原创力文档- 1、本文档共5页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
查看更多
大型连锁超市数据挖掘设计
摘 要 随着数据库技术的不断发展及数据库管理系统的广泛应用，数据库中存储的数据量急剧增大，在大量的数据背后隐藏着许多重要的信息，如果能把这些信息从数据库中抽取出来，将为公司创造很多潜在的利润，而这种从海量数据库中挖掘信息的技术，就称之为数据挖掘。 数据仓库和数据挖掘是两项不同的技术。数据仓库是区别于数据库的一种新的数据存储形式，它将数据库中的数据按决策需求进行重新组织，以多维空间结构形式存储数据。数据挖掘是从数据库中发现知识的核心技术，它是从人工智能的机器学习中发展起来的。虽然数据仓库和数据挖掘是两项不同的技术，但是它们又有共同之处，两者都是在数据库的基础上发展起来的，它们都是决策支持新技术。数据仓库利用综合数据得到宏观信息，利用历史数据进行预测；而数据挖掘是从数据库中挖掘知识，也用于决策分析。虽然数据仓库和数据挖掘支持决策分析的方式不同，但是它们完全可以结合起来，提高决策分析的能力。大量的数据仓库已经把数据挖掘技术作为它的前端分析工具，以提高数据仓库的决策分析能力。 人类科学技术水平的提高，引起了世界的两大主要变化，首先是信息、物资的流动速度加快，无论是消费者还是生产者、经营者都能更快地得到有效信息，适时调整自己的习惯和行为。再次是计算机等高科技技术的发展使生产能力极大提高，超越了人们的基本需求水平，市场逐渐由卖方市场转变为买方市场，市场竞争也日益激烈。因此，随着市场竞争的加剧和消费者的需求日趋个性化，如何在快速多变的大型连锁超市中保持老客户与争取新客户成为关乎各类超市成长和发展的关键，基于决策树的大型连锁超市的数据挖掘思想就在这样的一个环境和变化中逐渐为超市管理人员所重视与推崇，在日常管理中逐渐成为注目的焦点。然而如何从大量庞杂的客户信息中提取出隐藏在其中有价值的信息则需要有先进的技术和工具的支持，数据挖掘技术的出现为超市数据管理的实施提供了良好的支持。 关键词：大型连锁超市 数据挖掘 Microsoft 目 录 引言 2 1 绪论 3 1.1课题背景 3 1.1.1数据挖掘技术的产生和发展 3 1.1.2 国内外大型连锁超市的发展现状 3 1.2 大型连锁超市的数据挖掘模型 4 1.3 课题重点 4 1.3.1数据库设计 4 1.3.2数据挖掘模型 6 1.3.3数据仓库的设计 6 2 介绍 7 2.1 数据挖掘 7 2.1.1数据挖掘的定义 7 2.1.2数据挖掘任务 7 2.1.3数据挖掘分类 8 2.1.4数据挖掘对象 9 2.2 数据仓库 9 2.2.1数据仓库的定义 9 2.2.2数据仓库的组成 10 2.2.3数据仓库的特点 11 2.3 决策树 12 2.3.1决策树的定义 12 2.3.2 Microsoft 决策树算法 12 2.4 Analysis Services 13 2.4.1 Analysis Services 概念 13 2.4.2 Analysis Services 对象 13 2.4.3 Analysis Services体系结构介绍 13 2.4.4 服务器体系结构 14 2.4.5客户端体系结构 14 3 Supermarket数据库系统 16 3.1 需求分析 16 3.1.1系统需求定义 16 3.1.2项目概述 17 3.1.3软硬件需求 17 3.1.4功能需求 17 3.1.5接口需求 17 3.1.6性能需求 18 3.1.7系统属性需求 18 3.2 概要设计 19 3.3 逻辑结构设计 19 3.4 物理结构设计 21 4 数据仓库设计 26 4.1 概念模型设计 26 4.1.1任务概述 26 4.1.2开发方式 27 4.1.3设计方法 27 4.1.4系统结构 28 4.1.5星型模型设计 30 4.1.6雪花模型设计 31 4.1.7数据挖掘与OLAP设计 31 4.1.8安全维护设计 31 4.2 逻辑模型设计 32 4.3 物理模型设计 32 5 基于决策树的大型连锁超市的数据挖掘模型 32 5.1 使用Microsoft决策树创建OLAP数据挖掘模型 32 5.1.1 创建客户模式的数据挖掘模型 32 5.1.2 读取客户决策树 33 5.2 浏览OLAP数据挖掘维度和虚拟多维数据集 37 5.2.1浏览数据挖掘虚拟维度 37 5.2.2浏览数据挖掘虚拟多维数据集 37 5.3 使用Microsoft聚集创建OLAP数据挖掘模型 37 5.3.1创建客户群的数据挖掘模型 38 5.3.2 读取包含在各个聚集中的信息 38 5.4 使用Microsoft决策树创建关系数据挖掘模型 39 5.4.1创建客户模式的数据挖掘模型 39 5.4.2读取客户决策树 40 5.5 浏览相关性网络 41 6 结论 42 6.1 结果 42 6.2 经验与教训 42 6.
文档评论（0）