數據挖掘基礎與應用(SQL Server 2008)（簡體書）

《數據挖掘基礎與應用(SQL Server 2008)》首先系統地介紹了數據挖掘技術，然後虛擬一個“邦邦超市”，通過使用SQL語言建立該超市的數據庫并對數據進行操作，再進一步利用SQL server 2008的數據挖掘模型對超市積累的數據進行挖掘，以實際例子幫助讀者迅速理解并掌握數據挖掘技術，學會使用SQL server 2008提供的數據挖掘工具，提高零售企業的信息利用能力和經營水平。
對于想要了解數據挖掘技術及其應用的讀者，《數據挖掘基礎與應用(SQL Server 2008)》是很好的參考讀物。

謝邦昌，臺灣大學生物統計學博士、現任臺灣輔仁大學統計資訊學系教授、臺灣輔仁大學管理學院商學所所長、中華資料采礦協會理事長、臺北市政府市政顧問。他還擔任中華人民共和國國家統計局教材編審委員，廈門大學經濟學院計劃統計系講座教授、博士生導師，同時是中國人民大學統計學院、中央財經大學統計學院等國內許多著名高校的客座教授。
謝邦昌教授是臺灣數據挖掘界的領軍人物及世界知名統計學家，長久以來致力推動兩岸商務智能、數據挖掘和統計應用研究的發展。目前的研究方向主要集中在生物統計、抽樣調查設計、統計預測模型、數據挖掘，特別是數據挖掘與商務智能在企業中的應用研究。先後公開發表有關數據挖掘、預測模型、市場調查等方面的論文130余篇.出版統計學相關學術專著40余部。

《數據挖掘基礎與應用(SQL Server 2008)》首先系統介紹了數據挖掘和數據倉庫的概念和知識點，然後虛擬一個“邦邦超市”，通過使用SQL語言建立該超市的數據庫并對數據的進行操作，再進一步利用SQLServer 2008的數據挖掘模型對超市積累的數據進行挖掘，以實際例子幫助讀者迅速理解并掌握數據挖掘技術，學會使用SQL Sewer 2008提供的數據挖掘工具，提高零售企業的信息利用能力和經營水平。
《數據挖掘基礎與應用(SQL Server 2008)》特點：介紹數據挖掘和數據倉庫的基本概念和知識點。貼近中小企業和賣場的實際應用需求。用商務智能和SQL Server幫助企業解決實際經營中面臨的決策問題。“邦邦超市”的實際案例貼近生活，適合學習和研究商務智能應用的讀者以此作為實用的參考。作者在統計學和數據挖掘、商務智能等領域有多年的研究和應用實踐指導，在兩岸學術界和企業界具有相當的知名度。華章公司網站提供原始示例文件下載。

前言
第1章 數據挖掘與數據倉庫
1.1 數據挖掘簡介
1.1.1 數據挖掘的定義
1.1.2 數據挖掘的重要性
1.1.3 數據挖掘的功能
1.1.4 數據挖掘的步驟
1.1.5 數據挖掘建模的標準CRISP-DM
1.2 商務智能簡介
1.2.1 商務智能
1.2.2 商務智能的定義
1.2.3 商務智能的架構
1.2.4 商務智能的實施流程
1.3 數據挖掘與其他相關領域的關系
1.3.1 數據挖掘與統計分析的不同
1.3.2 數據挖掘與數據倉庫的關系
1.3.3 KDD與數據挖掘的關系
1.3.4 在線分析處理（OLAP）與數據挖掘的關系
1.3.5 數據挖掘與機器學習的關系
1.3.6 Web挖掘和數據挖掘有什么不同
1.4 數據挖掘在客戶關系管理中的應用
1.4.1 客戶關系管理（CRM）
1.4.2 客戶關系管理指標
1.4.3 數據挖掘應用于各行業
1.4.4 客戶市場細分
1.4.5 交叉銷售
1.4.6 客戶關系管理四大循環過程
1.4.7數據庫營銷
1.5 數據倉庫定義
1.5.1 數據倉庫特性
1.5.2數據倉庫架構
1.5.3 構建數據倉庫的原因
1.5.4 構建數據倉庫的主要目的
1.5.5 數據倉庫的應用
1.5.6 數據倉庫的管理
1.6 數據挖掘工具分類
1.6.1 數據挖掘工具
1.6.2 各工具的簡介

第2章 SQL語言介紹及其實例
2.1 SQL簡介及數據變量來源說明
2.1.1 何謂SQL
2.1.2 各數據文檔變量說明
2.2 SQL基本語法介紹
2.3 會員基本資料整理
2.3.1 查詢縣市別填答狀態
2.3.2 婚姻狀態
2.4 會員基本變項
2.4.1 性別
2.4.2 交易周期性變化
2.4.3 會員在交易時的年齡及婚姻狀態
2.4.4 會員交易金額及紅利積點次數分配百分比
2.4.5 平均交易間隔時間
2.5 產品組合
2.5.1 按照產品編號排行榜
2.5.2 單項產品的排行榜
2.5.3 重復購買率
2.6 會員流失率
2.7 會員貢獻度

第3章 SQL Server 2008的數據挖掘模型在零售業中的應用
3.1 實際案例練習
3.1.1 數據挖掘Microsoft決策樹
3.1.2 數據挖掘Microsoft羅吉斯回歸
3.1.3 數據挖掘Microsoft類神經網絡
3.1.4 數據挖掘Microsoft貝氏概率分類
3.2 潛在客戶預測模型
3.2.1 潛在客戶預測流程圖
3.2.2 交易頻率趨勢圖
3.2.3 交易頻率語法
3.3 模型建構
3.3.1 SSIS操作流程
3.3.2 ssAS操作流程
3.3.3 數據挖掘Microsoft決策樹模型建構
3.3.4 數據挖掘Microsoft羅吉斯回歸模型建構
3.3.5 數據挖掘Microsoft類神經網絡及貝氏概率模型建構
3.3.6 模型比較
3.4 數據挖掘Microsoft時間序列
3.4.1 基本概念
3.4.2 時間序列的成分
3.4.3 時間序列數據的圖形介紹
3.4.4 利用修勻法預測
3.4.5 用趨勢投射預測時間序列
3.4.6 預測含趨勢與季節成分的時間序列
3.4.7 利用回歸模型預測時間序列
3.4.8 其他預測模型
3.4.9 模型單變量時間序列預測模型
3.4.10 時間趨勢預測模型
3.4.11 范例操作
3.5 數據挖掘Microsoft聚類分析
3.5.1 基本概念
3.5.2 范例操作
3.6 數據挖掘Microsoft線性回歸
3.6.1 基本概念
3.6.2 簡單線性回歸分析
3.6.3 多元回歸分析
3.6.4 嶺回歸分析
3.6.5 范例操作
3.6.6 補充（測試集數據匯出）
3.7 數據挖掘Microsoft關聯規則
3.7.1 基本概念
3.7.2 關聯規則的種類
3.7.3 關聯規則的算法：Apriori算法
3.7.4 關聯規則DMX數據挖掘語法
3.8 數據挖掘Microsoft時序群集
3.8.1 基本概念
3.8.2 相關研究
3.8.3 時序群集DMX數據挖掘語法

第4章 OLAP在零售業中的應用
4.1 數據倉庫
4.2 實例操作
4.2.1 數據來源檢查
4.2.2 創建命名查詢（VIP會員數據）
4.2.3 編輯命名查詢（VIP產品組成貨號）
4.2.4 編輯命名查詢（VIP訂單明細表）
4.2.5 編輯命名查詢（VIP訂單數）
4.2.6 編輯命名查詢（VIP購買產品）
4.2.7 編輯命名查詢（VIP會員數）
4.3 維度設計
4.4 建立多維數據集
4.4.1 對企業的價值
4.4.2 數據儲存的選擇性
4.4.3 實例操作
4.5 數據模擬及相關數據明細

第5章 Excel中的數據挖掘模塊
5.1 安裝與設定數據挖掘加載宏
5.1.1 系統需求
5.1.2 開始安裝
5.1.3 完成安裝檢查
5.1.4 狀態設定
5.1.5 設定完成檢查
5.2 Excel 2007數據挖掘工具列介紹
5.2.1 數據挖掘使用幫助
5.2.2 數據挖掘連接設定
5.2.3 設定目前的連接
5.2.4 跟蹤
5.2.5 數據準備
5.2.6 瀏覽數據
5.2.7 清除數據
……
附錄

1.3.1 數據挖掘與統計分析的不同
區分數據挖掘和統計分析的差異其實是沒有太大意義的。數據挖掘有相當大的比重是由高等統計學中的多元分析所支撐。但是為什么數據挖掘的出現會引發各領域的廣泛關注呢？主要原因是相較于傳統統計分析而言，數據挖掘有下列幾項特性：
1）數據挖掘的工具處理大量實際數據時功能更強大，且使用時無須專業的統計背景。
2）數據分析的趨勢為從大型數據庫抓取所需數據并使用專屬計算機分析軟件，數據挖掘的工具更符合企業需求。
3）僅從理論的基礎點來看，數據挖掘和統計分析有應用上的差別，畢竟數據挖掘是給企業末端使用者而非統計學家使用的。
1.3.2 數據挖掘與數據倉庫的關系
若將數據倉庫比作礦坑，數據挖掘就是深入礦坑挖掘的工作。畢竟數據挖掘不是一種無中生有的魔術，也不是點石成金的煉金術，若沒有足夠豐富完整的數據，是很難期待數據挖掘能挖掘出什么有意義的信息的。