SQL Server 2005数据挖掘与商业智能完全解决方案

12.6 数据挖掘不是万能的

12.5.2 基本使用方法

12.5.1 插件的配置

12.5 数据挖掘的前端展现：Excel 2007数据挖掘插件

12.4.3 挖掘结果

12.4.2 解决方案

12.4.1 商业需求

12.4 购物篮分析

12.3.3 挖掘结果

12.3.2 解决方案

12.3.1 商业需求

12.3 潜在客户分析

12.2.3 挖掘中的非挖掘问题

12.2.2 用什么挖掘技术解决商业问题

12.2.1 哪些问题可以使用Data mining

12.2 商业智能应用中的数据挖掘

12.1 一个美丽的爱情故事

第12章 用数据挖掘技术满足商业分析需求

11.9 数据挖掘算法使用小结

11.8.2 使用范例

11.8.1 基本原理

11.8 关联算法

11.7.2 使用范例

11.7.1 基本原理

11.7 Naive Bayes算法

11.6.2 使用范例

11.6.1 基本原理

11.6 聚类分析算法

11.5.3 决策树的参数设置

11.5.2 使用范例

11.5.1 基本原理

11.5 决策树算法

11.4.4 逻辑回归的参数设置

11.4.3 验证数据挖掘模型的方法

11.4.2 使用范例

11.4.1 基本原理

11.4 逻辑回归算法

11.3.3 使用线性回归挖掘数据

11.3.2 线性回归的基本原理

11.3.1 挖掘环境的搭建

11.3 一个完整的数据挖掘过程—线性回归算法

11.2.6 部署和更新模型

11.2.5 浏览和验证模型

11.2.4 生成模型

11.2.3 浏览数据

11.2.2 准备数据

11.2.1 定义问题

11.2 SQL Server数据挖掘方案的构成

11.1.4 数据挖掘过程模型

11.1.3 数据挖掘的工具

11.1.2 数据挖掘体系结构

11.1.1 数据挖掘与数据仓库及商业智能

11.1 数据挖掘基本知识

第11章 数据挖掘体系结构与基本使用方法

10.5.3 SharePoint与商业智能portal

10.5.2 用Excel 2007展现数据

10.5.1 前端展现的方法

10.5 用专业前端展现工具呈现商业信息

10.4.3 创建百分比比较表

10.4.2 计算基本百分比

10.4.1 80/20法则

10.4 80/20法则的分析

10.3.3 KPI分析中的关键问题

10.3.2 KPI技术在指标衡量中的作用

10.3.1 平衡计分卡（BSC）与KPI

10.3 KPI分析

10.2.4 账户智能

10.2.3 时间智能

10.2.2 商业智能向导的基本使用

10.2.1 商务系统需要哪些智能

10.2 商业智能向导

10.1 构架商业智能系统的生命周期

第10章 基于SSAS的商业智能分析

9.4.3 即席报表的创建

9.4.2 报表模型的创建

9.4.1 报表生成器的启动

9.4 报表生成器的使用

9.3.4 复杂的参数化报表

9.3.3 参数化报表

9.3.2 计算

9.3.1 分组与排序

9.3 增强基本报表的功能

9.2.5 其他配置和管理工具

9.2.4 SQL Server Management Studio

9.2.3 SQL Server外围应用配置器

9.2.2 Reporting Services配置工具

9.2.1 报表管理器

9.2 SSRS的配置与管理

9.1.4 用SSRS做一个简单的报表

9.1.3 SSRS报表的3种状态

9.1.2 SSRS的结构

9.1.1 报表与商业智能

9.1 报表基本知识

第9章 用SSRS处理智能报表

8.6.2 用WITH创建计算成员

8.6.1 用WITH创建命名集

8.6 WITH子句及其使用

8.5.3 SCOPE

8.5.2 CASE

8.5.1 CALCULATE

8.5 MDX脚本语句的使用

8.4.2 SELECT

8.4.1 DRILLTHROUGH

8.4 MDX操作语句的使用

8.3.2 CREATE MEMBER

8.3.1 CREATE SUBCUBE

8.3 MDX定义语句的使用

8.2.5 区分MDX的元素

8.2.4 集合

8.2.3 元组

8.2.2 成员

8.2.1 MDX语句的基本组成部分

8.2 MDX的构造解析

8.1.3 MDX与SQL比较

8.1.2 使用模板创建第一个MDX

8.1.1 MDX在多维数据集中的角色

8.1 初识MDX

第8章 用MDX扩展OLAP功能

7.8 配置访问权限

7.7 增强操作

7.6.2 KPI的使用

7.6.1 KPI的设计

7.6 定义和使用KPI

7.5.3 其他脚本命令的创建

7.5.2 命名集的创建

7.5.1 计算成员的创建

7.5 增加计算

7.4.4 多对多维度关系及其定义

7.4.3 事实维度关系及其定义

7.4.2 引用维度关系及其定义

7.4.1 常规维度关系及其定义

7.4 设置维度与度量值组的关系

7.3.5 维度属性的特殊处理

7.3.4 促销维度的修改

7.3.3 雇员维度的修改

7.3.2 分销商维度的修改

7.3.1 父子维度的使用

7.3 完善新增维度

7.2 加入分销事实表及其维度

7.1.4 修改“产品”维度

7.1.3 修改“时间”维度

7.1.2 修改“客户”维度

7.1.1 修改度量值

7.1 修改Cube结构

第7章 数据立方的增强及其应用

6.5.4 旋转

6.5.3 钻取

6.5.2 切块

6.5.1 切片

6.5 通过OLAP进行数据分析

6.4.10 浏览器

6.4.9 翻译

6.4.8 透视

6.4.7 分区

6.4.6 操作

6.4.5 KPI

6.4.4 计算

6.4.3 维度用法

6.4.2 多维数据集结构

6.4.1 Cube的构成

6.4 Cube的构成及其各种操作

6.3.3 部署Cube

6.3.2 自下而上生成Cube

6.3.1 自上而下生成Cube

6.3 OLAP的操作对象：数据立方的创建

6.2 统一维度模型

6.1.3 两种方法的使用

6.1.2 自上而下的设计方法

6.1.1 自下而上的设计方法

6.1 AS2005中OLAP的设计方法

第6章 用SSAS进行OLAP操作

5.5 SSIS商业智能应用总结

5.4.3 方案实现

5.4.2 设计思路

5.4.1 商务需求

5.4 数据清洗

5.3.6 增强包的鲁棒性

5.3.5 增强包的可维护性

5.3.4 增强数据加载的灵活性

5.3.3 用循环加载全部数据

5.3.2 设计基本的功能

5.3.1 商务需求及其设计思路

5.3 业务数据装载

5.2.2 功能及其实现的原理分析

5.2.1 包的构成

5.2 一个复杂的商务应用实例分析

5.1.5 自动化数据管理和加载

5.1.4 处理过程中加入智能转换

5.1.3 数据清洗

5.1.2 填充数据仓库和数据集市

5.1.1 合并异类数据

5.1 SSIS在BI系统中的应用场景

第5章 SSIS在商业智能中的典型应用

4.6.2 配置SSIS服务

4.6.1 管理SSIS服务

4.6 SSIS的管理

4.5.3 包的运行

4.5.2 包的部署

4.5.1 包的配置

4.5 包的配置和部署

4.4.2 数据流的调试

4.4.1 控制流的调试

4.4 包的调试

4.3.5 项目总结

4.3.4 设计数据流

4.3.3 设计数据连接

4.3.2 设计控制流

4.3.1 生成SSIS解决方案

4.3 创建一个完整的SSIS包

4.2.11 日志提供程序

4.2.10 事件处理程序

4.2.9 变量

4.2.8 连接管理器

4.2.7 目标

4.2.6 转换

4.2.5 源

4.2.4 优先约束

4.2.3 任务

4.2.2 容器

4.2.1 包

4.2 SSIS关键元素的使用

4.1.3 第一个SSIS包的设计

4.1.2 SSIS的工作原理

4.1.1 使用SSIS的效果

4.1 认识SSIS

第4章 用SSIS对数据进行ETL操作

3.9.3 分离非分析数据

3.9.2 把握设计的关键环节

3.9.1 透彻理解数据仓库设计过程

3.9 数据仓库数据库设计的心得总结

3.8.2 保险业数据仓库

3.8.1 销售数据仓库

3.8 数据仓库设计示例

3.7.3 设计存储策略

3.7.2 设计索引策略

3.7.1 设计存储结构

3.7 数据仓库物理模型设计

3.6.6 典型的维度设计

3.6.5 维度的缓慢变化特性及其处理

3.6.4 维度的层次和级别

3.6.3 维度的分类

3.6.2 维度的特性

3.6.1 维度的构成

3.6 规划分析的视角：维度

3.5.5 数据分割

3.5.4 聚合的设计

3.5.3 粒度的设计

3.5.2 事实表的设计

3.5.1 事实、度量和事实表

3.5 确定分析内容的构成：事实及其粒度

3.4.3 理解数据仓库中的元数据

3.4.2 理解数据仓库中的主题

3.4.1 信息打包技术

3.4 明确仓库的对象：主题和元数据

3.3.3 确定用户对分析型数据的需求

3.3.2 理解业务数据

3.3.1 “数据驱动+用户驱动”的设计理念

3.3 理解历史数据和分析需求

3.2.6 技术上需要关注的重点步骤

3.2.5 2种创建数据仓库的模式

3.2.4 微观上的数据仓库设计

3.2.3 宏观上的数据仓库设计

3.2.2 数据仓库的架构方式及其比较

3.2.1 数据库设计与数据仓库设计

3.2 数据仓库设计方法论

3.1.4 数据仓库的特点

3.1.3 操作型数据与分析型数据的对比

3.1.2 事务处理和分析处理的对比

3.1.1 操作型系统和分析型系统的分离

3.1 数据的两种组织形式：操作数据和分析数据

第3章 BI分析的基石：结构良好的数据仓库设计

2.6.3 从数据挖掘中获取有价值的信息

2.6.2 创建挖掘结构

2.6.1 商务需求分析

2.6 使用数据挖掘获取商业智能

2.5 实现其他前端展现

2.4.2 使用报表

2.4.1 创建报表

2.4 创建和使用报表

2.3.3 生成多维数据集

2.3.2 定义数据源视图

2.3.1 定义数据源

2.3 创建OLAP数据立方

2.2 设计和使用ETL

2.1.3 创建foodmartsaleDW数据仓库

2.1.2 设计数据仓库逻辑模型

2.1.1 原始业务数据分析

2.1 设计和创建数据仓库

第2章 构建简单的BI应用：福马特商业智能系统

1.3.3 商业智能应用实例

1.3.2 商业智能在各领域的应用

1.3.1 商业智能如何协助企业管理

1.3 部署商业智能

1.2.5 SQL Server 2005的商业智能构架

1.2.4 商业智能工具的选择

1.2.3 数据挖掘和商业智能工具

1.2.2 商业智能的结构描述

1.2.1 什么是商业智能

1.2 商业智能的技术构成

1.1.3 企业信息化系统的进化

1.1.2 企业决策实现过程的信息需求

1.1.1 企业经营活动面临的挑战

1.1 企业经营管理活动对商业智能的需求

第1章 发掘数据金矿的工具：BI与DW、OLAP、DM

二、本书的写作特色

一、本书的内容安排思路

前言

如何突破：新案例、新应用、新方法

关于“开发专家之数据库”系列

近两年系统开发和应用的一些趋势

出版说明

版权信息

封面

封面

版权信息

出版说明

近两年系统开发和应用的一些趋势

关于“开发专家之数据库”系列

如何突破：新案例、新应用、新方法

前言

一、本书的内容安排思路

二、本书的写作特色

第1章 发掘数据金矿的工具：BI与DW、OLAP、DM

1.1 企业经营管理活动对商业智能的需求

1.1.1 企业经营活动面临的挑战

1.1.2 企业决策实现过程的信息需求

1.1.3 企业信息化系统的进化

1.2 商业智能的技术构成

1.2.1 什么是商业智能

1.2.2 商业智能的结构描述

1.2.3 数据挖掘和商业智能工具

1.2.4 商业智能工具的选择

1.2.5 SQL Server 2005的商业智能构架

1.3 部署商业智能

1.3.1 商业智能如何协助企业管理

1.3.2 商业智能在各领域的应用

1.3.3 商业智能应用实例

第2章 构建简单的BI应用：福马特商业智能系统

2.1 设计和创建数据仓库

2.1.1 原始业务数据分析

2.1.2 设计数据仓库逻辑模型

2.1.3 创建foodmartsaleDW数据仓库

2.2 设计和使用ETL

2.3 创建OLAP数据立方

2.3.1 定义数据源

2.3.2 定义数据源视图

2.3.3 生成多维数据集

2.4 创建和使用报表

2.4.1 创建报表

2.4.2 使用报表

2.5 实现其他前端展现

2.6 使用数据挖掘获取商业智能

2.6.1 商务需求分析

2.6.2 创建挖掘结构

2.6.3 从数据挖掘中获取有价值的信息

第3章 BI分析的基石：结构良好的数据仓库设计

3.1 数据的两种组织形式：操作数据和分析数据

3.1.1 操作型系统和分析型系统的分离

3.1.2 事务处理和分析处理的对比

3.1.3 操作型数据与分析型数据的对比

3.1.4 数据仓库的特点

3.2 数据仓库设计方法论

3.2.1 数据库设计与数据仓库设计

3.2.2 数据仓库的架构方式及其比较

3.2.3 宏观上的数据仓库设计

3.2.4 微观上的数据仓库设计

3.2.5 2种创建数据仓库的模式

3.2.6 技术上需要关注的重点步骤

3.3 理解历史数据和分析需求

3.3.1 “数据驱动+用户驱动”的设计理念

3.3.2 理解业务数据

3.3.3 确定用户对分析型数据的需求

3.4 明确仓库的对象：主题和元数据

3.4.1 信息打包技术

3.4.2 理解数据仓库中的主题

3.4.3 理解数据仓库中的元数据

3.5 确定分析内容的构成：事实及其粒度

3.5.1 事实、度量和事实表

3.5.2 事实表的设计

3.5.3 粒度的设计

3.5.4 聚合的设计

3.5.5 数据分割

3.6 规划分析的视角：维度

3.6.1 维度的构成

3.6.2 维度的特性

3.6.3 维度的分类

3.6.4 维度的层次和级别

3.6.5 维度的缓慢变化特性及其处理

3.6.6 典型的维度设计

3.7 数据仓库物理模型设计

3.7.1 设计存储结构

3.7.2 设计索引策略

3.7.3 设计存储策略

3.8 数据仓库设计示例

3.8.1 销售数据仓库

3.8.2 保险业数据仓库

3.9 数据仓库数据库设计的心得总结

3.9.1 透彻理解数据仓库设计过程

3.9.2 把握设计的关键环节

3.9.3 分离非分析数据

第4章 用SSIS对数据进行ETL操作

4.1 认识SSIS

4.1.1 使用SSIS的效果

4.1.2 SSIS的工作原理

4.1.3 第一个SSIS包的设计

4.2 SSIS关键元素的使用

4.2.1 包

4.2.2 容器

4.2.3 任务

4.2.4 优先约束

4.2.5 源

4.2.6 转换

4.2.7 目标

4.2.8 连接管理器

4.2.9 变量

4.2.10 事件处理程序

4.2.11 日志提供程序

4.3 创建一个完整的SSIS包

4.3.1 生成SSIS解决方案

4.3.2 设计控制流

4.3.3 设计数据连接

4.3.4 设计数据流

4.3.5 项目总结

4.4 包的调试

4.4.1 控制流的调试

4.4.2 数据流的调试

4.5 包的配置和部署

4.5.1 包的配置

4.5.2 包的部署

4.5.3 包的运行

4.6 SSIS的管理

4.6.1 管理SSIS服务

4.6.2 配置SSIS服务

第5章 SSIS在商业智能中的典型应用

5.1 SSIS在BI系统中的应用场景

5.1.1 合并异类数据

5.1.2 填充数据仓库和数据集市

5.1.3 数据清洗

5.1.4 处理过程中加入智能转换

5.1.5 自动化数据管理和加载

5.2 一个复杂的商务应用实例分析

5.2.1 包的构成

5.2.2 功能及其实现的原理分析

5.3 业务数据装载

5.3.1 商务需求及其设计思路

5.3.2 设计基本的功能

5.3.3 用循环加载全部数据

5.3.4 增强数据加载的灵活性

5.3.5 增强包的可维护性

5.3.6 增强包的鲁棒性

5.4 数据清洗

5.4.1 商务需求

5.4.2 设计思路

5.4.3 方案实现

5.5 SSIS商业智能应用总结

第6章 用SSAS进行OLAP操作

6.1 AS2005中OLAP的设计方法

6.1.1 自下而上的设计方法

6.1.2 自上而下的设计方法

6.1.3 两种方法的使用

6.2 统一维度模型

6.3 OLAP的操作对象：数据立方的创建

6.3.1 自上而下生成Cube

6.3.2 自下而上生成Cube

6.3.3 部署Cube

6.4 Cube的构成及其各种操作

6.4.1 Cube的构成

6.4.2 多维数据集结构

6.4.3 维度用法

6.4.4 计算

6.4.5 KPI

6.4.6 操作

6.4.7 分区

6.4.8 透视

6.4.9 翻译

6.4.10 浏览器

6.5 通过OLAP进行数据分析

6.5.1 切片

6.5.2 切块

6.5.3 钻取

6.5.4 旋转

第7章 数据立方的增强及其应用

7.1 修改Cube结构

7.1.1 修改度量值

7.1.2 修改“客户”维度

7.1.3 修改“时间”维度

7.1.4 修改“产品”维度

7.2 加入分销事实表及其维度

7.3 完善新增维度

7.3.1 父子维度的使用

7.3.2 分销商维度的修改

7.3.3 雇员维度的修改

7.3.4 促销维度的修改

7.3.5 维度属性的特殊处理

7.4 设置维度与度量值组的关系

7.4.1 常规维度关系及其定义

7.4.2 引用维度关系及其定义

7.4.3 事实维度关系及其定义

7.4.4 多对多维度关系及其定义

7.5 增加计算

7.5.1 计算成员的创建

7.5.2 命名集的创建

7.5.3 其他脚本命令的创建

7.6 定义和使用KPI

7.6.1 KPI的设计

7.6.2 KPI的使用

7.7 增强操作

7.8 配置访问权限

第8章 用MDX扩展OLAP功能

8.1 初识MDX

8.1.1 MDX在多维数据集中的角色

8.1.2 使用模板创建第一个MDX

8.1.3 MDX与SQL比较

8.2 MDX的构造解析

8.2.1 MDX语句的基本组成部分

8.2.2 成员

8.2.3 元组

8.2.4 集合

8.2.5 区分MDX的元素

8.3 MDX定义语句的使用

8.3.1 CREATE SUBCUBE

8.3.2 CREATE MEMBER

8.4 MDX操作语句的使用

8.4.1 DRILLTHROUGH

8.4.2 SELECT

8.5 MDX脚本语句的使用

8.5.1 CALCULATE

8.5.2 CASE

8.5.3 SCOPE

8.6 WITH子句及其使用

8.6.1 用WITH创建命名集

8.6.2 用WITH创建计算成员

第9章 用SSRS处理智能报表

9.1 报表基本知识

9.1.1 报表与商业智能

9.1.2 SSRS的结构

9.1.3 SSRS报表的3种状态

9.1.4 用SSRS做一个简单的报表

9.2 SSRS的配置与管理

9.2.1 报表管理器

9.2.2 Reporting Services配置工具

9.2.3 SQL Server外围应用配置器

9.2.4 SQL Server Management Studio

9.2.5 其他配置和管理工具

9.3 增强基本报表的功能

9.3.1 分组与排序

9.3.2 计算

9.3.3 参数化报表

9.3.4 复杂的参数化报表

9.4 报表生成器的使用

9.4.1 报表生成器的启动

9.4.2 报表模型的创建

9.4.3 即席报表的创建

第10章 基于SSAS的商业智能分析

10.1 构架商业智能系统的生命周期

10.2 商业智能向导

10.2.1 商务系统需要哪些智能

10.2.2 商业智能向导的基本使用

10.2.3 时间智能

10.2.4 账户智能

10.3 KPI分析

10.3.1 平衡计分卡（BSC）与KPI

10.3.2 KPI技术在指标衡量中的作用

10.3.3 KPI分析中的关键问题

10.4 80/20法则的分析

10.4.1 80/20法则

10.4.2 计算基本百分比

10.4.3 创建百分比比较表

10.5 用专业前端展现工具呈现商业信息

10.5.1 前端展现的方法

10.5.2 用Excel 2007展现数据

10.5.3 SharePoint与商业智能portal

第11章 数据挖掘体系结构与基本使用方法

11.1 数据挖掘基本知识

11.1.1 数据挖掘与数据仓库及商业智能

11.1.2 数据挖掘体系结构

11.1.3 数据挖掘的工具

11.1.4 数据挖掘过程模型

11.2 SQL Server数据挖掘方案的构成

11.2.1 定义问题

11.2.2 准备数据

11.2.3 浏览数据

11.2.4 生成模型

11.2.5 浏览和验证模型

11.2.6 部署和更新模型

11.3 一个完整的数据挖掘过程—线性回归算法

11.3.1 挖掘环境的搭建

11.3.2 线性回归的基本原理

11.3.3 使用线性回归挖掘数据

11.4 逻辑回归算法

11.4.1 基本原理

11.4.2 使用范例

11.4.3 验证数据挖掘模型的方法

11.4.4 逻辑回归的参数设置

11.5 决策树算法

11.5.1 基本原理

11.5.2 使用范例

11.5.3 决策树的参数设置

11.6 聚类分析算法

11.6.1 基本原理

11.6.2 使用范例

11.7 Naive Bayes算法

11.7.1 基本原理

11.7.2 使用范例

11.8 关联算法

11.8.1 基本原理

11.8.2 使用范例

11.9 数据挖掘算法使用小结

第12章 用数据挖掘技术满足商业分析需求

12.1 一个美丽的爱情故事

12.2 商业智能应用中的数据挖掘

12.2.1 哪些问题可以使用Data mining

12.2.2 用什么挖掘技术解决商业问题

12.2.3 挖掘中的非挖掘问题

12.3 潜在客户分析

12.3.1 商业需求

12.3.2 解决方案

12.3.3 挖掘结果

12.4 购物篮分析

12.4.1 商业需求

12.4.2 解决方案

12.4.3 挖掘结果

12.5 数据挖掘的前端展现：Excel 2007数据挖掘插件

12.5.1 插件的配置

12.5.2 基本使用方法

12.6 数据挖掘不是万能的