管理信息系统——006 BI商务智能

信息链（层层递进）

Facts（事实）：自然家、人类思维和社会活动的客观映射
Data（数据）：事实的数据化、编码化、序列化、结构化
Information（信息）：数据在信息媒介上的映射
Knowledge（知识）：对信息的加工、吸收、提取、评价的结果
Intelligence（智能）：运用知识的能力

两类信息系统

商务智能的高层架构

包括数据仓库、商务分析、业务绩效和用户界面

数据仓库的体系结构

商务分析的类型

描述性分析：

报告分析：发生了什么？
对历史数据的回顾性分析

• 联机分析处理/数据仓库
• 数据可视化
• 描述性统计

预测性分析：

报告分析：未来发生什么？
通过分析历史数据，以预测未来

• 数据挖掘
• 文本/网络挖掘
• 预测（时间序列）

规范性分析：

报告分析：确定最优方案？
以描述性/预测性分析为基础

• 优化
• 模拟
• 多标准决策建模
• 启发式编程

商务分析的价值视角

商务分析的信息链视角

数据可视化的重要性

视觉上人类获得信息的最主要途径

视觉感知是人类大脑的最主要功能之一，眼睛是感知信息能力最强的人体器官之一。

统计学与数据可视化之间的不替代性
可视化处理结果的解读对用户知识水平/专业背景的要求较低
可视化能够帮助人们提高理解与处理数据的效率
可以洞察统计分析无法发现的结构和细节

商务可视化的类型

数据可视化

过程可视化

结果可视化

商务智能过程

第一步：理解业务问题

step 1 梳理业务目标，明确自变量和因变量

第二步：理解数据

理解数据的结构化程度，是结构化数据（二维表），还是半结构化数据（网页），还是准结构化数据（关键词），还是非结构化数据（视频）

第三步：数据准备（预处理）

第四步：数据挖掘与机器学习

常用的分析方法包括分类、聚类、关联分析、数值预测、序列分析、社会网络分析等

数据挖掘的多学科交叉属性

数据挖掘的基本思想

机器学习的基本思想

机器学习PET

如果一个计算机系统在完成某一个/类任务T的性能P能够随着经验E而改进，则称该系统在从经验E中学习，并将此系统成为一个学习系统。随着任务的不断执行，经验的累积会带来计算机性能的提升。

机器学习的类型

监督式学习（supervised learning）
无监督学习（unsupervised learning）
强化学习（reinforcement learning）

数据挖掘的基本类型问题

聚类分析

将数据对象，根据其特征自然分成不同类别

预测估计

根据已知连续数据对象，围绕已知维度，构建模型，对未知对象估值

关联分析

通过数据对象之间的相关关系，发现对象之间的联系

分类模型

针对已知类别，构建分类模型，探求未分类对象的类别