商務(wù)智能：概念、方法及在管理中的應(yīng)用

前言
第1章 概述
1.1 商務(wù)智能簡介
1.1.1 商務(wù)智能概念
1.1.2 商務(wù)智能的發(fā)展
1.1.3 從數(shù)據(jù)處理的角度看商務(wù)智能的組成
1.2 為什么需要商務(wù)智能
1.3 商務(wù)智能工具
第2章 數(shù)據(jù)倉庫
2.1 數(shù)據(jù)倉庫概述
2.1.1 數(shù)據(jù)倉庫的概念及特點(diǎn)
2.1.2 數(shù)據(jù)庫與數(shù)據(jù)倉庫的區(qū)別
2.1.3 數(shù)據(jù)倉庫的技術(shù)支持
2.2 數(shù)據(jù)倉庫的設(shè)計(jì)
2.3 數(shù)據(jù)倉庫的構(gòu)建實(shí)例--以Foodmart 2000.mdb數(shù)據(jù)集為例
第3章 數(shù)據(jù)預(yù)處理
3.1 為什么需要預(yù)處理數(shù)據(jù)
3.2 數(shù)據(jù)清理
3.2.1 空缺值處理
3.2.2 異常值檢測
3.2.3 重復(fù)記錄檢測
3.3 數(shù)據(jù)集成
3.4 數(shù)據(jù)變換
3.5 數(shù)據(jù)歸約
第4章 聯(lián)機(jī)分析處理
4.1 OLAP的概念與特點(diǎn)
4.1.1 OLAP的概念
4.1.2 OLAP的特點(diǎn)
4.1.3 OLTP和OLAP的對比
4.2 OLAP的一些基本概念
4.3 OLAP的分類
4.4 OLAP的基本操 作
4.5 OLAP--以Foodmart 2000.mdb數(shù)據(jù)集中庫存數(shù)據(jù)表等相關(guān)數(shù)據(jù)為例
第5章 分類
5.1 分類的概念
5.2 決策樹分類
5.2.1 基本概念
5.2.2 決策樹的生成過程
5.2.3 決策樹停止的條件
5.2.4 決策樹的修剪
5.2.5 決策樹的評估
5.3 貝葉斯分類
5.4 人工神經(jīng)網(wǎng)絡(luò)分類
5.4.1 人工神經(jīng)網(wǎng)絡(luò)概述
5.4.2 神經(jīng)元的數(shù)學(xué)模型
5.4.3 人工神經(jīng)網(wǎng)絡(luò)模型
5.4.4 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定
5.5 分類過程中面臨的問題--不均衡數(shù)據(jù)集
5.6 其他分類方法
5.6.1 k-最近鄰居法
5.6.2 粗糙集分類法
5.7 Microsoft分類挖掘模型的操作過程--以基于決策樹的客戶分類為例
第6章 關(guān)聯(lián)規(guī)則
6.1 關(guān)聯(lián)規(guī)則簡介
6.2 關(guān)聯(lián)規(guī)則的分類
6.3 由事務(wù)數(shù)據(jù)庫挖掘單維關(guān)聯(lián)規(guī)則
6.3.1 Aprior算法
6.3.2 頻繁模式增長
6.4 關(guān)聯(lián)規(guī)則的推廣
6.4.1 多層關(guān)聯(lián)規(guī)則
6.4.2 多維關(guān)聯(lián)規(guī)則
6.5 時序關(guān)聯(lián)規(guī)則
6.6 商品關(guān)聯(lián)關(guān)系分析--以Foodmart 2000.mdb數(shù)據(jù)
集中1997年銷售數(shù)據(jù)為例
第7章 聚類
7.1 簡介
7.2 聚類分析算法
7.2.1 K-均值簇算法
7.2.2 EM算法
7.3 聚類分析的應(yīng)用
7.4 聚類分析的操作過程--基于客戶價值的聚類分析
第8章 商務(wù)智能在管理中的應(yīng)用
8.1 基于決策樹的職員職位影響因素研究
8.2 基于聚類方法的廣告效應(yīng)差異分析
8.3 基于貝葉斯方法和決策樹方法的顧客分類效果比較研究
8.4 基于聚類方法的顧客特征分析