Microsoft商業智能中一項重要的技術為數據挖掘的分析技術，主要是在大量數據庫中尋找有意義或有價值的信息的過程。透過機器學習技術或是統計分析方法論，根據整合的資料加以分析探索，發掘出隱含在數據中的特性，通過專業領域知識（Domain Know-how）整合及解釋，從中找出合理且有用的信息，經過相關部門針對該模型的評估后，再提供給相關決策單位加以運用。

近年來，數據量的增加速度越來越快，加上商業智能的運用早已受到企業的重視。將企業累積的數據庫，透過大量的信息與相關信息的分析，更能找出顧客區分、消費行為、業務成本與效率等對企業極為重要的信息。通過商業智能的應用，使之更深入了解客戶，并可協助業務的開發以及增加在顧客管理上的有效性。

隨著知識經濟時代來臨，企業間的競爭模式從傳統的采用壓低成本與價格的殺價流血競爭，到近來倡導以創新為核心競爭力。不論哪一種策略模式，都是不斷在技術研發、制造生產、營銷銷售、客戶服務或資源分配等相關問題上，尋求問題的發生原因并嘗試找出解決方案。在不同運營階段，陸續累積的龐大數據，往往就是答案的隱身之所。因此，如何善用數據，從運營的歷史記錄中，挖掘出深藏其中的寶貴經驗（金礦），就是數據挖掘（Data Mining）的目的。

相對于其他數據庫系統或數據挖掘軟件，微軟最新推出的數據庫系統Microsoft SQL Server 2014可為您的關鍵任務應用程序提供突破性的性能、可用性和可管理性。SQL Server 2014 還針對在線事務處理（OLTP）和數據倉庫提供了把核心數據庫內置于內存中 （In-Memory）的新功能，完善了現有數據倉庫和商業智能的功能。借助這些功能，極大提升了企業在商業智能處理方面的性能與效率。然而如何充分發揮Microsoft SQL Server在商業智能應用中的效力，則需要一定的專業知識和學習過程。針對業界實務上的需求，我們編寫了這本教程，以期在實務應用和理論方法之間搭建一座橋梁。讓讀者迅速掌握現代商業智能應用的主要內容。

PART I 數據倉庫、數據挖掘與商業智能


Chapter 1 緒論 2
1-1 商業智能 3
1-1-1 什么是商業智能 3
1-1-2 商業智能作用及意義 3
1-1-3 商業智能架構 4
1-1-4 商業智能中的挑戰 6
1-2 數據挖掘 7
1-3 大數據 9
1-3-1 何謂大數據 9
1-3-2 大數據的應用 9
1-4 云計算 10
Chapter 2 數據倉庫 13
2-1 數據倉庫定義 14
2-2 數據倉庫特性 14
2-3 數據倉庫架構 15
2-4 創建數據倉庫的目的 17
2-5 數據倉庫的運用 18
2-6 數據倉庫的管理 19
2-7 No SQL數據庫 19
2-7-1 Key-Value型數據庫 20
2-7-2 內存數據庫（In-memory Database） 20
2-7-3 文件數據庫（Document Database） 20
2-7-4 圖形數據庫（Graph Database） 20
2-8 Hadoop 21
Chapter 3 數據挖掘簡介 22
3-1 數據挖掘的定義 23
3-2 數據挖掘的重要性 23
3-3 數據挖掘的功能 23
3-4 數據挖掘的步驟 24
3-5 數據挖掘建模的標準CRISP-DM 25
3-6 數據挖掘的應用 27
3-7 數據挖掘軟件介紹 28
3-8 數據挖掘與Excel 30
Chapter 4 數據挖掘的主要方法 31
4-1 回歸分析（Regression Analysis） 32
4-1-1 簡單線性回歸分析（Simple Linear
Regression Analysis） 32
4-1-2 多元回歸分析（Multiple Regression
Analysis） 32
4-1-3 脊回歸分析（Ridge Regression
Analysis） 32
4-1-4 邏輯回歸分析（Logistic Regression
Analysis） 34
4-2 關聯規則（Association Rule） 34
4-3 聚類分析（Cluster Analysis） 34
4-4 判別分析（Discriminant Analysis） 36
4-5 神經網絡（Artificial Neural Network） 37
4-6 決策樹（Decision Tree） 39
4-7 其他分析方法 40
Chapter 5 數據挖掘與相關領域的關系 42
5-1 數據挖掘與統計分析 43
5-2 數據挖掘與數據倉庫 43
5-3 數據挖掘與知識發現（KDD） 44
5-4 數據挖掘與OLAP 45
5-5 數據挖掘與機器學習 46
5-6 數據挖掘與Web數據挖掘 46
5-7 數據挖掘、云計算與大數據 47

PART II Microsoft SQL Server概述

Chapter 6 Microsoft SQL Server中的商業智能 49
6-1 Microsoft SQL Server入門 50
6-2 關系數據倉庫 50
6-3 SQL Server 2014概述 51
6-4 SQL Server 2014技術 52
6-5 SQL Server 2014新增功能 54
Chapter 7 Microsoft SQL Server中的
數據挖掘功能 56
7-1 創建商業智能應用程序 57
7-2 Microsoft SQL Server數據挖掘功能
的優勢 59
7-2-1 易于使用 59
7-2-2 簡單而豐富的API 59
7-2-3 可伸縮性 60
7-2-4 數據挖掘算法 60
7-3 Microsoft SQL Server數據挖掘算法 61
7-4 Microsoft SQL Server可擴展性 62
7-5 Microsoft SQL Server是數據挖掘與
商業智能的結合 62
7-5-1 數據分析 62
7-5-2 報告 63
7-6 使用數據挖掘可以解決的問題 63
7-6-1 構建挖掘模型 63
7-6-2 構建數據挖掘應用程序 64
7-6-3 DMX范例 65
Chapter 8 Microsoft SQL Server的分析服務
（Analysis Services） 67
8-1 創建多維數據集的結構 68
8-2 建立和部署多維數據集 69
8-3 從模板創建自定義的數據庫 69
8-4 統一維度模型 70
8-5 基于屬性的維度 71
8-6 維度類型 72
8-7 量度組和數據視圖 72
8-8 計算效率 73
8-9 MDX腳本 74
8-10 存儲過程 75
8-11 關鍵績效指標（KPI） 75
8-12 實時商業智能 76
Chapter 9 Microsoft SQL Server的報表服務
（Reporting Services） 78
9-1 為何使用報表服務 79
9-2 報表服務的功能 80
9-2-1 制作報表 80
9-2-2 管理報表 80
9-2-3 提交報表 81
Chapter 10 Microsoft SQL Server的整合服務 83
10-1 SSIS介紹 84
10-1-1 DTS與SSIS 84
10-1-2 DTS升級到Integration Services
重點 84
10-1-3 SSIS版本 85
10-1-4 SSIS（SQL Server Integration
Service）架構圖 85
10-1-5 Integration Service數據流 85
10-1-6 SSIS Designer 87
10-1-7 數據流 87
10-1-8 控制流 88
10-2 操作示例 92
10-2-1 將Excel數據表導入SQL數據庫
中的數據表 92
10-2-2 對數據進行抽樣 103
Chapter 11 Microsoft SQL Server的
DMX語言 114
11-1 DMX語言介紹 115
11-2 DMX函數 117
11-2-1 模型建立 117
11-2-2 模型訓練 118
11-2-3 模型使用（預測） 118
11-2-4 其他函數語法 119
11-3 DMX語法 122
11-3-1 決策樹 123
11-3-2 貝葉斯概率分類 124
11-3-3 關聯規則 125
11-3-4 聚類分析 126
11-3-5 時序聚類分析 127
11-3-6 線性回歸分析 127
11-3-7 邏輯回歸 128
11-3-8 神經網絡 129
11-3-9 時序 130
11-4 DMX操作實例 131
11-4-1 分類（classification） 132
11-4-2 評估（estimation） 133
11-4-3 預測（prediction） 134
11-4-4 關聯分組（affinity grouping） 135
11-4-5 聚類分組（clustering） 136

PART III Microsoft SQL Server 中的數據挖掘模型

Chapter 12 決策樹模型 138
12-1 基本概念 139
12-2 決策樹與判別函數 139
12-3 計算方法 140
12-4 操作范例 142
Chapter 13 貝葉斯分類器 152
13-1 基本概念 153
13-2 操作范例 155
Chapter 14 關聯規則 166
14-1 基本概念 167
14-2 關聯規則的種類 168
14-3 關聯規則的算法：Apriori算法 168
14-4 操作范例 169
Chapter 15 聚類分析 179
15-1 基本概念 180
15-2 層級聚類法與動態聚類法 180
15-3 操作范例 185
Chapter 16 時序聚類 197
16-1 基本概念 198
16-2 主要算法 198
16-3 操作示例 200
Chapter 17 線性回歸模型 210
17-1 基本概念 211
17-2 一元回歸模型 212
17-2-1 模型假設及推估 212
17-2-2 回歸模型測試 215
17-3 多元回歸模型 216
17-3-1 回歸效果的評估 216
17-3-2 回歸變量的選擇 218
17-4 操作范例 219
Chapter 18 邏輯回歸模型 228
18-1 基本概念 229
18-2 logit變換與logistic分布 229
18-3 邏輯回歸模型 231
18-4 操作范例 232
Chapter 19 人工神經網絡模型 242
19-1 基本概念 243
19-2 神經網絡模型的特點 245
19-3 神經網絡模型的優劣比較 245
19-4 操作范例 247
Chapter 20 時序模型 257
20-1 基本概念 258
20-2 時序的構成 260
20-3 簡單時序的預測 266
20-4 包含趨勢與季節成分的時序預測 268
20-5 參數化的時序預測模型 270
20-6 操作范例 274

PART IV Microsoft SQL Server數據挖掘應用實例

Chapter 21 決策樹模型實例 285
Chapter 22 邏輯回歸模型實例 293
22-1 回歸模型實例一：腎細胞癌轉移
的回歸模型 294
22-2 回歸模型實例二：高中升學數據
的回歸模型 300
22-3 回歸模型實例三 306
Chapter 23 神經網絡模型實例 312
23-1 實例一：腎細胞癌轉移的神經
網絡模型 313
23-2 實例二：電信行業神經網絡模型 319
Chapter 24 時序模型實例 332
24-1 實例一：電力負載的時序模型 333
24-2 實例二：進出品貨物價值的
時序模型 338
Chapter 25 如何評估數據挖掘模型 344
25-1 評估圖節點Evaluation Chart
Node介紹 345
25-2 在SQL Server中如何評估模型 348
25-3 規則度量：支持度與可信度 353
25-4 結論 355

1. 輸水管線工程風險管理 [張勇 黨亥生 著]
2. 民用航空飛機標準線路施工 [主編　王志敏　陳明]
3. 不息的水脈—大運河講談錄 [趙珩　著]
4. 實用運籌學 [主編　邢育紅　于晉臣]
5. 三峽梯級電站水資源決策支持系統研究與開發 [姚華明 潘紅忠 湯正]
6. 海南黎族民俗文化鑒賞 [龐國華　著]
7. 石墨烯在太赫茲及中紅外頻段電磁器件設計中的應用 [李艷秀 莊華偉 著]
8. 電子技術（第二版） [主編 覃愛娜 李飛]
9. 辦公自動化高級應用 [陳萍 朱曉玉]
10. 信息處理技術員考試32小時通關 [薛大龍]
11. 電子產品設計案例教程（微課版）—基于嘉立創EDA（專業版） [王靜 莫志宏 陳學昌 丁紅]
12. C程序設計實踐教程 [劉衛國]
13. C程序設計（慕課版） [劉衛國]
14. Web技術開發教程（基于.NET開源MVC框架） [王合闖 韓紅玲 王青正 陳海蕊]
15. 商務英語翻譯教程（筆譯）（第四版） [主編 王軍平]
16. 智慧零售技術與應用 [洪旭 著]
17. 建設工程法規實務 [主編 余瀅]
18. 商務秘書理論與實務（第三版） [主編 張同欽]
19. 程序設計基礎實踐教程（C/C++語言版） [張桂芬 葛麗娜]
20. C++案例項目精講 [主編 楊國興]
21. 勞動爭議處理實務 [主編 王秀卿 羅靜]
22. 工程數學 [主編 郭立娟 王海]
23. 語音識別理論與實踐 [主編　莫宏偉]
24. 信息系統項目管理師章節習題與考點特訓（第二版） [主編 薛大龍]
25. 武術基礎教程 [主編 李代勇 謝志民]
26. 計算機網絡實訓教程 [主編 張浩軍 趙玉娟]
27. 畫法幾何與機械制圖習題集（多學時） [主編 趙軍]
28. HCIA-Datacom認證題庫分類精講 [主 編 韓立剛]
29. SwiftUI完全開發 [李智威 著]
30. 網絡規劃設計師備考一本通 [夏杰 編著]