اپلیکیشن اندرویدی فلش‌کارت آموزشی ایجاد ستون‌ها، معیارهای (Measures) و جداول محاسباتی در Power BI

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ایجاد ستون‌ها، معیارهای (Measures) و جداول محاسباتی در Power BI

موضوع کلی: تحلیل داده و هوش تجاری

موضوع میانی: مدل‌سازی داده در ابزارهای BI

📋 سرفصل‌های دوره

• 1. مبانی تحلیل داده در Power BI
• 2. مقدمه‌ای بر هوش تجاری و Power BI
• 3. آشنایی با محیط Power BI Desktop
• 4. مفاهیم پایه مدل‌سازی داده
• 5. انواع ستون‌های محاسباتی
• 6. ایجاد ستون‌های محاسباتی ساده
• 7. توابع DAX برای ستون‌های محاسباتی
• 8. استفاده از Logic در ستون‌های محاسباتی
• 9. کار با توابع متنی در ستون‌های محاسباتی
• 10. کار با توابع تاریخ و زمان در ستون‌های محاسباتی
• 11. کار با توابع منطقی در ستون‌های محاسباتی
• 12. کار با توابع ریاضی در ستون‌های محاسباتی
• 13. مدل‌سازی روابط بین جداول
• 14. مفاهیم کلیدی در مدل‌سازی داده
• 15. انواع روابط (یک به یک، یک به چند)
• 16. نحوه ایجاد و مدیریت روابط
• 17. اهمیت مدل‌سازی صحیح داده
• 18. مقدمه‌ای بر معیارهای (Measures) DAX
• 19. تفاوت ستون محاسباتی و Measure
• 20. ایجاد Measures ساده
• 21. توابع تجمعی (SUM, AVERAGE, COUNT)
• 22. توابع فیلتر (CALCULATE, FILTER)
• 23. استفاده از CALCULATE برای تغییر فیلتر زمینه
• 24. توابع Time Intelligence برای تحلیل زمان
• 25. محاسبه رشد سال به سال
• 26. محاسبه میانگین متحرک
• 27. مفاهیم Context در DAX (Row Context, Filter Context)
• 28. مدیریت Row Context
• 29. مدیریت Filter Context
• 30. توابع iterator (SUMX, AVERAGEX, COUNTX)
• 31. کاربرد توابع iterator در Measures
• 32. ایجاد Measures پیچیده‌تر
• 33. اندازه‌گیری شاخص‌های کلیدی عملکرد (KPI)
• 34. محاسبه نسبت‌ها و درصدها
• 35. استفاده از Variables در DAX
• 36. بهینه‌سازی Measures برای عملکرد
• 37. آشنایی با جداول محاسباتی (Calculated Tables)
• 38. کاربرد جداول محاسباتی
• 39. ایجاد جداول محاسباتی با DAX
• 40. استفاده از توابع DAX برای ساخت جداول
• 41. مثال‌هایی از جداول محاسباتی کاربردی
• 42. مدل‌سازی داده برای سناریوهای مختلف
• 43. طراحی مدل داده برای فروش
• 44. طراحی مدل داده برای مالی
• 45. طراحی مدل داده برای منابع انسانی
• 46. طراحی مدل داده برای تولید
• 47. تحلیل داده‌های مشتریان
• 48. تحلیل داده‌های زنجیره تامین
• 49. استفاده از Power Query برای آماده‌سازی داده
• 50. پاکسازی و تبدیل داده‌ها
• 51. ادغام و ترکیب جداول
• 52. انواع Transform در Power Query
• 53. مفاهیم M Language در Power Query
• 54. مقدمه‌ای بر مدل‌سازی ستاره‌ای و دانه‌برفی
• 55. ساختار مدل ستاره‌ای
• 56. ساختار مدل دانه‌برفی
• 57. مزایا و معایب هر مدل
• 58. نحوه پیاده‌سازی مدل ستاره‌ای در Power BI
• 59. نحوه پیاده‌سازی مدل دانه‌برفی در Power BI
• 60. مدل‌سازی برای تحلیل‌های پیشرفته
• 61. ایجاد Dim Tables و Fact Tables
• 62. کاربرد Date Table در مدل‌سازی
• 63. محاسبه شاخص‌های مالی با DAX
• 64. محاسبه شاخص‌های بازاریابی با DAX
• 65. تحلیل سبد محصولات
• 66. تحلیل رفتار مشتریان
• 67. مدل‌سازی برای پیش‌بینی
• 68. مقدمه‌ای بر پیش‌بینی در Power BI
• 69. استفاده از توابع DAX برای پیش‌بینی ساده
• 70. محدودیت‌های پیش‌بینی با DAX
• 71. بهینه‌سازی مدل داده برای گزارش‌دهی
• 72. استفاده از ارتباطات فعال (Active Relationships)
• 73. مدیریت ارتباطات پنهان (Hidden Relationships)
• 74. ایجاد سلسله مراتب (Hierarchies)
• 75. کاربرد سلسله مراتب در گزارش‌ها
• 76. نکات پیشرفته در مدل‌سازی داده
• 77. استفاده از Row-Level Security (RLS)
• 78. ملاحظات امنیتی در مدل‌سازی
• 79. بهترین شیوه‌ها در مدل‌سازی داده
• 80. اشتباهات رایج در مدل‌سازی و چگونگی اجتناب از آن‌ها
• 81. تمرینات عملی مدل‌سازی داده
• 82. ساخت یک مدل داده کامل برای یک سناریو
• 83. پیاده‌سازی Measures و ستون‌های محاسباتی
• 84. ایجاد گزارش‌های تعاملی بر اساس مدل
• 85. بررسی مدل داده از نظر عملکرد
• 86. ارائه مدل داده و گزارش‌ها
• 87. جمع‌بندی و گام‌های بعدی در تحلیل داده