商務智能應用實例簡介-

第10章商務智能應用實例

10.1數(shù)據(jù)倉庫數(shù)據(jù)加載與鉆取10.2商務智能中數(shù)據(jù)挖掘模型設計10.3SQLServer中數(shù)據(jù)挖掘工具10.4商務智能客戶端界面設計

商務智能應用實例簡介第1頁第10章商務智能應用實例

經(jīng)過本章學習，能夠了解：怎樣使用SQL對超市銷售數(shù)據(jù)倉庫進行數(shù)據(jù)加載；怎樣建立數(shù)據(jù)挖掘應用模型；怎樣使用SQL數(shù)據(jù)挖掘工具；怎樣將多維數(shù)據(jù)集與數(shù)據(jù)挖掘結果經(jīng)過終端展示工具展示給商務智能用戶；

商務智能應用實例簡介第2頁10.1數(shù)據(jù)倉庫數(shù)據(jù)加載與鉆取10.1.1數(shù)據(jù)倉庫數(shù)據(jù)加載1.

建立復制2.

創(chuàng)建公布和定義項目商務智能應用實例簡介第3頁3.創(chuàng)建請求訂閱向導商務智能應用實例簡介第4頁4.禁用公布或分布向導商務智能應用實例簡介第5頁10.1.2超市數(shù)據(jù)倉庫系統(tǒng)數(shù)據(jù)加載商務智能應用實例簡介第6頁10.1.2超市數(shù)據(jù)倉庫系統(tǒng)數(shù)據(jù)加載商務智能應用實例簡介第7頁10.1.2超市數(shù)據(jù)倉庫系統(tǒng)數(shù)據(jù)加載商務智能應用實例簡介第8頁10.1.2超市數(shù)據(jù)倉庫系統(tǒng)數(shù)據(jù)加載商務智能應用實例簡介第9頁10.1.2超市數(shù)據(jù)倉庫系統(tǒng)數(shù)據(jù)加載商務智能應用實例簡介第10頁10.1.2超市數(shù)據(jù)倉庫系統(tǒng)數(shù)據(jù)加載商務智能應用實例簡介第11頁10.1.2超市數(shù)據(jù)倉庫系統(tǒng)數(shù)據(jù)加載商務智能應用實例簡介第12頁10.1.2超市數(shù)據(jù)倉庫系統(tǒng)數(shù)據(jù)加載商務智能應用實例簡介第13頁10.1.2超市數(shù)據(jù)倉庫系統(tǒng)數(shù)據(jù)加載商務智能應用實例簡介第14頁10.1.2超市數(shù)據(jù)倉庫系統(tǒng)數(shù)據(jù)加載商務智能應用實例簡介第15頁10.1.2超市數(shù)據(jù)倉庫系統(tǒng)數(shù)據(jù)加載商務智能應用實例簡介第16頁10.1.2超市數(shù)據(jù)倉庫系統(tǒng)數(shù)據(jù)加載商務智能應用實例簡介第17頁10.1.3多維數(shù)據(jù)集更新⑴運行“SQLServerBusinessIntelligenceDevelopmentStudio”，然后新建一個IntegerationService項目。⑵在該項目中，右鍵單擊SSIS包，然后選擇“新建SSIS包”命令商務智能應用實例簡介第18頁10.1.3多維數(shù)據(jù)集更新商務智能應用實例簡介第19頁10.1.3多維數(shù)據(jù)集更新商務智能應用實例簡介第20頁10.1.3多維數(shù)據(jù)集更新商務智能應用實例簡介第21頁10.1.3多維數(shù)據(jù)集更新商務智能應用實例簡介第22頁10.1.4數(shù)據(jù)倉庫鉆取訪問1.數(shù)據(jù)鉆取進入商務智能應用實例簡介第23頁10.1.4數(shù)據(jù)倉庫鉆取訪問2.數(shù)據(jù)鉆取選項確定商務智能應用實例簡介第24頁10.1.4數(shù)據(jù)倉庫鉆取訪問3.鉆取數(shù)據(jù)列選擇商務智能應用實例簡介第25頁10.1.4數(shù)據(jù)倉庫鉆取訪問4.鉆取數(shù)據(jù)選擇商務智能應用實例簡介第26頁10.1.4數(shù)據(jù)倉庫鉆取訪問5.鉆取結果顯示商務智能應用實例簡介第27頁10.1.5數(shù)據(jù)倉庫多維表示式MDX應用商務智能應用實例簡介第28頁10.1.5數(shù)據(jù)倉庫多維表示式MDX應用在查詢輸入框中輸入需要查詢語句，如：Select{[Measures].[商品銷售額]，[Measures].[商品成本]，[Measures].[商品銷售量]，[Measures].[商品銷售利潤]}oncolumns{[Customdim].[客戶所在城市].children}onrowsfrom[超市系統(tǒng)]where([Storagedim].[開業(yè)年份].[])商務智能應用實例簡介第29頁10.1.5數(shù)據(jù)倉庫多維表示式MDX應用商務智能應用實例簡介第30頁10.1.5數(shù)據(jù)倉庫多維表示式MDX應用MDX多維查詢語句普通形式為：SELECT<axits_specification>[，<axits_specification>…]FROM<cube_specification>WERE<slicer_specification>商務智能應用實例簡介第31頁10.2商務智能中數(shù)據(jù)挖掘模型設計10.2.1數(shù)據(jù)挖掘對象分析數(shù)據(jù)挖掘項目組組員超市營銷策略評價主要經(jīng)過門市、商品、營銷策略、日期和客戶五個維度。要分析則是商品銷售量、銷售額、商品成本和商品銷售利潤等度量信息。商品銷售量增加率=（實施促銷策略后商品銷售量/實施促銷策略前商品銷售量-1）×100%商品銷售額增加率=（實施促銷策略后商品銷售額/實施促銷策略前商品銷售額）×100%商品利潤增加率=（實施促銷策略后商品利潤/實施促銷策略前商品利潤）×100%商品促銷策略門市影響率=不一樣門市相同促銷策略商品利潤增加率之比商品促銷策略時間影響率=不一樣時間相同促銷策略商品利潤增加率之比等各種新變量。

商務智能應用實例簡介第32頁10.2.2數(shù)據(jù)挖掘模型與相關數(shù)據(jù)準備1．挖掘模型確實定在過去若干年中業(yè)務趨勢是什么？在業(yè)務不一樣分類中有哪些最活躍原因？不一樣元素之間是否存在相關性？最感興趣分類存在哪些地方？不一樣分類有哪些層次？客戶分成“接收促銷”、“不接收促銷”兩個分類。將客戶分成三個不一樣聚類，它們特征分別有哪些？銷售額前10個商品聚類是什么？它們彼此之間有哪些不一樣之處？有時為了處理一些較大業(yè)務問題，可能還需要對業(yè)務問題進行分解，將業(yè)務問題分解成多個較小問題。假如這些問題能夠使用分類、預計、關聯(lián)分組、聚類、細分或預測等挖掘方法來處理。那么這一較大問題也就能夠用數(shù)據(jù)挖掘方法處理。商務智能應用實例簡介第33頁10.2.2數(shù)據(jù)挖掘模型與相關數(shù)據(jù)準備將客戶流失問題分解成這么一些問題：①那些已經(jīng)或正在流失客戶含有哪些特征？②能否建立一個預測正在流失客戶模型，預測客戶流失行為發(fā)生？③能否建立一個模型，深入預測那些將要流失客戶會在什么時候流失？④能否建立一個模型解釋這些流失客戶為何流失？對這些分解以后問題就能夠使用不一樣數(shù)據(jù)挖掘方法來處理。商務智能應用實例簡介第34頁10.2.2數(shù)據(jù)挖掘模型與相關數(shù)據(jù)準備①能夠使用聚類方法將流失客戶分成不一樣組，這就能夠很好地說明那些流失客戶特征。對問題②，則能夠將全部客戶劃分到“流失”和“不流失”兩個客戶類中，這就能夠預測那些可能流失客戶。同時，這種分類也能夠用來解釋問題④。而對于問題③則能夠變換一下角度來考慮，即開發(fā)一個預測模型，預測客戶會在“近期”、“中期”、“遠期”流失，這么就能夠將全部客戶分成“近期”、“中期”、“遠期”三個流失類。

商務智能應用實例簡介第35頁10.2.2數(shù)據(jù)挖掘模型與相關數(shù)據(jù)準備確定挖掘模型分析目標或挖掘成功度量值度量值確實定步驟：搜集企業(yè)關鍵戰(zhàn)略領域報表、識別企業(yè)信息量化度量指標、對這些度量指標進行編碼、識別數(shù)據(jù)挖掘處理業(yè)務問題度量指標、對度量指標設定基線。比如，在超市數(shù)據(jù)挖掘中經(jīng)常進行度量指標有：購置商品客戶百分比、對促銷策略響應客戶數(shù)、客戶購置商品平均量、某一時間段購置商品總量或總金額、商品銷售利潤率。在確定了度量值以后，還要確定這些度量值當前值，方便在數(shù)據(jù)挖掘以后，采取對應對策后比較。商務智能應用實例簡介第36頁2．挖掘數(shù)據(jù)準備建立數(shù)據(jù)挖掘庫：選擇業(yè)務數(shù)據(jù)、轉換業(yè)務數(shù)據(jù)、驗證業(yè)務數(shù)據(jù)。為數(shù)據(jù)挖掘工作準備訓練數(shù)據(jù)集與數(shù)據(jù)驗