Разработка моделей данных SQL

Профиль аудитории:

• Основной аудиторией курса являются специалисты в области баз данных, заинтересованные в освоении навыков разработчики бизнес аналитики для создания корпоративных решений бизнес аналитики.

Предварительные требования:

• Обладать базовыми знаниями об операционной системе Windows и ее ключевых возможностях.
• Обладать опытом работы с Transact-SQL.

По окончании курса слушатели смогут:

• Описать компоненты, архитектуру и природу решения бизнес аналитики (BI).
• Создавать многомерные базы данных (Multidimensional Databases) при помощи SQL Server Analysis Services (SSAS).
• Применять размерности (Dimension) в кубе.
• Применять значения (Measures) и группы значений (Measure Groups) в кубе.
• Использовать синтаксис MDX.
• Настраивать куб.
• Применять табличные базы данных.
• Использовать DAX для запросов в табличных моделях.
• Использовать интеллектуальный анализ данных (Data Mining) для прогнозирующего анализа (Predictive Analysis).

​

Модуль 1: Введение в бизнес аналитику (Business Intelligence) и моделирование данных.

• Введение в бизнес аналитику (Business Intelligence).
• Платформа бизнес аналитики Microsoft.
• Лабораторная работа: Исследование решения бизнес аналитики (BI).
• Исследование хранилища данных (Data Warehouse).
• Исследование модели данных (Data Model).

Модуль 2: Создание многомерных баз данных (Multidimensional Databases).

• Введение в многомерный анализ.
• Источники данных и представления источников данных.
• Кубы.
• Обзор безопасности куба.
• Настройка SSAS.
• Мониторинг SSAS.
• Лабораторная работа: Создание многомерной базы данных (Multidimensional Database).
• Создание источников данных.
• Создание и настройка представления источника данных.
• Создание и настройка куба.
• Добавление размерности (Dimension) к кубу.

Модуль 3: Работа с кубом и размерностями (Dimensions).

• Настройка размерностей (Dimensions).
• Определение иерархий атрибутов.
• Применение сортировки и группировки атрибутов.
• Медленно изменяемые размерности (Slowly Changing Dimensions).
• Лабораторная работа: Работа с кубом и размерностями (Dimensions).
• Настройка размерностей (Dimensions).
• Определение иерархий атрибутов.
• Сортировка и группировка атрибутов.

Модуль 4: Работа со значениями (Measures) и группами значений (Measure Groups).

• Работа со значениями (Measures).
• Работа с группами значений (Measure Groups).
• Лабораторная работа: Настройка значений (Measures) и групп значений (Measure Groups).
• Настройка значений (Measures).
• Определение постоянных связей.
• Настройка хранилища групп значений (Measure Groups).

Модуль 5: Введение в MDX.

• Основы MDX.
• Добавление вычислений в куб.
• Использование MDX для запросов куба.
• Лабораторная работа: Использование MDX.
• Создание запросов к кубу при помощи MDX.
• Создание вычисляемого члена.

Модуль 6: Настройка функциональности куба.

• Применение ключевых показателей производительности (KPI).
• Применение действий (Actions).
• Применение перспектив (Perspectives).
• Применение переводов (Translations).
• Лабораторная работа: Настройка куба.
• Применение действий (Actions).
• Применение перспектив (Perspectives).
• Применение переводов (Translations).

Модуль 7: Применение табличных моделей данных при помощи SQL Server Analysis Services (SSAS).

• Введение в табличные модели данных.
• Создание табличных моделей данных.
• Использование табличных данных служб анализ в корпоративном решении бизнес аналитики.
• Лабораторная работа: Работа с табличной моделью данных SQL Server Analysis Services (SSAS).
• Создание табличных моделей данных.
• Настройка связей и атрибутов.
• Настройка модели данных для корпоративного решения бизнес аналитики (BI).

Модуль 8: Введение в Data Analysis Expression (DAX).

• Основы DAX.
• Использование DAX для создания вычисляемых колонок и значений в табличной модели данных.
• Лабораторная работа: Создание вычисляемых колонок и значений в табличной модели данных.
• Создание вычисляемых колонок.
• Создание значений (Measures).
• Создание KPI.
• Создание иерархии (Parent – Child).

Модуль 9: Выполнение прогнозирующего анализа (Predictive Analysis) при помощи интеллектуального анализа данных (Data Mining).

• Обзор интеллектуального анализа данных (Data Mining).
• Создание настраиваемого решения интеллектуального анализа данных (Data Mining).
• Проверка модели интеллектуального анализа данных (Data Mining).
• Подключение и использование модели интеллектуального анализа данных (Data Mining).
• Использование надстройки Data Mining для Excel.
• Лабораторная работа: Выполнение прогнозирующего анализа (Predictive Analysis) при помощи интеллектуального анализа данных (Data Mining).
• Создание структуры и модели интеллектуального анализа данных (Data Mining).
• Исследование моделей интеллектуального анализа данных (Data Mining).
• Проверка моделей интеллектуального анализа данных (Data Mining).
• Использование модели интеллектуального анализа данных (Data Mining).
• Использование надстройки Data Mining для Excel.