决策支持系统与数据挖掘.ppt

管理信息系统（MIS）李修德2012.10,第3次上机：设计表单（FORM）,1,第3次上机内容和要求：内容：表单设计要求：1、预习VF教材(绿皮书)的第7章 表单设计2、用表单向导为三张数据表设计表单，如P157页图7-153、用表单向导设计多表表单，并存放在表单设计器上修 改（利用属性表、控件等工具），要求做两个多表表单4、做一个“欢迎使用教学管理信息系统”的表单。如P170 页图7-27。,第8章 决策支持系统与商务智能（1）,决策支持系统与数据挖掘,第8章(1)决策支持和数据仓库,内容提要：决策支持系统（DSS)联机分析处理（OLAP）数据仓库和数据挖掘 数据仓库在商业中的应用 主要术语和概念 主要参考资料,数据仓库Data warehouse,已讲内容与新内容的关系,决策支持系统DSS,数据仓库Data warehouse,人工智能AI,商务智能BI,计算机,数据库,网络,数据挖掘Datamining,本章内容提要：相互关系,数据仓库,OLAP,决策支持系统,数据挖掘技术,人工智能,商务智能,决策支持系统、商务智能与数据仓库,定义：决策支持系统（decision support system DSS）为交互式计算机系统,运用数据、模型分析、专家知识及其他资源通过友善的人机接口互动，协助个人或团体决策者提升半结构化决策的绩效和满足。在IBM中，又称为商务智能（business intelligence BI）。定义：数据仓库（data warehouse DW）是一种数据库概念的延伸与推广，以适应决策支持需要的一种数据的集合。,数据挖掘与联机分析处理,定义：数据挖掘（data mining DM）是一种探索性的分析方法。(根据已经有的数据,挖掘其中的规律)定义：联机分析处理（on-line analytical processes OLAP）：是一种验证性分析方法。(先定方法,后由数据验证),决策支持系统 DSS,决策支持系统（deciseion support system）,DSS和MIS的不同,1、MIS 主要为中层管理提供 信息服务2、主要是通过查询或报表 进行联机事务处理（OLTP）3、问题:结构化问题4、使用：5、主要技术：关系数据库的 关系运算,1、DSS 支持高层的决策2、主要是通过对话系统 进行联机分析处理（OLAP）3、问题:半结构化问题4、使用 历史性数据库5、主要技术：数据挖掘：依赖性分析、聚类分析、神经网络、遗传算法、粗糙集理论,数据库,数据仓库,决策支持系统（DSS）的半结构化问题,决策支持系统(DSS)定义：为交互式计算机系统,运用数据、模型分析、专家知识及其他资源通过友善的人机接口互动，协助个人或团体决策者提升半结构化决策的绩效和满意决策。,给我销售量最好的产品名单 告诉我出现问题的地区 告诉我为什么(向下钻取)让我看看其它数据(横向钻取)显示最大的利润 当一个地区的销售低于目标时,提醒我,半结构化问题：股票管理、贸易市场开发经费预算资本获利分析等,问 题,决策支持系统（DSS）的基本模式,DSS的基本模式：,真实系统,决策,环境,操作,响应,管理者,协作人员,与人的行为有关的信息,处理数据,MIS信息,外部数据,问题,对话系统,数据库系统,模型库,方法库,知识库,DSS,决策支持系统（DSS）的基本构件,基本构件,人 机对话系统：核心是人机界面提问方式：“如果.则.”能够给用户必要的提示和帮助,数据库:MIS的DB支持日常事务处理DSS的数据仓库可以用联机分析处理(OLAP)支持决策。,方法库:包括通用算法和标准函数:排序算法、分类算法、最小生成树算法最短路径算法、线形规划、整数规划、动态规划、各种统计算法、各种组合算法等,知识库:包括知识的获取,知识的解释、知识的表示、知识推理、知识库的管理和维护。DSS的知识库使用的技术和专家系统与人工智能技术一致。,模型库:可以提供推理比较选择、分析整个问题的模型,DSS是以模型驱动的,可根据具体问题生成决策模型,输出用于制定或估计决策.,数据库、数据仓库、知识库、方法库,数据库：指长期储存在计算机内的、有组织的、可共享的数据集合,数据仓库：不同于数据库。数据库系统是一种通用的平台，用来管理企业的数据；而数据仓库是一种概念，在此概念下进行的构造过程，我们叫它数据仓库处理。所以，数据仓库不是花钱可以购买的现成产品，它是一个建立的过程。,知识库(Knowledge Base)是知识工程中结构化，易操作，易利用，全面有组织的知识集群，是针对某一(或某些)领域问题求解的需要，采用某种知识表示方式在计算机存储器中、组织、管理和使用的互相联系的知识片存储集合。,方法库,基本数学方法,统计方法,优化方法,预测方法,计划方法,金融方法,计划评审,时间序列,矩阵运算,线性规划,判别分析,因子分析,关联分析,初等函数算法,插值算法,拟合算法,平滑算法,外推算法,回归分析,数据库与数据仓库,数据仓库建立过程,ETL(Extract Transformation Load)数据加载：包括数据的抽取、清洗（Data Cleaning）、转换和加载,方法库,方法库,方法库中的方法模块,方法库,基本数学方法,统计方法,优化方法,预测方法,计划方法,金融方法,计划评审,矩阵计算,时间序列,线性规划,判别分析,因子分析,二元相关分析,方差分析,回归分析,外推法,平滑法,拟合法,插值法,初等函数法,方法库的输出报表图形,知识库,工程造价与管理知识库,项目管理知识库,DSS Image Library Browser,影响DSS的因素(四个)&案例,DSS的主要关键要素和决策流程,DSS的主要关键要素（4个）即影响DSS结果的因素：1、环境（如环境的压力、主 管的支持、权力和 政治结构等）2、任务：决策的工作项目3、使用者：使用者的认知方 式、动机、期望、使用方式4、DSS系统：系统设计的质 量、推动和导人策略等,问题认知,情报搜集,方案设计,选择方案,推动结果,决策的流程：,西蒙的决策过程,DSS Liftoff In Flight,CLIME-DSS-2.,Leicester（英国累斯特）,DSS(STScI/AURUA),商务DSS系统,决策支持系统（DSS）的发展趋势,决策支持系统发展趋势,决策支持系统（DSS）的发展趋势,1、智能决策支持系统（IDSS）：,人机接口（对话机）,自然语言处理系统,问题处理系统,模型库管理系统,数据库管理系统,方法库管理系统,知识库管理系统,推理机,模型库,数据库,方法库,知识库,用户,企业智能决策支持系统架构图,IDSS智能决策支持系统,决策支持系统（DSS）的发展趋势,2、群体决策支持系统（GDSS）,决策室,大屏幕,大屏幕,大屏幕,远程电信会议,远程决策,决策局网,群体决策支持GDSS的类型及相互关系,群组决策支持系统（GDSS）就是由DSS演化来的。包括：计算机辅助协同工作（CSCW）群组决策支持系统（GDSS）电子会议系统（EMS）它们之间的关系如图：,GDSS专家Delphi法线上投票多目标决策,EMS电子会议线上讨论,CSCW共同编辑协同设计,GDSS群体决策支持系统,the GDSS tools,word processing,联机分析处理 OLAP,联机分析处理（on-line analyticalprocesses）,OLAP技术是与数据仓库技术相伴发展起来的，1993年，“关系数据库”之父E。F。Codd首次提出了OLAP的概念，专门支持复杂的分析操作。OLAP的主要特征是能够提供数据的多维概念视图。多维信息被抽象为立方体，它包括维和度量值，维是我们说的观察角度，度量值是我们关心的指标值。可以使用户从多角度、多侧面、多层次直观地考察数据仓库中数据，深入理解数据中的信息和内含。,基本概念,联锁商店的销售金额（主题）的维1、按时间角度分析、统计其销售金额（季度）2、按不同商品角度分析统计的销售金额。（产品）3、按联锁商店不同地域分析统计的销售金额（地域）观察角度称为“维”，观察深度称为“层”。一个维中可以允许有若干层。,NO1NO2NO3ALL,一 二 三 四 all（季）,TV PC VCDALL,产品,商店,什么是联机分析处理（OLAP）,什么是联机分析处理（OLAP）OLAP是一种验证性分析软件，它具有归纳的作用。它将数据仓库中的数据作为分析对象，通过多种复杂操作，可以对高层管理人员提供有力的决策支持。它可以满足分析人员的要求，进行快速灵活地大数据量复杂的操作处理。并且以一种直观、易懂的形式将结果展示给决策人员。,OLAP与OLTP的比较,Create OLAP,NET OLAP control界面,简单联机分析轴侧图结果,OLAP的分析结果,Analyzer OLAP,OLAP Example 1,OLAP Market分析,什么是联机分析处理（OLAP）,2、OLAP试测环境构建的4个过程：,OLAP 主 题,OLAP概念模型-星形、雪花、星座模型,OLAP 逻辑模型-多维数据模型,OLAP 物理模型-ROLAP/MOLAP,OLAP联机分析概念模型,LAP概念模型:星型、雪花型、星座型,基本概念,联锁商店的销售金额（主题）的维度1、按时间角度分析、统计其销售金额（季度）2、按不同商品角度分析统计的销售金额。（产品）3、按联锁商店不同地域分析统计的销售金额（地域）观察深度称为“层”。一个维中可以允许有若干层。,NO1NO2NO3ALL,一 二 三 四 all（季）,TV PC VCDALL,产品,商店,OLAP vs,联机分析处理的基本数据模型,OLAP的基本概念模型：1、星型模型（star schema）星型模型的主体是事实表（如：销售表）其主要事实称为量或度量（如：销售金额），另一种表称为维表，用以建立多维结构中的维值，一般有一个事实表和n个维表。在维表 中给出取值条件，在事实表中获得值的结果。,日期表（维表）,销售表（事实表）,商店表（维表）,产品表（维表）,实例,联机分析处理的基本数据模型,2、雪花模式 很多情况维呈现层次状，即具有一定深度。就成为雪花模式。,销售表（事实表）,产品表,类表,洲表,大类表,商店表,市表,省表,国表,年表,日期表,月表,季表,联机分析处理的基本数据模型,3、星座模式 通过共享维，将多个星型模式连接在一起，构成星座模式。,事实表,案例,银行交易分析,机构表,联机分析处理的实例：银行交易分析,OLAP的操作实例（如:银行交易分析）1、雪花模型：,时间表,帐户表,帐户交易事实表,交易分析雪花模型,OLAP的逻辑模型是四维数据模型，它的多维数组形式为（时间，帐号，机构，发生金额与笔数）如（2004年1月15日，4321567，工行汉口分理处，360万元，567笔）,联机分析处理的实例：银行交易分析,2、银行交易量分析：,发生金额,发生笔数,案例分析结果,发现2月份交易额萎缩，1月和4月进出资金量较大，但交易笔数相对比较小。这表明客户进行大笔资金调度，进一步对帐户做切片操作，最终可以将进行大笔资金调度的客户锁定。,逻辑模型(多维数据模型),联机分析处理的基本概念,基本概念:1、对象（Object）关注和聚焦的分析客体称为对象。如：联锁商店的销售金额。2、维（dimension）对对象的观察角度称为“维”。如在联锁商店的销售金额可以有三维：时间维：按时间角度分析、统计其销售金额。商品维：按不同商品角度分析统计的销售金额。地域维：按联锁商店不同地域分析统计的销售金额。3、层（layer）观察深度称为“层”。一个维中可以允许有若干层。如：在联锁商店的 时间维可以有日、旬、月、季、年等层 商品维可以有商品类（如家电类）商品大类（如电气产品大类）等 地域维可以有市、省、国、洲等,联机分析处理的多维数据模型（逻辑模型）,OLAP的多维结构 多维结构由多个维组成，当每个维确定一个取值时，即可获得一个多维结构中的变量。这个变量称为数据单元，或单元。（cell）这种表示方式称为多维数组。也称为数据立方体。（如：产品维成员：vcd；日期维成员：2003年3月19日；商店维成员：NO。1）,商店,NO1NO2NO3ALL,一 二 三 四 all（季）,TV PC VCDALL,产品,多维结构的操作：1、切片2、切块3、旋转4、钻探（下钻如地域 时间 和上探（反方 向）,数据仓库的操作（下钻、上卷）,With the Oracle OLAP data model,Relationships between common OLAP,Oracle OLAP,SAP OLAP,MS SQL Server2005的功能：分析服务,数据仓库DW与数据挖掘DM,数据仓库与数据挖掘（data warehouse data mining）,数据仓库,数据仓库,引论,数据仓库（data warehouse）在1988年Devlin 和 Murphy发表了首篇数据仓库的论文，在1993年,由 William H.Inmon 所写的Building the Data Warehouse首次系统地阐述了数据仓库的思想和理论。知识发现（Knowledge Discovery in Database KDD）在1989年8月第11届国际人工智能联合会议的专题研讨会上，首次提出基于数据库的知识发现技术。数据挖掘（Data Mining DM）在1995年，在美国计算机年会（ACM）上，首次提出数据挖掘的概念。数据挖掘是KDD过程中最为关键的步骤，在实际使用中两个术语的应用往往不加区别。,数据仓库,定义：数据仓库是一个面向主题的，集成的，随时间变化的非易失性数据的集合，用于支持管理层的决策过程。数据仓库的特性：1、面向主题性（创建和使用都围绕主题：产品、客户等）2、数据集成性（从业务处理系统获取，如：OLTP、EC 等，要经过数据预处理：挑选、清理、综合）3、数据的时变性（数据不能长期不变）4、数据的非易失性（数据不能更改）5、数据的集合性（多维数据库方式进行存储的多维模式）6、支持决策作用（根本的目的是对决策的支持，以便提 高管理决策的质量和效果）,清洗操作，最后加载到数据仓库中,数据准备,数据仓库与数据集市,决策分析与多维分析、数据挖掘等的关系,数据库,数据仓库,决策分析,数据挖掘,关系数据模型,多维数据模型,关系型分析,多维分析,以数据仓库为基础的电子商务架构,数据仓库典型产品简介,参考：徐洁磐 数据仓库与决策支持系统 科学出版社 P192224,数据仓库市场保持了良好的增长,数据挖掘、知识发现,数据挖掘、知识发现,什么是数据挖掘（DM）,什么是数据挖掘（data mining）从数据仓库中利用知识发现技术（如：依赖性分析、聚类分析、基于神经网络的数据挖掘技术、基于遗传算法的数据挖掘技术、基于粗糙集的数据挖掘技术等）寻求商业模式。数据挖掘的目标：1、找到更好的顾客 2、增加市场分额和获取更高利润 3、了解顾客的全面关系,制定定价策略和产品包装方式。4、分辨顾客的生命期信息 5、分析购卖行为和促销反映，增加促销效益。,什么是数据知识发现（KDD）,数据知识发现（knowledge discovery database KDD）1996年 fayyad 的定义：知识发现是从数据集中识别有效模式的非平凡过程，该模式是新颖的，有潜在应用价值的和最终可以理解的。数据挖掘是知识发现的关键过程。,商务智能中的KDD过程：,数据,目标数据,预处理后数据,转化后数据,商务智能,模式,数据选择,预处理,数据转化,数据挖掘,解释/评价,数据挖掘的14种算法,关联规则,分类分析,聚类分析,APRIoRI算法,回归分析,差异分析,划分法,层次法,基于密度方法,基于网格方法,决策树算法,粗集算法,人工神经网络,贝叶斯方法,遗传算法,数据挖掘的主要技术（算法）内容,数据挖掘主要技术1、描述（归纳）2、分类预测3、聚类分析4、关联分析5、依赖性分析6、粗糙集7、模糊技术,MS SQL Server 2005 的 数据挖掘算法：1、贝叶斯算法2、决策树算法3、时序算法4、聚类算法5、序列聚类算法6、关联规则算法7、神经网络算法8、文本挖掘技术,数据挖掘,数据挖掘的方法,数据挖掘的方法,四类重要的数据挖掘方法,聚类分析,关联分析,异常检测,预测建模,数据挖掘技术（DM）,1、分类和预测：分类在机器学习中称为模式识别，分类技术包括统计方法（logistic 回归、线形判别、二次判别、费歇尔判别）k近邻分类、决策树分类、基于关联规则的分类、贝叶斯分类、神经元网络分类、支持向量机分类 预测是对业务信息所代表的对象的显著性区别，对对象的区别对待，进而达到控制成本或者提高效率。,数据挖掘技术：预测方法,、预测方法,聚类分析,、聚类分析是多元分析的一种,也是非监督模式的一个重要分支。它把一个没有类别标记的样本集，按某种准则划分成若干个子集（类），使相似的样本尽可能归为一类，而不相似的样本尽量划分到不同的类中。传统的聚类分析是一种硬划分，它把每个待划分的对象严格地划分到某类中，具有非此即彼的性质。而实际上大多数对象并没有严格的属性，它们在性态和类属方面存在着中介性。具有亦此亦彼的性质，因此适合进行软划分。分类算法将数据按含义划分成组，用户可以用此算法生成侧面，例如:感兴趣的顾客侧面。一些常见的聚类算法包括：模式识别、侧面生成、线形聚族和概念聚族。,数据挖掘技术（DM）,聚类分析：是将一个数据集合按照某个标准分成几个簇。,分类,聚类,收入,债务,贷款,不贷款,收入,债务,1,2,3,分类,蛋白质的聚类分析,SPSS数据挖掘方法-聚类分析,关联规则,4、关联规则挖掘：对不同类型之间的相互关系分析其潜在的逻辑规律，为业务运作提供决策支持。是在给定的事务数据库中找出最小支持度和最小置信度的规则 如：x y,数据挖掘软件SPSS（贝叶斯网络）,数据挖掘技术：逻辑斯蒂回归,数据挖掘技术（DM）,3、依赖性分析:1、基本概念：规则：一般形式为“IF 条件成立，THEN 结论”。通过关联规则，可以发现这三种规则：有用的、价值不高的、费解的。价值不高的规则往往是对一些商业领域内众所周知的规则的重现。如：今天是情人节，那么鲜花的价格肯定会暴涨。费解的规则往往是数据中一些偶然的东西。如：有一天某个超市发现购买消暑商品的顾客增加，但是只有这一天特别突出，前后消量趋于平常。有用的规则多是那些“潜在的，别人没有发现的也没有广泛运用在商业中的规则”如:尿布与啤酒之间的依赖性,依赖性分析原理,依赖性分析原理：依赖性分析算法在数据仓库的条目或对象之间抽取依赖性.利用依赖性分析算法可以从某一对象的信息来推断另一数据对象的信息.一组依赖性可以表示为依赖图.人们利用依赖性分析是为了解变动，并了解变动发生的可能原因.如:销后服务对产品销售的影响.,依赖性分析,支持度：如果88%的顾客购买了商品A，就说商品A 的支持度为 0。88 即 suport=0。88 最小支持度：如果某种规则发生的概率低于指定的最小支持度（min support），则我们可以 不考虑这种规则。P（AB）min support 最小支持度用来去除可能性很小的规则,也就是费解的规则,数据挖掘技术（DM）,最小置信度:P(AB)min confidence P(A)如果某个规则成立的概率很小,则这个规则没有什么用途。因为这两件事物的联系很小。事实上只有高于最小支持度并且高于最小可信度的规则才被保留。,收入,成本,其他服务,存货服务,产品,顾客,依赖性分析图,依赖性分析案例“尿布与啤酒的依赖”,可信度：confidence=P（条件和结论）P（条件）例如在超市中,A,B,C商品的购买率如右表所示,我们定义如下规则：IF B THEN A，则 它的可信度是：P（A and B and C）P（B and C）=5%/15%=0。33,依赖性分析案例“尿布与啤酒的依赖”,支持度=同时购买啤酒和尿布的销售次数 总销售次数,置信度:大于40%置信度的情况,大于60%支持度的情况,香港大型商业中心对交通的依赖性分析,城市对房地产业的依赖性比较,依赖性分析软件,粗糙集（rough set）技术,4、粗糙集（rough set）理论 是一种研究不精确、不确定性的数学工具，由波兰数学家Z。Pawlak 在1982年首先提出，1991年他的粗糙集合专著出版。在粗糙集理论中，知识这个概念被视为一种分类能力，通过分类将差异不大的个体划分为一类，它们之间构成一种不可分辨关系，又被称为不可分辨划分。它正是将这种划分后的每一类作为研究对象，研究其某一概念的肯定支持，或肯定不支持，或可能支持（也可能不支持）的程度，并用粗糙隶属函数加以定量描述。,粗糙集（rough set）技术,应用粗糙集合进行数据挖掘：数据挖掘研究的实施对象多为关系数据库，关系表可被看作是粗糙集理论中的决策表（也称为信息表）这给粗糙集方法的应用带来极大的方便。现实世界中的规则有确定性的，也有不确定性的，从数据库中发现不确定的知识，为粗糙集方法的用武之地。运用粗糙集方法得到的知识发现算法可以极大地提高效率。所以在知识获取、机器学习、规则生成、决策分析、智能控制等领域获得了广泛应用。在科研、金融、天文、医疗等领域庞大数据的发掘中，可以发现隐含在数据中的许多有价值的知识。,基于粗糙集理论的知识获取系统,模糊技术,5、模糊技术：扎德提出的模糊集合论为模糊信息的描述和处理提供了数学基础。模糊集合是传统集合的扩展。模糊集合的隶属函数的值域为0，1，当模糊集合的隶属函数的值域为1，1 时，该模糊集合就退化为传统的集合。在对数据源进行挖掘分析时，可为指定的属性引人模糊概念，使用模糊集的方法用隶属度对属性值进行转换，使数据源中的属性值便于人们的理解和计算机分析处理。为每个属性引人一个模糊概念,模糊技术,6、模糊技术：如：收视率为“高”或“低”等，并确定相应的隶属函数，然后进一步扫描数据源，对每个事件的各属性的取值用相应的隶属度代替。原来属性之间的关联就变成模糊意义上的关联。所形成的关联规则，即为模糊关联规则。模糊关联规则的模糊性不仅体现在模糊概念的模糊性，而且体现在隶属函数确定的模糊性，因为隶属函数的确定也有一定的模糊性，而不同的隶属函数所得到的属性值也会不同，从而可能导致挖掘结论不同。模糊集还用于分类，对于数据挖掘系统进行分类，模糊逻辑是有用的。它提供了在高度抽象层处理的便利。,模糊查询技术在公交管理中的应用,数据挖掘在解决方法上的分类,数据挖掘功能和应用领域,数据挖掘的实例,数据挖掘：SQL Server 2005,SQLserver2005 数据挖掘研究,使用Access 2007开始数据挖掘,数据挖掘在人力资源方面的应用,DM（数据挖掘）上海数据库开发,生物医学文献数据挖掘软件,SQL Server分析服务中的数据挖掘,数据挖掘工具的比较,数据挖掘工具的比较,小结,决策支持系统与数据挖掘小结,本章小结,数据仓库,OLAP,决策支持系统,数据挖掘技术,人工智能,商务智能,本章小结,数据挖掘技术1、描述（归纳）2、分类预测3、聚类分析4、关联分析5、依赖性分析6、粗糙集7、模糊技术,MS SQL Server 2005 的 数据挖掘算法：1、贝叶斯算法2、决策树算法3、时序算法4、聚类算法5、序列聚类算法6、关联规则算法7、神经网络算法8、文本挖掘技术,第八章 决策支持与商务智能,主要的概念和术语：联机事物处理(OLTP);联机分析处理(OLAP);数据挖掘(DM：data mining);数据仓库（DataWareHouce);人工智能（AI）商务智能（BI）数据库知识发现（KDD）决策支持系统（DSS）管理信息系统（MIS）,主要的问题：1、MIS与DSS有什么不同？（数据库与数据仓库及知识库、模型库和方法库；OLTP与OLAP：结构化问题与半结构化问题；中层与高层管理）2、知识的表示有哪三种方法？（产生式规则、框架、语义网络）3、OLTP与OLAP有什么不同？(通过查询解决事务的能力;通过数据分析辅助解决决策问题)4、数据挖掘的主要任务是什么？（归纳、分类和预测、聚类分析）5、数据挖掘的主要技术是什么？（统计算法神经网络、遗传算法、聚类分析、模糊分析粗糙集）6、商务智能的主要技术是什么？（专家系统、遗传算法、神经网络、智能代理）,主要参考资料,1、美Paulraj Ponniah 著 段云峰 译 数据仓库基础 电子工业出版社2、徐洁磐 数据仓库与决策支持系统 科学出版社3、刘翔 数据仓库与数据挖掘技术 上海交通大学出版社4、郭秋萍 企业数据挖掘 理论与实践 黄河水利出版社5、胡运发 数据与知识工程导轮 清华大学出版社6、美 ZhaoHui Tang 著 数据挖掘原理与应用 清华大学出版社7、谢邦昌 商务智能与数据挖掘 M SQL Server 应用 机械工业出版社 2008年3月,主要术语和概念,主要术语和概念：决策模型;决策过程;决策支持系统(DSS);模型库;方法库;知识库;专家系统/基于知识的系统(ES);知识工程师（Knowledge Engineer）；知识工作者（Knowledge Worker）；人工智能(AI);ROMC方法(表述 representation 操作 operation 记忆辅助 memory aids 控制机制 control mechanisms);智能决策支持(IDSS);群体决策支持系统(GDSS);群件（Groupware）；知识获取(知识发现)（Knowledge Acquisition）;知识推理;知识表达;产生式规则;框架;语义网络;继承推理;匹配推理;散射激活推理;模糊数学;,主要术语和概念,人工神经网络（Neural network）;遗传算法（Genetic Algorithm）;地理信息系统（GIS）；全球定位系统（GPS）；自动语音识别（ASR）；离散式语音识别（DASR）；连续自动语音识别（CASR）；自动虚拟环境（CAVE）；联机事物处理(OLTP);联机分析处理(OLAP);数据仓库(DWH);维;类别(category);切片(slice);切块(dice);下钻/上卷(drill down/roll up);旋转(rotate);OLAP准则;数据挖掘(data mining);概念描述(归纳或简约);分类;预测;接类、聚类;关联;客户关系管理;供应链管理,决策支持和商务智能,结束 谢 谢,决策支持系统（DSS）的历史演变,信息系统（基于计算机）,个人DSS,数据库,数据仓库,经理信息系统（EIS）,在线分析处理OLAP,人工智能,专家系统,知识库系统,数据挖掘,智能决策IDSS,互联网,企业信息门户,Web-basedGDSS,传输处理与报告系统,智能代理,产品推荐系统,