比浏览器更快的访问！
7 关系: 决策，商业智能，線上交易處理，统计学，資料倉儲，数据，数据挖掘。
决策
在心理學中，決策（Decision-making）是一種認知過程，經過這個過程之後，個人可以在各种選擇方案中，根據個人信念或是綜合各項因素的推理，決定出行動，或是決定出個人要向外表達的意見。每个决策过程都会以产生最终决定、选取最终选择为目标。而这些选择的形式可以是一种行动或选取的意见。 决策者做决定之前，往往面临不同的方案和选择、以及有关其决定后果的某种程度上的不确定性；决策者需要对各种选择的利弊、风险做出权衡，以期达到最优的决策结果。 決策可被定義為在數個方案中做選擇的心理過程（亦稱為認知過程）。每個決策過程最後都會得到一個決擇，此決擇可以是一個行為，也可以是一個意見。 ----->.
商业智能
商業智慧，又稱商業智能或商務智能，指用現代資料倉儲技術、線上分析處理技術、資料探勘和數據展現技術進行數據分析以實現商業價值。 商業智慧的概念經由Howard Dresner（1989年）的通俗化而被人們廣泛瞭解。當時將商業智慧定義為一類由資料倉儲（或資訊市集）、查詢報表、數據分析、資料探勘、數據備份和恢復等部分組成的、以幫助企業決策為目的技術及其應用。 目前，商業智慧通常被理解為將企業中現有的數據轉化為知識，幫助企業做出明智的業務經營決策的工具。這裡所談的數據包括來自企業業務系統的訂單、庫存、交易賬目、客戶和供應商資料及來自企業所處行業和競爭對手的數據，以及來自企業所處的其他外部環境中的各種數據。而商業智慧能夠輔助的業務經營決策既可以是作業層的，也可以是管理層和策略層的決策。 為了將數據轉化為知識，需要利用資料倉儲、線上分析處理（OLAP）工具和資料探勘等技術。因此，從技術層面上講，商業智慧不是什麼新技術，它只是ETL、資料倉儲、OLAP、資料探勘、數據展現等技術的綜合運用。 把商業智慧看成是一種解決方案應該比較恰當。商業智慧的關鍵是從許多來自不同的企業運作系統的數據中提取出有用的數據並進行清理，以保證數據的正確性，然後經過抽取（Extraction）、轉換（Transformation）和裝載（Load），即ETL過程，合併到一個企業級的數據倉庫裡，從而得到企業數據的一個全局視圖，在此基礎上利用合適的查詢和分析工具、數據挖掘工具、OLAP工具等對其進行分析和處理（這時資訊變為輔助決策的知識），最後將知識呈現給管理者，為管理者的決策過程提供支持。.
新！!: 線上分析處理和商业智能 · 查看更多 »
線上交易處理
線上交易處理（OLTP, Online transaction processing）是指透過資訊系統、電腦網路及資料庫，以線上交易的方式處理一般即時性的作業資料，和更早期傳統資料庫系統大量批次的作業方式並不相同。OLTP通常被運用於自動化的資料處理工作，如訂單輸入、金融業務…等反覆性的日常性交易活動。 和其相對的是屬於決策分析層次的線上分析處理（OLAP）。 Category:数据管理 Category:数据库.
新！!: 線上分析處理和線上交易處理 · 查看更多 »
统计学
统计学是在資料分析的基础上，研究测定、收集、整理、归纳和分析反映數據資料，以便给出正确訊息的科學。這一门学科自17世纪中叶产生并逐步发展起来，它廣泛地應用在各門學科，從自然科学、社會科學到人文學科，甚至被用於工商業及政府的情報決策。隨著大数据(Big Data)時代來臨，統計的面貌也逐漸改變，與資訊、計算等領域密切結合，是資料科學(Data Science)中的重要主軸之一。 譬如自一組數據中，可以摘要並且描述這份數據的集中和離散情形，這個用法稱作為描述統計學。另外，觀察者以數據的形態，建立出一個用以解釋其隨機性和不確定性的數學模型，以之來推論研究中的步驟及母體，這種用法被稱做推論統計學。這兩種用法都可以被稱作為應用統計學。數理統計學则是討論背後的理論基礎的學科。.
新！!: 線上分析處理和统计学 · 查看更多 »
資料倉儲
数据仓库是一门新兴的资讯科技相关理论，以下用二种方式解释。.
新！!: 線上分析處理和資料倉儲 · 查看更多 »
数据
資料（data），是指未經過處理的原始記錄。一般而言，資料缺乏組織及分類，無法明確的表達事物代表的意義，它可能是一堆的雜誌、一大疊的報紙、數種的開會記錄或是整本病人的病歷紀錄。資料描述事物的符号记录，是可定义为意义的实体，涉及事物的存在形式。是关于事件之一组离散且客观的事实描述，是构成訊息和知识的原始材料。.
数据挖掘
数据挖掘（data mining）是一个跨学科的计算机科学分支 它是用人工智能、机器学习、统计学和数据库的交叉方法在相對較大型的中发现模式的计算过程。数据挖掘过程的总体目标是从一个数据集中提取信息，并将其转换成可理解的结构，以进一步使用。除了原始分析步骤，它还涉及到数据库和数据管理方面、、模型与推断方面考量、兴趣度度量、复杂度的考虑，以及发现结构、可视化及在线更新等后处理。数据挖掘是“資料庫知識發現”（KDD）的分析步骤。数据挖掘：实用机器学习技术及Java实现》一书大部分是机器学习的内容。这本书最初只叫做“实用机器学习”，“数据挖掘”一词是后来为了营销才加入的。通常情况下，使用更为正式的术语，（大规模）数据分析和分析学，或者指出实际的研究方法（例如人工智能和机器学习）会更准确一些。 数据挖掘的实际工作是对大规模数据进行自动或半自动的分析，以提取过去未知的有价值的潜在信息，例如数据的分组（通过聚类分析）、数据的异常记录（通过异常检测）和数据之间的关系（通过关联式规则挖掘）。这通常涉及到数据库技术，例如。这些潜在信息可通过对输入数据处理之后的总结来呈现，之后可以用于进一步分析，比如机器学习和预测分析。举个例子，进行数据挖掘操作时可能要把数据分成多组，然后可以使用决策支持系统以获得更加精确的预测结果。不过数据收集、数据预处理、结果解释和撰写报告都不算数据挖掘的步骤，但是它们确实属于“資料庫知識發現”（KDD）过程，只不过是一些额外的环节。 类似词语“”、“数据捕鱼”和“数据探测”指用数据挖掘方法来采样（可能）过小以致无法可靠地统计推断出所发现任何模式的有效性的更大总体数据集的部分。不过这些方法可以建立新的假设来检验更大数据总体。.
新！!: 線上分析處理和数据挖掘 · 查看更多 »
