دوره هوش تجاری (BI) برای مدیران

سرفصل‌های این دوره آموزشی هوش تجاری BI

آشنایی با ساخت Data Warehouse در SQL Server 2019

1. آشنایی با بانک‌های اطلاعاتی OLTP و ویژگی‌های مربوط به آن
2. آشنایی با مفهوم Data Warehouse
3. آشنایی با مفهوم Data Mart
4. آشنایی با نحوه طراحی Data Warehouse
5. آشنایی با روش طراحی Data Warehouse به روش Kimball
6. آشنایی با روش طراحی Data Warehouse به روش Inmon
7. آشنایی با طراحی Data Warehouse به صورت Star Schema
8. آشنایی با طراحی Data Warehouse به صورت Snow Flake Schema
9. آشنایی با طراحی Data Warehouse به صورت Constellation Schema
10. آشنایی با جداول Dimension و انواع آن
11. آشنایی با جداول Fact و انواع آن
12. آشنایی با مفهوم Grain
13. آشنایی با مفهوم Measure و انواع مربوط به آن
14. آشنایی با مفهوم Surrogate Key و Business Key
15. آشنایی با نحوه ایجاد Dimension برای کار با تاریخ شمسی
16. آشنایی با نحوه ایجاد Dimension برای کار با زمان
17. ایجاد Dimension نقاط جغرافیایی (استان‌، شهر‌، طول و عرض جغرافیایی)
18. آشنایی با مفهوم Slowly Change Dimension و انواع پیاده‌سازی‌های مربوط به آن
19. بررسی نحوه ایجاد یک Data Warehouse به ازای یک بانک اطلاعاتی OLTP
20. آشنایی با Columnstore Index و نحوه ایجاد آن برای افزایش سرعت جداول Fact

یکی از کارهای جالبی که می‌توان با وجود یک Data Warehouse در سازمان انجام داد، تهیه گزارش‌های Ad-Hoc بر روی آن است. با توجه به این که حجم داده‌های موجود در یک DW به شدت بالا است، باید هنگام طراحی گزارشات بر روی این نوع بانک‌های اطلاعاتی به نکات ویژه‌ای توجه داشت، از نمونه این نکات می‌توان به حجم داده‌های موجود در جداول Fact اشاره کرد. در DWهای بزرگ حجم رکوردهای موجود در این نوع جداول میلیاردی است، تهیه گزارش‌های Ad-Hoc بر روی این نوع جداول به شدت کند است که این موضوع باعث نارضایتی شدید کاربران می‌شود، اما در SQL Server ویژگی جدیدی وجود دارد که شما به راحتی می‌توانید با استفاده از آن سرعت گزارش‌های Ad-Hoc از DW و همچنین سرعت پردازش CUB را بالا ببیرد.

بررسی کامل فرآیند ETL و استفاده از آن در 2019 SQL Server

1. بررسی مفهوم ETL
2. معرفی برنامه SQL Server Data Tools و آشنایی با محیط آن
3. بررسی سرویس SQL Server Integration Services
4. آشنایی با کامپوننت Control Flow Task
5. آشنایی با کامپوننت‌های Data Preparation (Data Profiler,File System,FTP,Web Service,XML)
6. آشنایی با کامپوننت‌های RDBMS Task (Bulk Insert, Execute SQL)
7. آشنایی با کامپوننت‌های Workflow Task (Execute Package,Execute Process,Send Mail,WMI)
8. آشنایی با Containerها و نحوه استفاده از آنها در Packageها
9. آشنایی با کامپوننت Data Flow Task
10. آشنایی با کامپوننت‌های مربوط به Data Source (OLEDB ,Flat File, Excel ,…)
11. آشنایی با کامپوننت‌های مربوط به Data Destination (OLEDB ,Flat File, Excel ,…)
12. آشنایی با کامپوننت‌های Data Transformation (Lookup, Aggregate,Merge,Copy Column,Sort ,…)
13. آشنایی با Script Components
14. بررسی نحوه کار کردن با Variable, Expression, Parameter
15. آشنایی با Fuzzy Lookup و Fuzzy Grouping
16. آشنایی با CDC و نحوه پیکربندی آن
17. آشنایی با نحوه استفاده از CDC برای تشخیص تغییرات رکوردها در Package
18. آشنایی با نحوه مدیریت Errorها و Event Handling در SSIS
19. آشنایی با DTC و نحوه استفاده از آن در Packageها (کنترل Transaction)
20. آشنایی با روش‌های افزایش سرعت اجرای Packageهای SSIS
21. آشنایی با تکنیک‌های پر کردن جداول Fact
22. آشنایی با تکنیک‌های پر کردن جداول Dimension
23. آشنایی با نحوه Deploy کردن Packageها
24. آشنایی با نحوه خودکار سازی فرآیند اجرای Packageها

بررسی فرآیند ساخت OLAP در 2019 SQL Server

1. آشنایی با مدل BI مایکروسافت (Multidimensional Model, Tabular Model)
2. آشنایی با سرویس SSAS و نحوه پیکربندی آن
3. بررسی نحوه استفاده از Data Tools برای ایجاد یک پروژه بر پایه Multidimensional Model
4. بررسی نحوه استفاده از Data Tools برای ایجاد یک پروژه بر پایه Tabular Model
5. آشنایی با قسمت‌های مختلف یک پروژه SSAS
6. آشنایی با Data Source
7. آشنایی با Data Source View
8. بررسی نحوه طراحی Dimensionها
9. بررسی کار با Attribute , Attribute Relational ships, Use Hierarchy
10. بررسی نحوه Browse کردن داده‌های موجود در Dimension
11. بررسی نحوه مرتب‌سازی Dimensionها
12. بررسی ایجاد Dimensionهایی از نوع Snowflake
13. بررسی ایجاد Parent-Child Hierarchy
14. بررسی نحوه کار با Unary Operator
15. بررسی تنظیمات مربوط به Storage Mode
16. بررسی نحوه ایجاد Cube
17. بررسی نحوه ایجاد Measure و Measure Group
18. بررسی نحوه ایجاد Calculationها
19. بررسی نحوه ایجاد Perspective
20. بررسی نحوه ایجاد Translation
21. بررسی نحوه ایجاد KPI
22. آشنایی با نحوه امن کردن CUBE
23. بررسی نحوه Process یک Cube
24. بررسی پارتیشن‌بندی CUBE
25. بررسی نحوه افزایش سرعت پردازش CUBE
26. بررسی فرآیند خودکار سازی پردازش یک Cube
27. بررسی نحوه Deploy کردن یک پروژه OLAP
28. بررسی نحوه Backup و Restore کردن یک بانک اطلاعاتی از نوع OLAP
29. آشنایی با عبارت‌های MDX

اجرای فرآیند Visualization و مصورسازی داده‌ها در SQL Server

1. بررسی نحوه کار با Pivot Table در اکسل و ارتباط آن با OLAP
2. بررسی کار با SSRS و نحوه راه‌اندازی آن
3. بررسی نحوه استفاده از Matrix Report
4. بررسی نحوه ایجاد KPI در SSRS
5. بررسی تنظیمات امنیتی در SSRS
6. بررسی نحوه استفاده از Power BI
7. بررسی نحوه نمایش گزارشات Power BI در SSRS
8. بررسی کار Mobile Report Publisher و نحوه استفاده از آن
9. بررسی نحوه استفاده از Shape فایل نقشه ایران
10. بررسی نحوه استفاده از Bing Map برای نمایش شهر‌های ایران
11. معرفی کامپوننت‌های مربوط به گزارش‌گیری با پشتیبانی از OLAP

اجرای Data Mining و داده کاوی در SQL Server 2019

1. بررسی مفاهیم اولیه Data Mining و کاربردهای مربوط به آن
2. بررسی چرخه پروژه‌های Data Mining
3. معرفی الگوریتم‌های قابل پشتیبانی در SQL Server
4. بررسی مفاهیم کلیدی مانند Attribute,Case,Key,…
5. بررسی نحوه ایجاد یک مدل در پروسه Data Mining
6. بررسی نحوه تفسیر یک مدل
7. بررسی نحوه ارزیابی یک مدل
8. پیاده‌سازی Market Basket Analysis با استفاده از الگوریتم Association Rule
9. معرفی زبان Python
10. آشنایی مقدماتی با برخی از دستورات زبان Python
11. نحوه راه اندازی سرویس Machine Learning در SQL Server 2019
12. بررسی نحوه استفاده از اسکریپ‌های زبان Python در SQL Server 2019
13. بررسی پیاده‌‌سازی یکی از الگوریتم‌های Data Mining در Python با استفاده از SQL Server 2019

در واقع معماری هوش تجاری شامل تمامی مراحل، از شناسایی منابع اطلاعاتی گرفته تا استخراج اطلاعات و نمایش دادن آنها به کاربر می شود.

در خیلی از ابزارهای پیاده سازی هوش کسب و کار این مراحل در یک محصول جمع آوری شده و در برخی دیگر نیز برای هر قسمت یک ابزار جدا معرفی شده است.

با یک برنامه‌ هوش تجاری، ایجاد یک گزارش با یک کلیک برای کسب و کار امکان پذیر است. در نتیجه موجب صرفه جویی در وقت و منابع زیادی می‌شود. ضمن این که به کارکنان این امکان را می‌دهد تا در انجام وظایف‌شان مفیدتر باشند.

هوش تجاری همچنین به بهبود دید فرآیندها کمک می‌کند و امکان شناسایی بخش‌هایی را که نیازمند توجه هستند می‌دهد.

هوش تجاری تمام پیچیدگی‌های مرتبط با فرآیندهای کسب و کار را رفع می‌کند و با ارائه‌ی تحلیل پیش بینی شده، مدل‌سازی کامپیوتری، الگو برداری و سایر روش‌ها، تجزیه و تحلیل‌ها را خودکار می‌کند.

نرم افزار‌های هوش تجاری حتی به کاربران غیر فنی و کسانی که تحلیلگر نیستند نیز امکان می‌دهد داده‌ها را سریعاً جمع آوری و پردازش کنند.

هوش تجاری اشتراکی: نرم‌افزارهای هوش تجاری با ابزارهای مبتنی بر همکاری، از جمله شبکه‌های اجتماعی و سایر تکنولوژی‌های جدید، کار و مشارکت تیم‌ها برای تصمیم‌گیری مشترک/اشتراکی را افزایش می‌دهد.

تجزیه و تحلیل ابری: اپلیکیشن‌های هوش تجاری به زودی در فضای ابری ارائه می‌شوند و کسب و کار‌های بیشتری به این تکنولوژی روی می‌آورند. طبق پیش‌بینی‌ها در عرض چند سال، هزینه تجزیه و تحلیل‌های مبتنی بر ابر ۴.۵ برابر می‌گردد.