摘要 | 第3-4页 |
abstract | 第4页 |
1 绪论 | 第9-13页 |
1.1 研究背景及意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-11页 |
1.2.1 Hadoop大数据分析平台现状 | 第10页 |
1.2.2 大数据技术在售后维修数据分析方面的应用 | 第10-11页 |
1.3 主要研究内容 | 第11-12页 |
1.4 论文组织结构 | 第12-13页 |
2 课题相关技术综述 | 第13-19页 |
2.1 Hadoop集群简介 | 第13-16页 |
2.1.1 Hadoop框架核心 | 第13-15页 |
2.1.2 Hive数据仓库技术 | 第15-16页 |
2.2 其他关键技术 | 第16-17页 |
2.3 本章小结 | 第17-19页 |
3 系统总体设计 | 第19-29页 |
3.1 需求分析 | 第19-20页 |
3.1.1 印企现实需求 | 第19页 |
3.1.2 业务需求及目标 | 第19-20页 |
3.2 分析系统总体设计 | 第20-22页 |
3.2.1 系统总体设计 | 第20-21页 |
3.2.2 架构详细设计 | 第21-22页 |
3.3 售后数据分析设计 | 第22-28页 |
3.3.1 总体分析流程设计 | 第22-23页 |
3.3.2 印刷设备售后维修数据参数分析 | 第23-26页 |
3.3.3 印刷设备售后维修数据预处理 | 第26-28页 |
3.4 本章小结 | 第28-29页 |
4 售后数据分析 | 第29-42页 |
4.1 统计分析 | 第29-31页 |
4.1.1 客户分析 | 第29页 |
4.1.2 产品销售与维修分析 | 第29-30页 |
4.1.3 维修记录与维修配件分析 | 第30-31页 |
4.2 客户聚类分析 | 第31-35页 |
4.2.1 K-means聚类分析 | 第31-32页 |
4.2.2 客户聚类的并行化 | 第32-33页 |
4.2.3 K-means并行化实现 | 第33-35页 |
4.2.4 分析评价 | 第35页 |
4.3 产品-配件推荐分析 | 第35-38页 |
4.3.1 基于物品的协同过滤算法 | 第35-37页 |
4.3.2 基于矩阵分解的协同过滤算法 | 第37-38页 |
4.3.3 评价方法 | 第38页 |
4.4 产品-配件推荐实现 | 第38-41页 |
4.4.1 Item-CF算法并行化实现 | 第38-39页 |
4.4.2 ALS-MR算法并行化实现 | 第39-40页 |
4.4.3 结果分析 | 第40-41页 |
4.5 本章小结 | 第41-42页 |
5 售后数据存储设计 | 第42-52页 |
5.1 SQL Server存储设计 | 第42-45页 |
5.1.1 逻辑设计 | 第42-43页 |
5.1.2 数据库表设计 | 第43-45页 |
5.2 Hive环境搭建 | 第45-46页 |
5.2.1 Hive 2.3.2安装配置 | 第45-46页 |
5.2.2 Sqoop的安装配置 | 第46页 |
5.3 Hive数据仓库存储设计 | 第46-51页 |
5.3.1 数据仓库模型设计 | 第47页 |
5.3.2 Hive建立RDS表 | 第47-48页 |
5.3.3 Hive建立TDS表 | 第48-49页 |
5.3.4 装载数据 | 第49-51页 |
5.4 本章小结 | 第51-52页 |
6 基于Hadoop的售后数据分析平台实现 | 第52-69页 |
6.1 Hadoop集群环境部署 | 第52-55页 |
6.1.1 Hadoop集群部署规划 | 第52-53页 |
6.1.2 Hadoop环境搭建 | 第53-55页 |
6.2 系统平台实现 | 第55-61页 |
6.2.1 系统模块划分 | 第55-59页 |
6.2.2 系统功能实现 | 第59-61页 |
6.3 可视化分析实现 | 第61-68页 |
6.3.1 后台数据传输 | 第61-62页 |
6.3.2 构建可视化模型 | 第62页 |
6.3.3 可视化显示 | 第62页 |
6.3.4 分析结果展示 | 第62-68页 |
6.4 本章小结 | 第68-69页 |
7 总结与展望 | 第69-71页 |
7.1 课题总结 | 第69页 |
7.2 课题创新点 | 第69-70页 |
7.3 课题存在的不足 | 第70-71页 |
致谢 | 第71-72页 |
参考文献 | 第72-75页 |
硕士学位期间取得的科研成果 | 第75页 |