商务智能系统.ppt

数据结构 第13章 商务智能系统 13.1 商务智能概述 13.2 商务智能系统的体系结构 13.3 商务智能中的关键技术 13.4 商务智能系统实例分析 一个真正的HOLAP系统应能遵循以下几条准则： 维度能够被动态更新—— 一个真正的HOLAP不但可以提供对数据的实时存取，还可以根据不断变化的结构对维数进行更新。 可根据RDBMS的元数据产生多维视图—— 一个真正的HOLAP可利用RDBMS的元数据来构建多维模型并可以利用元数据方便快捷地更改多维视图，减少开发和维护人员的工作量。 可以快速存取各种级别的汇总数据。 可适应大数据量数据的分析。 可以方便地对计算和汇总算法进行维护和修改。 3 数据挖掘技术 与OLAP的探测式数据分析不同，数据挖掘是按照预定的规则对数据库和数据仓库中已有的数据进行信息开采、挖掘和分析，从中识别和抽取隐含的模式和有趣知识，为决策者提供决策依据。 利用数据挖掘技术可以帮助获得决策所需的各种知识，如关联规则、分类与聚类等。发现的知识可以被用于信息管理，查询优化，决策支持和过程控制等，还可以用于数据自身的维护。涉及到数理统计、模糊理论、神经网络和人工智能等多种技术，技术含量比较高，实现难度较大。此外，数据挖掘技术还会同可视化技术、地理信息系统、统计分析系统相结合，丰富数据挖掘技术及工具的功能与性能。 从商业上看，数据挖掘是一种新的商业信息处理技术，其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助商业决策的关键性信息。简而言之，数据挖掘其实是一类深层次的数据分析方法，它是按企业既定业务目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性，并进一步将其模型化的先进有效的方法。 从技术上讲，数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。这个定义包括好几层含义： ①数据源必须是真实的、大量的、含噪声的； ②发现的是用户感兴趣的知识； ③发现的知识要可接受、可理解、可运用； ④并不要求发现放之四海皆准的知识，仅支持特定的发现问题。 数据挖掘是当前研究的热点，目前已经取得了不少的进步，并有一些商业化的数据挖掘软件投入使用，但是还存在许多问题。 数据挖掘的基本问题就在于数据的数量和维数，数据结构也因此显的非常复杂，如何进行探索，选择分析变量，也就成为首先要解决的问题。 面对如此大的数据，现有的统计方法等都遇到了问题，我们直接的想法就是对数据进行抽样，那么怎么抽样，抽取多大的样本，又怎样评价抽样的效果，这些都是值得研究的难题。 既然数据是海量的，那么数据中就会隐含一定的变化趋势，在数据挖掘中也要对这个趋势做应有的考虑和评价。 各种不同的模型如何应用，其效果如何评价。不同的人对同样的数据进行挖掘，可能产生不同的结果，甚至差异很大，这就涉及到可靠性的问题。 当前互联网的发展迅速，如何进行互联网的的数据挖掘，还有文本等非标准数据的挖掘，都引起了极大的兴趣。 数据挖掘涉及到数据也就碰到了数据的私有性和安全性。 数据挖掘的结果是不确定的，要和专业知识相结合才能对其做出判断。 总之，数据挖掘只是一个工具，不是万能的，它可以发现一些潜在的用户，但是不会告诉你为什么，也不能保证这些潜在的用户成为现实。数据挖掘的成功要求对期望解决问题的领域有深刻的了解，理解数据，了解其过程，才能对数据挖掘的结果找出合理的解释。例如曾经用数据挖掘找出的啤酒和尿布的例子，如何去解释这种现象，是应该将两者放在一起还是分开销售，这还需要对消费心理学有所研究才能做出决定，而不是数据挖掘能力所及的了。 不可否认的是，数据挖掘研究方兴未艾，其研究与开发的总体水平相当于数据库技术在70年代所处的地位，迫切需要类似于关系模式、DBMS系统和SQL查询语言等理论和方法的指导，才能使数据挖掘的应用得以普遍推广。预计在不久的研究还会形成更大的高潮，研究焦点可能会集中到以下几个方面： 发现语言的形式化描述，即研究专门用于知识发现的数据挖掘语言，也许会像SQL语言一样走向形式化和标准化； 寻求数据挖掘过程中的可视化方法，使知识发现的过程能够被用户理解，也便于在知识发现的过程中进行人机交互； 研究在网络环境下的数据挖掘技术（Web挖掘），特别是在因特网上建立数据挖掘/知识发现服务器，并且与数据库服务器配合，实现Web挖掘； 加强对各种非结构化数据的开采（Data Mining for Audio＆Video），如对文本数据、图形数据、视频图像数据、声音数据乃至综合多媒体数据的开采； 处理的数据将会涉及到更多的数