基于大數(shù)據(jù)分析的智能決策支持系統(tǒng)設(shè)計(jì)

摘要：本文圍繞智能決策支持系統(tǒng)（intelligence decision supporting system，IDSS）的設(shè)計(jì)與實(shí)現(xiàn)展開(kāi)研究，旨在探討基于大數(shù)據(jù)分析的IDSS在企業(yè)決策中的應(yīng)用路徑與方法。通過(guò)整合海量數(shù)據(jù)、數(shù)據(jù)挖掘技術(shù)與機(jī)器學(xué)習(xí)算法，系統(tǒng)優(yōu)化了資源配置、增強(qiáng)了企業(yè)的預(yù)測(cè)能力，并實(shí)現(xiàn)了對(duì)市場(chǎng)環(huán)境的實(shí)時(shí)響應(yīng)與監(jiān)控。結(jié)果表明，IDSS在提升企業(yè)決策科學(xué)性與效率方面具有顯著優(yōu)勢(shì)，尤其在金融、醫(yī)療、物流等行業(yè)中具有廣泛的應(yīng)用前景。該系統(tǒng)的開(kāi)發(fā)與應(yīng)用不僅能提高企業(yè)的運(yùn)營(yíng)效率，還為未來(lái)智能化決策的研究提供了理論與實(shí)踐基礎(chǔ)。

關(guān)鍵詞：大數(shù)據(jù)分析；智能決策支持系統(tǒng)；機(jī)器學(xué)習(xí)

引言

大數(shù)據(jù)時(shí)代背景下，數(shù)據(jù)已成為推動(dòng)社會(huì)和經(jīng)濟(jì)發(fā)展的重要驅(qū)動(dòng)力。智能決策支持系統(tǒng)（IDSS）的設(shè)計(jì)旨在利用海量數(shù)據(jù)，通過(guò)先進(jìn)的算法和分析工具，輔助決策者進(jìn)行高效、準(zhǔn)確的決策。大數(shù)據(jù)分析技術(shù)為IDSS提供了更為廣闊的應(yīng)用空間，使其能夠?qū)?fù)雜問(wèn)題進(jìn)行深度解析，從而提高決策的科學(xué)性和可靠性。此外，隨著人工智能技術(shù)的不斷發(fā)展，IDSS正在向更加智能化、自主化的方向演進(jìn)。通過(guò)對(duì)數(shù)據(jù)進(jìn)行深入挖掘和分析，IDSS不僅能夠預(yù)測(cè)未來(lái)趨勢(shì)，還能為決策者提供多維度的決策方案，最終實(shí)現(xiàn)科學(xué)決策與智能化管理的完美結(jié)合。

1. 基于大數(shù)據(jù)分析的智能決策支持系統(tǒng)應(yīng)用優(yōu)勢(shì)

1.1 精準(zhǔn)預(yù)測(cè)與分析

以大數(shù)據(jù)為基礎(chǔ)構(gòu)建的智能化決策支持系統(tǒng)在預(yù)測(cè)和分析中展現(xiàn)出顯著優(yōu)勢(shì)，這些系統(tǒng)通過(guò)對(duì)海量數(shù)據(jù)的采集和處理，發(fā)現(xiàn)數(shù)據(jù)中隱含的趨勢(shì)與規(guī)律，進(jìn)而作出更為精確的預(yù)測(cè)。這樣既可以提高對(duì)未來(lái)事件的預(yù)測(cè)能力，又可以幫助決策者更好地把握市場(chǎng)變化與用戶需求[1]。以數(shù)據(jù)為基礎(chǔ)的預(yù)測(cè)模型，可以減少預(yù)測(cè)誤差，提高企業(yè)的競(jìng)爭(zhēng)力。此外，智能決策支持系統(tǒng)可以通過(guò)對(duì)歷史數(shù)據(jù)的回溯分析，找出影響決策的關(guān)鍵因素，進(jìn)而對(duì)未來(lái)的決策過(guò)程進(jìn)行優(yōu)化。

1.2 實(shí)時(shí)監(jiān)控與響應(yīng)

通過(guò)對(duì)實(shí)時(shí)數(shù)據(jù)的采集與分析，能夠及時(shí)發(fā)現(xiàn)潛在的問(wèn)題與風(fēng)險(xiǎn)，從而快速地作出反應(yīng)[2]。實(shí)時(shí)監(jiān)測(cè)不僅可以提高企業(yè)的響應(yīng)速度，而且可以減少由于信息滯后造成的決策錯(cuò)誤。智能決策支持系統(tǒng)還能自動(dòng)產(chǎn)生預(yù)警與建議，使管理層能及時(shí)掌握關(guān)鍵性信息，使決策更及時(shí)、更準(zhǔn)確。實(shí)時(shí)的數(shù)據(jù)分析與反饋機(jī)制使企業(yè)能夠在瞬息萬(wàn)變的市場(chǎng)環(huán)境中保持主動(dòng)。

1.3 優(yōu)化資源配置

智能決策支持系統(tǒng)是實(shí)現(xiàn)資源優(yōu)化配置的重要手段，可應(yīng)用于基于信息技術(shù)的信息管理系統(tǒng)，通過(guò)對(duì)數(shù)據(jù)的分析，可以發(fā)現(xiàn)造成資源浪費(fèi)的具體環(huán)節(jié)及原因，從而為優(yōu)化決策提供科學(xué)依據(jù)[3-4]。該系統(tǒng)還能根據(jù)實(shí)際需求對(duì)資源進(jìn)行動(dòng)態(tài)調(diào)整，以保證資源在不同時(shí)空的最佳分配。這不僅可減少操作成本，而且可提高總體的生產(chǎn)效率，通過(guò)對(duì)資源進(jìn)行智能化管理，使企業(yè)能更好地適應(yīng)市場(chǎng)變化，持續(xù)保持競(jìng)爭(zhēng)優(yōu)勢(shì)。

2. 基于大數(shù)據(jù)分析的智能決策支持系統(tǒng)設(shè)計(jì)路徑

2.1 數(shù)據(jù)收集與預(yù)處理

數(shù)據(jù)采集和預(yù)處理是智能決策支持系統(tǒng)設(shè)計(jì)的重要環(huán)節(jié)，其目標(biāo)是保證系統(tǒng)能獲得高質(zhì)量的數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行適當(dāng)?shù)念A(yù)處理，為后續(xù)的分析與決策提供可靠的依據(jù)。

首先是確定數(shù)據(jù)源，可從傳統(tǒng)結(jié)構(gòu)化數(shù)據(jù)（如關(guān)系數(shù)據(jù)庫(kù)中的表格數(shù)據(jù)）和非結(jié)構(gòu)化數(shù)據(jù)（如社會(huì)媒體文本信息、圖像等）、半結(jié)構(gòu)化數(shù)據(jù)（如XML、JSON等）進(jìn)行識(shí)別與選擇[5]。例如，某零售企業(yè)通過(guò)內(nèi)部銷售數(shù)據(jù)庫(kù)（結(jié)構(gòu)化數(shù)據(jù)）提取銷售數(shù)據(jù)，并通過(guò)社會(huì)媒體（非結(jié)構(gòu)化數(shù)據(jù)）獲取消費(fèi)者評(píng)論、品牌評(píng)論、半結(jié)構(gòu)化訂單數(shù)據(jù)（半結(jié)構(gòu)化數(shù)據(jù)）。

其次，數(shù)據(jù)獲取是數(shù)據(jù)采集的具體實(shí)施過(guò)程。對(duì)于不同的數(shù)據(jù)源，其獲取方法也是不同的。例如，網(wǎng)絡(luò)爬蟲(chóng)可以不斷地在社會(huì)媒體中獲取用戶的評(píng)論；通過(guò)API調(diào)用，可以實(shí)時(shí)獲取來(lái)自第三方平臺(tái)的市場(chǎng)數(shù)據(jù)；傳感器技術(shù)可用于采集物聯(lián)網(wǎng)設(shè)備的數(shù)據(jù)，如實(shí)時(shí)庫(kù)存?zhèn)鞲衅鲙?kù)存等。實(shí)踐中，零售企業(yè)可通過(guò)編寫(xiě)Python腳本，定期獲取社會(huì)化媒體上的品牌評(píng)論，利用市場(chǎng)分析平臺(tái)API獲取競(jìng)爭(zhēng)對(duì)手的市場(chǎng)動(dòng)態(tài)數(shù)據(jù)，通過(guò)店內(nèi)傳感器實(shí)時(shí)監(jiān)測(cè)庫(kù)存狀況[6]。

最后，數(shù)據(jù)預(yù)處理中，數(shù)據(jù)清洗是必不可少的一個(gè)環(huán)節(jié)，目的在于剔除噪聲、離群點(diǎn)、填充缺失數(shù)據(jù)，保證數(shù)據(jù)的精確性與一致性。常用的數(shù)據(jù)清洗方法有離群檢測(cè)和處理、缺失值填充和去重等。當(dāng)處理銷售資料時(shí)，可能會(huì)使用箱線圖法來(lái)偵測(cè)和去除異常高或異常低的銷售額記錄，對(duì)于缺失的數(shù)據(jù)，可采用均值插值法、插值法等方法處理。例如，某零售商在其銷售數(shù)據(jù)集中發(fā)現(xiàn)某一天存在銷售收入缺失的情況，可采用內(nèi)插法對(duì)銷售數(shù)據(jù)前、后兩天的銷售收入進(jìn)行估計(jì)[7]。

2.2 大數(shù)據(jù)存儲(chǔ)與管理

為建立高效智能化的決策支持系統(tǒng)，對(duì)大數(shù)據(jù)進(jìn)行存儲(chǔ)與管理顯得尤為重要，應(yīng)在數(shù)據(jù)存儲(chǔ)體系結(jié)構(gòu)設(shè)計(jì)上，選擇合適的體系結(jié)構(gòu)來(lái)滿足系統(tǒng)的需要。例如，Hadoop分布式文件系統(tǒng)（HDFS）就非常適合處理海量數(shù)據(jù)。HDFS采用數(shù)據(jù)分塊與副本機(jī)制，保證了高可用、高容錯(cuò)能力，即HDFS為每個(gè)數(shù)據(jù)塊創(chuàng)建三份副本，并將其分發(fā)到各個(gè)節(jié)點(diǎn)，以降低單點(diǎn)失效的風(fēng)險(xiǎn)[8]。

對(duì)于需要高吞吐率、低延時(shí)的應(yīng)用場(chǎng)景，MongoDB、Cassandra等NoSQL數(shù)據(jù)庫(kù)也是可行的。利用MongoDB的文件存儲(chǔ)模式及索引機(jī)制，可實(shí)現(xiàn)對(duì)數(shù)據(jù)的快速查詢；Cassandra通過(guò)其分布式結(jié)構(gòu)以及寫(xiě)優(yōu)化功能，保證在大規(guī)模分布環(huán)境中數(shù)據(jù)的高可用性。對(duì)于數(shù)據(jù)的管理，需要對(duì)其進(jìn)行分類、標(biāo)記、索引，以及元數(shù)據(jù)的管理，如可以用ApacheHive對(duì)數(shù)據(jù)進(jìn)行分類、標(biāo)記管理，并通過(guò)定義表、劃分等方法合理地組織各種類型的數(shù)據(jù)?？衫肊lasticSearch的倒排式索引機(jī)制，可以實(shí)現(xiàn)對(duì)復(fù)雜查詢的高效檢索。

元數(shù)據(jù)管理也是數(shù)據(jù)管理中的一個(gè)重要環(huán)節(jié)，可以用Apache Atlas來(lái)管理元數(shù)據(jù)，利用其豐富的API和用戶接口，實(shí)現(xiàn)對(duì)數(shù)據(jù)的血緣關(guān)系、治理和質(zhì)量的綜合管理[9]。為方便快速檢索與管理，可以對(duì)每一個(gè)數(shù)據(jù)集合進(jìn)行元數(shù)據(jù)定義。數(shù)據(jù)安全和隱私保護(hù)是大數(shù)據(jù)存儲(chǔ)和管理的核心問(wèn)題，為保證數(shù)據(jù)安全與隱私性，可采取加密、訪問(wèn)控制、日志審核等措施。例如，可通過(guò)定義細(xì)粒度的訪問(wèn)控制策略，保證只有被授權(quán)的用戶可以訪問(wèn)特定的數(shù)據(jù)。

2.3 數(shù)據(jù)分析與建模

為保證系統(tǒng)具有良好的擴(kuò)展性和可維護(hù)性，需要綜合考慮數(shù)據(jù)流、模塊劃分、接口設(shè)計(jì)等方面的問(wèn)題。模塊劃分可分為數(shù)據(jù)獲取、數(shù)據(jù)處理、決策分析、結(jié)果顯示等模塊，各模塊功能各不相同。界面設(shè)計(jì)需要考慮各個(gè)模塊間的數(shù)據(jù)交互，如通過(guò)REST風(fēng)格的API來(lái)實(shí)現(xiàn)數(shù)據(jù)的無(wú)縫傳遞與交互。在系統(tǒng)結(jié)構(gòu)設(shè)計(jì)完成之后，接下來(lái)要做的就是界面開(kāi)發(fā)。接口的開(kāi)發(fā)不僅涉及數(shù)據(jù)接口與API，而且還涉及數(shù)據(jù)格式規(guī)范、數(shù)據(jù)傳輸可靠性等問(wèn)題。例如，在智能醫(yī)療決策支持系統(tǒng)中，可設(shè)計(jì)數(shù)據(jù)采集接口，負(fù)責(zé)采集醫(yī)療設(shè)備及傳感器的數(shù)據(jù)，并通過(guò)API向數(shù)據(jù)處理模塊發(fā)送數(shù)據(jù)[10]。

為保證數(shù)據(jù)的可靠傳輸，可采用HTTPS協(xié)議中的JSON格式對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，保證各模塊間數(shù)據(jù)的兼容。而系統(tǒng)測(cè)試是保證系統(tǒng)穩(wěn)定可靠的一個(gè)重要環(huán)節(jié)，一般分為三個(gè)階段：?jiǎn)卧獪y(cè)試、集成測(cè)試、系統(tǒng)測(cè)試。在單元測(cè)試階段，應(yīng)對(duì)每一個(gè)獨(dú)立的模塊進(jìn)行功能測(cè)試，以保證其滿足設(shè)計(jì)要求；在集成測(cè)試階段，應(yīng)對(duì)各個(gè)模塊間的數(shù)據(jù)交互及接口功能進(jìn)行測(cè)試，以保證整個(gè)系統(tǒng)運(yùn)行的一致性和一致性[11]。在系統(tǒng)測(cè)試階段，應(yīng)模擬真實(shí)生產(chǎn)環(huán)境，對(duì)系統(tǒng)進(jìn)行全面測(cè)試，以保證系統(tǒng)在高負(fù)荷、復(fù)雜應(yīng)用場(chǎng)景下的穩(wěn)定可靠運(yùn)行。

以智能醫(yī)療決策支持系統(tǒng)為例，可以利用海量患者數(shù)據(jù)來(lái)驗(yàn)證該系統(tǒng)對(duì)海量數(shù)據(jù)的處理能力與精度。系統(tǒng)的部署需要考慮多方面的因素，如硬件環(huán)境、網(wǎng)絡(luò)配置、安全策略。在部署完成之后，需要建立監(jiān)測(cè)預(yù)警機(jī)制，對(duì)系統(tǒng)運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，及時(shí)發(fā)現(xiàn)并處理故障。在智能醫(yī)療決策支持系統(tǒng)中，利用Prometheus等監(jiān)測(cè)工具，對(duì)系統(tǒng)的CPU、內(nèi)存、網(wǎng)絡(luò)流量等關(guān)鍵參數(shù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，并設(shè)定預(yù)警策略，當(dāng)某一指標(biāo)超出預(yù)定閾值時(shí)，及時(shí)通知運(yùn)維人員處理。例如，當(dāng)系統(tǒng)CPU占用率超過(guò)80%時(shí)，報(bào)警機(jī)制就會(huì)被觸發(fā)，提示可能出現(xiàn)了性能瓶頸，需要進(jìn)行優(yōu)化。

3. 案例分析

案例背景：沃爾瑪（Walmart）面臨庫(kù)存管理不善、銷售預(yù)測(cè)不準(zhǔn)等問(wèn)題，嚴(yán)重影響了其市場(chǎng)反應(yīng)速度和客戶滿意度。通過(guò)部署基于大數(shù)據(jù)分析的智能決策支持系統(tǒng)，沃爾瑪希望能夠改進(jìn)其運(yùn)營(yíng)效率，并通過(guò)數(shù)據(jù)支持實(shí)現(xiàn)精準(zhǔn)決策[12-13]。

（1）數(shù)據(jù)收集與預(yù)處理：沃爾瑪?shù)闹悄軟Q策系統(tǒng)從多種數(shù)據(jù)源中獲取信息，包括內(nèi)部銷售數(shù)據(jù)、客戶反饋、市場(chǎng)趨勢(shì)，以及競(jìng)爭(zhēng)對(duì)手動(dòng)態(tài)。數(shù)據(jù)類型涵蓋結(jié)構(gòu)化數(shù)據(jù)（如銷售記錄、庫(kù)存信息）、非結(jié)構(gòu)化數(shù)據(jù)（如社交媒體上的評(píng)論）和半結(jié)構(gòu)化數(shù)據(jù)（如訂單數(shù)據(jù)），如每日有超過(guò)10萬(wàn)條銷售數(shù)據(jù)和客戶評(píng)論需要處理。通過(guò)自動(dòng)化的網(wǎng)絡(luò)爬蟲(chóng)和API調(diào)用，系統(tǒng)能夠?qū)崟r(shí)獲取社交平臺(tái)上與產(chǎn)品相關(guān)的用戶評(píng)價(jià)。

在數(shù)據(jù)預(yù)處理階段，系統(tǒng)對(duì)收集到的原始數(shù)據(jù)進(jìn)行清洗和歸一化處理。通過(guò)使用箱線圖法檢測(cè)并移除極端銷售數(shù)據(jù)，企業(yè)能夠去除異常點(diǎn)，保證數(shù)據(jù)的一致性和準(zhǔn)確性。此外，采用均值插值法填補(bǔ)了部分缺失的銷售記錄，從而使得模型訓(xùn)練數(shù)據(jù)更加完整。

（2）數(shù)學(xué)算法與模型應(yīng)用：預(yù)測(cè)銷售趨勢(shì)和優(yōu)化庫(kù)存管理的過(guò)程中，系統(tǒng)采用了時(shí)間序列分析和回歸模型，即使用ARIMA模型（自回歸積分滑動(dòng)平均模型）對(duì)歷史銷售數(shù)據(jù)進(jìn)行時(shí)間序列分析，結(jié)合季節(jié)性、節(jié)假日等因素，精準(zhǔn)預(yù)測(cè)未來(lái)銷售趨勢(shì)。通過(guò)歷史數(shù)據(jù)的建模，沃爾瑪能夠在每個(gè)季度開(kāi)始之前預(yù)測(cè)銷售額，平均誤差率從15%降低到不到5%。此外，決策支持系統(tǒng)還通過(guò)K均值聚類算法對(duì)客戶進(jìn)行分類?；诳蛻舻馁?gòu)買頻率、購(gòu)買金額和最近一次購(gòu)買時(shí)間等關(guān)鍵特征，系統(tǒng)將客戶分為不同群體。這一分類不僅幫助企業(yè)識(shí)別高價(jià)值客戶，還優(yōu)化了營(yíng)銷策略的制定。例如，系統(tǒng)識(shí)別出某一群體對(duì)特定產(chǎn)品的高忠誠(chéng)度，企業(yè)能夠通過(guò)有針對(duì)性的營(yíng)銷活動(dòng)提升客戶滿意度與銷售量。

（3）實(shí)時(shí)監(jiān)控與反饋機(jī)制：智能決策支持系統(tǒng)具備實(shí)時(shí)監(jiān)控與自動(dòng)反饋功能，能夠根據(jù)庫(kù)存的變化自動(dòng)調(diào)整采購(gòu)計(jì)劃。在實(shí)際應(yīng)用中，庫(kù)存數(shù)據(jù)通過(guò)物聯(lián)網(wǎng)傳感器實(shí)時(shí)上傳到系統(tǒng)中。當(dāng)某一產(chǎn)品的庫(kù)存接近安全庫(kù)存水平時(shí)，系統(tǒng)會(huì)自動(dòng)發(fā)出預(yù)警，促使管理者及時(shí)補(bǔ)充庫(kù)存，從而避免因庫(kù)存不足導(dǎo)致的銷售損失。同時(shí)，通過(guò)MongoDB數(shù)據(jù)庫(kù)的高吞吐率和低延時(shí)性，企業(yè)可以迅速檢索和管理海量的庫(kù)存數(shù)據(jù)。

（4）決策優(yōu)化與資源配置：資源優(yōu)化方面，企業(yè)通過(guò)智能決策支持系統(tǒng)顯著降低了運(yùn)營(yíng)成本。通過(guò)大數(shù)據(jù)分析，該系統(tǒng)識(shí)別出某些分銷中心的庫(kù)存冗余問(wèn)題，企業(yè)可以根據(jù)實(shí)際銷售需求動(dòng)態(tài)調(diào)整庫(kù)存分配，避免資源浪費(fèi)。例如，通過(guò)線性規(guī)劃算法，系統(tǒng)能夠計(jì)算出每個(gè)分銷中心的最佳庫(kù)存水平，從而優(yōu)化了資源配置，使總運(yùn)營(yíng)成本降低了12%。

（5）效果評(píng)估：通過(guò)引入大數(shù)據(jù)分析與智能決策支持系統(tǒng)，沃爾瑪?shù)恼w運(yùn)營(yíng)效率得到了顯著提升。具體表現(xiàn)為：銷售預(yù)測(cè)的準(zhǔn)確率提高了10%，庫(kù)存周轉(zhuǎn)率提高了15%，客戶滿意度得分提升了5個(gè)百分點(diǎn)。企業(yè)決策的科學(xué)性與透明性得到了加強(qiáng)，管理層能夠基于系統(tǒng)反饋?zhàn)鞒龈雍侠?、及時(shí)的決策。

這一案例充分說(shuō)明了基于大數(shù)據(jù)分析的智能決策支持系統(tǒng)在零售行業(yè)中的巨大應(yīng)用潛力。通過(guò)集成數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和優(yōu)化算法，企業(yè)能夠提高決策質(zhì)量、優(yōu)化資源配置，并在瞬息萬(wàn)變的市場(chǎng)環(huán)境中保持競(jìng)爭(zhēng)優(yōu)勢(shì)。

結(jié)語(yǔ)

智能決策支持系統(tǒng)基于大數(shù)據(jù)分析，能夠有效提升決策的科學(xué)性和精確性。隨著數(shù)據(jù)量的持續(xù)增長(zhǎng)和技術(shù)的不斷革新，未來(lái)智能決策支持系統(tǒng)將向更加自主化、智能化的方向發(fā)展，進(jìn)一步整合人工智能、機(jī)器學(xué)習(xí)等前沿技術(shù)。智能決策支持系統(tǒng)在各行業(yè)的應(yīng)用前景廣闊，不僅能優(yōu)化資源配置，提升企業(yè)競(jìng)爭(zhēng)力，還將在政府治理、醫(yī)療管理等公共領(lǐng)域發(fā)揮關(guān)鍵作用。通過(guò)持續(xù)的技術(shù)進(jìn)步和系統(tǒng)優(yōu)化，智能決策支持系統(tǒng)將為各行各業(yè)帶來(lái)更高效、更智能的決策模式，推動(dòng)社會(huì)經(jīng)濟(jì)的可持續(xù)發(fā)展。

參考文獻(xiàn)：

[1]廖霄，李卓暉.人工智能與大數(shù)據(jù)分析在IT計(jì)算安全性與隱私保護(hù)中的應(yīng)用探索[J].電子元器件與信息技術(shù)，2023，7（11）：137-140.

[2]龔斌，王虹雅，王紅娜，等.基于大數(shù)據(jù)分析算法的深部煤層氣地質(zhì)—工程一體化智能決策技術(shù)[J].石油學(xué)報(bào)，2023，44（11）：1949-1958.

[3]王雪文，陳艷艷，王海君.江蘇省工業(yè)用地動(dòng)態(tài)調(diào)查和智能分析技術(shù)研究[J].江蘇科技信息，2023，40（27）：77-80.

[4]張益祥.智慧城市中大數(shù)據(jù)分析與智能化管理研究[J].中國(guó)寬帶，2023， 19（9）：124-126.

[5]孫曉晨.智能化電力系統(tǒng)中的大數(shù)據(jù)決策支持技術(shù)分析[J].集成電路應(yīng)用， 2023，40（9）：314-315.

[6]王嘉媛.CIMISS平臺(tái)中數(shù)據(jù)收集與分發(fā)子系統(tǒng)的運(yùn)用[J].農(nóng)業(yè)與技術(shù)，2017，37（24）：242.

[7]莫祖英.大數(shù)據(jù)處理流程中的數(shù)據(jù)質(zhì)量影響分析[J].現(xiàn)代情報(bào)，2017，37（3）：69-72，115.

[8]余少鋒，鐘建栩，席凌之，等.基于云計(jì)算和大數(shù)據(jù)技術(shù)的傳感器數(shù)據(jù)存儲(chǔ)與分析系統(tǒng)設(shè)計(jì)[J].電子設(shè)計(jì)工程，2024， 32（18）：105-109.

[9]榮華良，李春蕾，張燕平，等.基于云計(jì)算的大數(shù)據(jù)存儲(chǔ)安全策略分析[J].信息記錄材料，2024，25（8）：177-179，183.

[10]王畢元，鄧星野.基于大數(shù)據(jù)分析的新能源發(fā)電數(shù)據(jù)分析與預(yù)測(cè)研究[J].電氣技術(shù)與經(jīng)濟(jì)，2024（7）：239-241.

[11]李橋興，楊勇，吳俊芳.基于體質(zhì)測(cè)試大數(shù)據(jù)的灰色關(guān)聯(lián)分析：建模與實(shí)證（英文）[J].貴州大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2024，41（4）：1-14.

[12]Cissé I，Dubé J.Survival of new and small retail businesses facing mega-retailers in non-metropolitan areas-The case of Walmart in the province of Quebec[EB/OL].Growth and Change，2024，55（1）[2024-10-20].https：//onlinelibrary.wiley.com/doi/10.1111/grow.12706.

[13]Brea-Solís H，Casadesus-Masanell R，Grifell-Tatje E.BUSINESS MODEL EVALUATION：QUANTIFYING WALMART'S SOURCES OF ADVANTAGE[J].Strategic Entrepreneurship Journal，2015，9（1）：12-33.

作者簡(jiǎn)介：陳月鳳，本科，助教，xy380296453@qq.com，研究方向：基于大數(shù)據(jù)分析的智能決策支持系統(tǒng)設(shè)計(jì)。