2018年度大数据挖掘大作业
《大数据时代下数据挖掘》试题与答案..
大数据时代下数据挖掘试题与答案什么是数据挖掘？数据挖掘是从大量数据中自动或半自动的发现知识和信息的过程。
数据挖掘算法可以用于分类、聚类、预测和关联分析等领域。
随着大数据时代的到来，数据挖掘的应用越来越广泛，已成为数据科学家必备的技能之一。
数据挖掘的步骤数据挖掘一般需要经过以下步骤：1.数据预处理：包括数据清洗、数据集成、数据变换和数据规约等步骤，目的是去除噪声和错误，增加数据的质量。
2.特征选择：根据算法的需求选择样本的特定特征，去除无关特征和冗余特征。
3.算法选择：根据数据类型和建模需求选择相应的数据挖掘算法。
4.数据建模：将预处理后的数据输入到选择的算法中进行数据建模，得到模型。
5.模型评价：评估模型的准确率和可靠性，以改进模型和提高预测精度。
6.模型应用：将模型应用到新的数据中进行预测或分类等任务。
常用的数据挖掘算法1.KNN算法：K近邻算法是基于样本相似度进行分类的，分类时采用与待分类样本相似度最高的K个样本作为参照，根据它们的类别多数表决决定待分类样本的类别。
2.决策树算法：决策树算法通过对样本的不断划分，建立起一棵决策树，用于分类和预测。
3.聚类分析算法：聚类分析是将样本划分为不同的组或类别，使组内的样本相似度较高，组间的相似度较低，用于无监督学习。
4.关联分析算法：关联分析算法用于挖掘多个特征之间的关系和规律，常用于购物篮分析和客户分群等领域。
大数据时代下的数据挖掘挑战随着大数据的不断增长和数据种类的丰富多样，数据挖掘面临着以下挑战：1.数据质量问题：大数据中存在很多杂乱和不一致的数据，也存在许多错误和缺失，挖掘这些数据需要解决数据质量问题。
2.算法效率问题：由于大数据量和高复杂性，传统的算法可能无法处理这些数据，需要开发高效率和高并行度的算法。
3.隐私安全问题：随着数据的不断增长，数据隐私和安全问题日益严重，如何保证数据的安全性成为挖掘大数据的必要条件。
数据挖掘的应用场景数据挖掘的应用场景十分广泛，下面列出常见的场景：1.金融领域：货币流向分析、风险控制和金融市场预测等。
数据挖掘作业1
数据挖掘技术选修课大作业学院：计算机学院专业：软件工程姓名：王小妮班级：软工1201学号：12080101071.1数据挖掘技术的定义1.2数据挖掘的含义1.3数据挖掘商业角度的定义1.4数据挖掘和数据仓库1.5数据挖掘和在线分析处理1.6软硬件发展对数据挖掘的影响2数据挖掘的典型技术2.1聚类分析2.1关联规则2.3回归分析2.4其他技术3数据挖掘技术的应用3.1在intnet的应用3.2在金融的应用4学习收获参考文献：1.1数据挖掘技术的定义数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。
1.2数据挖掘技术的含义与数据挖掘相近的同义词有数据融合、数据分析和决策支持等。
这个定义包括好几层含义：数据源必须是真实的、大量的、含噪声的；发现的是用户感兴趣的知识；发现的知识要可接受、可理解、可运用；并不要求发现放之四海皆准的知识，仅支持特定的发现问题。
----何为知识?从广义上理解，数据、信息也是知识的表现形式，但是人们更把概念、规则、模式、规律和约束等看作知识。
人们把数据看作是形成知识的源泉，好像从矿石中采矿或淘金一样。
原始数据可以是结构化的，如关系数据库中的数据；也可以是半结构化的，如文本、图形和图像数据；甚至是分布在网络上的异构型数据。
发现知识的方法可以是数学的，也可以是非数学的；可以是演绎的，也可以是归纳的。
发现的知识可以被用于信息管理，查询优化，决策支持和过程控制等，还可以用于数据自身的维护。
因此，数据挖掘是一门交叉学科，它把人们对数据的应用从低层次的简单查询，提升到从数据中挖掘知识，提供决策支持。
在这种需求牵引下，汇聚了不同领域的研究者，尤其是数据库技术、人工智能技术、数理统计、可视化技术、并行计算等方面的学者和工程技术人员，投身到数据挖掘这一新兴的研究领域，形成新的技术热点。
数据挖掘试题及答案
数据挖掘试题及答案数据挖掘是一门利用数据分析技术从大量的数据集中发现规律、模式和知识的过程。
它对我们理解和利用数据提供了有力的支持，被广泛应用于商业、科学研究等领域。
下面是一些常见的数据挖掘试题及其答案。
试题一：什么是数据挖掘？答案：数据挖掘是指利用计算机技术和统计学方法，从大规模数据集中发现隐藏在其中的有价值的信息和知识的过程。
它包括数据预处理、特征选择、模型构建以及模式识别和知识发现等步骤。
试题二：数据挖掘的主要任务有哪些？答案：数据挖掘的主要任务包括分类、聚类、关联规则挖掘和异常检测等。
分类是指将数据集中的样本划分到不同的类别中；聚类是将数据集划分为若干个相似的组；关联规则挖掘是找出数据中项之间的关联关系；异常检测是识别与正常模式不符的数据。
试题三：数据挖掘中常用的算法有哪些？答案：数据挖掘中常用的算法包括决策树、聚类算法、关联规则算法和神经网络等。
决策树算法通过对数据集进行划分，构建一棵树形结构用于分类；聚类算法根据相似度将数据集分为不同的簇；关联规则算法用于发现数据集中项之间的关联关系；神经网络模拟人脑的神经元网络结构，用于数据分类和预测。
试题四：数据挖掘的应用场景有哪些？答案：数据挖掘的应用场景非常广泛。
在商业领域，它可以帮助企业进行市场分析、客户关系管理和产品推荐等；在科学研究中，它能够帮助科学家从大量的实验数据中发现新的知识和规律；在医疗领域，它可以辅助医生进行疾病诊断和治疗方案选择等。
试题五：数据挖掘存在的挑战有哪些？答案：数据挖掘存在一些挑战，包括数据质量不高、维度灾难、算法性能和可解释性等方面。
数据质量不高可能导致挖掘结果不准确；维度灾难是指当数据特征数量很多时，算法的计算复杂度急剧增加；算法性能要求高，对大规模数据集的挖掘需要高效的算法；可解释性是指挖掘结果是否易于被理解和解释。
以上是一些常见的数据挖掘试题及其答案。
通过理解和掌握数据挖掘的基本概念、任务、算法和应用场景，可以帮助我们更好地运用数据挖掘技术，从海量数据中提取有价值的信息和知识，为决策和创新提供支持。
2018年度大数据挖掘大作业
数据挖掘在航空CRM中的应用1、引言运输业是国家经济的一个重要的组成部分，其发展水平已经成为一个国家和地区综合实力的重要体现。
随着经济全球化，我国对物流的需求将大幅度的增加，物流将呈现跳跃式发展趋势。
企业开始改变那种以商品为导向的观念，开始注重发掘，通过收集整理繁多的信息，量化分析需求，提供优质的售后服务，保持稳定的关系等措施，来加强对客户关系的管理。
CRM的主要含义就是通过对详细资料的深入分析，来提高满意程度，从而提高企业的竞争力的一种手段，CRM最大程度地改善、提高了整个关系生命周期的绩效。
CRM整合了、公司、员工等资源，对资源有效地、结构化地进行分配和重组，便于在整个关系生命周期内及时了解、使用有关资源和知识；简化、优化了各项业务流程，使得公司和员工在销售、服务、市场营销活动中，能够把注意力集中到改善关系、提升绩效的重要方面与核心业务上，提高员工对的快速反应和反馈能力；也为带来了便利，能够根据需求迅速获得个性化的商品、方案和服务。
要在激烈的市场竞争中获得主动，越来越多的民航企业把保持客户作为企业的重要任务，谁能留住那些能给企业带来丰厚利润的关键客户，并获得他们长久的信任和支持，谁就能获得满意的回报，进而赢得持续的竞争优势。
在航空业，客户关系管理的应用有其特别的原因。
面对航空公司的管理需求，急需引入先进的客户关系管理理念。
在航空公司引入电子商务后，公司关注的重点由提高内部效率向尊重外部转移。
而CRM理念正是基于对客户的尊重，要求公司完整地认识整个客户生命周期，提供与客户沟通的统一平台，提高员工与接触的效率和反馈率。
随着“以客户为中心"的客户关系管理技术在航空业的不断应用和发展，航空服务质量的改善提高的同时，产生了大量的客户数据，充分挖掘这些数据中隐藏的有用信息可以为航空公司的经营决策带来极大的帮助。
2、设计思路与方案概述1.研究方法数据仓库与数据挖掘是CRM的重要组成部分，航空公司与客户的交流会产生大量的数据，这些数据一般由交易系统收集而来，然后将这些数据集中、清理、汇总后进入数据仓库，设计良好的数据仓库包含客户与公司交流的历史记录。
数据挖掘练习题附答案
数据挖掘练习题A一、简答题1. 数据对象之间的相似性可用距离来衡量，常见的距离形式有哪些？答：曼哈顿距离，欧几里得距离，切比雪夫距离，闵可夫斯基距离，杰卡德距离2. 简述朴素贝叶斯分类的基本思想。
答：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个概率最大，就认为此待分类项属于哪个类别。
1）设x={a!,a",…,a#}为一个待分类项，a为x的特征属性；2）有类别集合C={y!,y",…,y$}3) 计算p(y!|x)，p(y"|x)，… p(y$|x)4) 如果p(y%|x)=max {p(y!|x),p(y"|x),…,p(y%|x)}，则x∈y%3. 在做数据清洗时，如何处理缺失值？答：处理缺失值的方法有3种：1）忽略元组；2）数据补齐，包括人工填写、特殊值填充、平均值填充、使用最可能的值填充；3）不处理。
4. 简述K-means算法的基本步骤。
答：1）任意选择k个对象作为初始的簇中心；2）计算其它对象与这k个中心的距离，然后把每个对象归入离它“最近”的簇；3）计算各簇中对象的平均值，然后选择簇中心（离平均值“最近”的簇）；4）重复第2步到第3步直到簇中心不再变化为止。
5. 在关联规则中，支持度（support）和置信度（confidence）的含义分别是什么？答：支持度support(x->y)=p(x,y)，表示项集中同时含有x和y的概率。
置信度confidence(x->y)=p(y/x)，表示在关联规则的先决条件x发生的条件下，关联结果y发生的概率，即含有x的项集中，同时含有y的可能性。
二、计算题1.假定属性A的取值x在[x_min,x_max]之间，其中x_min和x_max分别为属性A的最小值和最大值，请利用最小-最大规范化方法（也称离差标准化，是对原始数据的线性变化），将x转化到新的区间[y_min,y_max]中，结果用x’表示。
《数据挖掘》课程大作业
《数据挖掘》课程大作业网络教育学院《数据挖掘》课程大作业题目：姓名：报名编号：学习中心：层次：专升本专业：计算机科学与技术第一大题：讲述自己在完成大作业过程中遇到的困难，解决问题的思路，以及相关感想，或者对这个项目的认识，或者对Python与数据挖掘的认识等等，300-500字。
数据挖掘是一门重要的专业课。
数据挖掘引起了信息产业界的极大关注，其主要原因是存在大量数据，可以广泛使用，并且迫切需要将这些数据转换成有用的信息和知识。
数据挖掘就是从大量的数据中，抽取出潜在的、有价值的知识、模型或规则的过程。
作为一类深层次的数据分析方法，它利用了数据库、人工智能和数理统计等多方面的技术。
要将庞大的数据转换成为有用的信息，必须先有效率地收集信息。
随着科技的进步，功能完善的数据库系统就成了最好的收集数据的工具。
数据仓库，简单地说，就是搜集来自其它系统的有用数据，存放在一整合的储存区内。
所以其实就是一个经过处理整合，且容量特别大的关系型数据库，用以储存决策支持系统所需的数据，供决策支持或数据分析使用。
数据挖掘的研究领域非常广泛，主要包括数据库系统、基于知识的系统、人工智能、机器学习、知识获取、统计学、空间数据库和数据可视化等领域。
主要是可以做以下几件事：分类、估计、预测、关联分析、聚类分析、描述和可视化、复杂数据类型挖掘。
第二大题：完成下面一项大作业题目。
2019秋《数据挖掘》课程大作业题目一：Knn算法原理以及python实现要求：文档用使用word撰写即可。
主要内容必须包括：（1）算法介绍。
（2）算法流程。
（3）python实现算法以及预测。
（4）整个word文件名为 [姓名奥鹏卡号学习中心]（如戴卫东101410013979浙江台州奥鹏学习中心[1]VIP ）答：一、knn算法介绍1. 介绍邻近算法，或者说K最近邻(kNN，k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。
（完整word版）数据挖掘题目及答案
（完整word版）数据挖掘题⽬及答案⼀、何为数据仓库？其主要特点是什么？数据仓库与KDD的联系是什么？数据仓库是⼀个⾯向主题的（Subject Oriented）、集成的（Integrate）、相对稳定的（Non-Volatile）、反映历史变化（Time Variant）的数据集合，⽤于⽀持管理决策。
特点：1、⾯向主题操作型数据库的数据组织⾯向事务处理任务，各个业务系统之间各⾃分离，⽽数据仓库中的数据是按照⼀定的主题域进⾏组织的。
2、集成的数据仓库中的数据是在对原有分散的数据库数据抽取、清理的基础上经过系统加⼯、汇总和整理得到的，必须消除源数据中的不⼀致性，以保证数据仓库内的信息是关于整个企业的⼀致的全局信息。
3、相对稳定的数据仓库的数据主要供企业决策分析之⽤，⼀旦某个数据进⼊数据仓库以后，⼀般情况下将被长期保留，也就是数据仓库中⼀般有⼤量的查询操作，但修改和删除操作很少，通常只需要定期的加载、刷新。
4、反映历史变化数据仓库中的数据通常包含历史信息，系统记录了企业从过去某⼀时点(如开始应⽤数据仓库的时点)到⽬前的各个阶段的信息，通过这些信息，可以对企业的发展历程和未来趋势做出定量分析和预测。
所谓基于数据库的知识发现（KDD）是指从⼤量数据中提取有效的、新颖的、潜在有⽤的、最终可被理解的模式的⾮平凡过程。
数据仓库为KDD提供了数据环境，KDD从数据仓库中提取有效的，可⽤的信息⼆、数据库有4笔交易。
设minsup=60%，minconf=80%。
TID DATE ITEMS_BOUGHTT100 3/5/2009 {A, C, S, L}T200 3/5/2009 {D, A, C, E, B}T300 4/5/2010 {A, B, C}T400 4/5/2010 {C, A, B, E}使⽤Apriori算法找出频繁项集，列出所有关联规则。
解：已知最⼩⽀持度为60%，最⼩置信度为80%1）第⼀步，对事务数据库进⾏⼀次扫描，计算出D中所包含的每个项⽬出现的次数，⽣成候选1-项集的集合C1。
打工23从数据挖掘大作业题目及要求
打工23从数据挖掘大作业题目及要求数据挖掘大作业题目及要求：题目：基于用户评论数据的情感分析要求：1. 数据来源：选择某一特定领域的用户评论数据，如电商平台的商品评论、餐饮行业的用户评价等。
2. 数据预处理：对原始评论数据进行清洗、去除噪声，提取关键词等预处理工作。
3. 数据分析方法：选择适当的情感分析方法，如基于词典的情感分析、基于机器学习的情感分类等。
4. 情感分析结果：对用户评论进行情感分类，如正面、负面、中立等。
可以通过文本分类模型或情感词典进行分类。
5. 结果可视化：根据情感分析结果，将用户评论进行可视化展示，如情感极性饼图、情感变化趋势图等。
参考内容：1. 数据来源选择用户评论数据是进行情感分析的基础，可以通过访问公开的数据源如Kaggle、UCI Machine Learning Repository等获取数据集，也可以选择特定行业领域的数据，如Amazon电商平台、Yelp餐饮评论等。
2. 数据预处理对原始评论数据进行清洗是为了去除噪声和无关信息，可以使用正则表达式进行文本清洗，去除标点符号和数字等特殊字符。
同时，可以使用自然语言处理技术进行文本分词，将评论文本拆分为一个个独立的词语，方便后续分析。
3. 数据分析方法情感分析是指根据用户评论的语义特征和情感倾向，将其归类为积极、消极或中性等情感极性。
常用的情感分析方法包括基于词典的情感分析和机器学习方法。
- 基于词典的情感分析：使用情感词典，如情感词典AFINN、SentiWordNet等，通过匹配评论中的词语与情感词典中的词语，计算评论的情感得分，从而判断评论的情感极性。
- 基于机器学习的情感分析：使用已标注的评论数据集进行训练，构建情感分类模型。
可以使用朴素贝叶斯、支持向量机等机器学习算法进行分类。
4. 情感分析结果根据选择的情感分析方法，将评论进行情感分类，可分类为正面、负面、中立等。
对于基于词典的情感分析，可以根据评论中的情感得分来确定情感极性。
数据挖掘期末大作业
数据挖掘期末大作业1.数据挖掘的发展趋势是什么？大数据环境下如何进行数据挖掘。
对于数据挖掘的发展趋势，可以从以下几个方面进行阐述：(1)数据挖掘语言的标准化描述:标准的数据挖掘语言将有助于数据挖掘的系统化开发。
改进多个数据挖掘系统和功能间的互操作,促进其在企业和社会中的使用。
(2)寻求数据挖掘过程中的可视化方法:可视化要求已经成为数据挖掘系统中必不可少的技术。
可以在发现知识的过程中进行很好的人机交互。
数据的可视化起到了推动人们主动进行知识发现的作用。
(3)与特定数据存储类型的适应问题:根据不同的数据存储类型的特点,进行针对性的研究是目前流行以及将来一段时间必须面对的问题。
(4)网络与分布式环境下的KDD问题:随着Internet的不断发展,网络资源日渐丰富,这就需要分散的技术人员各自独立地处理分离数据库的工作方式应是可协作的。
因此,考虑适应分布式与网络环境的工具、技术及系统将是数据挖掘中一个最为重要和繁荣的子领域。
(5)应用的探索:随着数据挖掘的日益普遍,其应用范围也日益扩大,如生物医学、电信业、零售业等领域。
由于数据挖掘在处理特定应用问题时存在局限性,因此,目前的研究趋势是开发针对于特定应用的数据挖掘系统。
(6)数据挖掘与数据库系统和Web数据库系统的集成:数据库系统和Web数据库已经成为信息处理系统的主流。
2. 从一个3输入、2输出的系统中获取了10条历史数据，另外，最后条数据是系统的输入，不知道其对应的输出。
请使用SQL SERVER 2005的神经网络功能预测最后两条数据的输出。
首先，打开SQL SERVER 2005数据库软件，然后在界面上右键单击树形图中的“数据库”标签，在弹出的快捷菜单中选择“新建数据库”命令，并命名数据库的名称为YxqDatabase，单击确定，如下图所示。
然后，在新建的数据库YxqDatabas中，根据题目要求新建表，相应的表属性见下图所示。
在新建的表完成之后，默认的数据表名称为Table_1,并打开表，根据题目提供的数据在表中输入相应的数据如下图所示。
数据挖掘 习题及参考答案
①电信行业中利用数据挖掘技术进行客户行为分析，包含客户通话记录、通话时间、所 开通的服务等，据此进行客户群体划分以及客户流失性分析。
②天文领域中利用决策树等数据挖掘方法对上百万天体数据进行分类与分析，帮助天文 学家发现其他未知星体。
③制造业中应用数据挖掘技术进行零部件故障诊断、资源优化、生产过程分析等。
第 4 页 共 27 页
(b)对于数据平滑，其它方法有： (1)回归：可以用一个函数(如回归函数)拟合数据来光滑数据； (2)聚类：可以通过聚类检测离群点，将类似的值组织成群或簇。直观地，落在簇集合 之外的值视为离群点。
2.6 使用习题 2.5 给出的 age 数据，回答以下问题： (a) 使用 min-max 规范化，将 age 值 35 转换到[0.0，1.0]区间。 (b) 使用 z-score 规范化转换 age 值 35，其中，age 的标准偏差为 12.94 年。 (c) 使用小数定标规范化转换 age 值 35。 (d) 指出对于给定的数据，你愿意使用哪种方法。陈述你的理由。
回归来建模，或使用时间序列分析。 (7) 是，需要建立正常心率行为模型，并预警非正常心率行为。这属于数据挖掘领域
的异常检测。若有正常和非正常心率行为样本，则可以看作一个分类问题。 (8) 是，需要建立与地震活动相关的不同波形的模型，并预警波形活动。属于数据挖
掘领域的分类。 (9) 不是，属于信号处理。
1.6 根据你的观察，描述一个可能的知识类型，它需要由数据挖掘方法发现，但本章未列出。 它需要一种不同于本章列举的数据挖掘技术吗？
答：建立一个局部的周期性作为一种新的知识类型，只要经过一段时间的偏移量在时间序列 中重复发生，那么在这个知识类型中的模式是局部周期性的。需要一种新的数据挖掘技 术解决这类问题。
数据挖掘大作业例子
数据挖掘大作业例子1. 超市购物数据挖掘呀！想想看，如果把超市里每个顾客的购买记录都分析一遍，那岂不是能发现很多有趣的事情？比如说，为啥周五晚上大家都爱买啤酒和薯片呢，是不是都打算周末在家看剧呀！2. 社交媒体情感分析这个大作业超有意思哦！就像你能从大家发的文字里看出他们今天是开心还是难过，那简直就像有了读心术一样神奇！比如看到一堆人突然都在发伤感的话，难道是发生了什么大事情？3. 电商用户行为挖掘也很棒呀！通过分析用户在网上的浏览、购买行为，就能知道他们喜欢什么、不喜欢什么，这难道不是很厉害吗？就像你知道了朋友的喜好，能给他推荐最适合的礼物一样！4. 交通流量数据分析呢！想象一下，了解每个路口的车流量变化，是不是就能更好地规划交通啦？难道这不像是给城市的交通装上了一双明亮的眼睛？5. 医疗数据挖掘更是不得了！能从大量的病例中找到疾病的规律，这简直是在拯救生命啊！难道这不是一件超级伟大的事情吗？比如说能发现某种疾病在特定人群中更容易出现。
6. 金融交易数据挖掘也超重要的呀！可以知道哪些交易有风险，哪些投资更靠谱，那不就像有个聪明的理财顾问在身边吗！就好比能及时发现异常的资金流动。
7. 天气数据与出行的结合挖掘也很有趣呀！根据天气情况来预测大家的出行选择，真是太神奇了吧！难道不是像有了天气预报和出行指南合二为一？8. 音乐喜好数据挖掘呢！搞清楚大家都喜欢听什么类型的音乐，从而能更好地推荐歌曲，这不是能让人更开心地享受音乐吗！好比为每个人定制了专属的音乐播放列表。
9. 电影票房数据挖掘呀！通过分析票房数据就能知道观众最爱看的电影类型，这不是超厉害的嘛！就像知道了大家心里最期待的电影是什么样的。
我觉得数据挖掘真的太有魅力了，可以从各种看似普通的数据中发现那么多有价值的东西，真是让人惊叹不已啊！。
2018大数据试题及答案
2018大数据试题及答案一、单项选择题（每题2分，共20分）1. 大数据的4V特性不包括以下哪一项？A. Volume（体量）B. Velocity（速度）C. Variety（多样性）D. Validity（有效性）答案：D2. 在大数据分析中，以下哪个工具主要用于数据的实时处理？A. HadoopB. SparkC. MongoDBD. Cassandra答案：B3. 下列哪项不是大数据技术带来的挑战？A. 数据安全B. 数据存储C. 数据隐私D. 数据减少答案：D4. 大数据技术在以下哪个领域应用最为广泛？A. 金融B. 医疗C. 教育D. 以上都是答案：D5. Hadoop的核心组件是：A. MapReduceB. HiveC. HBaseD. Pig答案：A6. 在大数据架构中，以下哪个组件主要用于数据存储？A. KafkaB. Hadoop Distributed File System (HDFS)C. StormD. Flume答案：B7. 大数据中的“数据挖掘”是指：A. 从大量数据中提取有用信息B. 从数据库中删除无用数据C. 将数据转换为可视化图表D. 对数据进行加密处理答案：A8. 下列哪项不是大数据技术的发展趋势？A. 实时性增强B. 云计算集成B. 存储容量减少D. 智能化分析答案：C9. 在大数据中，用于处理半结构化数据的技术通常是：A. SQLB. NoSQLC. PL/SQLD. Regular Expressions答案：B10. 大数据技术在商业智能中的应用主要体现在：A. 提高决策速度B. 降低运营成本C. 提高数据安全性D. 以上都是答案：D二、多项选择题（每题3分，共15分）11. 大数据的商业价值主要体现在以下哪些方面？A. 市场洞察B. 风险管理C. 客户细分D. 成本控制答案：A, B, C, D12. 以下哪些是大数据分析的关键步骤？A. 数据采集B. 数据清洗C. 数据存储D. 数据解释答案：A, B, C, D13. 在大数据环境下，以下哪些因素可能影响数据安全？A. 数据泄露B. 不当的数据访问C. 恶意软件攻击D. 数据损坏答案：A, B, C, D14. 以下哪些技术可以用于大数据处理？A. R语言B. PythonC. JavaD. SQL答案：A, B, C15. 大数据在医疗领域的应用包括：A. 疾病预测B. 个性化治疗C. 医疗记录管理D. 医疗设备监控答案：A, B, C, D三、简答题（每题10分，共20分）16. 请简述大数据技术在金融行业中的应用。
数据挖掘大作业(打印) 2
数据挖掘在客户关系管理中的应用一、数据挖掘技术在客户关系管理中的主要应用领域1、客户关系管理中常用的数据挖掘方法常用的数据挖掘方法主要包括：分类、聚类、关联规则、统计回归、偏差分析等等。
（1）分类：分类在数据挖掘中是一项非常重要的任务。
分类的目的是通过统计方法、机器学习方法（包括决策树法和规则归纳法）、神经网络方法等构造一个分类模型，然后把数据库中的数据映射到给定类别中的某一个。
（2）聚类：聚类是把一组个体按照相似性归成若干类别。
即“物以类聚”。
它的目的是使同一类别之内的相似性尽可能大，而类别之间的相似性尽可能小。
这种方法可以用来对客户进行细分，根据客户的特征和属性把客户分成不同客户群，根据其不同需求，制订针对不同客户群的营销策略。
（3）关联规则：它是描述数据库中数据项之间存在关联的规则，即根据一个事物中某些项的出现可导出另一项在同一事物中也出现，即隐藏在数据间的关联或相互关系。
在客户关系管理中，通过对企业客户数据库里大量数据进行挖掘，可以从中发现有趣的关联关系。
（4）回归分析：回归分析反映的是事务数据库中属性值在时间上的特征．主要用于预测，即利用历史数据自动推出对给定数据的推广描述．从而对未来数据进行预测。
它可应用于商品销售趋势预测、客户赢利能力分析和预测等。
（50偏差分析：偏差分析侧重于发现不规则和异常变化，即与通常不同的事件。
在相类似的客户中，对客户的异常变化要给予密切关注。
例如某客户购买行为发生较大变化，购买量较以前大大减少，就要对客户的这种原因进行调查，避免客户流失。
2、数据挖掘在客户关系管理中的具体运用由于零售业采用P O S机和C R M。
使得顾客的资料及购买信息得以贮存。
在这些海量的数据中存在着许多能对商品决策提供真正有价值的决策信息。
商家面临以下问题是：真正有价值的信息是哪些。
这些信息有哪些关联等等。
因此，需要从大量的数据中, 经过深层分析，从而获得有利商业运作提高企业争力的信息。
数据挖掘大作业
1.音乐分类的数据集在这个题目中，使用了SVM分类器和贝叶斯分类器，并通过sklearn库中的GridSearchCV方法对SVM分类模型的参数进行调优，使最终的正确率提高了5个百分点左右。
但仍没有文档中的论文达到的分类正确率高，因为论文中的分类器的设计使专一对音乐音调分类的，其中设计到神经网络和深度学习的一些方法。
而我使用的分类器使对大部分分类问题都有效的方法。
下面是对数据集的一个简单的介绍：数据标签第3-14列:YES or NO第15列:共16个取值('D', 'G#', 'D#', 'Bb', 'Db', 'F#', 'Eb', 'F', 'C#', 'Ab', 'B', 'C', 'A#', 'A', 'G', 'E')第16列:共5个取值(1,2,3,4,5)第17列:共102个类别('C#M', 'F_m', 'D_m', 'D_d7', 'G#m', 'D_m6', 'C_m6', 'C_d7', 'F_M', 'D_M', 'BbM7', 'F#d', 'C#d', 'E_d', 'F_d7', 'F#d7', 'G_m', 'C#d7', 'AbM', 'EbM', 'D#d', 'Bbm6', 'G_M7', 'F#m6', 'Dbd', 'B_m6', 'G#M', 'D_m7', 'B_M', 'F#M7', 'Bbm', 'A#d', 'D#d7', 'Abd', 'G_M', 'F#M4', 'E_M', 'A_M4', 'E_m7', 'D#M', 'C_M7', 'A_m6', 'Dbm', 'A#d7', 'F#M', 'C#m7', 'F_m7', 'C_M', 'C#M4', 'F_M6', 'A_M', 'G_m6', 'D_M4', 'F_M7', 'B_M7', 'E_M4', 'E_m6', 'A_m4', 'G#d', 'C_m7', 'C_M6', 'Abm', 'F_m6', 'G_m7', 'F_d', 'Bbd', 'G_M4', 'B_d', 'A_M7', 'E_m', 'C#M7', 'DbM', 'EbM7', 'C#d6', 'F#m', 'G_M6', 'G_d', 'Dbd7', 'B_m7', 'DbM7', 'D_M6', 'D#d6', 'G#d7', 'A_m7', 'B_d7', 'B_M4', 'A_d', 'A_m', 'C_d6', 'D#m', 'C_M4', 'A_M6', 'BbM', 'C#m', 'D_M7', 'E_M7', 'F_M4', 'F#m7', 'Dbm7', 'B_m', 'C_m', 'Ebd')这是一个多分类问题1.1数据读取与训练集和测试集分离从文件读取数据使用sklearn.model_selection库中的train_test_split函数,将训练集随机分成10份,9份训练,1份测试X是标签列表,y是类别列表1.2使用svm分类参数调优模型训练与正确率输出结果：1.3使用贝叶斯分类器分类结果：在贝叶斯分类器中，使用了伯努利模型对概率。
数据挖掘习题及解答-完美版
Data Mining Take Home Exam学号: xxxx 姓名: xxx（1）计算整个数据集的Gini指标值。
（2）计算属性性别的Gini指标值（3）计算使用多路划分属性车型的Gini指标值（4）计算使用多路划分属性衬衣尺码的Gini指标值（5）下面哪个属性更好，性别、车型还是衬衣尺码？为什么？(3)=26/160=0.1625]*2=8/25+6/35=0.4914(5)比较上面各属性的Gini值大小可知，车型划分Gini值0.1625最小，即使用车型属性更好。
2. （(1) 将每个事务ID视为一个购物篮，计算项集{e}，{b,d} 和{b,d,e}的支持度。
（2）使用（1）的计算结果，计算关联规则{b,d}→{e}和{e}→{b,d}的置信度。
（3）将每个顾客ID作为一个购物篮，重复（1）。
应当将每个项看作一个二元变量（如果一个项在顾客的购买事务中至少出现一次，则为1，否则，为0）。
（4）使用（3）的计算结果，计算关联规则{b,d}→{e}和{e}→{b,d}的置信度。
答：（1）由上表计数可得{ｅ}的支持度为8/10=0.8；{ｂ，ｄ}的支持度为2/10=0.2；｛b,d,e｝的支持度为2/10=0.2。
（2）c[{b,d}→{e}]=2/8=0.25; c[{e}→{b,d}]=8/2=4。
（3）同理可得：{e}的支持度为4/5=0.8，{b,d}的支持度为5/5=1，{b,d,e}的支持度为4/5=0.8。
（4）c[{b,d}→{e}]=5/4=1.25，c[{e}→{b,d}]=4/5=0.8。
3. （20分）以下是多元回归分析的部分R输出结果。
> ls1=lm(y~x1+x2)> anova(ls1)Df Sum Sq Mean Sq F value Pr(>F)x1 1 10021.2 10021.2 62.038 0.0001007 ***x2 1 4030.9 4030.9 24.954 0.0015735 **Residuals 7 1130.7 161.5> ls2<-lm(y~x2+x1)> anova(ls2)Df Sum Sq Mean Sq F value Pr(>F)x2 1 3363.4 3363.4 20.822 0.002595 **x1 1 10688.7 10688.7 66.170 8.193e-05 ***Residuals 7 1130.7 161.5（1）用F检验来检验以下假设(α = 0.05)H0: β1 = 0H a: β1≠ 0计算检验统计量；是否拒绝零假设，为什么？（2）用F检验来检验以下假设(α = 0.05)H0: β2 = 0H a: β2≠ 0计算检验统计量；是否拒绝零假设，为什么？（3）用F检验来检验以下假设(α = 0.05)H0: β1 = β2 = 0H a: β1和β2 并不都等于零计算检验统计量；是否拒绝零假设，为什么？解：（1）根据第一个输出结果F=62.083>F（2，7）=4.74，p<0.05，所以可以拒绝原假设，即得到不等于0。
数据挖掘大作业
数据挖掘大作业1. 简介数据挖掘是一项重要的技术，它通过挖掘大型数据集中的隐藏信息和模式，帮助我们发现有价值的知识和洞察力。
本文档将介绍数据挖掘大作业的目标、背景和方法。
2. 目标本次数据挖掘大作业的目标是从给定的数据集中分析和提取有关某项主题的相关信息。
我们将利用数据挖掘技术来发现隐藏在数据中的模式和规律，并通过数据可视化的方式呈现出来。
3. 背景数据挖掘是一项复杂而多样化的领域，它可以应用于各种领域和行业。
通过数据挖掘，我们可以从海量数据中获得有用的洞察力，以便做出更好的决策和预测。
4. 方法在进行数据挖掘大作业时，我们将采取以下步骤：- 数据收集：收集与主题相关的数据，并确保数据的质量和准确性。
- 数据预处理：对数据进行清洗、去重、填充缺失值等预处理操作，以保证后续分析的准确性。
- 特征工程：根据问题的需要，对数据进行特征选择、转换和抽取，以提取最有用的特征。
- 模型选择：选择适当的数据挖掘模型，如聚类、分类、预测等，以实现我们的目标。
- 模型评估：对选定的模型进行评估和优化，确保模型的性能和准确性。
- 结果展示：将挖掘到的信息和洞察力进行可视化展示，以便更好地理解和传达。
5. 结论本次数据挖掘大作业将通过上述步骤来实现我们的目标，并且我们将采用合适的数据挖掘技术和方法来发现隐藏在数据中的知识和模式。
通过这次作业，我们将进一步提升我们的数据分析和挖掘能力，并为未来的决策和预测提供有价值的支持。
以上是关于数据挖掘大作业的简介，希望能对您有所帮助。
如有任何问题，请随时与我们联系。
谢谢！注：此文档为简要介绍，具体细节和步骤将根据实际情况进一步规划和执行。
数据挖掘大学练习题_瑞睿锐的博客-CSDN博客
数据挖掘大学练习题_瑞睿鋭的博客-CSDN博客数据挖掘中北大学练习题第一章绪论一.判断题共10题,83.0分下面各项是否是数据挖掘任务1根据性别划分公司的顾客我的答案× 得分8.3分正确答案× 答案解析这属于简单的数据库查询2根据可盈利性划分公司的顾客我的答案× 得分8.3分正确答案× 答案解析这是简单的会计计算3计算公司的总销售额我的答案× 得分8.3分正确答案× 答案解析这是简单的会计计算4按学生的标识号对学生数据库进行排序我的答案× 得分8.3分正确答案× 答案解析这是简单的数据库查询 5 预测掷骰子的结果我的答案× 得分8.3分正确答案× 答案解析由于每一面都是同等概率属于概率计算如果概率是不同等根据历史数据预测结果则更类似于数据挖掘任务 6 使用历史记录预测某公司未来的股价价格我的答案√ 得分8.3分正确答案√ 答案解析需要建立模型来预测股票价格属于数据挖掘领域中的预测模型可以使用回归来建模或使用时间序列分析7 监测病人心率的异常变化我的答案√ 得分8.3分正确答案√ 答案解析需要建立正常心率行为模型并预警非正常心率行为。
这属于数据挖掘领域的异常检测。
若有正常和非正常心率行为样本则可看作一个分类问题8 监视地震活动的地震波我的答案√ 得分8.3分正确答案√ 答案解析需要建立与地震活动相关的不同波形的模型并预警波形活动。
这属于数据挖掘领域的分类问题9 提取声波的频率我的答案× 得分8.3分正确答案× 答案解析属于信号处理问题10 为用户提供电影推荐我的答案√ 得分8.3分正确答案√ 答案解析典型推荐问题二.简答题共2题,17.0分 1 举例说明数据挖掘、数据分析、机器学习、人工智能的概念以及区别。
正确答案数据挖掘是从海量的业务数据中识别出巨量数据中有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程。
数据挖掘大作业(打印) 2
数据挖掘在客户关系管理中的应用一、数据挖掘技术在客户关系管理中的主要应用领域1、客户关系管理中常用的数据挖掘方法常用的数据挖掘方法主要包括：分类、聚类、关联规则、统计回归、偏差分析等等。
（1）分类：分类在数据挖掘中是一项非常重要的任务。
分类的目的是通过统计方法、机器学习方法（包括决策树法和规则归纳法）、神经网络方法等构造一个分类模型，然后把数据库中的数据映射到给定类别中的某一个。
（2）聚类：聚类是把一组个体按照相似性归成若干类别。
即“物以类聚”。
它的目的是使同一类别之内的相似性尽可能大，而类别之间的相似性尽可能小。
这种方法可以用来对客户进行细分，根据客户的特征和属性把客户分成不同客户群，根据其不同需求，制订针对不同客户群的营销策略。
（3）关联规则：它是描述数据库中数据项之间存在关联的规则，即根据一个事物中某些项的出现可导出另一项在同一事物中也出现，即隐藏在数据间的关联或相互关系。
在客户关系管理中，通过对企业客户数据库里大量数据进行挖掘，可以从中发现有趣的关联关系。
（4）回归分析：回归分析反映的是事务数据库中属性值在时间上的特征．主要用于预测，即利用历史数据自动推出对给定数据的推广描述．从而对未来数据进行预测。
它可应用于商品销售趋势预测、客户赢利能力分析和预测等。
（50偏差分析：偏差分析侧重于发现不规则和异常变化，即与通常不同的事件。
在相类似的客户中，对客户的异常变化要给予密切关注。
例如某客户购买行为发生较大变化，购买量较以前大大减少，就要对客户的这种原因进行调查，避免客户流失。
2、数据挖掘在客户关系管理中的具体运用由于零售业采用 P O S机和C R M。
使得顾客的资料及购买信息得以贮存。
在这些海量的数据中存在着许多能对商品决策提供真正有价值的决策信息。
商家面临以下问题是：真正有价值的信息是哪些。
这些信息有哪些关联等等。
因此，需要从大量的数据中, 经过深层分析，从而获得有利商业运作提高企业争力的信息。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数据挖掘在航空CRM的应用1、引言运输业是国家经济的一个重要的组成部分，其发展水平已经成为一个国家和地区综合实力的重要体现。
随着经济全球化，我国对物流的需求将大幅度的增加，物流将呈现跳跃式发展趋势。
企业开始改变那种以商品为导向的观念，开始注重发掘，通过收集整理繁多的信息，量化分析需求，提供优质的售后服务，保持稳定的关系等措施，来加强对客户关系的管理。
CRM勺主要含义就是通过对详细资料的深入分析，来提高满意程度，从而提高企业的竞争力的一种手段，CRM最大程度地改善、提高了整个关系生命周期的绩效。
CRM整合了、公司、员工等资源，对资源有效地、结构化地进行分配和重组，便于在整个关系生命周期内及时了解、使用有关资源和知识；简化、优化了各项业务流程，使得公司和员工在销售、服务、市场营销活动中，能够把注意力集中到改善关系、提升绩效的重要方面与核心业务上，提高员工对的快速反应和反馈能力；也为带来了便利，能够根据需求迅速获得个性化的商品、方案和服务。
要在激烈的市场竞争中获得主动，越来越多的民航企业把保持客户作为企业的重要任务，谁能留住那些能给企业带来丰厚利润的关键客户，并获得他们长久的信任和支持，谁就能获得满意的回报，进而赢得持续的竞争优势。
在航空业，客户关系管理的应用有其特别的原因。
面对航空公司的管理需求，急需引入先进的客户关系管理理念。
在航空公司引入电子商务后，公司关注的重点由提高内部效率向尊重外部转移。
而CRMS念正是基于对客户的尊重，要求公司完整地认识整个客户生命周期，提供与客户沟通的统一平台，提高员工与接触的效率和反馈率。
随着“以客户为中心"的客户关系管理技术在航空业的不断应用和发展，航空服务质量的改善提高的同时，产生了大量的客户数据，充分挖掘这些数据中隐藏的有用信息可以为航空公司的经营决策带来极大的帮助。
2、设计思路与方案概述1. 研究方法数据仓库与数据挖掘是CRM勺重要组成部分，航空公司与客户的交流会产生大量的数据，这些数据一般由交易系统收集而来，然后将这些数据集中、清理、汇总后进入数据仓库，设计良好的数据仓库包含客户与公司交流的历史记录。
将数据挖掘工具用于处理这些历史记录，可以帮助公司将来更好的服务客户。
2研究思路1、通过对比国内外航空公司关系管理应用现状，分析出我国航空公司客户关系管理存在的主要问题。
2、针对存在的问题，构建我国航空公司客户关系管理系统模型，并在此基础上，应用数据仓库的相关知识，建立我国航空公司客户信息数据仓库，最后应用数据挖掘技术对航空公司客户群体进行划分。
3、构建CRM数据仓库，对客户信息数据模型进行建立，同时对操作数据存储（ODS）进行分析。
4、对OLAP技术和数据挖掘技术（基于互动循环过程和SEMMA勺数据挖掘实施方法）在CRM 中研究分析，并分析了金字塔模型和收转发分析模型，得出有利于航空公司营运的分析结论。
3、航空公司CRM体系结构与数据挖掘的应用分析1、航空公司CRM体系结构从体系结构角度看，整个航空公司客户关系管理架构可以分为三个关键部分：(1) 分析层的客户关系管理：用于对实施操作的CRM和互动产生的信息进行分析处理，通过基于数据仓库的数据挖掘，产生商业智能以支持企业战略战术的决策，包括：市场细分、服务支持、变动分析、接触最优化、垂直和交叉分析、新模型、广告分析、生命周期价值模型等；(2) 操作层的客户关系管理：用于自动地集成的过程，包括对营销、销售和服务三部分流程的信息化，前后端的集成、接触点；(3) 客户互动：关注接触点的交互，即与客户沟通所需要的行为(如QQ EMAIL电话等)的集成和自动化处理。
现在航空公司的更多的要求得到“及时" 的服务。
越多了解客户的信息，航空公司就越能快速的发现一些潜在客户的利益，随时为客户提供更多的服务。
具体来讲，航空公司实施客户关系管理主要为了达到以下目标： 1 、分析客户真正的需求航空公司要了解客户的真正需求。
需要航空公司人员礼貌周到的服务，他们希望自己得到尊重；需要方便、快捷的服务，他们希望能节约时间；希望航空公司能加快电子化的建设和创新，以此享受更好的服务。
在进入买方市场的今天，客户完全可以自主选择服务好的航空公司。
虽然，有的时候航空公司修正了对待客户的态度，但是客户的偏好已经发生了变化，他们提出了更高的要求，而航空公司并没有真正知晓。
如何真正把握的需求，如何向客户提供一对一的优质服务，真正提高客户的满意程度，增加竞争力，便是航空公司客户关系管理需要做的一部分。
2 、辨别真正的盈利客户关系管理的基本原则是明确效益点，增加利润。
但很多航空公司并不能辨识哪些客户具有价值，哪些客户在消耗成本，也不知道哪些客户即将离开，哪些客户会对某一营销行为有反应。
此时，CRM就要根据的成本/利润分析，找出一重点，并对目标市场进行细分，针对不同群体实施不同的策略。
3、客户细分，提供差异化的商品和服务对于航空公司来说，分类是常有的行为。
从客户的等级分类等一系列实际操作中都可以看到分类的广泛使用。
在CRM系统中，分类方法也起着很重要的作用。
通过细分市场，针对不同的市场采取不同的营销策略，提供差异化的服务。
4、留住老客户，提高客户的忠诚度航空公司如何留住老客户，从而确定其不转向竞争对手，首先必须清楚老客户有哪些特征?他们的需要是什么?他们的行为习惯和偏好是什么?'导致老客户离开的原因是什么?怎么做才能挽留老客户?老客户对于航空公司很重要，因为吸引新客户的成本是保留现有客户的 5 倍，进攻性营销明显比防守性营销花费的更多，前者需要花更多的时间和成本。
3、建立模型(数据仓库及OLAP系统的构建)空公司CRM^据仓库的构建：1. 货运信息数据仓库数据仓库作为数据存储的一种形式，它一方面是从最初的数据源获得原始数据，按照决策的要求重新组织，形成具有不同粒度的综合数据层。
另外，数据仓库还需要对其中存储的数据进行操纵、管理等，以支持决策，这是数据仓库结构的另一方面。
1、数据仓库的自底向上结构是从构造各个部门或特定的企业问题的数据市集开始，而整体性数据仓库是建立在这些数据市集的基础上。
自底向上模式的特点是：初期投资少，见效快。
因为它在构造部门市集时，只需较少的人做出决策， 而所解决的是较小的商业问题。
此模式可以使在数据仓库的开发初期尽可能少花费资金81。
思想的核心从最关键的部分开始，先以最少的投资，完成企业当前需求，获得最快的回报，然后再不断补充，不断完善，通过从小做起，从部分做起，走逐 步集成、逐步完善的道路，最终建立全局数据仓库。
自底向上的结构如下图所示。
康有应用数据源2、数据仓库的平行开发模式 平行开发模式是在一个整体性数据仓库的数据模型的指导下， 数据市集的建立和整体性数据仓库的建立同步进行。
如下图所以，在平行开发模式中，由于数据集市的建立在一个统 一的整体性数据模型的指导下进行的，可避免各部门在开发各自的数据市集时的盲目性，少各个数据市集之间的数据冗余和不一致性。
它满足了企业中的各个部门希望在较短的时间内建立本部门的决策支持系统的需求， 使其不用等待整体性数据仓库建立好之后才建立属于自己的数据市集。
航空公司货运数据仓库系统的构建 数据仓库的构建：0 0 数据餐力數据仓库- 2集市元敬撮載据集市数据仓库系统开发平台描述：系统采用0racle9i 数据库管理系统作为数据库开发平台， 构建数据仓库系统。
完成一个可以根据业务需要而创建的多维数据仓库。
数据提取的结构图:描述了从业务数据存储系统， 转存到操作数据区，然后到基础数据区， 最后在基础数据区的基础上构建数据仓库的过程。
如下图所示。
数据仓库逻辑模型1、货运商品情况的逻辑模型在设计中，为实现快速的分析查询，可以对航空公司建立数据查询分析的模型2、产销存逻辑模型3、货运流向逻辑模型分部门系= 统散据 ■操作数 掘区基础数数据仓 库数据仓库物理模型下图是一个星型数据仓库的物理模型。
包括时间维度表，公司维度表，生产维度表，到货维度表。
主要事实表包括：商品事实表，生产事实表。
事实表中的 ID 号是为了加快查询速度，目的是对所有记录进行区分。
维度表代表事实数据中的关系。
nilinta C32J CHARWTT J IB -3 f 知 J VJTT J IPT ? f 1 0》v^rchirl ■(nunh<T <3?- vnclivK |D 】vmJw£ 爭)幷竇MUf 卓SFKNnwIisT wawa CIMR 址氏代(H vw^hart 口、varhar ： nr 耳的葩代IflvmlHirtf|»? 冃的比电會vMlwri(M>时 fiMltI 时nunbn- O2>HiJDbt* C4>««**”弼啦⑹n» nunibrr Cl) n^jivirdw^l W UVIilUBfatf CllnmuMwtiwl <4)空ET 拥鼻丈權堆wehu^ (14)ndmlHr (33) 甬有零户CHAIwdfaavl f 喜户雾用带乘 WWgg書户倩科nw<b«3Q0)实用标准文案tig bet 1*1) CHAJC *archv£討J vajnzhu2 I 16'报表展现模块设计数据仓库系统设计数据仓库是企业商业智能分析环境的核心，它是建立决策支持系统的基础。
一个良好的数据仓库设计应该是构建航空公司CRM系统不懈的追求。
1透彻理解数据仓库设计过程基于数据仓库’数据挖掘的航空货运分析型CRM心用研究现实需求决定系统需求，业务数据决定系统构架，最终使用的时候又必须作用于现实需求，同时通过决策的行为影响业务。
那么可以把数据仓库的设计看作是前一部分，即“从实践中来”，数据仓库的应用可以看作是“到实践中去”。
要完成6个任务：选择被建模主题的商业过程、确定事实表的粒度、区分每一个事实表的维和层、区分事实表的度量、确定每一个维表的属性、在DBMS^创建和管理数据仓库。
2、建立一个数据仓库需要经过以下几个处理过程：(1) 数据仓库设计根据决策主题设计数据仓库结构，一般采用星型模型和雪花模型设计其数据模型，在设计过程中应保证数据仓库的规范化和体系各元素的必要联系。
主要有以下3个步骤：①定义该主题所需各数据源的详细情况，包括所在计算机平台、拥有者、数据结构、使用该数据源的处理过程、仓库更新计划等。
②定义数据抽取原则，以便从每个数据源中抽取所需数据；定义数据如何转换、装载到主题的哪个数据表中。
③将一个主题细化为多个业务主题，形成主题表，据此从数据仓库中选出多个数据子集，即数据集市(DataMart)。
数据集市通常针对部门级的决策或某个特定业务需求，它开发周期短，费用低，能在较短时间内满足用户决策的需要。