SQL Server数据挖掘与商业智能基础及案例实战

Microsoft商业智能中一项重要的技术为数据挖掘的分析技术，主要是在大量数据库中寻找有意义或有价值的信息的过程。透过机器学习技术或是统计分析方法论，根据整合的资料加以分析探索，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，数据量的增加速度越来越快，加上商业智能的运用早已受到企业的重视。将企业累积的数据库，透过大量的信息与相关信息的分析，更能找出顾客区分、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。

随着知识经济时代来临，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。不论哪一种策略模式，都是不断在技术研发、制造生产、营销销售、客户服务或资源分配等相关问题上，寻求问题的发生原因并尝试找出解决方案。在不同运营阶段，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，从运营的历史记录中，挖掘出深藏其中的宝贵经验（金矿），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 2014可为您的关键任务应用程序提供突破性的性能、可用性和可管理性。SQL Server 2014 还针对在线事务处理（OLTP）和数据仓库提供了把核心数据库内置于内存中 （In-Memory）的新功能，完善了现有数据仓库和商业智能的功能。借助这些功能，极大提升了企业在商业智能处理方面的性能与效率。然而如何充分发挥Microsoft SQL Server在商业智能应用中的效力，则需要一定的专业知识和学习过程。针对业界实务上的需求，我们编写了这本教程，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。

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
1-1-1 什么是商业智能 3
1-1-2 商业智能作用及意义 3
1-1-3 商业智能架构 4
1-1-4 商业智能中的挑战 6
1-2 数据挖掘 7
1-3 大数据 9
1-3-1 何谓大数据 9
1-3-2 大数据的应用 9
1-4 云计算 10
Chapter 2 数据仓库 13
2-1 数据仓库定义 14
2-2 数据仓库特性 14
2-3 数据仓库架构 15
2-4 创建数据仓库的目的 17
2-5 数据仓库的运用 18
2-6 数据仓库的管理 19
2-7 No SQL数据库 19
2-7-1 Key-Value型数据库 20
2-7-2 内存数据库（In-memory Database） 20
2-7-3 文件数据库（Document Database） 20
2-7-4 图形数据库（Graph Database） 20
2-8 Hadoop 21
Chapter 3 数据挖掘简介 22
3-1 数据挖掘的定义 23
3-2 数据挖掘的重要性 23
3-3 数据挖掘的功能 23
3-4 数据挖掘的步骤 24
3-5 数据挖掘建模的标准CRISP-DM 25
3-6 数据挖掘的应用 27
3-7 数据挖掘软件介绍 28
3-8 数据挖掘与Excel 30
Chapter 4 数据挖掘的主要方法 31
4-1 回归分析（Regression Analysis） 32
4-1-1 简单线性回归分析（Simple Linear
Regression Analysis） 32
4-1-2 多元回归分析（Multiple Regression
Analysis） 32
4-1-3 脊回归分析（Ridge Regression
Analysis） 32
4-1-4 逻辑回归分析（Logistic Regression
Analysis） 34
4-2 关联规则（Association Rule） 34
4-3 聚类分析（Cluster Analysis） 34
4-4 判别分析（Discriminant Analysis） 36
4-5 神经网络（Artificial Neural Network） 37
4-6 决策树（Decision Tree） 39
4-7 其他分析方法 40
Chapter 5 数据挖掘与相关领域的关系 42
5-1 数据挖掘与统计分析 43
5-2 数据挖掘与数据仓库 43
5-3 数据挖掘与知识发现（KDD） 44
5-4 数据挖掘与OLAP 45
5-5 数据挖掘与机器学习 46
5-6 数据挖掘与Web数据挖掘 46
5-7 数据挖掘、云计算与大数据 47

PART II Microsoft SQL Server概述

Chapter 6 Microsoft SQL Server中的商业智能 49
6-1 Microsoft SQL Server入门 50
6-2 关系数据仓库 50
6-3 SQL Server 2014概述 51
6-4 SQL Server 2014技术 52
6-5 SQL Server 2014新增功能 54
Chapter 7 Microsoft SQL Server中的
数据挖掘功能 56
7-1 创建商业智能应用程序 57
7-2 Microsoft SQL Server数据挖掘功能
的优势 59
7-2-1 易于使用 59
7-2-2 简单而丰富的API 59
7-2-3 可伸缩性 60
7-2-4 数据挖掘算法 60
7-3 Microsoft SQL Server数据挖掘算法 61
7-4 Microsoft SQL Server可扩展性 62
7-5 Microsoft SQL Server是数据挖掘与
商业智能的结合 62
7-5-1 数据分析 62
7-5-2 报告 63
7-6 使用数据挖掘可以解决的问题 63
7-6-1 构建挖掘模型 63
7-6-2 构建数据挖掘应用程序 64
7-6-3 DMX范例 65
Chapter 8 Microsoft SQL Server的分析服务
（Analysis Services） 67
8-1 创建多维数据集的结构 68
8-2 建立和部署多维数据集 69
8-3 从模板创建自定义的数据库 69
8-4 统一维度模型 70
8-5 基于属性的维度 71
8-6 维度类型 72
8-7 量度组和数据视图 72
8-8 计算效率 73
8-9 MDX脚本 74
8-10 存储过程 75
8-11 关键绩效指标（KPI） 75
8-12 实时商业智能 76
Chapter 9 Microsoft SQL Server的报表服务
（Reporting Services） 78
9-1 为何使用报表服务 79
9-2 报表服务的功能 80
9-2-1 制作报表 80
9-2-2 管理报表 80
9-2-3 提交报表 81
Chapter 10 Microsoft SQL Server的整合服务 83
10-1 SSIS介绍 84
10-1-1 DTS与SSIS 84
10-1-2 DTS升级到Integration Services
重点 84
10-1-3 SSIS版本 85
10-1-4 SSIS（SQL Server Integration
Service）架构图 85
10-1-5 Integration Service数据流 85
10-1-6 SSIS Designer 87
10-1-7 数据流 87
10-1-8 控制流 88
10-2 操作示例 92
10-2-1 将Excel数据表导入SQL数据库
中的数据表 92
10-2-2 对数据进行抽样 103
Chapter 11 Microsoft SQL Server的
DMX语言 114
11-1 DMX语言介绍 115
11-2 DMX函数 117
11-2-1 模型建立 117
11-2-2 模型训练 118
11-2-3 模型使用（预测） 118
11-2-4 其他函数语法 119
11-3 DMX语法 122
11-3-1 决策树 123
11-3-2 贝叶斯概率分类 124
11-3-3 关联规则 125
11-3-4 聚类分析 126
11-3-5 时序聚类分析 127
11-3-6 线性回归分析 127
11-3-7 逻辑回归 128
11-3-8 神经网络 129
11-3-9 时序 130
11-4 DMX操作实例 131
11-4-1 分类（classification） 132
11-4-2 评估（estimation） 133
11-4-3 预测（prediction） 134
11-4-4 关联分组（affinity grouping） 135
11-4-5 聚类分组（clustering） 136

PART III Microsoft SQL Server 中的数据挖掘模型

Chapter 12 决策树模型 138
12-1 基本概念 139
12-2 决策树与判别函数 139
12-3 计算方法 140
12-4 操作范例 142
Chapter 13 贝叶斯分类器 152
13-1 基本概念 153
13-2 操作范例 155
Chapter 14 关联规则 166
14-1 基本概念 167
14-2 关联规则的种类 168
14-3 关联规则的算法：Apriori算法 168
14-4 操作范例 169
Chapter 15 聚类分析 179
15-1 基本概念 180
15-2 层级聚类法与动态聚类法 180
15-3 操作范例 185
Chapter 16 时序聚类 197
16-1 基本概念 198
16-2 主要算法 198
16-3 操作示例 200
Chapter 17 线性回归模型 210
17-1 基本概念 211
17-2 一元回归模型 212
17-2-1 模型假设及推估 212
17-2-2 回归模型测试 215
17-3 多元回归模型 216
17-3-1 回归效果的评估 216
17-3-2 回归变量的选择 218
17-4 操作范例 219
Chapter 18 逻辑回归模型 228
18-1 基本概念 229
18-2 logit变换与logistic分布 229
18-3 逻辑回归模型 231
18-4 操作范例 232
Chapter 19 人工神经网络模型 242
19-1 基本概念 243
19-2 神经网络模型的特点 245
19-3 神经网络模型的优劣比较 245
19-4 操作范例 247
Chapter 20 时序模型 257
20-1 基本概念 258
20-2 时序的构成 260
20-3 简单时序的预测 266
20-4 包含趋势与季节成分的时序预测 268
20-5 参数化的时序预测模型 270
20-6 操作范例 274

PART IV Microsoft SQL Server数据挖掘应用实例

Chapter 21 决策树模型实例 285
Chapter 22 逻辑回归模型实例 293
22-1 回归模型实例一：肾细胞癌转移
的回归模型 294
22-2 回归模型实例二：高中升学数据
的回归模型 300
22-3 回归模型实例三 306
Chapter 23 神经网络模型实例 312
23-1 实例一：肾细胞癌转移的神经
网络模型 313
23-2 实例二：电信行业神经网络模型 319
Chapter 24 时序模型实例 332
24-1 实例一：电力负载的时序模型 333
24-2 实例二：进出品货物价值的
时序模型 338
Chapter 25 如何评估数据挖掘模型 344
25-1 评估图节点Evaluation Chart
Node介绍 345
25-2 在SQL Server中如何评估模型 348
25-3 规则度量：支持度与可信度 353
25-4 结论 355

1. 零基础玩转国产大模型DeepSeek [徐永冰 张帅 编著]
2. 网络工程师5天修炼（适配第6版考纲） [主编　朱小平 施游]
3. 信息系统项目管理师考试32小时通关（适用第4版考纲） [薛大龙]
4. 信息系统管理工程师考试32小时通关（适配第2版考纲） [薛大龙　刘伟]
5. 土木工程材料检测实训 [洪晓江 达则晓丽 钱波]
6. 科技信息检索与论文写作实用教程 [李振华]
7. 传统山水画论解读与实践 [陈钠 著]
8. Python数据库编程 [主编 殷树友 邢 翀]
9. 计算机基础实训指导 [主编 袁春萍 朱妮]
10. 嵌入式人工智能技术应用（数字教材） [主编 胡娜 杨国勇 晏廷荣]
11. Vienna整流器技术 [桂存兵 著]
12. 变频器与伺服应用 [陈刚 叶云飞]
13. 物联网工程设计与实践 [汤琳 李敏]
14. 炉边夜话——深入浅出话AI [汪建　著]
15. 电商运营与管理 [钟肖英 陈潇]
16. Java面向对象程序设计 [主编 姜春磊 陈虹洁]
17. 信息技术基础（Windows 10+WPS Office）（微课版） [主编　石利平　田辉平　谢盛嘉]
18. 人工智能应用 [主编　陈　萍　刘培培　陈孟军]
19. 大学生职业发展与就业指导 [主编　刘志坚]
20. 高级办公应用项目教程 [主编 屈晶 赵成丽]
21. 微信小程序开发项目实战（微课版） [主编 黄龙泉 郭峰 朱倩]
22. 企业档案工作实战宝典百问百答 [华俊 卢秀英 邵甜甜 著]
23. 计算机网络原理及应用 [主编 唐继勇 叶坤 孙梦娜]
24. 大学生创业基础 [主编 王丽莉 王 杨]
25. 船舶辅机 [主编 王连海 于洋 姜淑翠]
26. 大学生就业指导 [主编 王丽莉 董宴廷]
27. 系统架构设计师章节习题与考点特训 [主编 薛大龙 邹月平]
28. 高校学生工作探索与实践 [郭亮 著]
29. 大学生情商管理 [方雄 著]
30. 2023年长沙市会展业发展报告 [主编 周栋良]