优化二：完善了时序算法的内容。

对于数据挖掘所需要的数据，可以分为两大类，分别为连续性的数据与非连续性的数据。数据类型不同，需要采用不同的算法与数据挖掘模型，只有如此最后得到的结构误差才会最小。而时序算法，就是针对连续数据进行预测分析的回归算法。时序算法仅仅根据用于创建这个模型的原始数据集就可以做出相关的趋势预测。当然，提供的信息越详细，最后的预测结果准确率也会随之上升。用户在进行预测时还可以向模型中添加更多的数据，以获得更小的误差。在实际工作中，这个算法进程使用。如需要根据以前的销售数据，来预测一下下一年各个地区的销售额或者一年四季每个季度的销售趋势，都需要用到这个算法。

在2008版本之前，时序算法中没有采用ARTxp自动回归树算法。为此在使用时序算法与模型来对长期的趋势进行预测时，误差会比较大。也就是说，这之前的时序算法比较适合用来进行短期的趋势预测。为了完善时序模型与算法中某些预测的准确性和稳定性，在2008的数据库商务智能中加入了这个ARTxp自动回归树算法。通过这个算法，时序模型可以实现一些针对比较长期的趋势预测，并且达到比较高的精确度。

在实际工作中，如果要采用时序算法来进行长期趋势预测的话，为了提高最大的准确率，笔者建议两种算法都做一下。即利用ARTxp自动回归树算法和使用ARTMA算法各自计算一次。此时数据库会提供两种不同的结果。虽然数据相同，采用的算法不同最后的结果也是不同的。最后通过数据挖掘模型来评估这两种计算方法得出的结果。在数据分析专家眼中，有时候他们关注的可能并不是最后的结过，而是关系为什么会造成这个差异。通过对差异的分析，找到相关的原因。然后在后续的工作中，积极消除这些因素，使得后续的发展趋势符合预先的规划。

在2008的时序模型中还对这两种算法的结果进行了组合。如可以通过加权的方式最终根据权数来得到一个加权的结果。如果用户有信心的话，当然也可以选择只采用一种算法，以提高数据分析的效率。不过在大部分情况下，用户还是会选择两种算法独立的计算，以得到一个可以比较的结果。具体选择那种算法，还是需要根据用户的用户来定。如需要考虑预测时期的长短、数据的多少、预测的业务等等情况进行确定。

优化三：通过刷选器来帮助用户选择恰当的数据挖掘模型。

在SQL Server 数据库中设计了很多的数据挖掘模型，如决策树模型、线性回归模型、神经网络模型、逻辑回归模型等等。相同的数据，采用了不同的模型，最后得到的结果会有很大的差异。为了提高商务智能的准确性，在对历史数据进行挖掘时，用户需要根据数据的特征、业务的类型等情况选择恰当的数据挖掘模型。只有如此，用户最终才能够得到使用价值比较高的结果。否则的话，反而可能会给用户一个误导。但是，这对用户的要求比较高。如果用户没有丰富的工作经验与理论知识，那么他是很难有这个能力来判断采用哪个模型。这也在很大程度上限制了数据挖掘功能的应用。

在2008数据库版本中，这种对员工经验的依赖情况有所改善。因为在这个版本中，数据库提供了一个挖掘模型的刷选器。这就好像是一个向导工具。在向导中，用户可以输入数据的特征、要预测的业务等内容，然后向导工具在根据用户这些输入的内容，推荐用户采用哪个模型来挖掘数据。这些傻瓜式的操作，可以在最大程度上避免因为用户经验的不足而错误的采用了不恰当的数据挖掘模型。总而言之，通过使用数据挖掘模型刷选器，可以控制用户给模型定型的数据，可以更加容易的帮助用户判断模型的适用性。从而避免采用了不恰当的数据挖掘模型而产生的错误结果。

另外刷选器还可以对数据进行刷选。如现在用户有一份客户信息，里面有所有客户的消费习惯等等。现在企业准备推出一个专门针对女性的服务或者产品。现在需要根据历史数据来预测一下这个产品或者服务的销售情况。此时就需要对原有的数据进行刷选。在以前，必需先对基础数据进行刷选。不过有了刷选器之后，就不需要这么麻烦了。可以在使用数据挖掘模型的时候，直接利用刷选器对于基础数据进行刷选，过滤男性客户的纪录信息。这不仅可以提高数据挖掘结果的准确性，而且还可以提高数据分析的效率。