商务智能复习资料

商务智能复习资料

第一章商务智能概述

1、4C

（1）信息技术是指获取、传递、处理和存储、以及利用信息的技术。

（2）4C内容：感测技术（是信息的采集技术，对应于人的感觉器官）；

通讯技术（是信息的传递技术，对应于人的神经系统）；

计算机技术（是信息的处理和存储技术，对应于人的思维器官）；

控制技术（是信息的使用技术，对应于人的执行器官）。

（3）信息技术工具：信息处理技术和通信技术是最重要的两种。

2、定义

商务智能是企业利用现代信息技术收集、管理和分析结构化和非结构化的商务数据和信息，创造和累积商务知识和见解，改善商务决策水平，采取有效的商务行动，完善各种商务流程，提升个方面商务绩效，增强综合竞争力的智慧和能力。

3、商务智能的基本功能：个性化的信息分析；预测；辅助决策。

5、商务智能的作用：理解业务；衡量绩效；改善关系；创造获利机会。

6、商务智能的体系结构：是指通过识别和理解数据在系统中的流动过程和数据在企业

中的应用过程来提供商务智能系统的主框架。

7、BI与交易系统的关系：

系统设计的区别数据类型的区别

8、数据、信息、知识、智能之间的关系

（1）数据：孤立的客观事实、文字、符号，适合保存、传递和处理。

TO知识：是知识的表现形式，是知识的来源。

TO信息：数据的价值通过其携带的信息表现。

（2）信息：人们对数据进行系统的采集、组织、整理、分析的结果，目的是使数据结构化、有序化。

TO数据：信息是数据的含义，是对数据的解释。

TO知识：信息是知识的表现形式。

（3）知识：是人们对自认识而总结出来的规律、经验。

第二章数据仓库导论

1、什么是数据仓库

数据仓库是面向主题的、集成的、稳定的，不同时间的数据集合，用于支持经营管理中决策制定过程。

2、数据仓库的特点：面向主题；集成；稳定；随时间而变化；数据量大；软硬件要求高。

3、数据仓库与传统数据库的区别

4、OLTP与OLAP的区别

5、数据仓库的用户包括

（1）信息使用者的数据仓库应用：以一种可以预测的、重复的方式使用。

（2）知识挖掘者的数据仓库应用：对数据仓库的使用不规则。

6、数据仓库的总体结构

数据仓库系统由数据仓库（DW）、仓库管理和分析工具三部分组成。

第三章联机分析处理

1、OLAP基本思想：从多方面和多角度以多维的形式来观察企业状态和了解企业变化。

2、OLAP简单定义：OLAP是共享多维信息的快速分析。

3、OLAP的特征

（1）快速性：快速反应能力。

（2）可分析性：逻辑分析和统计分析。

（3）多维性：多维视图和分析。

（4）信息性：及时获得大量信息。

4、OLAP的基础

（1）变量：描述“数据是什么”。

（2）维：观察数据的特定角度。

（3）维的层次：数据细节的不同程度。

（4）维成员：维的一个取值。

（5）多维数组。

（6）数据单元：多维数组的取值。

5、ROLAP数据模型（单维）——星型模型（N个事实表与N个维度表）（1）事实表：用来存储事实的度量值和各个维的码值。

（2）维表：用来存放维的元数据（维的层次、成员类别等描述信息）。

7、OLAP分类

（1）存储方式分类：ROLAP、MOLAP、HOLAP（混合OLAP）

（2）处理地点分类：Server OLAP（服务器OLAP）、Client OLAP（客户端OLAP）

8、多维类型结构（MTS）——表示方法：维度用线段表示；成员用单位区间表示。

9、多维数据分析进本操作

（1）切片：选定一个二维集，取一区间，其他维取一成员。

（2）切块：选定一个三维集，取一区间，其他维取一成员。

（3）钻取：向下钻取（细节性数据）；向上钻取（概括性数据）。

（4）旋转：通过旋转，可得到不同视角的数据。

10、数据分析模型：绝对模型（对比分析）、解释模型（数据分析）、思考模型（引入新

的变量，分析）、公式模型（编入程序，日后执行）。

第四章数据仓库和数据挖掘

1、元数据：高度综合数据；轻度综合数据；当前基本数据；历史数据层。

2、粒度：是指数据仓库的数据单元中保存数据的细化或综合程度的级别。

（1）数据越详细，粒度就越小，级别就越低；反之。

（2）粒度的一般划分标准：详细数据、轻度综合、高度综合

（3）粒度的划分将直接影响数据仓库中的数据量以及查询质量。

3、数据集市：Data Marts是指具有特定应用的数据仓库，主要针对某个应用或者具体部

门级的应用。也叫做部门级数据仓库

5、数据集市的特性：规模小；特定应用；面向部门；由业务部门定义开发；由业务部门

管理维护；快速实现；购买便宜；投资快速回收；详细的摘要子

集；可升级。

6、数据集市分类：独立数据集市；从属数据集市。

7、数据仓库逻辑数据模型

（1）是多维结构的数据视图，也称为多维数据模型。

（2）适用的多维数据模型：星型模型、雪花模型、星网模型、第三范式。

8、星型模型

（1）组成：事实表（大表）+多个维表（小表）

（2）事实表：存放大量关于企业的事实数据（数量数据）。

（3）维表：存放描述性数据，维表是围绕事实表建立的较小的表

（4）模型核心：事实表（围绕事实表的是维度表，通过事实表将各种维度表连接起来，以空间换取速度。）

9、雪花模型

（1）定义：对星型模型的扩展，每个维度都可向外连接到多个详细类别表。

（2）星型模型—>雪花模型：维度表进一步标准化，进行规范化处理；维表进一步层次化，

原维表扩展为小的事实表，形成局部的“层次”区域；

10、星网模型

（1）定义：多个星型模型连接起来形成网状结构。

（2）实质：多个星型模型通过相同的维（如时间维），连接多个事实表。

11、数据抽取、转换和装载

（1）定义：数据仓库的数据获取需要经过抽取、转换、装载三个过程，即ETL过程。（2）数据装载方式：基本装载；追加装载；破坏性合并；建设性合并。

（3）数据装载类型：最初装载（第一次对整个数据仓库进行装载）；

完全刷新（基本装载和追加装载方法）；

增量装载（破坏性合并和建设性合并装载方法）。

12、元数据分类：关于数据源的元数据；

关于数据模型的元数据；

关于数据仓库映射的元数据；

关于数据仓库使用的元数据。

第五章数据挖掘原理

1、定义（二者关系）：知识发现（KDD）：从数据中发现有用知识的整个过程。

数据挖掘（DM）：KDD中的一个步骤。

2、KDD过程定义：从大量数据中提取出可信的、新颖的、有用的并能被人理解的模式

的高级处理过程。（“模式”是“知识”的雏形，经过验证、完善后

形成知识。）

（1）数据准备：目标数据选取；数据与处理；数据转换。

（2）数据挖掘：确定任务与目的；挖掘算法；获取有用模式。

（3）结果评价：模式评估；用户易懂；可视化技术。

3、数据挖掘对象：关系数据库；文本；图象与视频数据；Web数据。

（1）关系数据库特点：数据动态性；数据不完全性；数据噪声；数据冗余性；数据稀疏性；

海量数据。

（2）文本：字符串形式表示的数据文件。

分析内容（了解文本内容）：关键词或特征提取；相似检索；文本聚类；文本分类。（3）图象与视频数据：多媒体数据，以点阵信息及桢形式存储，数据量大。

分析内容：图像与视频特征提取；基于内容的相似检索；视频镜头的编辑与组织。（4）Web数据挖掘特点：异构数据集成和挖掘；半结构化数据模型抽取。

4、数据挖掘任务

（1）关联分析：支持度；可信度。

（2）时序模式：相似时序。

（3）聚类：统计分析方法（基于距离）；机器学习方法（无指导）；神经网络方法（无监督）。（4）分类：是在聚类的基础上，对已确定的类找出该类别的概念描述，它代表了这类数据的整体信息，即该类的内涵描述，一般用规则或决策树模式表示。

内涵描述分为：特征描述和辨别性描述。

（5）偏差检测：发现异常情况。

（6）预测：利用历史数据找出变化规律，并用模型来预测未来数据的种类。

回归模型（典型方法）：分类用于离散数值预测；回归用于连续数值预测；神经网络都

可以。

5、数据挖掘分类

（1）按数据库类型分类：关系DM；模糊DM；历史DM；空间DM等。

（2）按数据挖掘对象分类（重点）：数据；文本；多媒体；Web挖掘。

（3）按数据挖掘任务分类（重点）：关联规则；序列模式；聚类；分类；偏差分析；预测

DM

（4）按数据挖掘方法和技术分类

6、属性约简

（1）定义：是在条件属性中删除那些不影响对决策属性进行分类的多余的属性。

（2）属性约简一般用于分类问题。

（2）原则：保持数据库中分类关系不变。

（3）常用方法：粗糙集（Rough Set）方法。

7、元组（记录）压缩：对数据库的元组（记录）进行合并、归并和聚类等。