面向物流企业数据在线分析挖掘及应用

　　前言
　　第1章  数据挖掘原理
　　1.1  知识发现与数据挖掘
　　1.2  数据挖掘概论
　　1.2.1  数据挖掘的对象和任务
　　1.2.2  数据挖掘的应用
　　1.2.3  在线分析数据挖掘系统、软件工具
　　1.2.4  数据挖掘发展
　　第2章  数据仓库、数据挖掘与OLAM
　　2.1  数据仓库
　　2.1.1  从数据库到数据仓库
　　2.1.2  数据仓库常用模型
　　2.1.3  MDX查询及分析
　　2.1.4  数据仓库建模工具
　　2.1.5  数据清洗
　　2.2  数据挖掘
　　2.2.1  从报表到数据挖掘
　　2.2.2  数据挖掘过程
　　2.2.3  数据挖掘的可视化技术
　　2.2.4  数据挖掘工具
　　2.3  OLAM
　　2.3.1  从OLTP到OLAP
　　2.3.2  从OLAP到OLAM
　　2.3.3  OLAM发展
　　第3章  常用数据挖掘模型与算法
　　3.1  贝叶斯算法
　　3.1.1  贝叶斯算法原理
　　3.1.2  贝叶斯算法的应用
　　3.2  决策树
　　3.2.1  决策树算法
　　3.2.2  决策树方法的应用
　　3.3  神经网络
　　3.3.1  神经网络的原理
　　3.3.2  神经网络方法的应用
　　3.4  关联规则
　　3.4.1  关联规则的原理
　　3.4.2  关联规则方法的应用
　　3.5  聚类分析
　　3.5.1  聚类分析原理
　　3.6  时间序列
　　3.6.1  时间序列与时间序列分析
　　3.6.2  时间序列方法的应用
　　3.7  统计和可视化
　　3.7.1  统计
　　3.7.2  可视化
　　第4章  实例一：物流信息系统源数据清洗实例
　　4.1  ETL在企业数据管理工作的重要性
　　4.1.1  ETL在企业数据平台中的作用
　　4.1.2  ETL工具需要解决的问题
　　4.2  SSIS功能
　　4.3  SSIS的体系结构
　　4.3.1  程序包
　　4.3.2  任务
　　4.3.3  数据源元素
　　4.3.4  数据源视图
　　4.4  SSIS程序包设计
　　4.4.1  控制流
　　4.4.2  Connection Manager
　　4.4.3  变量
　　4.4.4  数据流
　　4.4.5  Event Handler
　　4.4.6  Package Explorer
　　4.4.7  执行程序包
　　4.5  物流信息系统中数据清洗实例分析
　　4.5.1  确定来源维度
　　4.5.2  处理时间标识
　　4.5.3  邮件监控任务
　　第5章  实例二：多维数据仓库模型创建
　　5.1  数据仓库简介
　　5.2  数据仓库建模常用模式
　　5.3  多维数据模型
　　5.4  多维数据仓库的规范化处理（雪花处理）
　　5.5  多维模型设计流程
　　5.5.1  总体架构设计
　　5.5.2  Cube的设计
　　5.5.3  生成关系架构
　　5.5.4  利用测试数据进行模型测试
　　5.5.5  ETL数据加载
　　5.6  以人事为主题的多维数据仓库模型设计实例
　　5.6.1  政府机构人员管理中的数据仓库设计
　　5.6.2  与销售结合的人事主题分析
　　5.7  以客户分析为主题的多维数据仓库模型设计实例
　　5.7.1  数据仓库逻辑模型设计
　　5.7.2  SQL Server 2005中数据仓库的建设
　　第6章  实例三：物流企业复合报表设计与制作实例
　　6.1  报表服务的作用
　　6.1.1  解决方案类型
　　6.1.2  简单的应用程序集成
　　6.1.3  无缝的应用程序集成
　　6.2  SQL Server 2005中的报表服务
　　6.2.1  报表交付应用程序类型
　　6.2.2  设计报表
　　6.3  报表服务的体系结构
　　6.3.1  平台概览
　　6.3.2  SQL Server 2005报表服务支持的提供程序
　　6.3.3  显示扩展
　　6.4  复合报表的设计实例
　　6.4.1  复合报表的设计需求
　　6.4.2  复合报表的范围
　　6.4.3  复合报表设计实例
　　第7章  实例四：物流企业销售OLAM实例
　　7.1  基于时序的关联规则
　　7.1.1  序列模式关联规则挖掘
　　7.1.2  基于时间序列的关联规则
　　7.1.3  关联规则的相关参数
　　7.2  基于关联规则的购买模式发现实例
　　7.2.1  销售业务技术及源数据分析
　　7.2.2  购物序列模式发现挖掘及在线分析实例
　　7.3  多维数据分析及其OuP可视化实例
　　7.3.1  客户总体概况分析
　　7.3.2  单维度下钻分析
　　7.3.3  某维度多属性的指标数据纵向切片分析可视化
　　7.3.4  多维度多层上卷、旋转及横（纵）向切片综合分析及可视化
　　7.3.5  某维度对分析指标沿时间预测分析的可视化
　　第8章  实例五：OLAM在客户分析中的综合应用
　　8.1  基于支出分配的客户终生价值计算研究
　　8.1.1  客户终生价值的组成
　　8.1.2  客户终生价值模型研究
　　8.1.3  基于马尔可夫链的客户购买转换研究
　　8.1.4  基于马尔可夫链计算客户支出分配变化的实例
　　8.1.5  定量计算客户支出分配对客户终生价值的影响
　　8.1.6  客户终生价值的軟件实现
　　8.2  客户忠诚度预测及客户资信综合评价
　　8.2.1  客户忠诚度概述
　　8.2.2  基于模糊神经网络的客户忠诚度预测
　　8.2.3  基于属性重要性理沦确定模糊神经网络初始权重
　　8.2.4  模糊信息处理与模糊神经网络评价步骤
　　8.2.5  基于模糊神经网络的客户忠诚度的计算实例
　　8.2.6  基于模糊评价法的客户资信计算研究
　　8.2.7  基于模糊综合评价的客户资信计算
　　8.3  基于数据挖掘的客户细分研究
　　8.3.1  常用的客户分类模型
　　8.3.2  客户终生价值/客户忠诚度/客户资信（CLV/CUCC）的客户分类模型
　　8.3.3  数据挖掘中的客户聚类算法
　　8.3.4  聚类实现
　　8.3.5  加权的扩展贝叶斯模型分类
　　8.3.6  软件实现及分析
　　8.3.7  结果验证与分析
　　第9章  实例六：面向第三方物流企业的数据挖掘服务构建实例
　　9.1  设计思想
　　9.1.1  SOA理论
　　9.1.2  WCF概述
　　9.2  物流管理平台中数据挖掘服务的设计
　　9.2.1  物流管理平台的架构
　　9.2.2  物流管理中的数据挖掘应用需求分析
　　9.2.3  WCF框架下的数据挖掘服务设计
　　9.3  数据挖掘服务中的关键技术及实现
　　9.3.1  数据上传服务
　　9.3.2  数据清洗服务
　　9.3.3  数据挖掘算法服务
　　9.3.4  OLAP服务
　　9.3.5  跨平台调用WCF服务
　　9.4  基于数据挖掘服务在物流运输系统中的应用
　　9.4.1  使用开源WebGIS
　　9.4.2  物流运输系统中的智能分析
　　参考文献

　　    《面向物流企业数据在线分析挖掘及应用》对数据挖掘及联机分析理论体系进行了概述，通过案例示范了数据挖掘的各个环节，并结合物流企业的三个综合案例进行了数据挖掘及联机分析理论的系统设计和应用。全书共分9章，第1～3章介绍了数据挖掘的基本理论体系，对数据挖掘常用算法及相关理论的发展过程进行了总体阐述；第4～6章针对数据挖掘过程的各个环节进行了理论阐述，并通过案例建立和检验数据挖掘过程；第7～9章介绍了三个综合案例，设计并实现了一个联机客户分析挖掘系统，构建了一个面向SOA的数据挖掘服务平台，研究数据挖掘算法、联机分析挖掘及其多维可视化技术在物流企业、制造业辅助决策方面的实际应用。
　　    《面向物流企业数据在线分析挖掘及应用》可供从事物流工程、物流管理、制造业信息化、计算机应用等领域的相关高校师生参考，也适合对复杂海量信息处理有兴趣的专业技术研究人员使用。