پکیج پرامپت مهندسی داده

# پکیج جامع پرامپت مهندسی داده

این پکیج شامل یک زنجیرهٔ ۶ مرحله‌ای و کاملاً تخصصی از پرامپت‌های مهندسی داده است که شما را از مرحلهٔ خام نیازمندی‌های کسب‌وکار به یک معماری دادهٔ عملیاتی، مدل فیزیکی، خط‌لولهٔ ETL، چارچوب کیفیت داده و لایهٔ گزارش‌گیری استاندارد می‌رساند.

## نقشهٔ پکیج و نحوه کارکرد زنجیره‌ای

برای دستیابی به بهترین نتیجه، پرامپت‌ها را به صورت ترتیبی استفاده کنید. خروجی متنی هر پرامپت، به‌عنوان بخش اصلی ورودی پرامپت بعدی قرار می‌گیرد:

1. **پرامپت ۱: تحلیل نیازمندی‌ها و معماری اولیه** $\rightarrow$ شناسایی دامنه، منابع داده و نیازمندی‌های تحلیلی.
2. **پرامپت ۲: مدل‌سازی مفهومی و منطقی** $\rightarrow$ استخراج انتیتی‌ها، روابط، کلیدها و ساختار ERD (ورودی: خروجی پرامپت ۱).
3. **پرامپت ۳: مدل‌سازی فیزیکی و DDL** $\rightarrow$ تولید کدهای SQL DDL، ساختار کلیدها، پارتیشن‌بندی و ایندکس‌گذاری (ورودی: خروجی پرامپت ۲).
4. **پرامپت ۴: طراحی خط‌لوله ETL/ELT** $\rightarrow$ تعیین منطق نگاشت، CDC، استراتژی بارگذاری و کد نمونه خط‌لوله (ورودی: خروجی پرامپت ۳).
5. **پرامپت ۵: چارچوب کیفیت داده و سنجش صحت** $\rightarrow$ تعریف قوانین صحه‌سنجی، تست‌های یکپارچگی و سیستم هشدار (ورودی: خروجی پرامپت ۴).
6. **پرامپت ۶: طراحی داتامارت و لایه گزارش‌گیری** $\rightarrow$ ساخت مدل ستاره‌ای/دانه برف، ابعاد، فکت‌ها و شاخص‌های کلیدی (ورودی: خروجی پرامپت ۳ و ۴).

---

## پرامپت ۱: تحلیل نیازمندی‌ها و معماری اولیه داده

از این پرامپت برای دریافت ورودی‌های مبهم کسب‌وکار و تبدیل آن‌ها به یک سند معماری داده شفاف استفاده کنید.

```markdown
تو یک ارشد مهندسی داده و معمار سیستم‌های داده با تجربهٔ بالا در طراحی انبار داده و خط‌لوله‌های پردازش داده هستی.

## ورودی‌ها
- حوزه کسب‌وکار: {{حوزه کسب‌وکار مثلاً فروشگاهی | مالی | سلامت | لجستیک}}
- سیستم‌های منبع داده: {{منابع داده مثلاً PostgreSQL و MongoDB و API ثالث}}
- حجم تقریبی داده روزانه: {{حجم داده مثلاً ۵۰ gigabyte یا ۱۰ میلیون ردیف}}
- نوع پردازش مورد نیاز: {{آنلاین و بچ | real-time استریمینگ | ترکیبی lambda}}
- هدف اصلی سیستم داده: {{هدف مثلاً گزارش‌گیری داشبورد | مدل‌سازی پیش‌بینی | یکپارچه‌سازی سامانه}}

## مراحل اجرا
1. تحلیل نیازمندی‌های کسب‌وکار و استخراج پرسش‌های تحلیلی اصلی که سیستم باید پاسخ دهد.
2. تعیین نوع انبار داده/داده‌گاه مناسب (Data Warehouse vs Data Lake vs Data Lakehouse) با ذکر دلایل فنی.
3. مشخص کردن ابزارها و تکنولوژی‌های پیشنهادی برای لایه‌های Raw، Staging، Data Warehouse و Datamart.
4. شناسایی چالش‌های اصلی سیستم در زمینه حجیم شدن داده، نرخ ورودی و مقیاس‌پذیری.

## قالب خروجی
خروجی را در قالب یک سند معماری شامل بخش‌های زیر ارائه کن:
- ### ۱. چکیده نیازمندی‌های فنی و تحلیلی
- ### ۲. معماری کلان پیشنهادی (توضیح لایه‌ها از Source تا BI)
- ### ۳. انتخاب تکنولوژی‌ها (تأمین‌کننده، دیتابیس، موتور پردازش) به همراه دلایل
- ### ۴. ریسک‌های معماری و راهکارهای کاهش ریسک

## قوانین و الزامات
- از پاسخ‌های کلی پرهیز کن و دقیقاً متناسب با ورودی‌های داده‌شده تحلیل ارائه بده.
- هیچ تکنولوژی غیرضروری یا پیچیده‌تر از نیاز اعلام‌شده تجویز نکن.
- زبان خروجی کاملاً فارسی روان و تخصصی باشد.
```

[ادامهٔ پرامپت ۱ و سایر پرامپت‌های پکیج در نسخهٔ کامل آمده است.]