هوش تجاری

راهنمای کامل معماری نرم افزار پاور بی آی (Power BI)

همه ما می‌دانیم که Power BI یکی از بهترین ابزارهای هوش تجاری یا BI است و بسیاری از سازمان‌ها از این ابزار برای تهیه گزارش و داشبورد در جهت تصمیم‌گیری موثر در زمینه کسب و کار خود استفاده می‌کنند.

قبل از استفاده از خدمات و ویژگی‌های Power BI، باید در مورد معماری نرم‌افزار Power BI اطلاعات داشته باشید. زیرا، شما باید بدانید که از خدمات Power BI، اجزای سازنده برای تبدیل داده‌ها، ایجاد گزارش‌ها و داشبوردها استفاده می‌شود. در این مقاله، ما قصد داریم اطلاعات دقیق در مورد معماری نرم‌افزار Power BI و اجزای آن را ارائه دهیم.

معماری نرم‌افزار Power BI:

Power BI یک پلتفرم تجاری است که شامل چندین فناوری برای کار با یکدیگر است. این برنامه راه‌حل‌های برجسته هوش تجاری را ارائه می‌دهد. معماری نرم‌افزار Power BI شامل چهار مرحله است. اجازه دهید در مورد این چهار مرحله به صورت گسترده، بحث کنیم و اطلاعات بصری درباره هر یک از آنها ارائه دهیم.

  1. ادغام داده‌ها:

داده‌ها از منابع مختلف استخراج می‌شوند که می‌توانند سرور یا پایگاه داده‌های مختلف باشند. داده‌ها اخذ شده از منابع مختلف می‌توانند در انواع و قالب‌های مختلف در دسترس باشند. اگر پرونده را به Power BI وارد کنید، این برنامه، مجموعه داده‌ها را تا ۱ گیگابایت فشرده می‌کند و اگر مجموعه داده‌های فشرده بیش از ۱ گیگابایت باشد، از یک پرس و جو مستقیم استفاده می‌کند.

سپس داده‌ها در یک قالب استاندارد ادغام شده و در مکانی به نام staging area ذخیره می‌شوند. برای مجموعه داده‌های بزرگ دو گزینه وجود دارد. آنها به شرح زیر است:

  • Azure Analytics Services
  • Power BI premium
  1. تبدیل داده‌ها:

داده‌های یکپارچه برای تجسم داده‌ها آماده نیست زیرا داده‌ها باید تغییر شکل دهند. برای تبدیل داده‌ها، باید آنها را تمیز یا از قبل پردازش کرد. به عنوان مثال، مقادیر اضافی یا مفقود شده از مجموعه داده‌ها حذف می‌شود. پس از پردازش یا تمیز کردن داده‌ها، قوانین هر کسب و کار برای تبدیل داده‌ها اعمال می‌شود. پس از پردازش، داده‌ها در انبار داده بارگیری می‌شود.

  1. گزارش و انتشار:

پس از تهیه و تمیز کردن داده‌ها، می‌توانید گزارش‌ها را ایجاد کنید. گزارش‌ها تجسم داده‌ها به صورت جداکننده‌ها، نمودارها و دیاگرام‌ها است. Power BI تجسم سفارشی زیادی برای ایجاد گزارشات ارائه می‌دهد. پس از ایجاد گزارش‌ها، می‌توانید آنها را در Power BI Service منتشر کنید و همچنین آنها را در سرور درون شرکتی Power BI  منتشر کنید.

  1. ایجاد داشبورد:

با حفظ عناصر منفرد گزارش‌ها، می‌توانید پس از انتشار گزارش در سرویس‌های Power BI، داشبورد ایجاد کنید. در هنگام حفظ گزارش، عناصر جداگانه برای ذخیره کردن گزارش، تصویری فیلتر را حفظ می‌کند. پین کردن صفحه گزارش زنده به کاربران داشبورد اجازه می‌دهد تا با انتخاب جدا کننده‌ها و فیلترها با تصویر ارتباط برقرار کنند.

این مراحل اساسی در معماری نرم‌افزار Power BI است. اکنون ما قصد داریم اجزای Power BI و چگونگی همکاری آنها در معماری نرم‌افزار Power BI را مورد بحث قرار دهیم.

مولفه‌های معماری نرم‌افزار Power BI

اجازه دهید اجزای سازنده معماری نرم‌افزار Power BI را با جزئیات بیاموزیم. در اینجا لیستی از مولفه‌ها آورده شده است. این قطعات نقش مهمی در ارائه قابلیت‌های Power BI دارند.

  1. منابع اطلاعات

Data Sources Power BI می‌تواند اطلاعات را از منابع مختلف آنلاین و انواع پرونده‌ها تهیه کند. برای دریافت داده‌ها، اطلاعات را به Power BI وارد کرده یا سرویس مستقیمی ایجاد کنید. اگر پرونده را به Power BI وارد کنید، این نرم‌افزار، مجموعه داده‌ها را تا ۱ گیگابایت فشرده می‌کند و اگر مجموعه داده‌های فشرده بیش از ۱ گیگابایت باشد، از یک پرس و جو مستقیم استفاده می‌کنید.

در اینجا لیستی از منابع داده موجود در Power BI پشتیبانی می‌شود.

  • انواع پرونده‌ها:

Power BI از پرونده‌های نوع پوشه XML ،txt / CSV ،Excel ،JSON و Share point پشتیبانی می‌کند.

  • پایگاه داده:

از SQL Server Analysis Services ،SAP HANA Database ،SQL Server Database ،SAP Business Warehouse server ،Database Access ،Google BigQuery (Beta) Amazon Redshift ،Snowflake ،Impala ،Oracle Database ،IBM Informix database (Beta) ،Teradata پشتیبانی می‌کند.

  • Azure:

Azure Blob Storage Azure ،SQL Data Warehous ،Azure Analysis Services (Beta) ،Azure SQL Database ،Azure Data Lake Store ،Azure Table Storage Azure HDInsight (HDFS) ،Azure Cosmos DB (Beta) ،Azure HDInsight Spark (Beta).

  • خدمات آنلاین:

خدمات Power BI ،Dynamics 365  (آنلاین)، Microsoft Exchange Online، سرویس داده‌های مشترک (Beta)، لیست آنلاین SharePoint، خدمات Visual Studio Team (Beta) ،Dynamics 365 for Financials (Beta) ،Microsoft Azure Consume Insights (Beta) ،Salesforce Objects ،Salesforce Reports ،Google Analytics ، Dynamics 365 for Customer Insights (Beta) ،GitHub (Beta) ،appFigures (Beta) ،comScore Digital Analytix (Beta)،Facebook ،Kusto (Beta) ،Planview Enterprise (Beta) ،MailChimp (Beta) ،Mixpanel (Beta) ،QuickBooks Online ،Projectplace (Beta).

  • سایر خدمات:

Hadoop File (HDFS) ،Vertica (Beta) ،Web ،OData Feed ،SharePoint List ،Microsoft Exchange ،Active Directory ،R Script ،ODBC ،Spark (Beta)،Blank Query ،OLE DB.

  1. دسکتاپ Power BI

پاور بی آی دسکتاپ یک نرم‌افزار رایگان است که به شما امکان می‌دهد داده‌های روی دسکتاپ خود را متصل، تبدیل و تجسم کنید. می‌توانید با کمک Power BI Desktop به منابع مختلف داده متصل شوید و داده‌ها را در یک مدل داده ترکیب کنید. این مدل داده به شما امکان می‌دهد مجموعه‌ای از تصاویر و گرافیک‌ها را ایجاد کنید که باعث می‌شود اطلاعات موجود در سازمان را به عنوان پرونده به اشتراک بگذارید. اکثر کاربرانی که در پروژه‌های هوش تجاری کار می‌کنند از Power BI Desktop برای ایجاد و به اشتراک گذاشتن گزارش‌های خود با دیگران استفاده می‌کنند.

  1. خدمات Power BI

Power BI Service یک سرویس On-Cloud با یک بستر وب است و برای اشتراک و انتشار گزارش‌های ساخته شده در Power BI Desktop استفاده می‌شود. این قابلیت، داده‌ها را با کاربران دیگر اشتراک‌گذاری کرده و داشبورد ایجاد می‌کند. سرویس Power BI همچنین “Power BI Workspace” ،”Power BI Web Portal” و “Power BI Site” نامیده می‌شود. Power BI Service ویژگی‌های فوق‌العاده‌ای مانند هشدارها و پرسش و پاسخ به زبان طبیعی را ارائه می‌دهد.

این بخش در سه نسخه موجود است. آنها به شرح زیر هستند:

  • نسخه Premium
  • نسخه Pro
  • نسخه رایگان

  1. سرویس گزارشات Power BI

Power BI Report Server مشابه Power BI Service است. ریپورت سرور یک سیستم عامل سرور On-Premises. با استفاده از Power BI Report Server، سازمان‌ها می‌توانند داده‌های خود را ایمن کنند. این بخش، کاربران را قادر می‌سازد گزارش و داشبورد ایجاد کنند و به شما امکان می‌دهد گزارش‌ها را با سایر پروتکل‌های امنیتی مناسب با سایر کاربران یا سازمان‌ها به اشتراک بگذارید. برای استفاده از این سرویس، باید مجوز Power BI Premium داشته باشید.

نتیجه سخن

در این مقاله، سعی شد تا در مورد معماری Power BI، عملکرد و اجزای مهم این برنامه صحبت کنیم. همچنین خدمات Power BI و عملکرد آن را برای سهولت کار با این برنامه از نظر گذراندیم.


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