声 明
1、本资料由君课分享者周诗人基于电子科技大学2017级MBA脱产班《商务智能与决策》考试作业制作。
2、君课整理此资料,旨在尽可能提升大家复习效率,帮助大家通过考试。既然一起入学,咱就一起毕业!但分享者不是老师,不能保证文中没有差错,如您发现错漏之处,请联系君课编辑,以便及时更正,谢谢!
3、本资料是学霸熬夜花时间花精力做出来的,虽然君课主张分享,但强烈建议在文末向分享者主动打赏,金额随意,鼓励学霸们的下一次付出!(所有打赏金额将全部归分享者)
————————————
2017级脱产班《商务智能与决策》考试作业攻略
1.、结合自己以往工作内容,谈一下你对数据与数据价值的认知与理解(20分)
思路:
a.我们已经处在数据时代,可能还浑然不知。
大数据是人们获得新的认知、创造新的价值的源泉
大数据还是改变市场、组织机构,以及政府与公民关系的方法
b.数据的价值来源于万物数据化和数据交叉复用
大数据是指不用随机分析法这样的捷径,而是采用所有数据的方法。
大数据中的“大”非绝对意义的大,指全体数据,有时并非真的“大”
数据价值。不会随使用次数而减少,可以重复挖掘
c.数据是双刃剑,需要新的规章制度应对大数据时代的各种隐忧
应用得当,大数据是合理决策的有力武器
应用不当,会变成损害民众利益的工具
大数据在改变人类生活与思考方式的同时,也在推动人类信息管理准则的重新定位。
2.、使用tableau软件对dataset1数据集进行数据可视化,要求:
(1)包含至少三种不同的图形类型;
(2)可视化内容不少于六个部分;
(3)其中必须至少包含的内容(1)Most popular genre;(2)Top20 Artists;
(3)Sales distribution by region(区域销售分布);(4)Sales amounts(30
分,包括图形的美观10分)
思路:主要是tableau软件的应用。现以Top20 Artists举例。
第一步:安装并打开tableau,进入初始界面,选择【连接】˃【文本文件】,加载dataset1.txt。
第二步:点击左侧下方的【工作表】,将左侧上方的“Artist”拖放到行,将左侧下方的“Sales”拖放到列。
第三步:点击【排序】按钮,按由高到低排序,右击artist,出现筛选器[artist]界面,在【顶部】选项卡中,输入20,设置显示TOP20。
3、请判断Dataset2的缺失值可能缺失模式(MCAR?MAR?MNAR?)并使用合适
的方法对缺失数据进行插补;(20分)
思路:完全随机缺失(MCAR)、随机缺失(MAR)、非随机不可缺失(MNAR)
举个栗子:为了对某公司员工健康状况进行评估,现进行体检抽样。
体检的时候,有员工出差,不能参加体检,这是MCAR;有新员工还没满一年,不能参加体检,这是MAR。有员工由于身体太差,前段时间被辞退了,没法参加体检,这就是MNAR。
对于数据缺失,通常的作法有死删法、插入均值法,插入中位数据法。对于变量较少的记录,直接删除。对于某些缺值的记录,可以插入均值。
4、请根据“折扣店销售数据”构建折扣店销量的线性回归预测模型,并对可能提
高模型预测结果准确性的可行途径进行讨论(30分)
思路:多元线性回归建模,是指建立多元回归模型:E(x)=b0+b1x1+ b2x2+ b3x3+ bnxn,得出b0、b1、b2、b3、bn后代入,再将x1,x2,x3,xn变量代入,即可得出预测值E(x)。
第一步:进行数据整理,主要包括数据清理和分类变量进行转换。
数据清理见第3题方法。
比如将“折扣店所在城市类型”变量转换成三个变量Tier 1、Tier 2、Tier 3,分别用、1、2表示,如果某条记录是Tier 1,则在的那一例设置1,其它的设置成。
当然,用SPSS菜单命令可以非常容易进行变量转换。
第二步:根据样本数据,计算出b0、b1、b2、b3、bn,得出多元回归模型。用SPSS软件的拖拉拽也可完成。我在这里是用Python代码实现。
第三步:将验证数据变量代入多元回归模型,得出预测值,与实际销售值比较。也可以用SPSS命令完成。
说明:
目前,周末班还未开设《商务智能与决策》这门课程,本文是作者根据实际工作中的经验整理而成,供大家参考。事实上,本文也仅仅提供了一些方法和思路。由于老师在试题中明确指出“独立完成题目,如有发现抄袭情况(相同内容超过 30%),所有抄袭作业都记为零分”,所以,还请大家务必独立完成考试。
————————
本文基于电子科技大学2017级MBA课程《商务智能与决策》考试作业整理和分享,祝老师万事顺意,祝大家全部考过!有君课,不挂科!
周诗人
[ 电子科技大学2017级MBA ]
择高处立,就平处坐,向宽处行。
————————————
【君课】MBA分享学习计划
编辑:付国君
领取专属 10元无门槛券
私享最新 技术干货