实验报告 范文（一）

实验一使用EXCEL中辅助决策工具进行物流预测与企业经营决策分析一、实验目的：（1）通过本实验掌握物流预测与确定型决策的原理和工作步骤。（2）熟练运用Excel对物流需求进行预测与企业经营决策分析。（3）培养运用常用信息工具解决物流管理中遇到的实际问题的能力。二、实验内容：表一列出了某物流配送中心过去15个月的产品出货量，要求用Excel对第16月出货量进行预测。表一某产品配件的月需求量月份123456789101112131415需求量（万件）10158201016182022242026272929第一步：建立模型设d1+、d1-为目标1的偏差情况,依此类推，总时间方面，每提前1钟奖励2元，延误1分钟则惩罚5元。5d1+-2d1-；总费用方面，每降低1元成本奖励1元，超过1元则惩罚1元。d2+-d2-；总质量方面，每提高一个质量等级奖励1元，降低一个质量等级则惩罚2元，-d3++2d3-；则根据案例分析可得目标函数为minZ=5d1+-2d1-+d2+-d2--d3++2d3-那么这个约束条件包括质量约束、成本约束、时间约束以及平衡约束。第二步，建立工作表，并输入相关数据，横向为集货、分货、拣货及配装四项，纵向包括一般时间、最小时间、成本、质量、单位成本、单位质量、质量权重、成本约束、质量约束，单位成本和单位质量未知，如何求得？单位成本=成本/一般时间单位质量=（质量-质量约束）/（一般时间-最小时间）横向填充即可得到每个环节的单位成本和单位质量。建立规划模型，横向仍为集货、分货、拣货、配装及实现值五项，纵向为时间目标、成本目标、质量目标，集货环节的成本目标为其对应的时间目标与单位成本之积，其他环节依次类推，质量目标为其对应的时间目标与单位质量的乘积，其他环节依此类推。时间目标的实现值为四个环节时间目标之和，成本目标实现值也是四个环节之和，质量目标的实现值为各环节质量权重与各环节质量目标的乘积之和。建立规划模型，横向为目标值、正偏差、负偏差、平衡值、约束、目标值，总时间在T=100分钟内，总费用限制在C=700元内，总质量要求达到Q=5，于是目标值下方的约束值分别为100、700、5，时间目标的平衡值为实现值-正偏差+负偏差，成本目标、质量目标依此类推。输入各目标的处罚系数，总偏差为目标值的正负偏差之积与处罚系数的正负偏差之积的和。第三步：求解在“规划求解参数”对话框中，输入总偏差下的位置，等于“最小值”，在“可变单元格”处输人“$I$16:$J$18,$B$16:$E$16”在“规划求解选项”对话框，选定“采用线性模型”以及“假定非负”，得到结果。实验分析与总结移动平均法适用于即期预测，当产品需求既不快速增长也不快速下降，且不存在季节性因素时，移动平均法能有效。当时间序列的数值由于受周期变动和随机波动的影响，起伏较大，不易显示出事件的发展趋势时，使用移动平均法可以消除这些因素的影响，显示出事件的发展方向与趋势（即趋势线），然后依趋势线分析预测序列的长期趋势。指数平滑法兼容了全期平均和移动平均所长，不舍弃过去的数据，但是仅给予逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数。但是难以确定指数平滑指数，受主观影响较大。总偏差值与目标值得正负偏差息息相关，当处罚权重的正负偏差给定时，可以不断调整目标值的正负偏差，负偏差不变，正偏差都为正数时，值越大，总偏差越大，总的来说，由于总偏差为乘积和，它与偏差的数值及正负符号有必然联系。时间目标分别为7、15、15、30，总偏差为0，当正偏差分别取6、4、3，负偏差分别取-2、-3、-3时，总偏差为32，而且经多次取值实验得知，总偏差与时间目标的正负偏差的绝对值为正相关，与成本目标正负偏差的绝对值成正相关，与质量目标的正负偏差的绝对值为负相关。可知，当时间目标分别为7、15、15、30时，利益最大。实验二数据仓库的构建

一、实验目的及要求（一）实验目的1．理解数据库与数据仓库之间的区别与联系；2．掌握典型的关系型数据库及其数据仓库系统的工作原理以及应用方法；3．掌握数据仓库建立的基本方法及其相关工具的使用。（二）实验要求利用实验室提供的实验软件，认真完成规定的实验项目，真实地记录实验中遇到的各种问题和解决的方法与过程，并绘出模拟实验案例的数据仓库模型。实验完成后，应根据实验情况写出实验报告。二、实验设备及软件基于NT的局域网络，服务器与客户端安装MSSQLServer服务系统以及AnalysisServices系统。三、实验内容以SQLServer为系统平台，设计、建立数据库，并以此为基础创建数据仓库。四、实验步骤第一步，启动SQLServer服务，与服务器建立新连接。第二步，注册服务器，服务器名称为“student+号码”第三步，建立系统数据源连接，此连接需打开控制面板，在管理工具的数据源中建立，按指导书中的步骤建立名为“教程”的数据源，第四步，建立数据库和数据源，可以按指导书中的详细说明来建立，需要在AnalysisManager树视图中展开“AnalysisServers，来新建数据库，此数据库名称与数据源名称一样，都为“教程”，建立之后，需要测试链接，测试成功，说明链接好了。第五步，建立多维数据集，现在的身份是FoodMartCorporation的数据库管理员。FoodMart是一家大型的连锁店，在美国、墨西哥和加拿大有销售业务。市场部想要按产品和顾客分析1998年进行的所有销售业务数据。使用存储在公司数据仓库中的数据，就能建立多维数据结构（多维数据集），以便在市场分析人员查询数据库时获取快速的响应。建立一个多维数据集，用于进行销售分析。首先，打开多维数据集向导，在AnalysisManager树窗格中，“教程”数据库下新建。然后，向多维数据集添加度量值，度量值是要进行分析的数据库中的量化值。常用的度量值为销售、成本和预算数据。度量值根据多维数据集不同的维度类别进行分析。我么你要分析1998年进行的所有销售业务数据，必然在“教程”数据源中单击“sales_fact_1998”。再建立时间维度，在向导的“选择多维数据集的维度”步骤，单击“新建维度”命令。此操作将调用维度向导。选择“星型架构：单个维度表”，在“选择维度类型”中，选择“时间维度”，接下来，将定义维度的级别，“选择时间级别”，单击“年、季度、月”，这样可以按年、季度、月份来查看和分析数据，输入“Time”作为新维度的名称。接下来建立产品维度，选择“雪花架构，将“Product”和“product_class”将它们添加到“选定的表”，在“维度名称”框中，输入“Product”，并保持“与其它多维数据集共享此维度”也就是复选框为选中状态。再建立客户维度，选择“星型架构，选择“Customer”维度表，在“维度名称”框中，输入“Customer”。保持“与其它多维数据集共享此维度”复选框的选中状态。在多维数据集向导的最后一步，将多维数据集命名为“Sales”结果如图五、实验思考题1．

SqlServer环境下，数据库与表之间的关系。数据库由多个表组成，数据库是表的集合，是以一定组织方式存储的相互有关的数据集合，数据库不仅要存储表，还要表示它们之间的关系。2.

多维数据集建立过程中，如何理解数据仓库与源数据。数据仓库是面向主题、集成的、不可更新的、随时间变化的数据集合，用以支持企业或组织的决策分析过程。数据仓库有具体的主题，如顾客、保险索赔、采购、销售等；数据仓库不可更新，只能读取，不能修改或更新，但内容是可以变化的，随十佳能不断变化，过时的数据被丢弃，变化记录未新的数据。3.

维表和事实表之间的关系。事实表是数据库中最大的表，是星型模型结构的核心，事实表包含了基本商业事务的详细信息，维度表除了代表维之外，还具有字段，维度表包含有随时间变化的数据记录，当数据仓库的数据随时间变化而有增减时，维度表的数据行应该随维属性的变化而变化。事实表解决数据仓库中用什么支持决策分析的问题，维度表解决数据如何分析的问题。4．

创建数据仓库的基本过程明确数据仓库建立背景及问题，比如本实验中是分析FoodMart公司的销售情况注册服务器设计表、修改审查表建立系统数据源连接，建立数据源、多维数据集实验三多维数据组织与分析（OLAP）一、实验目的及要求（一）实验目的1．理解维（表）、成员、层次（粒度）等基本概念及其之间的关系；2．理解多维数据集创建的基本原理与流程；3．理解并掌握OLAP分析的基本过程与方法；（二）实验要求利用实验室和指导教师提供的实验软件，认真完成规定的实验内容，真实地记录实验中遇到的各种问题和解决的方法与过程，并根据实验案例绘出多维数据组织模型及其OLAP操作过程。二、实验设备及软件基于NT的局域网络，服务器与客户端安装MSSQLServer服务系统、AnalysisServices系统以及CrystalReport系统。三、实验内容1．运用AnalysisServer工具进行维度、度量值以及多维数据集的创建（模拟案例）。2．使用维度浏览器进行多维数据的查询、编辑操作。3．对多维数据集进行切片、切块、旋转、钻取操作。四、实验步骤第一步：编辑多维数据集，可以先恢复实验二的数据，在多维数据集出现之前，先新建数据源，同实验二，建立名为“教程”的数据源，这样打开多维数据集编辑器才能看到多维数据集出现。第二步：使用存储设计向导设计存储，实验指导书上没有明确告知欢迎向导，右击教程即可，选择“MOLAP”作为数据存储类型，在“设置聚合选项”下单击“性能提升达到”。在此框中输入“40”作为指定百分比，指示AnalysisServices将性能提升到40%，而不管需要多大的磁盘空间。管理员可以用此优化能力平衡查询性能需求和存储聚合数据所需磁盘空间大小。当多维数据表有所改动时，设计存储窗格会再次弹出来，同样输入“40”作为指定百分比。第三步：安装SQLSP3补丁，与实验指导书一起提供了，安装后还是无法浏览多维数据集数据，可以先注销电脑，再次安装，即可看到多维数据集数据第四步：替换网格中的维度，选择“Product”维度按钮并将其拖动到网格上，然后直接放在“Measures”上方。“Product”维度和“Measures”维度在多维数据集浏览器中将交换位置。第五步：按时间筛选数据，展开“所有Time”和“1998”节点，然后单击“Quarter1”。将对网格中的数据进行筛选，使筛选出的数据为仅反映第一季度情况的数字。第六步：编辑多维数据集，使用多维数据集编辑器可以对现有多维数据集进行更改。使用多维数据集编辑器向现有的Sales多维数据集添加维度，添加“promotion”表，双击“promotion”表中的“promotion_name”列，来定义新的维度，在“映射列”对话框中选择“维度”选项，将promotion_name重命名为promotion第七步：钻取多维数据，首先启用多维数据集的钻取功能，在“教程”数据库下，展开“多维数据集”文件，编辑“Sales”多维数据集，在“多维数据集钻取选项”对话框中选择“启用钻取”复选框，全选所有列第八步：给角色提供钻取权限，在“Sales”多维数据集，单击“管理角色”命令，出现其对话框，新建“Management”角色，指导书上写单击“Management”角色，由于没有出现，于是自己新建，选中“允许钻取”，提供钻取权限。第九步：使用分析管理器深化到源系统，在AnalysisManager树窗格中，浏览数据，展开“USA”、“WA”和“REDMOND”级别，展开“Country”级别，钻取“Abbey”的单位销售额五、实验思考题1．

编辑多维数据集不同的维度时应注意什么问题。编辑多维数据集不同的维度时应注意维度的所属结构，维度的层次级别及级别的顺序。2.

切片、钻取、切块等OLAP浏览操作之间的差异。切片是通过在数据立方体的一个维上执行选择操作，来定义子方；钻取是通过维的概念分层，在多维数据立方体上进行聚集操作，分为上钻和下钻；切块是通过在数据立方体的两个或更多个维上执行选择操作，导出一个子方。3．

维度的增加或删除会对多维数据集产生什么影响。多维数据集是在不同维度的数据上进行预测和分析，维度增加，多维数据集则能在此维度上进行数据分析，删除则无法在该维度上进行分析。六、分析总结实体-联系数据模型广泛用于关系数据库设计。在那里，数据库模式由实体的集合和它们之间的联系组成。这种数据模型适用于联机事务处理。然而，数据仓库需要简明的、面向主题的模式，便于联机数据分析。最流行的数据仓库数据模型是多维数据模型。这种模型可以以星形模式、雪花模式、或事实星座模式形式存在。实验四数据挖掘一、实验目的及要求（一）实验目的1．理解数据挖掘的基本概念及其过程；2．理解数据挖掘与数据仓库、OLAP之间的关系3．理解基本的数据挖掘技术与方法的工作原理与过程，掌握数据挖掘相关工具的使用。（二）实验要求利用实验室和指导教师提供的实验软件，认真完成规定的实验内容，真实地记录实验中遇到的各种问题和解决的方法与过程，并绘出实验案例的数据挖掘模型。实验完成后，应根据实验情况写出实验报告。二、实验设备及软件基于NT的局域网络，服务器与客户端安装MSSQLServer服务系统、AnalysisServices系统以及CrystalReport系统。三、实验内容将创建一个数据挖掘模型以训练销售数据，并使用“Microsoft决策树”算法在客户群中找出会员卡选择模式。请将要挖掘的维度（事例维度）设置为客户，再将Member_Card成员的属性设置为数据挖掘算法识别模式时要使用的信息。然后选择人口统计特征列表，算法将从中确定模式：婚姻状况、年收入、在家子女数和教育程度。下一步需要训练模型，以便能够浏览树视图并从中读取模式。市场部将根据这些模式设计新的会员卡，使其适应申请各类会员卡的客户类型。四、实验步骤第一步：创建揭示客户模式的数据挖掘模型，在AnalysisManager树视图中，展开“多维数据集”文件夹，新建挖掘模型，选择“Microsoft决策树”，在“维度”框中选择“Customer”，选择“MemberCard”的成员属性，在“创建维度和虚拟多维数据集（可选）”步骤中，在输入“CustomerPatterns”作为“维度名称”。然后输入“TrainedCube”作为“虚拟多维数据集名称”，键入“Customerpatternsdiscovery”作为模型名称第二步:读取客户决策树，可以使用编辑器编辑模型属性或者浏览OLAP挖掘模型结果，决策树显示包括四个部分，中间的“内容详情”窗格(1)显示焦点所在的决策树的部分。“内容选择区”窗格(2)显示树的完整视图。该窗格使您可以将焦点设置到树的其它部分。其它的两个窗格分别是“特性”窗格(3)（特性信息可以用“合计”选项卡以数值方式查看或者用“直方图”选项卡以图形方式查看）和与焦点所在节点相关联的“节点路径”区域(4)。在“内容详情”窗格的决策树区域中，颜色代表“事例”的密度（在本事例中为：客户的密度）。颜色越深则节点中包含的事例就越多。特性窗格显示“全部”节点中，所有事例的55.83%（或者说4263个示例）可能选择铜卡(Bronze)；11.50%可能选择金卡(Golden)；23.32%可能选择普通卡(Normal)；9.34%可能选择银卡(Silver)。如果没有显示百分比，则可以调整“特性”窗格中“合计”面板的“可能性”列的大小。树的第一个级别由“yearlyincome”属性决定。树的组织由算法决定，其基础是该属性在输出中的重要性。这意味着“yearlyincome”属性是最重要的因素，它将决定客户可能选择的会员卡的类型。选择“Customer.Lname.YearlyIncome=$150K+”节点。该特性窗格显示收入较多的客户中，45.09%的客户可能会选择金卡。这个百分比要比“全部”节点中的(11.50%)高得多。当继续在树中做进一步调查时，让我们调查一下这些百分比是如何演化的。在“节点路径”窗格中，可以看到包含于该节点的客户的完整的特征定义：收入高于150000美元且已婚的客户。该“特性”窗格现在显示：与上一级别(45.09%)相比，较高百分比(81.05%)的客户可能会选择金卡。我们再返回到顶层，进行一种与此不同的调查，即调查可能选择普通卡的客户。若要返回顶层节点，可以单击从“Customer.Lname.YearlyIncome=

$150K+”节点左面伸出来的线（方法1）或者使用“内容选择区”回到树的顶部.可以看到“Customer.Lname.YearlyIncome=$10K$30K”节点的颜色非常深。这意味着这些客户选择普通卡的可能性非常高。“特性”窗格显示在此年收入范围内的客户中，91.92%的客户可能会选择普通卡。树还显示已无法对此节点进行进一步调查。这意味着在树的这个分支中，年收入是决定客户选择普通卡的可能性的唯一因素。可以查看树的其它分支并调查客户选择一种卡而不选择另一种卡的可能性。市场部可以使用此信息来确定最可能选择某种类型卡的客户的特征。根据这些特征（收入、子女数、婚姻状况等等），可以重新定义