اپلیکیشن اندرویدی فلش‌کارت آموزشی کاوش و فیلتر کردن داده با LookML برای تحلیل‌های پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاوش و فیلتر کردن داده با LookML برای تحلیل‌های پیشرفته

موضوع کلی: هوش تجاری و تحلیل داده

موضوع میانی: مدل‌سازی داده و زبان‌های پرس‌وجو

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش تجاری و تحلیل داده
• 2. مبانی مدل‌سازی داده در هوش تجاری
• 3. معرفی Looker و معماری آن
• 4. ساختار مدل LookML
• 5. مفهوم View در LookML
• 6. مفهوم Explore در LookML
• 7. ارتباط بین Views و Explores
• 8. تعریف ابعاد (Dimensions)
• 9. انواع داده‌های ابعاد
• 10. تعریف معیارها (Measures)
• 11. انواع توابع تجمعی (Aggregate Functions)
• 12. فیلتر کردن داده‌ها در Explores
• 13. استفاده از فیلترهای پیشرفته
• 14. مرتب‌سازی نتایج در Explores
• 15. محدود کردن تعداد نتایج
• 16. ایجاد پیوندهای بین جداول (Joins)
• 17. انواع Join در LookML
• 18. نقش اصلی Join در مدل‌سازی
• 19. تعریف کلیدهای اصلی و خارجی
• 20. مدل‌سازی داده‌های رابطه‌ای
• 21. مدل‌سازی داده‌های ستاره‌ای (Star Schema)
• 22. مدل‌سازی داده‌های دانه‌برفی (Snowflake Schema)
• 23. استفاده از View Files
• 24. ساختار View File
• 25. تعریف فیلدهای View
• 26. تنظیمات پیشرفته View
• 27. استفاده از Explore Files
• 28. ساختار Explore File
• 29. تعریف Explores
• 30. تنظیمات پیشرفته Explore
• 31. استفاده از مدل‌های ترکیبی (Model Sets)
• 32. ایجاد مدل‌های سفارشی
• 33. مدیریت دسترسی به داده‌ها
• 34. نقش‌ها و مجوزها در Looker
• 35. قوانین فیلترینگ در سطح مدل
• 36. قوانین فیلترینگ در سطح Explore
• 37. قوانین فیلترینگ در سطح View
• 38. قوانین فیلترینگ در سطح فیلد
• 39. فیلدهای محاسباتی (Derived Fields)
• 40. استفاده از توابع SQL در فیلدهای محاسباتی
• 41. مدل‌سازی داده‌های زمانی (Date & Time)
• 42. ابعاد زمانی پیش‌فرض
• 43. ایجاد ابعاد زمانی سفارشی
• 44. استفاده از فیلترهای زمانی
• 45. معیارهای زمانی
• 46. مدل‌سازی داده‌های مکانی (Geo)
• 47. ابعاد مکانی
• 48. معیارهای مکانی
• 49. استفاده از نقشه‌های حرارتی (Heatmaps)
• 50. استفاده از نقشه‌های نقطه‌ای (Point Maps)
• 51. مدل‌سازی داده‌های متنی (Text)
• 52. ابعاد متنی
• 53. معیارهای متنی
• 54. استفاده از جستجوی متنی
• 55. مدل‌سازی داده‌های مقایسه‌ای
• 56. ایجاد فیلدهای مقایسه‌ای
• 57. استفاده از فیلترهای مقایسه‌ای
• 58. مدل‌سازی داده‌های دسته‌ای (Categorical)
• 59. ابعاد دسته‌ای
• 60. معیارهای دسته‌ای
• 61. استفاده از فیلترهای دسته‌ای
• 62. مدل‌سازی داده‌های ترتیبی (Ordinal)
• 63. ابعاد ترتیبی
• 64. معیارهای ترتیبی
• 65. استفاده از فیلترهای ترتیبی
• 66. مدل‌سازی داده‌های باینری (Binary)
• 67. ابعاد باینری
• 68. معیارهای باینری
• 69. استفاده از فیلترهای باینری
• 70. مدل‌سازی داده‌های رتبه‌بندی (Rank)
• 71. ابعاد رتبه‌بندی
• 72. معیارهای رتبه‌بندی
• 73. استفاده از فیلترهای رتبه‌بندی
• 74. مدل‌سازی داده‌های سری زمانی (Time Series)
• 75. تحلیل روندها در سری زمانی
• 76. شناسایی الگوهای فصلی
• 77. پیش‌بینی سری زمانی (مقدماتی)
• 78. مدل‌سازی داده‌های مشتریان
• 79. تحلیل رفتار مشتری
• 80. بخش‌بندی مشتریان
• 81. مدل‌سازی داده‌های فروش
• 82. تحلیل عملکرد فروش
• 83. پیش‌بینی فروش
• 84. مدل‌سازی داده‌های مالی
• 85. تحلیل صورت‌های مالی
• 86. بودجه‌بندی و پیش‌بینی مالی
• 87. مدل‌سازی داده‌های عملیاتی
• 88. تحلیل کارایی عملیات
• 89. بهینه‌سازی فرآیندها
• 90. مدل‌سازی داده‌های بازاریابی
• 91. تحلیل کمپین‌های بازاریابی
• 92. بازگشت سرمایه بازاریابی
• 93. مدل‌سازی داده‌های منابع انسانی
• 94. تحلیل عملکرد کارکنان
• 95. مدیریت استعداد
• 96. مدل‌سازی داده‌های زنجیره تأمین
• 97. تحلیل موجودی کالا
• 98. بهینه‌سازی لجستیک
• 99. مدل‌سازی داده‌های تولید
• 100. تحلیل بهره‌وری تولید