Gewinne:
- Fähigkeit, konzeptionelle, logische und physikalische Datenmodelle und Normalisierungskonzepte zu erklären und Entitätsbeziehungsentwürfe mit Unterstützung künstlicher Intelligenz zu erstellen
- Fähigkeit, Datenwörterbücher, Geschäftsregeln und Tabellenbeziehungen mit strukturierten Eingabeaufforderungen zu entwerfen und diese anhand des realen Systems zu überprüfen
- Fähigkeit, KI-generierte Schemavorschläge im Hinblick auf Integrität, Singularität und Einhaltung von Geschäftsregeln kritisch zu bewerten.
Ein Informationssystem ist im Wesentlichen eine Struktur, die Daten organisiert. Unter Datenmodellierung versteht man die Aufgabe, die Sachverhalte eines Unternehmens (Kunde, Bestellung, Produkt, Rechnung) und deren Beziehungen zueinander strukturiert zu gestalten. Ein gutes Datenmodell ist die Grundlage für genaue Berichte, schnelle Abfragen und konsistente Daten. Ein schlechtes Modell ist die Ursache für jahrelange Inkonsistenzen und wiederholte Korrekturarbeiten. Meistens programmiert der MIS-Experte das Modell nicht von Grund auf, sondern überprüft, ob das Modell den Geschäftsregeln entspricht, und übersetzt das Modell zwischen der Geschäftseinheit und der IT.
Die Datenmodellierung erfolgt auf drei Abstraktionsebenen. Das konzeptionelle Modell (engl. Conceptual) ist die höchste Ebene: Welche Hauptentitäten existieren und wie hängen sie zusammen? „Der Kunde gibt eine Bestellung auf, die Bestellung umfasst das Produkt.“ Es gibt keine technischen Details. Das logische Modell definiert die Attribute (Felder), Schlüssel und Beziehungstypen jeder Entität; Es ist jedoch immer noch nicht an ein bestimmtes Datenbankprodukt gebunden. Das physische Modell (englisch Physical) ist die konkrete Version der Tabellen, Datentypen und Indizes in einer bestimmten Datenbank (z. B. SQL Server, PostgreSQL). Diese drei Ebenen sind immer detailliertere Versionen derselben Idee.
Entitätsbeziehung und Schlüssel
Die Grundsprache des Datenmodells ist das Entity-Relationship (ER)-Modell. Die Entität kann als Tabelle betrachtet werden: Kunde, Bestellung. Das Attribut ist die Spalte der Tabelle: Name, E-Mail, Betrag. Durch eine Beziehung werden Einheiten miteinander verbunden: Ein Kunde kann viele Bestellungen haben (Eins-zu-Viele-Beziehung).
Es gibt zwei entscheidende Schlüsselkonzepte. Der Primärschlüssel ist das Feld, das jede Zeile in einer Tabelle eindeutig identifiziert. zum Beispiel CustomerID. Ein Fremdschlüssel ist ein Feld in einer Tabelle, das auf den Primärschlüssel einer anderen Tabelle verweist; Die CustomerID in der Bestelltabelle verbindet, um welche Kundenbestellung es sich handelt. Diese Verbindungen stellen die referenzielle Integrität sicher: Für einen Kunden, der nicht existiert, kann keine Bestellung aufgegeben werden.
Tipp: Wenn die KI einen ER-Entwurf generiert, ist es einfacher, den Primärschlüssel für jede Tabelle und den Fremdschlüssel für jede Beziehung explizit anzufordern. Aber überprüfen Sie jeden vom Modell vorgeschlagenen Fremdschlüssel anhand der tatsächlichen Geschäftsregel: Manchmal ist die Beziehung, die Sie für „eins-zu-viele“ halten, tatsächlich „viele-zu-viele“.
Normalisierung: Wiederholung verhindern
Unter Normalisierung versteht man den Prozess der Redundanzreduzierung und Wahrung der Integrität durch Aufteilung der Daten in logische Tabellen. Ziel ist es, die gleichen Informationen an einem Ort aufzubewahren. Anstatt beispielsweise die Kundenadresse immer wieder in jede Bestellzeile einzugeben, behalten Sie die Adresse einmal in der Kundentabelle und verknüpfen sie mit einem Fremdschlüssel aus der Bestellung. Wenn sich die Adresse ändert, aktualisieren Sie sie auf diese Weise an einer Stelle; Andernfalls haben Hunderte von Bestellungen unterschiedliche Adressen. Dies wird als Update-Anomalie bezeichnet.
Das Gegenteil von Normalisierung ist Denormalisierung: das bewusste Zulassen einiger Wiederholungen aus Gründen der Geschwindigkeit der Berichterstattung. In Geschäftssystemen (Betriebsdatenbanken) wird im Allgemeinen die Normalisierung bevorzugt, und in Berichtssystemen (Data Warehouse) wird häufig die Denormalisierung bevorzugt. „Normalisierung ist also nicht immer gut“; Die Entscheidung wird zweckorientiert getroffen.
Datenwörterbuch: Gemeinsame Sprache
Das Datenwörterbuch ist ein Dokument, das die Bedeutung jedes Feldes, seinen Typ, Einschränkungen und Geschäftsregeln definiert. Was bedeutet das Feld „Status“? Welche Werte kann es annehmen (Ausstehend, Genehmigt, Abgebrochen)? Ist es obligatorisch? Ohne dieses Dokument wird dasselbe Feld von verschiedenen Teams unterschiedlich interpretiert und der Bericht wird verzerrt. Das Datenwörterbuch ist die Verkehrssprache der Organisation und eines der wertvollsten Ergebnisse des MIS-Experten. KI kann schnell einen ersten Entwurf eines Datenwörterbuchs aus der vorhandenen Tabellenstruktur extrahieren; Aber nur die Einheit, die diese Daten verwendet, überprüft die wahre geschäftliche Bedeutung jedes Feldes.
Drei Mini-Hüllen: In Zahlen
Fall 1 – Die Kosten der Wiederholung. In einem Vertriebsunternehmen wurde die Kundenadresse sowohl in der Bestell- als auch in der Rechnungstabelle separat geführt. Wenn ein Kunde umzog, wurde die Adresse nur in einer Tabelle aktualisiert; 1.400 Rechnungen gingen an die alte Adresse und wurden erstattet. Wenn die Adresse in einer einzelnen Tabelle normalisiert würde, wäre eine einzige Aktualisierung ausreichend. Das Sanierungsprojekt kostete 2 Wochen.
Fall 2 – Falsche Art von Beziehung. Ein MIS-Experte in einer Bildungseinrichtung erkannte die (Eins-zu-Viele)-Beziehung „Schüler gehört zu einer Klasse“ im KI-generierten Modell an. Studierende können sich jedoch für mehr als einen Wahlfachkurs anmelden; Die Beziehung war eigentlich viele zu viele und eine Zwischentabelle (Record) war erforderlich. Der Fehler wurde vor Ort aufgedeckt, als sich ein Schüler nicht für die zweite Klasse einschrieb. Wäre der Vorschlag der KI bestätigt worden, wäre er von Anfang an aufgefallen.
Fall 3 – Wert des Datenwörterbuchs. Es wurde festgestellt, dass das Feld „policy_status“ in einer Versicherungsgesellschaft von fünf verschiedenen Teams unterschiedlich interpretiert wurde, sodass derselbe KPI in den Berichten zu drei unterschiedlichen Ergebnissen führte. Durch die Erstellung eines KI-gestützten Datenwörterbuchs und die Erzielung einer einheitlichen Vereinbarung mit der Geschäftseinheit konnten Berichtsinkonsistenzen beseitigt und die Zeit für die monatlichen Abstimmungsbesprechungen um 60 % reduziert werden.
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
Schwache Eingabeaufforderung:
Entwerfen Sie eine E-Commerce-Datenbank.
Kraftvolle Aufforderung:
Ihre Rolle: Sie sind ein erfahrener Datenmodellierer. ENTWICKELN Sie ein LOGISCHES Datenmodell gemäß den folgenden Geschäftsregeln. Regeln: - Für jede Entität: Felder, Primärschlüssel, erforderliche Felder. - Für jede Beziehung: Typ (Eins-zu-Viele / Viele-zu-Viele) und Fremdschlüssel. Wenn Sie eine absichtliche Denormalisierung empfehlen, schreiben Sie die Begründung auf. – Beschriften Sie jede Geschäftsregel, bei der Sie sich nicht sicher sind, mit [BESTÄTIGUNG ERFORDERLICH]. Geschäftsregeln: – Der Kunde kann mehrere Bestellungen aufgeben. – Eine Bestellung enthält mehrere Produkte; Ein Produkt kommt in vielen Bestellungen vor.- Produkte haben Kategorien.[andere Regeln...]
Die leistungsstarke Eingabeaufforderung verdeutlicht die Modellebene (logisch), Schlüssel- und Beziehungsregeln, das Normalisierungsziel und Punkte, die einer Bestätigung bedürfen.
Vier kopierbare Vorlagen
1) Entwurf eines Datenwörterbuchs:
Aus der Tabellendefinition folgt eine Gliederung des Datenwörterbuchs. Für jedes Feld: Name, Typ, ist es obligatorisch, mögliche Werte, geschäftliche Bedeutung (Label[PREDICTION], wenn es sich um eine Vorhersage handelt). Tabelle: [DDL oder Feldliste]
2) Überprüfung der Normalisierung:
Besteht das Risiko doppelter Daten, Aktualisierungsanomalien und der Möglichkeit einer Normalisierung in der Tabellenstruktur unten? Notieren Sie für jeden Befund, gegen welche Normalform er verstößt, und geben Sie Ihren Vorschlag dazu an. Struktur: [Text]
3) ER-Entwurf aus der Geschäftsregel:
Übersetzen Sie die folgenden Geschäftsregeln in Entitäten, Attribute und Beziehungen. Geben Sie den Typ jeder Beziehung an (1-1, 1-N, N-N) und schlagen Sie bei N-N eine Zwischentabelle vor. Markieren Sie mehrdeutige Regeln. Regeln: [Text]
4) Fragen zur Überprüfung des Beziehungstyps:
Generieren Sie für jede Beziehung im Datenmodell unten eine „Ja/Nein“-Geschäftsfrage, die die Richtigkeit ihres Typs prüft (z. B. „Kann ein Schüler gleichzeitig in mehr als einer Klasse eingeschrieben sein?“). Modell: [Text]
Vergleichstabelle: Modellebenen
Funktion
konzeptionell
logisch
körperlich
Detailliert
zumindest
mittel
die meisten
Schlüssel/Beziehung
Wichtigste Vermögenswerte
Schlüssel definiert
Einschließlich Index/Typ
Hängt von der Datenbank ab
Nein
Nein
Ja
Zielgruppe
Geschäftseinheit
Analyst
Entwickler/DBA
Beitrag der KI
Entwurf
starker Tiefgang
Entwurf, DBA-Bestätigung
Häufige Fehler
- Stellen Sie sich eine Viele-zu-Viele-Beziehung als eine Eins-zu-Viele-Beziehung vor. Dies ist der häufigste Modellierungsfehler; Wird die Zwischentabelle vergessen, kann das System den Ist-Zustand nicht halten.
- Alles in einer Tabelle zusammenfassen. Das Sammeln aller Felder in einer Tabelle aus Gründen der „Einfachheit“ führt zu Duplikaten und Aktualisierungsanomalien.
- Kein Datenwörterbuch schreiben. Derselbe KPI führt zu unterschiedlichen Ergebnissen, wenn die Bedeutung der Felder im Gedächtnis bleibt.
- Blindes Vertrauen in die Empfehlungen der KI zu Datentypen und Einschränkungen. Das Modell schlägt möglicherweise einen „ausreichend großen“ Bereich vor; Die Geschäftsregel bestimmt die tatsächlichen Grenzen (z. B. TR-ID 11 Ziffern).
- Absolutisierende Normalisierung. Eine übermäßige Normalisierung auf der Berichtsebene verlangsamt die Abfrage. Der Zweck variiert je nach Kontext.
Achtung: Künstliche Intelligenz kann Modelle erzeugen, die zwar gut aussehen, aber gegen Geschäftsregeln verstoßen. Für jede vom Modell vorgeschlagene Beziehung stellt sich die Frage: „Ist es wirklich so?“ Stellen Sie eine geschäftliche Frage. Das Datenmodell ist das Grundgerüst des Systems; Ein Bruch im Skelett lässt sich später nur sehr schwer reparieren.
Zusammenfassend
Datenmodellierung ist der Prozess der Strukturierung von Geschäftsfakten mit Entitäten, Attributen und Beziehungen und erfolgt auf konzeptioneller, logischer und physischer Ebene. Primär- und Fremdschlüssel stellen die referenzielle Integrität sicher; Durch die Normalisierung wird die Wiederholung reduziert, aber auch die Denormalisierung ist je nach Zweck legitim. Das Datenwörterbuch ist die gemeinsame Sprache der Organisation. KI sorgt für eine erhebliche Geschwindigkeit bei der Erstellung von ER-Entwürfen, Datenwörterbüchern und Normalisierungsüberprüfungen; Beziehungstypen, Datentypen und Geschäftssemantik müssen jedoch anhand der tatsächlichen Geschäftsregel bestätigt werden. Nur weil das Modell gut aussieht, heißt das nicht, dass es richtig ist.
Anwendungsaufgabe
Stellen Sie sich ein „Bibliotheksleihsystem“ vor: Mitglieder, Bücher, Leihunterlagen. (1) Lassen Sie einen logischen Modellentwurf von der leistungsstarken Eingabeaufforderung erstellen. (2) Testen Sie die Art jeder Beziehung, die das Modell vorschlägt (insbesondere „Kann ein Mitglied mehr als ein Exemplar desselben Buches haben?“), mit einer Geschäftsfrage. (3) Finden Sie mindestens eine Viele-zu-Viele-Beziehung und definieren Sie eine Zwischentabelle. (4) Schreiben Sie Datenwörterbuchzeilen für mindestens 4 Felder (Name, Typ, Pflichtfeld, Geschäftsbedeutung). (5) Markieren Sie eine Einschränkung, die das Modell möglicherweise erfüllt hat, und erläutern Sie, wie Sie sie überprüfen würden.
Checkliste
- [ ] Der Primärschlüssel jeder Tabelle ist definiert.
- [ ] Ich habe die Art jeder Beziehung mit der Geschäftsfrage überprüft.
- [ ] Ich habe eine Zwischentabelle für Viele-zu-Viele-Beziehungen definiert.
- [ ] Ich habe die Denormalisierung doppelter Daten normalisiert oder begründet.
- [ ] Ich habe eine Datenwörterbuchzeile für kritische Felder geschrieben.
- [ ] Ich habe die Datentyp-/Einschränkungsvorschläge der KI anhand der Geschäftsregel bestätigt.