CRM基础理论体系梳理-.ppt

O(∩_∩)O谢谢各位！！！ 第5章 CRM与数据仓库 5.1 数据仓库概述 5.1.1 数据仓库概念及特征 5.1.2 数据仓库的内容 5.1.3 数据仓库系统的体系结构 5.2 客户关系管理数据仓库的实施 5.1.1 数据仓库的概念和特征 目前，数据仓库一词尚没有一个统一的定义。 著名的数据仓库专家W.H.Inmon在其著作《Building the Data Warehouse》一书中给予如下描述： 数据仓库（Data Warehouse）是一个面向主题的（Subject Oriented）、集成的（Integrate）、相对稳定的（Non-Volatile）、反映历史变化（Time Variant）的数据集合，用于支持管理决策。 5.1 数据仓库概述 5.1.3 数据仓库的内容 数据仓库并没有严格的数学理论基础，也没有成熟的基本模式，且更偏向于工程，具有强烈的工程性。因此，在技术上人们习惯于从工作过程等方面来分析，并按其关键技术部份分为数据的抽取、存储与管理以及数据的表现等三个基本方面。 5.1.3 数据仓库系统体系结构 OLAP服务器 OLAP服务器对分析需要的数据进行有效集成，按多维模型予以组织，以便进行多角度、多层次的分析，并发现趋势。其具体实现可以分为：ROLAP、MOLAP和HOLAP。ROLAP基本数据和聚合数据均存放在RDBMS之中；MOLAP基本数据和聚合数据均存放于多维数据库中；HOLAP基本数据存放于RDBMS之中，聚合数据存放于多维数据库中。 5.2 数据仓库的项目实施 数据仓库提供了有效地存取和管理大量数据的理想环境，而数据仓库系统的建立是一个由数据驱动、以技术支撑并满足应用需求的不断增长和完善的开发过程。因此数据仓库的建立可以从数据、技术和应用三方面展开。 5.2.1 联机分析处理（OLAP） OLAP是一种软件技术，他使分析人员能够迅速、一致、交互地从各个方面观察信息，以达到深入理解数据的目的，这些信息是从原始数据直接转换过来的，他们以用户容易理解的方式反映企业的真实情况。 OLAP大部分策略都是将关系型的或普通的数据进行多维数据存贮，以便于进行分析，从而达到联机分析处理的目的。这种多维DB也被看作一个超立方体，沿着各个维方向存贮数据，它允许用户沿事物的轴线方便地分析数据，与主流业务型用户相关的分析形式一般有切片和切块以及下钻、挖掘等操作。共享多维信息的快速分析。 5.2.2 OLAP评价标准 (1)多维概念视图 (2)透明性 (3)易访问性 (4)一致的报表性能 (5)客户/服务器结构 (6)维的等同性 (7)动态稀疏矩阵处理 (8)多用户支持 (9)无约束的跨维操作。 (10)直观的数据操作。 (11)灵活的报表。 (12)不限制的维和聚合级别 第6章 CRM与数据挖掘 6.1 数据挖掘的定义 6.2 数据挖掘的技术 6.3 数据挖掘的功能 6.4 数据挖掘的流程 6.5 数据挖掘的发展方向 6.1 数据挖掘的定义 SAS研究所（1997）：“在大量相关数据基础之上进行数据探索和建立相关模型的先进方法”。 Bhavani（1999）：“使用模式识别技术、统计和数学技术，在大量的数据中发现有意义的新关系、模式和趋势的过程”。 Hand et al（2000）：“数据挖掘就是在大型数据库中寻找有意义、有价值信息的过程”。 6.2 数据挖掘技术 数据挖掘的方法很多，大致可分为：统计方法、机器学习方法、神经网络方法和数据库方法。其中，统计方法可细分为：回归分析（多元回归、自回归等）、判别分析（贝叶斯判别、费歇尔判别、非参数判别等）、聚类分析（系统聚类、动态聚类等）、探索性分析（主元分析法、相关分析法等）、以及模糊集、粗糙集、支持向量机等。机器学习中，可细分为：归纳学习方法（决策树、规则归纳等）、基于范例的推理CBR、遗传算法、贝叶斯信念网络等。神经网络方法，可细分为：前向神经网络（BP算法等）、自组织神经网络（自组织特征映射、竞争学习等）等。数据库方法主要是基于可视化的多维数据分析或OLAP方法，另外还有面向属性的归纳方法。 6.3 数据挖掘的功能 自动预测趋势和行为 关联分析 对象分类 聚类分析 概念描述 偏差检测 6.4 数据挖掘的流程 确定业务对象： 清晰地定义出业务问题，认清数据挖掘的目的是数据挖掘的重要一步。挖掘的最后结构是不可预测的，但要探索的问题应是有预见的，为了数据挖掘而数据挖掘则带有盲目性，是不会成功的。 数据准备 数据的选择：搜索所有与业务对象有关的内部和外部数据信息，并从中选择出适用于数据挖掘应用的数据。 数据的预处理：研究数据的质量，为进一步的分析作准备.并确定将要进行的挖掘操作的类型。 数据的转换：将数据转换成一个分析模型.这个分析模型是针对挖