microsoft的商業(yè)智能概覽(編輯修改稿)
2025-02-14 23:56 本頁面
【文章內容簡介】 b e r s M e m b e rC o n n e c t i o nC o m m a n dS e tC e l l S e t i s i n s t a n t i a t e d b yE x e c u t i n g o n C o m m a n d o b j e c tT u p l eBI Accelerator ? 使用 Excel的 BI開發(fā)工具 ? 面向零售和市場推廣的數(shù)據(jù)模型示例 ? 數(shù)據(jù)處理和數(shù)據(jù)移動的基礎結構 進入大學： 55% 是 45% 否 所有學生 進入大學： 79% 是 21% 否 IQ=高 進入大學： 45% 是 55% 否 IQ=低 IQ ? 家庭富裕 ? 進入大學： 94% 是 6% 否 家庭富裕 = True 進入大學： 79% 是 21% 否 家庭富裕 = False 父母鼓勵 ? 進入大學： 70% 是 30% 否 進入大學： 31% 是 69% 否 父母鼓勵 = No 父母鼓勵 = Yes 決定高中學生進入大學的因素是 … 使用決策樹理解和預測個體的屬性 SQL Server 2022的功能特性 數(shù)據(jù)挖掘預測 ? 創(chuàng)建“最不同的”的用戶群 ? 促進有針對性的市場推廣活動 ? 理解不同用戶的需求差異，對產(chǎn)品或服務進行細微調整，例如移動電話呼叫計劃等。 每個用戶群采用 不同的市場戰(zhàn)略 通過數(shù)據(jù)挖掘進行用戶細分 OLE DB for DM API 通過以下手段使 DM成為一種 大眾化的市場技術 : ? 利用現(xiàn)有的技術和知識 ? SQL和 OLE DB ? 普通的行業(yè)概念和數(shù)據(jù)呈現(xiàn)方法 ? 從“專有”到“開放”不斷變化的 DM市場認知 DM 查詢語言 Create Mining Model CreditRisk (CustomerID long key, Gender text discrete, Ine long continuous, Profession text discrete, Risk text discrete predict) Using Microsoft_Decision_Trees Insert into CreditRisk (CustomerId, Gender, Ine, Profession, Risk) Select CustomerID, Gender, Ine, Profession,Risk From Customers Select , , PredictProbability(CreditRisk) From CreditRisk Prediction Join NewCustomers On = And = And = Microsoft的 BI技術概述 及相關戰(zhàn)略 最佳的互操作性 快速的投放 市場時間 普遍深入的商業(yè)智能 Microsoft 的商業(yè)智能戰(zhàn)略 全面的 BI平臺 Data Warehousing Alliance 和 Framework、 開放的數(shù)據(jù)訪問 API、 數(shù)據(jù)源連接 集成化的 RDBMS、 ETL、 OLAP、數(shù)據(jù)挖掘和 Office工具 易于構建和管理 最低的 TCO
教學課件相關推薦
鄂ICP備17016276號-1