დიდი მონაცემების ანალიტიკა ბიზნესისთვის

სესია 1
– დიდი მონაცემების საფუძვლები და ბიზნეს-ღირებულება
– მონაცემების როლი გადაწყვეტილების მიღების პროცესში (Data-Driven Culture).
– ბიზნეს-პრობლემების დეკომპოზიცია მონაცემთა ამოცანებად.
– Data Warehouse vs Data Lake vs Lake-house - არჩევანი ბიზნესის გადმოსახედიდან.

სესია 2
– GCP vs AWS ანალიტიკური სერვისები.
– ძირითადი სერვისების შედარება.
– ROI-ის და FinOps-ის საბაზისო პრინციპები.
– პრაქტიკა: ანგარიშების კონფიგურაცია.

სესია 3
– ღრუბლოვანი სანახების სერვისები.
– სანახები: Cloud Storage (GCP) და S3 (AWS).
– მონაცემთა უსაფრთხოება და წვდომის კონტროლი.
– მონაცემთა ორგანიზება (Data Catalog) BI მომხმარებლებისთვის.

სესია 4
– მონაცემთა საწყობები - Data Warehouses.
– BigQuery და Redshift.
– ანალიტიკური მოდელირება (Dimension/Fact Tables).
– პრაქტიკა: DW-ის შექმნა და ანალიტიკური მონაცემების ჩატვირთვა.

სესია 5
– SQL საფუძვლები და Query ოპტიმიზაცია
– BigQuery SQL სინტაქსი.
– SQL, როგორც Data Analyst-ის ძირითადი ინსტრუმენტი.
– პრაქტიკა: რეალური ბიზნეს-მონაცემების ანალიზი.

სესია 6
– გადაბმა, გაერთიანება და CTE
– JOIN-ები და Subqueries.
– CTE (Common Table Expressions) კომპლექსური რეპორტების შესაქმნელად.
– პრაქტიკა: მონაცემთა სხვადასხვა წყაროს შერწყმა.

სესია 7
– აგრეგირება და ანალიტიკური ფუნქციები
– Window Functions: LTV, Retention, MoM/YoY შედარებები, რანჟირება.
– პრაქტიკა: კომპლექსური ანალიტიკური Query-ების შექმნა.

სესია 8
– ბიზნეს-საზომების გამოთვლა და KPI-ების ლაბორატორია
– თემა: როგორ გარდავქმნათ უმი მონაცემები KPI-ებად.
– Aggregation functions და Statistical functions.
– პრაქტიკა: შემოსავლები, კონვერსიის განაკვეთი, სესიის ხანგრძლივობის გამოთვლა.

სესია 9
– მონაცემთა ხარისხი და ვალიდაცია
– მონაცემთა ხარისხის მნიშვნელობა BI ანალიზისთვის.
– NULL მნიშვნელობების მართვა.
– პრაქტიკა: მონაცემთა ხარისხის შემოწმება SQL-ით (პროფილირება).

სესია 10
– Query ოპტიმიზაცია და ხარჯების მართვა SQL-ში
– Query Performance Tuning.
– SQL-ის ოპტიმიზაცია ღრუბლოვანი ხარჯების შესამცირებლად (BI ანალიტიკოსის გადმოსახედიდან).
– პრაქტიკა: ნელი Query-ების ოპტიმიზება.

სესია 11
– ETL vs ELT და ELT-ის უპირატესობები
– ETL და ELT პროცესების შედარება.
– მონაცემთა გზაგამტარების (data pipelines) არქიტექტურა.
– პრაქტიკა: მარტივი ELT დიზაინი (BigQuery/Redshift-ზე დაფუძნებით).

სესია 12
– ერთობლივი დამუშავება (Batch Processing) და მონაცემთა ტრანსფორმაცია
– Apache Beam/Dataflow და AWS Glue.
– Python-ის გამოყენება მონაცემთა ტრანსფორმაციაში (Pandas ინტეგრაცია).
– პრაქტიკა: Batch ETL გზაგამტარის იმპლემენტაცია.

სესია 13
– ორკესტრირების საფუძვლები
– Cloud Composer/Airflow და AWS Step ფუნქციები.
– DAG-ების შექმნა და განრიგება (scheduling).
– Error handling.
– პრაქტიკა: სრული (end-to-end) გზაგამტარის ორკესტრირება (მარტივი დონე).

სესია 14
– Looker Studio და ანგარიშგების საფუძვლები
– Looker Studio-ს საბაზისო ფუნქციები.
– მონაცემთა წყაროებთან კავშირი.
– პრაქტიკა: პირველი ინტერაქტიური დაშბორდის შექმნა.

სესია 15
– QuickSight და ანალიტიკური მოქნილობა
– AWS QuickSight არქიტექტურა.
– SPICE engine და წარმადობის ოპტიმიზება BI ანალიზისთვის.
– პრაქტიკა: QuickSight-ის ძირითადი ფუნქციონალი.

სესია 16
– ანგარიშგების დაფების დიზაინი და ამბის თხრობა მონაცემებით (Data Storytelling)
– ეფექტური ანგარიშგების დაფის პრინციპები.
– KPI-ების წარმოჩენა ვიზუალურად.
– თემა: როგორ გადავაქციოთ მონაცემები ნარატივად (ამბის თხრობის ტექნიკები).

სესია 17
– BI სტრატეგია და აღმასრულებელი ანგარიშგება (Executive Reporting)
– განსხვავება საოპერაციო და სტრატეგიულ დაფებს შორის.
– როგორ წარვუდგინოთ ანგარიშები მენეჯმენტს.
– შემთხვევის ანალიზი: სტრატეგიული გადაწყვეტილებები, რომლებიც ანგარიშგების დაფის საფუძველზე იქნა მიღებული.

სესია 18
– მანქანური სწავლების შესავალი და ML პლატფორმების შედარება
– ML-ის გამოყენება ბიზნეს-პროგნოზებისთვის (საპროგნოზო ანალიტიკა: რეგრესია, კლასიფიკაცია, დაკლასტერება).
– BigQuery ML (GCP) – SQL-ით მოდელების ტრენინგი (ყველაზე მარტივი BI ანალიტიკოსებისთვის).
– Vertex AI (GCP) და SageMaker (AWS).
– როდის რომელი პლატფორმა გამოვიყენოთ: BigQuery ML vs Vertex AI vs SageMaker (კომპლექსურობა, მაგალითები).
– პრაქტიკა: გაყიდვების პროგნოზირების მოდელი BigQuery ML-ში (SQL-ით).

-სესია 19
– ML მოდელების ინტეგრაცია BI Pipeline-ში და Predictions-ების მოხმარება
– მოდელის შეფასება ტექნიკური და ბიზნესის გადმოსახედიდან.
– ML პროგნოზების ინტეგრირება BI ანგარიშგებაში.
– Vertex AI და SageMaker პროგნოზების გამოყენება BigQuery/Redshift-ში.
– ერთობლივი (batch) პროგნოზების შედარება რეალურ დროში პროგნოზებთან (გამოყენების მაგალითები).
– MLOps საბაზისო კონცეფციები: მოდელის მონიტორინგი, განახლების აღმძრავები და ა.შ.
– პრაქტიკა: ML მოდელის პროგნოზების ვიზუალიზება Looker Studio/QuickSight მეშვეობით.

სესია 20
– მონაცემთა უსაფრთხოება და წვდომა
– IAM საუკეთესო პრაქტიკა.
– როგორ ვმართოთ BI მომხმარებლების წვდომა მონაცემებზე.
– პრაქტიკა: უსაფრთხო გზაგამტარის კონფიგურაცია.

სესია 21
– შესაბამისობა (Compliance) და მონაცემთა მმართველობა (Data Governance)
– GDPR და რეგულაციები.
– მონაცემთა მმართველობის ჩარჩოები (Data Lineage, Data Quality).
– პრაქტიკა: შესაბამისობის მოთხოვნების იმპლემენტაცია.

სესია 22
– FinOps და ROI-ის მაქსიმიზაცია
– ღრუბლოვანი ხარჯების მონიტორინგი.
– ანალიტიკური პროექტების ეკონომიკური ეფექტურობა.
– პრაქტიკა: ხარჯების ოპტიმიზების სტრატეგიის შემუშავება.

სესია 23
– პროექტის დიზაინი და მენტორინგი
– პროექტის ბიზნეს-ამოცანის ვალიდაცია.
– არქიტექტურის დიზაინი და იმპლემენტაციის გეგმის შედგენა.
– ინდივიდუალური კონსულტაციები.

სესია 24
– პროექტების პრეზენტაციები (Pitches) და შეჯამება
– მონაწილეთა დასკვნითი პროექტების პრეზენტაცია.
– ფოკუსი: სასარგებლო მიგნებების (insights) ხარისხი და ბიზნეს-რეკომენდაციები.
– კურსის შეჯამება.