基于OLAP技术的图书销售智能分析系统.docx

目 次
1 绪论 3
1.1 引言 3
1.2 WEB环境下的OLAP技术的背景和历史现状 3
2 系统设计的技术创新 4
2.1 数据仓库技术 4
2.2 OLAP 技术 6
2.3 数据挖掘的技术 6
2.4 OLAP与数据挖掘的关系 7
3 系统解决方案 8
3.1 在WEB环境下OLAP 技术的研究 8
3.2 在WEB环境下OLAP 技术的实现方案 9
4 图书销售分析系统的总体设计和实现 11
4.1 系统的功能 11
4.2 数据源设计 12
4.2.1 数据库设计 12
4.2.1.1 数据库逻辑设计 12
4.2.1.2 数据库结构设计 13
4.2.2 图书销售 Analysis Services 设计 17
4.2.2.1 数据源设计 17
4.2.2.2 本系统设计的挖掘模型 18
4.3系统界面设计 19
4.3.1会员信息分析界面设计 19
4.3.2系统图书分析窗体设计 27
5 总结 35
参考文献 36

1 绪论
1.1 引言
随着在数据库中存储的数据越来越多，人们已经不满足于仅仅用计算机来实现业务的电子化，而希望从已有的数据中提炼出信息服务于决策人员。在这种情况下。OLAP作为一种强有力的分析和决策工具，被越来越多的没、部门使用，同时在OLAP技术上也进行了许多工作。但是主要工作都是集中在如何有效对数据进行分析上。OLAP的数据仓库是为了解决能从大量的数据中得到有用的信息而做出了很大的贡献。
对于一个企业而言，每天都要面临着大量的决策问题，随着企业市场竞争的加剧和信息社会需求的发展，企业从大量数据中提取所需的各类信息就显得越来越重要了，传统的数据库技术是单一的数据库资源，他适合操作型事务处理，但对分析型处理的能力较弱。近几年来，在信息技术领域兴起并日益成熟的数据仓库技术以其面向主题组织、存储海量信息，以及在线分析支持组织机构管理决策等优秀功能成为和应用的热点。
数据仓库系统的基本功能是：数据获取、数据存储和管理、信息的访问。其最终目的是把分散的、不利于访问的数据转换成集中、统一、随时可用的信息，即为了决策目标将不同形式的数据集合成为一种特殊的格式，建立起一种新的数据存储体系，使数据操作环境与数据分析环境相到分离。数据仓库利用了计算机和信息技术（IT）的最新发展，把那些大量的，分散的企业数据进行集成，并从中把企业决策所需要的信息分离出来，借助OLAP利用存储在数据仓库中的数据，去进行各种分析操作，并以较为直观易懂的形式将结果返回给用户，能更加有效地支持企业的分析和决策，从而提高决策的质量与速度。
1.2 WEB环境下的OLAP技术的背景和历史现状
WWW（World Wide web）技术的问世，给Internet带来了新的活力，也得到全世界的认可和信赖。随着WEB的普及，人们之间的信息沟通更加的快捷和方便。WEB上的访问数据库也得到了日益广泛的应用，使数据库技术不断地发展和更新。近年来，随着企业信息化的飞速发展。企业拥有大量业务数据，但难以及时有效的利用数据信息用来给管理者做决策工作。数据仓库技术的运用使这个问题迎刃而解，数据仓库正是由数据库演化而来是为了更好的处理和维护WEB上的庞大的访问数据和企业中的业务数据。不仅如此，数据仓库技术还有另一方面的用处即使如何让经营管理者更好的使用数据信息来做决策工作，从而给企业管理者或经营者带来经济效益。为了实现这样的目的还要把OLAP技术运用于数据仓库技术上面。OLAP技术作为一种强大有力的分析和决策工具，被越来越多的企业管理者和经营者使用。为了在OLAP技术上得到更有效的数据信息，并使用了体系结构即是C/S结构。在C/S体系结构中使用OLAP技术已经暴露出很多问题。为了解决这样的问题而进行对WEB环境下的OLAP技术的研究和实现。
在数据库发展的早期，因为数据量不大而使数据库技术的查询功能和操作功能没得到明显的区分。但是随着数据库规模的扩大，人们对数据的要求也有了其他的想法，比如想取得以往的历史数据来做决策工作使在激烈的社会经营中取得胜利。管理者或经营用户要想拿到这样的历史性有用处的数据信息必须经过复杂的查询才能得到，特别是那些高层人员更需要这样有决定性的数据信息来做决策工作。在数据仓库中使用OLAP技术正好让这样工作得到满足。但是现在传统的基于C/S结构的OLAP体系结构却带来很多问题。传统的基于C/S结构的OLAP体系结构，其基本流程是由熟悉数据库结构的系统管理员对数据库结构进行分析，根据其业务知识将数据库中的表及字段映射为多维结构，构造由多维结构构成的超立方体，然后根据用户分析员在使用过程中的要求对多维视图进行修改，从而再次构造超立方体，如此循环往复。这种结构在使用过程中暴露出了不少的问题：如首先，顾客使用一次而要进行一次安装和配置，使维护工作量大大的增加。其次，对存放在顾客端的报告的修改也是很复杂的。再者，其安全性也是很薄弱的。OLAP技术是一种对数据进行多维查询的工具，主要是给管理者和经营者等决策性人员使用的，所以需求是多变性的。C/S结构不适应需求的多变性所带来的要求，而有足够灵活性的Internet/Intranet的3层结构适应了OLAP技术对需求的多变性的要求。
2 系统设计的技术创新
2.1 数据仓库技术
根据数据仓库概念的含义，数据仓库拥有以下四个特点：
（1）面向主题。操作型数据库的数据组织面向事务处理任务，各个业务系统之间各自分离，而数据仓库中的数据是按照一定的主题域进行组织。主题是一个抽象的概念，是指用户使用数据仓库进行决策时所关心的重点方面，一个主题通常与多个操作型信息系统相关。
（2）集成的。面向事务处理的操作型数据库通常与某些特定的应用相关，数据库之间相互独立，并且往往是异构的。而数据仓库中的数据是在对原有分散的数据库数据抽取、清理的基础上经过系统加工、汇总和整理得到的，必须消除数据源中的不一致性，以保证数据仓库内的信息是关于整个企业的一致的全局信息。
（3）相对稳定的。操作型数据库中的数据通常实时更新，数据根据需要及时发生变化。数据仓库的数据主要供企业决策分析之用，所涉及的数据操作主要是数据查询，一旦某个数据进入数据仓库以后，一般情况下将被长期保留，也就是数据仓库中一般有大量的查询操作，但修改和删除操作很少，通常只需要定期的加载、刷新。
（4）反映历史变化。操作型数据库主要关心当前某一个时间段内的数据，而数据仓库中的数据通常包含历史信息，系统记录了企业从过去某一时点(如开始应用数据仓库的时点)到目前的各个阶段的信息，通过这些信息，可以对企业的发展历程和未来趋势做出定量分析和预测。
企业数据仓库的建设，是以现有企业业务系统和大量业务数据的积累为基础。数据仓库不是静态的概念，只有把信息及时交给需要这些信息的使用者，供他们做出改善其业务经营的决策，信息才能发挥作用，信息才有意义。而把信息加以整理归纳和重组，并及时提供给相应的管理决策人员，是数据仓库的根本任务。因此，从产业界的角度看，数据仓库建设是一个工程，是一个过程。如图2.1.1所示。

图2.1.1数据仓库体系结构图
数据源：是数据仓库系统的基础，是整个系统的数据源泉。通常包括企业内部信息和外部信息。内部信息包括存放于RDBMS中的各种业务处理数据和各类文档数据。外部信息包括各类法律法规、市场信息和竞争对手的信息等等；
数据的存储与管理：是整个数据仓库系统的核心。数据仓库的真正关键是数据的存储和管理。数据仓库的组织管理方式决定了它有别于传统数据库，同时也决定了其对外部数据的表现形式。要决定采用什么产品和技术来建立数据仓库的核心，则需要从数据仓库的技术特点着手分析。针对现有各业务系统的数据，进行抽取、清理，并有效集成，按照主题进行组织。数据仓库按照数据的覆盖范围可以分为企业级数据仓库和部门级数据仓库（通常称为数据集市）。
OLAP服务器：对分析需要的数据进行有效集成，按多维模型予以组织，以便进行多角度、多层次的分析，并发现趋势。其具体实现可以分为：ROLAP、MOLAP和HOLAP。ROLAP基本数据和聚合数据均存放在RDBMS之中；MOLAP基本数据和聚合数据均存放于多维数据库中；HOLAP基本数据存放于RDBMS之中，聚合数据存放于多维数据库中。
前端工具：主要包括各种报表工具、查询工具、数据分析工具、数据挖掘工具以及各种基于数据仓库或数据集市的应用开发工具。其中数据分析工具主要针对OLAP服务器，报表工具、数据挖掘工具主要针对数据仓库。
2.2 OLAP 技术
联机分析处理（OLAP）主要有两个特点，一是在线性（On-Line），表现为对用户请求的快速响应和交互式操作，它的实现是由Client/Server这种体系结构来完成的，二是多维分析（Multi-dimensional）,这也是OLAP技术的核心所在。OLAP的在线性体现在于用户的交互响应和快速响应，多维性则体现在它建立在多维视图的基础上，对数据进行由浅到深的分析。OLAP的用户是企业中的专业分析人员及管理决策人员，他们在分析业务经营的数据时，从不同的角度来审视业务的衡量指标是一种很自然的思考模式。例如分析销售数据，可能会综合时间周期，产品类别，分销渠道，区域分布，客户等多种因素来考虑。这些分析角度虽然可以通过报表来反映，但是每一个分析的角度可以生成一张报表，各个分析角度的不同组合又可以生成不同的报表，使得IT人员的工作量相当大，而且往往难以跟上管理决策人员思考的步伐。所以OLAP的多维性较好地满足了企业管理人员的需要。管理人员可对OLAP进行操作，即对多维数据集中的数据进行切片，切块，旋转，上卷和下钻操作，以对数据进行分析，让用户多角度、多侧面地去观察数据仓库中的数据，从而深入了解数据仓库中数据所蕴含的信息，并找出隐含在数据中的商业模式。
根据综合性数据的组织方式的不同，目前常见的OLAP主要有基于多维数据库的MOLAP及基于关系数据库的ROLAP两种。MOLAP是以多维的方式组织和存储数据，ROLAP则利用现有的关系数据库技术来模拟多维数据。在数据仓库应用中，OLAP工具一般是数据仓库应用的前端工具，同时OLAP工具还可以 配合数据挖掘进行使用，增加决策分析预测功能。
数据仓库的基本任务是使用获得的数据来进行大量的分析，以生成支持用户制定战略决策的信息。为了让数据仓库能作有意义的分析，数据必须以某种方法被映射，以便用户能利用一些数据来分析随着时间变化各商业维度的关键指标的数值。
2.3 数据挖掘的技术
数据挖掘是一种数据分析工具，它从大量的、不完全的、有噪声的、模糊的、随机的数据中提取人们感兴趣的数据模式、数据的普遍关系及其隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识，提取的知识表示为概念、规则、规律、模式等形式，其目的是帮助决策者寻找数据间潜在的关联，发现被忽略的要素，而这些信息对预测趋势和决策行为将起到一定的支持作用。
数据库中的数据挖掘是一个多步骤的处理过程，这些步骤有：
（1）数据定义阶段，主要了解相关领域的有关情况，熟悉背景知识，弄清楚用户决策分析对信息的要求。
（2）数据提取阶段，根据要求从数据库中提取相关的数据。
（3）数据预处理阶段，主要对前一阶段产生的数据进行再加工，检查数据的完整性及数据的一致性，对其中的噪音数据进行处理，对缺损的数据进行填补。
（4）数据挖掘阶段，主要是运用选定的知识发现算法，从数据中提取出用户所需要的知识，这些知识可以用一种特定的方式表示或使用一些常用的表示方式。
（5）知识评估阶段，将发现的知识以用户能了解的方式呈现，根据需要对知识发现过程中的某些处理阶段进行优化，知道满足要求。
2.4 OLAP与数据挖掘的关系
（1）OLAP与数据挖掘都属于分析型工具，两者的区别在于：
数据挖掘的分析过程是自动的，用户不必提出确切的问题，只需用挖掘工具去挖掘隐藏在海量数据中的模式并预测未来的趋势，这种方式有利于发现未知的事实，但缺乏引导的数据挖掘，往往所发现的许多模式实用性很差。
OLAP是一种自上而下、不断深入的验证型分析工具，它常常以用户的假设为基础对数据查询与分析，进而提取出相关的信息。所以OLAP在数据分析方面存在着一定的局限性，即数据仓库的结构设计的模式不同决定了OLAP对数据的分析效果与分析层次；同时由于OLAP是用户驱动的，用户对所分析问题认识和理解程度在一定程度上会影响到最终的分析结果。
从对数据分析的角度看。OLAP位于较浅的层次；由于数据挖掘可以发现OLAP所不能发现的更为复杂而细致的信息，因而处于相对较高的层次。
（2）OLAP与数据挖掘的相互作用体现在以下几个方面：
OLAP与数据挖掘同作为数据分析工具，二者相比互有优劣。数据挖掘结果的无法预测性及挖掘结果是否有效等不足，决定了数据挖掘需要另外一个分析工具作辅助，对其结果进行验证。OLAP是针对多维数据库而开发的分析工具，可以对多维数据进行较为全面的映射。所以在数据仓库的基础上，OLAP与数据挖掘有了结合的可能，即数据挖掘的结果可以通过OLAP进行验证，数据挖掘在有验证的前提下，其挖掘结果将呈现螺旋式上升的过程，逐步从模糊、混沌走向清晰、客观，进而表现为有价值的知识。
成功的数据挖掘需要对数据进行探索性的分析。挖掘所需的数据范围也许只是数据仓库的一部分，在此意义上，OLAP对多维数据的钻取、旋转等操作同样可以应用于数据挖掘的过程中，作为基于数据仓库挖掘的引导步骤。

3 系统解决方案
3.1 在WEB环境下OLAP 技术的研究
长久以来，对数据库的操作都有两种不同的应用方式。一种是日常的对数据的操作型应用，另一种是对数据的查询型应用。这两种应用有着很大的区别，如表3.1.1。
操作型应用
查询型应用
涉及的表或字段不多
涉及大量的表和字段
以增删操作为主，查询量少
不修改数据，但进行大量的查询
以业务人员使用为主，主要是细节信息
面向管理人员或决策人员，关注汇总信息和导出信息
使用当前数据
可能用到大量的历史信息
表3.1.1两种应用的区别
在数据库发展的早期，因为数据量不大，查询型应用和操作型应用的区别还不太明显。但随着数据库规模的逐渐增大，人们希望利用已经有的历史数据来使自己在激烈的竞争中取胜，分析人员经常是希望从多个不同的角度来观察一个或多个指标的值，并且希望从中找到这些指标之间的关系，这些要求导致查询复杂度越来越高，特别是这些查询请求是分析人员在分析过程中根据显示的数据而实时产生的。这样的要求是业务系统无法胜任的。而OLAP技术就能够解决这样的查询要求。
OLAP操作最主要的一点是要给分析人员提供一个多维数据超立方体，分析人员不需要了解实际的数据库结构，他所看见的是与其习惯的企业逻辑结构相似的多维结构。根据他所关注的目的的不同，在多维结构内今昔感多维操作，如钻取、上挖、漂移、切片、切块等。数据库管理人员的责任就是根据企业的组织结构和实际使用人员的要求，在已经有的数据仓库上构造多维数据库及多维视图。
传统的基于C/S结构的OLAP体系机构，其基本流程是由熟悉数据库结构的系统管理员对数据库结构进行分析，根据其业务知识将数据库中的表及字段映射为多维结构，构造由多维结构构成的超立方体，然后根据用户分析人员在使用过程中的要求对多维视图进行修改，从而再次构造超立方体，如此循环往复。这种结构在使用过程中暴露出了不少的问题：
（1）在每一个客户端都要安装和配置多维查询软件。维护工作量很大；
（2）报告内容要根据使用者在使用过程中碰到的要求进行修改，因此要维护客户端的报告内容一致也是很复杂的；
（3）因为报告存放在客户端。因此可能会被修改，从而安全性也很不好。
出现这些问题的根本原因是没有注意到OLAP的特殊性：OLAP作为一个多维查询工具，不同于传统的业务系统，主要是给管理和决策人员使用的，需求是多变的，所以IT人员不可能依次设计出符合分析人员要求的超立方体，需要在使用过程中根据要求对超立方体不断进行调整和修改，但是这种多变性是C/S结构所不能适应的。而且有基于Internet/Intranet的3层结构才具有足够的灵活性。
WEB服务器负责完成浏览器与OLAP服务器，数据仓库系统之间的通信连接。如图3.1.1所示。一般来说，WEB服务器通过使用CGI脚本、WEB服务器API、应用API和数据库API等，管理浏览器的通信。在浏览器端，通过HTML、DMX、ActiveX控件、C#.NET来完成与用户的交互截面和控件。
在实现基于WEB的OLAP应用时，往往采用自顶向下的设计。首先要确定用户如何在浏览器中的到报表信息，然后再给出一系列的过程完成基于浏览器的OLAP操作。这些过程应当包括发布信息，提供HTTP对数据库或应用服务器的动态数据请求，设计支持分析功能的界面。
在客户端基于WEB浏览器的OLAP报表被分为几个层次，其中包括没有分析功能的静态报表和能够进行分析的OLAP应用界面，如维的旋转，数据的钻取等。另外，特别要提到的是，标准的HTML界面缺乏操作的灵活与方便。C#.NET和ActiveX控件的使用会大大提高用户截面的友好程度，用户通过简单的操作就可以完成“旋转”、“钻取”的操作。

数据仓库系统
OLAP服务器
WEB服务器
客户浏览器

…………………………………

…………………………………CGI API

C#.NET、ActiveX 控件

图3.1.1基于WEB的OLAP结构图

3.2 在WEB环境下OLAP 技术的实现方案
OLAP专门用于支持复杂的决策分析，支持信息管理和业务管理人员决策活动的一种决策分析工具。它可以根据分析人员的要求，迅速、灵活地对大量数据进行复杂的查询处理，并且以直观的、容易理解的形式将查询结果提供给各种决策人员，使他们迅速、准确地掌握企业的运营情况，了解市场需求。而要进行OLAP多维数据分析就需要根据分析需求，同时结合数据仓库中的数据结构和特点建立OLAP多维模型。以超市销售系统为例子，并对该例子的OLAP销售多维模型进行了设计，如图3.2.1。
时间编号
年
季度
月
日
食品编号
时间编号
客户编号
食品名称
销售数量销售额
平均价格
食品编号
食品类别编号
食品名称
客户编号
区域编号
客户名称
食品类别编号
食品类别名称
区域编号
省
市
销售事实表 食品维表
食品类别维表

客户维表
区域维表
时间维表

图3.2.1 超市销售分析的OLAP模型

从图中可以看出在超市销售分析的OLAP模型中有一个销售事实表，在该事实表中每个元组只存储了一些指向各个维表的指针（即外键，时间编号、食品编号、客户编号等）和一些相应的测量数据（度量值），销售数量、销售额和平均价格，而与这些外键相对应的主键则分别存放不同的维表中（时间维表、客户维表、食品维表等）。对事实表的查询就是获取指向维表的指针，当对事实表的查询与对维表的查询结合起来的时候，就可以检索大量的信息。
一个完整的基于WEB的OLAP销售分析系统由三方面组成。第一，提取、清洗数据组成数据仓库；第二利用OLAP引擎建立相应的销售分析的OLAP立方体；第三使用前端开发工具，在WEB上访问OLAP立方体中包含的对象和集合。这里选用了SQL SERVER 2005 Analysis Services作为数据仓库支撑平台，SQL SERVER 2005的Analysis Services 是一个管理多维数据集的服务器，数据源并抽取数据，实现高效地将客户数据加载到客户数据仓库中；服务器支持MDOLAP、ROLAP和HOLAP三种存储模式，用户自己定义使用的存储模式，定义各个维度并建立销售多维数据集，从而完成整个销售过程。

4 图书销售分析系统的总体设计和实现
4.1 系统的功能
本系统的功能可以划分为会员分析和图书分析两大部分(如图4.1.1图书小时分析系统功能结构图。
图书销售分析系统
会员分析
图书分析分析
会员
级别
分析
会员
消费
分析
会员
类型
分析
图书

推荐
销售
趋势
分析
销售
关联
分析
图书
销量
分析
图书
定价
分析

图4.1.1图书销售分析系统功能结构图
其中会员分析是对书店注册会员的信息进行分析，具体功包括：
（1）会员级别分析：根据会员的个人信息来预测该会员最有可能成为哪级会员。
（2）会员消费分析：根据会员的个人信息来预测该会员在书店的消费类型。
（3）会员类型分析：根据会员的个人信息和消费记录来对会员进行自动分类。
（4）图书推荐：根据会员的以往购书记录来向推荐其他可能感兴趣的图书。
其中图书分析则是对书店图书的信息进行分析，具体功能包括：
（1）销售趋势分析：根据图书的历史销售信息来预测未来的销售额。
（2）图书销量分：根据图书的基本信息来预测其销量。
（3）销售关联分析：分析哪些图书经常会被一同销售。
（4）图书定价分析：根据图书的基本信息来估算定价。
4.2 数据源设计
4.2.1 数据库设计
4.2.1.1 数据库逻辑设计
根据系统的需求分析定义系统中的实体，并采用E-R图来（如图2.2.1图书销售E-R图）表现实体之间的逻辑关系。在关系图中主要有会员和图书两个实体，会员买书的一些情况和推荐书的情况。图书中包含了图书的销售量等相关信息。会员
会员号
姓名
入会时间
级别
生日
地区
地址
性别
电话
邮箱
积分
图书
国际标准图书号
图书号
光盘
书名
存储量
出版社
出版日期
价格
上架时间
页数
条码号
买书
推荐书
销售数据
销售量
会员号
销售时间
推荐数据
书号
类型
折扣情况
级别
折扣率
N
N
N
N
级别号

图4.2.1图书销售E-R图

4.2.1.2 数据库结构设计
在逻辑设计的基础上，进行了结构设计，数据库的设计主要有五个数据表和三个视图，下面分别对五个数据表和三个视图进行说明。
（1）会员表：主要是记录会员的姓名、性别、地址、电话号码、会员号、会员的级别、会员的入会时间。这些对视图进行查询有很大用处，同时对分析进行预测提供了可靠的信息资源。
（2）图书表：主要是记录图书的名字、出版社、出版时间、国际标准图书号、内带光盘、存储量、上架日期、条码、价格、书的页数
（3）买书的记录表：主要记录会员买书的情况，里面记录会员的会员号、买书的时间、买书消费额。
（4）折扣表：主要是记录会员的级别所打的折扣。表内包括级别和折扣率。
（5）图书销售情况表：主要记录图书销售的情况。主要记录图书号、图书的销售额、图书销售的数量、图书销售的折扣。
（6）图书视图：主要是进行图书与会员的综合查询，它包含了图书的基本信息和销售情况汇总。]
（7）图书销售视图：主要是对图书的销售情况的综合查询，它包含了图书的销售细明信息。
（8）图书每周销售视图：主要是对图书进行每周的销售情况的综合查询，它包含了图书每周销售销量的信息。
以下是五个数据表：表4.2.1会员表、表4.2.2图书表、表4.2.3买书的记录表、表4.2.4折扣表、表4.2.5图书销售表。
列名
数据类型
允许空
ID
Int

Name
Nvarchar(20)

Levels
Smallint
Y
RegTime
Smalldatetime
Y
Gender
Bit
Y
Birthday
Smalldatetime
Y
Degree
Nvarchar(20)
Y
Area
Nvarchar(20)
Y
Address
Nvarchar(256)
Y
Telephone
Nvarchar(50)
Y
Email
Nvarchar(50)
Y
Score
Int
Y

表4.2.1会员表

列名
数据类型
允许空
ID
Int

ISBN
Nchar(10)

Name
Nvarchar(256)

CategoryID
Int
Y
Author
Nvarchar(100)
Y
Press
Nvarchar(50)
Y
PublishDate
Smalldatetime
Y
Price
Smallmoney

Pages
Smallint
Y
Barcode
Nchar(13)

CD
Bit
Y
Storage
Int
Y
ShelfDate
Smalldatetime
Y

表4.2.2图书表

列名
数据类型
允许空
ID
Int

CustomerID
Int
Y
Sum
Smallmoney
Y
Time
smalldatetime

表4.2.3买书的记录表

列名
数据类型
允许空
Levels
Int

Discount
Float

表4.2.4折扣表

列名
数据类型
允许空
ID
Int

SellID
Int

BookID
Int

Number
Int

Discount
Float
Y
Sum
Smallmoney
Y

表4.2.5图书销售表

以下是三个视图表：表4.2.6图书视图、表4.2.7图书销售视图、表4.2.8图书每周销售视图。

列
别名
表
输出
排序类型
排序顺序
分组依据
筛选器
ID

Book
Y
升序
1
Group By

Name

Book
Y

Group By

Category

BookCategory
Y

Group By

Press

Book
Y

Group By

Price

Book
Y

Group By

Rages

Book
Y

Group By

CD

Book
Y

Group By

Number
SellNumber
SellItem
Y

Sum

Sum
SellSum
SellItem
Y

Sum

ShelfDate

Book
Y

Group By

表4.2.6图书视图

表4.2.6图书视图的综合查询的内部代码为：
SELECT TOP(100) PERCENT dbo.Book.ID, dbo.Book.Name, dbo.BookCategory.Category, dbo.Book.Press, dbo.Book.Price, dbo.Book.Pages, dbo.Book.CD,
SUM(dbo.SellItem.Number) AS SellNumber,SUM(dbo.SellItem.Sum) AS SellSum, dbo.Book.ShelfDate
FROM dbo.Book INNER JOIN
dbo.BookCategory ON dbo.Book.CategoryID = dbo.BookCategory.ID INNER JOIN
dbo.SellItem ON dbo.Book.ID = dbo.SellItem.BookID
GROUP BY dbo.Book.ID, dbo.Book.Name, dbo.BookCategory.Category, dbo.Book.Press, dbo.Book.Price, dbo.Book.Pages, dbo.Book.CD,
dbo.Book.ShelfDate
ORDER BY dbo.Book.ID
列
别名
表
输出
排序类型
排序顺序
分组依据
筛选器
ID

SellItem
Y

ID
SellID
Sell
Y

CustomerID

Sell
Y

Time

Sell
Y

BookID

SellItem
Y

ISBN

Book
Y

Name

Book
Y

Press

Book
Y

Price

Book
Y

Number

SellItem
Y

Discount

SellItem
Y

Sum

SellItem
Y

表4.2.7图书销售视图
表4.2.7图书销售视图的内部代码和关系图（图2.2.2图书销售关系图）：
SELECT dbo.SellItem.ID, dbo.Sell.ID AS SellID, dbo.Sell.CustomerID, dbo.Sell.Time, dbo.SellItem.BookID, dbo.Book.ISBN, dbo.Book.Name, dbo.Book.Press,
dbo.Book.Price, dbo.SellItem.Number, dbo.SellItem.Discount, dbo.SellItem.Sum
FROM dbo.Sell INNER JOIN
dbo.SellItem ON dbo.SellItem.SellID = dbo.Sell.ID INNER JOIN
dbo.Book ON dbo.Book.ID = dbo.SellItem.BookID

图4.2.2图书销售关系图

列
别名
表
输出
排序类型
排序顺序
分组依据
DATEPART(week,dbo.sell.Time)
Week

Y
升序
1
Group By
ID

Book
Y
升序
2
Group By
Sum
SellSum
SellItem
Y

Sum

表4.2.8图书每周销售视图

表2.2.8图书每周销售视图的内部代码为：
SELECT TOP (100) PERCENT DATEPART(week, dbo.Sell.Time) AS Week, dbo.Book.ID, SUM(dbo.SellItem.Sum) AS SellSum
FROM dbo.Sell INNER JOIN
dbo.SellItem ON dbo.Sell.ID = dbo.SellItem.SellID INNER JOIN
dbo.Book ON dbo.SellItem.BookID = dbo.Book.ID
GROUP BY DATEPART(week, dbo.Sell.Time), dbo.Book.ID
ORDER BY Week, dbo.Book.ID
设计好了以上的表和视图是为了对其中的数据进行预测和分析，这些创建给以后的实现部分做了很好的铺垫。
4.2.2 图书销售 Analysis Services 设计
4.2.2.1 数据源设计
在数据源设计运用了数据挖掘技术，首先用“数据源向导”将数据中表2.2.1会员表、表2.2.6图书视图、表2.2.7图书销售视图、表2.2.8图书每周销售视图加入项目的数据源试图中。其中会员表中存储了书店注册会员的基本个人信息；同时为了支持数据的分析，设计中还要向会员表中增加两个计算列。两个计算列分别为Age和DayConsume。它们的表达式分别为“YEAR(GETDATE()-YEAR(dbo.Customer.Birthday))”和“CAST(Score AS Decimal)/DATEDIFF(DAY,RegTime,GETDATE())” 是用来计算会员的年龄和会员的积分除以其注册天数以得到该会员的日平均消费金额。合理地使用计算列，能够大大方便挖掘结构和挖掘模型的创建，同时避免修改源数据库中的基础表格和视图。在Analysis Services项目中也需要向图书表中加入两个计算器分别DaySellNumber和DaySellSum，计算表达式为：“SellNumber/DATEDIFF(DAY,ShelfDate,GETDATE())”、“SellSum/DATEDIFF(DAY,ShelfDate,GETDATE())”。它们是用来计算图书日均销量。
为了对会员购书的有关信息进行挖掘，在数据源视图中还应将会员表和图书销售视图关联起来。如图4.2.3数据源视图图书销售图。

如图4.2.3数据源视图图书销售图
数据源的设计对以后数据挖掘起到决定的作用。在本设计中使用了多个数据挖掘的方法。这些方法大大方便了界面的分析和预测。管理者通过预测的信息知道内部图书销售的各个情况和了解会员的相关活动信息。
4.2.2.2 本系统设计的挖掘模型
（1）贝叶斯挖掘模型：是用来对会员级别的分析。主要运用了“Microsoft Naïve Bayes”挖掘技术对数据源视图中的会员表作为事例对Levels和DayConsume列作为可预测列进行预测。
（2）决策树挖掘模型：来分析会员的消费水平最有可能处在哪个区间，主要运用“Microsoft 决策树”挖掘技术对数据源视图中的会员表作为事例对Levels进行忽略，而对DayConsume进行可预测。
（3）聚类分析挖掘模型：是用来分析会员的年龄和学历进行分析。是忽略Area、Levels、Gender,而Age和Degree作为输入列对DayConsume进行预测。
（4）关联规则挖掘模型：用于分析会员与图书之间的关联，进而向会员推荐其他可能感兴趣图书。在设计中用会员表作为事例表嵌套图书销售表，Gender、Age、Degree、Area作为输入列，BookSell进行预测。
（5）时序挖掘模型：是用于图书的分析，用每周销售视图来做事例，ID和 Week作为输入键对SellSum进行预测。
（6）神经网络挖掘模型：是预测新书的销量，图书表作为事例，Category、Press、Price、Pages和CD列进行输入，对DaySellNumber进行预测。
（7）顺序分析挖掘模型：用于实现图书销售的关联分析，会员表作为事例，图书销售表销售表作为嵌套表，对Name进行预测。
（8）线性回归挖掘模型：是对图书价格的预测，图书表作为事例,Pages为输入列，对Price进行预测。
4.