模型設(shè)計(jì)要點(diǎn)任務(wù)：解析和理解DW中的主題，確定主題的要素及描述屬性。邏輯模型設(shè)計(jì)要點(diǎn)任務(wù)：粒度的劃分、數(shù)據(jù)切割策略的確定、關(guān)系模式的定義、數(shù)據(jù)源及數(shù)據(jù)抽取模型等問題。物理模型設(shè)計(jì)要點(diǎn)任務(wù)：物理數(shù)據(jù)庫表及其儲(chǔ)藏構(gòu)造設(shè)計(jì)。看法模型設(shè)計(jì)確定主題（借助一些基本的方向性需求）?需要做哪些種類的決策？?決策者感興趣的是什么問題？對每個(gè)主題的內(nèi)容進(jìn)行描述（描述內(nèi)容）?解析問題時(shí)所關(guān)心的事實(shí)；?解析問題

13、時(shí)的各種觀察角度；?這些問題需要什么樣的信息?描述事實(shí)及觀察角度的屬性。?要獲取這些信息需要包括哪些數(shù)據(jù)？解析問題的維度市場經(jīng)理：產(chǎn)品種類、時(shí)間、銷售地區(qū)、銷售渠道等。市場部部長：時(shí)間、地區(qū)、客戶統(tǒng)計(jì)特點(diǎn)、分銷機(jī)構(gòu)、產(chǎn)品型號(hào)等。財(cái)務(wù)經(jīng)理：估量、時(shí)間、地區(qū)信息包圖（用戶信息需求表）某連鎖酒店入住情況（核心問題是客房的使用量）維度包括：客房種類，酒店，時(shí)間要點(diǎn)指標(biāo)：已占用客房，空房間，不能用房間，入住人數(shù)，收入等。頁眉內(nèi)容對維度客房種類的解析：房間種類，房間大小，床位數(shù)，床位種類，最多容納人數(shù)，套房家具，冰箱，廚房等。對維度酒店的解析：分支機(jī)構(gòu)代碼，分支機(jī)構(gòu)名稱，國家，省份，地區(qū)，城市，建設(shè)年份，

14、修葺年份等。對維度時(shí)間的解析：年份，季度，月份，星期幾，日期，假日標(biāo)準(zhǔn)等。5數(shù)據(jù)庫房項(xiàng)目的開發(fā)過程：項(xiàng)目規(guī)劃，需求解析，看法設(shè)計(jì)，ETL設(shè)計(jì)，邏輯和物理設(shè)計(jì)，實(shí)現(xiàn)與培訓(xùn)。第六講OLAP多維數(shù)據(jù)庫（MOLAP）與關(guān)系數(shù)據(jù)庫（ROLAP）在儲(chǔ)藏上的不同樣對關(guān)系數(shù)據(jù)庫來說，任何數(shù)據(jù)集均用二維表來存放；對多維數(shù)據(jù)庫也是用二維表來存放的，但其存放方式和效率不同樣。若增加匯總，儲(chǔ)藏空間的占用情況也不同樣。若增加一個(gè)時(shí)間維季度，采用關(guān)系數(shù)據(jù)庫儲(chǔ)藏時(shí)仍使用二維表，多維數(shù)據(jù)庫則采用數(shù)據(jù)立方體這樣的三維數(shù)組來儲(chǔ)藏。2MOLAP與ROLAP的特點(diǎn)一般情況，MOLAP和ROLAP的選擇主要看應(yīng)用的規(guī)模。若要成立功能復(fù)

15、雜、規(guī)模較大的企業(yè)級(jí)數(shù)據(jù)庫房，則一般選擇ROLAP方式；若是成立功能單一、小型的數(shù)據(jù)集市則更適合采用MOLAP方式。第七講DM的歸納產(chǎn)生DM的原因：數(shù)據(jù)挖掘技術(shù)產(chǎn)生的動(dòng)力：數(shù)據(jù)爆炸問題；數(shù)據(jù)過分而知識(shí)困窮（新理論、新資料、新工藝、新方法的不斷出現(xiàn)，使知識(shí)老化的速度加快。）從商業(yè)數(shù)據(jù)到商業(yè)信息的進(jìn)化推行數(shù)據(jù)挖掘的目的:?不再是單純?yōu)榱搜芯?，更主要的是為商業(yè)決策供應(yīng)真實(shí)有價(jià)值的信息，進(jìn)而獲取利潤。所有企業(yè)面對的一個(gè)共同問題是：企業(yè)數(shù)據(jù)量特別大，而其中真實(shí)有價(jià)值的信息卻很少，因此需要從大量的數(shù)據(jù)中經(jīng)過深層解析，獲取有利于商業(yè)運(yùn)作、提升競爭力的信息，就像從礦石中淘金同樣，數(shù)據(jù)挖掘也由此而得名。數(shù)據(jù)挖掘

16、與信息辦理、知識(shí)發(fā)現(xiàn)數(shù)據(jù)挖掘從大量的、不完滿的、有噪聲的、模糊的、隨機(jī)的實(shí)質(zhì)應(yīng)用數(shù)據(jù)中，提取隱含在其中的、人們早先不知道的、但又是潛藏適用的信息和知識(shí)的過程。與之相似的看法稱為知識(shí)發(fā)現(xiàn)。信息辦理基于盤問，能夠發(fā)現(xiàn)適用的信息。但是這種盤問回答反響的是直接存放在數(shù)據(jù)庫中的信息。它們不反響復(fù)雜的模式，或隱蔽在數(shù)據(jù)庫中的規(guī)律。知識(shí)發(fā)現(xiàn)(KnowledgeDiscoveryinDatabases)是用數(shù)據(jù)庫管理系統(tǒng)來儲(chǔ)藏?cái)?shù)據(jù)，用機(jī)器學(xué)習(xí)的方法來解析數(shù)據(jù)，挖掘大量數(shù)據(jù)背后隱蔽的知識(shí)，稱為數(shù)據(jù)庫中的知識(shí)發(fā)現(xiàn)。數(shù)據(jù)挖掘與數(shù)據(jù)庫房的差異聯(lián)系數(shù)據(jù)挖掘是數(shù)據(jù)庫房發(fā)展的必然結(jié)果。數(shù)據(jù)庫房為數(shù)據(jù)挖掘供應(yīng)給用基礎(chǔ)：大多數(shù)

17、數(shù)據(jù)挖掘工具要在集成的、一致的、經(jīng)過清理的數(shù)據(jù)進(jìn)步行挖掘；數(shù)據(jù)庫房構(gòu)造過程中已組建了數(shù)據(jù)辦理和數(shù)據(jù)解析的基礎(chǔ)設(shè)施，數(shù)據(jù)挖掘可借此進(jìn)行，不用重新組建基礎(chǔ)設(shè)施；數(shù)據(jù)庫房中的OLAP完滿可為數(shù)據(jù)挖掘供應(yīng)相關(guān)的數(shù)據(jù)操作支持；在數(shù)據(jù)挖掘中，若是將數(shù)據(jù)挖掘與數(shù)據(jù)庫房進(jìn)行有效地聯(lián)系，將增加數(shù)據(jù)挖掘的聯(lián)機(jī)挖掘功能。數(shù)據(jù)挖掘與OLAPOLAP解析過程在實(shí)質(zhì)上是一個(gè)演繹推理的過程，是決策支持領(lǐng)域的一部分。傳統(tǒng)的盤問和報(bào)表工具是告訴你數(shù)據(jù)庫中都有什么(whathappened)，OLAP則更進(jìn)一步告訴你下一步會(huì)怎么樣(Whatnext)和若是采用這樣的措施又會(huì)怎么樣(Whatif)。用戶第一成立一個(gè)假設(shè)，爾后用OL

18、AP檢索數(shù)據(jù)庫來考據(jù)這個(gè)假設(shè)可否正確。頁眉內(nèi)容數(shù)據(jù)挖掘在本上是一個(gè)推理的程，與OLAP不同樣的地方是，數(shù)據(jù)挖掘不是用于某個(gè)假設(shè)的模式(模型)的正確性，而是在數(shù)據(jù)中自己找模型。數(shù)據(jù)挖掘和OLAP擁有必然的互性。在利用數(shù)據(jù)挖掘出來的采用行從前，OLAP工具能起助決策作用。而且在知的早期段，OLAP工具用來研究數(shù)據(jù)，找到哪些是一個(gè)比重要的量，異常數(shù)據(jù)和互相影響的量。都有助于更好地理解數(shù)據(jù)，加快知的程。數(shù)據(jù)挖掘的用?行解析客使用分渠道的情況和分渠道的容量；成立利模型；客關(guān)系化；控制等?子商網(wǎng)上商品介紹；個(gè)性化網(wǎng)；自適網(wǎng)站?生物制、基因研究DNA序列和般配；基因序列的共生性?信欺甄；客流失?保、零售決策

19、?向性解析聚解析?客分?市分關(guān)解析?市合解析?套裝品解析?目?交織售神網(wǎng)?向性解析?客保留?目市?欺DW解決的商：介紹信息的生成，異常，客流失解析，管理，客分，廣告定位，。第八數(shù)據(jù)挖掘的程數(shù)據(jù)挖掘能夠企業(yè)供應(yīng)哪些幫助，如何使用聚、分、關(guān)挖掘和離群點(diǎn)等技企服。使用聚互網(wǎng)中的不同樣集體，用于網(wǎng)社區(qū)；(2)?使用分客行等劃分，進(jìn)而施不同樣的服；?(3)?使用關(guān)大型數(shù)據(jù)集中存在的關(guān)系，用于介紹找尋。如大多數(shù)找尋了“廣外”的人都會(huì)找尋“信息學(xué)院”，那么在找尋“廣外”后會(huì)提示可否一步找尋“信息學(xué)院”。?(4)?使用離群點(diǎn)挖掘與大多數(shù)象不同樣的象，用于解析網(wǎng)的奧秘收集信息的攻。CRISP-DM六段商理解：確

20、定目、估商境、確定數(shù)據(jù)挖掘目、提出目劃數(shù)據(jù)理解：收集原始數(shù)據(jù)、描述數(shù)據(jù)、研究數(shù)據(jù)、數(shù)據(jù)量數(shù)據(jù)準(zhǔn)：數(shù)據(jù)、數(shù)據(jù)沖刷、數(shù)據(jù)建、數(shù)據(jù)合并、數(shù)據(jù)格式化建模：建模技、方案估：果估、程回、確定下一步工作部署：部署劃、控和劃、做出最告、目回四次：段劃分、定通用任、定用任、理例上兩獨(dú)立于詳細(xì)數(shù)據(jù)挖掘方法，是一般數(shù)據(jù)挖掘目均需施的步(解決了“WHATTODO？”的)。兩的任將合詳細(xì)數(shù)據(jù)挖掘目的“上下文”(CONTEXT)照射到下兩的詳細(xì)任和程。下兩側(cè)重解決如何完成每個(gè)段所要完成的任和任的出所要求的必要照射活(用于解決“HOWTODO”的)。第九關(guān)解析1：通用主叫號(hào)的使用情況，行的關(guān)解析。有10，0音信箱，5移秘，

21、6信息點(diǎn)播，9呼叫移，10個(gè)主叫號(hào)及使用以下表所示。主叫號(hào)使用型主叫號(hào)使用型?A5，B6，T事數(shù)(主叫號(hào)數(shù))，AB出的支持度P(AB)=AB出次數(shù)/事數(shù)T=4/10=0.4眉內(nèi)容?對于擁有支持度0.4的項(xiàng)集AB，規(guī)則AB的可信度為P(B|A)=P(AB)/P(A)=(4/10)/(5/10)=0.4/0.5=0.8?同理，規(guī)則BA的可信度為P(A|B)=P(AB)/P(B)=0.4/0.6=0.67若用戶給出的最小可信度為0.3，最小支持度為0.3，則項(xiàng)集AB滿足最小支持度，是二項(xiàng)頻頻集，規(guī)則AB，BA兩條規(guī)則滿足最小可信度Apriori算法過程（基本思想:頻頻項(xiàng)集的任何子集也必然是頻頻的。）

22、(1)擬定最小支持度及最小置信度；(2)Apriori算法使用候選項(xiàng)集的看法，第一掃描數(shù)據(jù)庫產(chǎn)生候選項(xiàng)目集，若候選項(xiàng)目集的支持度最小支持度，則該候選項(xiàng)會(huì)集為頻頻項(xiàng)集；(3)在Apriori算法的過程中，第一由數(shù)據(jù)庫讀入所有的事務(wù)數(shù)據(jù)，得出候選1_項(xiàng)會(huì)集C1及相應(yīng)的支持度數(shù)據(jù)，經(jīng)過將每個(gè)1_項(xiàng)會(huì)集的支持度與最小支持度比較，得出頻頻1_項(xiàng)會(huì)集L1，爾后將這些頻頻1_項(xiàng)集兩兩進(jìn)行連接，產(chǎn)生候選2_項(xiàng)會(huì)集C2；(4)爾后再次掃描數(shù)據(jù)庫獲取候選2_項(xiàng)會(huì)集C2的支持度，將2_項(xiàng)集的支持度與最小支持度比較，確定頻頻2_項(xiàng)集L2，近似地，利用這些頻頻2_項(xiàng)集產(chǎn)生候選3_項(xiàng)集和確定頻頻3_項(xiàng)集，以此類推；(5)頻頻掃描數(shù)據(jù)庫與最小支持度比較，產(chǎn)生更高項(xiàng)的頻頻項(xiàng)會(huì)集，再結(jié)合產(chǎn)生下一級(jí)候選項(xiàng)集，直到不再結(jié)合產(chǎn)生出新的候選項(xiàng)集為止。2：假設(shè)最小支持度是2，最小置信度為50%，求大項(xiàng)集。第十講分類1熵（Entropy）：針對一個(gè)給定的屬性(可展望屬性)找出一個(gè)數(shù)學(xué)公式，來胸襟數(shù)據(jù)集的純度。2ID3算法成立決策樹Step1：成立相關(guān)性計(jì)數(shù)表Step2：選擇一個(gè)屬性，爾后在根層次進(jìn)行拆分。例：3從樹中生成分類規(guī)則用IF-THEN這種形式來表示規(guī)則對從根到葉節(jié)點(diǎn)的每條路徑創(chuàng)辦一條規(guī)則沿著一條路徑的每個(gè)屬性值對組成“并”連接葉子節(jié)點(diǎn)中的種類就是所展望的類規(guī)則更簡單被人們理解4決策樹相關(guān)問