姚丹妮商務智能課設報告

1、商務智能課程設計報告 班 級： 信管131 學 號： 3130561025 姓 名： 姚丹妮 同 組 人: 趙咪 楊喬 指導教師： 王建仁/李明 日 期：2016.01.04-2016.01.08 目錄1需求分析32數(shù)據(jù)理解33挖掘（或分析）數(shù)據(jù)準備44數(shù)據(jù)挖掘（或分析）過程54.1挖掘算法與挖掘軟件選擇54.2 數(shù)據(jù)預處理54.3挖掘過程說明65結果展示與評價186總結196.1 設計中遇到的主要問題及解決方法196.2設計方案的主要優(yōu)點及不足196.3 收獲及建議19參考文獻19連鎖酒店顧客信用度分析方案設計1需求分析 一個連鎖酒店的經(jīng)營與不同客戶息息相關。酒店不僅需要每天面對不同的新增客

2、戶，也需要維系老客戶。所以對于已消費的顧客的信用度的分析尤為重要。不同顧客信用度之間存在諸多差異。好壞之分也影響了酒店的經(jīng)營狀況。一個信用度良好的客戶對于酒店來說是好事，但如果一個顧客信用度底下，則極有可能出現(xiàn)拖欠房費等狀況，這會嚴重損壞酒店利益。因此我會采用分類分析的方法。利用決策樹模型構建顧客信用度分析體系，并進行相關預測，以便于酒店日后的經(jīng)營以及對顧客的服務，對于那些信用度良好的顧客可以給予一定優(yōu)惠，而對于那些信用度較差的顧客，則要避免在酒店再次進行消費而又不付款的情況。2數(shù)據(jù)理解為建立決策樹，需要事先建立數(shù)據(jù)挖掘所需數(shù)據(jù)庫或數(shù)據(jù)表，即顧客信用數(shù)據(jù)表。將顧客相關信用度的信息輸入表中，以便

3、分析。輸入的信息均具有代表性。不重復不冗余，如若不然，可再進行數(shù)據(jù)預處理。所需數(shù)據(jù)如下圖所示：3挖掘（或分析）數(shù)據(jù)準備首先需要在數(shù)據(jù)庫中建立“數(shù)據(jù)挖掘?qū)嶒灐皵?shù)據(jù)庫，并在數(shù)據(jù)庫中建立表“顧客信用數(shù)據(jù)表1”（1）設計“顧客信用數(shù)據(jù)表1”，表結構如下圖所示：設置“顧客編號”為主鍵。 （2）編輯表的前200行，輸入表中信息。（注意輸入的信息一定要具有代表性，避免冗余與重復）4數(shù)據(jù)挖掘（或分析）過程 4.1挖掘算法與挖掘軟件選擇 算法：分類分析算法（決策樹） 軟件：microsoft visual studio 20084.2 數(shù)據(jù)預處理由于表“顧客信用數(shù)據(jù)表1”中的數(shù)據(jù)存在冗余缺失等問題，所以需要對表

4、中數(shù)據(jù)進行數(shù)值化處理，離散化處理等相應的預處理操作，并將預處理之后的信息存入新表“顧客信用數(shù)據(jù)表2”中。具體步驟如下所示：（1）將年齡屬性列的數(shù)據(jù)進行離散化處理，設置區(qū)域范圍，分別為30、=50三個范圍，并將表中“年齡”屬性列中的信息按照其對應的范圍進行修改，以便于決策樹的生成（2）將年收入屬性列的數(shù)據(jù)進行歸一化處理，將每個數(shù)據(jù)值除以100000，縮小數(shù)據(jù)，以便觀察。（同時要修改表中“年收入”屬性列的數(shù)據(jù)類型，由int改為float）（3）將信用等級屬性列進行數(shù)值化處理，等級“A/B/C/D/E”分別對應“1/2/3/4/5”，將表中“信用等級”屬性列中的信息按照其對應的數(shù)值進行修改，以便于決

5、策樹的生成預處理之后的表的結構及內(nèi)容如下圖所示：表結構：表中具體內(nèi)容：4.3挖掘過程說明（1）打開挖掘軟件，點擊“新建”，建立“顧客信用分析”的挖掘項目。（2）定義數(shù)據(jù)源。在頁面右方點擊新建“數(shù)據(jù)源”，點擊“下一步”。將服務器名改為“l(fā)ocalhost”，選擇使用windows身份驗證，選擇“數(shù)據(jù)挖掘?qū)嶒灐睌?shù)據(jù)庫。點擊“下一步”。選擇“使用服務賬戶”，點擊“下一步”。然后完成。（3）定義數(shù)據(jù)源視圖。在頁面右方點擊新建“數(shù)據(jù)源視圖”，點擊“下一步”。選擇“數(shù)據(jù)挖掘?qū)嶒灐保c擊“下一步”。選擇“與主鍵同名”，點擊“下一步”。選擇“顧客信用數(shù)據(jù)表2”（已經(jīng)進行過數(shù)據(jù)預處理的表），點擊“下一步”。然后

6、完成。（4）創(chuàng)建挖掘結構。在頁面右方點擊新建“挖掘結構”，點擊“下一步”。選擇“從現(xiàn)在關系數(shù)據(jù)庫或數(shù)據(jù)倉庫”，點擊“下一步”。選擇“決策樹”類型，點擊“下一步”。點擊“下一步”。點擊“下一步”如下所示，顧客編號為主鍵，年齡、年收入、信用等級、性別、職業(yè)為可輸入，信用等級為可預測。點擊“下一步”。設置“測試數(shù)據(jù)百分比”，點擊“下一步”。點擊“完成。定義數(shù)據(jù)源，數(shù)據(jù)源視圖，新建挖掘結構以后，如下圖所示。（5）設置相關參數(shù)。右鍵點擊“設置算法參數(shù)”（選擇不同的算法參數(shù)會帶來不同的決策樹模型）參數(shù)設置如下圖所示，可根據(jù)自己的需求設置不同參數(shù)。（6）進行部署，實施挖掘。點擊“運行”，進入下一步。處理完成

7、，可以到主界面查看挖掘模型。5結果展示與評價決策樹模型如下圖所示：依賴關系如下所示：由上邊所生成的決策樹可知，信用等級與年齡、職業(yè)、性別和年收入都具有相輔相成的關系。其中依賴關系最強的是年齡和年收入。根據(jù)“數(shù)據(jù)挖掘?qū)嶒灐睌?shù)據(jù)庫中的信息，所生成的決策樹顯示，當年收入=1.178并且1.472，職業(yè)不為銷售員的顧客信用程度相對較高。而職業(yè)為銷售員且年齡小于30歲的人信用程度則是中等偏下。其他則分布不均。6總結6.1 設計中遇到的主要問題及解決方法課程設計中遇到的最多的問題就是數(shù)據(jù)庫建立不對，以至于后續(xù)進行挖掘無法實現(xiàn)。由于要建立兩個表，并且兩者關系為預處理與未預處理的表，所以兩者之間在數(shù)據(jù)類型與內(nèi)

8、容上都有很多相似性。但也存在極個別屬性的數(shù)據(jù)類型并不一樣，這也是數(shù)據(jù)預處理的關鍵所在，所以前期建立表的啥時候一定要謹慎小心，否則很難挽回，需要刪除重建。另一個問題就是在進行數(shù)據(jù)挖掘時，挖掘參數(shù)尋則不正確，也導致了無法得出正確的挖掘模型，后來又重新進行設置，才得出正確的決策樹。6.2設計方案的主要優(yōu)點及不足本次課程設計最大的缺點與不足在于數(shù)據(jù)庫中所存儲數(shù)據(jù)不夠多，以至于挖掘出來的結果不一定具有代表性。由于是課程設計，所以輸入數(shù)據(jù)有限。如果運用于實踐之中，在挖掘過程中則可以根據(jù)實際數(shù)據(jù)庫進行挖掘分析，想必結果更具有可信度。6.3 收獲及建議通過對商務智能的學習和課程設計，使我對數(shù)據(jù)庫有了一個更加全面的認識與理解。在商務智能課程設計的過程中，從不懂到理解，雖然經(jīng)歷了很多問題，但是在老師和同學的幫助下，這些問題都得以解決。完成之后，我也體會到了數(shù)據(jù)庫的嚴謹性和數(shù)據(jù)挖掘以及后續(xù)數(shù)據(jù)分析的難度之大。在這個過程中，我不僅領會了商務智能這門課程的知識，更加提高了自