第1章 商务智能概论 1
1.1 商务智能的概念 2
1.1.1 数据、信息、知识与智慧 3
1.1.2 商务智能的定义 5
1.1.3 商务智能的功能 7
1.1.4 商务智能的过程 7
1.2 商务智能的产生与发展 8
1.2.1 商务智能的产生和发展过程 8
1.2.2 商务智能与其他系统的关系 9
1.3 商务智能的体系结构和技术工具 12
1.3.1 商务智能的架构体系 12
1.3.2 商务智能的技术工具概述 15
1.4 主流商务智能产品 16
1.4.1 主流商务智能产品简介 17
1.4.2 商务智能的抉择 18
1.5 商务智能的未来发展趋势 19
1.6 商务智能应用举例——Business Objects XI 3.0 19
本章小结 21
习题 21
第2章 商务智能中的核心技术 24
2.1 数据仓库 26
2.1.1 数据仓库的产生 26
2.1.2 数据仓库的定义与特点 26
2.1.3 数据仓库的几个重要概念 27
2.1.4 数据仓库中的数据组织 29
2.1.5 数据仓库基本架构及模型设计 29
2.1.6 数据仓库的技术要求 32
2.1.7 数据仓库和数据集市 33
2.1.8 数据仓库的数据处理 34
2.1.9 数据仓库的应用管理、维护和开发 35
2.1.10 数据仓库的开发流程 36
2.2 OLAP技术 37
2.2.1 OLAP概况 37
2.2.2 OLAP的定义和相关概念 38
2.2.3 OLAP与OLTP 39
2.2.4 OLAP系统结构 40
2.2.5 OLAP多维数据分析 40
本章小结 41
习题 41
第3章 商务智能与知识管理 43
3.1 知识管理概述 45
3.1.1 知识管理的概念 45
3.1.2 知识管理的本质和意义 47
3.2 知识管理技术 49
3.2.1 知识管理技术概述 49
3.2.2 知识管理技术的划分 50
3.3 知识管理系统 53
3.3.1 知识管理系统的概念 53
3.3.2 知识管理系统模型 55
3.3.3 知识管理系统的功能 56
3.3.4 KMS和IMS 58
3.4 知识管理与商务智能的关系 61
3.4.1 知识管理和商务智能的不同点 61
3.4.2 知识管理和商务智能的共同点 63
3.4.3 知识管理与商务智能的密切联系 64
3.4.4 知识管理与商务智能的整合 65
3.5 商务智能环境下的企业知识管理 67
3.5.1 企业知识管理 67
3.5.2 基于数据挖掘的企业知识管理 69
3.5.3 企业知识管理数据获得 70
本章小结 71
习题 72
第4章 商务智能的应用 73
4.1 商务智能的应用领域 74
4.2 商务智能国内外应用情况 75
4.2.1 国外应用情况 75
4.2.2 国内应用情况 76
4.3 商务智能在物流管理和决策中的应用 77
4.3.1 商务智能在决策空间的地位 77
4.3.2 商务智能和物流管理无缝联结 78
4.3.3 面向物流管理的商务智能体系结构 79
4.3.4 商务智能与物流管理的融合和特点 80
4.3.5 基于商务智能的物流决策支持系统 81
4.4 商务智能在客户关系管理中的应用 85
4.4.1 客户关系管理概念 85
4.4.2 客户关系管理结构 85
4.4.3 客户关系管理与其他信息系统的关联 86
4.4.4 商务智能与客户关系管理 89
4.5 商务智能在商务过程中的应用 91
4.5.1 商务过程的理论 91
4.5.2 商务智能在商务过程中的实现 91
4.5.3 商务过程信息模型改进研究 94
4.5.4 商务流程优化 96
4.6 商务智能在知识管理中的应用 97
4.6.1 企业知识管理 97
4.6.2 基于企业管理信息系统的知识管理 98
4.6.3 知识获取中的来源分析及数据质量的保证 99
4.6.4 知识发现（挖掘）的理论 100
4.6.5 知识运用的范围研究 101
4.6.6 商务智能中知识管理的评价 103
4.6.7 建立商务智能中的知识评价方法 107
4.7 商务智能在国内其他行业中的应用 111
4.7.1 国家和行业方面 111
4.7.2 企业方面 111
4.7.3 软件方面 112
4.7.4 管理咨询方面 113
4.7.5 项目实施方面 113
本章小结 114
习题 114
第5章 数据挖掘基础 116
5.1 数据挖掘的产生与发展 117
5.2 数据挖掘的定义 118
5.3 数据挖掘过程 119
5.4 数据挖掘系统 121
5.4.1 数据挖掘系统的分类 121
5.4.2 数据挖掘系统的发展 122
5.5 数据挖掘的功能和方法 123
5.5.1 数据挖掘的功能 123
5.5.2 数据挖掘的方法 125
5.6 数据挖掘的典型应用领域 127
5.7 数据挖掘的发展趋势 130
本章小结 132
习题 133
第6章 数据挖掘的目的任务 134
6.1 关联分析 135
6.1.1 引言 136
6.1.2 基本概念 137
6.1.3 关联规则的种类 138
6.1.4 关联规则的研究现状 138
6.2 分类分析 139
6.2.1 分类的定义 139
6.2.2 样本测度 141
6.2.3 相似性测度 141
6.2.4 分类的方法 143
6.3 聚类分析 144
6.3.1 聚类的概念 144
6.3.2 数据挖掘领域的聚类方法 145
6.3.3 聚类算法的特点 147
6.4 离群数据分析 148
6.4.1 离群点检测方法 149
6.4.2 离群数据的特点 153
6.4.3 数据挖掘领域中的离群值分析算法 154
6.5 序列模式分析 155
6.5.1 时间序列 155
6.5.2 时间序列分析 156
6.5.3 空间数据分析 159
6.6 分形模式分析 162
6.6.1 分形的基本概念 162
6.6.2 分形维概述 163
6.6.3 R/S分析方法概述 164
6.6.4 基于分形理论的数据挖掘技术 166
本章小结 167
习题 168
第7章 数据挖掘的技术方法 170
7.1 决策树 171
7.1.1 概述 172
7.1.2 归纳学习中的知识表示 173
7.1.3 决策树归纳学习 174
7.1.4 关于决策树的深入讨论 180
7.2 粗糙集 182
7.2.1 粗糙集基本理论 182
7.2.2 粗糙集概念的物理意义 185
7.2.3 粗糙集理论的特点 187
7.2.4 决策表达逻辑 189
7.2.5 粗糙集的研究进展 192
7.3 关联规则 194
7.3.1 Apriori算法 194
7.3.2 Apriori算法的改进 196
7.3.3 FP-tree算法 198
7.3.4 挖掘多层关联规则 200
7.3.5 挖掘多维关联规则 201
7.3.6 基于限制的关联规则挖掘 204
7.4 神经网络方法 205
7.4.1 前馈神经网络模型 205
7.4.2 前馈神经网络的学习算法 207
7.4.3 FP及覆盖算法 211
7.4.4 SVM及其学习算法 216
7.5 基于案例推理 220
7.5.1 CBR的逻辑学基础 220
7.5.2 CBR智能技术 222
7.5.3 相似性研究 226
7.5.4 案例修正技术 228
7.6 遗传算法 230
7.6.1 遗传算法的主要特征 230
7.6.2 遗传算法的基本原理 234
7.6.3 遗传算法的关键问题及方法 236
7.6.4 挖掘关联规则的遗传算法 241
7.7 模糊技术 242
7.7.1 模糊集基本概念 242
7.7.2 模糊集合运算 246
7.7.3 模糊度及模糊关系 246
本章小结 249
习题 250
第8章 Web挖掘技术 252
8.1 Web数据挖掘流程 253
8.2 Web数据挖掘分类 254
8.2.1 Web内容挖掘概述 255
8.2.2 Web结构挖掘概述 256
8.2.3 Web访问挖掘概述 256
8.3 WUM挖掘过程 257
8.3.1 WUM数据预处理 257
8.3.2 WUM模式发现 261
8.3.3 WUM模式分析 263
8.3.4 WUM模式应用 263
8.4 Web结构挖掘 265
8.4.1 Web结构挖掘概述 265
8.4.2 网络结构挖掘的两种算法及改进 267
8.4.3 Web结构挖掘应用 272
8.5 Web内容挖掘 272
本章小结 274
习题 275
第9章 数据挖掘在电子商务中的应用 277
9.1 电子商务中数据挖掘的发展状况 278
9.2 电子商务中数据挖掘的特点 281
9.2.1 电子商务中数据挖掘的数据源 281
9.2.2 路径分析 283
9.2.3 电子商务中数据挖掘的体系结构 283
9.3 网站客户分群 284
9.4 优化网站结构 292
9.4.1 网站结构优化手段 293
9.4.2 网站结构优化模型 294
9.5 智能搜索引擎 296
9.5.1 传统搜索引擎的特点 297
9.5.2 智能搜索引擎的特点 298
9.5.3 网络爬虫 300
9.5.4 智能搜索引擎的技术与发展 303
9.6 客户关系管理 307
9.6.1 粗糙集理论在CRM中的应用 307
9.6.2 SOM神经网络在CRM中的应用 310
9.7 网络主动防御 312
本章小结 314
习题 314
参考文献 316