物流信息系統(tǒng)第5-6講決策支持與商業(yè)智能

1、物流信息系統(tǒng)第5-6講 決策支持與商業(yè)智能July 22本講的主要內(nèi)容決策與決策支持系統(tǒng)DSS的結(jié)構(gòu)與工作原理多維數(shù)據(jù)模型數(shù)據(jù)倉(cāng)庫(kù)OLAP、EIS與數(shù)據(jù)可視化數(shù)據(jù)挖掘商業(yè)智能決策決策決策就是評(píng)價(jià)和選擇，是一個(gè)提出問(wèn)題，分析問(wèn)題和解決問(wèn)題的過(guò)程管理就是決策西蒙經(jīng)濟(jì)學(xué)、管理學(xué)等學(xué)科所研究的課題，實(shí)際上都是“人的決策過(guò)程和問(wèn)題求解過(guò)程”。要想真正理解組織內(nèi)的決策過(guò)程，就必須深刻了解人的思維過(guò)程。 “從某種意義上來(lái)說(shuō)，一切決策都是折中的問(wèn)題。最終選擇的方案，只不過(guò)是在當(dāng)時(shí)的情況下可以選擇的最佳行動(dòng)方案而已，不可能盡善盡美地實(shí)現(xiàn)各種目標(biāo)”決策的過(guò)程決策模型決策模型用以描述決策者如何做決策的工具決策模型的

2、作用是將原始信息經(jīng)定性分析和定量處理，轉(zhuǎn)化成直接與決策有關(guān)的信息，決策者掌握了這些信息之后，就明確了決策問(wèn)題的狀態(tài)和決策目標(biāo)，以便采取滿(mǎn)意的決策輔助決策決策問(wèn)題的分類(lèi)（1）三種決策問(wèn)題根據(jù)問(wèn)題的結(jié)構(gòu)程度，分成結(jié)構(gòu)化問(wèn)題、半結(jié)構(gòu)化問(wèn)題和非結(jié)構(gòu)化問(wèn)題結(jié)構(gòu)化程度：對(duì)某一問(wèn)題在不同環(huán)境下的發(fā)展規(guī)律與結(jié)果，能否用明確的語(yǔ)言（數(shù)學(xué)的或邏輯學(xué)的、形式的或非形式的，定量的或推理的）給予清晰的說(shuō)明或描述結(jié)構(gòu)化問(wèn)題是指常規(guī)的、重復(fù)的問(wèn)題，對(duì)于這些問(wèn)題有著標(biāo)準(zhǔn)的解決方法。非結(jié)構(gòu)化的問(wèn)題是指模糊的、復(fù)雜的問(wèn)題，沒(méi)有一刀切的、標(biāo)準(zhǔn)的答案。決策問(wèn)題的分類(lèi)（2）結(jié)構(gòu)化決策采用專(zhuān)門(mén)的方法處理確定的信息，所以總能得到準(zhǔn)確的答案

3、，沒(méi)有必要靠“感覺(jué)”或“直覺(jué)。這是一類(lèi)可編程的決策。也就是說(shuō)如果你輸人確定的信急并用精確的方法處理這些輸人信息，就能得到準(zhǔn)確的結(jié)果。 如，產(chǎn)品成本核算，固定資產(chǎn)折舊，零件訂貨在一個(gè)結(jié)構(gòu)化的問(wèn)題里，情報(bào)、設(shè)計(jì)和選擇都是結(jié)構(gòu)性的，獲得最佳答案的過(guò)程是清楚的。IT/IS可獲得滿(mǎn)意的解決決策問(wèn)題的分類(lèi)（2）非結(jié)構(gòu)化決策可能存在若干正確的解決方案，但沒(méi)有一種精確的方法計(jì)算出最優(yōu)方案，也沒(méi)有一組規(guī)則或標(biāo)準(zhǔn)能保證得到最佳的解決方案。 只能憑直覺(jué)和經(jīng)驗(yàn)作出判斷，IT/IS本身并不能解決，其作用是提供信息給決策者。如雜志封面選取半結(jié)構(gòu)問(wèn)題介于上述二者之間決策問(wèn)題的分類(lèi)（2）半結(jié)構(gòu)決策介于上述二者之間對(duì)于半結(jié)構(gòu)化

4、的問(wèn)題，其部分階段是結(jié)構(gòu)性的需要將標(biāo)準(zhǔn)化解決程序與個(gè)人判斷相結(jié)合。 IT/IS與人相結(jié)合來(lái)解決。各層次決策的比較三類(lèi)決策問(wèn)題的解決手段Decision FrequencyHighLowDecision StructureHighLowRoutine, programmable decisionNon-routine decisionDecision AutomationDecision Support SystemsSpecial studies決策支持系統(tǒng)1970s, Scott Morton “管理決策系統(tǒng)”一種“交互式的計(jì)算機(jī)系統(tǒng)，可以幫助決策者使用其數(shù)據(jù)及模型來(lái)解決非結(jié)構(gòu)化的問(wèn)題”。

5、1980s，DSS的主要特征數(shù)據(jù)和模型是 DSS 的主要資源；DSS 是用來(lái)支持用戶(hù)作決策，而不是代替用戶(hù)作決策DSS 主要用來(lái)解決半結(jié)構(gòu)化及非結(jié)構(gòu)化問(wèn)題DSS 的目的在于提高決策的有效性而不是提高決策的效率。 Turban 管理支持系統(tǒng)MIS與DSS的比較本講的主要內(nèi)容決策與決策支持系統(tǒng)DSS的結(jié)構(gòu)與工作原理多維數(shù)據(jù)模型數(shù)據(jù)倉(cāng)庫(kù)OLAP、EIS與數(shù)據(jù)可視化數(shù)據(jù)挖掘商業(yè)智能DSS的結(jié)構(gòu)（1）DSS的結(jié)構(gòu)（2）數(shù)據(jù)庫(kù)子系統(tǒng)DSS中的數(shù)據(jù)通常是預(yù)先從相關(guān)的數(shù)據(jù)庫(kù)中抽取出來(lái)的，而不是MIS中龐大的數(shù)據(jù)。DSS的DB中的數(shù)據(jù)來(lái)源組織內(nèi)部現(xiàn)有的IS，如MIS、TPS來(lái)自組織外部，為分析和決策服務(wù)DSS并

6、不直接存取修改現(xiàn)有的IS的數(shù)據(jù)，因?yàn)镸IS、TPS的數(shù)據(jù)不滿(mǎn)足DSS的要求安全性和速度的考慮數(shù)據(jù)庫(kù)子系統(tǒng)的作用為決策模型提供數(shù)據(jù)DSS的結(jié)構(gòu)（3）模型庫(kù)子系統(tǒng)模型從層次的角度來(lái)說(shuō)，模型庫(kù)中的模型主要?jiǎng)澐譃樗姆N類(lèi)型：戰(zhàn)略的、戰(zhàn)術(shù)的、操作的和分析的。 有四種模型分析功能在 DSS 中是最常用：因果分析（ what -if analysis ) ，目標(biāo)追尋，風(fēng)險(xiǎn)分析和仿真。 模型庫(kù)許多模型、模型構(gòu)建模塊 、編程語(yǔ)言DSS的結(jié)構(gòu)（4）模型庫(kù)管理系統(tǒng)（MBMS）模型庫(kù)管理系統(tǒng)是為生成模型和管理模型提供一個(gè)用戶(hù)友好環(huán)境的計(jì)算機(jī)軟件系統(tǒng)。用戶(hù)可以通過(guò)MBMS靈活地訪問(wèn)、更新、生成和運(yùn)行模型。MBMS使模型的

7、適用范圍拓寬，從而使決策者能方便地使用模型；同時(shí)它還要為決策者提供將現(xiàn)實(shí)問(wèn)題抽象成模型的工具。所以可以說(shuō)模型管理系統(tǒng)是聯(lián)系決策問(wèn)題、數(shù)據(jù)與模型的橋梁。DSS的結(jié)構(gòu)（5）模型庫(kù)管理系統(tǒng)的主要功能模型構(gòu)建幫助用戶(hù)迅速、方便地構(gòu)建模型。構(gòu)建的模型可以是全新的，也可以是在某個(gè)模型基礎(chǔ)上修改加工的模型庫(kù)維護(hù)對(duì)模型的登記、分類(lèi)、刪除、拷貝，對(duì)模型目錄的修改、建立、刪除等模型操作模型與模型的連接生成新模型對(duì)模型執(zhí)行情況進(jìn)行跟蹤 模型與數(shù)據(jù)的連接模型結(jié)果分析DSS的結(jié)構(gòu)（6）會(huì)話(huà)子系統(tǒng)會(huì)話(huà)子系統(tǒng)是 DSS 人機(jī)接口界面提供用戶(hù)表達(dá)和描述決策問(wèn)題的窗口提供用戶(hù)干預(yù)和影響問(wèn)題求解過(guò)程DSS 的決策過(guò)程是人機(jī)交互的

8、啟發(fā)式過(guò)程，問(wèn)題的解決過(guò)程往往要分解成若干階段。一個(gè)階段得到階段結(jié)果及某些啟示，然后進(jìn)入下一階段的人機(jī)會(huì)話(huà)，如此反復(fù)。DSS 由不了解系統(tǒng)內(nèi)部的人使用，因此會(huì)話(huà)子系統(tǒng)的好壞標(biāo)志著 DSS 的實(shí)用水平會(huì)話(huà)形式以菜單、窗口、選擇表等圖形方式為主，也可以用自然語(yǔ)言的形式三種結(jié)構(gòu)的DSS 三庫(kù)結(jié)構(gòu)數(shù)據(jù)庫(kù)模型庫(kù)對(duì) 話(huà)子 系 統(tǒng)數(shù) 據(jù) 庫(kù)管理系 統(tǒng)模 型 庫(kù)管理 系 統(tǒng)用戶(hù)數(shù)據(jù)庫(kù)模型庫(kù)對(duì) 話(huà)子 系 統(tǒng)數(shù) 據(jù) 庫(kù)管理系 統(tǒng)模 型 庫(kù)管理 系 統(tǒng)用戶(hù)方法庫(kù)知識(shí)庫(kù)方 法 庫(kù)管理系 統(tǒng)知 識(shí) 庫(kù)管理系 統(tǒng)數(shù)據(jù)庫(kù)模型庫(kù)對(duì)話(huà)子系統(tǒng)方法庫(kù)管理系統(tǒng)模型庫(kù)管理系統(tǒng)用戶(hù)數(shù)據(jù)庫(kù)管理系統(tǒng)方法庫(kù)四庫(kù)結(jié)構(gòu)兩庫(kù)結(jié)構(gòu)DSS案例：Carg

9、oProf收益管理系統(tǒng)（1）1254xxx乘客訂位代理人乘客訂位系統(tǒng)乘客預(yù)測(cè)數(shù)據(jù)航班調(diào)度服務(wù)器可運(yùn)輸貨物容量預(yù)測(cè)貨物訂艙代理人要求要求接受/拒絕貨運(yùn)定艙系統(tǒng)貨物尺寸費(fèi)率數(shù)據(jù)可用容量/最低價(jià)格CargoProf收益管理系統(tǒng)3DSS案例：CargoProf收益管理系統(tǒng)（2）模型與模型庫(kù)管理系統(tǒng)模型1：乘客數(shù)量預(yù)測(cè)模型模型2：乘客行李預(yù)測(cè)模型-可運(yùn)輸貨物容量預(yù)測(cè)主模型模型3：收益管理決策模型背包問(wèn)題：有限容量，收益最大化模型庫(kù)管理系統(tǒng)：確定模型的調(diào)用關(guān)系數(shù)據(jù)庫(kù)子系統(tǒng)乘客數(shù)量分布規(guī)律 乘客歷史數(shù)據(jù)乘客行李的分布規(guī)律乘客行李歷史數(shù)據(jù)利潤(rùn)目標(biāo)數(shù)據(jù)會(huì)話(huà)子系統(tǒng)問(wèn)題111422仿真：決策支持的利器假如你是銀行的

10、經(jīng)理各類(lèi)業(yè)務(wù)分別配置多少人力？這一決策考慮哪些因素？服務(wù)水平、成本、可操作性怎么定量地解決？Demo何謂仿真（1）一個(gè)計(jì)算機(jī)化的模型，模仿（再現(xiàn)）真實(shí)系統(tǒng)的運(yùn)行過(guò)程仿真是靜態(tài)的還是動(dòng)態(tài)的？仿真時(shí)鐘仿真能得到什么？用什么來(lái)刻畫(huà)運(yùn)行過(guò)程？聚焦于關(guān)心的管理問(wèn)題：服務(wù)水平、成本隊(duì)長(zhǎng)、等待時(shí)間、員工的數(shù)量、忙閑系統(tǒng)的狀態(tài)變量運(yùn)行過(guò)程 = 狀態(tài)變量隨時(shí)間的變化過(guò)程 何謂仿真（2）怎么模仿？模仿的其實(shí)是系統(tǒng)中實(shí)體的行為（動(dòng)作）顧客的到來(lái)、離去；員工的服務(wù)行為對(duì)系統(tǒng)的狀態(tài)有什么影響？行為改變狀態(tài)理解仿真時(shí)間在推進(jìn)，實(shí)體在行動(dòng)，狀態(tài)在改變行為、狀態(tài)、時(shí)間是仿真的三要素仿真是如何支持決策的模仿了系統(tǒng)的運(yùn)行過(guò)程之后

11、？評(píng)估了解系統(tǒng)的運(yùn)行過(guò)程，評(píng)估系統(tǒng)在目前狀態(tài)下的性能What-if 分析得到不同配置 (if) 下，系統(tǒng)的性能（What）通過(guò)比較，得到優(yōu)選方案實(shí)驗(yàn)的思想！為什么要仿真直接在實(shí)際系統(tǒng)之上做實(shí)驗(yàn)，成本太高、太過(guò)危險(xiǎn)，或會(huì)造成太大干擾社會(huì)經(jīng)濟(jì)系統(tǒng)，經(jīng)濟(jì)政策、股票市場(chǎng)工程，火箭、危險(xiǎn)品系統(tǒng)相當(dāng)復(fù)雜，數(shù)學(xué)模型無(wú)法提供分析或數(shù)值解如果模型足夠簡(jiǎn)單，采用數(shù)學(xué)工具求解理解、分析或預(yù)測(cè)一些復(fù)雜系統(tǒng)的行為股票泡沫、崩跌DSS案例：公交線(xiàn)路車(chē)輛調(diào)度（1）問(wèn)題描述一條公交線(xiàn)路總共配置多少輛車(chē)？不同的時(shí)間段，發(fā)車(chē)間隔多長(zhǎng)時(shí)間？管理目標(biāo)顧客滿(mǎn)意度顧客在站臺(tái)等待時(shí)間不能太長(zhǎng)，如多數(shù)不超過(guò)5分鐘車(chē)內(nèi)不能太擁擠，如人數(shù)不能超

12、過(guò)額定人數(shù)的120%成本固定成本（買(mǎi)車(chē)，基本工資），可變成本（燃料，獎(jiǎng)金）DSS案例：公交線(xiàn)路車(chē)輛調(diào)度（2）模型庫(kù)與模型管理子系統(tǒng)問(wèn)題抽象：服務(wù)臺(tái)移動(dòng)的單級(jí)多服務(wù)臺(tái)排隊(duì)系統(tǒng)特殊性，服務(wù)臺(tái)移動(dòng)解決這類(lèi)問(wèn)題可以采用的模型的類(lèi)型數(shù)學(xué)模型：運(yùn)籌學(xué)中的排隊(duì)模型仿真模型（離散事件系統(tǒng)仿真），枚舉，仿真設(shè)計(jì)模型庫(kù)（仿真）主模型：公汽運(yùn)行仿真模型子模型1：乘客到來(lái)（到車(chē)站）模擬模型子模型2：乘客上車(chē)模擬模型子模型3：乘客下車(chē)模擬模型模型管理子系統(tǒng)選擇那種類(lèi)型的模型能有效解決問(wèn)題？數(shù)學(xué)、仿真枚舉、仿真設(shè)計(jì)模型調(diào)用關(guān)系仿真：決策支持的利器系統(tǒng)仿真在計(jì)算機(jī)上模擬真實(shí)系統(tǒng)的運(yùn)行過(guò)程，從而對(duì)系統(tǒng)的性能進(jìn)行評(píng)價(jià)（已知結(jié)構(gòu)

13、、評(píng)價(jià)性能）或?qū)ο到y(tǒng)的結(jié)構(gòu)進(jìn)行設(shè)計(jì)（逆向問(wèn)題、設(shè)計(jì)問(wèn)題）仿真方法設(shè)計(jì)系統(tǒng)結(jié)構(gòu)的兩種方案枚舉法，假定配置方案，運(yùn)行模型，進(jìn)行比較。 缺點(diǎn)是組合數(shù)太多，逐一仿真的工作量極大 仿真設(shè)計(jì)，一次運(yùn)行模型，得到配置結(jié)果。配置在運(yùn)行過(guò)程中不斷變化，得到滿(mǎn)意解模型停止運(yùn)行?？赡苄枰Y(jié)合遺傳算法等優(yōu)化算法DSS案例：公交線(xiàn)路車(chē)輛調(diào)度（3）數(shù)據(jù)抽取子系統(tǒng)與數(shù)據(jù)庫(kù)子系統(tǒng)需要那些數(shù)據(jù)？車(chē)輛運(yùn)行時(shí)間的概率分布、顧客上車(chē)的概率分布、顧客下車(chē)的概率分布、顧客在站臺(tái)等待時(shí)間的概率分布現(xiàn)有那些數(shù)據(jù)？車(chē)輛運(yùn)行數(shù)據(jù)：車(chē)載系統(tǒng)，車(chē)輛管理MIS可提供車(chē)輛在各個(gè)區(qū)間運(yùn)行時(shí)間的數(shù)據(jù)顧客上車(chē)的數(shù)據(jù)：車(chē)上的刷卡投幣系統(tǒng)可以提供不同時(shí)間段乘客的

14、數(shù)據(jù)顧客下車(chē)的數(shù)據(jù)：車(chē)輛上有設(shè)備，自動(dòng)獲取顧客下車(chē)數(shù)據(jù)從內(nèi)外部OLTP中抽取DSS需要的數(shù)據(jù)從現(xiàn)有的系統(tǒng)中，統(tǒng)計(jì)分析得到前三項(xiàng)概率分布這些數(shù)據(jù)足夠么？不夠的話(huà)怎么解決？DSS案例：公交線(xiàn)路車(chē)輛調(diào)度（4）數(shù)據(jù)抽取子系統(tǒng)與數(shù)據(jù)庫(kù)子系統(tǒng)（續(xù)）這些數(shù)據(jù)足夠么？不夠的話(huà)怎么解決？難以獲得顧客在站臺(tái)等待時(shí)間的概率分布解決方案外部數(shù)據(jù)，調(diào)查調(diào)整管理目標(biāo)如何決策（工作原理）數(shù)據(jù)庫(kù)子系統(tǒng)得到模型的初始參數(shù)運(yùn)行模型庫(kù)子系統(tǒng)的模型，得到結(jié)果通過(guò)會(huì)話(huà)子系統(tǒng)與人交流，不斷調(diào)整，得到方案調(diào)整目標(biāo)、調(diào)整參數(shù)（數(shù)據(jù)庫(kù)子系統(tǒng)）、調(diào)整模型（運(yùn)行后隨著數(shù)據(jù)更新，不斷修正方案；考慮季節(jié)性因素，推出特殊方案DSS案例：公交線(xiàn)路車(chē)輛調(diào)度

15、（5）問(wèn)題的拓展公交線(xiàn)路規(guī)劃。開(kāi)辟哪些線(xiàn)路？每條線(xiàn)路發(fā)車(chē)計(jì)劃是什么？鐵路、地鐵、航空等類(lèi)似的問(wèn)題超市、銀行等服務(wù)臺(tái)設(shè)置、醫(yī)院病床設(shè)置，標(biāo)準(zhǔn)排隊(duì)系統(tǒng)問(wèn)題，比公交簡(jiǎn)單思考這種模型導(dǎo)向的DSS的核心是什么？能否得到DSS需要的數(shù)據(jù)DSS與一般的管理科學(xué)模型的區(qū)別之一抽象現(xiàn)實(shí)問(wèn)題，選擇合適的模型存在什么弊端專(zhuān)用系統(tǒng)、相對(duì)獨(dú)立模型合理性、可信度?某些現(xiàn)實(shí)問(wèn)題建模困難案例：現(xiàn)實(shí)世界中人是如何做決策的出租司機(jī)給我上的MBA課要用科學(xué)的方法，統(tǒng)計(jì)學(xué)來(lái)做生意 從現(xiàn)實(shí)數(shù)據(jù)中，總結(jié)分析得到客戶(hù)行為的規(guī)律總結(jié)出來(lái)的規(guī)律用于支持決策兩類(lèi)DSSModel-driven DSS ，模型導(dǎo)向決策支持系統(tǒng)Primarily s

16、tand-alone Uses model to perform “what-if” and other kinds of analysisData-driven DSS，數(shù)據(jù)導(dǎo)向決策支持系統(tǒng)Allows users to extract and analyze useful information from large databases數(shù)據(jù)倉(cāng)庫(kù)、OLAP、數(shù)據(jù)挖掘數(shù)據(jù)導(dǎo)向決策支持系統(tǒng)的結(jié)構(gòu)GDSS群決策支持系統(tǒng) 人機(jī)交互的計(jì)算機(jī)系統(tǒng) 解決半結(jié)構(gòu)化問(wèn)題支持群體（團(tuán)隊(duì)/多人）一起工作硬件：通信軟件：由個(gè)人意見(jiàn)形成群體決策結(jié)果： Electronic questionnaires, brains

17、torming tools, voting tools, etc本講的主要內(nèi)容決策與決策支持系統(tǒng)DSS的結(jié)構(gòu)與工作原理多維數(shù)據(jù)模型數(shù)據(jù)倉(cāng)庫(kù)OLAP、EIS與數(shù)據(jù)可視化數(shù)據(jù)挖掘商業(yè)智能問(wèn)題選擇、連接、匯總、計(jì)算銷(xiāo)售單（銷(xiāo)售單號(hào)，銷(xiāo)售時(shí)間，門(mén)店號(hào)）銷(xiāo)售明細(xì)（銷(xiāo)售單號(hào)，產(chǎn)品編號(hào)，銷(xiāo)售量）產(chǎn)品（產(chǎn)品編號(hào)，產(chǎn)品名稱(chēng)，產(chǎn)品類(lèi)別，單價(jià)）門(mén)店（門(mén)店號(hào)，門(mén)店名，地址）背景OLTP進(jìn)出倉(cāng)登錄與記賬增加一條新的生產(chǎn)線(xiàn)，更改產(chǎn)品單價(jià)更改顧客信用銷(xiāo)售訂單錄入產(chǎn)品數(shù)據(jù)庫(kù)存數(shù)據(jù)銷(xiāo)售數(shù)據(jù)數(shù)據(jù)庫(kù)：面向業(yè)務(wù)的數(shù)據(jù)組織事務(wù)處理OLAP產(chǎn)品數(shù)據(jù)顧客數(shù)據(jù)供應(yīng)商數(shù)據(jù)數(shù)據(jù)倉(cāng)庫(kù)：面向主題的數(shù)據(jù)組織每種物料保持多少安全庫(kù)存最佳？上個(gè)月有多少產(chǎn)

18、品的銷(xiāo)售額超過(guò)10000元？決策支持多維模型空調(diào)4季度華中地區(qū)銷(xiāo)售收入100萬(wàn)元時(shí)間維產(chǎn)品維門(mén)店維100銷(xiāo)售收入A型1.5匹變頻空調(diào)4季度街道口店銷(xiāo)售收入10萬(wàn)元多維模型的概念（1）多維數(shù)據(jù)模型用多維結(jié)構(gòu)來(lái)組織數(shù)據(jù)和表示數(shù)據(jù)之間的關(guān)系立方里面是銷(xiāo)售數(shù)據(jù)，即數(shù)據(jù)測(cè)量值，稱(chēng)之為度量坐標(biāo)軸是維，維提供了測(cè)量值的上下文關(guān)系。其目的就是為了分析（決策）多維圖形表示是邏輯模型，物理上有多種實(shí)現(xiàn)方法此維非彼維RDB中的維：一行數(shù)據(jù)表示一個(gè)實(shí)體（縱軸），一列數(shù)據(jù)表示實(shí)體的一個(gè)屬性（橫軸）多維DB中的維表示看問(wèn)題（數(shù)據(jù)）的角度多維模型的一個(gè)切面（二維），其含義也與RDB不同多維模型的概念（2）維度觀察數(shù)據(jù)的特定

19、角度：時(shí)間、地理、產(chǎn)品維的層次 某個(gè)特定角度（維）在細(xì)節(jié)程度上有不同的描述時(shí)間維：日期、月份、季度、年是數(shù)據(jù)單位中保存數(shù)據(jù)的細(xì)化或綜合程度的級(jí)別。維的成員維的一個(gè)取值稱(chēng)為該維的一個(gè)成員。不同維層次上的取值的組合：某年某月某日度量不同維在某一取值下的交叉點(diǎn)，有數(shù)據(jù)有單位事實(shí)維和度量的組合，可用多維數(shù)組來(lái)表示。 星型模型（1）Employee_DimEmployeeKeyEmployeeID.EmployeeKeyTime_DimTimeKey年月季度日期TimeKeyProduct_DimProductKeyProductID產(chǎn)品描述產(chǎn)品目錄目錄描述ProductKeyCustomer_DimC

20、ustomerKeyCustomerID.CustomerKeyShipper_DimShipperKeyShipperID.ShipperKeySales_FactTimeKeyEmployeeKeyProductKeyCustomerKeyShipperKey單位（元）金額.TimeKeyCustomerKeyShipperKeyProductKeyEmployeeKeyMultipart KeyMeasuresDimensional Keys事實(shí)表維表星型模型（2）GeographicProductTimeUnits$DimensionTablesGeographicProductTim

21、eFact TableMeasuresFactsDimension星型模型實(shí)例星型模型（1） Facts Month_nrStore_nrSKU_nrSales_revenue. Product SKU_nrSKU_descCategoryLine Time Month_nrMonth_descQuarterYear Geography Store_nr Store_nameCityStateRegion本講的主要內(nèi)容決策與決策支持系統(tǒng)DSS的結(jié)構(gòu)與工作原理多維數(shù)據(jù)模型數(shù)據(jù)倉(cāng)庫(kù)OLAP、EIS與數(shù)據(jù)可視化數(shù)據(jù)挖掘商業(yè)智能數(shù)據(jù)倉(cāng)庫(kù)的定義 一個(gè)面向主題的、集成的、非易失的且隨時(shí)間變化的數(shù)據(jù)集合，用

22、來(lái)支持管理人員做出決策。 數(shù)據(jù)倉(cāng)庫(kù)之父WHInmon是什么？數(shù)據(jù)的集合與數(shù)據(jù)庫(kù)有什么區(qū)別？有什么特點(diǎn)？目的是什么？數(shù)據(jù)倉(cāng)庫(kù)的特征（1） 面向主題(Subject Oriented)的數(shù)據(jù)集合數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)如何組織？面向主題的,指的是它將依據(jù)一定的主題, 匯總各個(gè)OLTP系統(tǒng)的數(shù)據(jù)。 主題是什么關(guān)心的管理問(wèn)題，關(guān)心的領(lǐng)域顧客、供應(yīng)商、產(chǎn)品、銷(xiāo)售 主題要從多個(gè)角度去描述主題的確定是管理上的問(wèn)題，而不僅僅是技術(shù)上的問(wèn)題主題的確定最好要知道客戶(hù)需求，否則可能是白忙活怎么組織多維數(shù)據(jù)模型SalesFinancialInventoryOperational SystemsData WarehouseCu

23、stomerGeographyProductOrganized by processesor tasksOrganized by subjectA subject oriented approach to corporate memorySource: 數(shù)據(jù)倉(cāng)庫(kù)的特征（2）集成(Integrated)的數(shù)據(jù)集合 數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)從哪里來(lái)？多個(gè)異種數(shù)據(jù)源構(gòu)成的，可能包括關(guān)系數(shù)據(jù)庫(kù)、面向?qū)ο髷?shù)據(jù)庫(kù)、文本數(shù)據(jù)庫(kù)、Web數(shù)據(jù)庫(kù)、一般文件等有什么問(wèn)題？格式不統(tǒng)一、數(shù)據(jù)不一致要求對(duì)各個(gè)系統(tǒng)數(shù)據(jù)表示進(jìn)行轉(zhuǎn)換, 用統(tǒng)一編碼表示,比如, A系統(tǒng)用001表示退貨, 而B(niǎo)系統(tǒng)用999表示退貨,在數(shù)據(jù)倉(cāng)庫(kù)中必須統(tǒng)一成

24、一個(gè)編碼。數(shù)據(jù)的抽取/轉(zhuǎn)換/加載（ETL）數(shù)據(jù)倉(cāng)庫(kù)的特征（3）非易失的(Nonvolatile)的數(shù)據(jù)集合指的是數(shù)據(jù)被裝載入以后，系統(tǒng)用戶(hù)只讀數(shù)據(jù),不得修改數(shù)據(jù)。時(shí)變(Time Variant)的數(shù)據(jù)集合數(shù)據(jù)倉(cāng)庫(kù)中包含時(shí)間元素，它所提供的信息總是與時(shí)間相關(guān)聯(lián)的。數(shù)掘倉(cāng)庫(kù)中存儲(chǔ)的是一個(gè)時(shí)間段的數(shù)據(jù)，而不僅僅是某一個(gè)時(shí)刻的數(shù)據(jù)。數(shù)據(jù)倉(cāng)庫(kù)完整地記錄了各個(gè)歷史時(shí)期的數(shù)據(jù),而OLTP系統(tǒng)不會(huì)保留全部的歷史記錄。數(shù)據(jù)比較DB 操作型數(shù)據(jù)（OLTP） DW分析型數(shù)據(jù)（ OLAP）原始數(shù)據(jù) 導(dǎo)出數(shù)據(jù)細(xì)節(jié)數(shù)據(jù) 細(xì)節(jié)+綜合性或提煉性數(shù)據(jù)當(dāng)前數(shù)據(jù) 歷史數(shù)據(jù)可更新 不可更新，但周期性刷新一次處理的數(shù)據(jù)量小 一次處理的

25、數(shù)據(jù)量大面向應(yīng)用，事務(wù)驅(qū)動(dòng) 面向分析，分析驅(qū)動(dòng)面向操作人員，支持日常操作 面向決策人員， 支持管理需要 理解數(shù)據(jù)倉(cāng)庫(kù)數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)庫(kù)的區(qū)別？數(shù)據(jù)庫(kù)和數(shù)據(jù)倉(cāng)庫(kù)當(dāng)然都是裝數(shù)據(jù)的地方，關(guān)鍵的區(qū)別是裝的什么樣的數(shù)據(jù)。數(shù)據(jù)庫(kù)裝的原始數(shù)據(jù)，沒(méi)經(jīng)過(guò)任何加工；而數(shù)據(jù)倉(cāng)庫(kù)是為了滿(mǎn)足分析需要，對(duì)源數(shù)據(jù)進(jìn)行了轉(zhuǎn)換過(guò)程，具體是怎樣一個(gè)處理過(guò)程，可以從Bill Inmon的倉(cāng)庫(kù)定義四個(gè)特性進(jìn)行理解。數(shù)據(jù)倉(cāng)庫(kù)在物理上也是數(shù)據(jù)庫(kù)，只不過(guò)是多維的為什么要建立數(shù)據(jù)倉(cāng)庫(kù)DB vs. DWH數(shù)據(jù)倉(cāng)庫(kù)的組成部分與流程 1 源數(shù)據(jù) 2 數(shù)據(jù)準(zhǔn)備區(qū)（Staging Area） 3 數(shù)據(jù)倉(cāng)庫(kù)（存儲(chǔ)） 4 決策支持Application D

26、atabasesPackaged application/ERP DataDesktop DataExternal DataWeb-based DataAdapted from SunExpert Magazine, October 1998._INCOME ANNUAL REPORT_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 報(bào)表/查詢(xún)EISOLAP數(shù)據(jù)挖掘抽取轉(zhuǎn)換清洗數(shù)據(jù)倉(cāng)庫(kù)數(shù)據(jù)集市元數(shù)據(jù)加 載數(shù)據(jù)準(zhǔn)備部分（1） 源數(shù)據(jù)部分 內(nèi)部數(shù)據(jù)、外部數(shù)據(jù)多來(lái)源，數(shù)據(jù)庫(kù)（面向業(yè)務(wù)、ER）數(shù)據(jù)準(zhǔn)備部分 把不同數(shù)據(jù)源得到的數(shù)據(jù)修改、轉(zhuǎn)換成適合數(shù)據(jù)分析的格式存儲(chǔ)面向主題、多維、一

27、致抽取、轉(zhuǎn)換和裝載，簡(jiǎn)稱(chēng)為ETL流程 數(shù)據(jù)抽取(data extraction)數(shù)據(jù)抽取是數(shù)據(jù)倉(cāng)庫(kù)按分析主題從業(yè)務(wù)數(shù)據(jù)庫(kù)抽取相關(guān)數(shù)據(jù)的過(guò)程。 抽取全部數(shù)據(jù)么？數(shù)據(jù)準(zhǔn)備部分（2） 數(shù)據(jù)清洗(data cleaning)將錯(cuò)誤的、不一致的數(shù)據(jù)予以更正或刪除。得到準(zhǔn)確的數(shù)據(jù)！數(shù)據(jù)轉(zhuǎn)換(data transformation)將不同格式的數(shù)據(jù)轉(zhuǎn)換成統(tǒng)一的數(shù)據(jù)格式不同的數(shù)據(jù)庫(kù)產(chǎn)品，數(shù)據(jù)類(lèi)型可能不同。eg.時(shí)間格式。得到統(tǒng)一格式的數(shù)據(jù)。數(shù)據(jù)加載(data load)指把清洗后的數(shù)據(jù)裝入數(shù)據(jù)倉(cāng)庫(kù)的過(guò)程。數(shù)據(jù)加載策略包括數(shù)據(jù)加載周期和數(shù)據(jù)追加策略。數(shù)據(jù)存儲(chǔ)部分 （1）3部分：數(shù)據(jù)倉(cāng)庫(kù)、數(shù)據(jù)集市、元數(shù)據(jù)數(shù)據(jù)倉(cāng)庫(kù)

28、的數(shù)據(jù)組織結(jié)構(gòu) 粒度：分析過(guò)程由粗到細(xì)OLAP鉆取、時(shí)間數(shù)據(jù)存儲(chǔ)部分 （2）數(shù)據(jù)集市（ data mart ）面向企業(yè)中的某個(gè)部門(mén)（主題）而在邏輯上或物理上劃分出來(lái)的數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)子集稱(chēng)為數(shù)據(jù)集市數(shù)據(jù)倉(cāng)庫(kù)面向整個(gè)企業(yè)，而數(shù)據(jù)集市則面向企業(yè)中的某個(gè)部門(mén)目的是減少數(shù)據(jù)處理量，提高處理效率兩種數(shù)據(jù)集市：獨(dú)立的、非獨(dú)立的非獨(dú)立的 （復(fù)制的）數(shù)據(jù)集市數(shù)據(jù)倉(cāng)庫(kù)某部分主題的復(fù)制品。目的：提高效率、易訪問(wèn)數(shù)據(jù)源于數(shù)據(jù)倉(cāng)庫(kù)，要首先建立數(shù)據(jù)倉(cāng)庫(kù)。數(shù)據(jù)存儲(chǔ)部分 （3）獨(dú)立的數(shù)據(jù)集市出發(fā)點(diǎn)：成本、時(shí)間直接從操作型環(huán)境獲取數(shù)據(jù)每個(gè)數(shù)據(jù)集市都負(fù)責(zé)某個(gè)特定領(lǐng)域的信息集合難點(diǎn)：各集市的數(shù)據(jù)一致性問(wèn)題，需要集成元數(shù)據(jù)的規(guī)則Q

29、：多個(gè)獨(dú)立的數(shù)據(jù)集市能代替數(shù)據(jù)倉(cāng)庫(kù)么？Ralph Kimball：數(shù)據(jù)倉(cāng)庫(kù)只不過(guò)是一些數(shù)據(jù)集市的集合而已 Inmon：你可以在大海中捕到很多的小魚(yú)并堆積起來(lái),但它們?nèi)匀徊皇泅L 數(shù)據(jù)存儲(chǔ)部分 （4）數(shù)據(jù)集市具有如下一些優(yōu)點(diǎn) 其成本和企業(yè)數(shù)據(jù)倉(cāng)庫(kù)相比較低(通常在10萬(wàn)-100萬(wàn)美元左右)。實(shí)施的時(shí)間短，通常少于90天。數(shù)據(jù)集市可以在局部進(jìn)行控制而不需要在企業(yè)范圍集中控制，用戶(hù)就有了更多的權(quán)力。數(shù)據(jù)集市比數(shù)據(jù)倉(cāng)庫(kù)包含更少的信息，因此比企業(yè)級(jí)數(shù)據(jù)倉(cāng)庫(kù)更容易被瀏覽。數(shù)據(jù)集市允許業(yè)務(wù)單元建立自己的決策支持系統(tǒng)而不需要依靠公司的信息系統(tǒng)部門(mén)。獨(dú)立的數(shù)據(jù)集市可以用于驗(yàn)證開(kāi)發(fā)全面的企業(yè)數(shù)據(jù)倉(cāng)庫(kù)所需資源，這能夠快

30、速實(shí)現(xiàn)收益，投資回報(bào)更快。數(shù)據(jù)存儲(chǔ)部分 （5）元數(shù)據(jù)元數(shù)據(jù)部分是數(shù)據(jù)倉(cāng)庫(kù)數(shù)據(jù)本身信息的數(shù)據(jù)。 從哪里來(lái)？操作型元數(shù)據(jù)。建立數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)與操作型數(shù)據(jù)源的原始數(shù)據(jù)間的聯(lián)系。怎么來(lái)？抽取和轉(zhuǎn)換元數(shù)據(jù)。包含了源數(shù)據(jù)系統(tǒng)的數(shù)據(jù)抽取信息，即抽取頻率、抽取方法和數(shù)據(jù)抽取的商業(yè)規(guī)則。 怎么用？最終用戶(hù)元數(shù)據(jù)。是數(shù)據(jù)倉(cāng)庫(kù)的導(dǎo)航圖，它使最終用戶(hù)可以從數(shù)據(jù)倉(cāng)庫(kù)中找到自己需要的信息。 本講的主要內(nèi)容決策與決策支持系統(tǒng)DSS的結(jié)構(gòu)與工作原理多維數(shù)據(jù)模型數(shù)據(jù)倉(cāng)庫(kù)OLAP、EIS與數(shù)據(jù)可視化數(shù)據(jù)挖掘商業(yè)智能OLAPOLAP：聯(lián)機(jī)分析處理由關(guān)系數(shù)據(jù)庫(kù)之父E.F.Codd于1993年提出的。OLAP理事會(huì)的定義：OLAP是

31、一種軟件技術(shù)，它使分析人員能夠迅速、一致、交互地從各個(gè)方面觀察信息，以達(dá)到深入理解數(shù)據(jù)的目的。這些信息是從原始數(shù)據(jù)直接轉(zhuǎn)換過(guò)來(lái)的，它們以用戶(hù)容易理解的方式反映企業(yè)的真實(shí)狀況。理解OL：OLAP vs. OLTP，復(fù)雜查詢(xún)、快理解分析：OLA P的一個(gè)主要特點(diǎn)是多維數(shù)據(jù)分析OLAP的數(shù)據(jù)源從哪里來(lái)？是什么樣的數(shù)據(jù)？OLAP的12條準(zhǔn)則Codd提出OLAP的12條準(zhǔn)則來(lái)描述OLAP系統(tǒng)準(zhǔn)則1 OLAP模型必須提供多維概念視圖準(zhǔn)則2 透明性準(zhǔn)則準(zhǔn)則3 存取能力推測(cè)準(zhǔn)則4 穩(wěn)定的報(bào)表能力準(zhǔn)則5 客戶(hù)/服務(wù)器體系結(jié)構(gòu)準(zhǔn)則6 維的等同性準(zhǔn)則準(zhǔn)則7 動(dòng)態(tài)的稀疏矩陣處理準(zhǔn)則準(zhǔn)則8 多用戶(hù)支持能力準(zhǔn)則準(zhǔn)則9 非

32、受限的跨維操作準(zhǔn)則10 直觀的數(shù)據(jù)操縱準(zhǔn)則11 靈活的報(bào)表生成準(zhǔn)則12 不受限的維與聚集層次Q4時(shí)間Q1Q2Q3ProductGrapesApplesMelonsCherriesPearsLocationAtlantaDenverDetroitSales Introduction to CubesProductGrapesApplesMelonsCherriesPears產(chǎn)品空調(diào)冰箱洗衣機(jī)彩電小家電地區(qū)華北華中華南SalesOLAP的基本多維分析操作（1） 切片（slice）多維數(shù)據(jù)是由多個(gè)維度組成的，如果在某一維度上選定一個(gè)值，則多維數(shù)據(jù)就從n維下降至n -1維，稱(chēng)多維數(shù)據(jù)的子集(維l，維2

33、，維i-1，維i+1，維n，度量變量)是多維數(shù)據(jù)在維i上切片。 切片操作在給定的數(shù)據(jù)多維模型的一個(gè)維度上進(jìn)行選擇，導(dǎo)致一個(gè)子方（Cube）。比如：可以對(duì)時(shí)間維度按時(shí)間=2002年1月進(jìn)行切片，得到一個(gè)含產(chǎn)品和門(mén)店兩個(gè)緯度的片狀圖。OLAP的基本多維分析操作（2） 切塊（dice）選定多維數(shù)組(維1，維2，維n，度量變量)中的若干維度(圖形顯示最多只能做到3維)的取值范圍，從而形成多維數(shù)據(jù)的子集(維1，維2，a1維i b1，a2 維j b2，a3維k Y 的規(guī)則，其中 X 和 Y 分別代表屬性集合（稱(chēng)為項(xiàng)集），并且 X和Y的交集為空。規(guī)則的支持度表示 X 和 Y 同時(shí)出現(xiàn)的概率，用來(lái)描述該規(guī)則是

34、否具有代表性，即：支持度=P(X, Y)。置信度表示在出現(xiàn) X 的前提下出現(xiàn) Y 的概率，描述規(guī)則成立的可信度。即：置信度= P(Y|X) = P(X, Y)/P(X)age(X,“20-29”) income(X, “20K-30K”) = buys(X,”MP3”)support=2%,confidence=60%數(shù)據(jù)挖掘分類(lèi)（4）關(guān)聯(lián)分析（association analysis）t1: (,面包,牛奶,)t2: (,面包,.)t3: (,面包,牛奶,)t4: ()“面包=牛奶”的支持度=P（面包，牛奶）= 1 / 2 置信度= P（面包，牛奶）/ P（面包）=2/3。 數(shù)據(jù)挖掘分類(lèi)（5

35、）序列模式分析(sequence)序列模式分析和關(guān)聯(lián)分析相似，但側(cè)重點(diǎn)在于分析數(shù)據(jù)間的前后（因果）序列關(guān)系。它能發(fā)現(xiàn)數(shù)據(jù)庫(kù)中形如“在某一段時(shí)間內(nèi)，顧客購(gòu)買(mǎi)商品A，接著購(gòu)買(mǎi)商品B，而后購(gòu)買(mǎi)商品C，即序列ABC出現(xiàn)的頻度較高”之類(lèi)的知識(shí)顧客購(gòu)房之后，2周內(nèi)有65%的可能性購(gòu)買(mǎi)一臺(tái)新冰箱，一個(gè)月內(nèi)有45%的可能購(gòu)買(mǎi)一臺(tái)新烤箱。在所有購(gòu)買(mǎi)了激光打印機(jī)的人中，半年后80%的人再購(gòu)買(mǎi)新硒鼓，20%的人用舊硒鼓裝碳粉；在所有購(gòu)買(mǎi)了彩色電視機(jī)的人中，有60%的人再購(gòu)買(mǎi)DCD產(chǎn)品數(shù)據(jù)挖掘分類(lèi)（6）序列模式分析(sequence)數(shù)據(jù)挖掘分類(lèi)（7）分類(lèi)分析兩階段：首先給定已有的數(shù)據(jù)和類(lèi)別，通過(guò)分類(lèi)算法得到描述和區(qū)

36、分?jǐn)?shù)據(jù)類(lèi)或概念的分類(lèi)模型。然后，將此分類(lèi)模型應(yīng)用到要進(jìn)行測(cè)試的數(shù)據(jù)上，把未來(lái)或者未知的數(shù)據(jù)劃分到若干已經(jīng)類(lèi)別之中。 銀行部門(mén)根據(jù)以前的數(shù)據(jù)將客戶(hù)分成了不同的類(lèi)別，現(xiàn)在就可以根據(jù)這些來(lái)區(qū)分新申請(qǐng)貸款的客戶(hù)，以采取相應(yīng)的貸款方案。方法：分類(lèi)規(guī)則（IF-THEN）、決策樹(shù)（decision trees）、數(shù)學(xué)公式（mathematical formula）和神經(jīng)網(wǎng)絡(luò)等。 應(yīng)用：Call Center數(shù)據(jù)挖掘分類(lèi)（8）聚類(lèi)分析(clustering)按照“物以類(lèi)聚”的原則把一個(gè)數(shù)據(jù)集合按照某個(gè)標(biāo)準(zhǔn)分成幾個(gè)簇的過(guò)程。其結(jié)果使得在每個(gè)簇內(nèi)部的數(shù)據(jù)按照該標(biāo)準(zhǔn)具有很高的相似性，而簇與簇之間的數(shù)據(jù)的相似性很低。

37、 應(yīng)用：顧客定位，然后根據(jù)顧客群特點(diǎn)推出相應(yīng)的產(chǎn)品。如，找出可能會(huì)接受某銀行卡的群體，數(shù)據(jù)挖掘分類(lèi)（9）分類(lèi)和聚類(lèi)的區(qū)別分類(lèi)是指將數(shù)據(jù)歸于一系列已知類(lèi)別之中的某個(gè)類(lèi)的分類(lèi)過(guò)程; 分類(lèi)是有指導(dǎo)的類(lèi)別劃分，在若干先驗(yàn)標(biāo)準(zhǔn)的指導(dǎo)下進(jìn)行，效果好壞取決于標(biāo)準(zhǔn)選取的好壞。 聚類(lèi)是無(wú)監(jiān)督學(xué)習(xí)，根據(jù)客體屬性對(duì)一系列未分類(lèi)的客體進(jìn)行類(lèi)別的識(shí)別, 把一組個(gè)體按照相似性歸成若干類(lèi)。數(shù)據(jù)挖掘分類(lèi)（10）異常檢測(cè)（anomaly detection，偏差分析）從數(shù)據(jù)分析中發(fā)現(xiàn)異常情況信用卡欺詐檢測(cè)演化分析對(duì)隨時(shí)間變化的數(shù)據(jù)對(duì)象的變化規(guī)律和趨勢(shì)進(jìn)行建模描述。 利用歷史數(shù)據(jù)找出變化規(guī)律，建立模型，并用此模型來(lái)預(yù)測(cè)未來(lái)數(shù)據(jù)的

38、種類(lèi)，特征等 典型方法就是回歸分析。數(shù)據(jù)挖掘解決的應(yīng)用數(shù)據(jù)挖掘技術(shù)從一開(kāi)始就是面向應(yīng)用的尤其是在如銀行、電信、保險(xiǎn)、交通、零售（如超級(jí)市場(chǎng)）等商業(yè)領(lǐng)域應(yīng)用廣泛。數(shù)據(jù)挖掘所能解決的典型商業(yè)問(wèn)題包括數(shù)據(jù)庫(kù)營(yíng)銷(xiāo)（Database Marketing）客戶(hù)群體劃分(Customer Segmentation & Classification)背景分析（Pro）交叉銷(xiāo)售（Cross-selling）等市場(chǎng)分析行為以及客戶(hù)流失性分析(Churn Analysis)客戶(hù)信用記分(Credit Scoring)欺詐發(fā)現(xiàn)(Fraud Detection)典型案例哪些商品放在一起比較好賣(mài)？庫(kù)存預(yù)測(cè) 預(yù)測(cè)在未來(lái)一周

39、內(nèi)一本書(shū)是否將脫銷(xiāo)股票分析 通過(guò)相關(guān)分析，可以找出一支股票的走勢(shì)與另一只股票走勢(shì)的潛在規(guī)律 “如果微軟的股票下跌4%，那么IBM的股票將在兩周內(nèi)下跌5%”體育競(jìng)技：NBA教練如何布陣以提升獲勝機(jī)會(huì)？ 出了一個(gè)新成品，哪些老客戶(hù)最可能購(gòu)買(mǎi)？電子商務(wù)網(wǎng)站公共頁(yè)面該放哪些內(nèi)容最可能產(chǎn)生購(gòu)買(mǎi)行為？ 登錄網(wǎng)站的當(dāng)前用戶(hù)現(xiàn)在最可能購(gòu)買(mǎi)什么東西？典型案例（1）：哪些商品放在一起比較好賣(mài)？這是沃爾瑪?shù)慕?jīng)典案例：一般看來(lái)，啤酒和尿布是顧客群完全不同的商品。但是沃爾瑪一年內(nèi)數(shù)據(jù)挖掘的結(jié)果顯示在居民區(qū)中尿布賣(mài)得好的店面啤酒也賣(mài)得很好原因其實(shí)很簡(jiǎn)單，一般太太讓先生下樓買(mǎi)尿布的時(shí)候，先生們一般都會(huì)犒勞自己兩聽(tīng)啤酒。因此

40、啤酒和尿布一起購(gòu)買(mǎi)的機(jī)會(huì)是最多的。這是一個(gè)現(xiàn)代商場(chǎng)智能化信息分析系統(tǒng)發(fā)現(xiàn)的秘密。這個(gè)故事被公認(rèn)是商業(yè)領(lǐng)域數(shù)據(jù)挖掘的誕生。另外，大家都知道在沃爾瑪牙膏的旁邊通常配備牙刷，在貨價(jià)上這樣放置，牙膏和牙刷才能都賣(mài)的很好。關(guān)聯(lián)分析典型案例（2）：庫(kù)存預(yù)測(cè)過(guò)去零售商依靠供應(yīng)鏈軟件、內(nèi)部分析軟件甚至直覺(jué)來(lái)預(yù)測(cè)庫(kù)存需求。隨著競(jìng)爭(zhēng)壓力的一天天增大，很多零售商（從主要財(cái)務(wù)主管到庫(kù)存管理員）都開(kāi)始致力于找到一些更準(zhǔn)確的方法來(lái)預(yù)測(cè)其連鎖商店應(yīng)保有的庫(kù)存。預(yù)測(cè)分析是一種解決方案。它能夠準(zhǔn)確預(yù)測(cè)哪些商店位置應(yīng)該保持哪些產(chǎn)品使用 Microsoft(R) SQL Server(TM) 2005 中的 Analysis Se

41、rvices 以及 SQL Server 數(shù)據(jù)倉(cāng)庫(kù)，采用數(shù)據(jù)挖掘技術(shù)可以為產(chǎn)品存儲(chǔ)決策提供準(zhǔn)確及時(shí)的信息。SQL Server 2005 Analysis Services 獲得的數(shù)據(jù)挖掘模型可以預(yù)測(cè)在未來(lái)一周內(nèi)一本書(shū)是否將脫銷(xiāo)，準(zhǔn)確性為 98.52%。平均來(lái)說(shuō)，預(yù)測(cè)該書(shū)是否將在未來(lái)兩周內(nèi)脫銷(xiāo)的準(zhǔn)確性為 86.45%。詳情見(jiàn) 典型案例（3）：股票預(yù)設(shè)預(yù)測(cè)一支股票的走勢(shì)幾乎是不可能，但是通過(guò)相關(guān)分析，可以找出一支股票的走勢(shì)與另一只股票走勢(shì)的潛在規(guī)律，比如數(shù)據(jù)挖掘曾經(jīng)得到過(guò)這個(gè)結(jié)論：“如果微軟的股票下跌4%，那么IBM的股票將在兩周內(nèi)下跌5%”。 典型案例（4）：NBA教練如何布陣以提升獲勝機(jī)會(huì)？

42、大約20個(gè)NBA球隊(duì)使用了IBM公司開(kāi)發(fā)的數(shù)據(jù)挖掘應(yīng)用軟件Advanced Scout系統(tǒng)來(lái)優(yōu)化他們的戰(zhàn)術(shù)組合。 教練們可以完全沒(méi)有統(tǒng)計(jì)學(xué)的培訓(xùn)，但他們可以利用數(shù)據(jù)挖掘制定策略。例如Scout就因?yàn)檠芯苛四g(shù)隊(duì)隊(duì)員不同的布陣安排，在與邁阿密熱隊(duì)的比賽中找到了獲勝的機(jī)會(huì)。系統(tǒng)分析顯示魔術(shù)隊(duì)先發(fā)陣容中的兩個(gè)后衛(wèi)安佛尼.哈德衛(wèi)和伯蘭.紹在前兩場(chǎng)中被評(píng)為-17分,這意味著他倆在場(chǎng)上，本隊(duì)輸?shù)舻姆謹(jǐn)?shù)比得到的分?jǐn)?shù)多17分。然而，當(dāng)哈德衛(wèi)與替補(bǔ)后衛(wèi)達(dá)利爾.阿姆斯創(chuàng)組合時(shí)，魔術(shù)隊(duì)得分為正14分。在下一場(chǎng)中，魔術(shù)隊(duì)增加了阿姆斯創(chuàng)的上場(chǎng)時(shí)間。此著果然見(jiàn)效：阿姆斯創(chuàng)得了21分，哈德衛(wèi)得了42分，魔術(shù)隊(duì)以88比79獲

43、勝。魔術(shù)隊(duì)在第四場(chǎng)讓阿姆斯創(chuàng)進(jìn)入先發(fā)陣容，再一次打敗了熱隊(duì)。在第五場(chǎng)比賽中，這個(gè)靠數(shù)據(jù)挖掘支持的陣容沒(méi)能拖住熱隊(duì)，但Advanced Scout畢竟幫助了魔術(shù)隊(duì)贏得了打滿(mǎn)5場(chǎng)，直到最后才決出勝負(fù)的機(jī)會(huì)。 典型案例（5）：出了一個(gè)新產(chǎn)品，哪些老客戶(hù)最可能購(gòu)買(mǎi)？加拿大蒙特利爾銀行采用 IBM DB2 Intelligent Miner Scoring，基于銀行賬戶(hù)余額、客戶(hù)已擁有的銀行產(chǎn)品以及所處地點(diǎn)和信貸風(fēng)險(xiǎn)等標(biāo)準(zhǔn)來(lái)評(píng)價(jià)記錄檔案。這些評(píng)價(jià)可用于確定客戶(hù)購(gòu)買(mǎi)某一具體產(chǎn)品的可能性。我們對(duì)客戶(hù)的財(cái)務(wù)行為習(xí)慣及其對(duì)銀行收益率的影響有了更深入的了解?，F(xiàn)在，當(dāng)進(jìn)行更具針對(duì)性的營(yíng)銷(xiāo)活動(dòng)時(shí)，銀行能夠區(qū)別對(duì)待不同的客戶(hù)群，以提升產(chǎn)品和服務(wù)質(zhì)量，同時(shí)還能制訂適當(dāng)?shù)膬r(jià)格和設(shè)計(jì)各種獎(jiǎng)勵(lì)方案，甚至確定利息費(fèi)用?！懊商乩麪栥y行的數(shù)據(jù)挖掘工具為管理人員提供了大量信息，從而幫助他們對(duì)于從營(yíng)銷(xiāo)到產(chǎn)品設(shè)計(jì)的任何事情進(jìn)行決策。典型案例（7）：登錄網(wǎng)站的當(dāng)前用戶(hù)現(xiàn)在最可能購(gòu)買(mǎi)什么東西空調(diào)制造廠商開(kāi)利(Carrier)公司-聲稱(chēng)，僅僅通過(guò)利用郵政編碼數(shù)據(jù)，其升級(jí)版 B2C 網(wǎng)站的每位訪問(wèn)者所產(chǎn)生的平均收益在一個(gè)月內(nèi)從 1.47 美元提高到了 37.42 美元。當(dāng)客戶(hù)登錄網(wǎng)站時(shí)，系統(tǒng)將指示他們提供郵政編碼。這些郵政編碼信息將被發(fā)送到數(shù)據(jù)挖掘WebMiner 服務(wù)器。然后，WebMiner