部分商務智能概念及過程

第1章  商務智能概述

1.1  商務智能的基本概念

1.1.1  數據

1.1.2  信息和知識

1.2  商務智能的繫統構成

1.3  商務智能的發展歷史

練習題1

第2章  商務智能過程

2.1  商務智能繫統的開發方法

2.1.1  商務智能繫統的開發過程

2.1.2  商務智能繫統成功的關鍵因素

2.2  數據倉庫與數據庫

2.3  聯機事務處理與聯機分析處理

2.4  商務智能與決策支持繫統

練習題2

第二部分商務智能方法

第3章  關聯分析

3.1  頻繁模式與關聯規則

3.2  頻繁項集的典型挖掘方法

3.2.1  逐層發現算法Apriori

3.2.2  無候選集發現算法FPGrowth

3.3  關聯規則的生成方法

3.4  關聯規則的其他類型

3.4.1  多層次關聯規則

3.4.2  負模式

3.4.3  結構化數據中的關聯分析

3.5  關聯規則的興趣度的其他度量

練習題3

第4章  分類

4.1  分類的概念

4.2  決策樹分類方法

4.2.1  決策樹的構建過程

4.2.2  屬性的類型及分裂條件

4.2.3  決策樹的剪枝

4.3  樸素貝葉斯分類

4.4  K近鄰分類

4.5  邏輯回歸

4.6  支持向量機

4.6.1  線性可分

4.6.2  線性不可分

4.6.3  軟間隔支持向量機

4.7  分類性能的度量方法

4.7.1  測試數據集的構造

4.7.2  分類性能的度量指標

4.7.3  不同分類模型的比較

練習題4

第5章  數值預測

5.1  數值預測的概念

5.2  回歸方法

5.2.1 線性回歸

5.2.2 線性回歸

5.2.3  非線性回歸

5.3  回歸樹與模型樹

5.3.1  模型樹的構建

5.3.2  模型樹的剪枝

5.3.3  算法

5.4  K近鄰數值預測

5.5  預測誤差的度量

練習題5

第6章  聚類

6.1  概述

6.1.1  聚類的概念

6.1.2  聚類方法分類

6.2  相似度衡量方法

6.2.1  數據類型

6.2.2  基於內容的相似度衡量

6.2.3  基於鏈接的相似度衡量

6.3  K均值方法

6.4  層次聚類方法

6.5  DBSCAN算法

6.6  聚類效果衡量方法

練習題6

第7章  神經網絡與深度學習

7.1  多層感知機

7.1.1  多層感知機的模型結構

7.1.2  多層感知機模型的訓練

7.1.3  正則化

7.2  卷積神經網絡

7.2.1  卷積

7.2.2  池化

7.2.3  經典的卷積神經網絡模型結構

7.3  循環神經網絡

7.3.1  循環神經網絡基本模型

7.3.2  長短期記憶網絡模型

7.3.3  門控模型

7.4  深度神經網絡模型的優化

7.4.1  小批量隨機梯度

7.4.2  動量梯度下降

7.4.3  AdaGrad

7.4.4  RMSProp

7.4.5  Adam

7.4.6  學習率衰減

練習題7

第三部分商務智能基礎技術

第8章  數據預處理

8.1  數據預處理的原因和任務

8.2  數據規範化

8.3  數據離散化

8.3.1  分箱離散化

8.3.2  基於熵的離散化

8.3.3  離散化方法ChiMerge

8.4  數據清洗

8.5  特征選擇與特征提取

8.5.1  特征選擇

8.5.2  特征提取

練習題8

第9章  文本數據處理

9.1  詞向量模型

9.2  主題模型

練習題9

第10章  數據倉庫

10.1  數據倉庫的基本概念

10.2  數據倉庫的體繫結構

10.3  多維數據模型

10.3.1  多維數據模型的概念

10.3.2  多維數據模型的構建方法

10.4  數據倉庫項目的開發

10.4.1  數據倉庫開發模式

10.4.2  數據倉庫開發過程

練習題10

第11章  聯機分析處理

11.1  聯機分析處理簡介

11.2  多維數據模型中的層次設計

11.3  立方體的定義和計算

11.4  OLAP的多維數據分析

練習題11

第12章  商務智能可視化

12.1  商務智能可視化的類型

12.2  數據可視化

12.3  過程和結果可視化

12.4  積分卡和儀表盤

練習題12

第四部分商務智能應用繫統

第13章  商務智能應用

13.1  商務智能應用領域

13.1.1  關繫營銷

13.1.2  生產管理

13.2  推薦繫統

13.2.1  基於用戶的協同過濾

13.2.2  基於物品的協同過濾

13.2.3  矩陣分解

13.2.4  基於內容的推薦方法

13.3  意見挖掘

13.3.1  特征和意見的抽取

13.3.2  意見極性判斷

練習題13

第14章  商務智能軟件繫統

14.1  概述

14.1.1  商品化的商務智能繫統

14.1.2  開源的商務智能軟件

14.2  Weka

14.2.1  數據文件

14.2.2  數據預處理

14.2.3  關聯分析

14.2.4  分類

14.2.5  數據規範化與聚類

14.2.6  回歸分析

14.2.7  特征提取

14.3  RapidMiner

14.3.1  RapidMiner的安裝

14.3.2  結構化數據預處理

14.3.3  文本數據預處理

14.3.4  頻繁項集和關聯規則的挖掘

14.3.5  序列模式的挖掘

14.3.6  分類

14.3.7  聚類

14.3.8  推薦繫統

練習題14

第五部分商務智能深度應用與發展

第15章  復雜數據的商務智能分析方法

15.1  序列模式挖掘

15.1.1  序列模式的定義

15.1.2  序列模式挖掘算法

15.2  社會網絡分析

15.2.1  中心度分析

15.2.2  鏈接分析

15.3  數據流數據挖掘

15.4  多關繫數據挖掘

練習題15

第16章  商務智能的社會影響與發展

16.1  商務智能中的隱私保護

16.2  移動商務智能

16.3  雲商務智能

練習題16

參考文獻

數據已經滲透到各行各業的各種業務過程中，這些數據不斷積累，形成了傳統數據管理繫統無法有效管理和使用的大數據。同時，企業和機構運營環境越來越復雜，競爭也越來越激烈，商業機會稍縱即逝，管理者需要全面掌握業務各方面的運營狀況，及時做出反應，進行快速、科學的決策。商務智能繫統具有數據集成、數據管理以及數據分析的功能，能從大量數據中發現隱含的模式，輔助管理者發現業務運營的規律和異常，降低運營成本和風險，增加收入，提高客戶滿意度。商務智能繫統已經被越來越多的企業所采納，成為提高企業競爭力的重要方法，在許多重要的商業應用中發揮著重要的作用。
全球管理咨詢公司麥肯錫全球研究院（McKinsey Global Institution，MGI）2011年發布了一個題目為《大數據： 創新、競爭和生產力的下一個前沿領域》（Big data: the next frontier for innovation, competition, and productivity）的研究報告。報告中指出，大數據可以為世界經濟創造重要價值，提高企業和公共部門的生產力和競爭力，並為消費者創造大量的經濟剩餘。2016年12月，MGI又發表了題為《分析的時代： 在大數據的世界競爭》（The age of analytics: competing in a datadriven world）的研究報告。報告指出，大數據分析正在改變競爭的基礎，對商業模式產生顛覆性影響。同時，報告還指出分析和技術人纔持續匱乏，是數據潛在價值發現和有效利用的障礙。為此，近幾年來，國內外高校紛紛設立與數據分析有關的專業，如數據科學與大數據技術專業和商務數據科學專業。
本書作者自20世紀90年代末就開始在清華大學為研究生開設“商務智能”課程，20年來一直從事商務智能領域的教學和科研工作。本書內容是作者20年來教學和科研內容的總結，旨在為數據科學專業、信息繫統專業、計算機專業以及其他相關專業介紹商務智能的基本概念、功能和分析方法。全書分為五個部分，共16章內容。部分（包括第1章和第2章）是商務智能概念和過程，主要介紹商務智能的基本概念、繫統構成、發展歷史以及繫統開發過程。第二部分（包括第3~7章）是商務智能方法，詳細介紹機器學習和數據挖掘的各種模型和技術方法，包括關聯分析、分類、數值預測、聚類以及神經網絡與深度學習的各種方法。第三部分（包括第8~12章）是商務智能基礎技術，介紹為了實現數據分析需要的基礎支撐技術，包括數據預處理、文本數據處理、數據倉庫、聯機分析處理和商務智能可視化。第四部分（包括第13章和第14章）是商務智能應用繫統，介紹商務智能的應用領域，並以繫統和意見挖掘為例，介紹了典型的應用方法。另外，還介紹了常用的商務智能繫統，包括商品化的商務智能繫統和開源的商務智能軟件。為了便於理解前面介紹的數據分析方法，此部分還介紹了開源數據挖掘軟件Weka和RapidMiner的詳細使用方法。第五部分（包括第15章和第16章）是商務智能深度應用與發展，進一步介紹了針對復雜數據的分析方法，包括序列模式挖掘、社會網絡分析、數據流數據挖掘以及多關繫數據挖掘等； 後對商務智能的進一步發展以及對社會的影響進行了分析和展望。
本書在編寫過程中，得到了高等學校管理科學與工程類學科教學指導委員會主任、國家信息化專家咨詢委員會成員、清華大學陳國青教授的幫助和指導，得到了國家自然科學基金（項目編號： 71771131）的資助，在此表示感謝。
由於作者水平有限，書中難免有疏漏之處，望廣大讀者批評指正。

劉紅岩

2020年於清華園