編輯推薦:

內(nèi)容簡介:    商業(yè)智能是將企事業(yè)單位積累的數(shù)據(jù)轉(zhuǎn)化為知識，幫助企事業(yè)單位做出科學決策的工具?！陡叩仍盒＝?jīng)濟管理類規(guī)劃教材：商業(yè)智能原理與應用》以“商業(yè)智能”應用為主線，全面系統(tǒng)地介紹了商業(yè)智能的基本概念、方法和技術(shù)，克服了以“數(shù)據(jù)挖掘”技術(shù)為豐線的局限性，并以MS SQL Server作為數(shù)據(jù)倉庫管理平臺，以SQL Server Business Intelligence Developrnent Visual Studio作為商業(yè)智能開發(fā)平臺，進行了豐富的案例演示。《高等院校經(jīng)濟管理類規(guī)劃教材：商業(yè)智能原理與應用》可作為高等院校高年級本科生教材，也可作為MBA教材以及盯相關(guān)專業(yè)人員、市場營銷人員、管理決策支持等實際經(jīng)濟管理領(lǐng)域?qū)崉展ぷ髡叩膮⒖加脮?

作者簡介:

目錄:第1章 數(shù)據(jù)挖掘和商業(yè)智能
1.1 數(shù)據(jù)挖掘的興起
1.1.1 數(shù)據(jù)豐富與知識匱乏
1.1.2 從數(shù)據(jù)到知識
1.1.3 數(shù)據(jù)挖掘產(chǎn)生
1.1.4 數(shù)據(jù)挖掘解決的商業(yè)問題
1.2 什么是商業(yè)智能
1.2.1 企業(yè)決策實現(xiàn)過程的信息需求
1.2.2 企業(yè)信息化系統(tǒng)中的商業(yè)智能
1.2.3 商業(yè)智能的體系結(jié)構(gòu)
1.3 數(shù)據(jù)挖掘和商業(yè)智能工具
1.3.1 商業(yè)智能工具的選擇
1.3.2 SQL Server 2008的商業(yè)智能構(gòu)架
1.4 數(shù)據(jù)挖掘應用案例
【本章小結(jié)】
【練習題】

第2章 數(shù)據(jù)倉庫
2.1 數(shù)據(jù)倉庫的概念
2.1.1 從傳統(tǒng)數(shù)據(jù)庫到數(shù)據(jù)倉庫
2.1.2 數(shù)據(jù)倉庫的定義與基本特性
2.2 數(shù)據(jù)倉庫的體系結(jié)構(gòu)
2.2.1 數(shù)據(jù)倉庫的物理結(jié)構(gòu)
2.2.2 數(shù)據(jù)倉庫的系統(tǒng)結(jié)構(gòu)
2.2.3 數(shù)據(jù)倉庫的數(shù)據(jù)模型
2.3 元數(shù)據(jù)
2.3.1 元數(shù)據(jù)的定義
2.3.2 元數(shù)據(jù)的分類及作用
2.4 數(shù)據(jù)集市
2.4.1 兩種數(shù)據(jù)集市結(jié)構(gòu)
2.4.2 數(shù)據(jù)集市與數(shù)據(jù)倉庫的差別
2.4.3 關(guān)于數(shù)據(jù)集市的誤區(qū)
2.5 數(shù)據(jù)倉庫設(shè)計與實施
2.5.1 自上而下還是自下而上的設(shè)計方法
2.5.2 數(shù)據(jù)倉庫的設(shè)計步驟
2.5.3 數(shù)據(jù)倉庫的實施
2.5.4 數(shù)據(jù)倉庫的使用和維護
2.6 Microsoft數(shù)據(jù)倉庫（DW）和商業(yè)智能（BI）工具
2.7 數(shù)據(jù)倉庫設(shè)計案例
2.7.1 業(yè)務數(shù)據(jù)庫AdventureWorks
2.7.2 業(yè)務數(shù)據(jù)分析
2.7.3 項目需求分析
2.7.4 構(gòu)建數(shù)據(jù)倉庫
【本章小結(jié)】
【練習題】

第3章 數(shù)據(jù)預處理
3.1 數(shù)據(jù)預處理的重要性
3.2 數(shù)據(jù)清洗
3.2.1 遺漏數(shù)據(jù)處理
3.2.2 噪聲數(shù)據(jù)處理
3.2.3 不一致數(shù)據(jù)處理
3.3 數(shù)據(jù)集成與轉(zhuǎn)換
3.3.1 數(shù)據(jù)集成處理
3.3.2 數(shù)據(jù)轉(zhuǎn)換處理
3.4 數(shù)據(jù)消減
3.4.1 數(shù)據(jù)立方合計
3.4.2 維數(shù)消減
3.4.3 數(shù)據(jù)塊消減
3.5 離散化和概念層次樹生成
3.5.1 數(shù)值概念層次樹生成
3.5.2 類別概念層次樹生成
3.6 使用SSIS對數(shù)據(jù)進行ETL操作
3.6.1 SSIS的主要功能
3.6.2 SSIS的體系結(jié)構(gòu)
3.6.3 SSIS包主要對象
3.6.4 創(chuàng)建并運行一個簡單的包
【本章小結(jié)】
【思考題】

第4章 多維數(shù)據(jù)分析
4.1 多維數(shù)據(jù)分析基礎(chǔ)
4.2 多維數(shù)據(jù)分析方法
4.3 多維數(shù)據(jù)的存儲方式
4.3.1 三種存儲方式
4.3.2 三種存儲方式的比較
4.4 多維表達式（MDX）
4.4.1 MDX中的重要概念
4.4.2 MDX基本語法
4.4.3 MDX與SQL的區(qū)別
4.4.4 MDX核心函數(shù)
4.5 使用SQL Servet Analysis Services（SSAS）構(gòu)建維度和多維數(shù)據(jù)集
4.5.1 SSAS的體系結(jié)構(gòu)
4.5.2 SSAS的統(tǒng)一維度模型（UDM）
4.5.3 SSAS示例
4.6 使用Excel數(shù)據(jù)透視圖瀏覽多維數(shù)據(jù)集
【本章小結(jié)】
【思考題】

第5章 用Microsoft SSRS處理智能報表
5.1 SSRS商業(yè)智能報表
5.1.1 商業(yè)智能報表與商業(yè)智能
5.1.2 SSRS的結(jié)構(gòu)
5.1.3 SSRS報表的3種狀態(tài)
5.2 使用SSRS創(chuàng)建報表
5.2.1 創(chuàng)建一個簡單報表項目
5.2.2 增強基本報表的功能
5.2.3 發(fā)布報表
【本章小結(jié)】

第6章 數(shù)據(jù)挖掘技術(shù)
6.1 數(shù)據(jù)挖掘的任務
6.1.1 分類
6.1.2 回歸
6.1.3 時間序列分析
6.1.4 預測
6.1.5 聚類
6.1.6 關(guān)聯(lián)規(guī)則
6.1.7 序列分析
6.1.8 偏差檢測
6.2 數(shù)據(jù)挖掘的對象
6.3 數(shù)據(jù)挖掘系統(tǒng)的分類
6.4 數(shù)據(jù)挖掘項目的生命周期
6.4.1 商業(yè)理解
6.4.2 數(shù)據(jù)準備
6.4.3 模型構(gòu)建
6.4.4 模型評估
6.4.5 應用集成和實施
6.5 數(shù)據(jù)挖掘面臨的挑戰(zhàn)及發(fā)展
6.5.1 數(shù)據(jù)挖掘面臨的挑戰(zhàn)
6.S.2 數(shù)據(jù)挖掘的發(fā)展趨勢
【本章小結(jié)】
【思考題】

第7章 關(guān)聯(lián)挖掘
7.1 關(guān)聯(lián)規(guī)則挖掘
7.1.1 購物分析：關(guān)聯(lián)挖掘
7.1.2 基本概念
7.1.3 關(guān)聯(lián)規(guī)則挖掘分類
7.2 單維布爾關(guān)聯(lián)規(guī)則挖掘
7.2.1 Apriori算法
7.2.2 關(guān)聯(lián)規(guī)則的生成
7.3 挖掘多層級關(guān)聯(lián)規(guī)則
7.3.1 挖掘多層次關(guān)聯(lián)規(guī)則
7.3.2 挖掘多層次關(guān)聯(lián)規(guī)則方法
7.3.3 多層次關(guān)聯(lián)規(guī)則的冗余
7.4 多維關(guān)聯(lián)規(guī)則的挖掘
7.4.1 多維關(guān)聯(lián)規(guī)則
7.4.2 利用靜態(tài)離散挖掘多維關(guān)聯(lián)規(guī)則
7.5 關(guān)聯(lián)挖掘中的相關(guān)分析
7.5.1 無意義強關(guān)聯(lián)規(guī)則示例
7.5.2 從關(guān)聯(lián)分析到相關(guān)分析
7.6 利用Microsoft SSAS進行關(guān)聯(lián)挖掘
7.6.1 Microsoft關(guān)聯(lián)規(guī)則模型簡介
7.6.2 關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘示例
【本章小結(jié)】
【思考題】

第8章 分類與預測
8.1 分類與預測基本知識
8.2 有關(guān)分類和預測的幾個問題
8.3 基于決策樹的分類
8.3.1 決策樹生成算法
8.3.2 屬性選擇方法
8.3.3 樹枝修剪
8.3.4 決策樹分類規(guī)則獲取
8.3.5 級別決策樹方法的改進
8.3.6 數(shù)據(jù)倉庫技術(shù)與決策樹歸納的結(jié)合
8.4 貝葉斯分類方法
8.4.1 貝葉斯定理
8.4.2 基本貝葉斯分類方法
8.5 神經(jīng)網(wǎng)絡(luò)分類方法
8.5.1 多層前饋神經(jīng)網(wǎng)絡(luò)
8.5.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
8.5.3 后傳方法
8.5.4 后傳方法和可理解性
8.6 分類器準確性
8.6.1 分類器準確性估計
8.7 預測方法
8.7.1 線性與多變量回歸
8.7.2 非線性回歸
8.7.3 其它回歸模型
8.8 Microsoft貝葉斯算法
8.8.1 貝葉斯算法的參數(shù)
8.8.2 使用貝葉斯模型
8.8.3 瀏覽貝葉斯模型
8.9. Microsoft決策樹算法
8.10 Microsoft神經(jīng)網(wǎng)絡(luò)算法
【本章小結(jié)】
【思考題】

第9章 聚類分析
9.1 聚類分析概念
9.2 聚類分析中的數(shù)據(jù)類型
9.2.1 間隔數(shù)值屬性
9.2.2 二值屬性
9.2.3 符號、順序和比例數(shù)值屬性
9.2.4 混合類型屬性
9.3 主要聚類方法
9.4 劃分方法
9.4.1 傳統(tǒng)劃分方法
9.4.2 大數(shù)據(jù)庫的劃分方法
9.5 層次方法
9.5.1 兩種基本層次聚類方法
9.6 基于密度方法
9.6.1 基于密度方法：DBSCAN
9.7 異常數(shù)據(jù)分析
9.7.1 基于統(tǒng)計的異常檢測方法
9.7.2 基于距離的異常檢測方法
9.7.3 基于偏差的異常檢查方法
9.8 Microsoft聚類算法
【本章小結(jié)】
【思考題】

第10章 時序數(shù)據(jù)和序列數(shù)據(jù)挖掘
10.1 時間序列模型
10.2 Microsoft的時序算法
10.2.1 自動回歸
10.2.2 自動回歸樹
10.2.3 數(shù)據(jù)中的季節(jié)性處理
10.2.4 使用預測函數(shù)預測值
10.3 Microsoft時序算法示例
10.4 Microsoft的序列模式挖掘
10.4.1 Microsoft序列聚類算法
10.4.2 序列聚類挖掘示例
【本章小結(jié)】
【思考題】

第11章 基于多維數(shù)據(jù)集的數(shù)據(jù)挖掘
11.1 OLAP和數(shù)據(jù)挖掘之間的關(guān)系
11.2 構(gòu)建OLAP挖掘模型
【本章小結(jié)】