هوش تجاری

تفاوت زبان M و DAX در نرم افزار Power BI

تعاریف، اصول استفاده و تفاوت‌های دو زبان M و DAX

در متن پیش رو برآنیم تا سوالاتی از این دست را پاسخ دهیم که:

  • تفاوت اصلی بین زبان M و زبان DAX چیست؟
  • چگونه می‌توانیم یک ستون محاسبه شده را در به دو روش مختلف انجام دهیم؟
  • جوانب مثبت و منفی هر کدام چیست؟
  • برای ایجاد ستون سود از کدام زبان استفاده کنیم؟

تعریف زبان M

زبان M به جهت برنامه‌نویسی در پاور کوئری (Power Query) مورد استفاده قرار می‌گیرد و نام غیر رسمی این زبان به حساب می‌آید. نام رسمی آن را برنامه‌نویسی پاور کوئری (Power Query Formula Language) در نظر می‌گیرند که برای استفاده در زبان مکالمه نامی طولانی می‌باشد. از این رو به مخفف آن اشارات بیشتری می‌شود.

یکی دیگر از رایج‌ترین کلمات این زبان ماشاپ (Mashup) است که در معنای لغوی مخلوط کردن و یا ترکیب کردن در نظر گرفته شده. به این معنا که این زبان قادر به جمع آوری داده و تغییر شکل آنهاست.

زبان M یک زبان کاربردی است. و ساختار اسکریپت آن می‌تواند به این شکل زیر تصور شود:

  • معمولاً (نه همیشه)، زبان M را یک ساختار گام به گام در نظر می‌گیرند
  • هر خط در اسکریپت زبان M یک مرحله تغییر داده است به صورتی که مرحله بعد، از نتیجه مرحله قبل استفاده می‌کند
  • پیگیری ساختار زبان M برای یک برنامه نویس معمولاً آسان است. زیرا با بلوک‌های برنامه نویسی Let and In و برخی دیگر از ویژگی‌های زبان برنامه نویسی به طور یکسان قابل درک است.

استفاده از زبان M

زبان M می‌تواند در بسیاری از سناریوهای تبدیل داده مورد استفاده قرار گیرد. به عنوان مثال، می‌توان از آن برای Pivot یا Unpivot Data استفاده کرد و آن را بر اساس تعدادی ستون گروه بندی کرد.

تعریف زبان DAX

زبان DAX مخفف عبارت Data Analysis eXpression language است که تجزیه و تحلیل داده‌ها را در نظر دارد. این زبان مشترک بین خدمات تجزیه و تحلیل سرور SQL، Power BI و Power Pivot مورد استفاده قرار می‌گیرد. زبان DAX یک زبان بیان است و برخلاف زبان M، بسیار شبیه توابع اکسل می‌باشد.

در واقع، زبان DAX توابع مشترک بسیاری با اکسل دارد. با این حال از بسیاری جهات نیز قدرتمندتر از فرمول‌های اکسل ظاهر می‌شود.

استفاده از زبان DAX

محاسبات زبان DAX به روشی ساخته شده است که بیشتر برای کاربران اکسل منطقی است. به طور معمول کاربران اکسل با این زبان بسیار راحت هستند. زیرا که همه چیز از طریق توابع محاسبه می‌شود.  زبان DAX بلوک‌های برنامه نویسی در خود ندارد و ترکیبی از کاربردهای عملکرد، فیلترها و عبارات است.

به بیان دیگر، از زبان DAX می توان برای محاسبه تجزیه و تحلیل بسیاری از داده‌ها استفاده کرد. به عنوان مثال، محاسبه بودجه بندی از ابتدای سال تا کنون (Year To Date)، محاسبه میانگین سود ۱۲ ماه یا موارد مشابه دیگر. برای نمونه تصویر زیر ستون محاسبه شده محدوده قیمت را در جدول فروش نشان می‌دهد که فقط به مقادیر ستون فروش [قیمت خالص] بستگی دارد.

محاسبه ستون‎ها

سوال اصلی جهت انتخاب بین زبان DAX و زبان M از معضل محاسبه ستون‌ها ناشی می‌شود. شما می‌توانید ستون‌های محاسبه شده زیادی را در زبان M یا زبان DAX ایجاد کنید. اما طبیعی است که انتخاب بهترین زبان برای انجام کار کمی گیج کننده باشد.

 به عنوان مثال، می‌توانید یک نام کامل را در ستوان‌های هر دو زبان استفاده کنید اما نکته این است که بدانیم کدام زبان نتیجه بهتری را در بر خواهد داشت.

برای وضوح سخنن این مثال را نیز در نظر بگیرید که ما همیشه به صورت روزمره از چاقوهای مختلفی استفاده می‌کنیم. با تمام انواع چاقو می‌توان یک قطعه پنیر را برش داد اما کدام یک از آنها وسیله‌ی مناسب‌تری است؟ برای تکه کردن گوشت و یا میوه‌ها نیز می‌توان از همان چاقو استفاده کرد؟

هر وسیله برای انجام یک مورد خاص مناسب است. برای برش نان، چاقوی نان بهترین نتیجه را به شما می‌دهد. برای برش یک فیله به طور معمول به نوع دیگری از چاقو نیاز دارید.


مجموعه

هوش تجاری

این پست بخشی از مجموعه هوش تجاری در کار و کسب است. ترتیب زیر را در این حوزه پیشنهاد می‌کنیم.

  1. به روز رسانی حاکمیت داده در سازمان: از کجا شروع کنیم
  2. کارشناس پایگاه داده کیست و چه وظایفی دارد؟
  3. بررسی تفاوت‌های میان داده، اطلاعات و دانش در یک نگاه
  4. وقتی از هوش تجاری صحبت می‌کنیم، از چه حرف می‌زنیم؟
  5. تبدیل داده به اطلاعات با هوش تجاری
  6. تجزیه و تحلیل داده (Data Analytics) چیست و چگونه انجام می‌شود؟
  7. کلان داده (Big Data) چیست؟
  8. تجزیه و تحلیل کلان داده (Big Data) چیست و چگونه انجام می‌شود؟
  9. مقایسه مفاهیم تحلیل داده، علوم داده و کلان داده (Big Data)
  10. طراحی پایگاه داده چیست و چگونه انجام می‌شود؟
  11. حاکمیت داده (Data Governance) چیست و چه اهمیتی دارد؟
  12. هوش تجاری (BI) چیست و چه تفاوتی با آنالیز تجاری (BA) دارد؟
  13. آنچه باید درباره‌ هوش تجاری بدانیم
  14. هوش تجاری (BI) چطور می‌تواند به کسب و کار شما کمک کند؟
  15. معرفی ۵ کتاب برتر درباره هوش تجاری
  16. ۷ کلید برای یک استراتژی موفقیت آمیز در زمینه هوش تجاری
  17. ۹ راه عدم موفقیت هوش تجاری
  18. تجسم داده (Data Visualization) چیست و چرا اهمیت دارد؟
  19. تمیزسازی داده (Data cleaning) به چه معناست و چه اهمیتی دارد؟
  20. ۱۰ تکنیک اساسی تجسم داده در ایجاد گزارش‌های هوش تجاری
  21. معرفی ۱۳ روش متداول تجسم داده‌ها
  22. تفاوت داشبورد و گزارش چیست؟
  23. ۱۰ اصل طراحی داشبورد هوش تجاری
  24. ۱۳ مثال عملی از تحلیل داده با هوش تجاری
  25. کاربرد هوش تجاری در صنایع مختلف
  26. معرفی نرم افزارهای مختلف هوش تجاری
  27. چگونه نرم‌افزار مناسب هوش تجاری را انتخاب کنیم؟
  28. پاور بی آی (Power BI) چیست و در هوش تجاری چه کاربردی دارد؟
  29. راهنمای کامل پاور بی آی (Power BI)
  30. ویژگی‌های نرم افزار Power BI
  31. تفاوت پاور بی آی و اکسل
  32. معرفی انواع نمودارها در نرم افزار پاور بی آی (Power BI)
  33. راهنمای کامل معماری نرم افزار پاور بی آی (Power BI)
  34. راهنمای انتخاب ابزار مناسب بین پاور بی آی و اکسل
  35. آموزش توابع زبان DAX در هوش تجاری با پاور بی آی (Power BI)
  36. معرفی نرم‌افزار Tableau، کاربردها و محصولات آن
  37. هر آنچه که لازم است درباره نرم‌افزار QlikView بدانید
  38. تفاوت زبان M و DAX در نرم افزار Power BI
  39. مقایسه ابزار Power BI و Tableau در هوش تجاری
  40. آموزش Power BI Report Server
  41. آموزش نصب و راه اندازی Power BI Report Server
  42. AIOps چیست و چه ساختاری دارد؟
  43. مسیر شغلی در هوش تجاری
  44. مهندسی داده چیست؟
  45. تحلیلگر داده (Data Analyst) کیست و چه کاری انجام می‌دهد؟
  46. تحلیل‌گر هوش تجاری کیست و چگونه می‌توان به یک تحلیل‌گر هوش تجاری تبدیل شد؟
  47. ۸ مهارت‌ مهم که هر تحلیل‌گر داده برای موفقیت به آن‌ها نیاز دارد
  48. معرفی مهم‌ترین مدارک و گواهینامه‌های مورد نیاز تحلیل‌گر داده
  49. آیا داشتن مدرک SQL ضروری است؟ معرفی انواع و اهمیت مدرک SQL
  50. مهمترین تکنیک‌های هوش تجاری
  51. پیاده سازی هوش تجاری در سازمان‌ها
  52. نقشه راه پیاده سازی موفق استراتژی هوش تجاری در سازمان
  53. معرفی ۵ کاربرد ارزشمند هوش تجاری در سازمان‌ها
  54. داده کاوی چیست و چه تکنیک‌هایی دارد؟
  55. همه‌چیز درباره علم داده و نحوه استفاده از آن
  56. معرفی معتبرترین مدارک و گواهینامه‌های علم داده
  57. معرفی برترین ابزار برای داده‌کاوی
  58. دانشمند داده کیست و چه نقشی در کسب و کار دارد؟
  59. معرفی برترین زبان‌های برنامه‌نویسی علم داده
  60. آسان ترین زبان برنامه‌نویسی برای یادگیری کدام است؟
  61. تفاوت‌های اصلی در نقش‌های مهندس داده و دانشمند داده
  62. زبان برنامه‌نویسی پایتون چیست و چرا باید آن را یاد بگیرید؟
  63. یادگیری ماشین چیست؟
  64. SSRS چیست و چه کاربردی در مدیریت داده‌ها دارد؟
  65. SSAS چیست و چه کاربردهایی دارد؟
  66. بهترین زبان‌ها برای یادگیری ماشین (Machine Learning) کدام هستند؟
  67. نقش‌ها و مسئولیت‌های کلیدی در یک تیم هوش تجاری چیست؟
  68. تفاوت زبان پایتون (Python) و R در چیست؟
  69. کاربرد KPI در داشبوردهای هوش تجاری
  70. زبان برنامه نویسی R چیست؟
  71. بررسی تفاوت‌های میان داده‌کاوی و یادگیری ماشین در علم داده
  72. مروری بر نحوه یادگیری زبان R
  73. چگونه می‌توان یک داشبورد فروش ایجاد کرد؟
  74. معرفی برترین ابزارهای علم داده
  75. پایگاه داده چیست و چه اجزایی دارد؟
  76. انبار داده چیست؟
  77. مفاهیم، معماری و اجزای انبار داده
  78. دانشمند داده چه تفاوتی با تحلیل‌گر داده دارد؟
  79. فرایند ETL در ایجاد انبار داده چیست؟
  80. مدل‌سازی داده چیست؟
  81. دریاچه داده (Data Lake) چیست و چه ساختاری دارد؟
  82. بهترین شیوه‌های طراحی پایگاه داده (Database design)
  83. نرمال‌سازی داده چیست و چگونه انجام می‌شود؟
  84. سیستم‌های پشتیبانی تصمیم‌گیری چیست و چه کاربردهایی دارد؟
  85. بازار داده (Data Mart) چیست و چه تفاوتی با انبار داده دارد؟
  86. تحلیل‌های پیش‌بینی کننده چیست و چگونه انجام می‌شود؟
  87. علم تصمیم‌گیری چیست و چگونه می‌توانیم تصمیمات داده‌محور بگیریم؟
  88. تصمیم‌گیری مبتنی بر داده چیست و چه تاثیری در موفقیت کسب و کار دارد؟
  89. کاربرد تحلیل داده در بانکداری و شرکت‌های خدمات مالی
  90. معماری اطلاعات (IA) چیست و چطور می‌توان از آن استفاده کرد؟
  91. کلان داده (Big Data) و بررسی تأثیرات آن بر تجارت الکترونیک
  92. بانکداری باز (Open Banking) چیست و چه اصولی دارد؟

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دوره آموزشی «مدیریت محصول» با مدرسانی از دیجی‌کالا و اکالا ؛ با رویکرد کاربردی و اجراییاطلاعات بیشتر و ثبت‌نام
بستن