Datenmodellierungstechniken erklärt, wie Sie das Beste aus Ihren Daten erhalten
Steve Hoberman ist der Autor mehrerer Bücher über Datenmodellierungstechniken. einschließlich seiner jüngsten: Datenmodellierung für MongoDB: Gebäude gut gestaltete und Supportable MongoDB-Datenbanken. Hoberman ist auch ein prominentes Datenmodellierung Berater und Lehrer, die mehr als 10.000 Menschen auf fünf Kontinenten gebildet hat. In diesem Interview erklärt er, gemeinsame Herausforderungen, die Unternehmen bei der Schaffung von Datenmodellen konfrontiert und bietet Tipps zur Datenmodellierungstechniken, die bei der Entwicklung von nützlichen und genauen Datenmodellen für Betriebs- und Business Intelligence-Anwendungen, darunter auch solche, laufen auf NoSQL-Datenbanken wie MongoDB helfen können .
Steve Hoberman: In Datenmodellierung für MongoDB. eines der wichtigsten Themen ist für die Modellierer das Modell nimmt, auf die visuelle Form, flexibel zu sein und manchmal erfordert es Mühe nicht mit herkömmlichen Datenmodellierungsnotation zu modellieren. Wenn Sie die Arbeit mit der Anwendungsentwicklung Rollen mit ‚Daten‘, ‚Entwickler‘ oder ‚Datenbank‘ in ihrem Job Titel, ist es in Ordnung, traditionelle Datenmodellierungsnotation von Rahmen und Linien, wie Informationstechnik Notation zu verwenden (zB der Fuß der Luft ) oder Unified Modeling language. Für diese Rollen, diese Notation ich oft konsequent für alle drei Ebenen von Modellen verwenden - konzeptionelle, logische und physische.
Was sind die größten Herausforderungen, die Unternehmen stellen ein Datenmodell zu schaffen, und was sind Ihre Vorschläge zur Vermeidung oder sie zu lösen?
Hoberman: Die größte Herausforderung ist die Erfassung korrekt die Anforderungen an das Datenmodell. Oft, wenn das Projekt startet, gibt es nur vage Anforderungen (wenn Anforderungen überhaupt), und das Datenmodell diese Anforderungen vollständig und genau darstellen muß. Deshalb ist es eine sehr anspruchsvolle Aufgabe von Mehrdeutigkeit oder Unklarheit zu Präzision zu gehen. Viele Fragen müssen gestellt werden, und die Ergebnisse müssen auf dem Modell zu dokumentieren. Das braucht Zeit und Wissen, welche Fragen zu stellen und Projekte oft fehlt die Zeit sowie das Know-how, diese Fragen zu beantworten. Datenmodellierung ist der Prozess über das Geschäft des Lernens, und es ist ein zeitaufwendiges und schwieriger Prozess.
Da verschiedene Anwendungen für die Modellierung wie Risikominderung und Engineering an Popularität gewinnen umkehren, wie funktioniert therole eines modelerchange und anpassen?
Hoberman: Mit Reverse Engineering, statt mit einer sauberen Weste starten und die Datenmodelle von neuen Systemanforderungen fahren, organisieren wir Attribute und Regeln nach wie Systeme heute arbeiten. So ist der Denkprozess und die zu erbringenden Leistungen sind die gleichen für Neuentwicklung als mit Reverse-Engineering, aber die Ausgangspunkte sind unterschiedlich. Oft mit Risikominderung und Reverse Engineering, spielen wir die Rolle des ‚Datum Archäologen‘ detektivischen Fähigkeiten mit der Bedeutung eines bestehenden System Feld zu bestimmen und die Beziehungen des Feldes zu anderen Bereichen.
Haben Sie Empfehlungen, wie Präzision herzustellen, wenn es einen Konflikt über Definitionen und Spezifikationen ist?
Hoberman: Es gibt eine Reihe von Techniken, die gut funktionieren, und ich werde zwei kurz beschreibe ich am besten gefällt. Ein Modellierer Ich weiß, schreibt alle ihre eigenen Definitionen, und sie schreibt diese Definitionen so präzise, dass sie weiß, dass sie alle falsch sind - dann gibt sie sie auf das Geschäft zu korrigieren. Sie findet es einfacher für einen Business-Anwender ist eine bestehende Definition zu korrigieren als kommen mit einer Definition von Grund auf neu. Ein anderer Modellierer Ich weiß, besteht darauf, dass Entwicklungsteams, die Bedingungen zu definieren, bevor der Begriff zu benennen. Um einen Begriff zu nennen, müssen wir wissen, was es ist. So definiert es zuerst, und benennen Sie es dann. Beide Ansätze sind sehr effektiv für die kommenden mit präzisen Definitionen.
Was sind die wichtigsten Unterschiede bei der Modellierung mit einem relationalen im Vergleich zu einer NoSQL-Datenbank?
Wie funktioniert das Schema-weniger oder Schema lite Art von NoSQL-Datenbanken betrifft die Modellierung von Prozessdaten?
Hoberman: Die NoSQL-Datenbanken ermöglichen es uns, neue Felder hinzufügen, wie wir die Daten hinzufügen ( ‚Schema-weniger‘ oder ‚Schema lite‘ genannt), und dies ermöglicht es uns leichter zum Prototyp und iterativ die Datenbank vor bauen auf die Vollendung (und manchmal auch ausgehend das Datenmodell). In einigen Anstrengungen wird die Datenbank-Design abgeschlossen ist, und dann ist die logische und konzeptionelle sind für die Dokumentation und Support-Zwecke gebaut. So hat manchmal ein Schema lose Umgebung macht einen Bottom-up-Ansatz (von dem physischen Start) möglich.
Durch die Zeit nehmen ein Datenmodell zu erstellen, welche Vorteile kann ein Business-Erfahrung oder welche Komplikationen könnten sie vermeiden?
Hoberman: Die zugrunde liegende Vorteil der Verwendung eines Datenmodells besteht darin, dass die Daten tatsächlich wird verständlich, wie andere es lesen kann und mehr über sie. Dieses präzise Dokument hat, dass die Daten führt zu einem spürbaren Business-Vorteilen wie Einsparungen bei den Entwicklern und Support-Kosten und den Aufbau höherwertiger Systeme, die Anforderungen zu erfüllen und eine gute Leistung erklärt.
Nächste Schritte
Erfahren Sie, warum die Datenmodellierung Konzepte sind wichtig für den geschäftlichen Erfolg in einem Auszug aus Steve Hoberman jüngsten Buch.