Veri Modelleme: Teknikler, Türler ve Gerçek Dünyadaki Kullanımları Açıklandı

Ana Sayfa » Python » Veri Modelleme: Teknikler, Türler ve Gerçek Dünyadaki Kullanımları Açıklandı

Veri modelleme, veri projelerinizin başarılı olup olmayacağına sessizce karar veren disiplinlerden biridir.Her analitik kontrol paneli, işlem sistemi veya iş zekası çözümünün arkasında, hangi verilerin mevcut olduğunu, nasıl bağlandığını ve günlük olarak nasıl kullanılacağını açıklayan bir veri modeli bulunur. Bu model açık ve iyi tasarlanmış olduğunda, geliştirme kolaylaşır, raporlar güvenilir olur ve herkes işletme hakkında aynı dili konuşur.

Özünde, veri modeli, işletme bilgilerini tanımlamanın biçimsel ve görsel bir yoludur.: Hangi varlıkların mevcut olduğu (müşteriler, ürünler, depolar, faturalar…), onları tanımlayan özelliklerin neler olduğu (isim, adres, kapasite, fiyat…) ve birbirleriyle nasıl ilişkili oldukları. Yıllar içinde, yeni veritabanı teknolojileri, yönetim ihtiyaçları ve İş Zekası (BI) ve veri ambarı gibi modern analitik kullanım durumları doğrultusunda farklı modelleme teknikleri ve model türleri gelişmiştir.

Veri modeli nedir?

Veri modeli, bir sistem içinde bilginin nasıl yapılandırıldığına dair soyut bir şablondur.Veritabanı veya uygulamada herhangi bir şey fiilen uygulanmadan çok önce, veri öğelerini, onları yöneten kuralları ve onları birbirine bağlayan ilişkileri tanımlar. Bunu, bir mühendisin betonu dökmeden önce izlediği mimari plan gibi düşünün.

Pratik anlamda, bir veri modeli verilerin nasıl depolandığını, birbirine bağlandığını, erişildiğini ve güncellendiğini gösterir. Veritabanı yönetim sistemi içerisinde, semboller, kutular, çizgiler ve metinler kullanılarak, işletme paydaşlarına, analistlere, mimarlara ve geliştiricilere kuruluşun önem verdiği bilgilere dair ortak bir bakış açısı sunulur; böylece herkes bu bilgiler üzerinde düşünebilir ve sorunları erken tespit edebilir.

Veri modelinin temel amaçlarından biri, sistemde kullanılan ve depolanan veri türlerini açıkça ortaya koymaktır.Bu türlerin nasıl gruplandığı, nasıl yapılar halinde organize edilebileceği ve hangi biçim ve özelliklere sahip oldukları da dahil olmak üzere, daha sonra teknik uygulamayı yönlendirecek anahtarların, kısıtlamaların, kardinalitelerin ve adlandırma kurallarının tanımlanması da bu kapsamdadır.

Veri modelleri boşlukta yaratılmaz; iş gereksinimleri tarafından yönlendirilirler.Modelleme başlamadan önce, iş paydaşlarından ve son kullanıcılardan kurallar ve ihtiyaçlar toplanır. Bu kurallar daha sonra yeni bir sistemin tasarımını veya mevcut bir sistemin evrimini şekillendiren veri yapılarına dönüştürülür. Bu anlamda, bir veri modeli bir yol haritasına çok benzer: hiçbir şeyi uygulamaz, ancak A'dan B'ye nasıl gidileceğini gösterir.

İyi veri modellemesi, standartlaştırılmış şemalara ve biçimsel tekniklere dayanır.Bu standardizasyon, ekipler, departmanlar ve hatta harici ortaklar arasında veri kaynaklarını tanımlamak ve yönetmek için tutarlı ve öngörülebilir bir yol sağlar. İdeal olarak, modeller organizasyon değiştikçe gelişen, süreç iyileştirmeyi destekleyen ve BT mimarisi kararlarına rehberlik eden canlı belgeler haline gelir.

Veri modelleme nedir?

Veri modelleme, verinin nerede bulunduğunu ve bir sistem içinde nasıl aktığını haritalama ve görselleştirme sürecidir.Bir uygulamanın, entegrasyonun veya iş zekası platformunun bilgileri depolayacağı tüm yerleri belirledikten sonra, bu veri kümelerinin nasıl bağlanacağını ve etkileşimde bulunacağını tasarlarsınız.

Herhangi bir BT projesinde veri modelleme, kritik bir tasarım aşamasıdır.Çözüm henüz taslak aşamasındayken, ekip hangi iş problemlerinin çözülmesi gerektiğini, bu problemleri çözmek için hangi verilere ihtiyaç duyulduğunu ve bu verilerin kullanıcılar ve diğer sistemler tarafından nasıl tüketileceğini belirler. Bu anlayış daha sonra farklı veri gruplarının nasıl ilişkili olduğunu ve bileşenler arasında nasıl hareket ettiğini açıklayan diyagramlara dönüştürülür.

Veri modellemesinin sonucu genellikle, her veri grubunun diğerleriyle nasıl ilişkili olduğunu gösteren bir veya daha fazla diyagram (veya model) olur.Bunlar, iş dünyası kitleleri için kavramsal diyagramlar, yapıları ve ilişkileri daha ayrıntılı olarak gösteren mantıksal modeller veya doğrudan veritabanı tablolarına ve sütunlarına bağlı fiziksel modeller olabilir. Her soyutlama seviyesi, bir öncekini iyileştirerek uygulamaya daha da yaklaşır.

Veriler, çok yüksek seviyeli kavramlardan tam detaylı şemalara kadar çeşitli soyutlama seviyelerinde modellenebilir.Modelleme yaşam döngüsü tipik olarak paydaş gereksinimlerini anlamakla başlar, iş kurallarını veri yapılarına dönüştürür ve ardından bu yapıları somut bir veritabanı tasarımına dönüştürür. Bu süreçte, boşluklar, tutarsızlıklar veya eksik veri öğeleri görünür hale gelir ve üretim sorunlarına dönüşmeden önce düzeltilebilir.

Gereksinimler sürekli değiştiği için, veri modelleri yaşayan varlıklar olarak ele alınmalıdır.Yeni özellikler eklendiğinde, entegrasyonlar ortaya çıktığında, düzenlemeler değiştiğinde veya yeni analitik ihtiyaçlar ortaya çıktığında bu modeller tekrar gözden geçirilir. Hatta, verilerin kuruluşlar arasında nasıl anlaşıldığı ve paylaşıldığı konusunda uyum sağlamak için tedarikçiler ve ortaklarla paylaşılan modeller kullanılabilir.

Başlıca veri modelleme teknikleri ve model türleri

Zaman içinde, her biri belirli teknolojiler ve kullanım durumları için optimize edilmiş farklı veri modelleme teknikleri ortaya çıkmıştır.Erken dönem hiyerarşik veritabanlarından, iş zekasında kullanılan modern boyutlu ve ilişkisel yaklaşımlara kadar her stil, esneklik, performans ve anlaşılabilirlik açısından belirli avantajlar ve dezavantajlar sunar.

Aşağıda en önemli veri modeli türlerine ilişkin ayrıntılı bir genel bakış bulacaksınız.Otomobil bayileri, depolar ve BI yıldız şemaları gibi somut örneklerle desteklenen ve hem teknik hem de teknik olmayan okuyucuların anlayabileceği şekilde iş dünyasına uygun bir dille açıklanan bir kitap.

Hiyerarşik veri modellemesi

Hiyerarşik veri modeli, bilgileri ağaç benzeri bir yapıda düzenler.En üstte tek bir kök ve altında birden fazla alt düğüm seviyesi bulunan bir yapı. Her üst düğümün birden fazla çocuğu olabilir, ancak her çocuğun tam olarak bir üst düğümü vardır; bu da kesin bir bire çok ilişki modeline yol açar.

Bu yaklaşımda, ilişkiler ebeveynden çocuğa doğru tek bir yol boyunca ilerler.Bir kaydın birden fazla ebeveyni olması kavramı yoktur. İşaretçiler (veya bağlantılar) ebeveynleri çocuklarıyla bağlar ve verilere erişmek veya verileri güncellemek için bu işaretçiler üzerinden ilerlersiniz. Her kayıt ağaçta tanımlanmış bir yerde bulunduğundan, soy ağacını anlamak kolaydır.

Bir otomobil bayisi örneğini ele alalım.En üst düzey bir düğüm "Showroomlar"ı temsil edebilir. Her showroom düğümünün "Arabalar" ve "Satış Elemanları" için alt düğümleri olur, çünkü tek bir showroom birçok arabayı barındırabilir ve birçok satış elemanını istihdam edebilir. Gezinme her zaman showroomdan başlar ve hangi arabaların ve satış personelinin ona ait olduğunu görmek için aşağı doğru ilerler.

Hiyerarşik modeller, gerçek dünya yapınız doğal olarak ağaç şeklinde olduğunda harika sonuçlar verir.Bunlara örnek olarak web sitesi site haritaları, organizasyon şemaları, tarif dökümleri veya e-ticaret sitesindeki ürün kategorileri verilebilir. Örneğin, "Ayakkabılar" ana kategori olabilir ve "Kadın Ayakkabıları" ve "Erkek Ayakkabıları" gibi alt düğümlerin yanı sıra "Spor Ayakkabılar", "Topuklu Ayakkabılar" veya "Botlar" gibi daha alt düğümler de olabilir.

Bu stilin bazı belirgin özellikleri ve sınırlamaları vardır.İlişkiler kesinlikle bire çoktur, kökten herhangi bir alt öğeye yalnızca bir yol vardır ve bir üst öğeyi silmek genellikle tüm alt öğelerini otomatik olarak siler. Bu kademeli silme işlemi kullanışlı olabilir, ancak hiyerarşinizin anlamı konusunda dikkatli olmazsanız riskli de olabilir.

Ağ verisi modellemesi

Ağ veri modeli, kayıtların birden fazla üst kayda sahip olmasına izin vererek hiyerarşik yaklaşımı genişletir.Saf bir ağaç yapısı yerine, birbirine bağlı kayıtların grafik benzeri bir ağı elde edersiniz, tıpkı diğer örneklerde olduğu gibi. yönetilen grafik veritabanlarıBu da karmaşık gerçek dünya durumlarını temsil etmeyi kolaylaştırır.

Bir ağ modelinde çok daha fazla ilişki modeli mümkündür.Sadece bire çok ilişkileri değil, bire bir ve çoktan çoğa ilişkileri de yönetebilirsiniz. Düğümler birden fazla rota üzerinden bağlanabilir; bu da yapıda gezinirken aynı kayda ulaşmanın birden fazla yolu olabileceği anlamına gelir.

Bilgisayar Bilimleri bölümüne mensup ama aynı zamanda kütüphaneden ödünç alma hakkı olan bir öğrenciyi hayal edin.Bir ağ modelinde, "Öğrenci" kaydının iki üst kaydı olabilir: biri "Bilgisayar Mühendisliği Bölümü" diğeri "Kütüphane" için. Bu, bir çocuğun yalnızca tek bir üst kaydı olabileceği katı bir hiyerarşik ağaçta imkansızdı.

Ağ modellerindeki temel işlemler genellikle dairesel bağlantılı listeler kullanılarak uygulanır.Bir program, listedeki "mevcut konumu" takip eder ve tanımlanmış ilişkilere göre bağlantılı kayıtlar arasında ilerler. Bu, aynı veri parçasına ulaşmak için birden fazla olası yolu izleyebileceğiniz için gezinmeyi hızlı ve esnek hale getirir.

Daha yüksek bağlantı düzeyi sayesinde, ağ modelleri daha incelikli, gerçek dünya ilişkilerini temsil edebilir.Ancak bu durum, şemaların anlaşılmasını ve yönetilmesini de daha karmaşık hale getirir. Özellikle büyük şemalar ve gelişen iş kuralları için tüm bağlantıları tasarlamak ve sürdürmek zorlayıcı olabilir.

Varlık-İlişki (ER) veri modellemesi

Varlık-İlişki modeli, ER diyagramlarını kullanarak veri gereksinimlerini tanımlamanın üst düzey, görsel bir yoludur.Kavramsal ve mantıksal veri modellemesi için en yaygın kullanılan tekniklerden biridir, özellikle de teknik karmaşadan uzak, net bir tabloya ihtiyaç duyan iş paydaşlarıyla çalışırken.

Varlık-ilişki diyagramında temel yapı taşları varlıklar, nitelikler ve ilişkilerdir.Varlıklar, işletmenin önem verdiği gerçek dünyadaki şeyleri temsil eder (örneğin "Öğrenci", "Öğretmen", "Ders" veya "Bölüm"). Nitelikler, bu varlıkların özelliklerini (örneğin öğretmen kimliği, maaş, yaş) yakalar ve ilişkiler, varlıkların nasıl bağlantılı olduğunu gösterir (örneğin, "Öğretmen, Bölümde çalışır").

Varlıklar genellikle dikdörtgen, nitelikler oval ve ilişkiler elmas veya etiketli çizgiler olarak çizilir.Kardinaliteler (bire çok veya çoktan çoğa gibi) her varlığın kaç örneğinin birbirine bağlanabileceğini gösterir. Bu gösterim, karmaşık kuralları nispeten kolay okunabilir bir diyagramda yakalamanıza olanak tanır.

Veri mimarları, bu modelleri tasarlamak ve geliştirmek için ER araçlarını kullanırlar.Birçok durumda, ER diyagramları iş analizi ile veritabanı uygulaması arasında bir köprü görevi görür: ER modeli üzerinde anlaşmaya varıldıktan sonra, sistematik bir şekilde ilişkisel tablolara, anahtarlara ve kısıtlamalara dönüştürülebilir.

Çünkü ER modellemesi nispeten yüksek bir soyutlama seviyesinde çalışır.Paydaşlarla anlayışı doğrulamak için mükemmel bir yöntem. Diyagramı atölye çalışmalarında inceleyebilir, gerekli tüm varlıkların ve ilişkilerin mevcut olup olmadığını sorabilir ve daha teknik katmanlara geçmeden önce tasarımı ayarlayabilirsiniz.

İlişkisel veri modellemesi

İlişkisel model, çoğu geleneksel veritabanı sisteminin temelini oluşturur.Burada veriler, satır ve sütunlardan oluşan iki boyutlu tablolarda saklanır ve tablolar arasındaki ilişkiler, hiyerarşik veya ağ modellerindeki gibi açık işaretçiler yerine anahtarlar aracılığıyla ifade edilir.

İlişkisel modeldeki her tabloya genellikle "ilişki" adı verilir.Pratikte bunlara genellikle sadece tablo denir. Satırlar, tek tek kayıtları veya örnekleri temsil eden demetler (tuple) olarak bilinirken, sütunlar her kayıt için saklanan özellikleri tanımlayan niteliklerdir (veya alanlardır).

Otomobil bayisini tekrar örnek olarak ele alalım.Örneğin, "Satış Elemanları" tablosunda Satış ElemanıID ve Ad gibi sütunlar, "Araçlar" tablosunda ise AraçID ve Marka gibi sütunlar olabilir. Satış Elemanları tablosundaki her satır gerçek bir satış elemanını, Araçlar tablosundaki her satır ise gerçek bir aracı temsil eder.

İlişkisel modelde birincil anahtarlar ve yabancı anahtarlar çok önemli bir rol oynar.Birincil anahtar, bir tablodaki her satırı benzersiz şekilde tanımlar (örneğin, Satış ElemanıID veya ArabaID). Bu anahtarlar daha sonra ilişkileri temsil etmek için diğer tablolarda yabancı anahtar olarak görünebilir. Örneğin, bir "Showroomlar" tablosu, bir showroomu orada çalışan satış elemanına ve sergilenen arabaya bağlayan Satış ElemanıID ve ArabaID'yi yabancı anahtar olarak içerebilir.

Birincil ve yabancı anahtarlar arasındaki işbirliği, ilişkisel veritabanlarının karmaşık iş ilişkileri ağlarını temsil etmesini sağlayan şeydir.Veritabanını sorgularken, bu anahtarlar üzerinden tabloları birleştirebilirsiniz. análisis de datos con SQL ve gerçek dünya ile olan bağlantıları yeniden oluşturmak: hangi arabaların hangi showroom'a tahsis edildiği, hangi satış elemanının belirli bir satışı gerçekleştirdiği vb.

Birincil ve yabancı anahtarlar arasındaki işbirliği, ilişkisel veritabanlarının karmaşık iş ilişkileri ağlarını temsil etmesini sağlayan şeydir.Veritabanını sorguladığınızda, gerçek dünya ilişkilerini yeniden oluşturmak için bu anahtarlar üzerinden tabloları birleştirebilirsiniz: hangi araçların hangi showroom'a atandığı, hangi satış elemanının belirli bir satışı gerçekleştirdiği vb.

İlişkisel model güçlü, iyi anlaşılmış ve olgun teknolojiler tarafından güçlü bir şekilde desteklenmektedir.Verilerin son derece yapılandırılmış olduğu ve tutarlılığın kritik önem taşıdığı durumlarda en iyi performansı gösterir. Bununla birlikte, çok karmaşık nesneler, multimedya içerik veya yapının sık sık değiştiği ultra esnek şemalar söz konusu olduğunda sınırlamalarla karşılaşabilir.

Nesne yönelimli veri modellemesi

Nesne yönelimli veri modellemesi, nesne yönelimli programlamadan gelen kavramları veri dünyasına taşıyor.Tablolar ve satırlar açısından düşünmek yerine, modern uygulamaların yazılma biçimini yansıtacak şekilde, verileri (nitelikleri) davranışlarla (metotlar) bir araya getiren nesneler olarak bilgiyi modelliyorsunuz.

Nesne yönelimli bir modelde, her nesne gerçek dünyadaki bir varlığı temsil eder.Bir otomobil bayisi için, ad, adres ve telefon numarası gibi özelliklere ve bu bilgileri güncellemek veya müşteri ömrü değerini hesaplamak için yöntemlere sahip bir "Müşteri" nesneniz olabilir. Sistemdeki her gerçek müşteri, Müşteri sınıfının bir örneğidir.

Bu modelleme tarzı, tamamen ilişkisel tasarımların çeşitli sınırlamalarının üstesinden gelebilir.Özellikle karmaşık, iç içe geçmiş yapılar veya düz tablolara düzgün bir şekilde uymayan multimedya verileriyle uğraşırken bu durum geçerlidir. Nesne veritabanları ve nesne-ilişkisel eşleyiciler (ORM'ler), kod ve veri depolama arasındaki "uyumsuzluğu" azaltmak için bu paradigmadan yararlanır.

Nesne yönelimli modeller multimedya ve gelişmiş uygulama senaryolarında yaygındır.Görüntüleri, videoları veya iç içe geçmiş belgeleri çok sayıda ilişkisel tabloya bölmek yerine, bunları bütünleşik nesneler olarak depolamak daha doğaldır. Ancak, dikkatli olunmazsa sorgulama, raporlama ve entegrasyonda karmaşıklığa yol açabilirler.

Çünkü nesne modeli genellikle geliştiricilerin düşünme biçimine çok yakındır.Bu durum, uygulama geliştirme sürecini hızlandırabilir. Dezavantajı ise, saf nesne tabanlı veritabanlarının ilişkisel veritabanlarına göre daha az yaygın olması ve bunların daha geniş veri ekosistemlerine (özellikle iş zekası için) entegre edilmesinin daha zor olabilmesidir.

Analitik ve iş zekası için boyutlu veri modellemesi

Boyutsal veri modellemesi, veri ambarları ve İş Zekası çözümleri için tercih edilen yaklaşımdır.Ana amacı, verileri kasıtlı olarak çoğaltmak veya normalleştirmeyi bozmak anlamına gelse bile, hızlı sorgulama, toplama ve raporlama için veri yapılarını optimize etmektir.

Boyutlu bir modelde veriler olgu tabloları ve boyut tabloları halinde düzenlenir.. Olgu tabloları nicel, ölçülebilir olayları (satışlar, tıklamalar, sevkiyatlar, işlemler) saklarken, boyut tabloları olguları birden fazla açıdan dilimlemenize ve analiz etmenize olanak tanıyan açıklayıcı bağlamlar (zaman, ürün, müşteri, konum) sağlar.

Bir otomobil bayisinin veri ambarı inşa ettiğini tekrar hayal edin.Bir olgu tablosu, miktar ve gelir gibi ölçütler de dahil olmak üzere her satış işlemini saklayabilirken, boyut tabloları "Araba", "Showroom" ve "Zaman"ı tanımlayabilir. "Araba" boyutu model ve marka gibi nitelikleri içerirken, "Showroom" boyutu eyalet, şehir, cadde ve showroom adı gibi hiyerarşileri tutabilir.

Boyutlu modeller genellikle tablolar arasında bazı verileri kasıtlı olarak çoğaltır.Bu fazlalık, sorguları hızlandırmak ve BI kullanıcıları için analizi kolaylaştırmak amacıyla bilinçli bir tasarım seçimidir. Analistler, yüksek düzeyde normalleştirilmiş ilişkisel şemaların performans dezavantajını yaşamadan boyut özniteliklerine göre filtreleme, toplama ve özetleme yapabilirler.

Boyutsal modeller için iki klasik fiziksel şema, yıldız şeması ve kar tanesi şemasıdır.Her ikisi de BI projelerinde yaygın olarak kullanılmaktadır. Aynı analitik çekirdeği paylaşırlar ancak boyutların normalleştirilme biçimi bakımından farklılık gösterirler.

İş Zekasında Veri Modelleri: Yıldız ve Kar Tanesi

İş zekası dünyasında, insanlar "veri modeli"nden bahsettiklerinde genellikle raporlarının arkasındaki yıldız veya kar tanesi şemasını kastederler.Bu şemalar, olguların ve boyutların nasıl bağlantılı olduğunu tanımlar ve analitik araçların performansını, kullanılabilirliğini ve esnekliğini büyük ölçüde etkiler.

Yıldız şema, merkezi bir olgu tablosu etrafında şekillenir. Bu, en düşük kullanışlı detay seviyesinde (tanecik) analiz edilen ölçümleri ve çevreleyen boyut tablolarına bağlanan yabancı anahtarları içerir. Tüm boyutlar doğrudan olgu tablosuna bağlanarak yıldız benzeri bir şekil oluşturur.

Bu tasarımın büyük bir avantajı var: filtreleme ve toplama işlemlerini basitleştiriyor.Her boyut doğrudan olgu tablosuna bağlandığı için sorgular basittir ve araçlar SQL'i daha kolay üretebilir. Örneğin, Satış olgu tablosu doğrudan Araba, Müşteri, Showroom ve Zaman boyutlarına bağlı olabilir ve bunların hepsi yıldız noktaları gibi dışarı doğru yayılır.

Analiz etmek istediğiniz olguyla ilgili boyutları belirledikten sonra...Böylece, gerçek iş sorularına cevap veren boyutlu bir model oluşturabilirsiniz: Otomobil markasına ve bölgeye göre satışlar nelerdir? Sonuçlar zaman içinde nasıl bir eğilim gösteriyor? Benzer envanter göz önüne alındığında hangi showroomlar diğerlerinden daha iyi performans gösteriyor?

Kar tanesi şeması aynı kavramsal yapı taşlarını kullanır ancak boyutları birden fazla ilişkili tabloya normalleştirir.Her coğrafi seviye için tek bir "Konum" boyutu yerine, bunu "Ülke", "Bölge", "Şehir" vb. şeklinde ayırabilir, her birini kendi tablosunda saklayabilir ve normalleştirilmiş bir yapıda birbirine bağlayabilirsiniz.

Kar tanesi modelleri, yıldız şemalarından daha karmaşıktır. Ancak aynı analitik mantığı izlerler. Boyut verileri büyük, paylaşılan veya gereksiz tekrarlardan kaçınmak için daha güçlü normalleştirmeye ihtiyaç duyduğunda kullanılırlar. Örneğin, bir "Ürün" boyutu, "Ürün", "Marka" ve "Kategori" için ayrı tablolara bölünebilir, her biri normalleştirilebilir ve anahtarlar aracılığıyla bağlanabilir.

Uygulayıcılar genellikle yıldız ve kar tanesi şemalarını performans, depolama, bakım çabası ve kullanım kolaylığı gibi kriterler açısından karşılaştırırlar.Yıldız şemalar genellikle basitlik ve sorgu hızı açısından avantaj sağlarken, kar tanesi şemalar boyut hiyerarşilerinin karmaşık olduğu veya birden fazla olgu tablosunda yoğun olarak yeniden kullanıldığı durumlarda depolama alanından tasarruf sağlayabilir ve bakım maliyetlerini azaltabilir.

Düz, yarı yapılandırılmış ve ilişkisel veri modelleri

Klasik hiyerarşik, ağ, ER, ilişkisel, nesne ve boyutlu modellerin ötesindeÖzellikle modern veri platformlarında ve entegrasyon senaryolarında bilinmesi gereken birkaç başka stil daha vardır.

Düz veri modeli, mümkün olan en basit temsildir.Tüm veriler, herhangi bir açık ilişki veya yapı olmaksızın, satır ve sütunlardan oluşan tek bir tabloda saklanır. Belirli bir bilgi alt kümesine erişmek için sistemin tablonun büyük bir bölümünü okuması gerekebilir; bu da veri hacmi arttıkça işlemleri yavaş ve verimsiz hale getirir.

Yarı yapılandırılmış model, ilişkisel yaklaşımın daha esnek bir evrimidir.Yarı yapılandırılmış verilerde, veri ve şema arasında her zaman net bir ayrım olmaz. Bazı varlıklarda belirli özellikler eksik olabilirken, diğerlerinde benzerlerinde bulunmayan ek alanlar olabilir ve bu tamamen kabul edilebilir bir durumdur.

Bu esneklik, JSON, XML veya bazı NoSQL veritabanları gibi formatlarda tipiktir.Bir özellik basit bir atomik değer veya tüm bir koleksiyonu tutabilir ve yapısı kayıttan kayda değişebilir. Bu, gelişen veya heterojen veri kaynaklarıyla uğraşırken güçlüdür, ancak katı doğrulamayı ve geleneksel ilişkisel sorguları karmaşıklaştırır.

İlişkisel veri modeli, verileri "öğeler" ve "bağlantılar" olarak ayırarak bambaşka bir bakış açısı sunar.Bağımsız olarak var olabilen her şey bir öğe (veya element) olarak ele alınırken, öğeler arasındaki ilişkiler bağlantılar (veya ilişkiler) olarak saklanır. Her elementin bir adı ve bir tanımlayıcısı varken, her bağlantının kendi tanımlayıcısı ve ayrıca bir kaynağa, bir fiile ve bir hedefe işaret eden öznitelikleri vardır.

“Dünya Kupası 30 Mayıs 2022'de Londra'da başlayacak” cümlesini ele alalım.Bir ilişkilendirici model, "Dünya Kupası - Londra'da düzenleniyor" diyen bir bağlantı saklayabilir; burada "Dünya Kupası" kaynak, "düzenleniyor" fiil ve "Londra" hedeftir. Başka bir bağlantı ise, bu ilk bağlantıyı kaynak olarak başlangıç ​​tarihiyle hedef olarak "den" fiili aracılığıyla bağlayacaktır.

Bu bağlantı tabanlı bakış açısı, bilgi grafikleri ve anlamsal ilişkiler için oldukça açıklayıcı olabilir.İlişkileri tablo birleştirmeleri veya nesne referansları içinde gizlemek yerine, onları kendi başlarına sorgulanabilen, sürümlendirilebilen ve analiz edilebilen birinci sınıf veri öğeleri olarak ele alırsınız.

İş analizi için kavramsal veri modellemesi

Kavramsal veri modellemesi, iş kavramlarını ve bunların ilişkilerini çok yüksek bir düzeyde yakalamaya odaklanır.Veri türleri, indeksler veya fiziksel depolama gibi teknik ayrıntılarla uğraşmanıza gerek kalmadan. Özellikle proje kapsamını ve gereksinimlerini doğrulamaya çalıştığınız erken proje aşamalarında çok kullanışlıdır.

Pega ve benzeri platformlarda, kavramsal veri modeli, işletme varlıklarını ve bunların özelliklerini belirleyerek başlar.Örneğin, bir kitap deposu senaryosunda, "Depo" adında bir varlık tanımlayabilir ve bu varlığa Ad, Şehir ve Kapasite gibi özellikler ekleyebilirsiniz. "Adres" ve "Envanter" gibi ek varlıklar, tesisin nerede bulunduğunu ve hangi kitapları barındırdığını göstermek için "Depo" varlığına bağlanabilir.

Ortaya çıkan diyagram, bu varlıkları, temel özelliklerini ve aralarındaki kilit ilişkileri görselleştirir.İş sonucuna ulaşmak için gereken her veri noktasını modellemenize gerek yok; amaç, paydaşların gözden kaçan veya yanlış temsil edilen bir şey olup olmadığını görebilmeleri için genel resmi yakalamaktır.

İş paydaşlarıyla bir araya geldiğinizde, kavramsal model ortak bir referans haline gelir.Bu, insanların süreçlerinin verilerle nasıl eşleştiğini görselleştirmelerine yardımcı olur: her adımda hangi varlıkların yer aldığı, bir vakayı tamamlamak için hangi özelliklere ihtiyaç duyulduğu ve departmanlar veya sistemler arasında hangi bağımlılıkların bulunduğu gibi.

Kavramsal veri tasarımına erken aşamada yeterli zaman ayırmak, daha sonraki aşamalarda yeniden çalışma riskini büyük ölçüde azaltır.Eğer proje ortasında kritik veri gereksinimlerinin yanlış anlaşıldığını veya gözden kaçırıldığını fark ederseniz, süreç tasarımının, entegrasyonların ve kullanıcı arayüzünün önemli kısımlarını yeniden yapmanız gerekebilir. Sağlam bir kavramsal model, değişiklik henüz ucuzken yanlış anlamaları ortaya çıkararak bu riski azaltır.

Elbette, kavramsal modeller statik değildir.Proje ilerledikçe ve ekip daha fazla şey öğrendikçe, model gelişebilir (ve gelişmelidir). Bu gelişim, bir başarısızlık değil, sağlıklı bir keşfin işaretidir. Önemli olan, kavramsal modeli, proje tartışmalarını iş verilerine ilişkin net bir bakış açısı etrafında sabit tutan canlı bir belge olarak korumaktır.

Veri modelleri, yaşayan ve stratejik varlıklar olarak

Tüm bu teknikler ve model türlerinde ortak bir tema ortaya çıkıyor: veri modelleri sadece teknik araçlar değil; stratejik iletişim araçlarıdır.İster basit bir ER diyagramı çiziyor olun, ister BI için zengin boyutlu bir şema oluşturuyor olun, kuruluşun kendisini veri biçiminde nasıl anladığını kodluyorsunuz.

İyi yapılandırılmış veri modelleri, temel iş süreçlerini destekler, BT mimarisine rehberlik eder ve güvenilir analizler yapılmasını sağlar.İş ve teknoloji ekipleri arasında ortak bir terminoloji sağlarlar, belirsizliği azaltırlar ve değişikliklerin etkisinin açıkça tanımlanmış varlıklar ve ilişkiler aracılığıyla izlenebilmesi sayesinde gelecekteki değişiklikleri daha az sancılı hale getirirler.

Hiyerarşik ağaçlardan ve ağ grafiklerinden ilişkisel tablolara, nesne hiyerarşilerine, boyutlu yıldızlara, düz yapılara, yarı yapılandırılmış biçimlere ve ilişkisel bağlantılara kadarHer modelleme stili, belirli kullanım durumları için kendine özgü güçlü yönler sunar. Modern kuruluşlar nadiren sadece birini kullanır; bunun yerine, sistemleri ve veri platformları genelinde birden fazla yaklaşımı birleştirirler.

Özetle, veri modellemenin değeri, karmaşık gerçek dünya gereksinimlerini ne kadar etkili bir şekilde tutarlı ve gezilebilir yapılara dönüştürdüğünde yatmaktadır.Titizlikle ancak iş pragmatizmiyle yapıldığında, veri modelleri, işletme genelinde geliştirmeyi hızlandıran, veri kalitesini artıran ve karar alma süreçlerini güçlendiren temel varlıklar haline gelir.