Sisense Fusion

1. Elastic Data Hub – هاب داده‌ای منعطف برای اتصال، ترکیب و مدل‌سازی بدون محدودیت

Elastic Data Hub به عنوان لایه مرکزی در معماری Fusion عمل می‌کند که با هدف یکپارچه‌سازی داده‌ها از منابع متنوع و ارائه بستری برای مدل‌سازی و تحلیل سریع، طراحی شده است.

🔗 اتصال به منابع داده ناهمگون

Elastic Data Hub با پشتیبانی از انواع پایگاه‌های داده‌ای مختلف امکان استخراج و تجمیع داده را از منابع زیر فراهم می‌سازد:

• پایگاه‌های SQL مانند MySQL، SQL Server، PostgreSQL، Oracle

• پایگاه‌های داده NoSQL مثل MongoDB، Cassandra، Elasticsearch

• منابع داده ابری مانند Google BigQuery، Amazon Redshift، Snowflake

• فایل‌های تخت نظیر CSV، Excel، JSON

• اتصال به APIهای خارجی برای استخراج داده در زمان واقعی

🔄 مدل‌سازی درجا (In-place Modeling)

یکی از ویژگی‌های بارز Elastic Data Hub، امکان مدل‌سازی و ترکیب داده‌ها بدون نیاز به جابجایی فیزیکی آن‌هاست. داده‌ها همچنان در منبع اصلی خود باقی می‌مانند و Sisense از طریق Query Federation و Caching هوشمند آن‌ها را تحلیل می‌کند.

🔧 ابزارهای مدل‌سازی پیشرفته

با رابط کاربری بصری و drag-and-drop، کاربران می‌توانند:

• جداول مختلف را با هم join کنند

• ستون‌های محاسباتی (Calculated Fields) تعریف کنند

• از فیلترهای شرطی و زمان‌محور استفاده کنند

• مدل‌های سلسله‌مراتبی و پیچیده ایجاد نمایند

📈 بهینه‌سازی عملکرد داده

Elastic Data Hub با استفاده از تکنیک‌های:

• Caching لایه‌ای برای تسریع کوئری‌ها

• Parallel Processing برای پردازش‌های سنگین

• و Indexing خودکار، سرعت و عملکرد تحلیل‌های حجیم را بهبود می‌بخشد.

2. AI-Augmented Analytics – هوش تجاری مجهز به یادگیری ماشین

این مؤلفه، توانایی Sisense را برای ارائه تحلیل‌های عمیق و قابل درک بدون نیاز به دانش فنی خاص، برجسته می‌سازد. با تلفیق هوش مصنوعی در تمام لایه‌های تحلیل، کاربران می‌توانند بینش‌های پیش‌بینی‌کننده و تشخیصی دریافت کنند.

🔍 پیشنهاد خودکار بینش‌ها (Smart Insights)

با تجزیه‌وتحلیل خودکار داده‌ها، Sisense:

• نقاط پرت، نوسانات غیرعادی، روندهای ناپایدار و همبستگی‌ها را شناسایی می‌کند

• بینش‌هایی به‌صورت “کارت‌های پیشنهاد” به کاربر ارائه می‌دهد

• برای هر ویجت تحلیلی، توضیح می‌دهد که چرا یک داده مهم است

📊 تحلیل پیش‌بینی‌کننده (Predictive Analytics)

با مدل‌های داخلی یادگیری ماشین، کاربران می‌توانند:

• فروش ماه آینده را پیش‌بینی کنند

• نرخ خروج مشتریان (Churn Rate) را تخمین بزنند

• تقاضای محصولات، تأخیر زنجیره تأمین یا رفتار مخاطب را مدل‌سازی کنند

قابل توجه است که این پیش‌بینی‌ها بدون نیاز به کدنویسی یا دانش ML و تنها با انتخاب متغیرها از طریق رابط گرافیکی انجام می‌شود.

🤖 هوش مصنوعی قابل توضیح (Explainable AI)

یکی از موانع اصلی پذیرش هوش مصنوعی، “عدم شفافیت” مدل‌هاست. Sisense این مشکل را با تحلیل‌های قابل توضیح رفع کرده است. کاربر می‌تواند بداند:

• کدام ویژگی‌ها بیشترین تأثیر را در پیش‌بینی داشته‌اند؟

• چرا سیستم یک پیشنهاد خاص را ارائه کرده است؟

🚨 شناسایی ناهنجاری‌ها (Anomaly Detection)

سیستم می‌تواند به‌صورت لحظه‌ای و خودکار، مقادیر غیرعادی را در داده‌ها تشخیص دهد. این ویژگی برای کاربردهایی مانند:

• نظارت بر سلامت دستگاه‌ها

• تشخیص تقلب مالی

• هشدار در تغییر ناگهانی KPIها
  بسیار مفید است.

3. Developer Playground – آزادی و قدرت کامل برای توسعه‌دهندگان

این بخش از معماری Fusion به توسعه‌دهندگان ابزارهایی برای ایجاد، جاسازی و سفارشی‌سازی کامل تحلیل‌ها ارائه می‌دهد. برخلاف بسیاری از پلتفرم‌های BI که در سطح کاربران نهایی متوقف می‌شوند، Sisense Fusion محیطی توسعه‌پذیر، مدرن و منبع‌گرا در اختیار برنامه‌نویسان قرار می‌دهد.

🧰 JavaScript SDK و Sisense.js

با استفاده از JavaScript SDK، توسعه‌دهندگان می‌توانند:

• ویجت‌ها را به‌صورت داینامیک بارگذاری کنند

• نمودارهای اختصاصی با React، Angular یا Vue.js بسازند

• تعامل کاربر با داده‌ها را به شکل زنده و واکنش‌گرا پیاده‌سازی کنند

🌐 REST API و GraphQL

APIهای قدرتمند Sisense اجازه می‌دهند تا:

• داشبوردها، گزارش‌ها و منابع داده‌ای به‌صورت برنامه‌ریزی‌شده مدیریت شوند

• سیستم تحلیل داده با اپلیکیشن‌های خارجی ادغام شود (مثلاً CRM یا ERP)

• تجربه‌های داده‌ای کاملاً سفارشی بر اساس نقش کاربران ایجاد گردد

🧩 افزونه‌های سفارشی (Plugins)

توسعه‌دهندگان می‌توانند کامپوننت‌ها، فیلترها، نمودارهای سفارشی یا حتی توابع محاسباتی خاص را به‌عنوان افزونه درون Fusion توسعه دهند. این افزونه‌ها از HTML، CSS و JS پشتیبانی می‌کنند.

🧱 جاسازی کامل (Full Embedding)

Sisense این امکان را فراهم کرده تا:

• داشبوردها، KPIها و ویجت‌ها درون هر اپلیکیشن جاسازی شوند

• تجربه‌های تحلیلی کاملاً با ظاهر و عملکرد نرم‌افزار مقصد هماهنگ شوند

• حتی سطوح دسترسی کاربران از سیستم میزبان به‌صورت Single Sign-On (SSO) به Fusion منتقل شود

🎨 White-labeling و سفارشی‌سازی رابط کاربری

با CSS و تنظیمات برندینگ، توسعه‌دهنده می‌تواند:

• لوگو، رنگ، فونت و ظاهر محیط Sisense را با هویت برند مشتری منطبق کند

• تجربه‌ای بدون نشانی از Sisense ارائه دهد، به‌طوری که کاربر نهایی اصلاً متوجه استفاده از پلتفرم BI خارجی نشود