数据管理细则(收集3篇)

数据管理细则范文篇1

1.1客户关系管理

客户关系管理的目标是依靠高效优质的服务吸引客户，同时通过对业务流程的全面优化和管理，控制企业运行成本。客户关系管理是一种管理理念，将企业客户视作企业发展最重要的企业资源，采用企业服务优化等手段来管理客户关系。客户关系管理并不是单纯的信息技术或者管理技术，而是一种企业生物战略，通过对企业客户的分段充足，强化客户满意的行为，优化企业可盈利性，将客户处理工作上升到企业级别，不同部门负责与客户进行交互，但是整个企业都需要向客户负责，在信息技术的支持下实现企业和客户连接环节的自动化管理。

1.2客户细分

客户细分由美国学者温德尔•史密斯在20世纪50年代提出，认为客户细分是根据客户属性将客户分成集合。现代营销学中的客户细分是按照客户特征和共性将客户群分为不同等级或者子群体，寻找相同要素，对不同类别客户心理与需求急性研究和评估，从而指导进行企业服务资源的分配，是企业获得客户价值的一种理论与方法。因此我们注意到，客户细分其实是一个分类问题，但是却有着显著的特点。

1.2.1客户细分是动态的企业不断发展变化，用户数据不断积累，市场因素的变化，都会造成客户细分的变化。所以客户细分工作需要根据客户情况的变化进行动态调整，

减少错误分类，提高多次细分中至少有一次是正确分类的可能性。

1.2.2受众多因素影响

随着时间的推移，客户行为和心理会发生变化，所以不同时间的数据会反映出不同的规律，客户细分方法需要在变化过程中准确掌握客户行为的规律性。

1.2.3客户细分有不同的分类标准

一般分类问题强调准确性，客户关系管理则强调有用性，讲求在特定限制条件下实现特定目标。

1.3数据挖掘

数据挖掘就是从大型数据库数据中提取有价值的、隐含的、事前未知的潜在有用信息。数据挖掘技术不断发展，挖掘对象不再是单一数据库，已经逐渐发展到文件系统、数据集合以及数据仓库的挖掘分析。

2客户细分的数据挖掘

2.1逻辑模型

客户数据中有着若干离散客户属性和连续客户属性，每个客户属性为一个维度，客户作为空间点，全部客户都能够形成多为空间，作为客户的属性空间，假设A={A1，A2,…Am}是一组客户属性，属性可以是连续的，也可以离散型，这些属性就形成了客户m维属性空间。同时设g是一个描述客户属性的一个指标，f(g)是符合该指标的客户集合，即为概率外延，则任一确定时刻都是n个互不相交集合。在客户价值概念维度上，可分为“有价值客户”“潜在价值客户”“无价值客户”三种类型，定义RB如下：(1)显然RB是一个等价关系，经RB可分类属性空间为若干等价类，每个等价类都是一个概念类，建立客户细分，就是客户属性空间和概念空间映射关系的建立过程。

2.2客户细分数据挖掘实施

通过数据库已知概念类客户数据进行样本学习和数据挖掘，进行客户属性空间与概念空间映射的自动归纳。首先确定一组概念类已知客户集合。首先确定一个映射：p：CL，使，如果，则。，求p(c)确定所属概念类。数据部分有客户数据存储和概念维数据构成，客户数据存储有企业全部内在属性、外在属性以及行为属性等数据，方法则主要有关联规则分析、深井网络分类、决策树、实例学习等数据挖掘方法，通过对客户数据存储数据学习算法来建立客户数据和概念维之间的映射关系。

2.3客户细分数据分析

建立客户动态行为描述模型，满足客户行为非确定性和非一致性要求，客户中心的管理体制下，客户细分影响企业战术和战略级别决策的生成，所以数据挖掘要能够弥补传统数据分析方法在可靠性方面的缺陷。

2.3.1客户外在属性

外在属性有客户地理分布、客户组织归属情况和客户产品拥有情况等。客户的组织归属是客户社会组织类型，客户产品拥有情况是客户是否拥有或者拥有哪些与其他企业或者其他企业相关产品。

2.3.2内在属性

内在属性有人口因素和心理因素等，人口因素是消费者市场细分的重要变量。相比其他变量，人口因素更加容易测量。心理因素则主要有客户爱好、性格、信用情况以及价值取向等因素。

2.3.3消费行为

消费行为属性则重点关注客户购买前对产品的了解情况，是客户细分中最客观和重要的因素。

2.4数据挖掘算法

2.4.1聚类算法

按照客户价值标记聚类结果，通过分类功能，建立客户特征模型，准确描述高价值客户的一些特有特征，使得企业在之后的市场活动中能够迅速发现并抓住类似的高价值客户，全面提高客户的整体价值水平。通常都采用中心算法进行客户的聚类分析，分析涉及的字段主要有客户的基本信息以及与客户相关业务信息，企业采用中心算法，按照企业自身的行业性质以及商务环境，选择不同的聚类分析策略，有主属性聚类分析和全属性聚类分析两类。主属性聚类分析是企业根据在企业标度变量中选择主要弧形作为聚类分析变量。通常区间标度变量选用的度量单位会对聚类分析结果产生很大影响，选择的度量单位越小，就会获得越大的可能值域，对聚类结果的影响也就越大。

2.4.2客户分析预测

行业竞争愈加激烈，新客户的获得成本越来越高，在保持原有工作价值的同时，客户的流失也受到了企业的重视。为了控制客户流失，就需要对流失客户的数据进行认真分析，找寻流失客户的根本原因，防止客户的持续流失。数据挖掘聚类功能同样能够利用在客户流失数据分析工作中，建立基于流失客户数据样本库的分类函数以及分类模式，通过模型分析客户流失因素，能够获得一个最有可能流失的客户群体，同时编制一个有针对性的挽留方案。之后对数据进行分析并利用各种数据挖掘技术和方法在多个可供选择的模型中找出最佳模型。初始阶段，模型的拟合程度可能不理想，但是随着模型的不断更换和优化，最终就有可能找出合适的模型进行数据描述并挖掘出流失数据规律。通常模拟模型都通过数据分析专业和业务专家协作完成，采用决策树、贝叶斯网络、神经网络等流失分析模型，实现客户行为的预测分析。

3结语

数据管理细则范文篇2

关键词：教务管理数据库系统设计与实现

一、总体描述

系统概要设计的基本目标是确定软件系统的总体框架，即对软件系统进行总体设计和规划，其设计过程主要是针对需求分析中得到的模型进行转换，包括模块的划分、层次的建立、模块间的接口和人机交互的界面及对数据、数据库的相关描述。设计时要尽量做到模块内的高内聚和模块间的低耦合。

该系统所采用的结构是由数据访问层、业务逻辑层和页面表示层构成的三层架构，也即该系统体系结构，即三层。数据访问层负责对数据库进行访问操作，包括对数据进行读取、存储和其他一些事务处理，位于三层设计的最下层；业务逻辑层介于数据访问层和页面表示层中间，在数据访问层和页面表示层的数据交换中起到桥梁和承前启后的作用，在三层设计中扮演着很重要的角色；页面表示层位于三层架构的最上层，是和用户进行交互的一个层面，负责接收用户发出的请求并返回相应的数据信息。

二、体系结构

综合教务管理系统由Web作为后台服务管理平台，实现对系统统一管理，业务逻辑层采取Web集中管理运行，从而实现Web对数据的增、删、改、查和统计等功能。由于客户端分布的广泛性，数据在后台进行集中处理，因此把B/S架构作为本系统的首要选择。

采用三层架构的B/S模式。与传统的C/S架构相比，B/S模式的架构在客户机与服务器之间增加了一个Web服务器。客户端发出的请求并不是直接与后台数据库服务器进行交互，而是通过Web服务器与后台数据库服务器进行交互，提升了安全性。

把系统的数据访问层、业务逻辑层、页面表示层作为系统三层架构模型。

页面表示层即展示给访问者的页面，负责人机对话，接收用户数据的输入请求，服务器端处理数据并把处理结果传给用户。

业务逻辑层负责接收IE送传的请求，把信息传递给数据访问层，并把处理的结果传递给浏览器。

数据访问层通过技术实现对数据操纵，为业务逻辑层提供数据服务，通过此层与数据库进行交互，负责处理、存储数据。

三、总体框架结构

综合教务管理系统结构复杂、规模庞大。主要分为教务管理子系统、系统管理子系统、教师子系统和学生子系统。各子系统下又可分为若干子模块。

利用模块化独立性高和耦合性弱的原则，继续对各个子模块进一步细化，按照模块的独立性尽量高、耦合性尽量保持弱的原则，对各个模块进行细化。

模块独立性用两个度值来衡量即内聚性和耦合性，它是把数据进行模块化，进行高度抽象，实现对信息的隐蔽及实现数据的局部化。模块的耦合强度决定各个模块之间接口的复杂度，接口间数据耦合程度越低，进行临界值的选取越容易，软件测试也就越容易，程序出错率就能降低，后期的维护成本也越低。模块的内聚性是尽量保持一个模块内完成一件独立的任务，它是衡量模块内独立性强弱的依据。

依据上述理论原则，对综合教务管理系统各个子模块进行细化。

1.学生子系统

学生子模块是通过对学生的登录身份进行验证后，按照权限实现对功能的操作，按照模块独立性和耦合性原则，按照实现功能的差异，进一步对学生子模块进行细化。

2.教师子系统

教师子模块系统的使用对象是全体普通教师，按照需求分析和模块划分原则得到的结果，按功能进一步对教师子模块进行详细的划分。

3.教务管理子系统

教务管理子系统是该系统中复杂程度最高、最难实现的模块，日常教务管理和教学管理的全过程都在系统上实现。同样，按照软件工程思想中的模块独立性和耦合性的划分原则，对教务管理子系统进行模块划分，分为教师模块管理、学生模块管理、教学工作模块管理、成绩模块管理、选课模块管理、公共信息模块管理六大模块。经过二次划分，各个模块并不是最优模块，还需要对各个子模块进一步细分。

4.系统管理子系统

系统管理子系统细化后的结构如下图所示。

四、数据库设计

1.数据库设计的目标

数据库的一大特点是实现数据的共享。要实现数据共享，如何很好地布局数据库表、数据库索引和数据库对象等至关重要，因此在设计数据库时需考虑以下几个目标。

（1）数据库中的数据最大程度实现共享。

（2）数据库中的数据冗余度尽量低。

（3）数据库设计要便于数据查询。

（4）数据库设计要保证数据的安全性和降低数据输入有误率，保证数据的正确性。

2.数据库设计的原则

经过需求分析，对数据库进行设计，使得数据库设计更加合理。通常采用数据库设计规范化理论，也即五个范式和BCD范式，对于小型信息管理应用系统设计往往采用数据库规范化的前三个范式就能够解决问题，对于复杂的问题需要使用规范理论的后三个范式进行数据库设计。具体采取的原则如下。

（1）一种对象建立一个表。

（2）每个表的属性保证是不可再分割的最小项，也就是属性具有原子性。

（3）一个表中，属性间不能存在完全依赖。

（4）在一个表中，属性间不能存在传递依赖。

（5）表与表之间不能存在多对多的联系，如果存在必须对关系进行分解。

遵照上述三范式进行数据库设计，基本能够满足本系统的功能需求。

3.E-R图设计

数据是信息管理系统的灵魂，数据如何在信息系统中表示，如何在数据库中存储，以及如何有利于数据的操作，对系统的总体性能和管理功能起着非常重要的作用。所以信息模型的建立决定着系统设计成败，是系统设计的关键。

本系统后台采用SQLServer2008数据库管理系统进行数据库的开发，根据需求对数据进行全面分析后，得到E-R图，完成数据库的概要设计。

E-R图即为实体一关系图，它是表示数据对象及其关系的图形语言机制。数据对象用长方形表示，关系用菱形表示，对象具有的属性特征用椭圆形表示。

综合教务管理系统需求主要有学生选课管理、学生管理、成绩管理等模块。实体主要包括课程、学生和成绩。

数据管理细则范文篇3

关键词图书馆绩效评价知识库智能分析辅助决策

1引言

随着高等职业教育的蓬勃发展，高职院校对图书馆事业的建设与发展寄予了更大期待。通过建立高职院校文献信息资源保障体系的绩效评价体系来促进图书馆事业的建设与发展，已经引起广泛关注。先后有全国或部分省市高职院校图书馆建设指南与评价指标体系出台。今年广东省教育厅正式广东省高校图书情报工作指导委员会高职分委员会编制的《广东省高职院校图书馆评价指标体系》（试行），并委托深圳职业技术学院开发广东省高职院校图书馆建设评价与辅助决策系统平台。该平台以各馆事实数据为基础，实现由事实数据向评价指标的智能转换，通过评价指标统计进行二次分析，给各图书馆提供建设现状的客观统计分析结果与绩效评价，发挥辅助决策的功能。

本文主要论述系统设计目标、模型、模块设计和关键技术等。

2需求及技术思路

2.1国内外研究现状

关于图书馆建设与发展的绩效评价与辅助决策系统，具有代表性的中外相关文献有：姜合等的基于数据仓库的高校图书馆决策支持系统设计，偏重为图书流通和图书采购等事务决策提供依据；王志强的关于高校图书馆文献采访模糊决策支持系统，侧重于订购需求库设计；胡华南等的关于高校图书馆书刊采访决策支持系统，侧重建立采购经费分配和书刊选购决策模型；夏勃等提出关于Web荐购图书采访决策支持系统设计方法；李默提出高校图书馆图书荐购系统决策支持模型；陈骁等提出基于业务数据的高校图书馆决策支持系统设计方案等。Robin提出一种基于管理者需求分析的图书馆商业决策支持系统；Pérez，I.J.通过构建决策支持系统模型来解决动态群体决策问题的移动决策支持系统等。

2.2需求分析与设计思路

鉴于我国高等职业教育发展还处于初创阶段，高职院校图书馆的整体建设与发展水平参差不齐，经费不足、专业队伍缺乏和服务方式单一等是高职院校图书馆存在的共性问题。通过绩效评价方式整体性地推动与促进图书馆事业的健康与有序地发展，开发基于知识库的绩效评价与辅助决策系统是最佳选择。

系统知识库由图书馆事实数据、行业专家提供的评价信息和建设指导意见，以及形成这些内容的各种规则和推导方法等内容组成。其中评价信息和建设指导内容是根据广东省高职院校图书馆评价指标体系形成的，该指标体系共有一级指标9项、二级指标24项、三级指标75项和评分细则236项。对应各级各项指标和细则，按照不同的评价结果，由图书馆专家经过多轮次讨论形成和阶段性固化，最终确定相应的绩效评价信息、辅助决策意见和建议。

系统采用基于二维表的知识表达方法，把知识内容和规则以二维表方式存储在数据库表中，二维表建立知识属性与值间的对应关系，而且便于动态维护和管理。

知识形成过程如图1所示。系统通过集中数据，实现馆际纵向和横向对比与分析。图书馆用户录入系统的事实数据经过分析和比较形成评价指标体系的绩效考核信息，通过进一步匹配和分析，形成最终的知识，即绩效评价和辅助决策的意见和建议。

3具体的实现方案

3.1系统模型

系统模型示意图如图2所示。系统底层数据包括事实数据和调查数据，事实数据和调查数据由各图书馆填写，根据本馆实际情况，填写各种评价指标对应的调查表。

系统直接对这些原始数据进行两层分析。第一层分析，根据评价指标模型和细则得分规则，把事实数据和调查数据自动转换成各评价指标的得分结果。第二层分析，根据各指标具体得分，采用区间匹配算法，从知识库获得对应的绩效评价和辅助决策信息，最后以报表的形式呈现给图书馆用户。

3.2模块设计

系统依据《广东省高职高专院校图书馆建设指南与评价指标体系》和《广东省高职高专院校图书馆评价指标和辅助决策细则》2个文档构筑系统平台知识库核心内容，并根据用户角色和系统数据流确定具体功能模块。

具体角色有管理员、图书馆用户、图书馆馆长、省厅用户和游客。

系统分为前台部分和后台部分，前台部分主要面向图书馆用户和省厅用户。

图书馆用户主要功能模块有：数据填报、统计查询、绩效评价、辅助决策和同行比较等。

省厅用户主要功能模块有：信息查询、统计分析和图书馆比较等。

后台部分是面向管理员的功能模块。包括系统管理、知识管理和统计分析等主要模块。管理员通过系统管理模块可进行系统各种参数的配置，在知识管理模块可动态维护和更新评价指标体系，以及定义各种得分规则、匹配规则和维护图书馆绩效评价和辅助决策信息。

3.3系统关键技术

（1）多种不同自测题目的自动打分功能。

事实数据和图书馆自我评价数据是系统对图书馆评价的依据，这些数据需要图书馆用户录入。为了能够给出细化评价精度，系统设置9项一级评价指标，24项二级指标、75项三级指标，每个指标栏目的评价内容包含以评价指标细则为数据框架的多种填报类型。填报类型有逻辑型、单选型、多选型、数字型和计算型等。系统根据评分规则自动实现用户数据到具体分值的转换。

逻辑型只有Yes和No两个选项，Yes选项才能得分；单选型，每个选项都能得分，而且分值不一样，每个选项的具体分值存储在细则数据表里，每个选项对应一个分值字段，具体分值在系统后台设置。多选型，用户可以选择多个选项，每个选项的分值可以相同，也可不同，分值为多个选项的得分累加。单选题目的得分计算直接采用字符串匹配，多选采用C#语言的Indexofo函数进行判断。

数字型得分规则根据后台定义的关联，具体数据从用户填报的事实数据中自动获取，系统采用二维表存放具体规则，通过遍历规则表映射提交数据和具体规则的关系，把用户提交的数据转换为具体的得分值。

数字型得分规则表为：把整数区间细分为若干个区间，每个区间分数配置不一样，判断用户提交的数值处于哪个区间，具体得分就是所在区间对应的分值。表1为规则表数据结构，表2为生均数字咨询参考业务量在数据库中的得分规则。

规则内容是根据专家讨论后形成的，支持动态更新。在遍历规则表时，若已找到所处区间，就可提前跳出循环，返回用户呈现细则得分，并存放在变量Score中。

数字型数据转换为具体得分的程序流程图如图3所示。

计算型得分则根据用户提交的若干数据，选择一种具体的计算方法，先计算出具体的数据，然后按照数字型得分予以处理。

（2）建立知识库和相应规则的映射实现智能评价和辅助决策。

为有效指导图书馆的建设，系统依据《广东省高职院校图书馆评价指标体系和细则》，结合图书馆专家意见、图书馆基础信息和填报数据，建立完整的绩效评价知识库和辅助决策知识库。知识库支持动态管理，通过对具体指标细则的得分进行分析，实现从指标得分到知识库的智能映射，自动形成评价信息。

智能评价算法的实现分预处理和匹配两个阶段：预处理阶段，根据传递评价指标栏目参数，构造匹配串S，并且从知识库中找出相关的评价信息集；匹配阶段，根据得分结果，遍历规则库，寻找所属的区间。如果找到，则读取该区间对应的评价信息，匹配成功。

评价信息知识库具体数据格式，如表3所示。

为了对算法进行描述，定义如下符号和函数：

评价信息知识库数据集为：A={Ri}i=1，2，…，n}，n为数据集总数。

匹配串：S：{Nodej|j=1，2，…，m），为Node栏目评价细则数量。

具体算法描述如下：

第一阶段：预处理阶段，包括下面两个步骤。

（1）读取用户传递的指标参数，即指标栏目编号，记为Node。接着读取所有属于该栏目的评价细则，取出细则编号构成匹配串S。

（2）以S为检索条件，从知识库中检索出所有跟S有关联的记录，记为集合B，B∈A。

第二阶段：匹配阶段，由于经过预处理，得到的记录集B已经是最精简的，所以采用遍历方式匹配，具体步骤如下：

（1）初始化循环变量j=1；

（2）取出s中第j个细则编号Nodei；

（3）执行Find（Nodei，B），遍历集合B，如果匹配成功，返回该细则评价结果；

（4）循环变量j++，如果j>m，结束循环，否则跳转至2；

匹配函数Find（Node，B）参数说明：Node，指标细则编号，系统支持多套指标，多个年份，多个用户，由于指标、年份、用户这三个变量是全局变量，所以函数参数中不包含它们；B，知识库中跟指标细则Node有关联的记录集，记录集长度为k。

Find（Node，B）算法描述如下：

（1）根据Node参数，加上指标、年份、用户三个全局变量，作为检索条件从得分情况事实表中获得用户该细则的得分情况，记为Score；

（2）初始化循环变量i=1；

（3）读取集合B中的Ri；

（4）如果Score处于Ri定义的得分区间[LowSeore，HeightScore），读取R的Content字段内容并返回。读取状态设为true。

（5）循环变量i++，如果i>k，结束循环，否则跳到3；

算法分析第一阶段，主要是和数据库进行交互，执行两次数据库查询，第一次查询，生成模式匹配串；第二次查询，得到跟模式串相关的记录集，存放在泛型集合List中。第二阶段，由于执行两次循环，所以时间复杂度为0（mk），m为匹配串长度，志为匹配串关联记录集长度。虽然采用遍历算法，但是由于预处理阶段对知识库数据集做了筛选，k的数值并不大，所以运行效率还是得到保证。

4应用效果评价

以C34指标填报为例予以验证。

图书馆用户登录后，需要先填报基础数据和指标自评数据，如图4所示。该图左边是整个评价指标体系，以目录树显示。点击目录树第三级指标“C34数字咨询参考”，右边显示该指标的评价细则，其中C341和C342是单选型，C343是计算型。计算两变量是2011年数字参考咨询业务和在校学生人数，这两个变量数值是根据后台设置自动从基础数据中获取的，两变量根据计算规则形成生均数字参考咨询业务量。

系统第一层分析，根据得分规则计算各细则的得分。图4中指标细则C341是单选型，用户选项为A，系统自动给出选项A的分值，具体为4分；指标细则C342也是单选型，用户选项为A，系统自动给出选项A的分值，为2分；指标C343生均数字参考咨询业务量是计算型，系统自动获取该图书馆用户填写的事实数据“年数字参考咨询业务量”为2300次，在校学生人数为22300人，根据定义的计算规则，自动生成“生均数字参考咨询业务量”为0.1031次/人，该数据根据图3介绍的流程智能转换为得分。通过遍历算法，根据得分规则找到匹配记录，如表2所示。由于0.1031处于[0.01，+∞），第一条记录满足条件，所以自动判断用户该细则得分为该规则的分值，即4分。

第二层分析，实现智能评价和给出指导性意见和建议，以指标C34为例，第一层分析中已经自动计算出各细则具体得分，第二层分析预处理阶段，用户传递指标参数Node=C34，程序会执行SQL语句，查找所有父栏目结点为C34的评价细则，检索出来之后构成匹配串{C341，C342，C343}。同时执行SQL语句，从评价信息知识库中检索数据，用泛型集合List存储，具体SQL为：

Select*from评价信息表whereNodein（‘C341’‘C342’‘C343’）andZbiD：当前使用指标体系。

匹配阶段，先读取C341，执行Find（C341，List）得到C341的评价信息，接着是C342，最后是C343，遍历完成之后，返回整个C34栏目的评价

2012年5月，该系统平台上线运行使用，收效甚好。2012年7月经深圳市科技工贸和信息化委员会组织包括图书馆界专家在内的专家组进行科技成果鉴定，专家们一致认为：“该系统平台有创新、实用性强、深入研究图书馆建设指标体系，并转换为实时、动态的基于智能分析的计算机软件系统，在全国图书馆界首次采用，居国内领先水平，具有推广应用价值”。

5结论

基于知识库的图书馆绩效评价与辅助决策系统以《广东省高职高专院校图书馆评价指标体系和细则》为依据，在实践的过程中不断更新与发展知识库的知识信息，从而确保系统平台的科学性、实用性、时效性和可操作性。