👨‍🎓 نکات پیشرفته Excel برای تجزیه و تحلیل داده

🔵 استفاده از توابع شرطی (IF، SUMIF، COUNTIF)

توابع شرطی امکان فیلتر کردن داده‌ها بر اساس شرط رو ممکن می‌کنن. تابع IF به شما امکان می‌ده یک شرط منطقی رو بررسی کنین و بر اساسش یکی از دو پاسخ متفاوت رو برگردونین. تابع SUMIF و COUNTIF هم به شما امکان می‌دن جمع یا تعداد داده‌هایی که یک شرط خاص رو برآورده می‌کنن رو محاسبه کنین.

🔵 توابع جستجو (VLOOKUP، HLOOKUP، INDEX، MATCH)

توابع جستجو برای پیدا کردن داده‌ها در یک جدول بزرگ استفاده می‌شن. VLOOKUP داده‌ها رو در یک ستون مشخص جستجو می‌کنه و HLOOKUP در یک ردیف. INDEX و MATCH هم به صورت ترکیبی کاربرد دارن تا موقعیت یک داده رو در یک جدول پیدا کنن و مقدار مربوطه ر برگردونن.

🔵 توابع تاریخی و زمانی

توابع تاریخ و زمان در اکسل به شما کمک می‌کنن تا داده‌های مربوط به زمان و تاریخ رو مدیریت کنین. مثلاً، ()TODAY تاریخ امروز رو برمی‌گردونه و NETWORKDAYS تعداد روزهای کاری بین دو تاریخ رو محاسبه می‌کنه.

🔵 تحلیل داده‌های مالی

اکسل ابزارهای بسیار قدرتمندی برای تحلیل داده‌های مالی داره. شما می‌تونین از توابعی مثل XNPV و XIRR برای محاسبه‌ی خالص ارزش فعلی و نرخ بازده داخلی تعدیل شده استفاده کنین.

🔵 استفاده از ابزارهای تحلیل مثل What-If Analysis

ابزار What-If Analysis به شما کمک می‌کنه تا سناریوهای مختلف رو بررسی و تأثیر تغییرات در فرضیات رو ارزیابی کنین. این ابزار شامل Data Tables، Scenario Manager و Goal Seek هست.

🔵 استفاده از PivotTables برای خلاصه‌سازی داده‌ها

ویژگی PivotTables یکی از قدرتمندترین ابزارهای اکسل برای تجزیه و تحلیل داده‌هاست. با استفاده ازش می‌تونین داده‌ها رو خلاصه کرده، گروه‌بندی کنین و از دیدگاه‌های مختلف مشاهده کنین.

🔵 ماکروها و VBA

ماکروها اسکریپت‌هایی هستن که می‌تونن فرآیندهای تکراری رو در اکسل خودکار سازی کنن. با استفاده از ماکروها، میشه زمان زیادی صرفه‌جویی کرد و خطاها رو کاهش داد.

ضبط ماکروها برای اتوماسیون وظایف ساده بسیار مؤثره. VBA یا Visual Basic for Applications، زبان برنامه‌نویسیه که برای نوشتن ماکروها و اسکریپت‌های پیچیده‌تر در اکسل استفاده می‌شه.

🔵 ابزار تحلیل داده Solver

ابزار تحلیل محدودیت‌بندی یک نوع ابزار تحلیلیه که در مدیریت و تحلیل داده‌ها به کار می‌ره تا بهترین راه‌حل‌ها رو برای مسائلی که دارای محدودیت‌های مختلف هستن، پیدا کنه.

این نوع تحلیل به شما کمک می‌کنه تا با در نظر گرفتن محدودیت‌هایی مثل بودجه، زمان، یا منابع دیگه، بهینه‌ترین استفاده ممکن از منابع موجود رو داشته باشین.

در اکسل، ابزار Solver یک مثال برجسته از ابزارهای تحلیل محدودیت‌بندیه. این ابزار به شما امکان می‌ده که یک هدف مشخص (مثل حداکثر کردن سود یا کاهش هزینه‌ها) رو تعیین کنین.

با تعیین محدودیت‌هایی روی متغیرهای مختلف، Solver سعی می‌کنه بهترین راه حل رو برای رسیدن به اون هدف با توجه به محدودیت‌ها پیدا کنه. این ابزار می‌تونه در مواردی مثل برنامه‌ریزی منابع، مدیریت بودجه یا سایر تصمیم‌گیری‌های استراتژیک که نیاز به در نظر گرفتن چندین فاکتور و محدودیت دارن، استفاده شه.

#Data_Analysis
#Data_Visualization_Tools

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

🎞 ساخت یک داشبورد تعاملی از صفر تا ۱۰۰ در اکسل

اکسل یکی از ابتدایی ترین و کاربردی ترین ابزارهای تحلیل داده‌ست که به صورت گسترده در اکثر کمپانی‌های کوچیک و متوسط استفاده میشه.

این ویدئو یوتیوب قسمتی از جلسه اول دوره آنلاین هوش تجاری و تحلیل داده با Tableau و Power BI هست و داخلش خیلی ساده، گام‌های لازم برای طراحی و ساخت یک داشبورد تعاملی آموزش داده شدن.

👉📎 https://youtu.be/JcgCBoSMYlE

#YouTube
#Data_Analysis
#Data_Visualization_Tools

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

👨‍🎓 آشنایی با Google Sheet در تحلیل داده‌

گوگل شیت امکان ایجاد، مدیریت و تحلیل داده‌ها رو به صورت آنلاین فراهم می‌کنه. این ابزار منعطف، به کاربران اجازه می‌ده تا با استفاده از صفحات گسترده (spreadsheet)، داده‌های رو سازمان‌دهی کرده و تحلیل‌ کنن.

از اونجایی که Google Sheets آنلاینه، به راحتی می‌تونین به اسناد از هر دستگاهی دسترسی داشته باشین و با دیگران به صورت همزمان روی یک سند کار کنین. همچنین فرمول‌ها و توابعی، اکسل اینجا هم در دسترسن.

🔵 بصری‌سازی داده‌ها

در گوگل شیت هم امکان مصورسازی داده‌ها و ایجاد انواع مختلف نمودارها (Charts) مثل نمودارهای خطی، میله‌ای، دایره‌ای و پراکنده فراهمه. این نمودارها کمک می‌کنن تا الگوها و روندهای موجود در داده‌ها بهتر درک شن و تحلیل‌های دقیق‌تری انجام شه.

🔵 افزونه‌ها و سفارشی‌سازی

گوگل شیت از افزونه‌های مختلفی (Add-ons) پشتیبانی می‌کنه که می‌تونن قابلیت‌های اضافی رو به این ابزار اضافه کنن. این افزونه‌ها شامل ابزارهای پیشرفته تحلیل داده، ابزارهای بصری‌سازی و حتی اتصال به منابع داده خارجی هستن. با استفاده از افزونه‌ها، می‌توانید Google Sheets رو بر اساس نیازهای خاص سفارشی‌سازی کنین و بهره‌وری رو افزایش بدین.

🔵 مدیریت و تمیز کردن داده‌ها

برای تحلیل داده‌ها، اول باید داده‌ها رو تمیز و مرتب کرد. مثلا حذف داده‌های تکراری و فاصله‌ها با استفاده از توابعی مثل CLEAN و TRIM فراهمه. همچنین میشه با استفاده از افزونه‌های مختلف، داده‌ها رو از منابع خارجی وارد و به طور موثر مدیریت کرد.

🔵 استفاده از توابع و فرمول‌های پیشرفته

گوگل شیت شامل توابعیه که به شما امکان تحلیل‌های پیچیده‌تر رو می‌ده. توابعی مثل SUMIF و SUMIFS برای جمع کردن داده‌ها بر اساس شرایط خاص، VLOOKUP برای جستجو و تطبیق داده‌ها و QUERY برای انجام کوئری‌های پیشرفته روی داده‌ها بسیار مفیده.

🔵 تحلیل‌های آماری

گوگل شیت دارای افزونه‌های بسیاری برای انجام تحلیل‌های آماری پیشرفته‌ است. افزونه Statistical Analysis Tools شامل ابزارهایی برای انجام تحلیل‌هایی مثل همبستگی، نمونه‌برداری، هموارسازی نمایی، میانگین متحرک و تحلیل‌های واریانسه.

🔵 خودکارسازی وظایف

گوگل شیت با استفاده از Google Apps Script به کاربران امکان می‌ده وظایف تکراری رو خودکار کنن. با استفاده از این زبان اسکریپت‌نویسی مبتنی بر جاوااسکریپت، میشه توابع سفارشی ایجاد کرد، افزونه‌ ساخت و پردازش داده‌ها رو خودکار و در مصرف زمان صرفه جویی کرد.

🔵 ایجاد داشبوردهای تعاملی

یکی از کاربردهای جذاب Google Sheets، امکان ایجاد داشبوردهای تعاملی برای نمایش داده‌ها و گزارش‌هاست. با استفاده از افزونه‌هایی مانند Awesome Table، میشه داده‌ها رو به قالب‌های وب پویا و تعاملی تبدیل و به راحتی با دیگران به اشتراک گذاشت.

#Data_Analysis
#Data_Visualization_Tools

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

💡تابع GOOGLETRANSLATE در Google Sheets

تابع GOOGLETRANSLATE امکان ترجمه از یک زبان به زبان دیگه رو فراهم می‌کنه.

=GOOGLETRANSLATE(text, [source_language], [target_language])

🔵 text: متنی که می‌خواین ترجمه شه (می‌تونه مستقیماً در فرمول وارد شه یا به یک سلول اشاره کنه).
🔵 source_language: کد زبانی که متن مبدأ نوشته شده
🔵 target_language: کد زبانی که متن باید بهش ترجمه شه

🔵 کد زبان‌ها: کد زبان‌ها باید به صورت دو حرفی و مطابق با استاندارد ISO 639-1 وارد شن. مثلا "en" برای انگلیسی، "fa" برای فارسی، "es" برای اسپانیایی و "fr" برای فرانسوی.

🔵 پشتیبانی از زبان‌ها: تابع GOOGLETRANSLATE از بسیاری از زبان‌های دنیا پشتیبانی می‌کنه، اما ممکنه بعضی زبان‌ها به طور کامل پشتیبانی نشن.

🔵 دقت ترجمه: دقت ترجمه بستگی به پیچیدگی متن و جفت زبانی داره که استفاده می‌شه. برای متن‌های پیچیده، ممکنه ترجمه‌ها نیاز به ویرایش دستی داشته باشن.

#Data_Analysis
#Data_Visualization_Tools

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

👨‍🎓 طراحی داشبورد تعاملی در Google Sheets

🔵 برنامه‌ریزی و طراحی داشبورد

قبل از شروع به ساخت داشبورد، باید اهداف و نیازهای پروژه رو مشخص کنین.

🔵 جمع‌آوری و آماده‌سازی داده‌ها

بعد از وارد کردن داده‌ها از منابع مختلف مثل فایل‌های CSV، Excel یا دیتابیس‌ها، باید اونها رو تمیز و مرتب کرد. این کار شامل حذف داده‌های تکراری، تصحیح اشتباهات و فرمت‌بندی مناسب داده‌هاست.

🔵 استفاده از افزونه‌ها (Add-ons)

افزونه‌ها ابزارهای جانبی هستن که قابلیت‌های Google Sheets رو افزایش می‌دن. مثلا Awesome Table برای تبدیل داده‌ها به جداول و نمودارهای تعاملی، ChartExpo برای ایجاد نمودارها و گراف‌های پیچیده و Power Tools برای انجام وظایف تکراری و پیچیده.

🔵 طراحی داشبورد

طراحی داشبورد به معنی سازمان‌دهی و چیدمان نمودارها، جداول و سایر عناصر بصریه. برای طراحی یک داشبورد موثر:

🔵از رنگ‌ها و قالب‌های مناسب استفاده کنین تا داشبورد خوانا و جذاب باشه.
🔵نمودارها و جداول رو به شکلی قرار بدین که به راحتی قابل دسترس و فهم باشن.
🔵از عناوین و توضیحات مناسب برای هر بخش استفاده کنین تا کاربران بدونن هر قسمت به چه چیزی اشاره داره.

🔵 یکپارچه‌سازی داده‌ها از منابع مختلف

برای ایجاد داشبوردهای جامع و کامل، ممکنه نیاز به یکپارچه کردن داده‌ها از منابع مختلف باشه. با استفاده از توابعی مثل IMPORTRANGE و IMPORTDATA، میشه داده‌ها رو از شیت‌های دیگه یا منابع خارجی وارد و تحلیل کرد.

🔵 استفاده از Google Data Studio

اگه نیاز به ابزارهای پیشرفته‌تر برای بصری‌سازی داده‌ها و ایجاد داشبوردهای تعاملی باشه، میشه از Google Data Studio استفاده کرد چون به سادگی با Google Sheets یکپارچه میشه.

🔵 ایجاد گزارش‌های پویا با Google Sheets

با استفاده از توابعی مثل QUERY و IMPORTRANGE میشه داده‌ها رو بر اساس معیارهای خاصی فیلتر و داشبوردهایی ایجاد کرد که همیشه با آخرین داده‌ها به‌روز باشن.

🔵 تصویر: داشبورد طراحی شده با گوگل شیت در دوره آنلاین هوش تجاری و تحلیل داده با Tableau و Power BI

#Data_Analysis
#Data_Visualization_Tools

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

💡ارسال خودکار ایمیل با داده‌های Google Sheets

گوگل Apps Script یک زبان برنامه‌نویسی مبتنی بر جاوااسکریپته که به شما امکان می‌ده تا تعامل با Google Sheets و سایر سرویس‌های گوگل رو خودکار کنین.

فرض کنین یک شیت شامل لیستی از افراد و آدرس‌های ایمیل دارین و می‌خواهید به طور خودکار یک ایمیل به هر یک از این افراد ارسال کنین.

۱. ایجاد یک Google Sheet: یک شیت جدید ایجاد و ستون‌های Name،Email و Message رو اضافه کنین.

۲. نوشتن اسکریپت: از منوی Extensions گزینه Apps Script رو انتخاب و کد زیر رو در ویرایشگر اسکریپت وارد کنین:

    function sendEmails() {
      var sheet = SpreadsheetApp.getActiveSpreadsheet().getActiveSheet();
      var data = sheet.getDataRange().getValues();
      
      for (var i = 1; i < data.length; i++) { // Skip header row
        var name = data[i][0];
        var emailAddress = data[i][1];
        var message = data[i][2];
        
        var subject = 'Hello ' + name;
        var body = message;
        
        MailApp.sendEmail(emailAddress, subject, body);
      }
    }

۳. اجرای اسکریپت: از منوی Run گزینه sendEmails رو انتخاب کنین تا اسکریپت اجرا شه و به طور خودکار به هر یک از افراد در لیست ایمیل ارسال می‌کنه.

#Data_Analysis
#Data_Visualization_Tools

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

💡متاداده (Metadata)، بیگ کوئری (BigQuery) و ترافور (Teradata) و ارتباط‌شون با Looker

🔵 متاداده (Metadata) به اطلاعاتی برای توصیف و تشریح داده‌های دیگه گفته میشه. این اطلاعات شامل توضیحات، ساختار و مشخصات داده‌هاست و به کاربران کمک می‌کنه تا داده‌ها رو بهتر درک کنن. در زمینه تجزیه و تحلیل داده‌ها، متاداده نقش بسیار مهمی در سازمان‌دهی و مدیریت داده‌ها داره.

🔵ارتباط متاداده با Looker: متاداده در Looker امکان تعریف ساختار داده‌ها، مستندسازی و تحلیل‌ داده رو میده. با استفاده از متاداده، میشه داده‌ها رو به صورت دقیق‌تر و بهتر مستندسازی کرد.

🔵 گوگل BigQuery یک سرویس تجزیه و تحلیل داده‌های بزرگ در بستر ابره که توسط Google Cloud ارائه شده. این سرویس به کاربران امکان می‌ده تا با حجم‌های بسیار بزرگ داده‌ها به سرعت و به صورت تعاملی کار کنن. BigQuery از تکنولوژی MPP (Massively Parallel Processing) برای پردازش سریع داده‌ها استفاده و امکان اجرای کوئری‌های پیچیده‌ رو فراهم می‌کنه.

🔵ارتباط BigQuery با Looker: ابزار Looker به طور کامل با BigQuery یکپارچه شده. در نتیجه کاربران می‌تونن از توانمندی‌های پردازشی BigQuery مثل MPP برای اجرای کوئری‌های پیچیده روی داده‌های بزرگ استفاده کنن و نتایج رو به صورت بصری در Looker به تصویر بکشن.

🔵 ترافور (Teradata) یک سیستم مدیریت پایگاه داده موازیه (MPP) که به طور خاص برای تجزیه و تحلیل داده‌های بزرگ طراحی شده.

🔵ابزار Looker می‌تونه به Teradata متصل شه و از داده‌های ذخیره شده در این سیستم برای تحلیل‌ استفاده کنه. در نتیجه میشه از توانمندی‌های پردازشی Teradata بهره‌برداری و داده‌های بزرگ رو تحلیل کرد.

🔵 مقایسه Teradata و BigQuery: هر دو، سیستم‌های مدیریت پایگاه داده‌های بزرگ با هدف افزایش کارایی و سرعت پردازش داده‌ها هستن و از تکنولوژی پردازش موازی استفاده می‌کنن. همچنین مقیاس‌پذیری بالایی دارن و می‌توانن با افزایش حجم داده‌ها و تعداد کاربران سازگار شن.

#Data_Analysis
#Data_Visualization_Tools

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

👨‍🎓 آشنایی با Google Analytics

گوگل Analytics یک ابزار تحلیل وب‌سایته که توسط گوگل ارائه شده و به شما امکان می‌ده تا رفتار کاربران رو در وب‌سایت‌تون پیگیری و تحلیل کنین. این ابزار اطلاعات زیادی در مورد ترافیک وب‌سایت، منابع ترافیک، رفتار کاربران و تبدیل‌ها (conversions) ارائه می‌ده.

🔵 مزایای استفاده از Google Analytics

🔵رایگان: یکی از مهم‌ترین مزایای Google Analytics اینکه استفاده ازش رایگانه.
🔵جامع: این ابزار اطلاعات جامع و کاملی ارائه می‌ده.
🔵گزارش‌دهی قوی: با استفاده از گزارش‌های متنوع و دقیق Google Analytics می‌تونین عملکرد وب‌سایت رو به طور کامل تحلیل کنین.
🔵انتقال داده‌ها به ابزارهای دیگه: امکان انتقال داده‌ها به سایر ابزارهای گوگل و نرم‌افزارهای تحلیل داده وجود داره. مثلا می‌تونین داده‌های Google Analytics رو با Google Ads ترکیب کنین تا به تحلیل دقیق‌تری از عملکرد کمپین‌های تبلیغاتی‌تون بپردازین.

🔵 اصطلاحات مهم در Google Analytics

🔵کاربر (User): شخصی که از وب‌سایت شما بازدید می‌کنه.
🔵نشست (Session): مجموعه‌ای از تعاملات کاربران با وب‌سایت شما که در یک بازه زمانی مشخص انجام می‌شه.
🔵نرخ پرش (Bounce Rate): درصد کاربرانی که بعد از مشاهده یک صفحه، بدون انجام هیچ تعاملی سایت رو ترک می‌کنن.
🔵صفحات در هر نشست (Pages per Session): تعداد صفحاتی که به طور متوسط توسط هر کاربر در هر نشست بازدید می‌شه.
🔵نرخ تبدیل (Conversion Rate): درصد کاربرانی که یک هدف خاص (مثلاً خرید محصول) رو انجام می‌دن.

🔵 گزارش‌های مهم در Google Analytics

🔵گزارش مخاطبان (Audience Reports): اطلاعاتی درباره کاربران وب‌سایت، مثل موقعیت جغرافیایی، زبان، دستگاه‌های مورد استفاده و غیره.
🔵گزارش اکتساب (Acquisition Reports): اطلاعاتی درباره منابع ترافیک، مثل موتورهای جستجو، شبکه‌های اجتماعی، تبلیغات و غیره.
🔵گزارش رفتار (Behavior Reports): اطلاعاتی درباره رفتار کاربران در وب‌سایت، مثل صفحات بازدید شده، زمان صرف شده در هر صفحه و غیره.
🔵گزارش تبدیل‌ها (Conversions Reports): اطلاعاتی درباره اهداف تعیین شده و نرخ تبدیل‌ها.

#Data_Analysis
#Data_Visualization_Tools

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

💡استفاده از گزارش Cohort Analysis

گزارش Cohort Analysis در Google Analytics به شما امکان می‌ده تا گروه‌های خاصی از کاربران رو بر اساس ویژگی‌های مشترک یا رفتارهای مشابه تحلیل کنین.

برای مثال، میشه کاربرانی که در یک روز خاص ثبت‌نام کردن یا یک اقدام خاصی انجام دادن (مثل خرید اولین محصول) رو بررسی و رفتارهای بعدی‌شون رو در طول زمان پیگیری کرد. این تحلیل به شما کمک می‌کنه تا بفهمین کاربران جدید چقدر با سایت شما تعامل دارن و چطور رفتارشون با گذشت زمان تغییر می‌کنه.

استفاده از Cohort Analysis به شما در بهبود نگهداشت کاربران، افزایش نرخ تبدیل و بهینه‌سازی تجربه کاربری کمک می‌کنه.

#Data_Analysis
#Data_Visualization_Tools

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

👩‍🎓 برنامه آموزشی هفته: ابزارهای مصورسازی داده - پارت ۲

🟠شنبه: نکات و ترفندهای Tableau پارت اول

🔵یک‌شنبه: نکات و ترفندهای Tableau پارت دوم

🟢دوشنبه: نکات و ترفندهای Tableau پارت سوم

🔴سه‌شنبه: نکات و ترفندهای Power BI پارت اول

🟠چهارشنبه: نکات و ترفندهای Power BI پارت دوم

🔵پنج‌شنبه: نکات و ترفندهای Power BI پارت سوم

🟢جمعه: جمع بندی

#Data_Analysis
#Data_Visualization_Tools

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

👨‍🎓 قسمت اول: مفاهیم پایه‌ای تبلو

تبلو یکی از قدرتمندترین ابزارهای تجزیه و تحلیل داده و ایجاد مصورسازی‌های تعاملیه. این نرم‌افزار به شما امکان می‌ده که به راحتی داده‌ها رو مشاهده، تحلیل و ارائه کنین.

🔵 نوار ابزارها و منوها

در قسمت بالای صفحه، نوار ابزارها قرار دارن که شامل ابزارهای مختلفی برای مدیریت پروژه‌ها و داده‌هاست. این ابزارها شامل گزینه‌هایی برای باز کردن فایل، ذخیره‌سازی، برش، کپی و الصاقه. منوها هم شامل گزینه‌هایی برای مدیریت داده‌ها، ایجاد بصری‌سازی‌ها و سفارشی‌سازی نمودارها هستن.

🔵 پنل داده‌ها و شیت‌ها

پنل داده‌ها در سمت چپ صفحه قرار دارن و به شما امکان می‌دن تا منابع داده‌ی رو مدیریت کنین. در این پنل، میشه داده‌های جدید اضافه کرد، داده‌های موجود رو مشاهده و مدیریت کرد و فیلتر اعمال کرد. در پایین صفحه، بخش شیت‌ها قرار دارن که امکان ایجاد و مدیریت شیت‌های مختلف رو فراهم می‌کنن.

🔵 اتصال به منابع مختلف داده

تبلو امکان اتصال به انواع مختلفی از منابع داده از جمله فایل‌های Excel، CSV، پایگاه‌های داده SQL و منابع داده‌ی ابری رو فراهم می‌کنه. برای اتصال به یک منبع داده، از منوی Data در نوار ابزارها استفاده کرده و پس از اتصال به منبع داده، داده‌ها به صورت خودکار به پنل داده‌ها اضافه می‌شن.

🔵 با انواع داده‌ها و ساختارهای آن‌ها

در تبلو، داده‌ها به دو نوع اصلی تقسیم می‌شن: داده‌های عددی (مثل فروش و درآمد) و داده‌های گسسته (مثل نام محصولات و مناطق جغرافیایی). برای ایجاد مصورسازی‌های دقیق و مفید، باید با انواع مختلف داده‌ها و ساختارشون آشنا شین. این آشنایی به شما کمک می‌کنه تا بتونین داده‌ها رو به درستی تجزیه و تحلیل کرده و نتایج دقیقی به دست بیارین.

🔵 فیلترها و اسلایدرها

یکی از قابلیت‌های مهم تبلو، امکان اضافه کردن فیلترها و اسلایدرهاست. این ابزارها به شما کمک می‌کنن تا داده‌ها رو بر اساس معیارهای مختلف فیلتر کرده، نمایش‌های متفاوتی از داده‌ها رو مشاهده و تحلیل‌های تعاملی و پویا ایجاد کنین.

#Data_Analysis
#Data_Visualization_Tools

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

🟥 پیاده سازی یک داشبورد فروش با کمک Tableau

با استفاده از Tableau می‌تونین داده‌ها رو آنالیز، مورد بررسی و تحلیل گرافیکی قرار بدین و با ساخت یک داشبورد، تصمیم‌گیری بهتری داشته باشین. در این ویدئو، با انجام یک پروژه کاربردی مفاهیم مبتدی‌ تا پیشرفته Tableau بررسی شدن:

👉📎 https://youtu.be/pUE6OTDnY-k

👈📎 مشاهده پلی‌لیست داده در یوتیوب

#Data_Analysis
#Data_Visualization_Tools

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

👨‍🎓 بخش دوم مفاهیم تبلو

🔵 ترکیب چندین ویژوال در یک داشبورد

ترکیب چندین ویژوال در یک داشبورد باعث می‌شه تا تحلیل داده‌ها به شکل جامع‌تری انجام شن. برای این کار، می‌شه از ابزارهای مختلف تبلو مثل Container استفاده کرد تا چند نمودار و جدول رو در یک صفحه قرار داد. همچنین، می‌شه از Action Filters استفاده کرد تا تغییرات در یک ویژوال، بقیه ویژوال‌ها رو هم تحت تاثیر قرار بده.

🔵 ساخت استوری برای ارائه داده‌ها

استوری‌ها در تبلو این امکان رو می‌دن تا یک داستان مصور از داده‌ها بسازین. برای ساخت استوری، باید چند داشبورد و شیت (Sheet) رو به ترتیب منطقی قرار داد و هر صفحه از استوری رو به نحوی طراحی کرد که مفهوم خاصی رو منتقل کنه. این ابزار به شما کمک می‌کنه تا تحلیل‌ها رو به صورت جذاب و قابل فهم ارائه بدین.

🔵 استفاده از محاسبات و فرمول‌ها در تبلو

در تبلو، می‌شه از محاسبات و فرمول‌های پیچیده برای تحلیل داده‌ها استفاده کرد. این محاسبات شامل محاسبات جدولی (Table Calculations)، محاسبات سطح دیتابیس (Level of Detail Expressions) و سایر فرمول‌های محاسباتی میشن.

🔵 تحلیل‌های تجزیه و تحلیل‌های آماری

تبلو امکانات گسترده‌ای برای انجام تحلیل‌های آماری و تجزیه و تحلیل‌های پیشرفته داره. ابزارهایی مثل Trend Lines ، Forecasting و Clustering الگوها و روندهای موجود در داده‌ها رو شناسایی می‌کنن.

🔵 اضافه کردن داده‌های مکانی و جغرافیایی

برای انجام تحلیل‌های مکانی، باید داده‌های مکانی و جغرافیایی رو به نقشه‌ها اضافه کرد. تبلو از انواع مختلف داده‌های مکانی پشتیبانی می‌کنه و می‌تونه از منابع مختلفی مثل فایل‌های Shape و سرویس‌های آنلاین استفاده کنه.

🔵 تحلیل‌های مکانی پیشرفته

تحلیل‌های مکانی پیشرفته شامل تحلیل‌های پیچیده‌تری مثل تحلیل‌های نزدیک‌ترین همسایه (Nearest Neighbor Analysis)، تحلیل‌های خوشه‌بندی مکانی (Spatial Clustering) و تحلیل‌های متراکم‌سازی (Density Analysis) هستن. این تحلیل‌ها به شما کمک می‌کنن تا با شناسایی الگوهای مکانی، تصمیمات بهتری بگیرین.

🔵 فیلترهای دینامیک و تعاملی

فیلترهای دینامیک و تعاملی این امکان رو می‌دن تا داده‌ها رو بر اساس نیازهای خاص فیلتر شن. می‌شه فیلترهای مختلفی ایجاد و از اونها برای نمایش داده‌های خاص استفاده کرد. فیلترهای تعاملی به کاربران امکان می‌دن تا به صورت مستقیم با داشبوردها تعامل داشته باشن و داده‌های مورد نیاز خود رو فیلتر کنن.

🔵 آشنایی با اکشن‌ها و تعاملات در تبلو

اکشن‌ها برای ایجاد تعاملات پیچیده در داشبورد استفاده می‌شن. می‌شه از اکشن‌ها برای ایجاد تعاملات مختلف مثل هایلایت کردن، فیلتر کردن و تغییر پارامترها استفاده کرد. این ابزارها به شما کمک می‌کنن تا داشبوردهای تعاملی و پویا ایجاد کنین.

#Data_Analysis
#Data_Visualization_Tools

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

👨‍🎓 بخش سوم مفاهیم تبلو

🔵 استفاده از LOD Expressions

از قابلیت‌های پیشرفته تبلو LOD (Level of Detail) Expressions هست که امکان انجام محاسبات در سطوح مختلف جزئیات رو فراهم می‌کنه. با استفاده از این قابلیت، میشه میانگین‌ها، مجموع‌ها و دیگر محاسبات را در سطوح مختلف داده‌ها اعمال کنید، بدون اینکه بر سایر بخش‌های تحلیل تأثیر بگذارد.

🔵 محاسبات جدولی (Table Calculations)

قابلیت Table Calculations محاسباتی هستن که در سطح جدول داده‌ها انجام می‌شن و معمولاً برای ایجاد معیارهای سفارشی، مثل درصد تغییرات یا مجموع تجمعی، استفاده می‌شن.

🔵 ایجاد Calculated Fields

با استفاده از فیلدهای محاسباتی میشه فرمول‌های متنوعی شامل توابع ریاضی، منطقی، تاریخی و رشته‌ای رو به کار گرفت تا فیلدهای جدیدی بر اساس داده‌های موجود ایجاد کرد. این قابلیت به شما امکان می‌ده تا تحلیل‌های دقیق‌تر و جامع‌تری انجام و داشبوردها رو بهبود بخشید.

🔵 استفاده از پارامترها

پارامترها متغیرهایی هستن که می‌تونن توسط کاربر برای تغییر دینامیک تحلیل‌ها و داشبوردها استفاده شن. با استفاده از پارامترها می‌توانید مقادیر رو به صورت تعاملی تغییر داده و نتایج تحلیل رو مشاهده کرد.

🔵 بهینه‌سازی Query‌ها

یکی از چالش‌های بزرگ در تحلیل داده‌ها، زمان اجرای Query‌هاست. در Tableau میشه با استفاده از تکنیک‌هایی مثل Indexing، Aggregation و Data Extracts، عملکرد Query‌ها رو بهینه‌سازی کرد.

🔵 استفاده از Extracts

ویژگی Extractها نسخه‌های فشرده‌ای از داده‌ها هستن که به صورت محلی در Tableau ذخیره می‌شن و می‌تونن سرعت بارگذاری و اجرای Query‌ها رو به طور قابل توجهی افزایش بدن.

🔵 استفاده از Blend

روش Data Blending یکی دیگه از روش‌های ادغام داده‌هاست که به شما امکان می‌ده داده‌هایی که ساختار مشابهی ندارن رو به هم متصل کنین و تحلیل‌های ترکیبی انجام بدین.

#Data_Analysis
#Data_Visualization_Tools

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

💡 ۷ نکته برای طراحی داشبورد

🔵الهام‌گیری: از ایده‌های دیگران برای بهبود طراحی داشبوردهاتون استفاده کنین.

🔵پرهیز از شلوغی: تنها عناصر ضروری رو در داشبورد قرار بدین تا کاربران بتونن اطلاعات مهم رو به وضوح ببینن.

🔵استفاده از چیدمان شبکه‌ای یا grid: از یک چیدمان شبکه‌ای برای قرار دادن عناصر مختلف روی داشبورد استفاده کنین تا کاربران بتونن اطلاعات رو به ترتیب منطقی مشاهده کنن.

🔵استفاده صحیح از فونت‌ها: یک سلسله مراتب واضح برای فونت‌ها تعیین کنین تا کاربران بتونن به راحتی اطلاعات مهم رو تشخیص بدن.

🔵ساده‌سازی استفاده از رنگ: از رنگ‌های زیاد استفاده نکنین و هر رنگ باید دلیل مشخصی داشته باشه.

🔵استفاده از عدد بزرگ (BAN): اطلاعات کلیدی رو به صورت اعداد بزرگ و واضح نشون بدین.

🔵همکاری و تکرار: داشبوردها رو با همکاری دیگران و بازبینی‌های متعدد بهبود بدین.

#Data_Analysis
#Data_Visualization_Tools

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

👨‍🎓 آشنایی با نرم افزار Power BI

نرم افزار Power BI به سازمان‌ها این امکان رو می‌ده که داده‌های خام رو از سیستم‌های مبتنی بر ابر (SaaS) مختلف دریافت کرده و با استفاده از یک رابط کاربری قدرتمند، تعاملی و آسان، به داده‌های قابل استفاده تبدیل کنن. علاوه بر این، این پلتفرم اطلاعات مهم رو جدا کرده و بینش‌های ارزشمندی از متریک‌های مورد نیاز کاربران ارائه می‌ده.

🔵 ویژگی‌های Power BI

🔵اتصال مستقیم به اکسل و امکان ادغام با بقیه محصولات مایکروسافت
🔵توانایی فشرده‌سازی داده‌ها و استخراج بینش از مجموعه داده‌های بزرگ ( تا 100 میلیون سطر در مقابل کمی بیش از 1 میلیون سطر در اکسل)
🔵قابلیت شخصی‌سازی با استفاده از R و Python
🔵امکان ساخت نقشه‌های تعاملی توسط کاربران
🔵استفاده از Power Query برای وارد کردن، فیلتر کردن و ترجمه داده‌ها
🔵دسترسی به اپلیکیشن موبایل در تمام نسخه‌ها

🔵 نقاط قوت Power BI

🔵مجموعه‌ای از بصری‌سازی‌ها: بصری‌سازی‌های Power BI تعاملی، شهودی و زیبا هستن و حتی کاربران تازه‌کار هم می‌تونن ظاهر گزارش‌ها رو تغییر بدن، فیلتر اعمال و با برنامه تعامل کنن. همچنین مدیران می‌تونن بصری‌سازی‌های سفارشی رو از مایکروسافت خریداری و دانلود کنن.

🔵همکاری قدرتمند: امکان همکاری همزمان چند نفر از طریق Power BI Service فراهمه.

🔵اتصال: به منابع داده متعددی مثل اکسل، پایگاه‌های داده SQL Server، گوگل آنالیتیکس، تحلیل‌های شبکه‌های اجتماعی، منابع Azure و منابع ابری متصل می‌شه. همچنین می‌تونه به منابع بزرگ داده دسترسی داشته باشه.

🔵ادغام یکپارچه با داده‌های محلی: با استفاده از Personal Gateway، کاربران می‌تونن گزارش‌ها و داشبوردها رو با آخرین داده‌های منابع محلی بدون نیاز به انتقال داده‌ها به ابر به‌روز نگه دارن.

🔵به‌روزرسانی‌های هوشمند و خودکار: به‌طور خودکار و بر اساس تجربیات واقعی کاربران به‌روزرسانی می‌شه.

🔵ادغام در برنامه‌ها و وب‌سایت‌ها: Power BI Embedded به توسعه‌دهندگان امکان می‌ده گزارش‌های Power BI رو در برنامه‌ها و وب‌سایت‌ها اضافه کنن.

🔵ایده‌آل برای گزارش‌دهی: به دلیل قدرت در بصری‌سازی و ادغام داده‌ها، برای شاخص‌های کلیدی عملکرد و داشبوردها ایده‌آله.

🔵مقرون‌به‌صرفه: به‌طور کلی برای کسب‌وکارهای کوچک تا متوسط ارزان‌تر از تبلو هست.

🔵قابلیت‌های قوی هوش تجاری و انبار داده: در آماده‌سازی داده‌ها و قابلیت‌های هوش تجاری برتری داره.

🔵 نقاط ضعف Power BI

🔵عدم پشتیبانی از جداول پیچیده: Power BI در مدیریت ارتباطات متعدد بین جداول مشکل داره. کاربران باید اطمینان حاصل کنن که مدل‌های داده دارای فیلدهای منحصر به فرد هستن تا از اشتباهات جلوگیری شه.

🔵رابط کاربری شلوغ: رابط کاربری Power BI پر از آیکون‌ و گزینه‌ است که گاهی اوقات دید داشبوردها و گزارش‌ها رو مسدود می‌کنه.

🔵چالش در یادگیری DAX: زبان DAX در Power BI می‌تونه چالش‌برانگیز باشه، به ویژه ترکیب بیش از دو عنصر که نیازمند تو در تو کردن عباراته.

🔵منبع بسته: مثل همه محصولات مایکروسافت، منبع بسته است.

🔵محدود به ویندوز: این ابزار به‌صورت بومی از macOS پشتیبانی نمی‌کنه، که می‌تونه برای کاربران مک محدودیت ایجاد کنه.

🔵انعطاف‌پذیری کمتر در تحلیل پیشرفته: در انجام وظایف تحلیلی پیچیده به اندازه تبلو قوی نیست.

#Data_Analysis
#Data_Visualization_Tools

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

🔠 توضیحات دوره هوش تجاری و تحلیل داده با Tableau و Power BI

رضا شکرزاد توی این ویدئو به طور کامل سرفصل‌ها و محتوای دوره هوش تجاری و تحلیل داده رو توضیح داده، که برای کسانی که به تازگی می‌خوان این دوره رو شروع کنن یه راهنمای مفیده.

همچنین شما با سرچ #BI توی کانال، می‌تونین گزارش روند پیشرفت کلاس رو مطالعه کنین.

🟢ثبت‌نام دوره:
👉📎 http://ctdrs.ir/cr14230

#Data_Analysis
#Data_Visualization_Tools

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

👨‍🎓 آشنایی با DAX و M: دو زبان مهم در Power BI برای تحلیل و تبدیل داده‌ها

در Power BI، در مرحله اول از Power Query برای وارد کردن داده‌ها از منابع مختلف و انجام تغییرات لازم استفاده می‌شه. بعد از آماده‌سازی داده‌ها، میشه اونها رو در Power BI مدل‌سازی و روابط بین جداول مختلف رو تعریف کرد. در نهایت، داده‌های مدل‌سازی شده در Power BI، برای ایجاد گزارش‌ها و داشبوردهای تعاملی استفاده می‌شه.

به طور خلاصه، Power Query ابزار اصلی برای آماده‌سازی و تمیز کردن داده‌هاست، در حالی که Power BI از این داده‌های آماده شده برای مدل‌سازی، تحلیل و مصورسازی استفاده می‌کنه. ترکیب این دو ابزار به کاربران امکان می‌ده تا از داده‌های خام به اطلاعات ارزشمند و قابل تحلیل برسن.

🔵 زبان DAX

زبان DAX مخفف Data Analysis Expressions هست که یک زبان فرمول‌نویسیه و برای تحلیل داده‌ها و محاسبات در Power BI، Power Pivot و Analysis Services استفاده می‌شه. این زبان بر پایه توابع و عبارات مشابه اکسل ساخته شده اما قابلیت‌های بیشتری برای تحلیل داده‌ها در مدل‌های داده‌های بزرگ داره.

🔵 اجزا و ویژگی‌های زبان DAX

🔵توابع ریاضی و آماری: شامل توابع پایه‌ای مثل SUM، AVERAGE، MIN، MAX و توابع پیشرفته‌تر مثل SUMX، AVERAGEX و غیره.

🔵فیلترها و ستون‌های محاسباتی: امکان تعریف فیلترهای پیچیده و ستون‌های محاسباتی جدید بر اساس داده‌های موجود.

🔵توابع زمانی: برای تحلیل داده‌های زمانی، دارای توابعی مانند DATEADD، DATESBETWEEN، SAMEPERIODLASTYEAR و غیره است.

🔵ارتباطات جداول: امکان ایجاد روابط پیچیده بین جداول مختلف و انجام محاسبات بر اساس این روابط.

🔵استفاده آسان: شبیه به فرمول‌های اکسل و قابل یادگیری برای کاربران اکسل.

🔵 مثال‌هایی از DAX

🔵محاسبه مجموع فروش:

  TotalSales = SUM(Sales[SalesAmount])
  

🔵محاسبه فروش سال گذشته:

  SalesLastYear = CALCULATE(SUM(Sales[SalesAmount]), SAMEPERIODLASTYEAR(Calendar[Date]))
  

🔵 زبان M

زبان M یک زبان فرمول‌نویسیه (Power Query Formula Language) که برای انتقال و تبدیل داده‌ها در Power Query در Power BI و Excel استفاده می‌شه. این زبان به کاربران اجازه می‌ده تا داده‌ها رو از منابع مختلف جمع‌آوری، تمیز، تغییر و بارگذاری کنن.

🔵قدرت بالا در ETL (استخراج، تبدیل، بارگذاری): مناسب برای تبدیل و تمیز کردن داده‌ها قبل از وارد کردن به مدل داده.

🔵توابع گسترده: شامل توابع متنوع برای تغییر داده‌ها مثل Table.TransformColumns، Text.Replace، Date.AddDays و غیره.

🔵اسکریپت نویسی: امکان نوشتن اسکریپت‌های پیچیده برای انجام کارهای تکراری و خودکارسازی فرآیندهای ETL.

🔵انعطاف‌پذیری بالا: قابلیت کار با داده‌های ساختار یافته و نیمه‌ساختار یافته از منابع مختلف مثل فایل‌های CSV، دیتابیس‌ها، وب‌سرویس‌ها و غیره.

🔵 مثال‌هایی از M

🔵تبدیل تاریخ به فرمت دلخواه:

  Date.ToText(DateTime.LocalNow(), "yyyy-MM-dd")
  

🔵فیلتر کردن رکوردها:

  Table.SelectRows(Source, each [Sales] > 1000)
  

زبان‌ DAX بیشتر برای محاسبات و تحلیل‌های داخل مدل داده‌ها استفاده می‌شه، در حالی که M برای استخراج، تغییر و بارگذاری داده‌ها از منابع مختلف و تمیز کردن اونها به کار می‌ره. یادگیری این دو زبان به کاربران Power BI این امکان رو می‌ده تا تحلیل‌های پیچیده‌تری انجام بدن و داده‌ها رو به شکلی بهینه‌تر مدیریت کنن.

#Data_Analysis
#Data_Visualization_Tools

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

🔵 استفاده از ترکیب توابع CALCULATE و USERELATIONSHIP در DAX برای ایجاد روابط موقتی بین جداوله. این تکنیک به شما اجازه می‌ده تا محاسبات پیچیده‌ رو بر اساس روابطی که در حالت عادی وجود ندارن، انجام بدین.

🔵مثال:

SalesAmount = CALCULATE(
    SUM(Sales[Amount]),
    USERELATIONSHIP(Sales[Date], Dates[Date])
)

در این مثال، تابع USERELATIONSHIP یک رابطه موقتی بین ستون‌های Date از جدول Sales و Dates ایجاد می‌کنه که به شما امکان می‌ده مجموع فروش‌ها رو بر اساس تاریخ‌های خاص محاسبه کنین.

🔵 در زبان M، استفاده از تابع List.Generate برای ایجاد لیست‌های پویا و پیچیده یکی از ترفندهای پیشرفته است. این تابع به شما امکان می‌ده تا با استفاده از قوانین و شرایط خاص، لیست‌های سفارشی ایجاد کنین.

🔵مثال:

List.Generate(
    () => [Counter = 1, Result = 1],
    each [Counter] <= 10,
    each [Counter = [Counter] + 1, Result = [Result] * 2],
    each [Result]
)

در این مثال، تابع List.Generate یک لیست از اعداد ایجاد می‌کنه که هر عدد دو برابر عدد قبلیه، و این عملیات تا زمانی که شمارنده به 10 برسد ادامه داره.

#Data_Analysis
#Data_Visualization_Tools

@Data_ML | دیتاساینس و ماشین‌ لرنینگ