sas系统和数据分析sas系统简介

《sas系统和数据分析sas系统简介》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、726c99bfa4d14f04c5598d01531cfdc9.docSAS系统和数据分析电子商务系列第一课SAS系统简介一、SAS系统1.SAS系统的功能SAS系统是大型集成应用软件系统,具有完备的以下四大功能：l数据访问l数据管理l数据分析l数据呈现它是美国软件研究所（SASInstituteInc.）经多年的研制于1976年推出。目前已被许多国家和地区的机构所采用。SAS系统广泛应用于金融、医疗卫生、生产、运输、通信、政府、科研和教育等领域。它运用统计分析、时间序列分析、运筹决策等科学方法进行质量管理、财务管理、生产优化、风险管理、市场调查和预测等等业务，并可将各种数据以灵活多样

2、的各种报表、图形和三维透视的形式直观地表现出来。在数据处理和统计分析领域，SAS系统一直被誉为国际上的标准软件系统。2.SAS系统的支持技术在当今的信息时代中，如何有效地利用业务高度自动化所产生的巨量宝贵数据，挖掘出对预测和决策有用的信息，就成为掌握竞争主导权的关键因素。因此，SAS系统始终致力于应用先进的信息技术和计算机技术对业务和历史数据进行更深层次的加工。经过二十多年的发展，SAS系统现在是以下三种技术的主要提供者：l数据仓库技术(DataWarehouse)数据仓库是用于支持管理决策过程的面向主题的、集成的、随时间而变化的、持久的（非易失的）数据集合。通俗地说，可以将数据仓库理解

3、为“将多个生产数据源中的数据按一定规则统一集中起来，并提供灵活的观察分析数据手段，从而为企业制定决策提供事实数据的支持”。数据仓库最大的用途是能够提供给用户一种全新的方式从宏观或微观的角度来观察多年积累的数据，从而使用户可以迅速地掌握自己企业的经营运转状况、运营成本、利润分布、市场占有率、发展趋势等对企业发展和决策有重要意义的信息，使用户能制定更加准确科学的决策迅速对市场做出反应。利用数据仓库技术可以使大企业运作的像小企业一样灵活，也可以使小企业像大企业一样规范。从目前情况来看，许多企业和机构已经建立了相对完善的生产数据库系统。随着时间的推移，这些系统中积累了大量的历史数据，其中蕴含了许

4、多重要的信息。利用数据仓库技术对这些历史数据进行分析和综合处理，可以找到那些对企业发展至关重要的业务信息，从而帮助有关主管和业务部门做出更加合理的决策。上海财经大学经济信息管理系IS/SHUFEPage14of14726c99bfa4d14f04c5598d01531cfdc9.docSAS系统和数据分析电子商务系列当今世界充满了剧烈竞争，正确及时的决策是企业生存和发展的最重要环节。现在，愈来愈多的企业认识到，企业要想在竞争中取胜，获得更大的收益，至关重要的是，必须利用计算机和网络技术、数据仓库技术，深层次地挖掘、分析当前和历史的生产业务数据，以及相关环境的相关数据，自动快速获取其中有用

5、的决策信息，为企业提供快速、准确和方便的决策支持。通过对企业生产和计划的完成情况及相关环境数据进行多角度多层次的分析，以使企业的决策者及时掌握企业的运行情况和发展趋势，并对制定生产计划和长远规划提供理论指导，提高企业的管理水平和竞争优势。l数据挖掘技术(DataMining)数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。还有很多和这一术语相近似的术语，如从数据库中发现知识(KDD)、数据分析、数据融合(DataFusion)以及决策支持等。数据挖掘是一门很广义的交叉学科，它汇聚了不同领域的研究者，尤其

6、是数据库、人工智能、数理统计、可视化、并行计算等方面的学者和工程技术人员。DMKD的研究主要有3个技术支柱，即数据库、人工智能和数理统计。数据库最实质的应用仅仅是查询吗?理论根基最深的关系数据库最本质的技术进步点，就是数据存放和数据使用之间的相互分离。查询是数据库的奴隶，发现才是数据库的主人。因此，在需求的驱动下，很多数据库学者转向对数据仓库和数据挖掘的研究，从对演绎数据库的研究转向对归纳数据库的研究。专家系统曾经是人工智能研究工作者的骄傲。专家系统实质上是一个问题求解系统，目前的主要理论工具是基于谓词演算的机器定理证明技术。在研制一个专家系统时，知识工程师首先要从领域专家那里获取知识，

7、这一过程实质上是归纳过程，是非常复杂的个人到个人之间的交互过程，有很强的个性和随机性。因此，知识获取成为专家系统研究中公认的瓶颈问题。用if-then等类的规则表达，约束性太大，用常规数理逻辑来表达社会现象和人的思维活动局限性太大，知识表示又成为一大难题。此外，即使某个领域的知识通过一定手段获取并表达了，但这样做成的专家系统对常识和百科知识出奇地贫乏。人工智能学者开始着手基于案例的推理，尤其是从事机器学习的科学家们，不再满足自己构造