[{"data":1,"prerenderedAt":419},["ShallowReactive",2],{"navigation":3,"/intro":203},[4,22,47,64,101,126,143,156,169,190],{"title":5,"path":6,"stem":7,"children":8,"page":21},"آشنایی و مبانی","/intro","01.intro",[9,13,17],{"title":10,"path":11,"stem":12},"معماری داده‌ها","/intro/architecture","01.intro/1.architecture",{"title":14,"path":15,"stem":16},"الگوهای پیشنهادی","/intro/best-practices","01.intro/2.best-practices",{"title":18,"path":19,"stem":20},"مقایسه ETL و ELT","/intro/etl-vs-elt","01.intro/3.etl-vs-elt",false,{"title":23,"path":24,"stem":25,"children":26,"page":21},"ساخت و مدیریت فضا","/space","02.space",[27,31,35,39,43],{"title":28,"path":29,"stem":30},"ساختار فضا و پروژه","/space/structure","02.space/1.structure",{"title":32,"path":33,"stem":34},"ذخیره در باکت اختصاصی","/space/dedicated-bucket","02.space/2.dedicated-bucket",{"title":36,"path":37,"stem":38},"آموزش ساخت فضا","/space/create-space","02.space/3.create-space",{"title":40,"path":41,"stem":42},"طرح فضا","/space/plan","02.space/4.plan",{"title":44,"path":45,"stem":46},"سرور MCP","/space/mcp-server","02.space/5.mcp-server",{"title":48,"path":49,"stem":50,"children":51,"page":21},"مدیریت کاربران","/user-management","03.user-management",[52,56,60],{"title":53,"path":54,"stem":55},"آشنایی با نقش‌ها","/user-management/roles","03.user-management/1.roles",{"title":57,"path":58,"stem":59},"اعطای دسترسی","/user-management/access","03.user-management/2.access",{"title":61,"path":62,"stem":63},"آموزش اعطای دسترسی","/user-management/manage-users","03.user-management/3.manage-users",{"title":65,"path":66,"stem":67,"children":68,"page":21},"ایجاد و مدیریت دیتاست","/dataset","04.dataset",[69,73,77,81,85,89,93,97],{"title":70,"path":71,"stem":72},"ایجاد دیتاست","/dataset/create-dataset","04.dataset/1.create-dataset",{"title":74,"path":75,"stem":76},"الگوهای نام‌گذاری","/dataset/naming-conventions","04.dataset/2.naming-conventions",{"title":78,"path":79,"stem":80},"تفاوت درج با ورژن و آپدیت","/dataset/write-modes","04.dataset/3.write-modes",{"title":82,"path":83,"stem":84},"انواع ستون و نوع مقدار","/dataset/column-types","04.dataset/4.column-types",{"title":86,"path":87,"stem":88},"متادیتا و ویژگی‌های ستون","/dataset/column-settings","04.dataset/5.column-settings",{"title":90,"path":91,"stem":92},"قوانین امنیتی جدول","/dataset/table-settings","04.dataset/6.table-settings",{"title":94,"path":95,"stem":96},"ویرایش اسکیما","/dataset/schema-evolution","04.dataset/7.schema-evolution",{"title":98,"path":99,"stem":100},"آموزش ایجاد جدول سفارشی","/dataset/create-custom-table","04.dataset/8.create-custom-table",{"title":102,"path":103,"stem":104,"children":105,"page":21},"لود داده","/data-load","05.data-load",[106,110,114,118,122],{"title":107,"path":108,"stem":109},"لندر گو (Lander Go)","/data-load/lander-go","05.data-load/1.lander-go",{"title":111,"path":112,"stem":113},"لود مستقیم (API)","/data-load/api-load","05.data-load/2.api-load",{"title":115,"path":116,"stem":117},"لود با تبدیل (Transform)","/data-load/transform-load","05.data-load/3.transform-load",{"title":119,"path":120,"stem":121},"یکتاسازی و مدیریت Late Data","/data-load/idempotency-and-late-data","05.data-load/4.idempotency-and-late-data",{"title":123,"path":124,"stem":125},"لاگ درخواست‌های رد شده","/data-load/dropped-requests","05.data-load/5.dropped-requests",{"title":127,"path":128,"stem":129,"children":130,"page":21},"داشبورد","/dashboard","06.dashboard",[131,135,139],{"title":132,"path":133,"stem":134},"ساختار و دسترسی","/dashboard/structure","06.dashboard/1.structure",{"title":136,"path":137,"stem":138},"فیلترهای استوری","/dashboard/story-filters","06.dashboard/2.story-filters",{"title":140,"path":141,"stem":142},"آموزش ساخت استوری","/dashboard/create-story","06.dashboard/3.create-story",{"title":144,"path":145,"stem":146,"children":147,"page":21},"کوئری","/query","07.query",[148,152],{"title":149,"path":150,"stem":151},"نکات نوشتن کوئری","/query/query-notes","07.query/1.query-notes",{"title":153,"path":154,"stem":155},"توابع اختصاصی داده‌لند","/query/dadeland-sql","07.query/2.dadeland-sql",{"title":157,"path":158,"stem":159,"children":160,"page":21},"فانل","/funnel","08.funnel",[161,165],{"title":162,"path":163,"stem":164},"آموزش ایجاد فانل","/funnel/create-funnel","08.funnel/1.create-funnel",{"title":166,"path":167,"stem":168},"شیوه کار فانل","/funnel/how-funnel-works","08.funnel/2.how-funnel-works",{"title":170,"path":171,"stem":172,"children":173,"page":21},"ماژول کلاینت","/client-module","09.client-module",[174,178,182,186],{"title":175,"path":176,"stem":177},"آشنایی با ماژول کلاینت","/client-module/intro","09.client-module/1.intro",{"title":179,"path":180,"stem":181},"تنظیمات ماژول","/client-module/settings","09.client-module/2.settings",{"title":183,"path":184,"stem":185},"جمع‌آوری داده (لندر وب)","/client-module/lander-web","09.client-module/3.lander-web",{"title":187,"path":188,"stem":189},"آموزش راه‌اندازی","/client-module/up-and-running","09.client-module/4.up-and-running",{"title":191,"path":192,"stem":193,"children":194,"page":21},"عملیات","/activation","10.activation",[195,199],{"title":196,"path":197,"stem":198},"توزیع داده (Reverse ETL)","/activation/reverse-etl","10.activation/1.reverse-etl",{"title":200,"path":201,"stem":202},"یکپارچه‌سازی‌های توزیع داده","/activation/integrations","10.activation/2.integrations",{"id":204,"title":205,"body":206,"description":411,"extension":412,"links":413,"meta":414,"navigation":415,"path":6,"seo":416,"stem":417,"__hash__":418},"landing/01.intro/index.md","داده‌لند | مستندات انبار داده و هوش تجاری مدرن (Dadeland)",{"type":207,"value":208,"toc":402},"minimark",[209,214,221,224,227,230,252,255,259,262,370,372,376],[210,211,213],"h3",{"id":212},"درباره-دادهلند","درباره داده‌لند",[215,216,217],"p",{},[218,219,220],"strong",{},"❤️ داده‌لند را با عشق به داده ساختیم؛ هدیه‌ای برای حرفه‌ای‌ها و ذهن‌های کنجکاو که می‌خواهند بیشتر جستجو کنند.",[215,222,223],{},"داده‌لند زیرساخت مدرن، مقیاس‌پذیر و جامع داده‌های تحلیلی سازمان‌ها با ماموریت کمک به بهره‌برداری حداکثری از داده‌هاست. داده‌لند با جمع‌آوری تمامی داده‌های تحلیلی در یک بستر استاندارد و عرضه قابلیت‌های پیشرفته تحلیلی، تبدیل داده‌های خام به تصمیمات موثر و بهینه و استفاده از داده به عنوان زیرساخت رشد را ممکن می‌کند.",[225,226],"br",{},[215,228,229],{},"داده‌لند با تجمیع و یکپارچه‌سازی ابزارهای مختلف، نیاز نیروهای سازمان در فراگیری و استفاده از ابزارهای پراکنده را رفع کرده است.",[231,232,233,240,246],"ul",{},[234,235,236,239],"li",{},[218,237,238],{},"تجمیع",": انبار داده داده‌لند (Data Warehouse) در کنار ماژول‌های آماده خود امکان ایجاد منبع واحد داده (Single Source of Data) و حرکت به سمت حاکمیت داده و ایجاد منبع حقیقت را برای سازمان‌هایی در هر مقیاس محقق کرده است.",[234,241,242,245],{},[218,243,244],{},"تحلیل",": هوش تجاری (BI) یکپارچه و پیشرفته داده‌لند با ترکیبی از ابزارهای آماده، SQL و تجربه‌ای مشابه با شیت، زیرساخت تحلیل‌ و ساخت داشبوردهای تعاملی را بدون نیاز به ابزارهای جانبی فراهم کرده است.",[234,247,248,251],{},[218,249,250],{},"بهره‌برداری",": فراتر از نیازمندی‌های تحلیلی، داده‌لند با ارائه قابلیت‌های فعال‌سازی داده (Data Activation) امکان استخراج و ارسال خودکار داده‌ها به اندپوینت‌ها و سیستم‌های مقصد (مانند ابزارهای eCRM، بازاریابی و شخصی‌سازی فلوهای محصول) را فراهم کرده است.",[253,254],"hr",{},[210,256,258],{"id":257},"قابلیتهای-کلیدی","قابلیت‌های کلیدی",[215,260,261],{},"چکیده‌ای از قابلیت‌ها و ویژگی‌های کلی و کلیدی راهکار داده‌لند به شرح زیر است:",[231,263,264,270,276,282,288,294,300,306,311,317,323,329,335,341,347,352,358,364],{},[234,265,266,269],{},[218,267,268],{},"مهندسی‌شده برای کلان داده",": زیرساخت و معماری داده‌لند برای انبار و پردازش داده‌های کلان (از صدها میلیون تا میلیارد رکورد) طراحی شده است.",[234,271,272,275],{},[218,273,274],{},"حاکمیت داده (Data Governance)",": مجموعه راهکارهای محصول‌محور داده‌لند امکان پیاده‌سازی حاکمیت داده‌ را در لایه‌های مختلف از جمله معماری، امنیت و متادیتا فراهم کرده است.",[234,277,278,281],{},[218,279,280],{},"به سوی منبع حقیقت (SSOT)",": داده‌لند زیرساخت پایه و لازم برای ایجاد یک منبع حقیقت (Single Source of Truth) را فراهم کرده و متعهد است با تکمیل گام‌به‌گام قابلیت‌ها در نقشه راه توسعه، دستیابی به یک منبع حقیقت جامع را محقق سازد.",[234,283,284,287],{},[218,285,286],{},"معماری هیبرید",": داده‌لند با تفکیک لایه کنترل (Control Plane) و لایه داده (Data Plane)، امکان ذخیره‌سازی و نگهداری داده‌ها در باکت‌های S3 اختصاصی تحت نظر سازمان شما (On-Premise) را فراهم کرده است.",[234,289,290,293],{},[218,291,292],{},"مبتنی بر الگوهای مدرن داده",": داده‌لند با تکیه بر معماری کیمبال و پشتیبانی از پیاده‌سازی لایه‌بندی مدالیون (Medallion Architecture شامل لایه‌های برنز، نقره و طلا)، محیطی منسجم و استاندارد برای ذخیره‌سازی و مدیریت داده‌ها فراهم می‌سازد.",[234,295,296,299],{},[218,297,298],{},"پشتیبانی از رویکرد مدرن ELT",": داده‌لند علاوه بر پوشش سناریوهای سنتی ETL، از الگوی مدرن‌تر ELT نیز به طور کامل پشتیبانی می‌کند. سازمان‌ها می‌توانند داده‌های خام خود را در جداول استیجینگ ذخیره کرده و با استفاده از ابزار Transformation داخلی داده‌لند، انواع جداول تحلیلی یا ساختارهای نهایی دیگر را تولید و مدیریت نمایند.",[234,301,302,305],{},[218,303,304],{},"استخراج داده",": در هر زمان امکان دریافت و استخراج کامل داده‌های ذخیره‌شده در فرمت‌های دلخواه وجود دارد.",[234,307,308,310],{},[218,309,196],{},": داده‌لند در راستای Data Activation امکان ارسال داده‌ها به مقاصد بیرونی (از طریق وب‌هوک) را فراهم کرده است. شما می‌توانید مقاصد دلخواه را با Payload سفارشی تعریف کرده و داده‌های حاصل از کوئری‌ها را از طریق اجراهای خودکار زمان‌بندی‌شده به سیستم‌های مقصد ارسال کنید.",[234,312,313,316],{},[218,314,315],{},"محافظ ثبت یکتا (Idempotency)",": داده‌لند با پشتیبانی از مکانیسم Idempotency و شناسه‌های یکتا، امکان ارسال و پردازش چندباره داده‌ها را بدون ریسک درج رکوردهای تکراری برای پوشش سناریوهای Retry یا خطاهای فرآیند ارسال داده فراهم کرده است.",[234,318,319,322],{},[218,320,321],{},"پردازش بلادرنگ (Near Real-time)",": داده‌لند با معماری بهینه و پردازش سریع، داده‌ها را با سرعت بالا لود و همگام‌سازی می‌کند. امکان مانیتورینگ و تصمیم‌گیری لحظه‌ای با پردازش بلادرنگ فراهم شده است.",[234,324,325,328],{},[218,326,327],{},"JOIN سریع و بهینه",":  زیرساخت پردازشی داده‌لند برای اجرای JOINهای پیچیده در مقیاس بالا مهندسی شده است. این عملکرد قوی باعث می‌شود کاربران بتوانند ساختار داده را به‌صورت Normalized طراحی کنند و نیاز به Denormalization به حداقل می‌رسد.",[234,330,331,334],{},[218,332,333],{},"پشتیبانی کامل از Update/Delete",": زیرساخت داده‌لند قابلیت آپدیت، حذف و Partial Update را بدون ایجاد محدودیت‌های رایج در OLAPهای سنتی فراهم کرده است.",[234,336,337,340],{},[218,338,339],{},"پشتیبانی از Schema Evolution",": امکان افزودن، حذف یا تغییر ستون‌های یک جدول بدون تأثیر بر داده‌های موجود و تحلیل‌ها فراهم است.",[234,342,343,346],{},[218,344,345],{},"سطح دسترسی پیشرفته",": بخش‌های مختلف فضا مانند داده‌های خام، داشبوردها و امکاناتی نظیر کوئری و فانل با جزئیات قابل دسترسی به افراد واجد صلاحیت هستند تا از دسترسی غیرضروری جلوگیری شود.",[234,348,349,351],{},[218,350,170],{},": علاوه بر امکان ایجاد جداول سفارشی، ماژول کلاینت (با اسکیمای استاندارد آماده) فرآیندهای جمع‌آوری داده‌های رفتاری را خودکار کرده و به عنوان جایگزینی کامل برای گوگل آنالیتیکس و تگ منیجر عمل می‌کند. با SDK اختصاصی داده‌لند (لندر)، داده‌ها از سطح وب یا اپ با استاندارد صحیح، بدون مشکل مغایرت داده و بدون اعمال سمپلینگ جمع‌آوری و ذخیره می‌شوند.",[234,353,354,357],{},[218,355,356],{},"BI اختصاصی و یکپارچه",": با BI اختصاصی داده‌لند تجربه حرفه‌ای و مدرن از یک ابزار تحلیلی ارائه می‌شود و کاربران را از ابزارهایی مانند متابیس و لوکر استودیو بی‌نیاز می‌سازد.",[234,359,360,363],{},[218,361,362],{},"سرور MCP هیبرید (MCP Server)",": امکان استفاده از سرور MCP هیبرید داده‌لند جهت اتصال مستقیم هوش مصنوعی فراهم شده است. این سرور علاوه بر قرار دادن فایل‌های راهنما و مستندات رسمی در اختیار مدل‌های هوش مصنوعی، ابزارهای متنوعی را جهت دریافت اطلاعات مخصوص به یک فضا، گرفتن متادیتای جداول و استوری‌ها، و اجرای عملیات مشخص نظیر اجرای کوئری و ایجاد دیتاست ارائه می‌دهد.",[234,365,366,369],{},[218,367,368],{},"نماهای ۳۶۰ درجه",": امکان ایجاد نماهای تحلیلی ۳۶۰ درجه شامل «پروفایل ۳۶۰ کاربر» و «نمای ۳۶۰ تراکنش» با یک کلیک و تنظیمات ساده، بدون نیاز به نوشتن کوئری‌های پیچیده SQL فراهم شده است. این نماها بر مبنای جداول موجود در انبار داده پردازش می‌شوند و اطلاعات ارزشمندی نظیر تحلیل RFM، منابع (Source) ثبت‌نام و انتساب‌های بازاریابی تراکنش‌ها را با دقت بالا ثبت می‌نمایند.",[253,371],{},[210,373,375],{"id":374},"لینکهایی-برای-شروع","لینک‌هایی برای شروع",[377,378,379,386,392,397],"card-group",{},[380,381,383],"card",{"target":382,"title":10,"to":11},"_self",[215,384,385],{},"در این بخش به ساختار داده‌های داده‌لند که مبتنی بر معماری کیمبال است پرداخته می‌شود.",[380,387,389],{"target":382,"title":388,"to":15},"الگوهای پیشنهادی (Best Practices)",[215,390,391],{},"در این بخش به الگوهای پیشنهادی برای استفاده از داده‌لند پرداخته می‌شود.",[380,393,394],{"target":382,"title":36,"to":37},[215,395,396],{},"در قالب یک ویدئوی آموزشی با شیوه و جزئیات ساخت فضا آشنا خواهید شد.",[380,398,399],{"target":382,"title":70,"to":71},[215,400,401],{},"در این بخش با مفاهیم و شیوه ایجاد انواع دیتاست در داده‌لند آشنا می‌شوید.",{"title":403,"searchDepth":404,"depth":405,"links":406},"",1,2,[407,409,410],{"id":212,"depth":408,"text":213},3,{"id":257,"depth":408,"text":258},{"id":374,"depth":408,"text":375},"مستندات رسمی پلتفرم داده‌لند (Dadeland)؛ راهکار جامع انبار داده ابری (Data Warehouse)، هوش تجاری مدرن (BI)، مهندسی داده، پایپ‌لاین‌های تحلیلی و فعال‌سازی داده.","md",null,{},true,{"title":205,"description":411},"01.intro/index","rD8hpnABFJQ277pXu9lQ8q_O7EVxWvZ582T5ELG7xWw",1793189280773]