商務(wù)智能復(fù)習(xí)題及商務(wù)專員商務(wù)助理面試題參考資料

PAGE30一、選擇題（本題共5道小題，每小題2分，共10分）1.數(shù)據(jù)倉(cāng)庫(kù)是隨著時(shí)間變化的，下面的描述不正確的是(C)。

A.數(shù)據(jù)倉(cāng)庫(kù)隨時(shí)間的變化不斷增加新的數(shù)據(jù)內(nèi)容

B.捕捉到的新數(shù)據(jù)會(huì)覆蓋原來(lái)的快照

C.數(shù)據(jù)倉(cāng)庫(kù)隨事件變化不斷刪去舊的數(shù)據(jù)內(nèi)容

D.數(shù)據(jù)倉(cāng)庫(kù)中包含大量的綜合數(shù)據(jù),這些綜合數(shù)據(jù)會(huì)隨著時(shí)間的變化不斷地進(jìn)行重新綜合2.有關(guān)數(shù)據(jù)倉(cāng)庫(kù)的開發(fā)特點(diǎn)，不正確的描述是(B)。

A.數(shù)據(jù)倉(cāng)庫(kù)使用的需求在開發(fā)初期就要明確

B.數(shù)據(jù)倉(cāng)庫(kù)開發(fā)要從數(shù)據(jù)出發(fā)

C.數(shù)據(jù)倉(cāng)庫(kù)的開發(fā)是一個(gè)不斷循環(huán)的過(guò)程,是啟發(fā)式的開發(fā)

D.在數(shù)據(jù)倉(cāng)庫(kù)環(huán)境中，并不存在操作型環(huán)境中所固定的和較確切的處理流,數(shù)據(jù)倉(cāng)庫(kù)中數(shù)據(jù)分析和處理更靈活，且沒有固定的模式3.在有關(guān)數(shù)據(jù)倉(cāng)庫(kù)測(cè)試，下列說(shuō)法不正確的是(D)。

A.在完成數(shù)據(jù)倉(cāng)庫(kù)的實(shí)施過(guò)程中，需要對(duì)數(shù)據(jù)倉(cāng)庫(kù)進(jìn)行各種測(cè)試。測(cè)試工作中要包括單元測(cè)試和系統(tǒng)測(cè)試。

B.當(dāng)數(shù)據(jù)倉(cāng)庫(kù)的每個(gè)單獨(dú)組件完成后，就需要對(duì)他們進(jìn)行單元測(cè)試。

C.系統(tǒng)的集成測(cè)試需要對(duì)數(shù)據(jù)倉(cāng)庫(kù)的所有組件進(jìn)行大量的功能測(cè)試和回歸測(cè)試。

D.在測(cè)試之前沒必要制定詳細(xì)的測(cè)試計(jì)劃。4.關(guān)于基本數(shù)據(jù)的元數(shù)據(jù)是指(D)。

A.基本元數(shù)據(jù)與數(shù)據(jù)源、數(shù)據(jù)倉(cāng)庫(kù)、數(shù)據(jù)集市和應(yīng)用程序等結(jié)構(gòu)相關(guān)的信息

B.基本元數(shù)據(jù)包括與企業(yè)相關(guān)的管理方面的數(shù)據(jù)和信息

C.基本元數(shù)據(jù)包括日志文件和簡(jiǎn)歷執(zhí)行處理的時(shí)序調(diào)度信息

D.基本元數(shù)據(jù)包括關(guān)于裝載和更新處理,分析處理以及管理方面的信息6.下面關(guān)于數(shù)據(jù)粒度的描述不正確的是(C)。

A.粒度是指數(shù)據(jù)倉(cāng)庫(kù)小數(shù)據(jù)單元的詳細(xì)程度和級(jí)別

B.數(shù)據(jù)越詳細(xì)，粒度就越小，級(jí)別也就越高

C.數(shù)據(jù)綜合度越高，粒度也就越大，級(jí)別也就越高

D.粒度的具體劃分將直接影響數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)量以及查詢質(zhì)量6.關(guān)于OLAP的特性，下面正確的是：(D)

(1)快速性(2)可分析性(3)多維性(4)信息性(5)共享性

A.(1)(2)(3)

B.(2)(3)(4)C.(1)(2)(3)(4)

D.(1)(2)(3)(4)(5)7.關(guān)于OLAP和OLTP的區(qū)別描述，不正確的是：(C)

A.OLAP主要是關(guān)于如何理解聚集的大量不同的數(shù)據(jù)，它與OTAP應(yīng)用程序不同。

B.與OLAP應(yīng)用程序不同，OLTP應(yīng)用程序包含大量相對(duì)簡(jiǎn)單的事務(wù).

C.OLAP的特點(diǎn)在于事務(wù)量大，但事務(wù)內(nèi)容比較簡(jiǎn)單且重復(fù)率高.

D.OLAP是以數(shù)據(jù)倉(cāng)庫(kù)為基礎(chǔ)的，但其最終數(shù)據(jù)來(lái)源與OLTP一樣均來(lái)自底層的數(shù)據(jù)庫(kù)系統(tǒng)，兩者面對(duì)的用戶是相同的。8.關(guān)于OLAP和OLTP的說(shuō)法，下列不正確的是：(A)

A.OLAP事務(wù)量大，但事務(wù)內(nèi)容比較簡(jiǎn)單且重復(fù)率高

B.OLAP的最終數(shù)據(jù)來(lái)源與OLTP不一樣

C.OLTP面對(duì)的是決策人員和高層管理人員

D.OLTP以應(yīng)用為核心,是應(yīng)用驅(qū)動(dòng)的9.OLAP技術(shù)的核心是(D)。

A.在線性

B.對(duì)用戶的快速響應(yīng)

C.互操作性

D.多維分析10．某超市研究銷售紀(jì)錄數(shù)據(jù)后發(fā)現(xiàn)，買啤酒的人很大概率也會(huì)購(gòu)買尿布，這種屬于數(shù)據(jù)挖掘的哪類問(wèn)題？(A)

A.關(guān)聯(lián)規(guī)則B.聚類

C.分類D.自然語(yǔ)言處理11.分析型CRM的（C）功能可以讓CRM對(duì)所進(jìn)行的銷售活動(dòng)相關(guān)信息進(jìn)行存儲(chǔ)和管理，將客戶所發(fā)生的交易與互動(dòng)事件轉(zhuǎn)化為有意義、高獲利的銷售商機(jī)。A.促銷管理B.個(gè)性化和標(biāo)準(zhǔn)化C.客戶分析和建模D.客戶溝通12.運(yùn)用關(guān)鍵績(jī)效指標(biāo)法設(shè)計(jì)組織關(guān)鍵績(jī)效指標(biāo)依次經(jīng)過(guò)以下幾個(gè)步驟（A）。A.確定關(guān)鍵成功領(lǐng)域、確定關(guān)鍵績(jī)效要素、確定關(guān)鍵績(jī)效指標(biāo)B.計(jì)劃目標(biāo)、實(shí)施目標(biāo)、評(píng)價(jià)結(jié)果、反饋C.確定目標(biāo)、比較目標(biāo)、收集分析數(shù)據(jù)、系統(tǒng)學(xué)習(xí)與改進(jìn)、評(píng)價(jià)和提高D.確定長(zhǎng)期整體目標(biāo)、確定短期目標(biāo)13．什么是KDD？(A)

A.知識(shí)發(fā)現(xiàn)B.領(lǐng)域知識(shí)發(fā)現(xiàn)

C.文檔知識(shí)發(fā)現(xiàn)D.動(dòng)態(tài)知識(shí)發(fā)現(xiàn)14.呼叫中心是一種基于（D）的一種新的綜合信息服務(wù)系統(tǒng)。AIT技術(shù)BCTI技術(shù)CWEB技術(shù)DCRM技術(shù)15.將原始數(shù)據(jù)進(jìn)行集成、變換、維度規(guī)約、數(shù)值規(guī)約是在以下哪個(gè)步驟的任務(wù)？(C )

A.頻繁模式挖掘B.分類和預(yù)測(cè)C.數(shù)據(jù)預(yù)處理D.數(shù)據(jù)流挖掘16.當(dāng)不知道數(shù)據(jù)所帶標(biāo)簽時(shí)，可以使用哪種技術(shù)促使帶同類標(biāo)簽的數(shù)據(jù)與帶其他標(biāo)簽的數(shù)據(jù)相分離？( B)

A.分類B.聚類C.關(guān)聯(lián)分析D.隱馬爾可夫鏈17.使用交互式的和可視化的技術(shù)，對(duì)數(shù)據(jù)進(jìn)行探索屬于數(shù)據(jù)挖掘的哪一類任務(wù)？（A ）

A.探索性數(shù)據(jù)分析B.建模描述

C.預(yù)測(cè)建模D.尋找模式和規(guī)則18.為數(shù)據(jù)的總體分布建模，把多維空間劃分成組等問(wèn)題屬于數(shù)據(jù)挖掘的哪一類任務(wù)？( B)

A.探索性數(shù)據(jù)分析B.建模描述

C.預(yù)測(cè)建模D.尋找模式和規(guī)則19.建立一個(gè)模型，通過(guò)這個(gè)模型根據(jù)已知的變量值來(lái)預(yù)測(cè)其他某個(gè)變量值屬于數(shù)據(jù)挖掘的哪一類任務(wù)？( C )

A.根據(jù)內(nèi)容檢索B.建模描述

C.預(yù)測(cè)建模D.尋找模式和規(guī)則20.用戶有一種感興趣的模式并且希望在數(shù)據(jù)集中找到相似的模式，屬于數(shù)據(jù)挖掘哪一類任務(wù)？(A)

A.根據(jù)內(nèi)容檢索B.建模描述

C.預(yù)測(cè)建模D.尋找模式和規(guī)則21.下面哪種不屬于數(shù)據(jù)預(yù)處理的方法？( D )

A.變量代換B.離散化C.聚集D.估計(jì)遺漏值22.下面哪個(gè)不屬于數(shù)據(jù)的屬性類型( D )。

A.標(biāo)稱B.序數(shù)C.區(qū)間D.相異23.在上題中，屬于定量的屬性類型是( C )。

A.標(biāo)稱B.序數(shù)C.區(qū)間D.相異24.只有非零值才重要的二元屬性被稱作(C )。

A.計(jì)數(shù)屬性B.離散屬性C.非對(duì)稱的二元屬性D.對(duì)稱屬性25.以下哪種方法不屬于特征選擇的標(biāo)準(zhǔn)方法(D)。

A.嵌入B.過(guò)濾C.包裝D.抽樣26.下面不屬于創(chuàng)建新屬性的相關(guān)方法的是(C)。

A.特征提取B.特征修改C.映射數(shù)據(jù)到新的空間D.特征構(gòu)造27.下面哪個(gè)屬于映射數(shù)據(jù)到新的空間的方法？( A )

A.傅立葉變換B.特征加權(quán)C.漸進(jìn)抽樣D.維歸約28.企業(yè)所建立的預(yù)測(cè)模型的好壞取決于模型在(A)上的表現(xiàn)效果。A.得分集B.訓(xùn)練集C.測(cè)試集D.評(píng)價(jià)集29.客戶在經(jīng)濟(jì)活動(dòng)中具有多重身份，下面哪一種不是其身份之一(C)。A.行為身份B.所有權(quán)身份C.學(xué)習(xí)身份D.決策身份30.下列四條描述中，正確的一條是(B)。A.企業(yè)實(shí)施數(shù)據(jù)挖掘，必須要有數(shù)據(jù)倉(cāng)庫(kù)。B.企業(yè)要實(shí)施數(shù)據(jù)挖掘最好的方式是請(qǐng)編外專家。C.企業(yè)購(gòu)買現(xiàn)成數(shù)據(jù)挖掘模型的一個(gè)先決條件是：該企業(yè)的產(chǎn)品、客戶、市場(chǎng)定位和所買來(lái)的現(xiàn)成模型設(shè)計(jì)之初的假設(shè)相吻合。D.在建模的時(shí)侯，增益最高的模型就是最好的模型。31.數(shù)據(jù)挖掘算法以(D)形式來(lái)組織數(shù)據(jù)。A.行B.列C.記錄D.表格32.企業(yè)要建立預(yù)測(cè)模型，需準(zhǔn)備建模數(shù)據(jù)集，以下四條描述建模數(shù)據(jù)集正確的是(B)。A.數(shù)據(jù)越多越好。B.盡可能多的適合的數(shù)據(jù)。C.得分集數(shù)據(jù)是建模集數(shù)據(jù)的一部分。D.以上三條都正確。33.K—均值類別偵測(cè)要求輸入的數(shù)據(jù)類型必須是(B)。A.整型B.數(shù)值型C.字符型D.邏輯型34.在決策樹和累計(jì)增益圖的關(guān)系轉(zhuǎn)化過(guò)程圖中，決策樹上某一頁(yè)節(jié)點(diǎn)的增益與累計(jì)增益圖上的(D)相對(duì)應(yīng)。A.線段長(zhǎng)度 B.線段斜率C.相對(duì)應(yīng)的線段長(zhǎng)度D.相對(duì)應(yīng)的線段斜率35.企業(yè)為提升每個(gè)客戶的價(jià)值，應(yīng)實(shí)現(xiàn)(C)最優(yōu)化。A.促銷活動(dòng) B.預(yù)算最優(yōu)化 C.客戶最優(yōu)化D.三者都不是36.數(shù)據(jù)挖掘的經(jīng)典案例“啤酒與尿布試驗(yàn)”最主要是應(yīng)用了(C)數(shù)據(jù)挖掘方法。A.分類B.預(yù)測(cè) C.組合或關(guān)聯(lián)法則 D.聚類37.企業(yè)成功實(shí)施數(shù)據(jù)挖掘，需要以下(B)知識(shí)或技術(shù)。A.預(yù)先的規(guī)劃B.對(duì)商業(yè)文體的理解 C.綜合商業(yè)知識(shí)和技能D.都需要38.下列哪個(gè)不是專門用于可視化時(shí)間空間數(shù)據(jù)的技術(shù)(B)。

A.等高線圖B.餅圖C.曲面圖D.矢量場(chǎng)圖39.在抽樣方法中，當(dāng)合適的樣本容量很難確定時(shí)，可以使用的抽樣方法是(D)。

A.有放回的簡(jiǎn)單隨機(jī)抽樣B.無(wú)放回的簡(jiǎn)單隨機(jī)抽樣C.分層抽樣D.漸進(jìn)抽樣40.設(shè)X={1，2，3}是頻繁項(xiàng)集，則可由X產(chǎn)生(C)個(gè)關(guān)聯(lián)規(guī)則。

A.4B.5C.6D.741.概念分層圖是(B)圖。

A.無(wú)向無(wú)環(huán)B.有向無(wú)環(huán)C.有向有環(huán)D.無(wú)向有環(huán)42.以下哪些算法是分類算法（B）。

A.DBSCANB.C4.5C.K-MeanD.EM43.以下哪些分類方法可以較好地避免樣本的不平衡問(wèn)題（A）。

A.KNNB.SVMC.BayesD.神經(jīng)網(wǎng)絡(luò)44.以下關(guān)于人工神經(jīng)網(wǎng)絡(luò)（ANN）的描述錯(cuò)誤的有(A)。

A.神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練數(shù)據(jù)中的噪聲非常魯棒B.可以處理冗余特征C.訓(xùn)練ANN是一個(gè)很耗時(shí)的過(guò)程D.至少含有一個(gè)隱藏層的多層神經(jīng)網(wǎng)絡(luò)45.通過(guò)聚集多個(gè)分類器的預(yù)測(cè)來(lái)提高分類準(zhǔn)確率的技術(shù)稱為(A)。

A.組合(ensemble)B.聚集(aggregate)C.合并(combination)D.投票(voting)46.簡(jiǎn)單地將數(shù)據(jù)對(duì)象集劃分成不重疊的子集，使得每個(gè)數(shù)據(jù)對(duì)象恰在一個(gè)子集中，這種聚類類型稱作（B）。A.層次聚類B.劃分聚類C.非互斥聚類D.模糊聚類47.在基本K均值算法里，當(dāng)鄰近度函數(shù)采用（A）的時(shí)候，合適的質(zhì)心是簇中各點(diǎn)的中位數(shù)。

A.曼哈頓距離B.平方歐幾里德距離C.余弦距離D.Bregman散度48.（C）是一個(gè)觀測(cè)值，它與其他觀測(cè)值的差別如此之大，以至于懷疑它是由不同的機(jī)制產(chǎn)生的。

A.邊界點(diǎn)B.質(zhì)心C.離群點(diǎn)D.核心點(diǎn)

48.檢測(cè)一元正態(tài)分布中的離群點(diǎn)，屬于異常檢測(cè)中的基于（A）的離群點(diǎn)檢測(cè)。A.統(tǒng)計(jì)方法B.鄰近度C.密度D.聚類技術(shù)49.DBSCAN在最壞情況下的時(shí)間復(fù)雜度是（B）。

A.O(m)B.O(m2)C.O(logm)D.O(m*logm)50.關(guān)于K均值和DBSCAN的比較，以下說(shuō)法不正確的是（A）。

A.K均值丟棄被它識(shí)別為噪聲的對(duì)象，而DBSCAN一般聚類所有對(duì)象。

B.K均值使用簇的基于原型的概念，而DBSCAN使用基于密度的概念。C.K均值很難處理非球形的簇和不同大小的簇，DBSCAN可以處理不同大小和不同形狀的簇。

D.K均值可以發(fā)現(xiàn)不是明顯分離的簇，即便簇有重疊也可以發(fā)現(xiàn)，但是DBSCAN會(huì)合并有重疊的簇。51.使用交互式的和可視化的技術(shù)，對(duì)數(shù)據(jù)進(jìn)行探索屬于數(shù)據(jù)挖掘的哪一類任務(wù)？（A）

A.探索性數(shù)據(jù)分析B.建模描述

C.預(yù)測(cè)建模D.尋找模式和規(guī)則52.下面哪種不屬于數(shù)據(jù)預(yù)處理的方法？(D)

A變量代換B離散化C聚集D估計(jì)遺漏值二、判斷題（本題共10道小題，每小題1分，共10分）（T）1．商務(wù)智能指收集、轉(zhuǎn)換、分析和發(fā)布數(shù)據(jù)的過(guò)程，目的是為了更好的決策。（F）2．?dāng)?shù)據(jù)分析是整合企業(yè)原始數(shù)據(jù)的第一步，包括數(shù)據(jù)抽取、轉(zhuǎn)換和裝載三個(gè)過(guò)程。（T）3．維是人們觀察數(shù)據(jù)的特定角度，是考慮問(wèn)題時(shí)的一類屬性。（F）4．獨(dú)立的數(shù)據(jù)集市架構(gòu)的優(yōu)點(diǎn)是企業(yè)內(nèi)數(shù)據(jù)一致，不會(huì)產(chǎn)生信息孤島。（T）5.星型模型的核心是事實(shí)表，事實(shí)表把各種不同的維表連接起來(lái)。（F）6．企業(yè)風(fēng)險(xiǎn)分析是通過(guò)對(duì)企業(yè)的經(jīng)營(yíng)成本進(jìn)行綜合評(píng)價(jià)，擬定一個(gè)企業(yè)成本的臨界值。（T）7．衡量客戶忠誠(chéng)的唯一尺度就是客戶是否重復(fù)或持久地購(gòu)買企業(yè)的產(chǎn)品或者服務(wù)。（T）8．在BI中，DW是前提和基礎(chǔ)，負(fù)責(zé)統(tǒng)一數(shù)據(jù)規(guī)則的處理和存儲(chǔ)。（F）9．客戶服務(wù)管理是對(duì)客戶意見或投訴以及售前、售中、售后服務(wù)進(jìn)行管理。（F）10.平衡計(jì)分卡共包括三個(gè)層面，分別是財(cái)務(wù)層面、客戶層面、內(nèi)部業(yè)務(wù)流程層面。（T）11．?dāng)?shù)據(jù)挖掘的主要任務(wù)是從數(shù)據(jù)中發(fā)現(xiàn)潛在的規(guī)則，從而能更好的完成描述數(shù)據(jù)、預(yù)測(cè)數(shù)據(jù)等任務(wù)。（F）12．在聚類分析當(dāng)中，簇內(nèi)的相似性越大，簇間的差別越大，聚類的效果就越差。（F）13．OLAP是用來(lái)協(xié)助企業(yè)對(duì)響應(yīng)事件或事務(wù)的日常商務(wù)活動(dòng)進(jìn)行處理。（T）14．?dāng)?shù)據(jù)倉(cāng)庫(kù)是面向主題的、集成的、穩(wěn)定的、隨時(shí)間變化的數(shù)據(jù)集合，用以支持管理決策的過(guò)程。（T）15.數(shù)據(jù)預(yù)處理是整合企業(yè)原始數(shù)據(jù)的第一步，包括數(shù)據(jù)抽取、轉(zhuǎn)換和裝載三個(gè)過(guò)程。（F）16．C4.5決策樹算法是國(guó)際上最早、最有影響力的決策樹算法，（T）17．平衡計(jì)分卡是從財(cái)務(wù)、客戶、內(nèi)部運(yùn)營(yíng)、學(xué)習(xí)與成長(zhǎng)四個(gè)角度，將組織的戰(zhàn)略落實(shí)為可操作的衡量指標(biāo)和目標(biāo)值的一種新型績(jī)效管理體系。（F）18．客戶服務(wù)管理是對(duì)客戶意見或投訴以及售前、售中、售后服務(wù)進(jìn)行管理。（F）19.企業(yè)績(jī)效管理的目的在于進(jìn)一步加強(qiáng)成本的事前控制，同時(shí)有助于通過(guò)盈虧分析，輔助產(chǎn)品科學(xué)的報(bào)價(jià)。20.數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)量越大，其應(yīng)用價(jià)值也越大。F21.啤酒與尿布的故事是聚類分析的典型實(shí)例。F22.等深分箱法使每個(gè)箱子的記錄個(gè)數(shù)相同。T23.數(shù)據(jù)倉(cāng)庫(kù)“粒度”越細(xì)，記錄數(shù)越少。F24.數(shù)據(jù)立方體由3維構(gòu)成，Z軸表示事實(shí)數(shù)據(jù)。F25.決策樹方法通常用于關(guān)聯(lián)規(guī)則挖掘。F26.ID3算法是決策樹方法的早期代表。T27.C4.5是一種典型的關(guān)聯(lián)規(guī)則挖掘算法。F28.回歸分析通常用于挖掘關(guān)聯(lián)規(guī)則。F29.人工神經(jīng)網(wǎng)絡(luò)特別適合解決多參數(shù)大復(fù)雜度問(wèn)題。T30.概念關(guān)系分析是文本挖掘所獨(dú)有的。F31.可信度是對(duì)關(guān)聯(lián)規(guī)則的準(zhǔn)確度的衡量。F32.孤立點(diǎn)在數(shù)據(jù)挖掘時(shí)總是被視為異常、無(wú)用數(shù)據(jù)而丟棄。T33.SQLServer2005不提供關(guān)聯(lián)規(guī)則挖掘算法。F34.決策樹方法特別適合于處理數(shù)值型數(shù)據(jù)。F35.數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)為歷史數(shù)據(jù)，從來(lái)不需要更新。T36.數(shù)據(jù)立方體是廣義知識(shí)發(fā)現(xiàn)的方法和技術(shù)之一。F37.數(shù)據(jù)立方體的其中一維用于記錄事實(shí)數(shù)據(jù)。T38.數(shù)據(jù)挖掘的目標(biāo)不在于數(shù)據(jù)采集策略，而在于對(duì)于已經(jīng)存在的數(shù)據(jù)進(jìn)行模式的發(fā)掘。（T）39.圖挖掘技術(shù)在社會(huì)網(wǎng)絡(luò)分析中扮演了重要的角色。（T）40.模式為對(duì)數(shù)據(jù)集的全局性總結(jié)，它對(duì)整個(gè)測(cè)量空間的每一點(diǎn)做出描述；模型則對(duì)變量變化空間的一個(gè)有限區(qū)域做出描述。（F）41.尋找模式和規(guī)則主要是對(duì)數(shù)據(jù)進(jìn)行干擾，使其符合某種規(guī)則以及模式。（F）42.離群點(diǎn)可以是合法的數(shù)據(jù)對(duì)象或者值。（T）43.離散屬性總是具有有限個(gè)值。（F）44.噪聲和偽像是數(shù)據(jù)錯(cuò)誤這一相同表述的兩種叫法。（F）45.用于分類的離散化方法之間的根本區(qū)別在于是否使用類信息。（T）46.特征提取技術(shù)并不依賴于特定的領(lǐng)域。（F）47.可信度是對(duì)關(guān)聯(lián)規(guī)則的準(zhǔn)確度的衡量。F48.定量屬性可以是整數(shù)值或者是連續(xù)值。（T）

49.可視化技術(shù)對(duì)于分析的數(shù)據(jù)類型通常不是專用性的。（T）

50.DSS主要是基于數(shù)據(jù)倉(cāng)庫(kù)、聯(lián)機(jī)數(shù)據(jù)分析和數(shù)據(jù)挖掘技術(shù)的應(yīng)用。（F）

51.OLAP技術(shù)側(cè)重于把數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行分析、轉(zhuǎn)換成輔助決策信息，是繼數(shù)據(jù)庫(kù)技術(shù)發(fā)展之后迅猛發(fā)展起來(lái)的一種新技術(shù)。（T）

52.商業(yè)智能系統(tǒng)與一般交易系統(tǒng)之間在系統(tǒng)設(shè)計(jì)上的主要區(qū)別在于：后者把結(jié)構(gòu)強(qiáng)加于商務(wù)之上，一旦系統(tǒng)設(shè)計(jì)完畢，其程序和規(guī)則不會(huì)輕易改變；而前者則是一個(gè)學(xué)習(xí)型系統(tǒng)，能自動(dòng)適應(yīng)商務(wù)不斷變化的要求。（T）

53.數(shù)據(jù)倉(cāng)庫(kù)中間層OLAP服務(wù)器只能采用關(guān)系型OLAP。（F）

54．?dāng)?shù)據(jù)倉(cāng)庫(kù)系統(tǒng)的組成部分包括數(shù)據(jù)倉(cāng)庫(kù)、倉(cāng)庫(kù)管理、數(shù)據(jù)抽取、分析工具等四個(gè)部分。(F)55.Web數(shù)據(jù)挖掘是通過(guò)數(shù)據(jù)庫(kù)仲的一些屬性來(lái)預(yù)測(cè)另一個(gè)屬性,它在驗(yàn)證用戶提出的假設(shè)過(guò)程中提取信息。（F）

56.關(guān)聯(lián)規(guī)則挖掘過(guò)程是發(fā)現(xiàn)滿足最小支持度的所有項(xiàng)集代表的規(guī)則。（F）57.聚類（clustering）是這樣的過(guò)程：它找出描述并區(qū)分?jǐn)?shù)據(jù)類或概念的模型(或函數(shù))，以便能夠使用模型預(yù)測(cè)類標(biāo)記未知的對(duì)象類。（F）

58.分類和回歸都可用于預(yù)測(cè)，分類的輸出是離散的類別值，而回歸的輸出是連續(xù)數(shù)值。(T)59.對(duì)于SVM分類算法，待分樣本集中的大部分樣本不是支持向量，移去或者減少這些樣本對(duì)分類結(jié)果沒有影響。（T）

60.Bayes法是一種在已知后驗(yàn)概率與類條件概率的情況下的模式分類方法，待分樣本的分類結(jié)果取決于各類域中樣本的全體。(F)三、名詞解釋（本題共4道小題，每小題5分，共20分）1.商務(wù)智能商務(wù)智能是融合了先進(jìn)信息技術(shù)與創(chuàng)新管理理念的結(jié)合體，集成企業(yè)內(nèi)外數(shù)據(jù)，進(jìn)行加工并從中提取能夠創(chuàng)造商業(yè)價(jià)值的知識(shí)，面向企業(yè)戰(zhàn)略并服務(wù)于管理層、業(yè)務(wù)層，指導(dǎo)企業(yè)經(jīng)營(yíng)決策，提升企業(yè)競(jìng)爭(zhēng)力。2.數(shù)據(jù)倉(cāng)庫(kù)數(shù)據(jù)倉(cāng)庫(kù)是面向主題的、集成的、穩(wěn)定的、隨時(shí)間變化的數(shù)據(jù)集合，用以支持管理決策的過(guò)程。3.數(shù)據(jù)集成數(shù)據(jù)集成是在邏輯上或物理上把不相同來(lái)源、格式、特點(diǎn)的數(shù)據(jù)有機(jī)地整合，從而為企業(yè)提供全面的數(shù)據(jù)共享。4.OLAP(聯(lián)機(jī)分析處理)OLAP是使分析人員、管理人員或執(zhí)行人員能夠從多種角度對(duì)從原始數(shù)據(jù)中轉(zhuǎn)化出來(lái)的、能夠真正為用戶所理解的、并真實(shí)反映企業(yè)維特性的信息進(jìn)行快速、一致、交互地存取，從而獲得對(duì)數(shù)據(jù)的更深入了解的一類軟件技術(shù)。5.數(shù)據(jù)挖掘數(shù)據(jù)挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中提取正確的、有用的、未知的、綜合的以及人們感興趣的知識(shí)并用于決策支持的過(guò)程。6.孤立點(diǎn)：指數(shù)據(jù)庫(kù)中包含的一些與數(shù)據(jù)的一般行為或模型不一致的異常數(shù)據(jù)。7.數(shù)據(jù)規(guī)范化：指將數(shù)據(jù)按比例縮放(如更換大單位)，使之落入一個(gè)特定的區(qū)域（如0－1）以提高數(shù)據(jù)挖掘效率的方法。規(guī)范化的常用方法有：最大－最小規(guī)范化、零－均值規(guī)范化、小數(shù)定標(biāo)規(guī)范化。8.聚類：是將物理或抽象對(duì)象的集合分組成為多個(gè)類或簇(cluster)的過(guò)程，使得在同一個(gè)簇中的對(duì)象之間具有較高的相似度，而不同簇中的對(duì)象差別較大。9.ROLAP：是基于關(guān)系數(shù)據(jù)庫(kù)存儲(chǔ)方式的，在這種結(jié)構(gòu)中，多維數(shù)據(jù)被映像成二維關(guān)系表，通常采用星型或雪花型架構(gòu)，由一個(gè)事實(shí)表和多個(gè)維度表構(gòu)成。10.數(shù)據(jù)歸約：縮小數(shù)據(jù)的取值范圍，使其更適合于數(shù)據(jù)挖掘算法的需要，并且能夠得到和原始數(shù)據(jù)相同的分析結(jié)果。11.預(yù)測(cè)型知識(shí)：是根據(jù)時(shí)間序列型數(shù)據(jù)，由歷史的和當(dāng)前的數(shù)據(jù)去推測(cè)未來(lái)的數(shù)據(jù)，也可以認(rèn)為是以時(shí)間為關(guān)鍵屬性的關(guān)聯(lián)知識(shí)。12.決策樹：是用樣本的屬性作為結(jié)點(diǎn)，用屬性的取值作為分支的樹結(jié)構(gòu)。它是分類規(guī)則挖掘的典型方法，可用于對(duì)新樣本進(jìn)行分類。13.遺傳算法：是一種優(yōu)化搜索算法，它首先產(chǎn)生一個(gè)初始可行解群體，然后對(duì)這個(gè)群體通過(guò)模擬生物進(jìn)化的選擇、交叉、變異等遺傳操作遺傳到下一代群體，并最終達(dá)到全局最優(yōu)。14.知識(shí)管理：知識(shí)管理就是對(duì)一個(gè)企業(yè)集體的知識(shí)與技能的捕獲，是為增強(qiáng)組織的績(jī)效而創(chuàng)造、獲取和使用知識(shí)的過(guò)程（知識(shí)的創(chuàng)造、儲(chǔ)存、分享、應(yīng)用和更新）。15.Web挖掘：Web挖掘是從大量Web文檔的集合C中發(fā)現(xiàn)隱含的、有用的模式P的過(guò)程：C→P。四、簡(jiǎn)答題（本題共5道小題，每小題6分，共30分）1．實(shí)現(xiàn)商務(wù)智能的四個(gè)階段是什么？答：實(shí)現(xiàn)商務(wù)智能的四個(gè)階段是數(shù)據(jù)預(yù)處理、建立數(shù)據(jù)倉(cāng)庫(kù)、數(shù)據(jù)分析及數(shù)據(jù)展現(xiàn)。（2分）數(shù)據(jù)預(yù)處理是整合企業(yè)原始數(shù)據(jù)的第一步，包括數(shù)據(jù)抽取、轉(zhuǎn)換和裝載三個(gè)過(guò)程;（1分）數(shù)據(jù)倉(cāng)庫(kù)則是處理海量數(shù)據(jù)的基礎(chǔ);（1分）數(shù)據(jù)分析是體現(xiàn)系統(tǒng)智能的關(guān)鍵，一般采用OLAP和DM兩大技術(shù)。（1分）數(shù)據(jù)展現(xiàn)則主要保障系統(tǒng)分析結(jié)果的可視化。（1分）2.數(shù)據(jù)庫(kù)系統(tǒng)的局限性①數(shù)據(jù)庫(kù)適于存儲(chǔ)高度結(jié)構(gòu)化的日常事務(wù)細(xì)節(jié)數(shù)據(jù)。決策分析型數(shù)據(jù)是多維性，分析內(nèi)容復(fù)雜。②在決策分析環(huán)境中，如果事務(wù)處理的細(xì)節(jié)數(shù)據(jù)量太大一方面會(huì)嚴(yán)重影響分析效率，另一方面這些細(xì)節(jié)數(shù)據(jù)會(huì)分散決策者的注意力。③當(dāng)事務(wù)型處理環(huán)境和分析型處理環(huán)境在同一個(gè)數(shù)據(jù)庫(kù)系統(tǒng)中，事務(wù)型處理對(duì)數(shù)據(jù)的存取操作頻率高，操作處理的時(shí)間短，而分析型處理可能需要連續(xù)運(yùn)行幾個(gè)小時(shí)，從而消耗大量的系統(tǒng)資源。④決策型分析數(shù)據(jù)的數(shù)據(jù)量大，這些數(shù)據(jù)有來(lái)自企業(yè)內(nèi)部的，也有來(lái)自企業(yè)外部的。來(lái)自企業(yè)外部的數(shù)據(jù)又可能來(lái)自不同的數(shù)據(jù)庫(kù)系統(tǒng)，在分析時(shí)如果直接對(duì)這些數(shù)據(jù)操作會(huì)造成分析的混亂。對(duì)于外部數(shù)據(jù)中的一些非結(jié)構(gòu)化數(shù)據(jù)，數(shù)據(jù)庫(kù)系統(tǒng)常常是無(wú)能為力。3．?dāng)?shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)集市的區(qū)別是什么？數(shù)據(jù)倉(cāng)庫(kù)收集了關(guān)于整個(gè)組織的主題信息，因此是企業(yè)范圍的。對(duì)于數(shù)據(jù)倉(cāng)庫(kù)，通常使用星座模式，因?yàn)樗軐?duì)多個(gè)相關(guān)的主題建模；（3分）數(shù)據(jù)集市是數(shù)據(jù)倉(cāng)庫(kù)的一個(gè)部門子集，它針對(duì)選定的主題，因此是部門范圍的。對(duì)于數(shù)據(jù)集市，流行星型或雪花模式，因?yàn)樗鼈兌歼m合對(duì)單個(gè)主題建模。（3分）4.OLAP的特點(diǎn)①快速性Fast：用戶對(duì)OLAP的快速反應(yīng)能力有很高的要求。②可分析性Analysis：OLAP系統(tǒng)應(yīng)能處理與應(yīng)用有關(guān)的任何邏輯分析和統(tǒng)計(jì)分析。③多維性Multidimensional：多維性是OLAP的關(guān)鍵屬性。系統(tǒng)必須提供對(duì)數(shù)據(jù)的多維視圖和分析,包括對(duì)層次維和多重層次維的完全支持。④信息性Information：OLAP系統(tǒng)應(yīng)能及時(shí)獲得信息，并且管理大容量信息。5．簡(jiǎn)述OLAP的基本操作有哪些？答：OLAP的基本操作有：1.切片和切塊(SliceandDice)：在多維數(shù)據(jù)結(jié)構(gòu)中,按二維進(jìn)行切片,按三維進(jìn)行切塊,可得到所需要的數(shù)據(jù)。（2分）2.鉆取(Drill)：鉆取包含向下鉆取(Drill-down)和向上鉆取(Drill-up)/上卷(Roll-up)操作，鉆取的深度與維所劃分的層次相對(duì)應(yīng)。（2分）3.旋轉(zhuǎn)(Rotate)/旋轉(zhuǎn)(Pivot)：通過(guò)旋轉(zhuǎn)可以得到不同視角的數(shù)據(jù)。（2分）6．簡(jiǎn)述OLAP與數(shù)據(jù)挖掘的區(qū)別和聯(lián)系。答：OLAP側(cè)重于與用戶的交互、快速的響應(yīng)速度及提供數(shù)據(jù)的多維視圖，而數(shù)據(jù)挖掘則注重自動(dòng)發(fā)現(xiàn)隱藏在數(shù)據(jù)中的模式和有用信息，盡管允許用戶指導(dǎo)這一過(guò)程。（3分）OLAP的分析結(jié)果可以給數(shù)據(jù)挖掘提供分析信息作為挖掘的依據(jù)，數(shù)據(jù)挖掘可以拓展OLAP分析的深度，可以發(fā)現(xiàn)OLAP所不能發(fā)現(xiàn)的更為復(fù)雜、細(xì)致的信息。（3分）7．何謂數(shù)據(jù)挖掘？它有哪些方面的功能？從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識(shí)的過(guò)程稱為數(shù)據(jù)挖掘。相關(guān)的名稱有知識(shí)發(fā)現(xiàn)、數(shù)據(jù)分析、數(shù)據(jù)融合、決策支持等。數(shù)據(jù)挖掘的功能包括：概念描述、關(guān)聯(lián)分析、分類與預(yù)測(cè)、聚類分析、趨勢(shì)分析、孤立點(diǎn)分析以及偏差分析等。（3分）8．在數(shù)據(jù)挖掘之前為什么要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理？原始業(yè)務(wù)數(shù)據(jù)來(lái)自多個(gè)數(shù)據(jù)庫(kù)或數(shù)據(jù)倉(cāng)庫(kù)，它們的結(jié)構(gòu)和規(guī)則可能是不同的，這將導(dǎo)致原始數(shù)據(jù)非常的雜亂、不可用，即使在同一個(gè)數(shù)據(jù)庫(kù)中，也可能存在重復(fù)的和不完整的數(shù)據(jù)信息，為了使這些數(shù)據(jù)能夠符合數(shù)據(jù)挖掘的要求，提高效率和得到清晰的結(jié)果，必須進(jìn)行數(shù)據(jù)的預(yù)處理。為數(shù)據(jù)挖掘算法提供完整、干凈、準(zhǔn)確、有針對(duì)性的數(shù)據(jù)，減少算法的計(jì)算量，提高挖掘效率和準(zhǔn)確程度。9．簡(jiǎn)述數(shù)據(jù)預(yù)處理方法和內(nèi)容。數(shù)據(jù)清洗：包括填充空缺值，識(shí)別孤立點(diǎn)，去掉噪聲和無(wú)關(guān)數(shù)據(jù)。數(shù)據(jù)集成：將多個(gè)數(shù)據(jù)源中的數(shù)據(jù)結(jié)合起來(lái)存放在一個(gè)一致的數(shù)據(jù)存儲(chǔ)中。需要注意不同數(shù)據(jù)源的數(shù)據(jù)匹配問(wèn)題、數(shù)值沖突問(wèn)題和冗余問(wèn)題等。數(shù)據(jù)變換：將原始數(shù)據(jù)轉(zhuǎn)換成為適合數(shù)據(jù)挖掘的形式。包括對(duì)數(shù)據(jù)的匯總、聚集、概化、規(guī)范化，還可能需要進(jìn)行屬性的重構(gòu)。數(shù)據(jù)歸約：縮小數(shù)據(jù)的取值范圍，使其更適合于數(shù)據(jù)挖掘算法的需要，并且能夠得到和原始數(shù)據(jù)相同的分析結(jié)果。10.數(shù)據(jù)挖掘的六種常用算法和技術(shù)分別是什么？①聚類分析；②分類分析；③關(guān)聯(lián)分析；④序列模式挖掘；⑤回歸分析；⑥時(shí)間序列分析。11.數(shù)據(jù)挖掘中的數(shù)據(jù)需要采用哪些格式？數(shù)據(jù)挖掘中的數(shù)據(jù)需要采用以下格式：①所有數(shù)據(jù)應(yīng)該在一個(gè)表格/數(shù)據(jù)庫(kù)視圖中②每一行對(duì)應(yīng)于與業(yè)務(wù)問(wèn)題相關(guān)的一個(gè)案例③忽略具有單一值/幾乎單一值的列④忽略所有行的值都不同的列⑤刪除所有同義列⑥對(duì)于預(yù)測(cè)模型，目標(biāo)列必須是可識(shí)別的12．簡(jiǎn)述K-近鄰分類法的基本思想。答：基本思想：K－近鄰分類是基于類比學(xué)習(xí)的，每個(gè)樣本代表d維空間的一個(gè)點(diǎn)。（3分）當(dāng)給定一個(gè)未知樣本時(shí)，K-近鄰分類法將搜索樣本空間，找出最接近未知樣本的K個(gè)訓(xùn)練樣本，這K個(gè)訓(xùn)練樣本是未知樣本的K個(gè)“近鄰”。（3分）13．關(guān)聯(lián)規(guī)則挖掘能發(fā)現(xiàn)什么知識(shí)？簡(jiǎn)述其挖掘的基本步驟。答：關(guān)聯(lián)規(guī)則挖掘有助于發(fā)現(xiàn)交易數(shù)據(jù)庫(kù)中不同商品之間的聯(lián)系，找出顧客購(gòu)買行為模式。（2分）關(guān)聯(lián)規(guī)則挖掘可以分解為兩個(gè)步驟：首先找出交易項(xiàng)目中滿足最小支持度（minSupp）的項(xiàng)集（稱其為頻繁項(xiàng)集）；（2分）然后由頻繁項(xiàng)集生成關(guān)聯(lián)規(guī)則，對(duì)于頻繁項(xiàng)集A，若BA，且置信度confidence(BA-B)不小于最小置信度minConf，則BA-B構(gòu)成關(guān)聯(lián)規(guī)則。（2分）14．遺傳算法與傳統(tǒng)尋優(yōu)算法相比有什么特點(diǎn)？遺傳算法為群體搜索，有利于尋找到全局最優(yōu)解；遺傳算法采用高效有方向的隨機(jī)搜索，搜索效率高；遺傳算法處理的對(duì)象是個(gè)體而不是參變量，具有廣泛的應(yīng)用領(lǐng)域；遺傳算法使用適應(yīng)值信息評(píng)估個(gè)體，不需要導(dǎo)數(shù)或其他輔助信息，運(yùn)算速度快，適應(yīng)性好；遺傳算法具有隱含并行性，具有更高的運(yùn)行效率。15．什么是決策樹？如何用決策樹進(jìn)行分類？決策樹是用樣本的屬性作為結(jié)點(diǎn)，用屬性的取值作為分支的樹結(jié)構(gòu)。它是利用信息論原理對(duì)大量樣本的屬性進(jìn)行分析和歸納而產(chǎn)生的。決策樹的根結(jié)點(diǎn)是所有樣本中信息量最大的屬性。樹的中間結(jié)點(diǎn)是以該結(jié)點(diǎn)為根的子樹所包含的樣本子集中信息量最大的屬性。決策樹的葉結(jié)點(diǎn)是樣本的類別值。決策樹用于對(duì)新樣本的分類，即通過(guò)決策樹對(duì)新樣本屬性值的測(cè)試，從樹的根結(jié)點(diǎn)開始，按照樣本屬性的取值，逐漸沿著決策樹向下，直到樹的葉結(jié)點(diǎn)，該葉結(jié)點(diǎn)表示的類別就是新樣本的類別。決策樹方法是數(shù)據(jù)挖掘中非常有效的分類方法。16．簡(jiǎn)述K-平均算法的輸入、輸出及聚類過(guò)程(流程)。輸入：簇的數(shù)目k和包含n個(gè)對(duì)象的數(shù)據(jù)集。輸出：k個(gè)簇，使平方誤差準(zhǔn)則最小。步驟：任意選擇k個(gè)對(duì)象作為初始的簇中心；計(jì)算其它對(duì)象與這k個(gè)中心的距離，然后把每個(gè)對(duì)象歸入離它“最近”的簇；計(jì)算各簇中對(duì)象的平均值，然后重新選擇簇中心(離平均值“最近”的對(duì)象值)；重復(fù)第2第3步直到簇中心不再變化為止。17．簡(jiǎn)述構(gòu)造智能CRM系統(tǒng)的完整步驟。答：構(gòu)建一個(gè)完整的智能CRM系統(tǒng)的幾個(gè)步驟:1．整合客戶信息資源：對(duì)于那些以前沒有應(yīng)用過(guò)任何CRM系統(tǒng)的企業(yè)來(lái)說(shuō)，首先需要把孤立的業(yè)務(wù)系統(tǒng)整合到一個(gè)統(tǒng)一的平臺(tái)之下，解決“信息孤島”。而對(duì)于己有CRM系統(tǒng)的企業(yè)，則需要建立一個(gè)企業(yè)信息門戶，使客戶和企業(yè)能在一個(gè)統(tǒng)一的界面下進(jìn)行數(shù)據(jù)和信息交換，從而保證客戶數(shù)據(jù)的一致性。（2分）2.建立客戶數(shù)據(jù)倉(cāng)庫(kù)：規(guī)劃數(shù)據(jù)倉(cāng)庫(kù)，以企業(yè)的業(yè)務(wù)模型為基礎(chǔ)，確定需要建立能夠描述主要業(yè)務(wù)主題的數(shù)據(jù)模型;設(shè)計(jì)數(shù)據(jù)倉(cāng)庫(kù)，根據(jù)邏輯模型和性能要求進(jìn)行物理模型的設(shè)計(jì)，制定數(shù)據(jù)存儲(chǔ)策略以及各種商業(yè)規(guī)則等；（2分）3．構(gòu)造數(shù)據(jù)分析模型：根據(jù)企業(yè)需要分析的對(duì)象和目標(biāo)，構(gòu)造有針對(duì)性的分析模型。（1分）4．建立客戶知識(shí)管理系統(tǒng)：建立一個(gè)動(dòng)態(tài)的客戶知識(shí)庫(kù)以及制定客戶知識(shí)的分發(fā)規(guī)則和保存機(jī)制。（1分）18．何謂數(shù)據(jù)倉(cāng)庫(kù)？為什么要建立數(shù)據(jù)倉(cāng)庫(kù)？數(shù)據(jù)倉(cāng)庫(kù)是一種新的數(shù)據(jù)處理體系結(jié)構(gòu)，是面向主題的、集成的、不可更新的(穩(wěn)定性)、隨時(shí)間不斷變化(不同時(shí)間)的數(shù)據(jù)集合，為企業(yè)決策支持系統(tǒng)提供所需的集成信息。（3分）建立數(shù)據(jù)倉(cāng)庫(kù)的目的有3個(gè)：一是為了解決企業(yè)決策分析中的系統(tǒng)響應(yīng)問(wèn)題，數(shù)據(jù)倉(cāng)庫(kù)能提供比傳統(tǒng)事務(wù)數(shù)據(jù)庫(kù)更快的大規(guī)模決策分析的響應(yīng)速度。二是解決決策分析對(duì)數(shù)據(jù)的特殊需求問(wèn)題。決策分析需要全面的、正確的集成數(shù)據(jù)，這是傳統(tǒng)事務(wù)數(shù)據(jù)庫(kù)不能直接提供的。三是解決決策分析對(duì)數(shù)據(jù)的特殊操作要求。決策分析是面向?qū)I(yè)用戶而非一般業(yè)務(wù)員，需要使用專業(yè)的分析工具，對(duì)分析結(jié)果還要以商業(yè)智能的方式進(jìn)行表現(xiàn)，這是事務(wù)數(shù)據(jù)庫(kù)不能提供的。（3分）20．簡(jiǎn)述數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)的三級(jí)模型及其基本內(nèi)容。概念模型設(shè)計(jì)是在較高的抽象層次上的設(shè)計(jì)，其主要內(nèi)容包括：界定系統(tǒng)邊界和確定主要的主題域。（2分）邏輯模型設(shè)計(jì)的主要內(nèi)容包括：分析主題域、確定粒度層次劃分、確定數(shù)據(jù)分割策略、定義關(guān)系模式、定義記錄系統(tǒng)。（2分）物理數(shù)據(jù)模型設(shè)計(jì)的主要內(nèi)容包括：確定數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)、確定數(shù)據(jù)存放位置、確定存儲(chǔ)分配以及確定索引策略等。在物理數(shù)據(jù)模型設(shè)計(jì)時(shí)主要考慮的因素有:I/O存取時(shí)間、空間利用率和維護(hù)代價(jià)等。提高性能的主要措施有劃分粒度、數(shù)據(jù)分割、合并表、建立數(shù)據(jù)序列、引入冗余、生成導(dǎo)出數(shù)據(jù)、建立廣義索引等。（2分）21．何謂聚類？它與分類有什么異同？聚類是將物理或抽象對(duì)象的集合分組成為多個(gè)類或簇(cluster)的過(guò)程，使得在同一個(gè)簇中的對(duì)象之間具有較高的相似度，而不同簇中的對(duì)象差別較大。（3分）聚類與分類不同，聚類要?jiǎng)澐值念愂俏粗?，分類則可按已知規(guī)則進(jìn)行；聚類是一種無(wú)指導(dǎo)學(xué)習(xí)，它不依賴預(yù)先定義的類和帶類標(biāo)號(hào)的訓(xùn)練實(shí)例，屬于觀察式學(xué)習(xí)，分類則屬于有指導(dǎo)的學(xué)習(xí)，是示例式學(xué)習(xí)。（3分）22．何謂文本挖掘？它與信息檢索有什么關(guān)系(異同)。文本挖掘是從大量文本數(shù)據(jù)中提取以前未知的、有用的、可理解的、可操作的知識(shí)的過(guò)程。它與信息檢索之間有以下幾方面的區(qū)別：（1分）1方法論不同：信息檢索是目標(biāo)驅(qū)動(dòng)的，用戶需要明確提出查詢要求；而文本挖掘結(jié)果獨(dú)立于用戶的信息需求，是用戶無(wú)法預(yù)知的。2著眼點(diǎn)不同：信息檢索著重于文檔中字、詞和鏈接；而文本挖掘在于理解文本的內(nèi)容和結(jié)構(gòu)。3目的不同：信息檢索的目的在于幫助用戶發(fā)現(xiàn)資源，即從大量的文本中找到滿足其查詢請(qǐng)求的文本子集；而文本挖掘是為了揭示文本中隱含的知識(shí)。4評(píng)價(jià)方法不同：信息檢索用查準(zhǔn)率和查全率來(lái)評(píng)價(jià)其性能。而文本挖掘采用收益、置信度、簡(jiǎn)潔性等來(lái)衡量所發(fā)現(xiàn)知識(shí)的有效性、可用性和可理解性。5使用場(chǎng)合不同：文本挖掘是比信息檢索更高層次的技術(shù)，可用于信息檢索技術(shù)不能解決的許多場(chǎng)合。一方面，這兩種技術(shù)各有所長(zhǎng)，有各自適用的場(chǎng)合；另一方面，可以利用文本挖掘的研究成果來(lái)提高信息檢索的精度和效率，改善檢索結(jié)果的組織，使信息檢索系統(tǒng)發(fā)展到一個(gè)新的水平。（5分）23．遺傳算法與傳統(tǒng)尋優(yōu)算法相比有什么特點(diǎn)？遺傳算法為群體搜索，有利于尋找到全局最優(yōu)解；遺傳算法采用高效有方向的隨機(jī)搜索，搜索效率高；遺傳算法處理的對(duì)象是個(gè)體而不是參變量，具有廣泛的應(yīng)用領(lǐng)域；遺傳算法使用適應(yīng)值信息評(píng)估個(gè)體，不需要導(dǎo)數(shù)或其他輔助信息，運(yùn)算速度快，適應(yīng)性好；遺傳算法具有隱含并行性，具有更高的運(yùn)行效率。（6分）24.商務(wù)智能應(yīng)用趨勢(shì)①更成熟的數(shù)據(jù)分析和展現(xiàn)技術(shù)；②從戰(zhàn)略型的BI到操作型或者實(shí)時(shí)型的BI；③關(guān)注績(jī)效、關(guān)注價(jià)值、關(guān)注數(shù)據(jù)質(zhì)量。25.商務(wù)智能發(fā)展的特點(diǎn)①實(shí)時(shí)；②標(biāo)準(zhǔn)化；③嵌入式商務(wù)智能；④移動(dòng)商務(wù)智能；⑤大眾化趨勢(shì)；⑥供應(yīng)商的動(dòng)向；⑦易用性。26．商務(wù)智能與知識(shí)管理的區(qū)別：①內(nèi)涵不同；②知識(shí)的管理過(guò)程和技術(shù)不同；③關(guān)注的只是類型不同；④面向的用戶不同。27.Web日志挖掘的應(yīng)用①獲取用戶訪問(wèn)模式信息，理解用戶的意圖和行為②分析用戶的存取模式，為用戶提供個(gè)性化的服務(wù)③確定網(wǎng)站的潛在客戶群，合理制訂網(wǎng)絡(luò)廣告策略等④改進(jìn)Web站點(diǎn)的結(jié)構(gòu)，使網(wǎng)站點(diǎn)隨時(shí)間、用戶需求的變化而不斷調(diào)整⑤對(duì)日志數(shù)據(jù)進(jìn)行多種統(tǒng)計(jì)，包括頻繁訪問(wèn)頁(yè)、單位時(shí)間訪問(wèn)頻度、訪問(wèn)量的時(shí)間分布等⑥利用關(guān)聯(lián)規(guī)則確定相關(guān)Web查詢（查詢修正）五、計(jì)算題（本題共2道小題，每小題10分，共20分）1.的協(xié)方差矩陣的特征值和特征向量分別為：，，，求X的主成分，計(jì)算其貢獻(xiàn)率。解：（1）X的主成分是：，，（6分）（2）第1主成分的貢獻(xiàn)率為第1，2主成分的貢獻(xiàn)率為（4分）2.對(duì)于貸款申請(qǐng)的決策樹，（1）請(qǐng)從下圖的決策樹中提取分類規(guī)則。是是否是否是否收入>40000工作時(shí)間>5年高負(fù)債低風(fēng)險(xiǎn)高風(fēng)險(xiǎn)低風(fēng)險(xiǎn)高風(fēng)險(xiǎn)（2）根據(jù)決策樹判斷如下數(shù)據(jù)的風(fēng)險(xiǎn)分類。序號(hào)工作時(shí)間收入高負(fù)債風(fēng)險(xiǎn)分類1350000否？21030000否？36100000是？解：（1）請(qǐng)從下圖的決策樹中提取分類規(guī)則。1）當(dāng)收入小于等于40000元，如果工作時(shí)間大于5年的為低風(fēng)險(xiǎn)；2）當(dāng)收入小于等于40000元，工作時(shí)間小于等于5年的為高風(fēng)險(xiǎn)；3）當(dāng)收入大于40000元，沒有高負(fù)債的為低風(fēng)險(xiǎn)；4）當(dāng)收入大于40000元，具有高負(fù)債的為高風(fēng)險(xiǎn)；（6分）（2）根據(jù)決策樹判斷如下數(shù)據(jù)的風(fēng)險(xiǎn)分類。（4分）序號(hào)工作時(shí)間收入高負(fù)債風(fēng)險(xiǎn)分類1350000否低風(fēng)險(xiǎn)21030000否低風(fēng)險(xiǎn)36100000是高風(fēng)險(xiǎn)3、給定如下要進(jìn)行聚類的元組：{2，4，10，12，3，20，30，11，25}，假設(shè)分為2類，即K1=2，初始時(shí)用前兩個(gè)數(shù)值作為類的均值：m=2和m=4。（1）應(yīng)用K-均值聚類法寫出聚類的詳細(xì)過(guò)程（利用歐幾里德距離進(jìn)行計(jì)算）。（2）應(yīng)用K-近鄰分類法計(jì)算元組x=16屬于哪一類？設(shè)距離最近的元組為3個(gè)，即K2=3。解：（1）m1m2K1K224{2,3}{4,10,12,20,30,11,25}2.516{2,3,4}{10,12,20,30,11,25}318{2,3,4,10}{12,20,30,11,25}4.7519.6{2,3,4,10,11,12}{20,30,25}725{2,3,4,10,11,12}{20,30,25}由于均值不再變化，所以均值已經(jīng)收斂了。該問(wèn)題的答案為:K1={2,3,4,10,11,12}和K2={20,30,25}（5分）（2）因?yàn)镈(2,16)=14; D(4,16)=12; D(10,16)=6; D(12,16)=4; D(3,16)=13;D(20,16)=4; D(30,16)=14; D(11,16)=5; D(25,16)=9;（4分）距離16最近的3個(gè)元組為11，12，20，其中，11，12屬于K1，20屬于K2，所以：X=16屬于K1類。（5分）六、論述題（共10分）1、試舉例一個(gè)商務(wù)智能的應(yīng)用案例，并論述商務(wù)智能能為企業(yè)做什么？2、下列每項(xiàng)活動(dòng)是否是數(shù)據(jù)挖掘任務(wù)?簡(jiǎn)單陳述你的理由。根據(jù)性別劃分公司的顧客。根據(jù)可贏利性劃分公司的顧客。預(yù)測(cè)投一對(duì)骰子的結(jié)果。使用歷史記錄預(yù)測(cè)某公司未來(lái)的股票價(jià)格。(a)根據(jù)性別劃分公司的顧客。不是。數(shù)據(jù)挖掘是在大型數(shù)據(jù)存儲(chǔ)庫(kù)中，自動(dòng)地發(fā)現(xiàn)有用信息的過(guò)程。數(shù)據(jù)挖掘技術(shù)服務(wù)用來(lái)探查大型數(shù)據(jù)庫(kù)，發(fā)現(xiàn)先前未知的有用模式。還可以預(yù)測(cè)未來(lái)觀測(cè)結(jié)果，例如，預(yù)測(cè)一位新的顧客是否會(huì)在一家百貨公司消費(fèi)100美元以上。但并非所有的信息發(fā)現(xiàn)任務(wù)都被視為數(shù)據(jù)挖掘，數(shù)據(jù)挖掘與信息檢索不同，使用數(shù)據(jù)庫(kù)管理系統(tǒng)查找個(gè)別的記錄，或通過(guò)因特網(wǎng)的搜索引擎查找特定的Web頁(yè)面，則是信息檢索領(lǐng)域的任務(wù)，它們主要依賴傳統(tǒng)的計(jì)算機(jī)科學(xué)技術(shù)和數(shù)據(jù)的明顯特征來(lái)創(chuàng)建索引結(jié)構(gòu)，從而有效地組織和檢索信息。數(shù)據(jù)挖掘的任務(wù)可分為兩大類：預(yù)測(cè)任務(wù)和描述任務(wù)。主要任務(wù)有四種：聚類分析，關(guān)聯(lián)分析，異常檢測(cè)，和預(yù)測(cè)建模。其目的是根據(jù)其它屬性的值，預(yù)測(cè)特定屬性的值，或?qū)С龈爬〝?shù)據(jù)中潛在聯(lián)系的模式，主要是預(yù)測(cè)某些信息。而根據(jù)性別劃分公司的顧客，只是一種簡(jiǎn)單的數(shù)據(jù)庫(kù)查詢操作，并沒有涉及預(yù)測(cè)分析。根據(jù)可贏利性劃分公司的顧客。不是。根據(jù)可贏利性劃分公司的顧客是使用閾值進(jìn)行的一種統(tǒng)計(jì)計(jì)算。它僅僅是根據(jù)消費(fèi)結(jié)果統(tǒng)計(jì)將原有顧客進(jìn)行劃分，只是一種統(tǒng)計(jì)的結(jié)果，而沒有根據(jù)這些結(jié)果的特點(diǎn)預(yù)測(cè)一個(gè)新的顧客的贏利性，這種預(yù)測(cè)才是數(shù)據(jù)挖掘。預(yù)測(cè)投一對(duì)骰子的結(jié)果。不是。因?yàn)轺蛔拥牧鶄€(gè)數(shù)值出現(xiàn)的可能性是相同的，這是一種概率計(jì)算，如果結(jié)果出現(xiàn)的可能性是不確定的，不相同的，則更像是數(shù)據(jù)挖掘的任務(wù)，但在很早以前利用數(shù)學(xué)已經(jīng)能夠很好的解決這個(gè)問(wèn)題了。所以預(yù)測(cè)投一對(duì)骰子的結(jié)果不屬于數(shù)據(jù)挖掘的任務(wù)，不帶有發(fā)現(xiàn)新信息的預(yù)測(cè)特點(diǎn)。使用歷史記錄預(yù)測(cè)某公司未來(lái)的股票價(jià)格。這是數(shù)據(jù)挖掘的任務(wù)?？梢酝ㄟ^(guò)對(duì)歷史記錄特點(diǎn)的分析來(lái)創(chuàng)建一種模型預(yù)測(cè)未來(lái)的公司的股票價(jià)格，這是數(shù)據(jù)挖掘任務(wù)中預(yù)測(cè)建模的一個(gè)例子，預(yù)測(cè)建模涉及以說(shuō)明變量函數(shù)的方式為目標(biāo)變量建立模型，有兩類預(yù)測(cè)建模任務(wù)：分類，用于預(yù)測(cè)離散的目標(biāo)變量；回歸，用于預(yù)測(cè)連續(xù)的目標(biāo)變量dmj預(yù)測(cè)某公司未來(lái)的股票價(jià)格則是回歸任務(wù)，因?yàn)閮r(jià)格具有連續(xù)值屬性。3、比較急切分類（如，判定樹、貝葉斯、神經(jīng)網(wǎng)絡(luò)）相對(duì)于懶散分類（如，k-最臨近、基于案例的推理）的優(yōu)缺點(diǎn)。答：決策樹歸納的特點(diǎn)：（1）決策樹歸納是一種構(gòu)建分類模型的非參數(shù)方法，它不要求任何先驗(yàn)假設(shè)，不假定類和其他屬性服從一定的概念分布。（2）找到最佳的決策樹是NP完全問(wèn)題，可以采用一種貪心的、自頂向下的遞歸劃分策略建立決策樹。（3）已構(gòu)臺(tái)構(gòu)建決策樹技術(shù)不需要昂貴的計(jì)算代價(jià)，決策邊界是直線（平面）。（4）決策樹算法對(duì)于噪聲的干擾具有相當(dāng)好的魯棒性，采用避免過(guò)分?jǐn)M合的方法之后尤其如此。（5）冗余屬性不會(huì)對(duì)決策樹的準(zhǔn)確率造成不利的影響。（6）決策樹方法會(huì)存在數(shù)據(jù)碎片問(wèn)題。（7）子樹可能在決策樹中重復(fù)多次。（8）當(dāng)決策樹很小時(shí)，訓(xùn)練和檢驗(yàn)誤差都很大，稱為模型擬合不足；當(dāng)規(guī)模變得太大時(shí)，即使訓(xùn)練誤差還在繼續(xù)降低，但是檢驗(yàn)誤差開始增大，稱為模型過(guò)分?jǐn)M合。（4分）貝葉斯網(wǎng)絡(luò)（BBN）的特點(diǎn)：（1）BNN提供了一種用圖形模型來(lái)捕獲特定領(lǐng)域的先驗(yàn)知識(shí)的方法，網(wǎng)絡(luò)還可以用來(lái)對(duì)變量間的因果依賴關(guān)系進(jìn)行編碼。（2）構(gòu)造網(wǎng)格可能既費(fèi)時(shí)又費(fèi)力，但一旦網(wǎng)格結(jié)構(gòu)確定下來(lái)，添加新變量就十分容易。（3）貝葉斯網(wǎng)絡(luò)很適合處理不完整的數(shù)據(jù)。（4）因?yàn)閿?shù)據(jù)和先驗(yàn)知識(shí)以概率方式結(jié)合起來(lái)了，所以該方法對(duì)模型的過(guò)分?jǐn)M合問(wèn)題是非常魯棒的。（4分）人工神經(jīng)網(wǎng)絡(luò)（ANN）的特點(diǎn)：（1）至少含有一個(gè)隱藏層的多層神經(jīng)網(wǎng)絡(luò)是一種普適近似。（2）ANN可以處理冗余特征，對(duì)訓(xùn)練數(shù)據(jù)中的噪聲非常敏感。（3）ANN權(quán)值學(xué)習(xí)使用的梯度下降方法經(jīng)常會(huì)收斂到局部極小值。訓(xùn)練ANN是一個(gè)很耗時(shí)的過(guò)程，而測(cè)試樣例分類時(shí)非?？?。（4分）基于密度的聚類（DBSCAN）優(yōu)缺點(diǎn)：（1）它是相對(duì)抗噪聲的，并且能夠處理任意形狀和大小的簇。當(dāng)近鄰計(jì)算需要計(jì)算所有的點(diǎn)對(duì)鄰近度時(shí)，DBSCAN的開銷可能很大。（4分）K均值的優(yōu)缺點(diǎn)：K均值并不適合所有的數(shù)據(jù)類型。它不能處理非球形簇、不同尺寸和不同密度的簇，盡管指定足夠大的簇個(gè)數(shù)時(shí)它通?？梢园l(fā)現(xiàn)純子簇。（4分）通過(guò)以上急切分類和懶散分類各種方法的特點(diǎn)對(duì)比可知，急切分類僅僅對(duì)于某些類型的數(shù)據(jù)進(jìn)入分類，而懶散分類則對(duì)于不同大小和不同類型的數(shù)據(jù)都可以進(jìn)行處理。急切分類對(duì)噪聲較敏感而懶散分類而不是，急切分類方法較為簡(jiǎn)單，花費(fèi)的時(shí)間和空間代價(jià)都較懶散分類少。4、假定你作為一個(gè)數(shù)據(jù)分析人員，受雇于一家移動(dòng)通訊公司。通過(guò)一個(gè)例子說(shuō)明打算如何使用數(shù)據(jù)挖掘技術(shù)為公司提供幫助。你的例子應(yīng)包含問(wèn)題描述，使用何種數(shù)據(jù)挖掘方法解決該問(wèn)題，理由和預(yù)期效果（不需要定量分析）。例子如下：首先，移動(dòng)通信公司數(shù)據(jù)分析人員的主要工作是收集移動(dòng)通信用戶使用通信的方式，業(yè)務(wù)流量，并且收集用戶的類型來(lái)分析各種用戶使用信息的主要方式及銷售情況，以此可以出臺(tái)更加適合不同用戶需求的業(yè)務(wù)套餐類型。使用數(shù)據(jù)挖掘中的聚類分析方法可以以一種較相似的主題來(lái)對(duì)結(jié)果進(jìn)行分類，并且以一種更為簡(jiǎn)潔的方式呈現(xiàn)給用戶，例如：報(bào)告聚類中最頻繁出現(xiàn)的10個(gè)詞語(yǔ)，來(lái)收集最多使用各種類型業(yè)務(wù)的用戶特點(diǎn)?？梢园凑疹A(yù)先定義的分類，例如漫游類，本地外地類等等用戶使用通信的方法來(lái)進(jìn)行分類。利用數(shù)據(jù)挖掘中順序關(guān)聯(lián)分析可以檢測(cè)出某些按照一定的高概率來(lái)查詢到其他分類，并且允許更為高效的緩存，通過(guò)這種方法，可以得出具有相互關(guān)聯(lián)的用戶使用通信方式和業(yè)務(wù)套餐的關(guān)系，進(jìn)而通過(guò)查詢一種類型推導(dǎo)出其他相關(guān)類型的分類用戶特點(diǎn)。通過(guò)異常檢測(cè)技術(shù)可以發(fā)現(xiàn)不尋常的用戶通信方式，例如一個(gè)新方式的更加流行?？偟膩?lái)說(shuō)，通過(guò)數(shù)據(jù)挖掘的聚類分析可以將通信用戶進(jìn)行分類，然后發(fā)掘出各種類型用戶使用通信的需求和最普通具用的特點(diǎn)，通過(guò)對(duì)以往歷史信息業(yè)務(wù)的分析，聚類，可能會(huì)發(fā)現(xiàn)新的需求，最后所用的廣告策略就可以根據(jù)這些發(fā)掘出來(lái)的新特性采取相應(yīng)的調(diào)整策略以滿足大多數(shù)用戶的需求，吸引更多的潛在客戶，出臺(tái)符合這些用戶需求的業(yè)務(wù)產(chǎn)品類型，進(jìn)而使公司擁有更多的客戶，有更大的發(fā)展前景。商務(wù)專員商務(wù)助理請(qǐng)簡(jiǎn)述商務(wù)專員/助理主要的工作內(nèi)容？1.處理合作伙伴的一般商務(wù)事件請(qǐng)求，處理日常商務(wù)工作（訂單處理、返款核算、打款等）；2.處理報(bào)價(jià)，客戶跟蹤、客戶信用管理等相關(guān)事務(wù)；3.參與和協(xié)助與合作方的商務(wù)談判、合同及協(xié)議的起草；4.搜集行業(yè)的市場(chǎng)信息并進(jìn)行分析整理；5.協(xié)助商務(wù)活動(dòng)安排。2、人們購(gòu)買產(chǎn)品的主要原因都有什么?大部分購(gòu)買行為的發(fā)生，并不僅僅只是因?yàn)楫a(chǎn)品的價(jià)格或者是產(chǎn)品的質(zhì)量，每一個(gè)人購(gòu)買某種產(chǎn)品的目的都是滿足他背后的某種需求。購(gòu)買產(chǎn)品的人首先是想獲得產(chǎn)品的使用價(jià)值滿足自身的要求、產(chǎn)品的質(zhì)量、價(jià)格也是促使人們是否購(gòu)買產(chǎn)品的原因。3、你覺得這個(gè)職位最吸引你的地方是什么？最不吸引你的地方又是什么？列出3到4個(gè)這個(gè)工作吸引人的方面，然后提出一個(gè)簡(jiǎn)單的不重要的不吸引人的問(wèn)題。4、你長(zhǎng)期的目標(biāo)是什么？回到你尋找工作的計(jì)劃階段。不要這樣回答“我希望能夠得到你廣告中的工作”。把你的目標(biāo)與你面試的公司關(guān)系起來(lái)，“在你們這樣一個(gè)公司，我希望能夠……”5、你在前一家公司的離職原因是什么？對(duì)有工作經(jīng)驗(yàn)的應(yīng)聘者來(lái)說(shuō)，這是比較“敏感”的話題，如果離職原因不是出在原公司上，應(yīng)聘者在回答此類問(wèn)題時(shí)就會(huì)比較容易暴露出個(gè)人問(wèn)題，進(jìn)而引起面試官的警覺，甚至?xí)虼耸鼓闶ミM(jìn)入下一面試環(huán)節(jié)的機(jī)會(huì)。需要記住的是：同一個(gè)面試問(wèn)題并非只有一個(gè)答案，而同一個(gè)答案并不是在任何面試場(chǎng)合都有效。關(guān)鍵在于你在掌握規(guī)律后，對(duì)面試的具體情況進(jìn)行把握，有意識(shí)地揣摩面試官提出問(wèn)題時(shí)的心理和目的，然后有針對(duì)性地給予回答?；卮饐?wèn)題要點(diǎn)：1、最重要的是：你要使招聘單位相信，在過(guò)往單位的“離職原因”在此家招聘單位里不會(huì)再出現(xiàn)；2、避免把“離職原因”說(shuō)得太詳細(xì)、太具體；3、不能摻雜主觀的負(fù)面感受，如“太辛苦”、“人際關(guān)系復(fù)雜”、“管理太混亂”、“公司不重視人才”、“公司排斥我們某某的員工”等；4、不能躲閃、回避，如“想換換環(huán)境”、“個(gè)人原因”等；5、不能涉及自己負(fù)面的人格特征，如不誠(chéng)實(shí)、懶惰、缺乏責(zé)任感、不隨和等。6、關(guān)于我們的產(chǎn)品生產(chǎn)線和我們的客戶群體，你了解多少?問(wèn)題解析：此類問(wèn)題也是考管在面試時(shí)比較關(guān)注的，所以在準(zhǔn)備面試前，你最好先對(duì)你打算進(jìn)入的公司有一個(gè)整體的了解，做到有備而來(lái)。7.你希望在工作中能夠獲得什么？讓你的答案來(lái)源與這個(gè)公式提供的機(jī)會(huì)。談?wù)撃阆Ｍ軌虼笳股硎植@取認(rèn)可的要求。讓你的答案基于工作機(jī)會(huì)而不是個(gè)人的要求。8.談?wù)撘幌履銓?duì)你應(yīng)聘的這個(gè)職位的定義你的答案應(yīng)該簡(jiǎn)短并且是基于工作要求的?？紤]這個(gè)工作的責(zé)任和義務(wù)。在你回答問(wèn)題之前確定你真正的了解這個(gè)職位所涉及的方方面面。如果你不確定，就去問(wèn)面試官，他可能會(huì)幫你回答這個(gè)問(wèn)題。9、請(qǐng)簡(jiǎn)要談一下商務(wù)舉止禮儀？（1）要塑造良好的交際形象，必須講究禮貌禮節(jié)，為此，就必須注意你的行為舉止。舉止禮儀是自我心誠(chéng)的表現(xiàn)，一個(gè)人的外在舉止行動(dòng)可直接表明他的態(tài)度。做到彬彬有禮，落落大方，遵守一般的進(jìn)退禮節(jié)，盡量避免各種不禮貌、不文明習(xí)慣。（2）到顧客辦公室或家中訪問(wèn)，進(jìn)門之前先按門鈴或輕輕敲門，然后站在門口等候。按門鈴或敲門的時(shí)間不要過(guò)長(zhǎng)，無(wú)人或未經(jīng)主人允許，不要擅自進(jìn)入室內(nèi)。（3