مقادیر یکپارچه در DAX
DAX ( دویچر Aktienindex (شاخص سهام آلمان)) یک است شاخص بازار سهام متشکل از 30 عمده آلمان تراشه آبی شرکت های تجاری در بورس اوراق بهادار فرانکفورت . این یک شاخص بازده کل است . قیمت ها از محل معاملات Xetra گرفته شده است . به گفته دویچه بورس ، اپراتور Xetra ، DAX عملکرد 30 شرکت بزرگ آلمانی Prime Standard را از نظر حجم کتاب سفارشات و ارزش بازار اندازه گیری می کند. [2] DAX معادل FTSE 100 انگلستان و ایالات متحده است میانگین صنعتی داوجونز ، و به دلیل انتخاب شرکت کوچک آن ، لزوما نشان دهنده سرزندگی اقتصاد آلمان به طور کلی نیست.
شاخص L-DAX شاخص عملکرد شاخص DAX آلمان پس از بسته شدن محل معاملات Xetra بر اساس معامله کف در محل معاملات Börse Frankfurt است. اساس شاخص L-DAX معامله "کف" ( Parketthandel ) در بورس اوراق بهادار فرانکفورت است. روزانه بین 08:00 تا 17:45 ساعت CET محاسبه می شود. شاخص L/E-DAX (Late/Early DAX) از 17:45 تا 20:00 CET و از 08:00 تا 09:00 CET محاسبه می شود. Eurex ، یک آینده الکترونیکی اروپا و گزینه های ارز در بر زوریخ ، سوئیس با یک شرکت تابعه در فرانکفورت ، آلمان، ارائه می دهد گزینه (ODAX) و آینده (FDAX) در DAX 8:00-22:00 CET.
تاریخ پایه DAX 30 دسامبر 1987 است و از ارزش پایه 1000 شروع شده است. XETRA تکنولوژی محاسبه شاخص در هر ثانیه از 1 ژانویه 2006.
در 24 نوامبر 2020 ، دویچه بورس از افزایش DAX از 30 به 40 عضو و تشدید قوانین در پاسخ به رسوایی حسابداری Wirecard خبر داد. [3] این گسترش در سه ماهه سوم 2021 رخ می دهد. [4]
فهرست
نسخه ها [ ویرایش ]
بسته به محاسبه سود سهام ، DAX دارای دو نسخه به نام های شاخص عملکرد و شاخص قیمت است. شاخص عملکرد ، که بازده کل را اندازه گیری می کند ، متداول تر است ، اما شاخص قیمت بیشتر شبیه شاخص های متداول در کشورهای دیگر است.
سابقه قیمت [ ویرایش ]
در 16 مارس 2015 ، شاخص عملکرد ابتدا بالای 12000 بسته شد. [5] در 10 آوریل 2015 ، شاخص قیمت برای اولین بار در بالای بالاترین سطح خود از سال 2000 بسته شد.
ثبت مقادیر [ ویرایش ]
| دسته بندی | اوج تمام دوران | |
|---|---|---|
| بسته شدن | 15،790.51 | دوشنبه ، 12 ژوئیه 2021 |
| داخل روز | 15،806.90 | دوشنبه ، 12 ژوئیه 2021 |
بازده سالانه [ ویرایش ]
جدول زیر توسعه سالیانه DAX را نشان می دهد که تا سال 1950 به صورت گذشته گرا محاسبه شده است. [6] [7]
| سال | سطح بسته شدن | تغییر در فهرست در نقاط | تغییر شاخص در٪ |
|---|---|---|---|
| 1950 | 30.18 | 2.42 − | 7.42 پوند |
| 1951 | 65.01 | 34.83 | 115.41 |
| 1952 | 59.75 | .265.26 | .00.09 |
| 1953 | 74.09 | 14.34 | ساعت 24.00 |
| 1954 | 135.28 | 61.19 | 82.59 |
| 1955 | 148.81 | 13.53 | ساعت 10.00 |
| 1956 | 137.80 | .0 11.01 | 7.40 پوند |
| 1957 | 144.97 | 7.17 | 5.20 |
| 1958 | 232.23 | 87.26 | 60.19 |
| 1959 | 417.79 | 185.56 | 79.90 |
| 1960 | 534.09 | 116.30 | 27.84 |
| 1961 | 489.79 | . 44.30 | .28.29 |
| 1962 | 386.32 | 3 103.47 | . 21.13 |
| 1963 | 438.95 | 52.63 | 13.62 |
| 1964 | 477.89 | 38.94 | 8.87 |
| 1965 | 422.36 | 55.53 | .6 11.62 |
| 1966 | 333.36 | 89.00 پوند | .0 21.07 |
| 1967 | 503.22 | 169.86 | 50.95 |
| 1968 | 555.62 | 52.40 | 10.41 |
| 1969 | 622.38 | 66.76 | 12.02 |
| 1970 | 443.86 | 178.52 | 28.68 پوند |
| 1971 | 473.46 | 29.60 | 6.67 |
| 1972 | 536.36 | 62.90 | 13.29 |
| 1973 | 403.88 | 2.132.48 | 24.70 پوند |
| 1974 | 401.79 | .0 2.09 | .5 0.52 |
| 1975 | 563.25 | 161.46 | 40.19 |
| 1976 | 509.02 | 454.23 | .69.63 |
| 1977 | 549.34 | 40.32 | 7.92 |
| 1978 | 575.15 | 25.81 | 4.70 |
| 1979 | 497.79 | 77.36 پوند | .13.45 |
| 1980 | 480.92 | 16.87 پوند | .33.39 |
| 1981 | 490.39 | 9.47 | 1.97 |
| 1982 | 552.77 | 62.38 | 12.72 |
| 1983 | 773.95 | 221.18 | 40.01 |
| 1984 | 820.91 | 46.96 | 6.07 |
| 1985 | 1،366.23 | 545.32 | 66.43 |
| 1986 | 1،432.25 | 66.02 | 4.83 |
| 1987 | 1.000.00 | 2432.25 | . 30.18 |
| 1988 | 1،327.87 | 327.87 | 32.79 |
| 1989 | 1،790.37 | 462.50 | 34.83 |
| 1990 | 1،398.23 | 2. 392.14 | 21.90 پوند |
| 1991 | 1،577.98 | 179.75 | 12.86 |
| 1992 | 1.545.05 | 2. 322.93 | .0 2.09 |
| 1993 | 2،266.68 | 721.63 | 46.71 |
| 1994 | 2،106.58 | 60160.10 | .07.06 |
| 1995 | 2،253.88 | 147.30 | 6.99 |
| 1996 | 2،888.69 | 634.81 | 28.17 |
| 1997 | 4،249.69 | 1،361.00 | 47.11 |
| 1998 | 5،002.39 | 752.70 | 17.71 |
| 1999 | 6،958.14 | 1،955.75 | 39.10 |
| 2000 | 6،433.61 | 24 524.53 | 7.54 پوند |
| 2001 | 5،160.10 | ، 1،273.51 | .7 19.79 |
| 2002 | 2،892.63 | 2.267.47 پوند | 43.94 |
| 2003 | 3،965.16 | 1،072.53 | 37.08 |
| 2004 | 4،256.08 | 290.92 | 7.34 |
| 2005 | 5،408.26 | 1،152.18 | 27.07 |
| 2006 | 6،596.92 | 1،188.66 | 21.98 |
| 2007 | 8،067.32 | 1،470.40 | 22.29 |
| 2008 | 4،810.20 | ،3،257.12 | 40.37 پوند |
| 2009 | 5،957.43 | 1،147.23 | 23.85 |
| 2010 | 6،914.19 | 956.76 | 16.06 |
| 2011 | 5،898.35 | 1.015.84 پوند | 14.69 پوند |
| 2012 | 7،612.39 | 1،714.04 | 29.06 |
| 2013 | 9،552.16 | 1،939.77 | 24.77 |
| 2014 | 9،805.55 | 253.39 | 2.65 |
| 2015 | 10،743.01 | 937.46 | 9.56 |
| 2016 | 11،481.06 | 738.05 | 6.87 |
| 2017 | 12،917.64 | 1،436.58 | 12.51 |
| 2018 | 10،558.96 | 2.358.68 پوند | .2618.26 |
| 2019 | 13،249.01 | 2،690.05 | 25.48 |
| 2020 | 13،718.78 | 469.77 | 3.55 |
اجزاء [ ویرایش ]
در زیر لیست شرکتهایی که جزء DAX 30 هستند ، تا 21 سپتامبر 2020 آمده است. قیمتهای فعلی سهام و لیست شرکتهای DAX از وب سایتهای مالی موجود است. [8] [9] وزن شاخص به شاخص عملکرد DAX اشاره دارد. [10]
| شرکت | بخش استاندارد استاندارد | نماد تیکت | وزن شاخص (٪) 1 | کارکنان | تأسیس شد | |
|---|---|---|---|---|---|---|
| آدیداس | کفش | ADS.DE | 4.91 | 57،016 (2018) | 1924 | |
| آلیانز | خدمات مالی | ALV.DE | 7.22 | 142،460 (2018) | 1890 | |
| BASF | مواد اولیه | BAS.DE | 4.89 | 122،404 (2018) | 1865 | |
| بایر | مراقبت های بهداشتی | BAYN.DE | 5.52 | 110،838 (2018) | 1863 | |
| بی ام و | خودرو | BMW.DE | 2.00 | 134،682 (2018) | 1916 | |
| قاره | خودرو | CON.DE | 0.99 | 243،226 (2018) | 1871 | |
| کاووسترو | مواد اولیه | 1COV.DE | 0.81 | 16،770 (2018) | 2015 | |
| دایملر | خودرو | DAI.DE | 3.84 | 298،683 (2018) | 1926 | |
| قهرمان تحویل | سفارش آنلاین غذا | DHER.DE | 1.28 | 24،617 (2019) | 2011 | |
| بانک دویچه | خدمات مالی | DBK.DE | 1.56 | 91،463 (2019) | 1870 | |
| دویچه بورس | خدمات مالی | DB1.DE | 2.67 | 5،964 (2018) | 1992 | |
| دویچه پست | صنایع | DPW.DE | 3.91 | 547،459 (2018) | 1995 | |
| دویچه تلکام | خدمات ارتباطی | DTE.DE | 4.93 | 215،675 (2018) | 1995 | |
| دویچه ووهنن | مشاور املاک | DWNI.DE | 1.41 | 3.549 (2019) | 1998 | |
| E.ON | خدمات رفاهی | EOAN.DE | 2.10 | 43،302 (2018) | 2000 | |
| فرسنیوس | مراقبت های بهداشتی | FRE.DE | 1.63 | 276،750 (2018) | 1912 | |
| مراقبت های پزشکی Fresenius | مراقبت های بهداشتی | FME.DE | 1.44 | 118،308 (2018) | 1996 | |
| سیمان هایدلبرگ | مواد اولیه | HEI.DE | 0.78 | 57،939 (2018) | 1874 | |
| هنکل | کالاهای مصرفی | HEN3.DE | 1.53 | 53،450 (2018) | 1876 | |
| فناوری های Infineon | فن آوری | IFX.DE | 3.06 | 40،100 (2018) | 1999 | |
| لیند | مواد اولیه | LIN.DE | 10.47 | 58،000 (2018) | 1879 | |
| مرک | مراقبت های بهداشتی | MRK.DE | 1.61 | 51،713 (2018) | 1668 | |
| موتورهای MTU Aero | صنایع | MTX.DE | 0.80 | 10،206 (2019) | 1934 | |
| مونیخ ری | خدمات مالی | MUV2.DE | 3.31 | 41،410 (2018) | 1880 | |
| RWE | خدمات رفاهی | RWE.DE | 1.91 | 17،748 (2018) | 1898 | |
| شیره | فن آوری | SAP.DE | 10.18 | 96،498 (2018) | 1972 | |
| زیمنس | صنایع | SIE.DE | 8.65 | 379،000 (2018) | 1847 | |
| انرژی زیمنس | فناوری انرژی | ENR.DE | 88،000 (2019) | 2020 | ||
| گروه فولکس واگن | خودرو | VOW3.DE | 2.55 | 302،554 (2018) | 1937 | |
| وونویا | مشاور املاک | VNA.DE | 3.11 | 9،923 (2018) | 2001 |
^توجه 1 : وزنها تا 21 سپتامبر 2020 [10]
اجزای DAX سابق [ ویرایش ]
در این جدول اجزای DAX سابق و شرکتهایی که آنها را جایگزین کرده اند فهرست شده است.
مدل‌سازی داده چیست؟
مدل‌سازی داده (Data Modeling) فرآیند ایجاد مدل برای ذخیره داده‌ها در پایگاه داده است. مدل داده شامل نمایش مفهومی داده، ارتباط بین داده‌های مختلف و قوانین میشود. مدل‌سازی داده‌ها به نمایش بصری آنها کمک می‌کند و قوانین کسب و کار، نظارتی و سیاست‌های دولت در مورد داده‌ها را اعمال می‌کند. مدل‌های داده ضمن اطمینان از کیفیت داده‌ها، سازگاری در نام‌گذاری قراردادها، مقادیر پیش‌فرض، معناشناسی و مواردی از این دست را امکان‌پذیر می‌سازند.
مدل داده
مدل داده به عنوان یک مدل انتزاعی تعریف شده است که توصیف داده‌ها، معناشناسی و محدودیت‌های آنها را در بر می‌گیرد. مدل داده بر روی اینکه چه داده‌ای مورد نیاز است و چگونه باید سازماندهی شود، تأکید دارد. مدل داده مانند نقشه ساختمان یک معمار است که به ساخت مدل‌های مفهومی و ایجاد رابطه بین انواع داده کمک می‌کند.
تکنیک‌های مدل‌سازی داده‌ها به دو دسته تقسیم می‌شوند:
- مدل رابطه نهاد (E-R)
- UML (زبان مدل‌سازی یکپارچه)
چرا باید از مدل داده استفاده کنیم؟
هدف استفاده از مدل داده می‌تواند شامل موارد زیر باشد:
- مدل داده اطمینان حاصل می‌کند که تمام داده‌های مورد نیاز پایگاه داده به درستی نمایش داده می‌شوند. حذف داده‌ها منجر به ایجاد نتایج نادرست و گزارش‌های ناقص میشود.
- یک مدل داده به طراحی پایگاه داده در سطح مفهومی، فیزیکی و منطقی کمک می‌کند.
- ساختار مدل داده به تعریف جداول رابطه‌ای، کلیدهای اصلی و خارجی و رویه‌های ذخیره شده کمک می‌کند.
- مدل داده یک تصویر واضح از داده‌های پایه را فراهم می‌کند و می‌تواند توسط توسعه‌دهندگان پایگاه داده برای ایجاد یک پایگاه داده فیزیکی مورد استفاده قرار گیرد.
- مدل داده همچنین برای شناسایی داده‌های از دست رفته و اضافی نیز مفید است.
- گرچه ایجاد اولیه مدل داده کار طولانی و زمان‌بری است، اما در طولانی مدت، این امر باعث میشود که شما بتوانید زیرساخت‌های خود را سریع‌تر ارتقا دهید و بهتر نگهداری کنید.
انواع مدل‌های داده
به طور عمده سه نوع مختلف مدل داده وجود دارد: مدل‌های داده مفهومی، مدل‌های داده منطقی و مدل‌های داده فیزیکی، که هر یک از آنها اهداف خاصی دارند. مدل‌های داده برای نشان دادن داده‌ها و نحوه ذخیره شدن آنها در پایگاه داده و تنظیم رابطه بین داده‌ها استفاده می‌شوند.
مدل داده مفهومی: این مدل داده، آنچه سیستم شامل آن میشود را تعریف می‌کند. این مدل معمولاً توسط ذینفعان کسب و کار مقادیر یکپارچه در DAX و معماران داده ایجاد میشود. هدف آن سازماندهی، دامنه‌گذاری و تعریف مفاهیم و قوانین کسب و کار است.
مدل داده منطقی: این مدل تعیین می‌کند که چگونه سیستم بدون در نظر گرفتن پایگاه داده باید اجرا شود. این مدل معمولاً توسط معماران داده و تحلیلگران کسب و کار استفاده میشود. هدف آن، تهیه نقشه فنی قوانین و ساختارهای داده است.
مدل داده فیزیکی: این مدل داده توضیح می‌دهد که چگونه سیستم با استفاده از یک پایگاه داده خاص اجرا میشود. این مدل معمولاً توسط دکترهای مدیریت کسب و کار و توسعه‌دهندگان ایجاد میشود. هدف آن نیز اجرای واقعی پایگاه داده است.
مدل داده مفهومی
مدل داده مفهومی نمای سازمان یافته‌ای از مفاهیم پایگاه داده و روابط آنها است. هدف از ایجاد یک مدل داده مفهومی، ایجاد نهادها، ویژگی‌ها و روابط آنها است. در این سطح مدل‌سازی داده‌ها، به سختی می‌توان جزئیاتی در مورد ساختار واقعی پایگاه داده در دسترس داشت. ذینفعان تجاری و معماران داده معمولاً یک مدل داده مفهومی ایجاد می‌کنند.
الگوی تحلیلی
آ هوش تجاری الگوی تحلیلی طرحی را برای ارائه قابلیت های تحلیلی مقرون به صرفه فراهم می کند (برنامه های کاربردی هوش تجاری و انبارهای داده).
- جمع آوری کنید داده ها از یک شرکت سیستم های عملیاتی و/یا منابع خارجی,
- تمیز و تصدیق داده,
- ادغام کنید داده ها و ذخیره آنها در یک مخزن مرکزی سازماندهی شده توسط افراد,
- ارائه داده ها مقادیر یکپارچه در DAX به شکلی قابل دسترس و قابل درک توسط کاربران غیر فنی, و
- تجزیه و تحلیل و ارائه اطلاعات از طریق گزارش ها و ابزارهای تحلیلی (صفحات گسترده, جداول محوری, تحلیل آماری, تجسم داده ها, داده کاوی, و غیره.).
الگوی تحلیلی این امکان را برای سازمان ها فراهم می کند:
- از یک محیط داده مشترک استفاده کنید که در آن داده ها جمع آوری می شوند, یک بار برای استفاده های متعدد تمیز و یکپارچه شده است.
- مشترک استفاده کنید, معماری های اثبات شده, فن آوری ها و فرآیندها, و
- در یک محیط محاسباتی ساده و مشترک کار کنید.
چه موقع باید استفاده کرد
الگوی تحلیلی باید هر زمانی که توابع تجزیه و تحلیل انبارهای داده اجرا می شوند استفاده شود. الگوی تحلیلی را می توان برای یک ماژول از یک برنامه استفاده کرد, یک برنامه واحد, یا مجموعه ای از برنامه های کاربردی که یک انبار داده مشترک و/یا ذخیره اطلاعات عملیاتی و همچنین داشبورد را به اشتراک می گذارند.
ویژگی های استفاده
الگوی تحلیلی باید برای هر یک از این الزامات عملکردی مرتبط با ساختار استفاده شود, داده های نیمه ساختاریافته و/یا بدون ساختار:
- گذشته را تحلیل کنید, حاضر, و/یا روندهای آینده را پیش بینی کنید. توابع معمولی شامل تجزیه و تحلیل مالی است, پیش بینی, تجزیه و تحلیل استفاده, معیارهای عملکرد, یافتن سرنخ, تقسیم بندی اعضا, تجزیه و تحلیل پیش بینی و غیره.
- الگوهای ناشناخته قبلی را در مقادیر زیادی از داده های ساختاریافته یا بدون ساختار کشف کنید.
- قوانین پیچیده تجاری را اجرا کنید (به عنوان مثال. سهام مجوز, توزیع اعضا, بهینه سازی سبد سرمایه گذاری, شناسایی اقدامات متقلبانه, و غیره.).
- گزارش یا تجزیه و تحلیل داده ها از منابع متعدد (داخلی و خارجی). پاک کردن داده, یکپارچه سازی و استانداردسازی معمولا مورد نیاز است.
- گزارش تاریخی. این ممکن است شامل تولید گزارش از چندین مورد باشد, سیستم‌های مختلفی که در زمان‌های مختلف و با ساختار داده‌های متفاوت در حال استفاده بودند.
- داشبورد هوش تجاری که محیط گزارش دهی را در یک رابط کاربر پسند ادغام می کند.
- بهبود گزارش, کاهش هزینه های, یا بهبود عملکرد سیستم های عملیاتی:
- دسترسی کاربر را ساده کنید (درک و ناوبری داده ها را آسان تر می کند).
- انتخاب های گزارش و گزینه های قالب بندی انعطاف پذیرتری را ارائه دهید.
- بهبود عملکرد گزارش.
- بار کار گزارش دهی را از محیط پردازش تراکنش بارگیری کنید.
مزایای الگوی تحلیلی
یک الگوی تحلیلی برای ارائه بسیار انعطاف پذیر طراحی شده است, سیستم‌های هوش تجاری مقرون‌به‌صرفه و انبارهای داده قوی که می‌توانند از رشد پایدار حمایت کنند و به سرعت به نیازهای در حال تغییر کسب‌وکار پاسخ دهند..
برقراری ارتباط میان دو جدول در اکسل
یکی از مهم‌ترین ویژگی‌های اضافه‌شده در اکسل ۲۰۱۳ امکان برقراری ارتباط میان جداول و ساخت گزارش از روی دو جدول می‌باشد. این امکان در اکسل ۲۰۱۰ با استفاده از افزونه Power Pivot قابل انجام است. با استفاده از این ویژگی می‌توان به‌راحتی جداول مجزا از یکدیگر را به یکدیگر وصل کرده و به‌صورت یک ساختار یکپارچه در گزارش‌ها استفاده نمود.
ضررورت ایجاد ارتباط میان دو حدول
در دنیای واقعی نمی‌توان تمامی داده‌های مدنظر را همواره در یک جدول جمع‌آوری نمود و در صورت انجام این کار با یک جدول بسیار بزرگ که شامل تعداد زیادی ستون است مواجه خواهیم شد که این امر منجر به افزونگی داده‌ها میشود، بدین دلیل، عموماً اطلاعات مدنظر در جداول متفاوت قرار داده میشود و همواره بین جداول روابط متعدد برقرار می‌گردد.
برای مثال دیتابیس فروش شامل تاریخ می‌باشد، به‌جای آن‌که در این جدول مشخص کنیم هر تاریخ مربوط به چه روزی، چه ماهی، چه سالی و …. است یک جدول دیگر به نام تاریخ مقادیر یکپارچه در DAX ایجاد می‌کنیم و در آن برای هر تاریخ اطلاعات مربوط به‌روز، ماه سال و …. را مقابل همان تاریخ ثبت می‌کنیم، سپس این بین جدول تاریخ و فروش رابطه برقرار می‌کنیم تا از تکرار اطلاعات در جدول فروش جلوگیری نماییم؛ چراکه در جدول فروش ممکن است یک تاریخ هزار بار تکرار شود (در آن تاریخ هزار بار فروش متعدد داشته باشیم) در این حالت نیازی نیست که برای هر هزار بار مقادیر روز، ماه، سال و …. آن تاریخ ۱۰۰۰ بار تکرار شود و صرفاً برای آن تاریخ یک بار در جدول تاریخ مشخصات ثبت‌شده است، برای بهتر فهمیدن موضوع بهتر است با یک مثال واقعی کار را پیش ببریم.
نحوه ایجاد ارتباط میان دو جدول
فرض کنیم اطلاعات فروش یک فروشگاه از سال ۱۳۹۰ تا سال ۱۳۹۵ با در نظر گرفتن تاریخ شمسی مطابق با شکل ذیل جمع‌آوری‌شده است، می‌خواهیم در این مسئله درآمد ماهیانه، فصلی و سالیانه این فروشگاه را محاسبه نماییم.
در این مسئله به‌جای اضافه کردن سه ستون، سال، فصل و ماه به جدول پایه، یک جدول جدید ایجاد کرده‌ایم که اطلاعات پایه هر تاریخ در آن نگهداری میشود و ستون تاریخ آن شامل تاریخ تکراری نمی‌باشد (هر تاریخ فقط یک بار در ستون تاریخ ثبت‌شده است) مطابق با شکل ذیل
در گام بعدی بر روی جدول اطلاعات فروش رفته و یکی از سلول‌های آن را (تنها یک سلول) انتخاب نموده سپس از تب Insert گزینه Table را انتخاب مقادیر یکپارچه در DAX نموده و پنجره بازشده را تائید کرده تا داده‌ها به‌صورت جدول اکسل نمایش داده شوند.در گام بعدی درحالی‌که یکی از داده‌های جدول انتخاب‌شده است، از تب Design در قسمت Table Name نام جدیدی تحت عنوان Historical برای جدول فروش انتخاب نموده. (مطابق با شکل ذیل)
با اجرای مراحل فوق برای داده‌های تاریخ، آن را به جدول اکسل تبدیل نموده و عبارت ،Tarikh را به‌عنوان اسم ان جدول انتخاب نموده.
در گام بعدی بر روی یکی از سلول‌های جدول Historical کلیک کرده و از تب Insert گزینه Pivot Table را انتخاب نموده و پنجره جدید بازشده را تائید نموده تا شیت جدید برای ساخت جدول محوری مربوط به داده‌های فروش مطابق با شکل ذیل ایجاد شود.
همان‌طور که در تصویر فوق مشاهده میشود، در انتهای قسمت Pivot Table Field گزینه More Tables قرار دارد که با انتخاب آن پیغام ذیل مشاهده میشود.
با انتخاب گزینه Yes در این پنجره، شیت جدیدی برای ساخت جدول محوری ایجاد میشود که در قسمت Pivot Table Field آن هر دو جدول Historical و Tarikh وجود دارد و کاربر می‌تواند فیلدهای این دو جدول را به‌صورت دلخواه در گزارش خود استفاده کند.
مطابق با شکل ذیل، “فیلد” سال را از جدول Tarikh انتخاب کرده و در قسمت Row قرار داده.
و به دنبال آن فیلد “درآمد” را از جدول Historical انتخاب نموده و در باکس Values قرار داده. مطابق با شکل ذیل
همان‌طور که در شکل فوق مشاهده میشود، با انجام این کار درآمد ثبت‌شده در مقابل تمامی اعداد سال برابر بوده (برابر با جمع کل درآمدها) و پیغام زردرنگی مبنی بر برقرار نبودن ارتباط میان جداول انتخاب‌شده در قسمت بالای Pivot Table Field مشاهده میشود.
در گام مقادیر یکپارچه در DAX آخر کافی است رابطه بین این دو جدول را برطرف نموده تا پیغام زردرنگ از بین برود و محاسبات نیز به‌درستی صورت پذیرد. بدین منظور کافی است بر روی کلید Create در قسمت زردرنگ کلیک نموده تا پنجره تعریف ارتباط دو جدول مطابق با شکل ذیل مشاهده شود.
در این پنجره کافی است اسم جداول که می‌خواهیم باهم لینک کنیم به همراه ستون مبنا برای لینک کردن را تعیین کنیم، لذا در قسمت Table، نام جدول Historical را انتخاب نموده و در قسمت Column (Forign)، نام ستون تاریخ را به‌عنوان ستون ارتباط‌دهنده انتخاب نموده سپس در قسمت Related Table، جدول Tarikh را برگزیده و در قسمت Related Column (primery) ستون “تاریخ شمسی” را انتخاب نمود. (مطابق با شکل ذیل)
در این مرحله بعد از تکمیل فیلدهای مربوط به پنجره تعریف رابطه میان دو جدول با تائید کردن آن، مطابق با شکل ذیل مشاهده می‌گردد که محاسبات اصلاح‌شده و پیغام زردرنگ در قسمت Field List از بین رفته است.
با برقراری ارتباط میان دو جدول، دیگر می‌توان به‌راحتی فیلدهای مختلف از دو جدول را در یک گزارش با یکدیگر ترکیب نموده و گزارش مدنظر را ایجاد نمود، برای مثال با اضافه کردن فیلد “ماه” از جدول Tarikh به قسمت Rows در ادامه مثال قبل، نتیجه مشابه با شکل ب دست می‌آید.
یا با اضافه کردن فیلد “ویزیتور” از جدول Historical به قسمت Columns از جدول محوری، نتیجه به‌صورت ذیل مقادیر یکپارچه در DAX خواهد شد.
نکات مهم در برقراری ارتباط میان دو جدول
همان‌طور که مشاهده شد با ایجاد ارتباط میان دو یا چند جدول، به‌راحتی می‌توان قدرت گزارش‌گیری را افزایش داد. اما در هنگام برقراری ارتباط بین جداول باید چند نکته مهم را رعایت کرد.
هوش تجاری در شیرپوینت بخش اول
چشم انداز مایکروسافت برای ارائه ابزار BI است، که به تمام کاربران، دسترسی به اطلاعات مورد نیاز برای تصمیم گیری آگاهانه را می‌دهد. کاربران همچنین باید انعطاف پذیری برای کار با ابزارهایی مانند اکسل و مایکروسافت Visio را نیز داشته باشند. این واقعیت که مایکروسافت همچنان به ارائه ابزارهایی که خود سرویس(Self-service) هستند، می پردازد بیشتر مشهود است. با انتشار اکسل ۲۰۱۳، که در پایه کد SQL Server 2012 بود به عنوان آخرین ابزار گزارش دهی قدرتمند، Power View به عنوان یک گزینه برای کاربران معرفی گردید. همچنین، PowerPivot دیگر دانلود جداگانه نیست، بلکه بخشی از اکسل ۲۰۱۳ است. اگر شما فکر می کنید که چگونه بسیاری از افراد از اکسل استفاده می کنند، به راحتی می توانید ببینید که این ابزار رایج ترین ابزار BI است.
وضعیت پارادوکس(دوگانگی) تحلیلی، بدین مفهوم که”کسانی که بیشترین تصمیمات را می‌گیرند، حداقل اطلاعات را دارند. کسانی که کمترین تصمیمات را در مرکز سازمان می گیرند بیشترین اطلاعات را دارند.” کارکنان در خط مقدم توانایی اقدام در مورد بینش های مشتق شده از قابلیت های تحلیلی هستند، اما به ندرت اطلاعات لازم برای دستیابی به این بینش را دارند. آنها باید از بخش فناوری اطلاعات بپرسند و سپس در صورت درخواست اطلاعات از سیستم ها به اجبار به ابتدای راه باز می‌گردند. شکل زیر خلاصه چشم انداز مایکروسافت و جهت آن را برای ارائه BI به مردم برای کمک به آنها در حل پارادوکس تحلیلی نشان داده است.
چشم انداز مایکروسافت برای BI
قدرت محاسباتی مدرن باعث می شود BI بیشتر و بیشتر در دسترس همه کارکنان در یک سازمان باشد تا بتوانند تصمیمات سریع تر و آگاهانه تری بگیرند. مایکروسافت با ایجاد ابزارهایی که در این سری مقالات برجسته شده است، سخت تلاش کرده است تا دیدگاه و استراتژی خود را ارائه دهد.
شکل بالا جریان اطلاعات درست را که در زمان مناسب و در فرمت مناسب و به افراد مناسب ارسال می شود، نشان می دهد. پیدا کردن مقدار مناسب اطلاعات برای ارائه بسیار مهم است تا کاربران دستپاچه نباشند و در عین حال به آنها کمک کند تا با هم تمرکز کنند. جریان اطلاعات در تصویر به سه سطح تصمیم می پردازد: استراتژیکی، تاکتیکی و عملیاتی. هر کدام از اینها را شرح می دهیم:
استراتژیک
در سطح اجرایی، تصمیم گیری در مورد آنچه که شرکت به طور گسترده در حال انجام آن است، تصمیم گیری می شود که شامل انتخاب هایی مانند خطوط تولید، روش های تولید، تکنیک های بازاریابی و کانال ها می‌باشد.
تاکتیکی
تصمیمات گرفته شده در این سطح از تصمیمات استراتژیک را در سطح اجرایی پشتیبانی می‌کند. در این سطح، تحلیلگران بررسی می کنند که آیا پیش بینی ها اهداف مالی را در برنامه یک تا پنج ساله مشخص می‌کنند. اگر مشخص نمی کنند، عناصر پیش بینی‌ها باید تغییر کند. به عنوان مثال، پیش بینی مالی به صورت جزئی به منظور اندازه گیری و نظارت بر اهداف کلی شرکت در مقایسه با انتظارات سرمایه گذاران ایجاد شده است. انتظارات سرمایه گذاران براساس تعدادی متغیر است که شامل میانگین صنعت، اقتصاد و غیره هستند.
در این سطح، وضعیت پروفرم برای رسیدن به اهداف زیر استفاده می شود:
- برآورد اثر تغییرات عملیاتی پیشنهاد شده، که باعث می شود تا مدیران تجزیه و تحلیل “چه میشود اگر” (What-if) انجام دهند.
- پیش بینی نیازهای مالی آینده شرکت.
- پیش بینی جریان نقدی تحت برنامه های مختلف عملیاتی، پیش بینی نیازهای سرمایه و سپس برنامه ای انتخاب میشود که ارزش سهام را به حداکثر برساند.
عملیاتی
تصمیمات عملیاتی شامل آنهایی هستند که روزانه توسط همه کارکنان برای حمایت از تصمیمات تاکتیکی ساخته می شوند. تأثیر آنها فوری، کوتاه مدت و معمولا کم هزینه است. عواقب تصمیم گیری عملیاتی بد معمولا حداقل است، اگر چه مجموعه ای از تصمیمات عملیاتی بد یا غلط می تواند باعث آسیب شود. اما زمانی که با یکدیگر هماهنگ می شوند، تصمیمات عملیاتی می تواند بر موفقیت شرکت تاثیر گذار باشد.
آیا همه اینها فقط تلاش دیگری در راستای بی نظمی “BI برای همه” است؟ ما باور نداریم. ما فکر می کنیم مهم است که از کارهایی که ممکن است برای تهیه داده ها ضروری باشد، آگاه باشید، بنابراین می توانید نتایج را برای افراد بیشتری در موقعیت‌هایی قرار دهید تا مشکلی از مشکلات ایجاد شده یا تنظیمات مربوط به یک شرکت بهبود یابد. مدل بلوغ BI منجر به تلاش و هماهنگی خوبی برای دریافت داده ها از سیستم ها در یک کشور می شود که می تواند مورد اعتماد واقع شود تا بتواند به پشتیبانی از تصمیم گیری هوشمندانه کمک کند.
بسیاری از شرکت ها از Excel برای جمع آوری داده های هوش تجاری استفاده می کنند و هنوز هم تعداد نامحدودی از “نسخه‌های حقیقی” (versions of the truth). همچنین شرکت ها اغلب افرادی دارند که باسوادتر از دیگران هستند و یا نفوذ بیشتری دارند، بنابراین افرادی هستند که در نهایت نیاز به بخش فناوری اطلاعات برای ایجاد و دریافت گزارشات دارند. افرادی هستند که می دانند چگونه می توانند گزارشات بصری بیشتری ایجاد کنند و در نتیجه، در کسب اطلاعات در مقابل تصمیم گیرندگان موفق تر هستند، حتی زمانی که داده های آنها معتبر نیستند.
دیدگاه شما