商业智能原理与应用

出版者:浙江大学出版社

作者:蔡颖

页数:301

出版时间:2011-9

价格:36.00元

isbn号码:9787308091206

具体描述

《商业智能原理与应用》内容简介：商业智能是将企事业单位积累的数据转化为知识，帮助企事业单位做出科学决策的工具。蔡颖、鲍立威编著的《商业智能原理与应用》以“商业智能”应用为主线，全面系统地介绍了商业智能的基本概念、方法和技术，克服了以“数据挖掘”技术为丰线的局限性，并以MS SQL Server作为数据仓库管理平台，以SQL Server Business Intelligence Developrnent Visual Studio作为商业智能开发平台，进行了丰富的案例演示。《商业智能原理与应用》可作为高等院校高年级本科生教材，也可作为MBA教材以及相关专业人员、市场营销人员、管理决策支持等实际经济管理领域实务工作者的参考用书。

目录信息

第1章 数据挖掘和商业智能
1.1 数据挖掘的兴起
1.1.1 数据丰富与知识匮乏
1.1.2 从数据到知识
1.1.3 数据挖掘产生
1.1.4 数据挖掘解决的商业问题
1.2 什么是商业智能
1.2.1 企业决策实现过程的信息需求
1.2.2 企业信息化系统中的商业智能
1.2.3 商业智能的体系结构
1.3 数据挖掘和商业智能工具
1.3.1 商业智能工具的选择
1.3.2 SQL Server 2008的商业智能构架
1.4 数据挖掘应用案例
【本章小结】
【练习题】
第2章 数据仓库
2.1 数据仓库的概念
2.1.1 从传统数据库到数据仓库
2.1.2 数据仓库的定义与基本特性
2.2 数据仓库的体系结构
2.2.1 数据仓库的物理结构
2.2.2 数据仓库的系统结构
2.2.3 数据仓库的数据模型
2.3 元数据
2.3.1 元数据的定义
2.3.2 元数据的分类及作用
2.4 数据集市
2.4.1 两种数据集市结构
2.4.2 数据集市与数据仓库的差别
2.4.3 关于数据集市的误区
2.5 数据仓库设计与实施
2.5.1 自上而下还是自下而上的设计方法
2.5.2 数据仓库的设计步骤
2.5.3 数据仓库的实施
2.5.4 数据仓库的使用和维护
2.6 Microsoft数据仓库（DW）和商业智能（BI）工具
2.7 数据仓库设计案例
2.7.1 业务数据库AdventureWorks
2.7.2 业务数据分析
2.7.3 项目需求分析
2.7.4 构建数据仓库
【本章小结】
【练习题】
第3章 数据预处理
3.1 数据预处理的重要性
3.2 数据清洗
3.2.1 遗漏数据处理
3.2.2 噪声数据处理
3.2.3 不一致数据处理
3.3 数据集成与转换
3.3.1 数据集成处理
3.3.2 数据转换处理
3.4 数据消减
3.4.1 数据立方合计
3.4.2 维数消减
3.4.3 数据块消减
3.5 离散化和概念层次树生成
3.5.1 数值概念层次树生成
3.5.2 类别概念层次树生成
3.6 使用SSIS对数据进行ETL操作
3.6.1 SSIS的主要功能
3.6.2 SSIS的体系结构
3.6.3 SSIS包主要对象
3.6.4 创建并运行一个简单的包
【本章小结】
【思考题】
第4章 多维数据分析
4.1 多维数据分析基础
4.2 多维数据分析方法
4.3 多维数据的存储方式
4.3.1 三种存储方式
4.3.2 三种存储方式的比较
4.4 多维表达式（MDX）
4.4.1 MDX中的重要概念
4.4.2 MDX基本语法
4.4.3 MDX与SQL的区别
4.4.4 MDX核心函数
4.5 使用SQL Servet Analysis Services（SSAS）构建维度和多维数据集
4.5.1 SSAS的体系结构
4.5.2 SSAS的统一维度模型（UDM）
4.5.3 SSAS示例
4.6 使用Excel数据透视图浏览多维数据集
【本章小结】
【思考题】
第5章 用Microsoft SSRS处理智能报表
5.1 SSRS商业智能报表
5.1.1 商业智能报表与商业智能
5.1.2 SSRS的结构
5.1.3 SSRS报表的3种状态
5.2 使用SSRS创建报表
5.2.1 创建一个简单报表项目
5.2.2 增强基本报表的功能
5.2.3 发布报表
【本章小结】
第6章 数据挖掘技术
6.1 数据挖掘的任务
6.1.1 分类
6.1.2 回归
6.1.3 时间序列分析
6.1.4 预测
6.1.5 聚类
6.1.6 关联规则
6.1.7 序列分析
6.1.8 偏差检测
6.2 数据挖掘的对象
6.3 数据挖掘系统的分类
6.4 数据挖掘项目的生命周期
6.4.1 商业理解
6.4.2 数据准备
6.4.3 模型构建
6.4.4 模型评估
6.4.5 应用集成和实施
6.5 数据挖掘面临的挑战及发展
6.5.1 数据挖掘面临的挑战
6.S.2 数据挖掘的发展趋势
【本章小结】
【思考题】
第7章 关联挖掘
7.1 关联规则挖掘
7.1.1 购物分析：关联挖掘
7.1.2 基本概念
7.1.3 关联规则挖掘分类
7.2 单维布尔关联规则挖掘
7.2.1 Apriori算法
7.2.2 关联规则的生成
7.3 挖掘多层级关联规则
7.3.1 挖掘多层次关联规则
7.3.2 挖掘多层次关联规则方法
7.3.3 多层次关联规则的冗余
7.4 多维关联规则的挖掘
7.4.1 多维关联规则
7.4.2 利用静态离散挖掘多维关联规则
7.5 关联挖掘中的相关分析
7.5.1 无意义强关联规则示例
7.5.2 从关联分析到相关分析
7.6 利用Microsoft SSAS进行关联挖掘
7.6.1 Microsoft关联规则模型简介
7.6.2 关联规则数据挖掘示例
【本章小结】
【思考题】
第8章 分类与预测
8.1 分类与预测基本知识
8.2 有关分类和预测的几个问题
8.3 基于决策树的分类
8.3.1 决策树生成算法
8.3.2 属性选择方法
8.3.3 树枝修剪
8.3.4 决策树分类规则获取
8.3.5 级别决策树方法的改进
8.3.6 数据仓库技术与决策树归纳的结合
8.4 贝叶斯分类方法
8.4.1 贝叶斯定理
8.4.2 基本贝叶斯分类方法
8.5 神经网络分类方法
8.5.1 多层前馈神经网络
8.5.2 神经网络结构
8.5.3 后传方法
8.5.4 后传方法和可理解性
8.6 分类器准确性
8.6.1 分类器准确性估计
8.7 预测方法
8.7.1 线性与多变量回归
8.7.2 非线性回归
8.7.3 其它回归模型
8.8 Microsoft贝叶斯算法
8.8.1 贝叶斯算法的参数
8.8.2 使用贝叶斯模型
8.8.3 浏览贝叶斯模型
8.9. Microsoft决策树算法
8.10 Microsoft神经网络算法
【本章小结】
【思考题】
第9章 聚类分析
9.1 聚类分析概念
9.2 聚类分析中的数据类型
9.2.1 间隔数值属性
9.2.2 二值属性
9.2.3 符号、顺序和比例数值属性
9.2.4 混合类型属性
9.3 主要聚类方法
9.4 划分方法
9.4.1 传统划分方法
9.4.2 大数据库的划分方法
9.5 层次方法
9.5.1 两种基本层次聚类方法
9.6 基于密度方法
9.6.1 基于密度方法：DBSCAN
9.7 异常数据分析
9.7.1 基于统计的异常检测方法
9.7.2 基于距离的异常检测方法
9.7.3 基于偏差的异常检查方法
9.8 Microsoft聚类算法
【本章小结】
【思考题】
第10章 时序数据和序列数据挖掘
10.1 时间序列模型
10.2 Microsoft的时序算法
10.2.1 自动回归
10.2.2 自动回归树
10.2.3 数据中的季节性处理
10.2.4 使用预测函数预测值
10.3 Microsoft时序算法示例
10.4 Microsoft的序列模式挖掘
10.4.1 Microsoft序列聚类算法
10.4.2 序列聚类挖掘示例
【本章小结】
【思考题】
第11章 基于多维数据集的数据挖掘
11.1 OLAP和数据挖掘之间的关系
11.2 构建OLAP挖掘模型
【本章小结】
· · · · · · (收起)

用户评价

我必须承认，我对技术书籍的耐心向来有限，很多书看到一半就束之高阁了。但这本书，我竟然一口气读完了大部分，原因在于它对“应用”二字的诠释非常到位。很多书停留在“是什么”的层面，而这本书着重于“怎么做”。特别是关于可视化报告设计的章节，它没有仅仅罗列各种图表类型，而是从认知心理学角度出发，解释了为什么某些图表在特定场景下更有效。这种跨学科的融合，让整个阅读体验提升了一个档次。我甚至特意在公司内部推荐给了几位新入职的同事，让他们以此为蓝本，来审视我们现有的数据呈现方式。书中提供的各种最佳实践和陷阱预警，都凝聚着作者大量的实战经验，读起来让人觉得安全感十足，仿佛手握了一份行业内的“避坑指南”，对于想快速提升数据驱动能力的人来说，价值不可估量。

这本书的深度和广度都令人惊叹，它不仅仅是一本操作手册，更像是一份深刻的行业洞察报告。我尤其欣赏作者在探讨数据建模方法论时所展现出的批判性思维。他没有盲目推崇某一种主流模型，而是对不同建模思想的优劣进行了坦诚的对比和权衡，并结合当前技术栈的演进，指出了未来可能的发展方向。这种不偏不倚，但又极具前瞻性的论述方式，让我对其专业性深信不疑。此外，书中的案例分析非常扎实，很多都是笔者在不同企业咨询服务中积累的真实案例提炼而来，数据流转的复杂性、部门间的协作障碍等现实问题，都被毫不留情地揭示出来，这对于期望在组织内部推行BI变革的读者来说，提供了宝贵的参考框架。它教会我的，不只是技术，更是如何与“人”和“流程”打交道。

这本书的封面设计相当大气，那种深沉的蓝色调配上烫金的标题，第一眼就给人一种专业和严谨的感觉。我原本以为内容会是那种枯燥的理论堆砌，毕竟“原理”两个字摆在那里，但翻开目录后，发现作者的编排思路很巧妙。它没有一上来就抛出复杂的数学模型或者晦涩难懂的算法，而是从商业的视角切入，讲述了信息如何转化为决策力的过程。特别是关于数据治理那一章，作者用了很多现实中的案例来解释为什么数据质量对后续的BI系统构建至关重要，而不是空泛地喊口号。阅读过程中，我甚至能想象出作者在课堂上讲解时的那种激情，他对这个领域的理解是深入骨髓的，能够将抽象的概念用非常贴近实际业务场景的语言阐述出来，这一点对于初学者或者希望系统梳理知识的专业人士来说，无疑是巨大的福音。书中对不同行业数据应用差异的分析，也让我对如何将通用原理落地到垂直领域有了更清晰的认识。

这本书的叙述方式简直像一位经验丰富的老前辈在跟你“拉家常”，但聊的都是最核心的干货。它的结构安排极富层次感，从宏观的战略规划到微观的技术实现，过渡得行云流水，毫无生硬的跳跃感。让我印象最深刻的是，书中对“指标体系构建”这一环节的讲解，简直是教科书级别的范本。它不仅仅给出了构建指标的步骤，更深入剖析了不同层级指标之间的逻辑关系，比如如何从高层的经营目标分解到运营层的关键绩效指标（KPI），以及如何避免指标的“自说自话”。我过去在工作中常常遇到指标泛滥、互相矛盾的问题，读完这一部分后，立刻茅塞顿开，仿佛找到了解决问题的万能钥匙。作者在行文中穿插了一些小故事或者历史沿革，让原本可能略显沉闷的技术讨论变得鲜活起来，极大地降低了阅读门槛，体现了作者深厚的文字功底和教学智慧。

这本书的阅读体验非常流畅，文字干净利落，没有丝毫拖泥带水。最吸引我的一点是它对“商业智能”这一概念的重新定义和边界梳理。在如今大数据、人工智能概念泛滥的背景下，很多人已经混淆了BI与数据科学的区别。这本书清晰地界定了BI的核心价值在于支持**日常运营和战术决策**，并详细阐述了支撑这些决策所需的数据基础和分析工具链。书中对于数据仓库与数据集市的设计理念讲解得非常到位，结构清晰，逻辑严密，让我对于如何构建一个既能满足即时查询，又能支持历史回顾的数据平台有了非常具象化的理解。它仿佛为我提供了一套完整的“方法论工具箱”，而不是零散的知识点，读完后感觉自己的知识体系得到了极大的完善和巩固，完全可以作为案头工具书随时翻阅。

个人觉得是很好的一本教材。从非专业人士的角度来看，作者耐心的梳理了全流程，并拆分为几个章节。理论+实例，较为详实的讲解了数据挖掘前中后的要点。前1/3没有基础的人还是可以看一看的，从中间开始涉及到数理逻辑和DT相关的内容多一些，建议手边备数理统计相关的书做释疑。

个人觉得是很好的一本教材。从非专业人士的角度来看，作者耐心的梳理了全流程，并拆分为几个章节。理论+实例，较为详实的讲解了数据挖掘前中后的要点。前1/3没有基础的人还是可以看一看的，从中间开始涉及到数理逻辑和DT相关的内容多一些，建议手边备数理统计相关的书做释疑。

个人觉得是很好的一本教材。从非专业人士的角度来看，作者耐心的梳理了全流程，并拆分为几个章节。理论+实例，较为详实的讲解了数据挖掘前中后的要点。前1/3没有基础的人还是可以看一看的，从中间开始涉及到数理逻辑和DT相关的内容多一些，建议手边备数理统计相关的书做释疑。

个人觉得是很好的一本教材。从非专业人士的角度来看，作者耐心的梳理了全流程，并拆分为几个章节。理论+实例，较为详实的讲解了数据挖掘前中后的要点。前1/3没有基础的人还是可以看一看的，从中间开始涉及到数理逻辑和DT相关的内容多一些，建议手边备数理统计相关的书做释疑。

个人觉得是很好的一本教材。从非专业人士的角度来看，作者耐心的梳理了全流程，并拆分为几个章节。理论+实例，较为详实的讲解了数据挖掘前中后的要点。前1/3没有基础的人还是可以看一看的，从中间开始涉及到数理逻辑和DT相关的内容多一些，建议手边备数理统计相关的书做释疑。