商務(wù)智能 課件

北京科技大學(xué)5.1什么是數(shù)據(jù)挖掘？5.2數(shù)據(jù)挖掘能做什么事？—

數(shù)據(jù)挖掘的任務(wù)！5數(shù)據(jù)分析層面的商務(wù)智能-數(shù)據(jù)挖掘北京科技大學(xué)5.1什么是數(shù)據(jù)挖掘?（1）啤酒與尿布的故事（小案例）某大型超市發(fā)現(xiàn)每到周末，啤酒與尿布的銷(xiāo)量就會(huì)同時(shí)大增，這是什么原因呢？購(gòu)物籃北京科技大學(xué)（1）啤酒與尿布的故事（小案例）-續(xù)這是沃爾瑪利用NCR自動(dòng)數(shù)據(jù)挖掘工具（模式識(shí)別軟件）對(duì)一年多詳細(xì)的原始交易數(shù)據(jù)進(jìn)行分析和挖掘后的一個(gè)意外發(fā)現(xiàn)：跟尿布一起購(gòu)買(mǎi)最多的商品竟是啤酒！沃爾瑪因此就在其商店里將它們并排擺放在一起，結(jié)果是尿布與啤酒的銷(xiāo)售量雙雙增長(zhǎng)。經(jīng)過(guò)研究人員分析發(fā)現(xiàn)，原來(lái)家里的太太們讓丈夫們?nèi)コ薪o孩子買(mǎi)尿布，而丈夫們?cè)谫I(mǎi)尿布的時(shí)候往往順便買(mǎi)上幾瓶啤酒回去喝。這樣就產(chǎn)生了這個(gè)比較奇怪的現(xiàn)象。數(shù)據(jù)挖掘?qū)?shù)據(jù)挖掘結(jié)果的解釋分析5.1什么是數(shù)據(jù)挖掘?北京科技大學(xué)（2）KDD與數(shù)據(jù)挖掘數(shù)據(jù)庫(kù)知識(shí)發(fā)現(xiàn)（KnowledgeDiscoveryinDatabase,KDD）一詞的第一次出現(xiàn)是在1989年8月在美國(guó)底特律召開(kāi)的第11屆國(guó)際人工智能聯(lián)合會(huì)議的專(zhuān)題討論會(huì)上。

數(shù)據(jù)庫(kù)知識(shí)發(fā)現(xiàn)是從數(shù)據(jù)集中識(shí)別有效的、新穎的、潛在有用的，以及最終可理解模式的非平凡處理過(guò)程。5.1什么是數(shù)據(jù)挖掘?北京科技大學(xué)KDD是一個(gè)交互式、循環(huán)反復(fù)的整體過(guò)程，除了包括數(shù)據(jù)挖掘外，還包括數(shù)據(jù)的預(yù)處理和對(duì)所發(fā)現(xiàn)的結(jié)果進(jìn)行解釋評(píng)估等諸多環(huán)節(jié)。數(shù)據(jù)挖掘是數(shù)據(jù)庫(kù)知識(shí)發(fā)現(xiàn)中專(zhuān)門(mén)負(fù)責(zé)發(fā)現(xiàn)知識(shí)的核心環(huán)節(jié)。數(shù)據(jù)挖掘KDD5.1什么是數(shù)據(jù)挖掘?北京科技大學(xué)KDD的過(guò)程可視化數(shù)據(jù)準(zhǔn)備數(shù)據(jù)挖掘解釋評(píng)估數(shù)據(jù)庫(kù)待挖掘數(shù)據(jù)抽取的信息有用的知識(shí)5.1什么是數(shù)據(jù)挖掘?北京科技大學(xué)（3）數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘數(shù)據(jù)倉(cāng)庫(kù)為數(shù)據(jù)挖掘提供了更廣闊的空間。數(shù)據(jù)倉(cāng)庫(kù)完成了數(shù)據(jù)的收集、集成、存儲(chǔ)、管理等工作，數(shù)據(jù)挖掘面對(duì)的是經(jīng)過(guò)初步加工的數(shù)據(jù)，使得數(shù)據(jù)挖掘能更專(zhuān)注于知識(shí)的發(fā)現(xiàn)。另一方面，由于數(shù)據(jù)倉(cāng)庫(kù)所具有的新的特點(diǎn)，又對(duì)數(shù)據(jù)挖掘技術(shù)提出了更高的要求。數(shù)據(jù)挖掘技術(shù)和數(shù)據(jù)倉(cāng)庫(kù)技術(shù)結(jié)合起來(lái)，能夠更充分地發(fā)揮潛力。

5.1什么是數(shù)據(jù)挖掘?北京科技大學(xué)

數(shù)據(jù)倉(cāng)庫(kù)中集成和存儲(chǔ)著來(lái)自若干異構(gòu)數(shù)據(jù)源的信息，這就要求其數(shù)據(jù)挖掘的算法必須更有效、更快速。數(shù)據(jù)倉(cāng)庫(kù)對(duì)數(shù)據(jù)挖掘技術(shù)提出的更高要求

數(shù)據(jù)倉(cāng)庫(kù)中的長(zhǎng)時(shí)間歷史數(shù)據(jù)在時(shí)間軸上的特征，在一定程度上增加了數(shù)據(jù)挖掘的難度。數(shù)據(jù)倉(cāng)庫(kù)的發(fā)展對(duì)數(shù)據(jù)挖掘提出了更高的要求5.1什么是數(shù)據(jù)挖掘?北京科技大學(xué)5.2數(shù)據(jù)挖掘能做什么事？—

數(shù)據(jù)挖掘的任務(wù)！聚類(lèi)分析分類(lèi)發(fā)現(xiàn)關(guān)聯(lián)規(guī)則發(fā)現(xiàn)序列模式發(fā)現(xiàn)……數(shù)據(jù)挖掘的任務(wù)北京科技大學(xué)（1）聚類(lèi)分析1）聚類(lèi)分析的內(nèi)涵

聚類(lèi)任務(wù)用于發(fā)現(xiàn)在數(shù)據(jù)庫(kù)中未知的對(duì)象類(lèi)。這種對(duì)象類(lèi)劃分的依據(jù)是“物以類(lèi)聚”，即考察個(gè)體或數(shù)據(jù)對(duì)象間的相似性，滿(mǎn)足相似性條件的個(gè)體或數(shù)據(jù)對(duì)象劃分在一組內(nèi)，不滿(mǎn)足相似性條件的個(gè)體或數(shù)據(jù)對(duì)象劃分在不同的組。在聚類(lèi)之前，對(duì)象類(lèi)劃分的數(shù)量與類(lèi)型均是未知的，因此在數(shù)據(jù)挖掘后一般需要對(duì)數(shù)據(jù)挖掘結(jié)果進(jìn)行合理的分析與解釋。5.2

數(shù)據(jù)挖掘的任務(wù)——

聚類(lèi)分析北京科技大學(xué)例如：聚類(lèi)分析能幫助市場(chǎng)分析人員從客戶(hù)的基本庫(kù)中發(fā)現(xiàn)不同的客戶(hù)群；可以根據(jù)房子的類(lèi)型、價(jià)值和地理位置對(duì)一個(gè)城市中的房屋進(jìn)行分組；還能對(duì)Web上的文檔進(jìn)行分類(lèi)等等。2）聚類(lèi)分析的一般應(yīng)用模式識(shí)別空間數(shù)據(jù)分析圖像處理經(jīng)濟(jì)科學(xué)網(wǎng)絡(luò)

5.2

數(shù)據(jù)挖掘的任務(wù)——

聚類(lèi)分析北京科技大學(xué)3）數(shù)據(jù)挖掘應(yīng)用對(duì)聚類(lèi)分析算法的要求處理不同類(lèi)型屬性的能力發(fā)現(xiàn)任意形狀的聚類(lèi)

用于決定輸入?yún)?shù)的領(lǐng)域知識(shí)最小化處理噪聲數(shù)據(jù)的能力對(duì)于輸入數(shù)據(jù)的順序不敏感處理高維屬性數(shù)據(jù)的能力結(jié)合用戶(hù)特定的約束結(jié)果可解釋性和可用性5.2

數(shù)據(jù)挖掘的任務(wù)——

聚類(lèi)分析北京科技大學(xué)4）什么是好的聚類(lèi)方法？好的聚類(lèi)方法將產(chǎn)生高質(zhì)量的類(lèi)，即在類(lèi)的內(nèi)部具有高的相似度，而類(lèi)間具有低的相似度。聚類(lèi)方法的質(zhì)量依賴(lài)于所選用的相似度計(jì)算方法和該方法的實(shí)現(xiàn)情況質(zhì)量聚類(lèi)方法的質(zhì)量也取決于它發(fā)現(xiàn)隱藏模式的能力5.2

數(shù)據(jù)挖掘的任務(wù)——

聚類(lèi)分析北京科技大學(xué)5）聚類(lèi)分析方法的分類(lèi)分割聚類(lèi)方法

1層次聚類(lèi)方法2基于網(wǎng)格的聚類(lèi)方法4基于密度的聚類(lèi)方法35.2

數(shù)據(jù)挖掘的任務(wù)——

聚類(lèi)分析北京科技大學(xué)算法步驟：首先隨機(jī)地選擇k個(gè)對(duì)象，每個(gè)對(duì)象作為一個(gè)類(lèi)的“中心”，分別代表將分成的k個(gè)類(lèi)；根據(jù)距離“中心”最近的原則，尋找與各對(duì)象最為相似的類(lèi)，將其他對(duì)象分配到各個(gè)相應(yīng)的類(lèi)中；在完成對(duì)象的分配之后，針對(duì)每個(gè)類(lèi)，計(jì)算其所有對(duì)象的平均值，作為該類(lèi)新的“中心”；根據(jù)距離“中心”最近的原則，重新進(jìn)行所有對(duì)象到各個(gè)相應(yīng)類(lèi)的分配；返回步驟3，直到?jīng)]有變化為止。

聚類(lèi)算法例——k-平均算法

k-平均算法屬于分割聚類(lèi)方法。5.2

數(shù)據(jù)挖掘的任務(wù)——

聚類(lèi)分析北京科技大學(xué)有10個(gè)對(duì)象xi,,描述每一個(gè)對(duì)象的屬性為xi1,xi2,取值如下表。設(shè)定聚類(lèi)個(gè)數(shù)為k=2。這里我們采用歐幾里德距離進(jìn)行距離的計(jì)算。x1x2x3x4x5x6x7x8x9x10xi24665843823k-平均聚類(lèi)算法數(shù)值例子北京科技大學(xué)01234567812345678x8x9x10x1x3x5x2x4x6x7xi1xi2k-平均聚類(lèi)算法數(shù)值例子北京科技大學(xué)“數(shù)據(jù)（對(duì)象）對(duì)”聚類(lèi)問(wèn)題的實(shí)際背景

—

電信客戶(hù)聚類(lèi)分析問(wèn)題聚類(lèi)問(wèn)題的擴(kuò)展—數(shù)據(jù)對(duì)聚類(lèi)問(wèn)題北京科技大學(xué)“數(shù)據(jù)（對(duì)象）對(duì)”聚類(lèi)問(wèn)題的本質(zhì)電信客戶(hù)聚類(lèi)分析問(wèn)題說(shuō)明，在實(shí)際情況中存在這樣一種數(shù)據(jù)情況：實(shí)際業(yè)務(wù)數(shù)據(jù)中，每條記錄標(biāo)明了兩個(gè)的對(duì)象，這兩個(gè)對(duì)象具有關(guān)聯(lián)關(guān)系（以下稱(chēng)為“數(shù)據(jù)對(duì)”），實(shí)際問(wèn)題要求我們?cè)趦蓚€(gè)關(guān)聯(lián)對(duì)象的基礎(chǔ)上，尋找更多具有關(guān)聯(lián)關(guān)系的對(duì)象群體。聚類(lèi)問(wèn)題的擴(kuò)展—數(shù)據(jù)對(duì)聚類(lèi)問(wèn)題北京科技大學(xué)數(shù)據(jù)對(duì)聚類(lèi)與傳統(tǒng)聚類(lèi)問(wèn)題的差異

—

聚類(lèi)對(duì)象不同—類(lèi)和對(duì)象間的關(guān)系不同-傳統(tǒng)聚類(lèi)問(wèn)題的聚類(lèi)對(duì)象是獨(dú)立對(duì)象！-“數(shù)據(jù)對(duì)”聚類(lèi)問(wèn)題的聚類(lèi)對(duì)象是相互關(guān)聯(lián)的“對(duì)象對(duì)”！-傳統(tǒng)聚類(lèi)得到的“類(lèi)”中：每個(gè)對(duì)象只能屬于一個(gè)類(lèi)！-“數(shù)據(jù)對(duì)”聚類(lèi)得到的“類(lèi)”中：一個(gè)對(duì)象可能屬于多個(gè)類(lèi)（由“對(duì)象對(duì)”構(gòu)成的“類(lèi)”）！聚類(lèi)問(wèn)題的擴(kuò)展—數(shù)據(jù)對(duì)聚類(lèi)問(wèn)題北京科技大學(xué)在社會(huì)網(wǎng)絡(luò)中，聚類(lèi)對(duì)象包含更多基本對(duì)象（如每個(gè)家庭），聚類(lèi)結(jié)果是一個(gè)個(gè)“社團(tuán)”。社會(huì)網(wǎng)絡(luò)分析的研究應(yīng)用，將導(dǎo)致對(duì)傳統(tǒng)系統(tǒng)論的革命性發(fā)展！聚類(lèi)問(wèn)題的擴(kuò)展—社會(huì)網(wǎng)絡(luò)分析北京科技大學(xué)（2）分類(lèi)發(fā)現(xiàn)1）分類(lèi)發(fā)現(xiàn)的目的分類(lèi)發(fā)現(xiàn)的目的是構(gòu)造一個(gè)分類(lèi)函數(shù)或分類(lèi)模型（也稱(chēng)作分類(lèi)器），通過(guò)分類(lèi)函數(shù)，把數(shù)據(jù)庫(kù)中的元組映射到給定類(lèi)別中的某一個(gè)，即要發(fā)現(xiàn)一些指定的商品或事件是否屬于某一特定數(shù)據(jù)子集的規(guī)則。

5.2

數(shù)據(jù)挖掘的任務(wù)——

分類(lèi)發(fā)現(xiàn)北京科技大學(xué)2）分類(lèi)發(fā)現(xiàn)的處理過(guò)程第一階段第二階段分類(lèi)模型的建立該階段也稱(chēng)監(jiān)督學(xué)習(xí)，數(shù)據(jù)類(lèi)別是事先已知的，需要做的工作是通過(guò)分析訓(xùn)練樣本數(shù)據(jù)總結(jié)出一般性的分類(lèi)規(guī)則，建立分類(lèi)模型。分類(lèi)模型的應(yīng)用應(yīng)用分類(lèi)模型前，需要對(duì)建立的模型進(jìn)行評(píng)估，在確保分類(lèi)模型的準(zhǔn)確性及精確度的情況下，才能運(yùn)用該分類(lèi)模型對(duì)未知其類(lèi)別的數(shù)據(jù)樣本進(jìn)行分類(lèi)處理。5.2

數(shù)據(jù)挖掘的任務(wù)——

分類(lèi)發(fā)現(xiàn)北京科技大學(xué)分類(lèi)發(fā)現(xiàn)的處理過(guò)程——第一階段訓(xùn)練集分析分類(lèi)器建立的模型矩形是黃色圓形是紅色三角是綠色2）分類(lèi)發(fā)現(xiàn)的處理過(guò)程北京科技大學(xué)分類(lèi)發(fā)現(xiàn)的處理過(guò)程——第二階段數(shù)據(jù)庫(kù)紅色圖形黃色圖形綠色圖形分類(lèi)器已建立的模型沒(méi)有分辨顏色的圖形2）分類(lèi)發(fā)現(xiàn)的處理過(guò)程北京科技大學(xué)3）分類(lèi)模型的評(píng)估標(biāo)準(zhǔn)預(yù)測(cè)準(zhǔn)確性描述的簡(jiǎn)潔性計(jì)算復(fù)雜性模型強(qiáng)健性處理規(guī)模性

5.2

數(shù)據(jù)挖掘的任務(wù)——

分類(lèi)發(fā)現(xiàn)北京科技大學(xué)4）分類(lèi)發(fā)現(xiàn)的主要方法

基于決策樹(shù)模型的數(shù)據(jù)分類(lèi)——ID3算法1基于統(tǒng)計(jì)模型的數(shù)據(jù)分類(lèi)——貝葉斯分類(lèi)2基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類(lèi)35.2

數(shù)據(jù)挖掘的任務(wù)——

分類(lèi)發(fā)現(xiàn)北京科技大學(xué)5）分類(lèi)發(fā)現(xiàn)規(guī)則提取的實(shí)例利用決策樹(shù)模型對(duì)某鋼鐵公司的歷史銷(xiāo)售數(shù)據(jù)進(jìn)行分析。銷(xiāo)售時(shí)間銷(xiāo)售地區(qū)*銷(xiāo)售產(chǎn)品客戶(hù)行業(yè)*銷(xiāo)售渠道*利潤(rùn)行數(shù)2000年華中薄板冶金直銷(xiāo)高2002000年華東管材冶金直銷(xiāo)高5102000年華中圓鋼機(jī)電分銷(xiāo)中3002000年華南線材電力直銷(xiāo)低502000年華東線材電力分銷(xiāo)低600…………………2000年華中薄板電力直銷(xiāo)中802000年華中薄板電力直銷(xiāo)高320注：*代表對(duì)應(yīng)的屬性為決策屬性注：行數(shù)代表滿(mǎn)足各行要求的記錄個(gè)數(shù)5.2

數(shù)據(jù)挖掘的任務(wù)——

分類(lèi)發(fā)現(xiàn)北京科技大學(xué)應(yīng)用ID3算法得到的決策樹(shù)直銷(xiāo)分銷(xiāo)華中華東冶金電力銷(xiāo)售地區(qū)華中低中高高銷(xiāo)售地區(qū)客戶(hù)行業(yè)銷(xiāo)售渠道5.2

數(shù)據(jù)挖掘的任務(wù)——

分類(lèi)發(fā)現(xiàn)北京科技大學(xué)利用決策樹(shù)提取分類(lèi)規(guī)則（用“IF-THEN”的形式表示）直銷(xiāo)分銷(xiāo)華中華東冶金電力銷(xiāo)售地區(qū)華中低中高高銷(xiāo)售地區(qū)客戶(hù)行業(yè)銷(xiāo)售渠道規(guī)則1：IF銷(xiāo)售渠道=“直銷(xiāo)”and客戶(hù)行業(yè)=“冶金”THEN銷(xiāo)售業(yè)務(wù)屬于“高”利潤(rùn)規(guī)則2：IF銷(xiāo)售渠道=“直銷(xiāo)”and客戶(hù)行業(yè)=“電力”and銷(xiāo)售地區(qū)=“華中”THEN銷(xiāo)售業(yè)務(wù)屬于“高”利潤(rùn)規(guī)則3：IF銷(xiāo)售渠道=“分銷(xiāo)”and銷(xiāo)售地區(qū)=“華中”THEN銷(xiāo)售業(yè)務(wù)屬于“中”利潤(rùn)規(guī)則4：IF銷(xiāo)售渠道=“分銷(xiāo)”and銷(xiāo)售地區(qū)=“華東”THEN銷(xiāo)售業(yè)務(wù)屬于“低”利潤(rùn)5.2

數(shù)據(jù)挖掘的任務(wù)——

分類(lèi)發(fā)現(xiàn)北京科技大學(xué)（3）關(guān)聯(lián)規(guī)則發(fā)現(xiàn)1）關(guān)聯(lián)規(guī)則的含義關(guān)聯(lián)規(guī)則是指大量數(shù)據(jù)中項(xiàng)集之間有趣（價(jià)值）的關(guān)聯(lián)或相關(guān)聯(lián)系。前面提到的“啤酒與尿布”的故事就是關(guān)聯(lián)規(guī)則的一個(gè)典型例子。這也成為零售商的貨籃分析，其通過(guò)發(fā)現(xiàn)顧客放入其貨籃中不同商品、即不同項(xiàng)之間的聯(lián)系，分析顧客的購(gòu)買(mǎi)習(xí)慣。通過(guò)了解哪些商品頻繁地被顧客同時(shí)購(gòu)買(mǎi)，分析得到商品之間的關(guān)聯(lián)，這種關(guān)聯(lián)的發(fā)現(xiàn)可以幫助零售商制定營(yíng)銷(xiāo)策略。

5.2

數(shù)據(jù)挖掘的任務(wù)——

關(guān)聯(lián)規(guī)則發(fā)現(xiàn)北京科技大學(xué)2）描述關(guān)聯(lián)規(guī)則的參數(shù)關(guān)鍵參數(shù)作用度期望可信度支持度可信度5.2

數(shù)據(jù)挖掘的任務(wù)——

關(guān)聯(lián)規(guī)則發(fā)現(xiàn)北京科技大學(xué)描述關(guān)聯(lián)規(guī)則的參數(shù)-支持度商場(chǎng)10個(gè)顧客同時(shí)購(gòu)買(mǎi)錘子和釘子顧客購(gòu)買(mǎi)錘子

顧客購(gòu)買(mǎi)釘子的關(guān)聯(lián)規(guī)則的支持度為10%100個(gè)顧客去商場(chǎng)購(gòu)買(mǎi)東西5.2

數(shù)據(jù)挖掘的任務(wù)——

關(guān)聯(lián)規(guī)則發(fā)現(xiàn)北京科技大學(xué)商場(chǎng)20個(gè)顧客購(gòu)買(mǎi)了錘子顧客購(gòu)買(mǎi)錘子

顧客購(gòu)買(mǎi)釘子的關(guān)聯(lián)規(guī)則的可信度為50%100個(gè)顧客去商場(chǎng)購(gòu)買(mǎi)東西其中10個(gè)顧客又購(gòu)買(mǎi)了釘子描述關(guān)聯(lián)規(guī)則的參數(shù)-可信度5.2

數(shù)據(jù)挖掘的任務(wù)——

關(guān)聯(lián)規(guī)則發(fā)現(xiàn)北京科技大學(xué)商場(chǎng)20個(gè)顧客購(gòu)買(mǎi)了釘子顧客購(gòu)買(mǎi)錘子

顧客購(gòu)買(mǎi)釘子的關(guān)聯(lián)規(guī)則的期望可信度為20%100個(gè)顧客去商場(chǎng)購(gòu)買(mǎi)東西描述關(guān)聯(lián)規(guī)則的參數(shù)-期望可信度5.2

數(shù)據(jù)挖掘的任務(wù)——

關(guān)聯(lián)規(guī)則發(fā)現(xiàn)北京科技大學(xué)作用度是可信度和期望可信度之間的比值。名稱(chēng)描述（利用前面的例子）公式支持度顧客購(gòu)買(mǎi)錘子（X）和購(gòu)買(mǎi)釘子（Y）同時(shí)出現(xiàn)的概率P(X∪Y)可信度顧客在購(gòu)買(mǎi)錘子（X）的前提下，又購(gòu)買(mǎi)釘子（Y）的概率P(Y|X)期望可信度顧客購(gòu)買(mǎi)釘子（Y）的概率P(Y)作用度可信度與期望可信度的比值P(Y|X)/P(Y)描述關(guān)聯(lián)規(guī)則的參數(shù)-作用度5.2

數(shù)據(jù)挖掘的任務(wù)——

關(guān)聯(lián)規(guī)則發(fā)現(xiàn)北京科技大學(xué)支持度是對(duì)關(guān)聯(lián)規(guī)則重要性的衡量可信度是對(duì)關(guān)聯(lián)規(guī)則的準(zhǔn)確度的衡量作用度描述了一個(gè)事件對(duì)另一事件的影響力大小，有用關(guān)聯(lián)規(guī)則的作用度都應(yīng)該大于1四個(gè)參數(shù)的意義期望可信度描述了在沒(méi)有別的事件作用下，某一事件本身的支持度5.2

數(shù)據(jù)挖掘的任務(wù)——

關(guān)聯(lián)規(guī)則發(fā)現(xiàn)北京科技大學(xué)單層關(guān)聯(lián)規(guī)則：規(guī)則條件中僅涉及同一層次上的屬性。多層關(guān)聯(lián)規(guī)則：規(guī)則條件中涉及不同層次上的屬性。單維關(guān)聯(lián)規(guī)則：處理單個(gè)屬性中的一些關(guān)系。啤酒

尿布(一個(gè)屬性：顧客購(gòu)買(mǎi)的東西)多維關(guān)聯(lián)規(guī)則：處理各個(gè)屬性之間的某些關(guān)系。性別=“女”

且職業(yè)=“秘書(shū)”

漂亮(多個(gè)屬性：性別、職業(yè))3）關(guān)聯(lián)規(guī)則的類(lèi)型5.2

數(shù)據(jù)挖掘的任務(wù)——

關(guān)聯(lián)規(guī)則發(fā)現(xiàn)北京科技大學(xué)4）關(guān)聯(lián)規(guī)則發(fā)現(xiàn)的步驟進(jìn)行數(shù)據(jù)清理、集成、轉(zhuǎn)換、聚集等數(shù)據(jù)準(zhǔn)備；根據(jù)實(shí)際情況，確定最小支持度和最小可信度；利用數(shù)據(jù)挖掘工具提供的算法發(fā)現(xiàn)關(guān)聯(lián)規(guī)則；可視化顯示、解釋、評(píng)估關(guān)聯(lián)規(guī)則。5.2

數(shù)據(jù)挖掘的任務(wù)——

關(guān)聯(lián)規(guī)則發(fā)現(xiàn)北京科技大學(xué)例：關(guān)聯(lián)規(guī)則發(fā)現(xiàn)算法“概念樹(shù)算法”挖掘多層關(guān)聯(lián)規(guī)則食品飲料水果肉類(lèi)可樂(lè)蘋(píng)果礦泉水香蕉豬肉可口可樂(lè)百事可樂(lè)紅富士

從下到上的概括或抽象反之則為從上到下的具體化5.2

數(shù)據(jù)挖掘的任務(wù)——

關(guān)聯(lián)規(guī)則發(fā)現(xiàn)北京科技大學(xué)食品飲料水果肉類(lèi)可樂(lè)蘋(píng)果礦泉水香蕉豬肉可口可樂(lè)百事可樂(lè)紅富士

購(gòu)買(mǎi)(可口可樂(lè))

購(gòu)買(mǎi)(蘋(píng)果)涉及不同的抽象層關(guān)聯(lián)規(guī)則稱(chēng)為多層關(guān)聯(lián)規(guī)則。例：關(guān)聯(lián)規(guī)則發(fā)現(xiàn)算法“概念樹(shù)算法”挖掘多層關(guān)聯(lián)規(guī)則5.2

數(shù)據(jù)挖掘的任務(wù)——

關(guān)聯(lián)規(guī)則發(fā)現(xiàn)北京科技大學(xué)食品飲料水果肉類(lèi)可樂(lè)蘋(píng)果礦泉水香蕉豬肉可口可樂(lè)百事可樂(lè)紅富士

在較低層次上,購(gòu)買(mǎi)(可口可樂(lè))

購(gòu)買(mǎi)(礦泉水)的支持度低在較高層次上,購(gòu)買(mǎi)(可樂(lè))

購(gòu)買(mǎi)(礦泉水)的支持度高在不同層次上可以挖掘更多的強(qiáng)關(guān)聯(lián)規(guī)則例：關(guān)聯(lián)規(guī)則發(fā)現(xiàn)算法“概念樹(shù)算法”挖掘多層關(guān)聯(lián)規(guī)則5.2

數(shù)據(jù)挖掘的任務(wù)——

關(guān)聯(lián)規(guī)則發(fā)現(xiàn)北京科技大學(xué)6實(shí)施商務(wù)智能常見(jiàn)誤區(qū)（1）信息共享意味著失去控制權(quán)（2）自助式服務(wù)是浪費(fèi)用戶(hù)的時(shí)間（3）IT從業(yè)人員不懂商業(yè)運(yùn)作（4）我們并不總需要所有的數(shù)據(jù)北京科技大學(xué)誤區(qū)一：信息共享意味著失去控制權(quán)

“有了商務(wù)智能系統(tǒng)，我的雇員們會(huì)看到很多從前他們看不到的信息，我的權(quán)力何在？其他部門(mén)的人員會(huì)學(xué)到我們多年商業(yè)實(shí)踐所積累下來(lái)的經(jīng)驗(yàn)，我的優(yōu)勢(shì)何在？”

“有了商務(wù)智能系統(tǒng)，我可以更多地了解企業(yè)內(nèi)外部信息，更積極地參與企業(yè)決策，更便捷地學(xué)習(xí)其他部門(mén)的經(jīng)驗(yàn)教訓(xùn)，何樂(lè)而不為？”兩種聲音——閉塞保守開(kāi)放共享北京科技大學(xué)誤區(qū)一：信息共享意味著失去控制權(quán)日趨激烈的商業(yè)競(jìng)爭(zhēng)使得商業(yè)運(yùn)作必須降低成本、提高質(zhì)量、加快速度。因此企業(yè)必須分散機(jī)構(gòu)，賦予員工權(quán)力以快速?zèng)Q策。打破階層感，實(shí)現(xiàn)信息共享，已經(jīng)成為一種不可阻擋的趨勢(shì)。北京科技大學(xué)誤區(qū)二：自助式服務(wù)是浪費(fèi)用戶(hù)的時(shí)間自助式服務(wù)意味著：用戶(hù)能得到他們確切所需的數(shù)據(jù)。用戶(hù)能在需要的時(shí)，立刻就能得到數(shù)據(jù)。一名管理者正在準(zhǔn)備一次演講，準(zhǔn)備說(shuō)服上級(jí)管理人員投資一個(gè)項(xiàng)目，他認(rèn)為（感覺(jué)）某產(chǎn)品在辦理直接郵購(gòu)服務(wù)的地區(qū)銷(xiāo)售情況較好，他需要及時(shí)得到相關(guān)地區(qū)產(chǎn)品銷(xiāo)售的信息，以確認(rèn)他的感覺(jué)。以前他需要到IT部門(mén)查詢(xún)數(shù)據(jù)并等待IT部門(mén)的查詢(xún)報(bào)告，有時(shí)等來(lái)的報(bào)告甚至不是他真正想要的。而現(xiàn)在他可以直接在商務(wù)智能系統(tǒng)上應(yīng)用OLAP工具自主查詢(xún)，高效利用時(shí)間，最終做了一次令人信服的演講。北京科技大學(xué)誤區(qū)三：IT從業(yè)人員不懂商業(yè)運(yùn)作商務(wù)智能系統(tǒng)能實(shí)現(xiàn)新技術(shù)平臺(tái)的IT人士理解商業(yè)需求的用戶(hù)商業(yè)用戶(hù)的要求不切實(shí)際，不考慮具體實(shí)施的技術(shù)困難，也不考慮實(shí)行統(tǒng)一標(biāo)準(zhǔn)的必要性！IT部門(mén)認(rèn)為IT部門(mén)不懂商業(yè)運(yùn)作及其要求，他們根本幫不上什么忙??！商業(yè)部門(mén)認(rèn)為北京科技大學(xué)誤區(qū)三：IT從業(yè)人員不懂商業(yè)運(yùn)作(續(xù))但實(shí)際上，他們?cè)忈屩鳬T界與商界目標(biāo)及觀點(diǎn)的融合……在思科—思科公司CIO彼得·索維克(PeterSolvik)不僅負(fù)責(zé)思科公司的因特網(wǎng)顧客服務(wù)工具、局域網(wǎng)與廣域網(wǎng)、商業(yè)應(yīng)用程序、電信業(yè)務(wù)，而且領(lǐng)導(dǎo)著思科因特網(wǎng)商業(yè)組織。在他的領(lǐng)導(dǎo)下，CiscoConnectionOnline網(wǎng)站年成交量超過(guò)40億美元。北京科技大學(xué)嘉信理財(cái)公司CIO唐·萊伯(DawnLepore)把股票經(jīng)紀(jì)業(yè)務(wù)轉(zhuǎn)向在線運(yùn)作?，F(xiàn)在嘉信理財(cái)已成為在線經(jīng)紀(jì)業(yè)務(wù)的領(lǐng)袖企業(yè)。在嘉信理財(cái)—誤區(qū)三：IT從業(yè)人員不懂商業(yè)運(yùn)作(續(xù))北京科技大學(xué)誤區(qū)四：我們并不總需要所有的數(shù)據(jù)

“一個(gè)好的商務(wù)智能工具的負(fù)面影響之一是你對(duì)研究這一新工具的興趣超過(guò)了工作需要。這是‘什么是有趣的’和‘什么是有用的’之間的沖突。有一種可能的情況是，你的員工喜歡做一些有趣的報(bào)告，而不是那些對(duì)商業(yè)運(yùn)作有用的報(bào)告。因此，我們有責(zé)任對(duì)分析過(guò)程作出非常清楚的定義，否則，我們會(huì)處于分析癱瘓狀態(tài)，所能做的就是每天查看大量的數(shù)據(jù)?！?/p>

——英邁集團(tuán)CIO蓋伊·阿布拉莫北京科技大學(xué)誤區(qū)四：我們并不總需要所有的數(shù)據(jù)(續(xù))部署商務(wù)智能系統(tǒng)的步驟：企業(yè)商務(wù)智能系統(tǒng)的價(jià)值就在于他們能提供“正確的信息”來(lái)回答商業(yè)用戶(hù)的問(wèn)題。理解怎樣用這種工具理解那些可用數(shù)據(jù)的意義第1步第2步北京科技大學(xué)BI產(chǎn)品市場(chǎng)7BI產(chǎn)品市場(chǎng)變化與海波龍的整合獲得了涵蓋數(shù)據(jù)庫(kù),中間件,ERP和BI等大而全的解決方案ORACLESAP與博奧杰的整合為用戶(hù)利用交易數(shù)據(jù)提供了更好的辦法SAP將Cognos與其中間件,數(shù)據(jù)庫(kù)和數(shù)據(jù)集成工具等結(jié)合起來(lái)使用后,用戶(hù)將更容易對(duì)數(shù)據(jù)進(jìn)行分析IBMPerformancePoint和SharePoint是在企業(yè)范圍內(nèi)實(shí)現(xiàn)協(xié)作BI的最佳組合Microsoft北京科技大學(xué)（1）IBM：數(shù)據(jù)為本IOD（Information

On

Demand，信息隨需應(yīng)變）戰(zhàn)略：涉及四方面產(chǎn)品線：數(shù)據(jù)庫(kù)、信息整合、內(nèi)容管理和商業(yè)智能。IBM將Cognos與其中間件、數(shù)據(jù)庫(kù)和數(shù)據(jù)集成工具等結(jié)合起來(lái)使用后，用戶(hù)將更容易對(duì)數(shù)據(jù)進(jìn)行分析。其一貫專(zhuān)注底層系統(tǒng)的戰(zhàn)略讓BI工具缺乏其他類(lèi)似ERP等應(yīng)用軟件的配合。7BI產(chǎn)品市場(chǎng)變化北京科技大學(xué)（2）SAP：交易數(shù)據(jù)是關(guān)鍵SAP與博奧杰的整合讓業(yè)界一流的BI工具和ERP系統(tǒng)獲得緊密結(jié)合，為用戶(hù)利用交易數(shù)據(jù)提供了更好的辦法。缺乏數(shù)據(jù)庫(kù)環(huán)節(jié)的支撐，可能影響企業(yè)整體信息解決方案的實(shí)現(xiàn)。7BI產(chǎn)品市場(chǎng)變化北京科技大學(xué)（3）甲骨文：策略有待完善甲骨文與海波龍的整合獲得了涵蓋數(shù)據(jù)庫(kù)、中間件、ERP和BI等大而全的解決方案。BEA中間件分別與自身中間件、BI產(chǎn)品是各自為政還是完全整合將給用戶(hù)帶來(lái)困惑。7BI產(chǎn)品市場(chǎng)變化北京科技大學(xué)（4）微軟：擴(kuò)展BI用戶(hù)的范圍

微軟的目標(biāo)是利用終端用戶(hù)對(duì)Office軟件的熟悉，將BI帶給不同類(lèi)型的員工。其產(chǎn)品Perfor