SQL Server 2008 R2数据挖掘与商业智能基础及高级案例实战

全面介绍了数据挖掘与商业智能的基本概念与原理，包括经典理论与趋势发展，并深入叙述了各种数据挖掘的技术与典型应用。通过本书的学习，读者可以对数据挖掘与商业智能的整体结构、概念、原理、技术和发展有深入的了解和认识。 以Microsoft SQL Server 2008的数据挖掘模块进行介绍，让读者可以很快地通过书中的说明与范例，在最短的时间内就能上手。

商业智能中有一项重要的技术，即数据挖掘的分析技术，主要是从大量数据库中寻找有意义或有价值的信息的过程。通过计算机技术或是统计分析方法论，根据整合的数据加以分析研究，发掘出隐含在数据中的特性，通过专业领域知识（Domain Know-how）整合及解释，从中找出合理且有用的信息，经过相关部门针对该模型的评估后，再提供给相关决策单位加以运用。

近年来，商业智能的运用已经逐渐受到企业的重视，将企业累积数据库通过相关信息的分析，找出客户细分、消费行为、业务成本与效率等对企业极为重要的信息。通过商业智能的应用，使之更深入地了解客户，并可协助业务的开发以及增加在顾客管理上的有效性。

知识经济时代来临，企业间的竞争模式，从传统的采用压低成本与价格的杀价流血竞争，到近来倡导以创新为核心竞争力的，不论哪一种策略模式，都是不断在技术研发、生产制造、区域营销、客户服务或资源配置等运营的相关问题上，寻求问题的发生原因，并尝试找出解决方案。在整个不同运营阶段中，陆续累积的庞大数据，往往就是答案的隐身之所。因此，如何善用数据，从运营历史的记录里，挖掘出深藏其中的宝贵经验，就是“数据挖掘”（Data Mining）的目的。

相对于其他数据库系统或数据挖掘软件，微软最新推出的数据库系统Microsoft SQL Server借助其数据挖掘功能，具备了企业商业智能方案的性能和平实的价格，因而能在业界迅速普及。然而如何充分发挥Microsoft SQL Server在商业智能应用中的效果，则需要一定的专业知识和学习过程。针对业界实际需求，编写了这本教程，以期在实务应用和理论方法之间搭建一座桥梁。让读者迅速掌握现代商业智能应用的主要内容。

谢邦昌 郑宇庭 苏志雄

2011年7月

目 录
推荐序
前言
PART I 数据仓库、数据挖掘与商业智能
Chapter 1 绪论 2
1-1 商业智能 3
1-2 数据挖掘 7
Chapter 2 数据仓库 9
2-1 数据仓库定义 10
2-2 数据仓库特性 10
2-3 数据仓库架构 11
2-4 创建数据仓库的目的 12
2-5 数据仓库的运用 14
2-6 数据仓库的管理 14
Chapter 3 数据挖掘简介 16
3-1 数据挖掘的定义 17
3-2 数据挖掘的重要性 17
3-3 数据挖掘的功能 17
3-4 数据挖掘的步骤 18
3-5 数据挖掘建模的标准CRISP-DM 19
3-6 数据挖掘的应用 21
3-7 数据挖掘软件介绍 22
Chapter 4 数据挖掘的主要方法 24
4-1 回归分析 25
4-2 关联规则 27
4-3 聚类分析 27
4-4 判别分析 29
4-5 神经网络 29
4-6 决策树 31
4-7 其他分析方法 32
Chapter 5 数据挖掘与相关领域的关系 34
5-1 数据挖掘与统计分析 35
5-2 数据挖掘与数据仓库 35
5-3 数据挖掘与KDD 36
5-4 数据挖掘与OLAP 37
5-5 数据挖掘与机器学习 37
5-6 数据挖掘与WEB数据挖掘 38
PART II Microsoft SQL Server概述
Chapter 6 Microsoft SQL Server中的商业智能 40
6-1 MICROSOFT SQL SERVER入门 41
6-2 关系数据仓库 41
6-3 SQL SERVER 2008 R2概述 42
6-4 SQL SERVER 2008 R2技术 43
6-5 SQL SERVER 2008 R2新增功能 45
Chapter 7 Microsoft SQL Server中的
数据挖掘功能 46
7-1 创建商业智能应用程序 47
7-2 MICROSOFT SQL SERVER数据挖掘
功能的优势 48
7-3 MICROSOFT SQL SERVER数据挖掘算法 50
7-4 MICROSOFT SQL SERVER可扩展性 51
7-5 MICROSOFT SQL SERVER是数据挖掘与
商业智能的结合 51
7-6 使用数据挖掘可以解决的问题 52
Chapter 8 Microsoft SQL Server的分析服务
（Analysis Services） 56
8-1 创建多维数据集的结构 57
8-2 建立和部署多维数据集 58
8-3 从模板创建自定义的数据库 58
8-4 统一维度模型 59
8-5 基于属性的维度 59
8-6 维度类型 60
8-7 量度组和数据视图 61
8-8 计算效率 62
8-9 MDX脚本 62
8-10 存储过程 63
8-11 关键绩效指标（KPI） 64
8-12 实时商业智能 64
Chapter 9 Microsoft SQL Server的报表服务
（Reporting Services） 66
9-1 为何使用报表服务 67
9-2 报表服务的功能 67
Chapter 10 Microsoft SQL Server的整合服务 71
10-1 SSIS介绍 72
10-2 操作示例 79
Chapter 11 Microsoft SQL Server的
DMX语言 100
11-1 DMX语言介绍 101
11-2 DMX函数 102
11-3 DMX语法 107
11-4 DMX操作实例 115
PART III Microsoft SQL Server中的数据挖掘模型
Chapter 12 决策树模型 122
12-1 基本概念 123
12-2 决策树与判别函数 123
12-3 计算方法 124
12-4 操作范例 126
Chapter 13 贝叶斯分类器 134
13-1 基本概念 135
13-2 操作范例 137
Chapter 14 关联规则 147
14-1 基本概念 148
14-2 关联规则的种类 149
14-3 关联规则的算法：APRIORI算法 149
14-4 操作范例 150
Chapter 15 聚类分析 160
15-1 基本概念 161
15-2 层级聚类法与动态聚类法 161
15-3 操作范例 166
Chapter 16 时序聚类 176
16-1 基本概念 177
16-2 主要算法 177
16-3 操作示例 179
Chapter 17 线性回归模型 187
17-1 基本概念 188
17-2 一元回归模型 189
17-3 多元回归模型 192
17-4 操作范例 195
Chapter 18 逻辑回归模型 203
18-1 基本概念 204
18-2 LOGIT变换与LOGISTIC分布 204
18-3 逻辑回归模型 206
18-4 操作范例 207
Chapter 19 人工神经网络模型 215
19-1 基本概念 216
19-2 神经网络模型的特点 217
19-3 神经网络模型的优劣比较 218
19-4 操作范例 220
Chapter 20 时序模型 228
20-1 基本概念 229
20-2 时序的构成 231
20-3 简单时序的预测 237
20-4 包含趋势与季节成份的时序预测 238
20-5 参数化的时序预测模型 240
20-6 操作范例 243
PART IV Microsoft SQL Server数据挖掘应用实例
Chapter 21 决策树模型实例 253
Chapter 22 逻辑回归模型实例 260
22-1 回归模型实例一 261
22-2 回归模型实例二 266
22-3 回归模型实例三 270
Chapter 23 神经网络模型实例 275
23-1 神经网络模型实例一 276
23-2 神经网络模型实例二 281
Chapter 24 时序模型实例 292
24-1 时序模型实例一 293
24-2 时序模型实例二 297
Chapter 25 如何评估数据挖掘模型 303
25-1 评估图节点介绍 EVALUATION
CHART NODE 304
25-2 在SQL SERVER中如何评估模型 307
25-3 规则度量：支持度与可信度 311