کتاب تبلو مهارت تجسم داده

مقدمهای درباره ی هوش تجاری 7
استخراج، تبدیل، بارگذاری ((ETL 8
خروجی به زبان ساده از هوش تجاری ((BI 12
مقدمه ای در مورد نرم افزار هوش تجاری Tableau 13
منابع و مآخذ 70

مقدمه¬ای درباره ی هوش تجاری
احساس نیاز به سیستم‌های اطلاعات مدیریت که قادر به شناسایی مناسب وابستگی‌های موجود میان داده‌های جدید باشند به دلیل عدم توانایی سیستم‌های اطلاعات مدیریت موجود در ایجاد یکپارچگی میان داده‌های مختلف، پراکنده و ناهمگن.
هوش تجاریBI) )به فناوری‌ها، برنامه‌ها و شیوه‌های جمع‌آوری، ادغام، تجزیه و تحلیل و ارائه اطلاعات تجاری اشاره دارد. BI به سازمان ها کمک می کند تا تصمیمات بهتری بگیرند، کارایی را افزایش دهند، هزینه ها را کاهش دهند و مزیت رقابتی به دست آورند.
هوش تجاری (BI) به مجموعه ای از فعالیت ها اطلاق می شود که از فناوری اطلاعات و ابزارهای ارتباطی برای تجزیه و تحلیل و استخراج دانش از داده ها استفاده می کند. BI شامل تجزیه و تحلیل داده ها، مدیریت دانش، گزارش دهی و برنامه ریزی است.
BI مجموعه ای از ابزارها و تکنیک هایی است که داده های خام را به اطلاعات معنی دار و مفید برای اهداف تجاری تبدیل می کند. این شامل جمع آوری، تجزیه و تحلیل و ارائه داده ها برای پشتیبانی از فرآیندهای تصمیم گیری است. BI سازمان ها را قادر می سازد تا بینشی در مورد عملیات خود به دست آورند، روندها را شناسایی کنند و تصمیمات آگاهانه بگیرند.
مفاهیم پایه: انبار داده
انبار داده یا Data Warehouse به معنای مجموعه‌ای از داده‌ها است که در یک مخزن مرکزی و یکپارچه ذخیره می‌شوند و از طریق ابزارها و تکنیک‌های مختلف قابل دسترسی، مدیریت و تحلیل هستند. انبار داده به عنوان یک سیستم متمرکز و منظم از داده‌ها عمل می‌کند و به سازمان‌ها کمک می‌کند تا از داده‌های خود برای اهداف تصمیم‌گیری، گزارش‌دهی و تحلیل‌های پیچیده استفاده کنند.

ویژگی‌های اصلی انبار داده عبارتند از:
1. یکپارچگی داده‌ها: انبار داده برای جمع‌آوری و ذخیره‌سازی داده‌ها از منابع مختلف، بهبود یکپارچگی داده‌ها را فراهم می‌کند. این به معنای استانداردسازی و یکسان‌سازی داده‌ها بر اساس قوانین و استانداردهای تعریف شده است.
2. قابلیت استخراج، تبدیل و بارگیری (ETL): انبار داده قابلیت استخراج، تبدیل و بارگیری داده‌ها را دارد که به معنای جمع‌آوری داده‌ها از منابع مختلف، تبدیل آنها به فرمت و ساختارهای مورد نیاز و بارگیری آنها به مخزن داده‌ها است.
3. سازماندهی و مدیریت داده‌ها: انبار داده دارای ساختار و سازماندهی مناسبی از داده‌ها است که مدیریت و مشاهده داده‌ها را آسان می‌کند. این شامل طراحی مناسب جداول، روابط و ساختارهای دیگر برای ذخیره‌سازی داده‌ها می‌شود.
استخراج، تبدیل، بارگذاری ((ETL
ETL یا Extract, Transform, Load به مراحل مختلفی از ایجاد یک پایگاه داده اشاره دارد. ابتدا باید داده‌ها استخراج Extract) )شوند، سپس به صورتی که مناسب باشد تغییر یابند Transform) )و در نهایت در پایگاه داده بارگذاری Load) )گردند. این سه مرحله با هم ETL نامیده می‌شوند.
داده کاویData Mining:
داده کاوی یا Data Mining به فرآیندی اطلاق می‌شود که در آن از الگوریتم‌ها، مدل‌ها و تکنیک‌های آماری و یادگیری ماشینی برای کشف الگوها، روابط و اطلاعات مفید در داده‌های بزرگ و پیچیده استفاده می‌شود. در واقع، داده کاوی به معنای استخراج اطلاعات قابل استفاده، جدید و نهان از داده‌ها است. این فرآیند به‌طور معمول برای کشف الگوها و ارتباطات مفهومی و جدید در داده‌ها به منظور یافتن راهکارهای بهینه، تصمیم‌گیری‌های هوشمندانه و پیش‌بینی‌های دقیق مورد استفاده قرار می‌گیرد.
در داده کاوی، ابتدا داده‌ها از منابع مختلف جمع‌آوری و به صورت ساختار یافته یا ساختار نیافته مورد بررسی قرار می‌گیرند. سپس با استفاده از الگوریتم‌ها و تکنیک‌های یادگیری ماشینی، اطلاعات مفید، الگوها، روابط و ویژگی‌های نهان در داده‌ها شناسایی می‌شوند. در نهایت، نتایج حاصل از داده کاوی به صورت گزارشات و تحلیل‌های قابل فهم و قابل استفاده برای تصمیم‌گیری‌ها و برنامه‌ریزی‌های آتی ارائه می‌شوند.
متا دادهMetadata)):
“متاها اطلاعاتی درباره داده‌ها را نمایان می‌سازند. در انبار داده، متاها اطلاعات مربوط به ابعاد ساختار داده‌ها، ابعاد داده‌ها، سلسله مراتب داده‌ها، سیر حرکتی داده‌ها و سایر مشخصه‌ها را در خود جای داده‌اند.”
مکعب داده (Data Cube):
نمایش داده ها در چندین بعد را مکعب داده می گویند.
پردازش تحلیلی بر خطOnline Analytical Processing)):
مخفف (Online Analytical Processing)OLAP یک فناوری است که برای تحلیل و پردازش داده‌های چندبعدی استفاده می‌شود. OLAP به کاربران امکان می‌دهد تا از طریق نمایش‌های چندبعدی، داده‌ها را از چند جنبه مختلف مورد بررسی و تحلیل قرار دهند.
OLAP اصولاً برای تجزیه و تحلیل داده‌ها در مقیاس بزرگ و پیچیده استفاده می‌شود و از طریق استفاده از مدل‌های چندبعدی، کاربران می‌توانند به سرعت و با دقت بالا به تحلیل داده‌ها بپردازند.
OLAP بر اساس مفهوم “پاخت” (Slice)، “تکرار” (Dice) و “پراکندگی” (Pivot) از داده‌ها عمل کرده و به کاربران امکان می‌دهد تا از طریق ترکیب و فیلتر کردن داده‌ها، به تحلیل‌های مختلف دست یابند.