دوره آموزش تخصصی Power BI به همراه استفاده پایتون در Power BI

توضیحات

سرفصل های دوره طراحی داشبورد های مدیریتی با Power BI به همراه استفاده از زبان Python

در این دوره شما نقش های زیر را بر عهده دارید و داشبورد های کاملا حرفه ای  وسازمانی را پیاده سازی خواهید کرد ، همچنین نحوه کار با پایتون هم در محیط تمیز کردن داده و هم در محیط بصری سازی را کاملا آموزش خواهید دید در واقع در این دوره هم Power BI را کامل یاد خواهید گرفت هم داشبورد های حرفه ای طراحی خواهید کرد و همچنین پایتون را نیز یاد خواهید گرفت.

داشبورد های تعاملی با کاربر	مدیریت داده (تمیز کردن دیتاست)	هوش تجاری و داده کاوی	تحلیل کسب و کار	مصور سازی داده	انتشار (نمایش بر بستر وب ،موبایل )

• Power BI برای تمیز و تبدیل کنندگان داده (Data Transformation, M query Language)

این آموزش برای توسعه دهندگان داده یا ترانسفورماتور داده طراحی شده است که داده‌های خام از یک یا چند منبع داده را می‌گیرند و می‌خواهند برای مدل‌سازی و تجزیه و تحلیل بیشتر آماده کنند. در این آموزش، شما با استفاده از Power Query روش‌های تبدیل اطلاعات دقیق Power BI را خواهید آموخت.

 

برای مشاهده دمو آنلاین می توانید از لینک زیر استفاده کنید

http://kmt.ir/reports

نام کاربری : demo

کلمه عبور: ۱۲۳

برای دریافت ۳۰ مثال رایگان،  تحلیلی و کاربردی می توانید از لینک انتهای همین صفحه استفاده کنید مثالهای بر پایه Custom Visual ، R، SVG  و…

در پایین‌ترین سطح شما یاد خواهید گرفت که دادها را از منابع مختلف واکشی کنید، همچنین انواع حالت تمیز کردن اطلاعات را یاد خواهید گرفت مانند Pivot ،Unpivot،Change Data Type، Merge،Split ،Fuzzy Matching و… همچنین در این دوره با زبان M Query Language کار خواهید کرد.پس از این دوره، شما قادر خواهید بود هر گونه تغییرات داده‌ها را از طریق Power Query در Excel یا Power BI را انجام دهید. شما می‌توانید از طریق داده‌های خام خود کار کنید و آن را برای مدل‌سازی و تجزیه و تحلیل آماده کنید.

یکی از شاخصه‌های این جلسات آموزش خواندن صفحات سایت آمازون، نوشتن تابع‌های سفارشی با زبان M ، ایجاد حلقه با تابع می‌باشد.

• Python برای تمیز و تبدیل کنندگان داده

در حوزه تجزیه و تحلیل داده ها، هم افزایی بین Python و Power BI دنیایی از امکانات را برای استخراج بینش، ایجاد تجسم های پویا و تصمیم گیری آگاهانه باز می کند. Power BI، سرویس تجزیه و تحلیل تجاری مایکروسافت، به طور یکپارچه با پایتون ادغام می شود و قابلیت های آن را افزایش می دهد و کاربران را قادر می سازد تا از پتانسیل کامل داده های خود استفاده کنند.

پایتون کتابخانه‌های مختلفی را ارائه می‌کند که دارای ویژگی‌های متفاوتی برای تجسم داده‌ها هستند. همه این کتابخانه ها دارای ویژگی های مختلفی هستند و می توانند انواع مختلفی از نمودارها را پشتیبانی کنند. در این آموزش، چهار کتابخانه  را مورد بحث و پیاده سازی قرار خواهیم داد.

• Matplotlib
• Seaborn
• Bokeh
• Plotly

همچنین در قسمت تمیز کردن داده کتابخانه های NumPy و Pandas را بررسی و آموزش خواهیم داد.

چرا پایتون و Power BI را ترکیب کنیم؟

1. قدرت پردازش داده پایتون:

پایتون به خاطر کتابخانه‌های پردازش داده قوی خود مانند پانداها و NumPy مشهور است. ادغام Python با Power BI به کاربران اجازه می دهد تا از این کتابخانه ها برای دستکاری، تبدیل و تجزیه و تحلیل پیشرفته داده ها استفاده کنند.

2. تجزیه و تحلیل سفارشی:

Power BI یک رابط کاربرپسند برای ایجاد تصاویر بصری فراهم می کند، اما پایتون این قابلیت را با ایجاد امکان ایجاد مدل های بصری و تحلیلی سفارشی گسترش می دهد. این اجازه می دهد تا راه حل های متناسب با نیازهای تجاری خاص را برآورده کنید.

3. یکپارچه سازی یادگیری ماشین:

کتابخانه های گسترده یادگیری ماشین پایتون، از جمله scikit-learn و TensorFlow، می توانند به طور یکپارچه در Power BI گنجانده شوند. این ادغام توسعه مدل‌های پیش‌بینی را امکان‌پذیر می‌سازد و رویکردی مبتنی بر داده را برای تصمیم‌گیری تقویت می‌کند.

 

• Power BI برای مدل‌سازی داده و تحلیلگران داده (DAX)

در این ماژول شما نحوه طراحی بهترین مدل را در Power BI با روابط، با توجه به قالب‌بندی و انواع داده‌ها خواهید آموخت. شما در مورد DAX که زبان بیان مدل‌سازی داده‌ها در Power BI (Tabular SSAS و Power Pivot) است آشنا خواهید شد. شما از محاسبات ساده DAX به عبارات پیچیده و محاسبات برای حل چالش‌های واقعی در راه حل BI را فرا خواهید گرفت.
در پایان این آموزش، شما قادر به طراحی مدل مناسب داده‌ها در Power BI خواهید بود، تمام نیازهای روابط را درک خواهید کرد و روابط درست را اجرا می‌کنید، عبارات پیچیده DAX را برای نیازهای تجزیه و تحلیل خودتان می‌نویسید و همه آنها را برای ساختن بهترین مدل ایجاد می‌کنید.

شاخصه‌های کلیدی این ماژول مثال‌های کاربردی از توابع DAX:

پیاده‌سازی توابع Time Intelligence با تاریخ شمسی (پیاده‌سازی با DAX)
۲- Aggregation Functions
۳- Date and Time Functions
۴- Time Intelligence Functions
۵- Filter Functions
۶- Relationship Functions
۷- Statistical Functions
۸- Table Functions
۹- Text Functions
۱۰-Statistical Functions
۱۱- Parent Child Functions

 

• پاور بی آی برای پدیدآورندگان داشبورد

در این ماژول شما نحوه طراحی داشبورد، استفاده از نمودارهای مختلف، ایجاد سطح دسترسی بر روی داشبورد، بارگذاری داشبورد در سطح وب را یاد خواهیم گرفت .

شاخصه‌های کلیدی این ماژول:

• تنظیمات Power BI report Server
  1. پابلیش کردن داشبورد و تنظیمات بر روی موبایل و…
  2. تعریف به روز رسانی داشبورد
  3. تنظیمات دیتاسورس های مختلف
  4. کار با Paginated Report
• امنیت
  1. پیاده سازی سطح دسترسی بر روی داشبورد
  2. پیاده سازی سطح دسترسی بر روی داده های داشبورد Row Level Security
  3. پیاده سازی سطح دسترسی بر روی صفحات داشبورد Page Level Security
• نمودار

نمودارهای مقایسه‌ای COMPARISON

نمودارهای تغییر در طول زمان CHANGE OVER TIME

نمودار جز به کل PART-TO-WHOLE

نمودارهای جریان FLOW

نمودارهای رتبه‌بندی RANKING

نمودارهای جغرافیایی SPATIAL

نمودارهای توزیع DISTRIBUTION

نمودارهای همبستگی CORRELATION

نمودارهای تکی Single

• طراحی و پیاده سازی داشبورد فروش

مزیت داشتن به ما این پیام را می‌رساند  آیا در محورهای مختلف توانسته‌ایم اهداف فروش را محقق نماییم. این داشبورد شاخص‌های سود ناخالص، حاشیه سود ناخالص، هزینه جذب مشتری و میانگین درآمد به ازای هر کاربر را نمایش می‌دهد همچنین مقادیر این شاخص‌ها در بازه گذشته به همراه رشدی که داشته است، نمایش داده می‌شود. از لحاظ گرافیکی هم طراحی فیلترها به صورت Popup و ایجاد تب از شاخصه‌های اصلی آن می‌باشد.

هزینه جذب مشتری در سال جاری / مقدار گذشته / درصد رشد

میانگین درآمد به ازای هر کاربر / مقدار گذشته / درصد رشد

سود خالص/ مقدار گذشته / درصد رشد

حاشیه سود ناخالص/ مقدار گذشته / درصد رشد

 

• طراحی و پیاده‌سازی داشبورد تحلیل مشتری

تا به حال به این موضوع فکر کرده‌اید که با این حجم اطلاعاتی که از مشتریان خود دارید چه کارهایی می‌توانید انجام دهید؟ چقدر از مشتریان از محصولات شما راضی هستند؟ آیا مشتریان را دسته‌بندی کرده‌اید؟ چه تعداد مشتری جدید به مجموعه شما اضافه شده است؟ آیا کمپین فروش موفقیت آمیز بوده است؟ در این داشبورد ما محاسبه مشتریان جدید، حجم خرید، میانگین خرید و تازگی خرید مشتریان را بررسی می‌کنیم همچنین شاخص ترویج کنندگان NPS را پیاده‌سازی می‌کنیم. از لحاظ گرافیکی ایجاد نمودار داینامیک و ایجاد فایل نقشه به صورت SVG و بارگذاری در Power Bi شاخص اصلی گرافیکی آن می‌باشند

محاسبه کاربران جدید

محاسبه مجموع خرید کاربران جدید

پیاده سازی شاخص NPS

محاسبه میانگین خرید و تازگی خرید مشتری

• طراحی و پیاده‌سازی دسته‌بندی مشتریان از طریق RFM

با پیاده سازی خوشه بندی از طریق RFM  این امکان را به تصمیم گیرندگان می‌دهیم که خوشه‌های (Cluster) خاصی از مشتریان را که دارای رفتار شبیه به هم  هستند و ارتباط بسیار نزدیکی با هم دارند را هدف قرار دهیم تا بتوان میزان بالایی از پاسخگویی را ایجاد کرد تا در انتها بتوان میزان وفاداری و ارزش طول عمری مشتری را افزایش داد.

در این داشبورد پیاده‌سازی شاخص‌های تازگی خرید Recency، تعداد خرید Frequency  و در انتها مبلغ خرید Monetary برای پیاده سازی RFM استفاده شده است.

پیاده‌سازی Recency

پیاده‌سازی Frequency

پیاده‌سازی Monetary

• طراحی و پیاده سازی داشبورد تحلیل کارمند

ارزیابی عملکرد کارمندان در سازمان‌ها برای افزایش بهره‌وری و بهبود نتایج، امری حیاتی است. آیا کارمندان حس خوبی به سازمان دارند؟ آیا از محیط کار، شیوه کار گروهی و … راضی هستند؟ دلیل خروج پرسنل از سازمان چیست؟ مدت زمان نگهداری پرسنل در سازمان چگونه است؟

هدف این داشبورد بررسی میزان رضایت سنجی پرسنل می باشد. در این داشبورد از نمودارهای ون دیاگرام، رادار چارت و waffle chart استفاده شده است.

• طراحی و پیاده سازی داشبورد تحلیل حقوق

برای انجام ارزیابی‌های منابع انسانی باید ابزار مناسبی وجود داشته باشد، تا مدیران را جهت تصمیم‌گیری صحیح کمک کند. اگر سازمان برای بررسی و پیگیری داده‌ها ابزار مناسبی مانند داشبورد منابع انسانی نداشته باشد، باتوجه به حجم بالای اطلاعات ذخیره شده، انجام ارزیابی سخت و طاقت فرسا می‌شود.

در این داشبورد که پیاده سازی آن براساس داده‌های حقوق و دستمزد می‌باشد، بررسی رنج حقوق پرداختی پرسنل، میزان پرداختی بر اساس جنسیت، توزیع پراکندگی حقوق و همچنین بررسی حقوق خالص و ناخالص را در حال مشاهده هستیم.

• طراحی و پیاده‌سازی ABC Classification

طبقه بندی ABC یک سیستم رتبه بندی برای شناسایی و گروه‌بندی اقلام از نظر میزان مفید بودن آنها برای دستیابی به اهداف تجاری است. تجزیه و تحلیل ABC نشان می‌دهد که موجودی‌های یک سازمان از ارزش یکسانی برخوردار نیستند. بنابراین، موجودی به ترتیب اهمیت تخمینی آن‌ها به سه دسته (A، B و C) دسته‌بندی می‌شود.

A بسیار مهم (Extremely important)

B اهمیت متوسط (Moderately important)

C نسبتا بی اهمیت (Relatively unimportant)

 

• طراحی و پیاده‌سازی پارتو

طبقه‌بندی ABC ارتباط نزدیکی با قانون ۲۰/۸۰ دارد، یک معیار تجاری که ۸۰ درصد از نتایج توسط ۲۰ درصد از ورودی‌ها تعیین می‌شود.

 

• طراحی و پیاده‌سازی سناریو قیمت گذاری

تقاضا به عنوان متغیر اصلی برای پیش بینی فروش یا تراکنش‌های بالقوه در آینده ایفای نقش می‌کند. در این سناریو با ایجاد دو پارامتر و از طریق DAX تاثیر قیمت و تقاضا را بر فروش لحاظ کرده‌ایم.

 

• پیاده سازی ابعاد داینامیک به همراه قلم آماری داینامیک در Power BI

گاهی اوقات احتیاج است انتخاب بعد و همچنین قلم آماری یا شاخص را در اختیار کاربر قرار بدهیم تا خودش تشخیص بدهد می‌خواهد چه قلم آماری را به چه بعدی مشاهده کند، در صورتی که تعداد قلم آماری یا تعداد ابعاد زیاد باشد این گزینه مناسب خواهد بود. در این مثال بعد، قلم آماری، رنگ، عنوان از طریق DAX به صورت داینامیک پیاده‌سازی شده است.

• کار با توابع شمسی

یکی از مشکلات رایج در ابزار Power BI استفاده از تاریخ شمسی در محاسبات می باشد در صورتی که فیلد تاریخ از جنس میلادی در دیتابیس موجود باشد و اگر بخواهیم محاسبات داشبورد را به را با تاریخ میلادی پیاده‌سازی کنیم مشکلی در استفاده از توابع تاریخ Date & Time functions یا توابع هوشمند زمان Time Intelligence Functions نخواهیم داشت در این دوره مثال‌های زیر با تاریخ شمسی پیاده‌سازی شده است .

محاسبه یک قلم آماری در گذشته به طور مثال محاسبه فروش در سال، نیم‌سال، فصل، ماه، روز بر روی ماتریکس با تاریخ شمسی و میلادی

محاسبه شاخص موجودی انتهای دوره (ClosingBalanceYear) با تاریخ شمسی و همچنین توابع Time Intelligence  با    تاریخ میلادی

محاسبه شاخص رشد ماهانه ، فصلی با تاریخ شمسی / ابعاد تاریخ

محاسبه داده تجمعی با تاریخ شمسی و میلادی

محاسبه MOM ، YTD و… با تاریخ شمسی

و…

 

۱۴- طراحی و پیاده‌سازی داشبورد مالی

تجزیه و تحلیل نسبت‌های مالی یکی از روش‌های بررسی وضعیت شرکت‌هاست که به بیان روابط بین اقلام موجود در صورت‌های مالی می‌پردازد. تجزیه و تحلیل نسبت‌های مالی به ما کمک می‌کند تا درک جامع و صحیحی از عملکرد و وضعیت مالی شرکت‌ها بدست بیاوریم.
در این داشبورد که پیاده‌سازی آن براساس داده‌های مالی می‌باشد، به بررسی و پیاده سازی انواع نسبت‌های مالی همچون اهرمی، نقدینگی و… پرداخته‌ایم.

 

۱۵- پیاده سازی داشبورد مانیتورینگ

بررسی اینکه چه داشبورد هایی توسط کاربران دیده می شوند ، کدوم داشبوردها پر بیننده تر هستند ، آیا جاب های به روز رسانی داشبورد ها با موفقیت در حال اجرا هستند و…

۱۶-کار با تصاویر در Power BI (Internal-External)

در این دوره به صورت کامل کار با ابزار InkScape برای تبدیل هر فایل عکس از Raster به Vector و بارگذاری آن در داخل Power BI آموزش داده شده است. یکی از مشکلات پیاده‌سازی داشبوردهای اینفوگرافیک تبدیل تصاویر شماتیک به فرمت قابل قبول در ویژوال Synoptic Panel و استفاده از آن در Power BI می‌باشد.

۱۷- Power BI برای دانشمندان داده

در این ماژول ما نحوه استفاده از پایتون و R در Power BI را آموزش می‌بینیم همچنین چندین مثال از مصور سازی اطلاعات و تمیز کردن اطلاعات با کتابخانه‌های پایتون هم‌چون Pandas ،NumPy،seaborn و matplotlib بررسی و پیاده سازی می‌شوند.

#Seaborn sample 
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

#Uncomment in PowerBi
#glue = dataset

sns.heatmap(glue, annot=True, fmt=".1f", cmap=sns.cubehelix_palette(as_cmap=True))
plt.show()

 

 

titanic = sns.load_dataset('titanic')
sns.displot(data=titanic, x='age', col='survived', hue='sex', kind='kde', multiple='stack')

 

برای دریافت ۳۰ مثال رایگان،  تحلیلی و کاربردی می توانید از لینک زیر استفاده کنید مثالهای بر پایه Custom Visual ، R، SVG  و…

طبیعتا برای استفاده از مثالهای که با R پیاده سازی شده اند باید R  روی سیستم شما نصب باشد

۱-Clustering with K-Means

۲-Association Rules

۳-Clustering with Outlier-DBSCAN

۴-Clustering with OPTICS

۵-Decision Tree

۶-Venn Diagram

۷-Fuzzy Matching

۸-Drill Through

۹-Time Series-exponential smoothing

۱۰-Correlation plot

۱۱-forcasting-ARIMA

۱۲-Forecast Using Multiple Models (Linear Regression, ARIMA, Exponential Smoothing, and Neural Network)

۱۳-forcasting-TBATS

۱۴-Time Series Decomposition

۱۵-Forecast NeuralNetwork

۱۶-Concatenated Tooltip

۱۷-SVGChart

۱۸-SVG Animation Red Dot with Stephen Few, author of Information Dashboard Design

۱۹-SVG Heart

۲۰-SVG gauge

۲۱-Show Binary Data

۲۲-What If analysis

۲۳-PIE Chart Tree

۲۳-ShamsiDate

۲۴-Plot

۲۵-GroupData

۲۶-Icon Map

۲۷-Drill Down Do

۲۸-KPI Ticker

۲۹-Pulse Chart

۳۰-KPI Matrix

مثال های کاربردی و رایگان

پسورد فایل RyPiTech.com