自考14156商务智能考试大纲（2025年版）

湖南省高等教育自学考试课 程考 试大 纲商务智能 （课程代码：14156） 湖南省教育考试院组编 2025 年 6 月高等教育自学考试课程考试大纲课程名称：商务智能课程代码：14156

第一部分

课程性质与目标

一、课程性质与特点

商务智能是高等教育自学考试电子商务专业的选考课程。它借助数据挖掘、数据分析等技术手段，从商业决策的角度整合企业内外部数据资源，致力于优化企业决策流程与提升运营效能。作为现代商业分析领域的重要组成部分，该学科围绕改善企业商业决策这一核心目标，以挖掘数据潜在价值为基本前提，通过融合信息技术、统计学、管理学等多学科知识体系，全面剖析企业在市场竞争、客户洞察、运营管理等方面的数据关联与演变规律。其关键作用在于向企业决策者提供精准、实时的数据分析结果与决策支持模型，既能增强企业的市场竞争力，又能助力企业实现战略规划与业务优化，是电子商务专业体系中极具实践指导意义的重要分支学科。

二、课程目标与基本

要求通过本课程的学习，要求考生了解商务智能、数据仓库、联机分析处理、数据挖掘等基本概念，掌握数据仓库、联机分析处理、数据挖掘等专业应用技术。在学完本课程后，可以通过专业应用软件对数据进行深层次加工，获得有实际应用的有价值信息。

三、与本专业其他课程的关系

本课程的先修课程为互联网数据库，该课程中关于互联网数据库的基本概念、数据模型、关系数据库、SQL 语言、触发器、存储过程、数据完整性、数据库安全、索引、 事务管理、并发控制、数据库备份与恢复等知识为本课程基本知识概念的理解打下基础。

第二部分

考核内容与考核目标通过本章的学习，理解商务智能的定义、特点、支持理论与技术、研究范式及分析过程，了解我国企业中商务智能的应用情况和发展趋势。本章的难点内容为商务智能的研究范式，它将数据分析为信息，信息提炼为知识，再用知识指导决策。这一过程涵盖的步骤包括数据收集、存储、处理、分析、建模、可视化，以及决策支持等多个环节， 每一个环节都有其独特的理论基础和实践要求，需要结合信息技术、统计学、管理学等多学科知识才能有效实施。挑战在于如何通过数据挖掘技术和算法从海量且多源异构的数据中提取出有价值的信息，再通过数据建模和可视化技术将这些信息转化为易于理解和应用的知识，最终将这些知识与企业的实际业务流程和战略目标相结合，以支持企业做出科学、合理的决策。这一范式不仅要求考生具备扎实的理论知识，还要求他们能够熟练运用各种商务智能工具和软件，理解企业业务流程和管理需求，以便在复杂多变的商业环境中灵活应用所学知识，解决实际问题。

（一）商务智能的概念界定（重点）识记：商务智能的定义理解：商务智能的主要特点（二）商务智能的支持理论及技术（重点）识记：1.深度学习的定义

2.强化学习的定义

3.统计学的定义

4.知识图谱的定义

5.运筹学的定义

理解：机器学习的核心应用：机器学习技术发展进程（三）商务智能的研究范式（重点）识记：数据、信息和知识的定义应用：商务智能的研究范式（难点）

（四）商务智能分析过程（次重点）

应用：商务智能分析过程（五）商务智能的应用（次重点）

理解：1.我国企业中商务智能应用的三个典型方面

2.商务智能应用过程中需要重点关注的三个方面应用：目前零售行业商务智能应用的五个方面（六）商务智能的发展趋势（一般）识记：商务智能的五个发展趋势和方向通过本章的学习，理解商务智能分层、商务智能体系结构和数据集成，掌握联机分析处理基本的多维分析。

（一）商务智能分层（重点）识记：1.人机交互的定义

2.人机界面的定义

3.知识表示的定义及三个组成部分理解：1.商务智能的五个层次

2.人机交互界面层的实现步骤

3.知识的三个层次

4.信息资源层的任务

5.接口层的主要功能

6.系统软硬件层的功能应用：1.分析某公司商务智能平台的分层情况

2.人机交互界面设计的七项原则

3.抽取数据应考虑的三个问题

4.数据装载过程中容易出现的四个问题（二）商务智能的体系结构（重点）识记：1.数据报表的类型

2.ETL 的定义

理解：1.商务智能系统中的三项关键技术

2.商务智能的三个实现层次应用：1.联机分析处理 OLAP 基本的多维分析操作

2.数据仓库与数据集市的比较

3.ETL 架构和 ELT 架构优点比较（三）数据集成（次重点）识记：1.数据集成的定义

2.数据集成的应用

理解：数据集成方法

通过本章的学习，了解数据管理及其发展阶段，理解数据库和数据库系统的定义、 数据模型和关系，理解数据仓库的定义、体系结构、建模及评价标准，掌握关系的运算。

本章的难点内容为关系的运算，包括选择、投影和连接，这些运算是关系数据库理论的核心。选择运算是从关系中筛选满足特定条件的元组；投影运算是从关系中提取指定的属性列；连接运算是将两个关系通过公共属性进行组合。这三种运算相互配合，能够实现复杂的数据查询和分析，是理解和应用关系数据库的关键。

（一）数据管理及其发展（重点）识记：1.人工管理阶段特点

2.文件系统阶段特点

3.数据库系统阶段特点理解：数据管理（二）数据库（重点）识记：1.数据库和数据库系统的定义

2.概念模型的概念

理解：1.关系中的相关概念

2.数据模型的三个组成要素

3.数据库的三个典型数据模型应用：1.关系中的运算（难点）

2.关系的完整性

3.数据库设计

（三）数据仓库（重点）识记：1.数据仓库的定义及特点

2.元数据的定义及作用理解：1.数据仓库和数据库的区别

2.数据仓库的安全问题应用：1.分析电子商务数据面向某主题的数据仓库建模方案

2.数据仓库的体系结构

3.数据仓库的建模及评价标准通过本章的学习，了解数据挖掘在商务智能中的定位，理解数据挖掘的定义、任务、 过程、方法和工具，掌握应用评价指标及计算方法。本章的难点内容为两类分类问题的应用评价指标及计算方法，涉及如何精准衡量分类模型的性能。需掌握准确率、召回率、 F1 值、ROC 曲线与 AUC 值等指标，理解其背后的统计学原理与业务意义，并能熟练运用公式进行计算。这些指标各有侧重，如准确率反映整体正确性，在类别均衡数据中适用；召回率关注正例的识别能力，对高风险场景至关重要；F1 值平衡精确率与召回率， 适合综合评估；AUC 值则直观展现模型区分正负例的能力。掌握这些方法，能依据不同业务目标选择合适指标，优化模型决策规则，提升分类模型在实际应用中的效能与可靠性。

（一）数据挖掘在商务智能中的定位（一般）识记：数据挖掘在商务智能中的定位（二）数据挖掘概述及原理（重点）识记：1.数据挖掘的定义和特征

2.数据挖掘识别的四种模式理解：数据挖掘的任务（三）数据挖掘过程（重点）

应用：数据挖掘过程

（四）数据挖掘方法及评价指标（重点）识记：1.分类和回归的定义

2.聚类分析的定义

3.关联规则挖掘的定义及算法理解：聚类算法应用：1.两类分类问题的应用评价指标及计算方法（难点）

2.常用聚类有效评价方法（五）数据挖掘工具（重点）识记：数据挖掘工具的分类通过本章的学习，了解无监督学习的定义，理解聚类的定义、代表性算法和基于聚类的数据分析，掌握 k-means 算法的具体步骤。本章的难点内容为 k-means 算法的具体步骤，该算法是聚类分析的经典方法，核心步骤包括初始化中心点、分配样本到最近中心点、重新计算中心点以及迭代收敛判断。具体而言，首先随机选取 k 个初始中心点；

然后通过距离度量将每个样本分配到最近的中心点对应的簇；接着重新计算每个簇的中心点为簇内样本均值；最后不断重复分配和更新步骤，直至中心点不再变化或达到最大迭代次数。掌握这些步骤有助于深入理解聚类算法的工作机制，为处理复杂数据集的无监督学习任务奠定基础。

（一）聚类分析简介（重点）识记：1.无监督学习的定义

2.聚类的定义

应用：四类常见样本点距离计算的公式（二）代表性的聚类算法（重点）

理解：1.k-modes 算法

2.高斯混合聚类

3.密度聚类

应用：k-means 算法的具体步骤（难点）

（三）基于聚类的数据分析（次重点）

应用：1.出租车乘车时间预测

2.葡萄酒类别分析

（四）应用案例（次重点）

应用：1.电商平台客户忠诚度聚类方法

2.基于大数据的某公司缴费渠道评价方法通过本章的学习，了解分类算法的特点，理解代表性分类算法、应用案例及数据分析。

（一）代表性的分类算法（重点）

理解：1.支持向量机

2.决策树

3.贝叶斯决策

4.人工神经网络

5.遗传算法

应用：选取合适的分类算法进行电子商务数据分析（二）应用案例及数据分析（次重点）

应用：1.信用卡评估体系

2.海量照片提升销量

3.电商网站客户细分通过本章的学习，了解信息检索的定义和一般过程，了解电子商务环境下的商品检索，理解特征选择的过程和方法，理解特征提取的定义和方法，理解相关反馈具体过程和伪相关反馈的基本过程，掌握信息检索的经典模型和评价指标。

（一）信息检索的概念（重点）识记：广义和狭义信息检索的定义（二）信息检索的过程（次重点）

理解：信息检索的基本过程（三）特征选择（重点）

理解：1.特征选择的过程

2.基于搜索策略的特征选择方法

3.基于评价准则的特征选择方法应用：选取合适的特征选择方法应用于电子商务数据分析（四）特征提取（重点）识记：特征提取和特征选择的定义理解：1.主成分分析

2.线性评判分析

应用：1.选取合适的特征提取方法应用于电子商务数据分析

2.特征选择和特征提取的评价（五）相关反馈（次重点）

理解：1.相关反馈的具体过程

2.伪相关反馈的基本过程（六）经典的信息检索模型（重点）

理解：1.布尔模型

2.向量空间模型

3.概率模型

应用：依据电子商务用户数据特征选取合适信息检索模型（七）信息检索的评价指标（重点）

理解：1.对单个查询进行评价的指标

2.对多个查询进行评价的指标应用：运用合适评价指标进行电子商务信息检索评估（八）电子商务环境下的商品检索（次重点）识记：1.电子商务搜索引擎的定义

2.网络爬虫的定义

理解：商品检索技术特点应用：商品搜索引擎的整体架构通过本章的学习，理解推荐系统评测指标、基于用户行为的协同过滤算法、推荐系统冷启动问题、三种不同的社交网络数据和京东个性化推荐系统发展。

（一）推荐系统评测指标（重点）

理解：1.用户满意度

2.预测准确度

3.覆盖率

4.多样性

5.新颖性和惊喜度

（二）基于用户行为的协同过滤算法（重点）

应用：基于用户行为的协同过滤算法步骤（三）推荐系统冷启动问题（次重点）

理解：1.用户冷启动问题

2.物品冷启动问题

3.系统冷启动问题

（四）利用社交网络数据进行推荐（重点）

理解：三种不同的社交网络数据（五）京东个性化推荐系统发展（次重点）

理解：1.推荐系统的业务架构

2.京东个性化推荐系统架构应用：根据用户需求设计个性化系统架构通过本章的学习，了解相关分析的定义、种类和研究内容，理解相关分析过程、相关系数的计算、回归分析基本步骤、多元线性回归和相关应用案例，掌握一元线性回归方程的建立。本章的难点内容为一元线性回归方程的建立，包括数据收集与整理、模型假设检验、参数估计和模型验证等环节。需要精准绘制散点图以判断变量间的线性关系， 运用最小二乘法求解回归系数，还需通过假设检验评估模型显著性，并计算残差分析模型拟合优度，最终确保方程能可靠地用于预测和分析变量间的关系。

（一）相关关系与函数关系（重点）识记：1.相关分析的定义及研究内容

2.相关关系的种类

理解：相关分析过程的三个步骤（二）简单线性相关分析（重点）识记：1.简单线性相关分析的定义

2.相关表的定义

3.相关图的定义

理解：1.相关系数的计算

2.相关系数的说明及检验应用：分析电子商务数据间的相关性（三）线性回归分析（重点）识记：1.拟合度的定义

2.判定系数的定义

理解：1.回归分析的基本步骤

2.一元线性回归方程的建立（难点）

3.多元线性回归

应用：建立一元线性回归方程对电子商务数据进行预测和分析（难点）

（四）电商平台中某商家某类商品需求量预测（次重点）

应用：1.电子商务数据分析

2.某类商品销量预测（五）应用案例（一般）

应用：1.比较和预测商品价格

2.预测大选结果

通过本章的学习，了解商务智能的应用场景和发展趋势。

（一）商务智能具有广泛的应用场景（次重点）识记：1.广告营销

2.交通出行

3.智能物流管理

4.智能金融

5.智能制造

6.智能通信领域

7.智能电网

（二）商务智能的发展趋势（一般）识记：商务智能的发展趋势

第三部分

有关说明与实施要求

一、考核的能力层次表述

本大纲在考核目标中，按照“识记”“理解”“应用”三个能力层次规定其应达到的能力层次要求。各能力层次为递进等级关系，后者必须建立在前者的基础上，其含义是：识记：能知道有关的名词、概念、知识的含义，并能正确认识和表述，是低层次的要求。

理解：在识记的基础上，能全面把握基本概念、基本原理、基本方法，能掌握有关概念、原理、方法的区别与联系，是较高层次的要求。

应用：在理解的基础上，能运用基本概念、基本原理、基本方法联系学过的多个知识点分析和解决有关的理论问题和实际问题，是最高层次的要求。

二、教材

指定教材：《商务智能》，吴树芳、杨国庆，科学出版社，2020 年

三、

自学方法指导

1．在开始阅读指定教材某一章之前，先翻阅大纲中有关这一章的考核知识点及对知识点的能力层次要求和考核目标，以便在阅读教材时做到心中有数，有的放矢。

2．阅读教材时，要逐段细读，逐句推敲，集中精力，吃透每一个知识点，对基本概念必须深刻理解，对基本理论必须彻底弄清，对基本方法必须牢固掌握。

3．在自学过程中，既要思考问题，也要做好阅读笔记，把教材中的基本概念、原理、方法等加以整理，这可从中加深对问题的认知、理解和记忆，以利于突出重点，并涵盖整个内容，可以不断提高自学能力。

4．完成书后作业和适当的辅导练习是理解、消化和巩固所学知识，培养分析问题、解决问题及提高能力的重要环节，在做练习之前，应认真阅读教材，按考核目标所要求的不同层次，掌握教材内容，在练习过程中对所学知识进行合理的回顾与发挥，注重理论联系实际和具体问题具体分析，解题时应注意培养逻辑性，针对问题围绕相关知识点进行层次（步骤）分明的论述或推导，明确各层次（步骤）间的逻辑关系。

四、对社会助学的要求

1．应熟知考试大纲对课程提出的总要求和各章的知识点。

2．应掌握各知识点要求达到的能力层次，并深刻理解对各知识点的考核目标。

3．辅导时，应以考试大纲为依据，指定的教材为基础，不要随意增删内容，以免与大纲脱节。

4．辅导时，应对学习方法进行指导，宜提倡“认真阅读教材，刻苦钻研教材，主动争取帮助，依靠自己学通”的方法。

5．辅导时，要注意突出重点，对考生提出的问题，不要有问即答，要积极启发引导。

6．注意对考生能力的培养，特别是自学能力的培养，要引导考生逐步学会独立学习，在自学过程中善于提出问题，分析问题，作出判断，解决问题。

7．要使考生了解试题的难易与能力层次高低两者不完全是一回事，在各个能力层次中会存在着不同难度的试题。

8．助学学时：本课程共 3 学分，建议总课时 54 学时，其中助学课时分配如下：

章次章节名称学时合计

五、关于命题考试的若干规定

1．本大纲各章所提到的内容和考核目标都是考试内容。试题覆盖到章，适当突出重点。

2．试卷中对不同能力层次的试题比例大致是：“识记”为 30 %、“理解”为 40%、“应用”为 30 %。

3．试题难易程度应合理：容易、中等、难比例为 3：4：3。

4．每份试卷中，各类考核点所占比例约为：重点占 60%，次重点占 30%，一般占10%。

5．试题类型一般分为：单项选择题、多项选择题、名词解释题、简答题、计算题、论述题。

6．考试采用闭卷笔试，考试时间 150 分钟，采用百分制评分，60 分合格。

六、题型示例（样题）

一、单项选择题

（本大题共 20 小题，每小题 1 分，共 20 分）在每小题列出的四个备选项中只有一个是符合题目要求的，请将其选出并将“答题卡”上的相应字母涂黑。错涂、多涂或未涂均无分。

1．机器学习的核心在于建模和A．数据 B．信息 C．知识 D．算法

二、多项选择题

（本大题共 5 小题，每小题 2 分，共 10 分）在每小题列出的五个备选项中至少有两个是符合题目要求的，请将其选出并将“答题卡”上的相应字母涂黑。错涂、多涂、少涂或未涂均无分。

21．数据仓库的体系结构包括的独立数据层次包括A．信息传递层 B．信息获取层 C．信息处理层 D．信息存储层 E．信息反馈层

三、名词解释题

（本大题共 6 小题，每小题 3 分，共 18 分）

26．商务智能

四、简答题

（本大题共 5 小题，每小题 6 分，共 30 分）

32．简述回归分析的基本步骤。

五、计算题

（本大题共 1 小题，每小题 10 分，共 10 分）

37．用 k-means 聚类算法将 11 个观测值聚类到 5 个簇中。在第一次迭代簇之后，c1、c2、c3、c4和 c5 具有以下观测值：

c1:{(2,2),(4,4),(6,6)}, c2:{(0,4),(4,0)}, c3:{(5,5),(9,9)}, c4:{(1,3),(3,1)}, c5:{(7,4),(5,8)}, 如果继续进行第二次迭代，求 5 个簇的质心。

六、论述题

（本大题共 1 小题，每小题 12 分，共 12 分）

38．论述商务智能在电子商务中的应用情况。