آموزش توابع حسابداری در اکسل به زبان فارسی
قسمت اول
#اکسل
#حسابداری
#تابع

با توجه به اتفاقات این چند روز، شروع کلاس سه شنبه ٩ اردیبهشت‌ماه خواهد بود

#استخدام
#کنترل_پروژه

⬅️ | کارشناس کنترل پروژه (پروژه ساختمانی – خیابان شریعتی، تهران)

شرکت موان برای پروژه ساختمانی در خیابان شریعتی تهران، به دنبال جذب یک کارشناس کنترل پروژه برای تکمیل تیم اجرایی خود می‌باشد.

شرایط و مهارت‌های مورد نیاز:
• آشنایی به نرم‌افزار Excel
• آشنایی با فرآیندها و اصول برنامه‌ریزی در صنعت ساختمان
• توانایی تهیه و ارائه گزارش‌های پیشرفت فیزیکی و مالی پروژه
• دقت، مسئولیت‌پذیری و توانایی مدیریت زمان
• آشنایی با نرم‌افزار MSP

⸻

⬅️ | کارشناس کنترل پروژه (دفتر مهندسین معماری)

دفتر مهندسین معماری با سابقه و معتبر، واقع در تهران محدوده قیطریه، به‌دنبال جذب یک کارشناس هماهنگی و کنترل پروژه با انگیزه برای همکاری در پروژه‌های معماری است.

شرایط و مهارت‌های مورد نیاز:
• تسلط کامل به نرم‌افزار Excel
• آشنایی با روند پروژه‌های معماری و مدیریت زمان
• توانایی پیگیری پیشرفت پروژه‌ها و تهیه گزارش‌های دقیق و به‌موقع
• دقت بالا، مسئولیت‌پذیری و توانایی کار تیمی
• آشنایی با نرم‌افزارهای مدیریت پروژه (مزیت محسوب می‌شود)


ارسال رزومه
09126209698

ظرفیت تکمیل شد
دوره بعدی
اوایل تیر ماه

اهمیت مصورسازی در گزارشات
⬇️
“Bad visualizations” یا تصاویر
داده‌ای ضعیف به نمودارها و گراف‌هایی گفته می‌شود که به‌جای کمک به درک بهتر اطلاعات، باعث سردرگمی، اشتباه یا برداشت نادرست مخاطب می‌شوند. این نوع تجسم‌ها معمولاً به دلیل طراحی ضعیف، انتخاب نادرست نوع نمودار، یا استفاده غلط از رنگ و مقیاس به وجود می‌آیند.

ویژگی‌های رایج تجسم‌های داده‌ای بد:
1. انتخاب نمودار نامناسب: مثلاً استفاده از نمودار دایره‌ای برای مقایسه تعداد زیاد آیتم‌ها یا مقادیر خیلی نزدیک.
2. عدم تناسب مقیاس: محورهایی که از صفر شروع نمی‌شوند یا کشیدگی افقی/عمودی بیش از حد دارند که باعث بزرگ‌نمایی یا کوچک‌نمایی داده‌ها می‌شود.
3. استفاده بیش از حد از رنگ یا افکت: رنگ‌های تند یا زیاد، سایه‌ها و سه‌بعدی‌سازی بی‌دلیل می‌توانند حواس را پرت کنند.
4. انبوهی اطلاعات در یک نمودار (Overplotting): وقتی داده‌های زیاد در یک نمودار چیده می‌شوند و آن را غیرقابل خواندن می‌کنند.
5. نبود برچسب، عنوان یا منبع: مخاطب نمی‌داند داده‌ها درباره چیست، از کجا آمده، یا چه زمانی جمع‌آوری شده.
6. گمراه‌کننده بودن: استفاده از نمودارهایی که عمداً یا سهواً مخاطب را به برداشت اشتباه سوق می‌دهند، مثلاً با انتخاب رنگ‌هایی که بار معنایی دارند یا نمایش ناقص بخشی از داده.

مثال:
• نمودار پای با ۱۰ بخش خیلی نزدیک به هم: باعث می‌شود مقایسه درصدها بسیار دشوار شود.
• نمودار ستونی با محور Y که از عددی غیر از صفر شروع می‌شود: باعث بزرگ‌نمایی اختلاف‌های جزئی می‌شود.

تفاوت اصلی بین داشبورد (Dashboard) و ریپورت (Report) در هدف، ساختار و نحوه ارائه اطلاعات است:

1. هدف
• داشبورد: برای نظارت لحظه‌ای بر عملکرد یا شاخص‌های کلیدی (KPI) استفاده می‌شود. تمرکز بر بینش سریع و تصویری است.
• ریپورت: برای تحلیل دقیق‌تر، بررسی جزئیات و مستندسازی اطلاعات است. معمولاً شامل داده‌های بیشتر و توضیحات کامل‌تری است.

2. ساختار
• داشبورد: معمولاً گرافیکی، خلاصه، و تعاملی است (مثلاً فیلترپذیر). شامل نمودارها و ویجت‌ها است.
• ریپورت: بیشتر ساختار متنی و عددی دارد. می‌تواند صفحات متعدد، جدول‌ها و تحلیل‌های نوشتاری داشته باشد.

3. زمان و بروزرسانی
• داشبورد: اغلب به‌صورت زنده یا با بروزرسانی خودکار طراحی می‌شود.
• ریپورت: معمولاً ثابت است و در بازه‌های زمانی مشخص تولید می‌شود (روزانه، هفتگی، ماهانه).

4. مخاطب
• داشبورد: برای تصمیم‌گیری سریع مدیران یا تیم‌های عملیاتی.
• ریپورت: برای ارائه رسمی، مستندسازی یا بررسی تحلیلی عمیق‌تر به تیم‌ها، مدیران یا حتی نهادهای بیرونی

هوش تجاری یا Business Intelligence (BI) مجموعه‌ای از فناوری‌ها، فرایندها و ابزارهاست که به سازمان‌ها کمک می‌کند داده‌های خام خود را به اطلاعات قابل استفاده و بینش‌های قابل تصمیم‌گیری تبدیل کنند.

تعریف ساده:

هوش تجاری یعنی استفاده از داده برای تصمیم‌گیری بهتر.

⸻

اجزای اصلی هوش تجاری:
1. جمع‌آوری داده (Data Collection):
از منابع مختلف مانند سیستم‌های فروش، مالی، CRM، منابع انسانی و غیره.
2. ذخیره‌سازی داده (Data Warehousing):
یکپارچه‌سازی و نگهداری داده‌ها در مخازن داده (Data Warehouse) یا انبارهای ابری.
3. تحلیل داده (Data Analysis):
تحلیل روندها، الگوها، همبستگی‌ها و عملکرد از طریق الگوریتم‌ها یا مدل‌های آماری.
4. تصویری‌سازی داده (Data Visualization):
ساخت داشبوردها، نمودارها، گزارش‌ها برای فهم بهتر و سریع‌تر داده‌ها.
5. گزارش‌گیری (Reporting):
تهیه گزارش‌های مدیریتی، عملیاتی یا تحلیلی با استفاده از ابزارهایی مثل Power BI، Tableau، QlikView، Looker و غیره.

⸻

مزایای هوش تجاری:
• تصمیم‌گیری سریع‌تر و آگاهانه‌تر
• شناسایی فرصت‌ها و تهدیدها زودتر از رقبا
• افزایش بهره‌وری و کاهش هزینه‌ها
• ردیابی عملکرد (KPI) در لحظه
• تقویت استراتژی‌های بازاریابی، فروش و عملیات

معلم، چراغی‌ست در مسیر تاریک فردا
۱۲ اردیبهشت، روز معلم مبارک

فایل آموزشی توابع اکسل
#اکسل
#تابع

قصه‌گویی با داده (Data Storytelling) یعنی ارائه‌ی داده‌ها به شکل یک داستان منسجم و قابل فهم که نه‌تنها آمار و تحلیل را منتقل کند، بلکه مخاطب را درگیر کرده و به درک، باور یا اقدام وادارد.

اجزای اصلی قصه‌گویی با داده:
داده (Data):
منبع اصلی واقعیت؛ آمار، شاخص‌ها و تحلیل‌های عددی.

تصویری‌سازی (Visualization):
نمودار، جدول، نقشه و اینفوگرافیک برای ساده‌سازی و جذاب‌ کردن داده‌ها.

روایت (Narrative):
چارچوب داستانی که به مخاطب کمک می‌کند مفهوم داده را درک کند و با آن ارتباط برقرار کند. این شامل مقدمه، چالش، اوج و نتیجه‌گیری است.

چرا مهم است؟
داده‌ها بدون روایت، بی‌جان و خشک هستند.

روایت بدون داده، فاقد اعتبار و قابل اتکا نیست.

ترکیب این دو، تصمیم‌سازی را ساده‌تر و تأثیرگذارتر می‌کند.

مثال:
به‌جای گفتن:

«فروش در سه ماه گذشته ۲۰٪ کاهش یافته.»

می‌گوییم:

«در حالی‌ که زمستان گذشته همیشه اوج فروش ما بود، امسال فروش ۲۰٪ افت کرد. این افت همزمان با تغییر قیمت رقبا و کمپین‌های تبلیغاتی آن‌ها رخ داد. اگر این روند ادامه یابد، سه‌ماهه آینده نیز با چالش روبرو خواهیم بود.»

ساختار یک داستان داده‌ای موفق
قصه‌گویی با داده دقیقاً شبیه به داستان‌گویی سنتی، سه بخش کلیدی دارد:

الف. شروع (Context)
داده‌ها از کجا آمده‌اند؟

مسئله یا سوال کلیدی چیست؟

مخاطب باید چه چیزی را بداند قبل از ورود به اصل داستان؟

مثال:
«در سال‌های اخیر، روند ثبت‌نام در مدارس روستایی کاهش یافته. آیا جمعیت کاهش یافته یا دلایل دیگری در کار است؟»

ب. میانه (Conflict/Insight)
تضاد، کشف یا اتفاق کلیدی چیست؟

چه الگویی از داده‌ها پیدا شده؟

چه عواملی پشت پرده‌ی این عددها هستند؟

مثال:
«در تحلیل داده‌ها دیدیم که بیشترین افت ثبت‌نام مربوط به مناطقی است که فاصله تا مدرسه بیش از ۵ کیلومتر است. در عین حال، نرخ ترک تحصیل در این مناطق بالاست.»

ج. پایان (Resolution/Action)
اکنون که این را می‌دانیم، باید چه کنیم؟

چه اقدامی پیشنهاد می‌شود؟

چه چیزی باید تغییر کند یا پیگیری شود؟

مثال:
«با فراهم‌ کردن سرویس حمل‌ونقل رایگان برای این مناطق، احتمال بازگشت دانش‌آموزان به مدرسه بالا می‌رود.»

نکات کلیدی برای موفقیت در قصه‌گویی با داده
مخاطب‌محور باشید: به زبان و دغدغه‌ی مخاطب فکر کنید.

از اغراق دوری کنید: فقط آنچه واقعاً در داده هست را روایت کن.

سادگی بصری: نمودارها باید ساده، قابل فهم و مرتبط با پیام باشند.

تاکید بر بینش (Insight): هدف فقط نشان دادن داده نیست، بلکه فهمیدن دلیل و پیام پشت آن است.

دعوت به اقدام (Call to Action): پایان داستان باید به تصمیم یا تغییر ختم شود.

از ایمپورت چه زمانی استفاده نمیشود


ChatGPT said:
استفاده از Import Mode در Power BI مناسب نیست یا توصیه نمی‌شود در موارد زیر:

1. زمانی که داده‌ها بسیار بزرگ هستند (Big Data)
اگر حجم داده‌ها بسیار زیاد باشد (مثلاً چند صد میلیون ردیف)، Import باعث سنگینی فایل و کند شدن عملکرد می‌شود.

Power BI فایل‌ها را در حافظه بارگذاری می‌کند، بنابراین حافظه سیستم می‌تواند محدودیت ایجاد کند.

2. نیاز به داده‌های لحظه‌ای (Real-time)
اگر کاربران نیاز دارند که داده‌ها همواره به‌روز باشند (مثل داشبورد فروش لحظه‌ای یا مانیتورینگ عملیات)، Import مناسب نیست چون باید دستی یا با برنامه Refresh شود.

3. محدودیت در فضای ذخیره‌سازی Power BI Service
Power BI Service برای فایل‌های Import محدودیت حجم دارد (مثلاً 1 GB برای هر dataset در Power BI Pro).

برای داده‌های حجیم در فضای ابری باید از DirectQuery یا Live Connection استفاده شود.

4. اگر مدل داده در جای دیگری ساخته شده باشد (مثل SSAS یا مدل‌های متمرکز)
وقتی سازمان از مدل‌های مرکزی استفاده می‌کند (مثل Analysis Services یا Power BI Dataset در فضای ابری)، بهتر است از Live Connection استفاده شود تا انسجام حفظ شود.

اگر منبع داده شما SQL Server یا Oracle یا موارد مشابه است، و حجم داده یا نیاز به real-time دارید، ممکنه DirectQuery گزینه بهتری باشه.

ساختار چتری هوش تجاری (Business Intelligence Umbrella Structure) به مجموعه‌ای از ابزارها، فرآیندها، فناوری‌ها و افراد اشاره دارد که همگی در راستای تبدیل داده خام به اطلاعات معنادار برای تصمیم‌گیری استفاده می‌شوند. این ساختار معمولاً به‌صورت یک چتر مفهومی نمایش داده می‌شود که اجزای مختلف هوش تجاری را در خود جای داده است.

ساختار چتری هوش تجاری شامل اجزای زیر است:
1. منابع داده (Data Sources)
پایگاه‌های داده عملیاتی (ERP، CRM، سیستم‌های مالی و منابع انسانی)

فایل‌های اکسل، CSV، XML

داده‌های وب و شبکه‌های اجتماعی

داده‌های IoT یا حسگرها

2. استخراج، تبدیل و بارگذاری (ETL: Extract, Transform, Load)
ابزارهایی که داده را از منابع مختلف جمع‌آوری، تمیز، استانداردسازی و به انبار داده منتقل می‌کنند.

مثال: Talend، Informatica، SSIS، Apache Nifi

3. انبار داده (Data Warehouse)
محیطی متمرکز برای ذخیره داده‌های تمیزشده و تاریخی.

معماری: Star Schema، Snowflake Schema

ابزارها: Amazon Redshift، Google BigQuery، Snowflake، Microsoft SQL Server

4. لایه مدل‌سازی و تحلیل (Data Modeling & OLAP)
ساخت مدل‌های تحلیلی چندبعدی برای تسهیل گزارش‌گیری سریع.

ابزار: SSAS، SAP BW، IBM Cognos TM1

5. ابزارهای تحلیلی و گزارش‌گیری (Analytics & Reporting Tools)
داشبوردها، گزارشات دوره‌ای، KPIها، نمودارهای تعاملی

ابزارها: Power BI، Tableau، Qlik Sense، Looker

6. هوش مصنوعی و یادگیری ماشین (AI & ML for BI)
پیش‌بینی‌ها، خوشه‌بندی، تحلیل احساسات، کشف الگوها

ادغام مدل‌های ML در محیط BI برای تصمیم‌گیری پیش‌نگر

7. مدیریت داده و حاکمیت (Data Governance & Quality)
امنیت، یکپارچگی، استانداردسازی، کیفیت داده

نقش‌ها: Data Steward، Data Owner

8. مصرف‌کنندگان BI (BI Consumers)
مدیران ارشد، تحلیلگران کسب‌وکار، تیم فروش، بازاریابی، منابع انسانی

در Power BI، سه Data Connectivity Mode اصلی وجود دارد که نحوه اتصال داده‌ها به گزارش شما را تعیین می‌کنند:

1. Import Mode (وارد کردن داده‌ها)
توضیح: داده‌ها یک‌بار از منبع خوانده و در فایل Power BI ذخیره می‌شوند.

مزایا: سریع‌ترین عملکرد، امکان استفاده از تمام قابلیت‌های Power BI مانند DAX و مدل‌سازی پیچیده.

معایب: داده‌ها به‌صورت لحظه‌ای به‌روزرسانی نمی‌شوند مگر اینکه refresh شود.

2. DirectQuery Mode
توضیح: داده‌ها در Power BI ذخیره نمی‌شوند؛ بلکه هر بار گزارش اجرا می‌شود، مستقیماً از منبع داده پرس‌وجو می‌شود.

مزایا: همیشه داده‌های به‌روز (real-time)، مناسب برای داده‌های بزرگ.

معایب: سرعت کمتر نسبت به Import، محدودیت‌هایی در مدل‌سازی و DAX.

3. Live Connection
توضیح: شبیه به DirectQuery است ولی مخصوص اتصال به مدل‌های تحلیلی مثل SSAS (SQL Server Analysis Services) یا Power BI Dataset.

مزایا: استفاده از مدل از پیش ساخته شده (centralized model).

معایب: نمی‌توان جدول جدیدی وارد کرد یا مدل داده را تغییر داد.