簡述系統分析階段主要工作任務

系統分析的主要內容包括：

數據的收集

數據的分析

系統數據流程圖的確定

系統方案的確定等

系統分析階段是整個MIS建設的關鍵階段。

系統分析階段的主要任務是什麽, 簡述數據庫需求分析階段的主要任務以及系統分析報告的主要內容

數據庫需求分析階段的主要任務：對現實世界要處理的對象（組織、部門、企業）等進行詳細的調查，通過對原系統的了解，手機支持新系統的基礎數據並對其進行處理，在此基礎上確定新系統的功能。

系統分析報告的主要內容：1.系統概況，系統的目標、範圍、背景、歷史和現狀；2.系統的原理和技術，對原系統的改善；3.系統總體結構域子系統結構說明；4.系統功能說明；5.數據處理概要、工程體制和設計階段劃分；6.系統方案及技術、經濟、功能和操作上的可行性。

系統分析階段主要使用哪些表達工具

Fourior Transformation(or say Fourior *** ysis)

Various transformed domain, Laplace and z for instance

表格分配圖是系統分析階段用來描述( )

我剛剛考完試，試題和妳的壹樣，妳是不是和我壹個學校的啊！

MIS戰略規劃階段與系統分析階段的區別？

MIS戰略規劃階段的作用

1、合理分配和利用信息資源（信息、信息技術和人員），以節約信息系統的資源。

2、通過制定規劃，找出存在的問題，更正確地識別出為實現企業目標MIS系統必須完成的任務，促進信息系統的應用。

3、指導MIS系統開發，用規劃作為將來考核系統開發工作的標準。

我理解MIS戰略規劃階段是系統分析階段發展的目標，MIS戰略規劃階段是“自下而上”的開發策略是從現行系統的業務狀況出發，先實現壹個個具體的功能，逐步地由低級到高級建立MIS。而系統分析階段只是對電子系統的信息進行必要的分析沒能和企業戰略結合

在系統分析階段，要明確系統的目的和需要，其主要環節有

A.決策分析 B.信息需求分析 C.決策集成

在系統分析階段怎樣對現行管理系統進行分析

1.可視化分析

大數據分析的使用者有大數據分析專家，同時還有普通用戶，但是他們二者對於大數據分析最基本的要求就是可視化分析，因為可視化分析能夠直觀的呈現大數據特點，同時能夠非常容易被讀者所接受，就如同看圖說話壹樣簡單明了。

2. 數據挖掘算法

大數據分析的理論核心就是數據挖掘算法，各種數據挖掘的算法基於不同的數據類型和格式才能更加科學的呈現出數據本身具備的特點，也正是因為這些被全世界統計學家所公認的各種統計方法（可以稱之為真理）才能深入數據內部，挖掘出公認的價值。另外壹個方面也是因為有這些數據挖掘的算法才能更快速的處理大數據，如果壹個算法得花上好幾年才能得出結論，那大數據的價值也就無從說起了。

3. 預測性分析

大數據分析最終要的應用領域之壹就是預測性分析，從大數據中挖掘出特點，通過科學的建立模型，之後便可以通過模型帶入新的數據，從而預測未來的數據。

4. 語義引擎

非結構化數據的多元化給數據分析帶來新的挑戰，我們需要壹套工具系統的去分析，提煉數據。語義引擎需要設計到有足夠的人工智能以足以從數據中主動地提取信息。

5.數據質量和數據管理。大數據分析離不開數據質量和數據管理，高質量的數據和有效的數據管理，無論是在學術研究還是在商業應用領域，都能夠保證分析結果的真實和有價值。

大數據分析的基礎就是以上五個方面，當然更加深入大數據分析的話，還有很多很多更加有特點的、更加深入的、更加專業的大數據分析方法。

大數據的技術

數據采集： ETL工具負責將分布的、異構數據源中的數據如關系數據、平面數據文件等抽取到臨時中間層後進行清洗、轉換、集成，最後加載到數據倉庫或數據集市中，成為聯機分析處理、數據挖掘的基礎。

數據存取：關系數據庫、NOSQL、SQL等。

基礎架構：雲存儲、分布式文件存儲等。

數據處理：自然語言處理(NLP，Natural Language Processing)是研究人與計算機交互的語言問題的壹門學科。處理自然語言的關鍵是要讓計算機”理解”自然語言，所以自然語言處理又叫做自然語言理解也稱為計算語言學。壹方面它是語言信息處理的壹個分支，另壹方面它是人工智能的核心課題之壹。

統計分析：假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、方差分析、卡方分析、偏相關分析、距離分析、回歸分析、簡單回歸分析、多元回歸分析、逐步回歸、回歸預測與殘差分析、嶺回歸、logistic回歸分析、曲線估計、因子分析、聚類分析、主成分分析、因子分析、快速聚類法與聚類法、判別分析、對應分析、多元對應分析（最優尺度分析）、bootstrap技術等等。

數據挖掘：分類（Classification）、估計（Estimation）、預測（Prediction）、相關性分組或關聯規則（Affinity grouping or association rules）、聚類（Clustering）、描述和可視化、Description and Visualization）、復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)

模型預測：預測模型、機器學習、建模仿真。

結果呈現：雲計算、標簽雲、關系圖等。

大數據的處理

1. 大數據處理之壹：采集

大數據的采集是指利用多個數據庫來接收發自客戶端（Web、App或者傳感器形式等）的數據，並且用戶可以通過這些數據庫來進行簡單的查詢和處理工作。比如，電商會使用傳統的關系型數據庫MySQL和Oracle等來存儲每壹筆事務數據，除此之外，Redis和MongoDB這樣的NoSQL數據庫也常用於數據的采集。

在大數據的采集過程中，其主要特點和挑戰是並發數高，因為同時有可能會有成千上萬的用戶來進行訪問和操作，比如火車票售票網站和淘寶，它們並發的訪問量在峰值時達到上百萬，所以需要在采集端部署大量數據庫才能支撐。並且如何在這些數據庫之間進行負載均衡和分片的確是需要深入的思考和設計。

2. 大數據處理之二：導入/預處理

雖然采集端本身會有很多數據庫，但是如果要對這些海量數據進行有效的分析，還是應該將這些來自前端的數據導入到壹個集中的大型分布式數據庫，或者分布式存儲集群，並且可以在導入基礎上做壹些簡單的清洗和預處理工作。也有壹些用戶會在導入時使用來自Twitter的Storm來對數據進行流式計算，來滿足部分業務的實時計算需求。

導入與預處理過程的特點和挑戰主要是導入的數據量大，每秒鐘的導入量經常會達到百兆，甚至千兆級別。

3. 大數據處理之三：統計/分析

統計與分析主要利用分布式數據庫，或者分布式計算集群來對存儲於其內的海量數據進行普通的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，壹些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基於 MySQL的列式存儲Infobright等，而壹些批處理，或者基於半結構化數據的需求可以使用Hadoop。

統計與分析這部分的主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的占用。

4. 大數據處理之四：挖掘

與前面統計和分析過程不同的是，數據挖掘壹般沒有什麽預先設定好的主題，主要是在現有數據上面進行基於各種算法的計算，從而起到預測（Predict）的效果，從而實現壹些高級別數據分析的需求。比較典型算法有用於聚類的Kmeans、用於統計學習的SVM和用於分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用於挖掘的算法很復雜，並且計算涉及的數據量和計算量都很大，常用數據挖掘算法都以單線程為主。

整個大數據處理的普遍流程至少應該滿足這四個方面的步驟，才能算得上是壹個比較完整的大數據處理。

系統分析階段為什麽要進行業務流程分析

本階段業務流程分析的目的是：形成合理、科學的業務流程。通過分析現有業務流程的基礎上進行業務流程重組（BPR），產生新的更為合理的業務流程。

(1)應用科學的推理步驟，使系統中壹切問題的剖析均能符合邏輯原則，順乎事物發展規律，盡力避免其中的主觀臆斷性和純經驗性。

(2)借助於數學方法和計算手段，使各種方案的分析比較定量化，以具體的數量概念來顯示各方案的差異。

(3)根據系統分析的結論，設計出在壹定條件下達到人盡其才、物盡其用的最優系統方案。

系統分析主要步驟：

①對研究的對象和需要解決的問題進行系統的說明，目的在於確定目標和說明該問題的重點和範圍；

②收集資料，在系統分析基礎上，通過資料分析各種因素之間的相互關系，尋求解決問題的可行方案；

③依系統的性質和要求，建立各種數學模型；

④運用數學模型對比並權衡各種方案的利弊得失；

⑤確定最優方案。通過分析，若不滿意所選方案，則可按原步驟重新分析。壹項成功的系統分析需要對各方案進行多次反復循環與比較，方可找到最優方案。