课程简介
本次培训把SQL SERVER/ORACLE作为数据仓库和数据挖掘的数据来源及载体，全面阐述数据挖掘与数据仓库的技术关系，把数据仓库的设计及实现步骤结合应用案例展示数据仓库的建设过程和注意事项，并对数据仓库的建设过程和注意事项做深入总结，方便指导学员后续的建模和数据仓库管理工作
目标收益
课程中把数据仓库和数据挖掘结合起来，数据挖掘既可以是独立建设，也可基于数据仓库下的快捷建设。数据仓库与数据挖掘息息相关，通过本课程，可让学员对数据仓库的建设过程有更深的认识，同时学会用主流的数据挖掘软件完成数据挖掘建模任务，使学员掌握数据挖掘方法论CRISP-DM的本质。在ETL应用技术进阶过程讲解中，把案例与方法结合，学习既能对ETL方法有更深的认识也能更好的指导自己的ETL建设工作。最后通过几个具体的、典型的数据挖掘案例，使学员在掌握这些案例所用的技巧的同时，充分理解数据挖掘和数据仓库的方法论，通过举一反三的效果，提高自己分析问题解决问题的实际能力。
培训对象
数据库人员
课程大纲
| 第一部分：数据仓库的概念深入 |
1.在大数据环境下数据仓库的困境和挑战 2.数据仓库的体系结构多样性解读 3.数据仓库与数据挖掘的关系 |
| 第二部分 基于SQL Server/ORACLE环境下的数据仓库开发应用过程 |
1．数据仓库开发应用的特点 2．数据仓库的规划过程 3．数据仓库的概念模型设计 4．数据仓库的逻辑模型 5. 物理模型的设计 6．基于Sql Server环境下的数据仓库的实施过程及特点 |
| 第三部分 数据仓库的应用与管理 |
1．数据仓库应用案例 电信、移动、联通、银行、销售等行业的应用举例 2．数据仓库的运行技术管理 3．SQL SERVER/ORACLE下的数据仓库的元数据管理 4. 数据仓库工程中注意事项 |
| 第四部分 ETL应用技术进阶 |
1、 ETL发展背景与大数据下的ETL技术变迁 2、 ETL过程阶段重点及注意事项和经验总结 3、 ETL特性及案例分析，如何高效实现稳定性、安全性、可扩展性、健壮性、可维护性、高可用性？ 4、 大数据环境下的数据仓库ETL体系结构如何应对变化的需求 5、 如何更好选择ETL工具，它的评价准则怎样？ 6、 ETL的管理 1)ETL的数据质量管理 2)ETL的数据集成 3)ETL的元数据 7、 ETL展望 |
| 第五部分：数据挖掘及数据分析技术 |
1、数据挖掘主要分析方法： 1.聚类分析（Clustering） 2.分类分析（Classification） 3.关联分析（Association） 4.预测分析（Prediction） 5.回归分析 6.相关分析 7.数据比较分析 8.数据挖掘的可视化 2、数据挖掘的实施 3、分析图形： 正态性检验 描述性统计 箱型图、区间图、时序图 介绍 4、数据挖掘的关键技术:数据预处理 5、数据挖掘效果的评估 实践：SPSS结合相应的分析算法及展示图形 |
| 第六部分：构建**数据挖掘分析体系 |
1、分析团队建设 2、分析工作管理 3、数据分析核心能力建设 4、分析工作与业务协同 |
| 第七部分.数据挖掘应用 |
1.数据挖掘及管理经验 2.数据挖掘在金融、电商、运营商行业领域的应用举例 2.1 客户行为与潜在客户分析 2.2 用户信用度分析 2.3 趋势预测 2.4新产品交叉营销分析 等 3. 结合业务场景需求，进行数据挖掘实践: 3.1客户细分聚类分析实践 3.2金融贷款防欺诈挖掘分析 3.3金融/电商客户流失预测挖掘分析 （以上涉及当下主流的聚类、相关、决策树、神经网络及回归分析等数据挖掘算法） |
|
第一部分：数据仓库的概念深入 1.在大数据环境下数据仓库的困境和挑战 2.数据仓库的体系结构多样性解读 3.数据仓库与数据挖掘的关系 |
|
第二部分 基于SQL Server/ORACLE环境下的数据仓库开发应用过程 1．数据仓库开发应用的特点 2．数据仓库的规划过程 3．数据仓库的概念模型设计 4．数据仓库的逻辑模型 5. 物理模型的设计 6．基于Sql Server环境下的数据仓库的实施过程及特点 |
|
第三部分 数据仓库的应用与管理 1．数据仓库应用案例 电信、移动、联通、银行、销售等行业的应用举例 2．数据仓库的运行技术管理 3．SQL SERVER/ORACLE下的数据仓库的元数据管理 4. 数据仓库工程中注意事项 |
|
第四部分 ETL应用技术进阶 1、 ETL发展背景与大数据下的ETL技术变迁 2、 ETL过程阶段重点及注意事项和经验总结 3、 ETL特性及案例分析，如何高效实现稳定性、安全性、可扩展性、健壮性、可维护性、高可用性？ 4、 大数据环境下的数据仓库ETL体系结构如何应对变化的需求 5、 如何更好选择ETL工具，它的评价准则怎样？ 6、 ETL的管理 1)ETL的数据质量管理 2)ETL的数据集成 3)ETL的元数据 7、 ETL展望 |
|
第五部分：数据挖掘及数据分析技术 1、数据挖掘主要分析方法： 1.聚类分析（Clustering） 2.分类分析（Classification） 3.关联分析（Association） 4.预测分析（Prediction） 5.回归分析 6.相关分析 7.数据比较分析 8.数据挖掘的可视化 2、数据挖掘的实施 3、分析图形： 正态性检验 描述性统计 箱型图、区间图、时序图 介绍 4、数据挖掘的关键技术:数据预处理 5、数据挖掘效果的评估 实践：SPSS结合相应的分析算法及展示图形 |
|
第六部分：构建**数据挖掘分析体系 1、分析团队建设 2、分析工作管理 3、数据分析核心能力建设 4、分析工作与业务协同 |
|
第七部分.数据挖掘应用 1.数据挖掘及管理经验 2.数据挖掘在金融、电商、运营商行业领域的应用举例 2.1 客户行为与潜在客户分析 2.2 用户信用度分析 2.3 趋势预测 2.4新产品交叉营销分析 等 3. 结合业务场景需求，进行数据挖掘实践: 3.1客户细分聚类分析实践 3.2金融贷款防欺诈挖掘分析 3.3金融/电商客户流失预测挖掘分析 （以上涉及当下主流的聚类、相关、决策树、神经网络及回归分析等数据挖掘算法） |
近期公开课推荐
