基于数据仓库的决策支持系统在连锁零售业中的应用研究与实现

论文摘要

连锁零售业作为一类重要的行业,为人们提供种类繁多的商品。传统的零售业信息系统主要是一个大型的管理信息系统（MIS）,提供前台POS系统和后台管理系统。但是,随着竞争的加剧,连锁零售业面临着巨大的机遇和挑战。采用新的方法对连锁零售业数据进行处理、分析和管理成为必要。90年代以来,随着计算机软硬件技术的发展,运筹学、人工智能、机器学习等领域研究的不断深入,数据挖掘和数据仓库的应用有了巨大的发展。特别是数据挖掘工具的产生和逐渐标准化,基于数据仓库,采用数据挖掘算法的决策支持系统已经被越来越多的企业和政府应用。本文尝试从客户关系管理（CRM）的角度出发,建立基于数据仓库的连锁零售业决策支持系统。主要完成了以下工作。（1）研究了连锁零售业CRM的现状和理论框架,提出了决策支持系统的基本架构,并分析了决策支持系统（DSS）架构中两种基本技术（数据仓库和数据挖掘技术）的原理和方法。（2）提出了基于数据仓库的连锁零售业决策支持系统的系统框架;分析了三大功能子系统:POS系统、MIS系统和DSS系统;分析和设计了连锁零售业客户信息数据仓库。（3）研究了关联规则算法的两种实现方法:广度优先的Apriori和深度优先的FP-Growth。并使用数据库软件SQL Server 2005的Analysis Services工具,采用Apriori算法实现对客户购买行为的预测。（4）研究了聚类分析的基本原理,并采用k-means聚类算法对连锁零售业的客户进行细分的实验分析。

论文目录

• 摘要
• ABSTRACT
• 1. 绪论
• 1.1 立论背景及研究意义
• 1.1.1 研究背景
• 1.1.2 研究意义
• 1.1.3 零售业DSS 研究现状
• 1.2 客户关系管理（CRM）概述
• 1.2.1 客户关系管理的基本概念
• 1.2.2 客户关系管理的框架
• 1.2.3 CRM、数据仓库和数据挖掘
• 1.2.4 客户关系管理在零售业上的应用
• 1.3 本文的工作
• 1.3.1 研究内容
• 1.3.2 本文的组织结构
• 2. 决策支持系统与数据挖掘
• 2.1 决策支持系统概述
• 2.1.1 决策支持系统的产生
• 2.1.2 决策支持系统的概念
• 2.1.3 决策支持系统的框架
• 2.1.4 数据库、模型库和知识库
• 2.2 数据仓库
• 2.2.1 数据仓库概念
• 2.2.2 数据仓库框架
• 2.2.3 数据仓库开发的生命周期
• 2.3 数据挖掘
• 2.3.1 数据挖掘简介
• 2.3.2 数据挖掘的任务
• 2.3.3 数据挖掘的方法
• 2.3.4 数据挖掘技术解决商业问题
• 2.4 本章小结
• 3. 基于数据仓库的零售业DSS 的设计
• 3.1 分析
• 3.2 系统框架
• 3.3 系统功能分析
• 3.3.1 POS 子系统
• 3.3.2 MIS 子系统
• 3.3.3 DSS 子系统
• 3.4 客户信息数据仓库设计
• 3.4.1 数据模型
• 3.4.2 概念模型设计
• 3.4.3 逻辑模型设计
• 3.4.4 物理模型设计
• 3.5 本章小结
• 4. 关联规则在预测客户购买行为上的应用
• 4.1 关联规则简介
• 4.1.1 关联规则基本概念
• 4.1.2 关联规则形式化定义
• 4.2 关联规则Apriori 算法实现
• 4.2.1 Apriori 的核心算法
• 4.2.2 FP-Growth
• 4.2.3 示例
• 4.3 基于SQL Server 2005 关联规则的应用实例
• 4.3.1 数据分析
• 4.3.2 关联分析模型
• 4.3.3 结果分析
• 4.4 本章小结
• 5. 聚类分析在客户细分中的应用
• 5.1 客户细分
• 5.1.1 客户细分概念
• 5.1.2 客户细分过程
• 5.1.3 客户细分方式
• 5.2 聚类分析
• 5.2.1 聚类分析基本原理
• 5.2.2 距离或相似性度量
• 5.3 聚类分析在零售业客户细分中的应用
• 5.3.1 数据选择
• 5.3.2 聚类算法
• 5.3.3 聚类结果及分析
• 5.4 本章小结
• 6. 总结与展望
• 6.1 本文研究成果
• 6.2 进一步的工作
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文
• 上海交通大学学位论文答辩决议书