《商务智能理论与应用》教学大纲

-16-《商务智能理论与应用》教学大纲课程编号：021243A课程类型：□通识教育必修课□通识教育选修课□学科基础课□专业核心课□√专业提升课□专业拓展课总学时：48讲课学时：32实验（上机）学时：16学分：3考试类型：□√考试□考查适用对象：电子商务专业□是□√否适合作为其他专业学生的个性化选修课先修课程：电子商务、概率论一、教学目标《商务智能理论与应用》是电子商务类专业的一门专业选修课程。本课程实用性强，结合应用实际，对基本概念、基本理论和技术应用能力进行培养，使学生，学完本课程后，达到以下目标。目标1：了解商务智能的基本概念和最新发展；目标2：理解和掌握商务智能技术和数据挖掘技术的主要思想和基本算法；目标3：掌握数据挖掘技术在商务智能中的应用流程和分析方法，具有一定商务数据分析和处理的能力，能够运用数据挖掘技术开展商务智能活动。课程思政教学目标：在课程体系中有机地融入思政教育内容，深度契合社会主义核心价值观，做好价值引领，讲好中国故事。在课程讲授过程中，通过社会主义核心价值观的引领和驱动，培育遵纪守法、爱岗敬业、具有正确价值观、能够胜任未来商务智能相关工作的优秀人才。二、教学内容及其与毕业要求的对应关系（一）教学内容本课程以数据挖掘技术为依托，对传统的统计理论、数据库管理、电子商务理论、营销理论、管理学、消费者行为学等知识相互融合；以企业信息化背景下数据挖掘技术和典型商务应用为主线，对智能商务活动中的目标市场细分、客户生命周期管理、交叉销售、倾向性分析、企业投资风险预测和欺诈检测等内容科学合理地组织，形成了具有自身特色的《商务智能理论与应用》课程。（二）教学方法和手段采用课堂授课、案例教学、课堂练习和课堂讨论相结合的教学手段，激发学生的学习热情，强调学生在课堂学习中的自主意识，在教学中运用多媒体手段并配合板书，强调学习过程学生的参与。在此基础上本课程增加教学实践和实验环节，形成独特而有成效的教学内容体系。在力求使学生掌握数据挖掘基本理论和基本原理的基础上，注重培养学生对数据挖掘的理解，提高学生的动手能力，以及分析和解决实际问题的能力。（三）学习要求为了保证学生在课后能积极思考，课后布置适当数量的案例讨论，并留出一定课时进行企业调研，完成一项调研任务并提交报告，案例讨论和调研报告作为平时成绩之一。三、各教学环节学时分配课程教学总学时数为48学时，其中讲授学时32，实验学时16，如表1所示：表1教学课时分配序号章节内容讲课实验其他合计1第一章商务智能概述442第二章数据仓库223第三章在线分析处理OLAP224第四章数据挖掘基础4265第五章数据预处理2246第六章聚类及其应用分析4487第七章分类与预测及其应用分析4488第八章关联规则挖掘及其应用分析4269第九章商务智能在电子商务中的应用42610第十章大数据分析22合计321648四、教学内容第一章商务智能概述第一节商业决策需要商务智能1.数据、信息与知识2.管理就是决策3.决策需要信息和知识4.智能型企业5.商务智能支持商业决策6.新一代决策支持系统第二节商务智能简介1.商务智能概念2.商务智能的发展3.商务智能的价值第三节商务智能系统的功能第四节商务智能的应用课程思政切入点：讨论当前企业如何利用社交智能了解客户，推动全社会数据化智能发展进程。通过课堂讨论，使学生了解和掌握以数据为导向的智能化商务应用如何不断推动着我国科技社会的发展和进步，增强学生的民族自信心和自豪感。教学重点、难点：商务智能中的核心技术；商务智能与数据挖掘关系。课程的考核要求：掌握数据、信息与知识的概念、区别和联系；了解商务智能产生的背景、商务智能的定义；掌握商务智能中的核心技术，及其与数据挖掘的关系；了解目前商务智能系统的功能；了解商务智能的应用、研究热点和未来的发展趋势。复习思考题：数据、信息与知识的概念、区别和联系是什么？商务智能是在怎样的背景下产生的？商务智能中的核心技术有哪些？商务智能与数据挖掘是什么样的关系？目前商务智能系统的功能有哪些？第二章数据仓库第一节从数据库到数据仓库1.操作型处理2.分析型处理第二节数据仓库的概念1.面向主题2.集成性3.数据的非易失性4.数据的时变性第三节数据集市第四节元数据1.元数据的理解2.元数据分类3.元数据管理器第五节ETL1.数据抽取2.数据转换3.数据清洗4.数据装载课程思政切入点：用户数据获取，讨论目前企业常用的用户数据获取方法、企业获取用户数据必须要遵守的原则，以及如何保护用户隐私等，从而教育引导学生深刻理解并自觉实践数据分析行业的职业精神和职业规范，增强其职业责任感。第六节操作数据存储第七节数据仓库模型1.概念模型2.逻辑模型3.物理模型第八节数据仓库系统1.数据仓库的技术要求2.数据仓库体系结构3.数据仓库系统的组成4.基于数据仓库实现的商务智能系统的架构教学重点、难点：数据库与数据仓库的区别；数据仓库中的核心技术和模型。课程的考核要求：理解操作型处理和分析型处理的区别；掌握数据库与数据仓库的区别；掌握数据仓库、数据集市、元数据、ETL和操作数据存储的概念和核心技术；掌握数据仓库的三类模型；理解数据仓库的体系、架构和系统组成。复习思考题：1.理解操作型处理和分析型处理的有哪些区别？2.数据库与数据仓库的有哪些区别？3.数据仓库、数据集市和操作数据存储直接的区别和联系是什么？4.如何使用模型构建数据仓库？第三章在线分析处理OLAP第一节OLAP简介第二节OLTP与OLAP的区别第三节OLAP操作1.切片和切块2.钻取3.旋转第四节OLAP分类1.基于关系数据库的OLAP－ROLAP2.MOLAP的多维立方体3.HOLAP4.DOLAP教学重点、难点：OLTP与OLAP的区别；OLAP操作。课程的考核要求：理解OLAP定义、目标和特点；掌握OLTP与OLAP的区别；掌握OLAP三种操作方式；理解OLAP四种类型的特点。复习思考题：1.OLTP与OLAP的区别有哪些？2.切片和切块的区别有哪些？3.ROLAP和MOLAP的区别有哪些？第四章数据挖掘基础第一节数据挖掘产生的背景第二节数据挖掘是什么？第三节数据挖掘对象、任务及过程1.数据挖掘的对象2.数据挖掘的任务3.数据挖掘的过程第四节数据挖掘模型和算法第五节数据挖掘应用分析1.电子商务2.公司分析和风险管理3.市场分析和管理4.企业危机管理5.欺诈行为检测和异常模式的发现课程思政切入点：通过多个数据挖掘应用案例的分析，讲授如何利用数据挖掘技术解决企业经营可能面临的各种难题，培养学生的职业素养，开拓创新的职业品格和行为习惯，从而更好地胜任未来商务智能相关的工作。第六节数据挖掘的常用软件1.商用软件2.数据挖掘模块3.开源软件第七节数据挖掘技术的前景、研究热点1.数据挖掘技术的价值和前景2.数据挖掘的研究热点3.数据挖掘未来发展教学重点、难点：数据挖掘对象、任务及过程；数据挖掘模型和算法。课程的考核要求：了解数据挖掘产生的背景、数据挖掘的定义；掌握数据挖掘的对象、任务、过程，及其常用模型和算法；了解数据挖掘常用的软件、技术前景、和研究热点。复习思考题：1.数据挖掘是在怎样的背景下产生的？2.数据挖掘能干什么？不能干什么？3.数据挖掘常用的模型和算法有哪些？4.数据挖掘有哪些典型的应用？第五章数据预处理第一节为什么对数据进行预处理？1.预处理的必要性2.数据预处理的形式3.数据预处理的功能第二节描述性数据汇总1.度量的分类2.度量中心趋势3.度量数据的离散度第三节数据清理1.空缺值2.噪声数据第四节数据集成和变换1.数据集成2.数据变换第五节数据归约1.数据立方体聚集2.维归约3.数据压缩4.数值归约第六节离散化和概念分层生成1.离散化2.离散化和概念分层3.自然划分的3-4-5规则教学重点、难点：数据预处理的四种形式的运用。课程的考核要求：理解数据预处理的必要性和重要性；运用数据清理、数据集成、数据变换和数据归约对数据进行预处理。复习思考题：1.实际收集的原始数据存在哪些问题？2.如何对商务数据进行预处理？3.使用概念分层对数据进行处理的目的和好处分别是什么？第六章聚类及其应用分析第一节聚类分析基本概念1.什么是聚类？2.数据挖掘对聚类分析的九大要求3.聚类分析中的数据类型4.对象间的相似度和相异度第二节典型聚类算法简介1.基于划分的聚类方法2.基于层次的聚类方法3.基于密度的聚类方法4.基于网格的聚类方法5.基于统计模型的聚类方法6.模糊聚类方法第三节K-means算法的实现1.K-means算法简介2.K-means算法的基本思想3.K-means算法输入和输出4.K-means算法的实现5.K-means算法示例和实例6.K-means算法评价7.K-means算法改进：K中心点算法第四节聚类分析的应用实例1.K-means算法在中药种植区域划分中的应用2.k-means算法在安全检测中的应用3.层次聚类算法应用实例课程思政切入点：计算机安全可能影响到个人、机构、国家甚至是整个网络，通过讲授k-means算法在安全检测中的应用，使学生认识到目前存在的网络安全问题，并对其是否影响人民利益做出思考，引导学生把事业理想和道德追求融入国家建设，将社会主义核心价值观内化为精神追求、外化为自觉行动。教学重点、难点：聚类分析的应用；K-means算法的实现。课程的考核要求：了解聚类分析的概念、典型算法；掌握K-means算法的原理和实现；运用聚类分析的方法进行市场销售、客户细分、城市规划等。复习思考题：1.数据挖掘对聚类分析有哪些要求？2.典型的聚类方法有哪些？3.聚类分析的典型应用有哪些？第七章分类与预测及其应用分析第一节分类与预测的基本概念1.分类概述2.分类的实现3.什么是预测？第二节常见的分类算法1.基于距离的分类算法2.K-近邻分类算法3.决策树分类算法4.SVM(SupportVectorMachine)分类方法5.VSM(VectorSpaceModel)分类方法6.其他分类方法第三节分类模型的评估第四节决策树分类的应用实例1.案例一：医疗诊断2.案例二：决策树在挑瓜中的应用3.案例三：犯罪分析教学重点、难点：分类与预测的区别及联系；决策树分类的实现。课程的考核要求：了解分类与预测的定义、区别及联系；理解常见的六种分类算法的原理；运用决策树分类的方法进行医疗诊断、信用卡促销分析等。复习思考题：1.分类和聚类最核心的区别是什么？2.主流的分类方法有哪些？3.分类与预测的区别及联系是什么？4.分类模型的评估指标有哪些？各项指标的具体含义是什么？第八章关联规则挖掘及其应用分析第一节关联规则挖掘基本概念1.什么是关联挖掘?2.关联规则的度量第二节典型算法简介第三节Apriori算法的实现1.Apriori算法的主要思想2.Apriori算法的基本流程3.Apriori算法实例第四节购物篮分析1.购物篮分析简介2.商品相关性分析3.关联商品的陈列4.促销与购物篮课程思政切入点：购物篮分析，通过比较美式购物篮分析和日式购物篮分析的差异，引出适合于我国国情的商品陈列和促销策略等，教育引导学生传承中华文脉，富有中国心、饱含中国情、充满中国味。教学重点、难点：Apriori算法的原理；美式购物篮分析V.S.日式购物篮分析课程的考核要求：了解关联规则挖掘基本概念、典型算法；掌握Apriori算法的原理和应用；运用关联规则挖掘对超市顾客的购物篮进行分析。复习思考题：1.关联规则挖掘可以用于分析哪些问题？2.论述美式购物篮分析和日式购物篮分析的差异。第九章商务智能在电子商务中的应用第一节技术支持的客户关系管理1.客户关系管理2.技术支持的客户关系管理课程思政切入点：客户关系管理，讨论中国目前市场上常见的客户关系管理方法，培养学生从中国社会经济发展全局思考问题、解决问题的意识，建立运用中国理论分析中国问题的能力。第二节商品推荐概述1.显性推荐2.隐性推荐第三节电子商务推荐系统1.商品推荐系统概述2.推荐系统的界面表现形式3.商品推荐系统发展趋势第四节商品推荐相关算法1.传统协同过滤2.基于商品的协同过滤3.关联规则4.聚类教学重点、难点：隐性推荐的原理；商品推荐算法的原理。课程的考核要求：理解技术支持的客户关系管理的内涵；了解商品推荐的概念、作用和应用现状；理解显性推荐和隐性推荐的区别；掌握隐性推荐的原理；掌握商品推荐的四种常用算法。复习思考题：1.显性推荐和隐性推荐的区别有哪些？分析两者的优缺点。2.目前常见的商品推荐系统能提供哪些推荐服务？3.主流的推荐方法有哪些？第十章大数据分析第一节大数据基础1.什么是大数据？2.深入理解大数据第二节大数据核心技术1.数据采集2.数据存储与管理3.数据分析与挖掘4.计算结果展示第三节大数据应用1.大数据的商业价值2.大数据在商业领域中的应