جستجو برای:
  • معرفی پکیج های آموزشی
  • مسیرهای آموزشی
    • مسیر راه متخصص هوش تجاری در SQL
    • مسیر راه متخصص هوش تجاری در Oracle
    • مسیر راه صفر تا صد آنالیز داده در SSAS
    • مسیر راه داشبورد سازی به کمک زبان برنامه نویسی سی شارپ
    • مسیر راه آموزش صفر تا صد نمایش داده در پاور بی آی
    • مسیر راه آموزش صفر تا صد هوش تجاری در پاور بی آی (با رویکرد مدلسازی داده)
  • پروژه ها
    • پروژه های گروه ریسرچیار
    • دوره های هوش تجاری
  • انجمن هوش تجاری ایران
    • ویکی KPI
    • آوا ریسرچیار
  • بلاگ
  • مدرسین
گروه هوش تجاری ریسرچیار
  • معرفی پکیج های آموزشی
  • مسیرهای آموزشی
    • مسیر راه متخصص هوش تجاری در SQL
    • مسیر راه متخصص هوش تجاری در Oracle
    • مسیر راه صفر تا صد آنالیز داده در SSAS
    • مسیر راه داشبورد سازی به کمک زبان برنامه نویسی سی شارپ
    • مسیر راه آموزش صفر تا صد نمایش داده در پاور بی آی
    • مسیر راه آموزش صفر تا صد هوش تجاری در پاور بی آی (با رویکرد مدلسازی داده)
  • پروژه ها
    • پروژه های گروه ریسرچیار
    • دوره های هوش تجاری
  • انجمن هوش تجاری ایران
    • ویکی KPI
    • آوا ریسرچیار
  • بلاگ
  • مدرسین
حساب کاربری
آخرین اطلاعیه ها
لطفا برای نمایش اطلاعیه ها وارد شوید

وبلاگ

گروه هوش تجاری ریسرچیار > بلاگ > اوراکل > DataWareHouse > آموزش کامل مفاهیم هوش تجاری (BI) از ابتدا تا انتها (انبار داده ها)

آموزش کامل مفاهیم هوش تجاری (BI) از ابتدا تا انتها (انبار داده ها)

فروردین ۲۲, ۱۳۹۷
ارسال شده توسط admin
DataWareHouse، اوراکل، مفاهیم هوش تجاری، هوش تجاری

مقدمه هوش تجاری (BI)

انبار داده ها برای نگهداری کالاها استفاده میگردد. صنعتگران، وارد کنندگان و صادر کنندگان کالاها، عمده فروشان و گمرک از استفاده کنندگان از انبارها میباشند. انبارها معمولاً در شهرها، شهرک های صنعتی و کارخانجات ساخته میشوند ولی ممکن است جهت سهولت در دریافت و صدور کالا، در کنار راه های اصلی، فرودگاه و یا بنادر ساخته شوند تا کالاها مستقیماً به انبار وارد و یا از آن خارج گردد.

انبار داده ها از لحاظ کاربری ممکن است انواع گوناگونی داشته باشند. انبار محصول، انبار مواد اولیه، انبار قطعات نیم ساخته، انبار قطعات یدکی، انبار ابزارآلات، انبار غلات و مخازن تنها تعداد اندکی از انواع انبارها میباشند. با توجه به کاربری و تنوع زیاد انواع انبارها، ماشین آلات، سیستم ها و تجهیزات سخت افزرای و نرم افزاری بسیاری متناسب با نوع کاربری انبارها توسعه یافته اند. از مهمترین ماشین الات مربوط به انبارها میتوان به انواع چرثقیل ها، لیفت تراک ها و تسمه نقاله ها برای جابجایی کالا اشاره نمود. استفاده از تکنولوژی RFID در انبارها، در برخی از صنایع مدرن متداول است. ردیابی کالاها و کنترل موجودی انبار نیز بوسیله بانک های اطلاعاتی و تحت نرم افزارهای خاص انجام میپذیرد.

از آنجا که انبارها در فرایند تجارت هیچگونه ارزش افزوده ای ایجاد نمی نمایند مکانیابی، طراحی سیستم ورود، جابجایی و خروج کالاها از انبار بسیار حیاتی است تا عملیات انبارها با حداقل هزینه و حداکثر بهره وری انجام پذیرد. در اواخر قرن بیستم استفاده از سیستم هایی نظیر JIT جهت کاهش موجودی در فرایند و حذف انبارها بکار گرفته شد.

سیستم اداره انبارها با توجه به نوع کاربری و جامعه مورد استفاده بسیار متفاوت است. در برخی از جوامع انبارها هنوز به صورت سنتی اداره میگردند حال آنکه برخی از انبارها کاملاً خودکار و مکانیزه میباشند، بدون اینکه نیاز به نیروی کار داشته باشند و از طریق سیستم های دریافت و انتقال خودکار کالاها و نرم افزارهای لجستیکی مدیریت میشوند. این سیستم ها معمولاً در انبارهای با دماهای بسیار پایین که کار کردن در آنها دشوار است و یا در مناطقی که قیمت ز مین بسیار گران میباشد پیاده سازی میشود چرا که امکان استفاده از ارتفاع در این سیستم ها کاملاً مقدور میباشد.

در هوش تجاری (BI) یک انبار داده Data Warehouse ، مخزن اصلی داده های تاریخی یک سازمان یا حافظه‌ی مشترک و گروهی ( Corporate memory ) آن است.این انبار شامل مواد خام برای سیستم حمایت تصمیم گیری مدیریتی یا DSS(decision support systems) می باشد.فاکتور اصلی ای که منجر به استفاده از یک انبار داده (Data Warehouse) می شود این است که یک تحلیل گر میتواند آنالیزها و جستجو های پیچیده ای مثل استخراج داده (Data Mining) را روی اطلاعات انجام دهد بدون اینکه سیستم های اجرائی (Operational System)‌کند شوند.

هدف از ارائه این مقاله آشنایی خواننده با مفاهیم انباره های داده Data wareHouse و فن آوری های مرتبط  در هوش تجاری (BI) می باشد. انباره های داده پایه گذار فن آوری لازم برای ساخت و بهره برداری از برنامه های هوشمندی هستند که بعضا در برخی فیلم های تخیلی با آنها آشنا شده ایم. برنامه هایی که اطلاعات را برای صاحبان خود جمع آوری نموده و پس ازتجزیه و تحلیل با آنها به مشاوره می پردازند.

تکنولوژی انبار داده‌ها شامل مجموعه‌ای مفاهیم و ابزارهای جدیدی است که با فراهم آوردن اطلاعات از دانشگران (افراد اجرایی، مدیر و تحلیلگر) در تصمیم گیری پشتیبانی می‌نماید. دلیل اصلی ساخت انبار داده ها، بهبود کیفیت اطلاعات در سازمان است، در واقع دسترسی به داده‌ها از هر جا درون سازمان داده‌ها از منابع داخلی و خارجی تهیه می‌شوند و به اشکال گوناگون از داده‌های ساختاری گرفته تا داده‌های ساخت نیافته مانند فایل‌های متنی یا چند رسانه‌ای، در مخزنی مجتمع می‌شوند. انبار داده‌ها یا DWH مخزنی از این داده‌هاست که به صورتی قابل درک در دسترس کاربران نهایی کسب و کار قرار می‌گیرد.

انبار داده Data Warehouse

از اواسط سال های 1980 نیاز به انبار داده‌ها در هوش تجاری (BI) به وجود آمد و دریافتند که سیستم های اطلاعاتی باید به صورت سیستم‌های عملیاتی و اطلاعاتی مشخص شوند. سیستم‌های عملیاتی از فعالیت‌های روزانه کسب و کار پشتیبانی می‌نمایند و برای پاسخگویی سریع به ارتباطات از پیش تعریف شده مناسب هستند. داده‌های عملیاتی ارائه بی‌درنگ و فعلی وضعیت کسب و کار می‌باشند. اما سیستم‌های اطلاعاتی برای مدیریت و کنترل کسب وکار به کار می‌روند. این سیستم‌ها از تجزیه و تحلیل داده‌ها برای اتخاذ تصمیم درباره عملکرد آنی و آتی سازمان پشتیبانی می‌کنند و برای در خواست‌های موردی، پیچیده و به طور عمده فقط خواندنی طراحی شده‌اند. داده‌های اطلاعاتی تاریخی هستند، به عبارتی بیانگر دیدگاه ثابتی از کسب وکار در یک دوره زمانی می‌باشند.

در هوش تجاری (BI) انـبـار داده  بـه مجـموعـه ای از داده هــا گفـتـه می شود که از منابع مختلف اطلاعاتی سازمان جمع آوری ، دسته بندی و ذخیره می شود. در واقع یک انبار داده مخزن اصلی کلیه داده های حال و گذشته یک سازمان می باشد که برای همیشه جهت انجام عملیات گزارش گیری و آنالیز در دسترس مدیران می باشد. انبارهای داده حاوی داده هایی هستند که به مرور زمان از سیستم های عملیاتی آنلاین سازمان(OLTP) استخراج می شوند، بنابراین سوابق کلیه اطلاعات و یا بخش عظیمی از آنها را می توان در انبار داده ها مشاهده نمود.

از آنجائیکه انجام عملیات آماری و گزارشات پیچیده دارای بارکاری بسیار سنگینی برای سرورهای پایگاه داده می باشند، وجود انبار داده سبب می گردد که اینگونه عملیات تاثیری بر فعالیت برنامه های کاربردی سازمان (OLTP) نداشته باشد.

همانگونه که پایگاه داده سیستمهای عملیاتی سازمان (برنامه های کاربردی) به گونه ای طراحی می شوند که انجام تغییر و حذف و اضافه داده به سرعت صورت پذیرد، در مقابل انبار داده ها دارای معماری ویژه ای می باشند که موجب تسریع انجام عملیات آماری و گزارش گیری می شود(OLAP).

Billinmon ، از اولین کاربرهای این مبحث ، یک انبار داده (DataWarehouse) را با واژه های زیر تعریف کرده است:

  • Subject Oriented( مرتبط با موضوع)

داده ها در یک انبار داده (DataWarehouse) به نحوی سازمان دهی می شوند که تمام اجزای داده که با همان واقعه یا موضوع مرتبط هستند،به هم متصل باشند.

  • Time Variant( متغیر با زمان )

تغییرات داده ها در یک انبار داده (DataWarehouse) ، ردیابی و ثبت می شوند تا امکان تهیه ی گزارش هایی که تغییرات را در طول زمان نشان می دهند ، فراهم شود.

  • Non Volatile (غیر فرار )

داده های موجود در انبار داده (DataWarehouse) ، هیچگاه دوباره نویسی یا پاک نمی شوند ، داده ثابت و بدون تغییر است و برای گزارش های آینده حفظ می شود.

  • Integrated( منسجم )

انبار داده ها (DataWarehouse) حاوی داده هایی از همه یا اکثریت فعالیت های اجزای سازمان می باشد و این داده ها پایدار است.

بعنوان مثال : یک انبار داده ممکن است برای یافتن روزی از هفته که در ان یک شرکت حداکثر فروش را در یک ماه می 1992 کرده است .

در حالیکه سیستم های اجرایی برای سهولت استفاده و سرعت اصلاحات از طریق استفاده نرمال سازی بانک داده و یک مدل رابطه ی وجودی بهینه شده اند، انبار داده برای گزارش دهی و آنالیز بهینه شده است.

اغلب ، داده های موجود در انبار داده ها به شدت دنومالیزه (غیر نرمالیزه ) هستند و یا خلاصه شده اند و یا بر اساس یک مدل مبتنی بر بعد ذخیره شده اند.با این وجود ، این همیشه منجر به دستیابی به زمان های پاسخ دهی و جستجوی قابل قبول نمی شود.

دوره آموزشی طراحی و ساخت و پیاده سازی Data WareHouse در اوراکل
دوره آموزش Data WareHouse در اوراکل

تاریخچه و دلایل استفاده از انبار داده

از اواخر سال 1980میلادی،  انبـار های داده به عنـوان نـوع متـمـایزی از پایـگاه هـای داده مـورد استـفاده اغلـب سـازمـانـها وشرکت های متوسط و بزرگ واقع شدند. انبار های داده جهت رفع نیاز رو به رشد مدیریت داده ها و اطلاعات سازمانی که توسط پایگاه های داده سیستم های عملیاتی غیر ممکن بود، ساخته شدند. انبار داده ها  در اواخر دهه ی 80 و اوایل دهه ی 90 به نوع خاصی از (Computer Databases) مبدل شد . این انبار ها به منظور برآورده کردن تقاضای روز افزون برای کنترل اطلاعات و آنالیز ایجاد شدند که توسط سیستم های اجرایی قابل برآورده سازی نبود.

سیستم های اجرایی دارای نقاط ضعفی می باشند که انبار های داده آنها را رفع می کند. ازجمله:

  • بار پردازش گزارشات موجب کندی عملکرد برنامه های کاربردی می شد.
  • پایگاه های داده برنامه های کاربردی ، دارای طراحی مناسبی جهت انجام عملیات آماری و گزارش نبودند.
  • بسیاری از سازمان ها دارای بیش از یک برنامه کاربردی ( منابع اطلاعاتی) بودند، بنابراین تهیه گزارشات در سطح سازمان غیر ممکن بود.
  • تهیه گزارشات در سیستم های عملیاتی غالبا نیازمند نوشتن برنامه های مخصوص می باشد که معمولا کند و پرهزینه بودند.

این توانایی به همراه ابزارهای گزارش دهی با شیوه استفاده ی اسان (UserFriendly) و جدا بودن از اثرات اجرایی ، منجر به رشد و توسعه ی این نوع از سیستم های کامپیوتری شد.

همچنان که تکنولوژی پیشرفت کرد (هزینه های کمتر برای عملکرد بهتر) و تقاضای کاربران افزایش یافت‌( سیکل های زمانی بارگذاری سریع تر و مشخصات بیشتر).

انبار داده با عبور از چندین مرحله ی اساسی ، تحول یافتند که عبارتند از:

  • Off line Operation Databases

در این مرحله اولیه ، انبار داده به سادگی با  کپی کردن بانک داده  از یک سیستم اجرایی به  یک (Off line Server) که در انجا بار فرایند گزارش ، روی اجرا و عملکرد سیستم اجرایی اثر نمی‌گذاشت،ایجاد می شدند.

  • Off Line Warehouse

در این مرحله از تکامل،انبار داده ها طی یک دوره ی زمانی منظم(معمولا روزانه ، هفتگی یا ماهیانه) از روی سیستم های اجرایی ، به روزسازی می شدند و داده،با یک ساختار منسجم و مناسب جهت گزارش دهی ذخیره می شدند.

  • Real Time Data Warehouse

در این مرحله،انبار داده بر اساس یک تبادل (Transection) و یا رویداد (EventBase) به روزسازی می شوند ، یعنی هر زمانی که یک سیستم اجرایی ، یک تبادل انجام می دهد(مثل یک سفارش یا یک تحویل یا یک ثبت اطلاعات بیماری و ….).

  • Integrated Data Warehouse

در این مرحله،انبار داده برای ایجاد تبادلات یا فعالیت هایی به کار می روند که برای استفاده در فعالیت های روزانه ی سازمان،به سیستم های اجرایی باز گردانده می شوند.

OLTP & OLAP

در اینجا لازم است قبل ادامه و شروع مبحث ذخیره (Storage) درمورد این دو اصطلاح هوش تجاری (BI) توضیح مختصری ارائه شود .

(OLTP(Online Transaction Processing : در اصل اشاره به گروهی ازسیستم ها است که Transaction oriented application را تسهیل و مدیریت میکنند بخصوص در موارد Data entry و Retrieval Transaction  processing .

بطور کلی OLTP به Processing هایی اطلاق میشود که سیستم در پاسخ های سریع خود به درخواست های کاربر انجام می دهد . این تکنولوژی در زمینه های بسیاری از جمله E Commerce، E Banking , E Health کاربرد دارد.

(OLAP(Online Analitycal Processing: یک رویکرد برای بدست آوردن پاسخ های سریع سیستم ها درAnalitycal queries که بصورت Multi dimensional هستندمیباشد.

OLAP بخشی ازBusiness Intelligence  (هوش تجاری (BI)) بوده که خود شامل مواردی همچون ETI (Extract Transform Load ) وRelational Reporting و Data Mining میباشد. از کاربرد های رایج OLAP استفاده در گزارش گیری ها مثل (BPM (Business Process Management و بودجه بندی ها (Budgeting) و پیش بینی های مالی است . خروجی اصلیOLAP QUERY بطور معمول در یک ماتریکس نمایش داده میشود و از تغییر جزئی در همان واژه OLTP اقتباس شده است .

بیشتر بخوانید : تفاوت بین OLTP و OLAP

مراحل و نحوه ایجاد انبار داده در سازمان

بسیاری از شرکت ها و سازمان ها به این باور رسیده اند که گردآوری، سازمان دهی و یکپارچه سازی داده ها در یک مخزن داده برای مدیریت بهینه و اتخاذ تصمیمات کلان یک ضرورت می باشد.

به طور کلی ساخت یک انبار داده، به شکل یک پروژه شامل مراحل اصلی زیر می باشد:

  • استخراج داده های تراکنشی از پایگاه های داده به یک مخزن واحد

شناخت منابع داده های سازمان و استخراج داده های ارزشمند از آنها یکی از اصلی ترین مراحل ایجاد انبار داده می باشد.

  • تبدیل داده ها

از آنجائیکه سیستم های اطلاعاتی و برنامه های کاربردی یک سازمان غالبا توسط افراد و پروژه های مختلف به مـرور زمان در مواجهـه با نیـازهای جدید سـاخته یا تغییر شـکل داده می شـوند،  یکسـان سـازی آنها امری ضروری میباشد.در بسیاری از موارد نیز سیستم های اطلاعاتی در بستر های مختلف پایگاه داده مانند MicrosoftSQLServer ، Oracle، Sybase، MicrosoftAccess و غیره طراحی گردیده اند. بررسی جداول، برقراری ارتباط بین فیلدها و یک شکل سازی داده ها در این مرحله صورت می پذیرد.

  • بارگذاری داده های تبدیل شده به یک پایگاه داده چند بعدی

بر خلاف پایگاه داده سیستم های عملیاتی (OLTP) که دارای معماری رابطه ای می باشند و ازاصول نرمالیزه استفاده می کنند، طراحی انبار داده به شکلی ویژه بدون بهره گیری ازاصول نرمالیزاسیون می باشد. درانبار داده فیلدها در جاهای مختلفی تکرار می شوند و روابط بین جداول کمتر به چشم می خورند. علت آن هم افزایش سرعت پردازش اطلاعات هنگام گزارشات و عملیات آماری می باشد.

  • تولید مقادیر از پیش محاسبه شده جهت افزایش سرعت گزارش گیری

مـقادیر از پیـش محاسـبه شده را تراکـم نیـز مـی نامـند. ایـن مرحلــه توســط سیستـم هایی نظــیر Microsoft SQL  Server Analysis  Services  بسیار ساده تر شده است. ایـن تراکم ها کـه در ابـعاد مختلـف انبار داده سـاخته می شوند، موجب می شوند که سرعت انجام عملیات گزارش گیری به شکل محسوسی افزایش یابد. بایدتوجه داشت که عملیات ساخت این مقادیر بسیار زمان گیر بوده و نیازمند حافظه زیادی بر روی سروراست.

  • ساخت ( یا خرید ) یک ابزار گزارش گیری

پس از انجام مراحل فوق،شـما می توانـید نسبـت به ساخت یا خـرید یـک نرم افزار گزارش گیـری تصمیم گیری نمایید.  به طور معمـول هزینه سـاخت یـک نرم افزار گزارش گـیری،  بالاتـر از هزینـه خریـد آن از یک شرکت خارجـی می شود.

ویژگی های اصلی داده‌های انبار داده‌ها

داده‌های موجود در انبار داده‌ها از سیستم‌های عملیاتی متنوع (نظیر سیستم‌های پایگاه داده‌ها) و منابع داده‌ای خارجی (نظیر پایگاه داده‌های آماری و WWW ) یکپارچه می‌شوند. تفاوت های ساختاری ومعنایی داده‌ها باید پیش از یکپارچه سازی انسجام یابند. برای مثال داده‌ها باید مطابق با مدل داده‌ای یکپارچه “همگن” شوند. بعلاوه، مقادیر داده‌ای سیستم‌های عملیاتی باید پاک شوند تا داده‌های صحیحی در انبار داده‌ها وارد شوند. نیاز به داده‌های تاریخی یکی از موارد مهم درشیوه انبار داده‌هاست. دادههای تاریخی برای تحلیل روند کسب وکارضروری هستند. البته هزینه نگهداری این گونه داده‌ها نیز باید مورد توجه قرار گیرد. بعلاوه، داده‌های انبار داده‌ها ثابت هستند، برای مثال دسترسی به DWH از نوع خواندنی است. انجام اصلاحات در این داده‌ها فقط هنگامی صورت می‌گیرد که اصلاحات داده‌های منبع در انبار انتشار یابند. DWH داده‌های دیگری به نام داده‌های اشتقاق یافته (derived data) دارد. این داده‌ها به طور صریح در منابع عملیاتی ذخیره نمی‌شوند، بلکه در حین بعضی از فرایندها از داده‌های عملیاتی، اشتقاق می‌یابند. برای مثال داده‌های فروش را می‌توان در سطوح مختلف (هفتگی، ماهانه، فصلی) در انبار ذخیره نمود.

بیشتر بخوانید : تفاوت بین Data Warehouse و Data Mart

سیستم‌های انبار داده‌ها

سیستم انبار داده‌ها (DWS) شامل انبار داده‌ها و همه مولفه‌هایی است که برای ساخت، دستیابی و نگهداری DWH به کار می‌روند. انبار داده‌ها بخش مرکزی سیستم انبار داده‌ها را تشکیل می‌دهد. گاهی اوقات انبار داده‌ها حجم عظیمی از اطلاعات را در واحدهای منطقی کوچکتر به نام Data Mart نگهداری می‌کند. مولفه آماده سازی، مسئولیت کسب یا دریافت داده‌ها را بر عهده دارد. این مولفه شامل همه برنامه‌ها و‌برنامه‌های کاربردی‌هایی است که مسئول استخراج داده‌ها از منابع عملیاتی هستند. مولفه دستیابی شامل برنامه‌های کاربردی مختلف (OLAP یا برنامه‌های کاربردی داده کاوی) است که امکان استفاده از اطلاعات ذخیره شده در انبار داده‌ها را فراهم می‌آورند.

مولفه مدیریت Metadata، وظیفه مدیریت، تعریف و دستیبابی به انواع مختلف Metadata را بر عهده دارد. در اصل ،‌Metadata  “داده‌هایی درباره داده‌ها” یا “داده‌هایی است که مفهوم داده‌ها را توصیف می‌کنند”. انواع مختلف Metadataدر انبار داده‌ها وجود دارند. مثلا اطلاعاتی درباره منابع عملیاتی، ساختار داده‌های DWH و  کارهایی که در حین ساخت، نگهداری و دستیبابی به DWH انجام می‌شوند. نیاز به Metadata شناخته شده است. پیاده سازی یک DWS منسجم ،کار پیچیده و دشواری است و شامل دو فاز می باشد. درفاز اول که پیکربندی DWS نام دارد، دیدگاه مفهومی انبار داده‌ها مطابق با نیازمندی های کاربر مشخص می‌شود. سپس منابع داده‌ای دخیل و روش استخراج و بار گذاری در انبار داده‌ها تعیین می‌گردد. سرانجام، درباره پایگاه داده‌های مورد نظر و روش های دستیابی داده‌ها تصمیم گیری خواهد شد. پس از بار گذاری اولیه، در فاز عملیات DWS باید داده‌های انبار داده‌ها به منظور منظم refresh شوند.

طراحی انبارداده‌ها

روش های طراحی انبارداده‌ها امکان پردازش کارآمدquery را برروی حجم  عظیمی از داده‌ها فراهم می‌آورند. نوع ویژه‌ای از الگوی پایگاه داده‌ها به نام star برای مدل سازی انبارداده‌های چند بعدی به کار می‌رود. در این حالت، پایگاه داده‌ها از یک جدول مرکزی واقعیت یا fact و جداول چند بعدی تشکیل شده است. جدول واقعیت حاوی tuple هایی است که بیانگر واقعیت‌های کسب و کار مانند فروش یا عرضه هستند. هر tuple جدول واقعیت بهtupleهای جدول چند بعدی اشاره دارد. هرtuple جدول چند بعدی مواردی نظیر محصولات، مشتریان، زمان و فروشنده را نشان می‌دهد.

کانال تلگرام ما را دنبال کنید
صفحه اینستاگرام ما را دنبال کنید

دوره های مرتبط

دوره کامل تضمینی هوش تجاری با رویکرد کسب درآمد در داخل و خارج از کشور

 

آنالیز داده و هوش تجاری یکی از پردرآمدهای شغل های دنیا چه در داخل کشور و چه خارج از کشور است. ما در دوره آموزشی  صفر تا صد هوش تجاری را به صورت تضمینی آموزش میدهیم.

مشاهده دوره

آموزش کاملا حرفه ای ویدیویی هوش تجاری در Oracle

 

آموزش ویدئویی هوش تجاری در oracle ابتدا به بررسی ساختار کلی هوش تجاری اوراکل پرداخته و سپس به مراحل نصب نرم افزارهای مرتبط با کار خود می پردازیم.

مشاهده دوره

آموزش ویدیویی هوش تجاری در SQL

 

شما در این دوره آموزشی با مفاهیم و اصول هوش تجاری در SQL آشنا می شوید و متوجه می شوید که برای ساخت یک داشبورد در هر نرم افزاری نیاز به چه مراحل و اصول و پایه هایی دارید همچنین با سیستم های هوش تجاری بزرگ آشنا شده و خود را برای تحلیل طراحی و پیاده سازی یک سامانه هوش تجاری آماده می کنید.

مشاهده دوره

دوره آموزش OBIEE (دوره آموزشی Oracle BI Enterprise Edition)

در دوره آموزش OBIEE ابتدا به بررسی ساختار کلی هوش تجاری اوراکل پرداخته و سپس به مراحل نصب نرم افزارهای مرتبط با کار خود می پردازیم. سپس مباحث آنالیز داده و فاندامنتال کار را بررسی کرده و در خصوص ریپازیتوری و مسایل مربوط به ان صحبت می کنیم.

مشاهده دوره

دوره آموزش ODI در اوراکل

یکی از مهم ترین مراحل انجام یک پروژه هوش تجاری اوراکل تولید انبار داده آن می باشد در این دوره آموزشی (دوره آموزش ODI در اوراکل) به صورت کاملاً عملی و حرفه ای صفر تا صد ساخت یک انبار داده به شما آموزش داده می شود.

مشاهده دوره
برچسب ها: انبار دادهانبار داده چیست؟صفر تا صد هوش تجاریهوش تجاری (BI)هوش تجاری اوراکل
قبلی آموزش کلیک ویو ( QlikView )
بعدی آشنایی با ابزارها و مفاهیم مهم Business Intelligence

4 دیدگاه

به گفتگوی ما بپیوندید و دیدگاه خود را با ما در میان بگذارید.

  • romina گفت:
    تیر ۲, ۱۳۹۹ در ۵:۵۸ ق٫ظ

    سلام و عرض خسته نباشید 
    ببخشید من دانشجو هستم و یه کمکی ازتون میخواستم برای تحقیقم که در مورد گزارش سازی BI هست 
    و در مورد آیتم های Dim و major خوندم و متوجه شدم. 
    فکر کنید یه گزارش دارم در مودر بیمه که شعبه و گروه بیمه داره… و میخوام آدرس هم به شعبه  اضافه کنم، اسم این آیتم چیه؟ استادم گفته نه dim هست نه major, بگرد پیدا کن یه اصطلاح داره ممنون میشم کمکم کنین؟؟

    پاسخ
    • admin گفت:
      تیر ۱۱, ۱۳۹۹ در ۸:۳۰ ب٫ظ

      سلام و وقت بخیر و تشکر از ارتباط شما با پژوهشیار شما قصد دارید یک ستون یا فیلد به دایمنشن خود اضافه کنید این کار به راحتی با تغییر و آپدیت دیتا سورس ویو شما قابل انجام است فکر می‌کنم سوال خود را به درستی مطرح نکردید. افزودن آدرس و موارد مشابه در دایمنشن کار کاملا اشتباهی است دقت کنید که باید ریزدانگی را به حد معقول در نظر بگیرید بهتر است دوره فاندامنتال هوش تجاری این مجموعه را چه در اوراکل و چه در اس کیو ال دریافت کرده و مطالعه کنید در این دوره ما گرنولاریتی در اس کیو ال را به درستی توضیح دادیم

      پاسخ
  • محسن گفت:
    دی ۳, ۱۴۰۰ در ۷:۳۹ ب٫ظ

    ما در جداول dim چیزی به نام ریزدانگی نداریم. ریزدانگی مربوط به جداول fact است. به طور مثال ریزدانگی برای جداول فروش و جزئیات فروش چیست؟ سفارش یا کالا؟ هر سفارش دارای تعدادی کالا است. پس ریزدانگی، کالاهای به فروش رفته در هر سفارش است.
    مثال دیگر: ریز دانگی در قسمت پذیرش یک درمانگاه چیست؟ تعداد قبض صادر شده یا تعداد سرویس ارائه شده؟!!!!
    هر قبض دارای یک یا تعدادی سرویس است. یعنی چه؟ یعنی هم دندانپزشک مرا معاینه کرده و هم ارتوپد. یعنی در قبض من، 2 سرویس ارائه شده است. پس ریزدانگی، سرویس ارائه شده میباشد.

    پاسخ
  • محسن گفت:
    دی ۳, ۱۴۰۰ در ۷:۴۷ ب٫ظ

    در مورد افزودن مواردی مثل آدرس به جداول dim باید گفته شود که هر چیزی که برای تحلیل ما جالب نیس، نیازی به استفاده از آن در جداول dimنمیباشد.
    مثال:بر اساس فیلد عکس یا توضیحات یا آدرس هر شرکت یا شخص چه تحلیلی می‌توان ارائه کرد؟ هیچ تحلیلی. دقت شود که فیلد آدرس با فیلد شهر یا کشور کاملا متفاوت میباشد.

    پاسخ

دیدگاهتان را بنویسید لغو پاسخ

جستجو
جستجو برای:
نوشته‌های تازه
  • مزایای هوش تجاری در مراقبت های بهداشتی چیست ؟
  • نقش هوش تجاری در سلامت
  • خدمات مشاوره هوش تجاری (BI)
  • تحلیل نیازمندی‌ها در مراحل پیاده‌سازی هوش تجاری (BI)
  • اهمیت هوش تجاری
دسته‌ها
  • DataWareHouse
  • DAX
  • DBMS
  • ETL
  • OBIEE
  • ODI
  • RDBMS
  • SQL
  • آموزش هوش تجاری
  • ابزارهای نمایش داده
  • ابزارهای هوش تجاری
  • امنیت هوش تجاری
  • اوراکل
  • پایگاه داده
  • داده کاوی
  • داشبوردسازی
  • دسته بندی نشده
  • دسته‌بندی نشده
  • دوره هوش تجاری
  • زبان برنامه نویسی
  • سی شارپ
  • شیرپوینت (SharePoint)
  • کسب و کار
  • مفاهیم پایگاه داده
  • مفاهیم هوش تجاری
  • نرم افزار Dundas
  • نرم افزار Power BI
  • نرم افزار Power View
  • نرم افزار Qlickview
  • نرم افزار Rapidminer
  • نرم افزار SQL Server
  • نرم افزار SSDT
  • نرم افزار Tableau
  • نرم افزار های داده کاوی
  • نرم افزار های هوش تجاری
  • نرم افزارهای پایگاه داده
  • هوش تجاری
  • ویدئو
نمادها
logo-enamadlogo-enamad

درباره ما

گروه هوش تجاری ریسرچیار زیر مجموعه فناوری اطلاعات تک یار می باشد که بیش از ده سال است که در زمینه فناوری هوش تجاری و هوشمندی کسب و کار فعالیت می کند. مشتریان قدرتمند وی مانند بانک ملی و بیمه مرکزی ج ا ا قدرت این مجموعه را منعکس می کند. طراحی و تحلیل؛ پیاده سازی سامانه های هوش تجاری مبتنی بر پرتال و امنیت؛ مهمترین مسئولیت این مجموعه می باشد.

تماس با ما
  • نیاوران خیابان پور ابتهاج کوچه 19 پلاک 16
  • شهرری خیابان غیوری شمالی کوچه حسن زاده پلاک 82
  • 09367938018 - سوالات پیش از خرید پکیج آموزشی - مهندس مقیمی
  • 09120939879 - آرش منصوری - سوالات مرتبط با استقرار هوش تجاری سازمانی
  • 021-33750743
  • manager@researchyar.ir
  • 09384966927 - پشتیبانی سایت و مشکلات سایت - الله بخش
نمادها

logo-samandehi

شبکه های اجتماعی
Whatsapp Telegram Instagram Linkedin M-icon-eitaa M-icon-aparat
اشتراک گذاری در شبکه های اجتماعی
ارسال به ایمیل
https://researchyar.ir/?p=376
مرورگر شما از HTML5 پشتیبانی نمی کند.