第1章 商务智能概述 1
1.1 商务智能产生的背景 1
1.1.1 商务智能产生的原因 1
1.1.2 商业决策需要商务智能 3
1.1.3 企业智能化管理需要商务智能 4
1.2 商务智能简介 4
1.2.1 商务智能的概念 5
1.2.2 商务智能的发展 7
1.2.3 商务智能的要求 8
1.2.4 商务智能的价值 9
1.3 商务智能基础 10
1.3.1 商务智能的基本架构 10
1.3.2 商务智能的功能 11
1.4 商务智能的关键技术 12
1.4.1 数据预处理 12
1.4.2 数据仓库 13
1.4.3 数据挖掘 13
1.4.4 联机分析处理 15
1.4.5 数据可视化 15
1.5 商务智能的相关应用 16
1.5.1 商务智能在金融业的应用 16
1.5.2 商务智能在保险业的应用 16
1.5.3 商务智能在教育领域的应用 16
1.5.4 商务智能在客户关系管理的应用 17
1.5.5 商务智能在零售业的应用 17
1.5.6 商务智能在电子商务领域的应用 18
1.5.7 商务智能在制造业的应用 18
实验1销售数据预处理 19
第2章 数据仓库 40
2.1 数据仓库概述 40
2.1.1 数据仓库的概念 40
2.1.2 数据仓库的特点 41
2.1.3 数据仓库的结构 41
2.1.4 数据仓库与数据库 42
2.1.5 数据仓库和商务智能的关系 43
2.2 ETL过程 43
2.2.1 数据抽取 43
2.2.2 数据转换 44
2.2.3 数据清洗 44
2.2.4 数据加载 45
2.3 数据仓库工具Hive 45
2.3.1 Hive的数据类型与存储格式 45
2.3.2 Hive的数据模型 50
2.3.3 查询数据 52
2.3.4 用户定义函数 53
实验2数据仓库的建立 54
第3章 维度建模 68
3.1 维度建模简介 68
3.1.1 维度建模的概念 69
3.1.2 维度建模的基本原则 69
3.2 维度表技术基础 71
3.2.1 维度表的结构 71
3.2.2 维度代理键 71
3.2.3 多维体系架构 72
3.2.4 缓慢变化维度 75
3.3 事实表技术基础 76
3.3.1 事实表的结构 76
3.3.2 可加、半可加、不可加性事实 77
3.3.3 事实表中的空值 77
3.3.4 事实表的基本类型 77
3.4 维度建模的主要流程 78
3.4.1 选择业务流程 79
3.4.2 声明粒度 79
3.4.3 确认维度 80
3.4.4 确认事实 80
3.5 对维度建模的误解 80
3.5.1 误解1：维度模型仅用于汇总数据 80
3.5.2 误解2:维度模型是部门级的而不是企业级的 81
3.5.3 误解3:维度模型是不可扩展的 81
3.5.4 误解4:维度模型仅可用于预测 81
3.5.5 误解5:维度模型不能集成 81
实验3使用Schema Workbench创建Cube 82
第4章 联机分析处理 96
4.1 OLAP简介 96
4.1.1 维度模型的基本概念 97
4.1.2 OLAP的多维数据结构 100
4.1.3 OLAP的应用 103
4.2 OLAP多维数据分析 104
4.2.1 切片和切块 105
4.2.2 钻取 106
4.2.3 旋转／转轴 106
4.3 OLAP分类 107
4.3.1 ROLAP、MOLAP与HOLAP 107
4.3.2 多维数据模式 109
4.3.3 OLAP体系结构 111
4.3.4 OLAP与OLTP的区别 112
4.4 从OLAP到数据挖掘 113
4.4.1 数据仓库应用 113
4.4.2 OLAP和数据挖掘的关系 113
4.4.3 多维数据挖掘 114
4.5 OLAP操作语言 115
4.5.1 MDX 115
4.5.2 MDX查询语句 117
4.5.3 SQL和MDX的区别 118
4.5.4 MDX表示 119
4.5.5 成员属性和单元属性 120
4.5.6 MDX查询结构 122
4.6 主流的OLAP工具 124
4.6.1 OLAP产品 124
4.6.2 OLAP的实现过程 125
实验4联机分析 127
第5章 商务智能在零售业的应用 134
5.1 零售业商务智能现状 134
5.2 客户关系管理 135
5.3 零售管理业务优化 136
5.4 日常经营分析 136
5.4.1 商品分析 136
5.4.2 销售分析 137
5.4.3 会员卡分析 138
5.4.4 财务分析 138
5.5 零售业案例 140
5.5.1 数据仓库的搭建 141
5.5.2 粒度设计 141
5.5.3 星形模型设计 142
5.5.4 ETL设计 146
5.5.5 OLAP的实现 148
5.5.6 数据挖掘 151
实验5购物清单关联性分析 156
第6章 商务智能在客户关系管理中的应用 162
6.1 客户关系管理概述 162
6.1.1 客户智能 162
6.1.2 数据挖掘在客户关系管理中的应用 164
6.2 客户细分 166
6.3 客户识别和客户流失 168
6.3.1 数据挖掘应用于客户识别 168
6.3.2 通过当前客户了解潜在客户 169
6.3.3 客户流失 170
6.4 客户维度与属性 171
6.4.1 姓名和地址的语法分析 171
6.4.2 国际姓名和地址的考虑 173
6.4.3 以客户为中心的日期 174
6.4.4 基于事实表汇聚的维度属性 174
6.4.5 分段属性与记分 175
6.4.6 客户维度变化的计算 177
6.4.7 低粒度属性集合的维度表 177
6.4.8 客户层次的考虑 178
6.5 复杂的客户行为 179
6.5.1 行为类型分析 179
6.5.2 连续行为分析 180
6.5.3 行为分析模型 181
6.5.4 时间范围事实表 183
6.5.5 使用满意度指标标记事实表 185
6.5.6 使用异常情景指标标记事实表 185
实验6航空客运信息挖掘 186
第7章 商务智能在电子商务领域的应用 199
7.1 智能搜索 199
7.1.1 网络机器人 200
7.1.2 文本分析 201
7.1.3 搜索条件的获取和分析 203
7.1.4 信息的搜索和排序 204
7.2 电子商务情感分析 206
7.2.1 评论数据收集及处理 207
7.2.2 扩展特征向量构造 207
7.2.3 情感词库构建 207
7.2.4 情感分析模型 208
7.2.5 情感倾向值计算 208
7.3 智能推荐 209
7.3.1 智能推荐产生背景及定义 209
7.3.2 智能推荐主要算法 211
7.3.3 智能推荐在电子商务中的应用 213
实验7消费者评论数据情感分析 215
参考文献 224