Data-X

Data-X Teaching data analysis and business intelligence with professional tools & analytical thinking.

22/09/2026

المستوى الرابع، وهو أعمق مستوى في السلسلة دي: تربط الذكاء الاصطناعي بملف الباور بي آي بتاعك عن طريق MCP Server.

وقتها الذكاء الاصطناعي مش بس بيقترحلك كود تنسخه... هو بيقدر يكتب DAX أو يعدّل في العلاقات بين الجداول جوه نفس الموديل بتاعك.

ده مستوى تاني تمامًا، ومحتاج مهارات مختلفة تمامًا:
— تكون فاهم Data Modeling صح (Star Schema، اتجاه العلاقة، الـCardinality)
— تفهم منطق الـFilter Context كفاية عشان تكتشف مقياس "شكله صح" وهو في الحقيقة غلط
— تتعامل مع أي تعديل مقترح منه زي ما تتعامل مع تعديل جاي من زميل جديد لسه بيتعلم — تراجعه قبل ما توافق عليه

ومدى جودته هنا؟ ده أضعف حلقة في السلسلة كلها لو اعتمدت عليه من غير مراجعة. أي افتراض غلط ممكن يكسر أرقام الموديل كله بهدوء، من غير ما حد يلاحظ على طول. والفكرة نفسها (ربط AI بموديل باور بي آي عن طريق MCP) لسه جديدة كطريقة شغل.

الخلاصة: المستوى ده بيضاعف سرعة المحلل اللي فاهم شغله كويس... مش بيغني عن حكمه وخبرته.

21/09/2026

المستوى الثالث: الذكاء الاصطناعي مش في شات لوحده... هو جوه الأداة اللي انت شغال بيها فعلًا
مثال بسيط: Claude جوه الإكسيل. تقدر تحدد رينج معين وتقوله "اعملي عمود بيحسب النسبة دي" أو "لخصلي الشيت ده"، وهو شغّال على البيانات اللي فاتحها انت بالظبط، مش على وصف بتكتبه إنت.

إيه اللي محتاجه هنا؟
— تحدد النطاق اللي عايزه بالظبط
— تفهم إن النسخة اللي جوه الأداة عادة أضيق من الشات العام بره
— تراجع أي صيغة أو نتيجة قبل ما تسيبها في ملف شغّال فعلي

ومدى جودته؟ مريح جدًا فعلًا — مفيش نقل ولصق بين شات وإكسيل، وهو شايف بياناتك الحقيقية مش بيتخيلها، فده بيرفع دقته عن مجرد شات عادي. بس التجربة لسه بتتوسع وبتختلف من أداة لأداة (إكسيل غير باور بي آي غير غيرهم)، فمينفعش تفترض إن كل أداة فيها نفس المستوى بالظبط.

الاتجاه العام واضح: الذكاء الاصطناعي مش هيفضل نافذة منفصلة... هيبقى جوه كل أداة بتستخدمها. يستاهل تتابعه أداة أداة.

المهارات المطلوبه

تعرف تحدد النطاق اللي شغّال عليه (الشيت / الرينج) وتقوله عليه بالظبط
• تفهم حدود النسخة اللي جوه الأداة — عادة أضيق من الشات العام
• تراجع الصيغة أو النتيجة قبل ما تسيبها في ملف شغّال فعلا

18/09/2026

لو كنت صاحب القرار

1- توقف تطورات واستخدامات الذكاء الاصطناعي

2- لا بالعكس شايفه مفيد جدا وهتعب من بعده

3- إجابة أخرى هقولها في الكومنتات

17/09/2026

المستوى الثاني: ترفع ملف (Excel / CSV) للذكاء الاصطناعي وتبدأ تتكلم معاه عليه مباشرة.

"ليه المبيعات نزلت في الربع ده؟"
"فيه قيم غريبة في العمود ده؟"
"اعملي ملخص سريع للبيانات دي"

قبل ما تعمل كده، فيه نقطة مهمة جدًا: مينفعش ترفع بيانات عملاء حقيقية أو حساسة لأداة عامة من غير ما تتأكد إن ده مسموح في شغلك. دي مش تفصيلة، دي أول مهارة لازم تتعلمها في المستوى ده.

بعد كده، محتاج:
— تجهّز عينة نضيفة وممثّلة من البيانات
— تراجع الوصف اللي بيديهولك، مش تصدّقه على طول

ومدى جودته هنا؟ ممتاز في الاستكشاف السريع لملف واحد بسيط. لكن كل ما البيانات تكبر أو تتفرع لأكتر من جدول مرتبط، بيبدأ ياخد افتراضات من عنده من غير ما يقولك — لأنه مش شايف العلاقات الحقيقية زي ما يشوفها موديل بيانات حقيقي.

الخلاصة: مفيد جدًا كنقطة بداية سريعة على بياناتك... مش كإجابة نهائية تُبنى عليها قرارات.

أول استخدام لل الـAI كمحلل بيانات، وأبسط واحد فيهم: تفتح شات عادي (ChatGPT / Claude / أي حد) وتتكلم معاه زي ما بتتكلم مع...
15/09/2026

أول استخدام لل
الـAI كمحلل بيانات، وأبسط واحد فيهم: تفتح شات عادي (ChatGPT / Claude / أي حد) وتتكلم معاه زي ما بتتكلم مع زميلك.

"اكتبلي كويري يجيب أعلى 10 عملاء حسب المبيعات"
"في غلطة في الداكس ده، صححهالي"
"إيه الفرق بين INNER JOIN و LEFT JOIN بمثال؟"

إيه اللي محتاجه عشان المستوى ده ينجح معاك؟
— تقرا الكود اللي راجعلك وتتأكد إنه صح، مش تشغّله على طول
— تعرف توصف المطلوب بدقة
— تفهم أساسيات اللغة اللي بتتكلم بيها معاه

ومدى جودة الـAI هنا؟ صراحة، ده من أقوى استخدامات الذكاء الاصطناعي حاليًا. طلب واضح ومحدد = إجابة سليمة غالبًا من أول مرة. لكن كل ما الطلب يتشابك مع تفاصيل خاصة بشغلك (العلاقات في الموديل بتاعك، منطق البزنس عندك)، محتاج تراجعه بنفسك — لأنه مش شايف نظامك زيك.

الخلاصة: أداة تسريع ممتازة... مش بديل عن إنك تفهم اللي بتعمله.

إيه رأيك، جربت الاستخدام ده قبل كده؟ 👇

الذكاء الاصطناعي في شغل محلل البيانات مش حاجة واحدة... هو 5 مستويات مختلفة تمامًابسمع كل يوم حد بيقول "استخدمت AI" وبعده...
14/09/2026

الذكاء الاصطناعي في شغل محلل البيانات مش حاجة واحدة... هو 5 مستويات مختلفة تمامًا
بسمع كل يوم حد بيقول "استخدمت AI" وبعدها يوصف حاجة مختلفة تمامًا عن اللي وصفه واحد تاني.

وده لأن AI في شغل محلل البيانات مش استخدام واحد... هو 5 مستويات، كل مستوى شكله مختلف، وكل مستوى محتاج مهارة مختلفة من المحلل، وكل مستوى فيه نسبة نجاح مختلفة تمامًا للذكاء الاصطناعي نفسه.

خلال الأسبوعين الجايين هنشرح المستويات الخمسة دي واحدة واحدة:

1) الشات العادي — تكتب كود وتصححه
2) ترفع الداتا بتاعتك كملفات وتتكلم معاه مباشرة
3) AI جوه الأداة نفسها (زي Claude جوه الإكسيل)
4) ربط AI بملف الباور بي آي عن طريق MCP Server عشان يكتب DAX أو يعدّل العلاقات
5) تعليم الـAI مهارات زي التخطيط والتصميم، واستخدامه في التوثيق وعمل ملخص وتوصيات للتقرير

وفي كل مستوى هنقولك بصراحة: إيه المهارة اللي المفروض تكون عندك عشان المستوى ده ينجح معاك، وإيه مستوى جودة الذكاء الاصطناعي الحقيقي فيه دلوقتي — من غير مبالغة ومن غير تهويل.

ولو انت محلل بيانات وعايز تحط خطة تتعلم بيها الذكاء الاصطناعي بنفسك، السلسلة دي هتبقى نقطة بداية كويسة جدًا.

تابعنا عشان تلحق كل يوم 👇

04/09/2026

اللهم صل وسلم وبارك على سيدنا محمد

03/09/2026

"مع وجود الـ AI... هو لسه في داعي نتعلم Power BI في 2026؟" 🤔

سؤال بيتكرر كتير جدًا الفترة دي...

خصوصًا بعد ما بقينا نشوف AI يقدر يعمل Charts، يكتب SQL، يحلل ملفات Excel، ويجاوب على أسئلة عن الـ Data في ثواني.

فطبيعي ناس كتير تسأل:

خلاص... الـ AI هيعمل كل ده، إيه لازمة Power BI؟

لكن في رأيي المشكلة إن ناس كتير فاهمة Power BI غلط من الأساس.

لأن Power BI مش مجرد:

📊 Charts
📈 Dashboards
🎨 Visuals شكلها حلو

لو ده كل اللي بتعمله بـ Power BI...
فآه، جزء كبير منه الـ AI بقى يقدر يساعدك فيه، ويمكن يعمل بعضه أسرع منك كمان.

لكن القيمة الحقيقية لـ Power BI موجودة في مكان تاني تمامًا:

الـ Data Model 🧠

تعالى نتخيل شركة عندها Data جاية من:

- ERP System
- CRM
- Excel Files
- SQL Database
- Online Sales
- Inventory System

كل مصدر فيهم بيحكي جزء من القصة.

لكن السؤال الحقيقي:

إزاي نخلي كل الـ Data دي تتكلم مع بعض؟

هنا يبدأ دور الـ Data Modeling.

وأنا شايف إن فيه 3 حاجات أساسية بتخلي الـ Power BI مهم جدًا حتى مع تطور الـ AI:

1️⃣ تجميع وتنظيم الـ Data

الـ Data في الحقيقة مش بتوصلك جاهزة ونظيفة زي الـ Datasets بتاعة الكورسات. 😅

ممكن تلاقي:

نفس العميل مكتوب بأكتر من طريقة.

تواريخ بصيغ مختلفة.

أرقام ناقصة.

Files متكررة.

وكل قسم عنده تعريف مختلف لنفس الـ Metric.

قبل ما تسأل الـ AI أي سؤال...

لازم الأول تعرف: هو بيسأل أنهي Data؟

2️⃣ الـ Business Logic

ودي واحدة من أخطر وأهم النقاط.

الـ AI ممكن يعرف يجمع Sales.

لكن هل هو عارف الشركة بتحسب الـ Revenue إزاي؟

هل الـ Returns اتخصمت؟

هل الـ Discounts داخلة؟

هل الـ Payment بيتحسب وقت إصدار الـ Invoice ولا وقت التحصيل؟

ولو الشركة قالت:

"عايزين نعرف أفضل العملاء"

أفضل بناءً على إيه؟ 🤔

Revenue؟
Profit؟
Number of Orders؟
ولا العملاء اللي بيشتروا منتجات معينة؟

الـ AI مش هيعرف المنطق الخاص بشركتك من نفسه.

حد لازم يبني ويحدد الـ Business Logic.

وهنا بييجي دور الـ DAX والـ Measures والـ Semantic Model.

3️⃣ العلاقات بين الـ Data

عندك جدول Sales.

وعندك Products.

وعندك Customers.

وعندك Calendar.

كل Table لوحده ممكن يكون مفهوم.

لكن القيمة الحقيقية بتظهر لما تربطهم صح.

عشان لما تسأل:

"إيه أكتر Product اتباع في القاهرة خلال آخر 3 شهور للعملاء الجدد؟"

تكون الإجابة مبنية على Model فاهم العلاقة بين كل العناصر دي.

---

والنقطة الأهم بقى...

الـ AI نفسه محتاج Foundation 🧠

الناس بتفتكر إننا هنجيب شوية Tables وExcel Files ونرميهم للـ LLM ونقول:

"اتفضل يا AI حلل الشركة."

لكن الـ Data لو كانت:

❌ مبعثرة
❌ غير منظمة
❌ بدون Relationships
❌ بدون Business Definitions

فإنت ببساطة بتدي الـ AI فوضى...

وبتتوقع منه يطلعلك ذكاء. 😅

الـ AI يقدر يساعدك بشكل رهيب في الوصول للمعلومة وتحليلها.

لكن جودة الإجابة مرتبطة جدًا بجودة الـ Foundation اللي إنت بنيتها.

وده سبب إن الـ Semantic Models والـ Data Modeling بقوا مهمين أكتر، مش أقل، مع دخول الـ AI.

---

طيب إيه اللي المفروض نركز عليه كـ Data Analyst أو BI Developer في 2026؟

مش إنك تحفظ 500 Formula في DAX. ❌

ومش إنك تعمل Dashboard ألوانها حلوة. ❌

لكن تركز على:

✅ تفهم الـ Business Problem قبل ما تفتح Power BI
✅ تعرف إزاي تجمع وتنظف الـ Data
✅ تبني Data Model صح
✅ تفهم Relationships بعمق
✅ تحول Business Requirements إلى Logic باستخدام DAX
✅ تستخدم الـ AI لتسريع شغلك
✅ والأهم: تراجع وتتحقق من النتيجة

لأن الـ AI ممكن يكتبلك Code ممتاز...

لكن Code شغال ≠ Business Answer صح.

ودي في رأيي واحدة من أهم المهارات الفترة الجاية:

مش الشخص اللي يعرف يستخدم الـ AI بس...

لكن الشخص اللي يعرف:

يسأل صح → يبني الـ Data صح → ويوثق ويختبر النتيجة صح.

فبدل السؤال:

"هل الـ AI هيقتل Power BI؟"

يمكن السؤال الأصح يكون:

"هل الـ AI هيزود قيمة الناس اللي فاهمة Data Modeling وBusiness Logic؟"

أنا عن نفسي شايف إننا داخلين على مرحلة الـ Power BI فيها مش مجرد Dashboard Tool...

لكن جزء أساسي من الـ Foundation اللي الـ AI هيعتمد عليه عشان يفهم الـ Business Data. 🚀

إنت شايف إيه؟

هل مع تطور الـ AI شايف إن أهمية الـ Dashboards هتقل لصالح الـ Semantic Models والـ AI Assistants؟

ولا الـ Dashboard هيفضل هو الوسيلة الأساسية لاتخاذ القرار؟ 👇🔥

02/09/2026

تخيل إن الـ CEO أو الـ Sales Manager يفتح Microsoft 365 Copilot ويسأله:

"إيه أكتر 5 منتجات مبيعات الشهر ده؟"

فيجاوبه مباشرة من الـ Power BI Semantic Model بتاع الشركة. 🤯

من غير ما يفتح Power BI.
من غير ما يعرف يعني إيه Dashboard.
ومن غير ما يكتب SQL أو DAX.

وده بالظبط اللي شد انتباهي وأنا بتفرج على فيديو عن Fabric Data Agents.

خلينا نكون صرحاء...

إحنا كـ BI Developers بنقضي وقت كبير جدًا في:

- جمع البيانات
- تنظيفها
- بناء الـ Data Model
- كتابة الـ DAX
- تحديد الـ Metrics
- بناء الـ Reports

وبعدين في الآخر...

المستخدم لازم يدخل Power BI ويعرف يفتح التقرير الصح ويعمل Filters ويفهم الـ Visuals عشان يوصل لإجابة سؤال بسيط.

طيب ليه أصلًا نخلي الـ Business User يتعلم يروح للـ Data... لما نقدر نخلي الـ Data تروح له؟ 👀

هنا بييجي دور Fabric Data Agents. 🚀

الفكرة ببساطة إنك تقدر تربط الـ AI بالـ Data Sources بتاعتك داخل Fabric، ومنها:

🔹 Power BI Semantic Models
🔹 Lakehouses
🔹 Warehouses

وبعدها المستخدم يقدر يتعامل مع البيانات بلغة طبيعية.

لكن بالنسبة لي... الجزء الأخطر مش مجرد إن الـ AI يقرأ البيانات.

لأن أي حد ممكن يقول:

"خلي الـ AI يجاوب على البيانات."

السؤال الحقيقي هو:

هل الـ AI فاهم Business Logic بتاعك؟

مثلًا لو قلتله:

"مين أفضل العملاء؟"

أفضل عملاء بناءً على إيه؟ 🤔

أعلى Revenue؟
أكبر عدد Orders؟
أعلى Profit؟
ولا العملاء اللي اشتروا الـ Top 10 Products؟

نفس السؤال...
ممكن يطلعلك إجابات مختلفة تمامًا.

وهنا واحدة من أهم النقاط في الـ Data Agents:

Agent Instructions 🧠

تقدر تضيف للـ Agent تعليمات وقواعد خاصة بالـ Business.

يعني بدل ما الـ AI يخمن معنى الـ Metrics، إنت بتقوله المنطق اللي المفروض يشتغل بيه.

وكأنك مش بس بنيت Semantic Model...

إنت بدأت تبني شخص فاهم الشركة وطريقة حساباتها.

والأجمل إنك بعد ما تجهزه، تقدر تنشره داخل تجربة Microsoft 365 Copilot.

يعني الـ Data اللي كانت محبوسة جوه Reports وDashboards...

تبدأ تبقى متاحة في المكان اللي الـ Business Users بيشتغلوا فيه أصلًا. 🔥

وفي نقطة كمان مهمة جدًا بالنسبة ليا كـ BI Developer:

الـ Data Agent ممكن يربطك بالـ Semantic Model ويختار إنت بنفسك الـ Tables اللي عاوز الـ AI يستخدمها.

وده معناه تحكم أكبر في البيانات والسياق اللي بتديه للـ AI.

وكمان الموضوع مش واقف عند Microsoft 365 Copilot فقط...

الـ Data Agent بيوفر إمكانية الربط باستخدام MCP - Model Context Protocol، وده بيفتح الباب لاستخدام نفس منطق البيانات مع أدوات وLLMs تانية زي Claude وChatGPT، حسب إعدادات الاتصال والصلاحيات.

وده بيخليني أفكر في حاجة مهمة جدًا:

هل مستقبل الـ Power BI هو مجرد Dashboards؟

أنا شايف إن الإجابة بدأت تبقى: لأ.

الـ Semantic Model نفسه بقى Asset مهم جدًا.

لأنك لما تبني:

✅ Data Model صح
✅ Relationships صح
✅ Measures صح
✅ Business Definitions واضحة
✅ Security & Permissions مظبوطة

إنت مش بتجهز Dashboard وبس...

إنت بتجهز طبقة ذكاء ممكن الـ AI يستخدمها للإجابة واتخاذ القرارات.

وده في رأيي واحد من أكبر التحولات اللي بتحصل حاليًا في عالم الـ BI:

من:

Build a Dashboard → Let users explore the data

إلى:

Build a Governed Semantic Model → Let AI bring the answers to users

وده بالظبط السبب إن أي BI Developer النهاردة محتاج يبدأ يفهم العلاقة بين:

Power BI + Semantic Models + Microsoft Fabric + Copilot + AI + MCP

لأن شكل التعامل مع البيانات بيتغير بسرعة...

والـ Dashboard ممكن تفضل موجودة، أكيد.

لكن مش بالضرورة تفضل هي البوابة الوحيدة للبيانات.

🔥 قريب جدًا هنضيف داخل DataX جزء عملي ومفصل عن استخدامات الـ AI في Data Analytics وPower BI.

مش مجرد:
"اكتب Prompt وخلاص والـ AI هيعمل كل حاجة" ❌

لكن هنشتغل على Use Cases حقيقية، ونشوف إزاي نربط الـ AI بالبيانات، وإزاي نستفيد من الـ Semantic Models، وأين ممكن الـ AI يغلط، وإزاي نخليه يفهم الـ Business Context بشكل أفضل.

والناس اللي هتشترك قبل إضافة المحتوى الجديد هيكون ليها سعر مختلف عن السعر بعد إطلاقه.

👇 لو حابب تعرف تفاصيل DataX والمحتوى الموجود حاليًا، اللينك موجود في أول كومنت.

وسؤال للنقاش:

لو الـ Business User بقى يقدر يسأل الـ AI مباشرة وياخد الإجابة من الـ Semantic Model... هل لسه الـ Dashboard هتكون أهم منتج بيقدمه الـ BI Developer؟ ولا الـ Semantic Model نفسه هو اللي هيبقى المنتج الحقيقي؟ 🤔🔥

Address

Cairo

Telephone

+201018760214

Website

,

Alerts

Be the first to know and let us send you an email when Data-X posts news and promotions. Your email address will not be used for any other purpose, and you can unsubscribe at any time.

Contact The School

Send a message to Data-X:

Shortcuts

Share

Category