دوره Google Cloud Platform: اتوماسیون بازاریابی با GCP همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب Google Cloud Platform: اتوماسیون بازاریابی با GCP

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. موضوع کلی: برنامه نویسی
• 2. موضوع میانی: Google Cloud Platform (GCP)
• 3. عنوان دوره: Google Cloud Platform: اتوماسیون بازاریابی با GCP
• 4. مقدمه به رایانش ابری و GCP
• 5. چرا GCP برای اتوماسیون بازاریابی؟
• 6. ساختار پروژه در GCP و سازماندهی منابع
• 7. مدیریت هویت و دسترسی (IAM)
• 8. مدیریت صورتحساب و بهینه‌سازی هزینه‌ها
• 9. ناوبری در کنسول GCP
• 10. معرفی و استفاده از Google Cloud CLI
• 11. مفاهیم اساسی اتوماسیون بازاریابی
• 12. انواع داده‌های بازاریابی و اهمیت آنها
• 13. برنامه‌ریزی یک پروژه اتوماسیون بازاریابی در GCP
• 14. معرفی Cloud Storage: سطل‌ها و اشیاء
• 15. مدیریت چرخه حیات داده‌ها در Cloud Storage
• 16. امنیت و دسترسی به داده‌ها در Cloud Storage
• 17. استفاده از Cloud Storage برای داده‌های خام بازاریابی
• 18. Cloud Pub/Sub: مقدمه و مفاهیم انتشار-اشتراک
• 19. ساختار موضوعات (Topics) و اشتراک‌ها (Subscriptions) در Pub/Sub
• 20. ورود داده‌های بلادرنگ بازاریابی با Pub/Sub
• 21. Cloud Firestore: پایگاه داده NoSQL برای بازاریابی
• 22. مدل‌سازی داده‌ها در Firestore برای پروفایل مشتری
• 23. بروزرسانی‌های بلادرنگ با Firestore
• 24. BigQuery: انبار داده ابری برای تحلیل بازاریابی
• 25. اصول SQL برای BigQuery
• 26. بارگذاری داده‌ها به BigQuery از منابع مختلف
• 27. اجرای پرس‌وجوهای پیچیده روی داده‌های بازاریابی
• 28. پارتیشن‌بندی و خوشه‌بندی در BigQuery
• 29. Cloud SQL: پایگاه داده رابطه‌ای مدیریت شده
• 30. موارد استفاده Cloud SQL در بازاریابی
• 31. استراتژی‌های یکپارچه‌سازی داده‌های بازاریابی
• 32. مدیریت حاکمیت و کیفیت داده‌های بازاریابی
• 33. بهترین روش‌های امنیتی برای داده‌های بازاریابی
• 34. Cloud Functions: مقدمه و کاربردها
• 35. تریگرهای Cloud Functions (HTTP, Pub/Sub, Storage)
• 36. ساخت یک تابع ساده برای اتوماسیون با Cloud Functions
• 37. اتصال Cloud Functions به APIهای بازاریابی خارجی
• 38. Cloud Run: کانتینرهای سرورلس مدیریت شده
• 39. استقرار میکروسرویس‌های بازاریابی با Cloud Run
• 40. App Engine: مرور کلی پلتفرم مدیریت شده
• 41. Workflows: ارکستراسیون سرویس‌های GCP
• 42. طراحی یک گردش کار چندمرحله‌ای با Workflows
• 43. Cloud Scheduler: زمان‌بندی وظایف خودکار
• 44. خودکارسازی وظایف روزانه/هفتگی با Cloud Scheduler
• 45. API Gateway: مدیریت و امنیت APIهای بازاریابی
• 46. ایجاد APIهای سفارشی برای ابزارهای بازاریابی
• 47. معماری‌های رویدادمحور برای اتوماسیون بازاریابی
• 48. یکپارچه‌سازی Webhook با GCP
• 49. اتوماسیون کمپین‌های ایمیلی (مثال: اتصال به SendGrid)
• 50. اتوماسیون اعلان‌های پیامکی و پوش (مثال: اتصال به Twilio)
• 51. پیاده‌سازی منطق ارسال محتوای شخصی‌سازی شده
• 52. تقسیم‌بندی مشتریان با استفاده از سرویس‌های سرورلس
• 53. خودکارسازی امتیازدهی سرنخ (Lead Scoring)
• 54. خودکارسازی راه‌اندازی کمپین‌های بازاریابی
• 55. زیرساخت خودکارسازی تست A/B
• 56. پیش‌پردازش داده‌ها برای پایپلاین‌های بازاریابی
• 57. مدیریت خطا و مکانیزم‌های بازیابی در اتوماسیون
• 58. مقیاس‌پذیری گردش‌کارهای اتوماسیون
• 59. ساخت سرویس‌های شخصی‌سازی وب‌سایت
• 60. اتوماسیون جمع‌آوری بازخورد مشتری
• 61. اتصال به پلتفرم‌های CRM (مانند Salesforce)
• 62. توسعه APIهای داخلی برای ابزارهای بازاریابی
• 63. مدیریت و نگهداری کدهای اتوماسیون
• 64. مقدمه به تحلیل بازاریابی پیشرفته در GCP
• 65. BigQuery ML: اصول و کاربردها
• 66. BigQuery ML: مثال تقسیم‌بندی مشتری (Customer Segmentation)
• 67. BigQuery ML: پیش‌بینی ریزش مشتری (Churn Prediction)
• 68. BigQuery ML: سیستم‌های توصیه‌گر ساده
• 69. Vertex AI: معرفی و اکوسیستم آن
• 70. Vertex AI AutoML: ساخت مدل‌های ML بدون کد
• 71. Vertex AI Workbench: محیط توسعه مدل
• 72. مهندسی ویژگی (Feature Engineering) برای داده‌های بازاریابی
• 73. استقرار Endpoints پیش‌بینی در Vertex AI
• 74. توصیه‌های محصول شخصی‌سازی شده با هوش مصنوعی
• 75. شخصی‌سازی محتوای پویا
• 76. بهینه‌سازی هزینه‌های تبلیغاتی با ML
• 77. امتیازدهی پیش‌بینانه سرنخ با ML
• 78. پردازش زبان طبیعی (NLP) برای بازخورد مشتری
• 79. تحلیل احساسات (Sentiment Analysis) برای پایش برند
• 80. ساخت یک پایپلاین توصیه محصول کامل
• 81. تست A/B مدل‌های یادگیری ماشین
• 82. هوش مصنوعی قابل توضیح (Explainable AI) در بازاریابی
• 83. Looker Studio (Data Studio سابق): تجسم داده‌ها
• 84. ساخت داشبوردهای بازاریابی تعاملی
• 85. اتصال Looker Studio به BigQuery و دیگر منابع
• 86. پیش‌بینی ارزش طول عمر مشتری (CLV) با ML
• 87. تحلیل و بهینه‌سازی قیف فروش با داده‌ها
• 88. کاربردهای هوش مصنوعی مولد در بازاریابی (مقدمه)
• 89. Cloud Monitoring: معیارها، داشبوردها و هشدارها
• 90. Cloud Logging: درک لاگ‌ها و عیب‌یابی
• 91. تنظیم هشدارها برای شکست‌های اتوماسیون
• 92. اشکال‌زدایی سرویس‌های GCP در محیط اتوماسیون
• 93. Cloud Build: CI/CD برای کد اتوماسیون
• 94. زیرساخت به عنوان کد (IaC) با Terraform (مقدمه)
• 95. استقرار خودکار منابع با Terraform
• 96. استراتژی‌های بهینه‌سازی هزینه در GCP
• 97. بهترین روش‌های امنیتی برای محافظت از داده‌های حساس
• 98. ملاحظات حریم خصوصی و انطباق (GDPR, CCPA)
• 99. برنامه‌ریزی برای بازیابی فاجعه در سیستم‌های اتوماسیون
• 100. موردکاوی: پایپلاین کامل اتوماسیون بازاریابی در GCP