Κέρδη:
- Ικανότητα να εξηγεί εννοιολογικά, λογικά και φυσικά μοντέλα δεδομένων και έννοιες κανονικοποίησης και να δημιουργεί προσχέδια σχέσεων οντοτήτων με την υποστήριξη της τεχνητής νοημοσύνης
- Δυνατότητα σύνταξης σχέσεων λεξικού δεδομένων, επιχειρηματικών κανόνων και πινάκων με δομημένες προτροπές και επαλήθευση τους σε σχέση με το πραγματικό σύστημα
- Δυνατότητα κριτικής αξιολόγησης προτάσεων σχημάτων που δημιουργούνται από AI όσον αφορά την ακεραιότητα, τη μοναδικότητα και τη συμμόρφωση με τους επιχειρηματικούς κανόνες.
Ένα πληροφοριακό σύστημα είναι ουσιαστικά μια δομή που διατηρεί τα δεδομένα οργανωμένα. Η μοντελοποίηση δεδομένων είναι το έργο του σχεδιασμού των γεγονότων μιας επιχείρησης (πελάτης, παραγγελίας, προϊόντος, τιμολογίου) και της σχέσης τους μεταξύ τους με δομημένο τρόπο. Ένα καλό μοντέλο δεδομένων είναι η βάση για ακριβείς αναφορές, γρήγορες ερωτήσεις και συνεπή δεδομένα. Ένα κακό μοντέλο είναι η πηγή πολλών ετών ασυνέπειας και επαναλαμβανόμενων διορθωτικών εργασιών. Τις περισσότερες φορές, ο επαγγελματίας του MIS δεν κωδικοποιεί το μοντέλο από την αρχή, αλλά επαληθεύει ότι το μοντέλο συμμορφώνεται με τους επιχειρηματικούς κανόνες και μεταφράζει το μοντέλο μεταξύ της επιχειρηματικής μονάδας και της πληροφορικής.
Η μοντελοποίηση δεδομένων προχωρά σε τρία επίπεδα αφαίρεσης. Το εννοιολογικό μοντέλο (αγγλικά conceptual) είναι το υψηλότερο επίπεδο: ποιες κύριες οντότητες υπάρχουν και πώς σχετίζονται; "Ο πελάτης κάνει μια παραγγελία, η παραγγελία περιλαμβάνει το προϊόν." Δεν υπάρχουν τεχνικές λεπτομέρειες. Το λογικό μοντέλο ορίζει τα χαρακτηριστικά (πεδία), τα κλειδιά και τους τύπους σχέσεων κάθε οντότητας. αλλά εξακολουθεί να μην συνδέεται με ένα συγκεκριμένο προϊόν βάσης δεδομένων. Το φυσικό μοντέλο (Αγγλικά φυσικό) είναι η συγκεκριμένη έκδοση των πινάκων, των τύπων δεδομένων και των ευρετηρίων σε μια συγκεκριμένη βάση δεδομένων (π.χ. SQL Server, PostgreSQL). Αυτά τα τρία επίπεδα είναι όλο και πιο λεπτομερείς εκδοχές της ίδιας ιδέας.
Οντότητα-Σχέση και Κλειδιά
Η βασική γλώσσα του μοντέλου δεδομένων είναι το μοντέλο Entity-Relationship (ER). Η οντότητα μπορεί να θεωρηθεί ως ένας πίνακας: Πελάτης, Παραγγελία. Το χαρακτηριστικό είναι η στήλη του πίνακα: όνομα, email, ποσό. Η σχέση είναι ο τρόπος με τον οποίο συνδέονται οι οντότητες: ένας πελάτης μπορεί να έχει πολλές παραγγελίες (σχέση ένα προς πολλά).
Υπάρχουν δύο κρίσιμες βασικές έννοιες. Το πρωτεύον κλειδί είναι το πεδίο που προσδιορίζει μοναδικά κάθε σειρά σε έναν πίνακα. για παράδειγμα CustomerID. Ένα ξένο κλειδί είναι ένα πεδίο σε έναν πίνακα που δείχνει το πρωτεύον κλειδί ενός άλλου πίνακα. Το CustomerID στον πίνακα παραγγελιών συνδέει την παραγγελία του πελάτη. Αυτές οι συνδέσεις διασφαλίζουν ακεραιότητα αναφοράς: δεν μπορεί να γίνει παραγγελία για έναν πελάτη που δεν υπάρχει.
Συμβουλή: Όταν η τεχνητή νοημοσύνη δημιουργεί ένα πρόχειρο ER, διευκολύνεται η ρητή αίτηση του πρωτεύοντος κλειδιού για κάθε πίνακα και του ξένου κλειδιού για κάθε σχέση. Αλλά επαληθεύστε κάθε ξένο κλειδί που προτείνεται από το μοντέλο σε σχέση με τον πραγματικό επιχειρηματικό κανόνα: μερικές φορές η σχέση που πιστεύετε ότι είναι "ένα-προς-πολλά" είναι στην πραγματικότητα "πολλά-προς-πολλά".
Κανονικοποίηση: Πρόληψη υποτροπής
Η κανονικοποίηση είναι η διαδικασία μείωσης του πλεονασμού και διατήρησης της ακεραιότητας με διαίρεση των δεδομένων σε λογικούς πίνακες. Ο στόχος είναι να διατηρούνται οι ίδιες πληροφορίες σε ένα μέρος. Για παράδειγμα, αντί να πληκτρολογείτε τη διεύθυνση πελάτη ξανά και ξανά σε κάθε γραμμή παραγγελίας, διατηρείτε τη διεύθυνση μία φορά στον πίνακα Πελάτης και τη συνδέετε με ένα ξένο κλειδί από την παραγγελία. Με αυτόν τον τρόπο, όταν αλλάζει η διεύθυνση, την ενημερώνετε σε ένα μέρος. Διαφορετικά, εκατοντάδες παραγγελίες θα έχουν διαφορετικές διευθύνσεις. Αυτό ονομάζεται ανωμαλία ενημέρωσης.
Το αντίθετο της κανονικοποίησης είναι η αποκανονικοποίηση: η σκόπιμη επιτρέποντας κάποια επανάληψη για χάρη της ταχύτητας αναφοράς. Στα επιχειρηματικά συστήματα (λειτουργική βάση δεδομένων), προτιμάται γενικά η κανονικοποίηση και στα συστήματα αναφοράς (αποθήκη δεδομένων), η αποκανονικοποίηση προτιμάται συχνά. Άρα «η ομαλοποίηση δεν είναι πάντα καλή». Η απόφαση λαμβάνεται ανάλογα με το σκοπό.
Λεξικό Δεδομένων: Κοινή Γλώσσα
Το λεξικό δεδομένων είναι ένα έγγραφο που ορίζει τι σημαίνει κάθε πεδίο, τον τύπο, τους περιορισμούς και τον επιχειρηματικό κανόνα. Τι σημαίνει το πεδίο "κατάσταση"; Τι τιμές μπορεί να πάρει (Σε εκκρεμότητα, Εγκρίθηκε, Ακυρώθηκε); Είναι υποχρεωτικό; Χωρίς αυτό το έγγραφο, το ίδιο πεδίο θα ερμηνευτεί διαφορετικά από διαφορετικές ομάδες και η αναφορά θα παραμορφωθεί. Το λεξικό δεδομένων είναι η lingua franca του οργανισμού και ένα από τα πιο πολύτιμα παραδοτέα του επαγγελματία MIS. Το AI μπορεί γρήγορα να εξαγάγει ένα αρχικό προσχέδιο λεξικού δεδομένων από την υπάρχουσα δομή πίνακα. Αλλά μόνο η μονάδα που χρησιμοποιεί αυτά τα δεδομένα επαληθεύει την πραγματική επιχειρηματική σημασία κάθε πεδίου.
Three Mini Cases: By the Numbers
Περίπτωση 1 — Το κόστος της επανάληψης. Σε μια εταιρεία διανομής, η διεύθυνση του πελάτη διατηρούνταν χωριστά τόσο στον πίνακα παραγγελιών όσο και στον πίνακα τιμολογίων. Όταν ένας πελάτης μετακινήθηκε, η διεύθυνση ενημερωνόταν μόνο σε έναν πίνακα. 1.400 τιμολόγια πήγαν στην παλιά διεύθυνση και επιστράφηκαν. Εάν η διεύθυνση είχε κανονικοποιηθεί σε έναν μόνο πίνακα, θα αρκούσε μία μόνο ενημέρωση. Το έργο αποκατάστασης κόστισε 2 εβδομάδες.
Περίπτωση 2 — Λάθος τύπος σχέσης. Ένας εμπειρογνώμονας του MIS σε ένα εκπαιδευτικό ίδρυμα αναγνώρισε τη σχέση (ένα προς πολλά) «Ο μαθητής ανήκει σε μια τάξη» στο μοντέλο που δημιουργήθηκε με AI. Ωστόσο, οι μαθητές μπορούσαν να εγγραφούν σε περισσότερες από μία τάξεις επιλογής. Η σχέση ήταν στην πραγματικότητα πολλά-προς-πολλά και χρειαζόταν ένας ενδιάμεσος πίνακας (Record). Το λάθος αποκαλύφθηκε στο χωράφι όταν ένας μαθητής απέτυχε να εγγραφεί στη Β' τάξη. Εάν η πρόταση της AI είχε επιβεβαιωθεί, θα είχε συλληφθεί από την αρχή.
Περίπτωση 3 — Αξία λεξικού δεδομένων. Διαπιστώθηκε ότι το πεδίο "policy_status" σε μια ασφαλιστική εταιρεία ερμηνεύτηκε διαφορετικά από 5 διαφορετικές ομάδες, επομένως ο ίδιος KPI έδωσε 3 διαφορετικά αποτελέσματα στις αναφορές. Με τη σύνταξη ενός λεξικού δεδομένων που υποστηρίζεται από AI και την επίτευξη ομοιόμορφης συμφωνίας με την επιχειρηματική μονάδα, εξαλείφθηκε η ασυνέπεια των αναφορών και ο χρόνος συνάντησης μηνιαίας συμφωνίας μειώθηκε κατά 60%.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Σχεδιάστε μια βάση δεδομένων ηλεκτρονικού εμπορίου.
Ισχυρή προτροπή:
Ο ρόλος σας: Είστε έμπειρος διαμορφωτής δεδομένων. ΣΧΕΔΙΑΣΤΕ ένα ΛΟΓΙΚΟ μοντέλο δεδομένων σύμφωνα με τους ακόλουθους επιχειρηματικούς κανόνες. Κανόνες:- Για κάθε οντότητα: πεδία, πρωτεύον κλειδί, υποχρεωτικά πεδία.- Για κάθε σχέση: τύπος (ένα προς πολλά / πολλά-προς-πολλά) και ξένο κλειδί.- Προτείνετε ενδιάμεσο πίνακα σε πολλές προς πολλούς σχέσεις. Εάν προτείνετε σκόπιμη αποσυναρμολόγηση, γράψτε το σκεπτικό.- Επισημάνετε [ΑΠΑΙΤΕΙΤΑΙ ΕΠΙΒΕΒΑΙΩΣΗ] οποιονδήποτε επιχειρηματικό κανόνα για τον οποίο δεν είστε σίγουροι. Ένα προϊόν εμφανίζεται σε πολλές παραγγελίες.- Τα προϊόντα έχουν κατηγορίες.[άλλοι κανόνες...]
Η ισχυρή προτροπή διευκρινίζει το επίπεδο μοντέλου (λογικό), τους κανόνες κλειδιού και σχέσης, τον στόχο κανονικοποίησης και τα σημεία που απαιτούν επιβεβαίωση.
Τέσσερα αντιγράψιμα πρότυπα
1) Προσχέδιο λεξικού δεδομένων:
Ένα περίγραμμα λεξικού δεδομένων προκύπτει από τον ορισμό του πίνακα. Για κάθε πεδίο: όνομα, τύπος, είναι υποχρεωτικό, πιθανές τιμές, επιχειρηματική σημασία (ετικέτα[ΠΡΟΒΛΕΨΗ] αν είναι πρόβλεψη). Πίνακας: [DDL ή λίστα πεδίων]
2) Ανασκόπηση κανονικοποίησης:
Υπάρχει κίνδυνος διπλότυπων δεδομένων, ανωμαλίας ενημέρωσης και ευκαιρίας κανονικοποίησης στη δομή του πίνακα παρακάτω; Για κάθε εύρημα, γράψτε ποια κανονική μορφή παραβιάζει και την πρότασή σας. Δομή: [κείμενο]
3) Προσχέδιο ER από τον επιχειρηματικό κανόνα:
Μεταφράστε τους παρακάτω επιχειρηματικούς κανόνες σε οντότητες, χαρακτηριστικά και σχέσεις. Καθορίστε τον τύπο κάθε σχέσης (1-1, 1-N, N-N) και εάν N-N, προτείνετε έναν ενδιάμεσο πίνακα. Σημειώστε διφορούμενους κανόνες. Κανόνες: [κείμενο]
4) Ερωτήσεις επαλήθευσης τύπου σχέσης:
Για κάθε σχέση στο παρακάτω μοντέλο δεδομένων, δημιουργήστε μια επιχειρηματική ερώτηση "ναι/όχι" που θα ελέγξει την ορθότητα του τύπου της (π.χ. "Μπορεί ένας μαθητής να εγγραφεί σε περισσότερες από μία τάξεις ταυτόχρονα;"). Μοντέλο: [κείμενο]
Διάγραμμα σύγκρισης: Επίπεδα μοντέλου
χαρακτηριστικό
εννοιολογική
λογικό
φυσική
Λεπτομέρεια
τουλάχιστον
μεσαίο
οι περισσότεροι
κλειδί/σχέση
Κύρια περιουσιακά στοιχεία
Ορισμένα κλειδιά
Συμπεριλαμβανομένου του ευρετηρίου/τύπου
Εξαρτάται από τη βάση δεδομένων
όχι
όχι
Ναι
κοινό-στόχο
επιχειρηματική μονάδα
αναλυτής
Προγραμματιστής/DBA
Συνεισφορά του AI
προσχέδιο
δυνατό σχέδιο
Πρόχειρο, επιβεβαίωση DBA
Συνήθη λάθη
- Θεωρώντας μια σχέση πολλά-προς-πολλά ως ένα-προς-πολλά. Αυτό είναι το πιο συνηθισμένο σφάλμα μοντελοποίησης. Εάν ο ενδιάμεσος πίνακας ξεχαστεί, το σύστημα δεν μπορεί να διατηρήσει την πραγματική κατάσταση.
- Βάζοντας τα πάντα σε ένα τραπέζι. Η συγκέντρωση όλων των πεδίων σε έναν πίνακα για λόγους "απλότητας" δημιουργεί αντιγραφές και ανωμαλίες ενημέρωσης.
- Μη σύνταξη λεξικού δεδομένων. Ο ίδιος KPI δίνει διαφορετικά αποτελέσματα όταν το νόημα των πεδίων παραμένει στο μυαλό.
- Εμπιστευόμαστε τυφλά τη σύσταση του AI για τύπους δεδομένων και περιορισμούς. Το μοντέλο μπορεί να προτείνει μια «αρκετά μεγάλη» περιοχή. Ο επιχειρηματικός κανόνας καθορίζει τα πραγματικά όρια (π.χ. TR ID 11 ψηφία).
- Απόλυτη ομαλοποίηση. Η υπερβολική κανονικοποίηση στο επίπεδο αναφοράς επιβραδύνει το ερώτημα. Ο σκοπός ποικίλλει ανάλογα με το πλαίσιο.
Προσοχή: Η τεχνητή νοημοσύνη μπορεί να παράγει μοντέλα που φαίνονται όμορφα αλλά παραβιάζουν τους επιχειρηματικούς κανόνες. Για κάθε σχέση που προτείνει το μοντέλο, η ερώτηση "είναι όντως έτσι;" Κάντε μια επαγγελματική ερώτηση. Το μοντέλο δεδομένων είναι ο σκελετός του συστήματος. Ένα κάταγμα στον σκελετό είναι πολύ δύσκολο να επιδιορθωθεί αργότερα.
Συνοπτικά
Η μοντελοποίηση δεδομένων είναι η διαδικασία δόμησης επιχειρηματικών γεγονότων με οντότητες, χαρακτηριστικά και σχέσεις και προχωρά σε εννοιολογικό, λογικό και φυσικό επίπεδο. Τα κύρια και ξένα κλειδιά διασφαλίζουν την ακεραιότητα αναφοράς. Η κανονικοποίηση μειώνει την επανάληψη, αλλά η αποκανονικοποίηση είναι επίσης θεμιτή ανάλογα με τον σκοπό. Το λεξικό δεδομένων είναι η κοινή γλώσσα του οργανισμού. Η τεχνητή νοημοσύνη παρέχει σημαντική ταχύτητα στην παραγωγή σχεδίων ER, λεξικών δεδομένων και επισκοπήσεων κανονικοποίησης. Ωστόσο, οι τύποι σχέσεων, οι τύποι δεδομένων και η σημασιολογία των επιχειρήσεων πρέπει να επιβεβαιώνονται έναντι του πραγματικού επιχειρηματικού κανόνα. Το ότι το μοντέλο φαίνεται καλό δεν σημαίνει ότι είναι σωστό.
Εργασία εφαρμογής
Σκεφτείτε ένα «σύστημα δανεισμού βιβλιοθήκης»: μέλη, βιβλία, αρχεία δανεισμού. (1) Έχετε ένα λογικό προσχέδιο μοντέλου που παράγεται από την ισχυρή προτροπή. (2) Ελέγξτε τον τύπο κάθε σχέσης που προτείνει το μοντέλο (συγκεκριμένα, «μπορεί ένα μέλος να έχει περισσότερα από ένα αντίγραφα του ίδιου βιβλίου;») με μια επαγγελματική ερώτηση. (3) Βρείτε τουλάχιστον μία σχέση πολλά προς πολλά και ορίστε έναν ενδιάμεσο πίνακα. (4) Γράψτε γραμμές λεξικού δεδομένων για τουλάχιστον 4 πεδία (όνομα, τύπος, υποχρεωτικό, επιχειρηματική σημασία). (5) Επισημάνετε έναν περιορισμό που μπορεί να έχει εφαρμόσει το μοντέλο και εξηγήστε πώς θα τον επαληθεύατε.
λίστα ελέγχου
- [ ] Το πρωτεύον κλειδί κάθε πίνακα ορίζεται.
- [ ] Επιβεβαίωσα τον τύπο κάθε σχέσης με την επιχειρηματική ερώτηση.
- [ ] Όρισα έναν ενδιάμεσο πίνακα για σχέσεις πολλά-προς-πολλά.
- [ ] Κανονοποίησα ή δικαιολόγησα την αποκανονικοποίηση διπλών δεδομένων.
- [ ] Έγραψα μια γραμμή λεξικού δεδομένων για κρίσιμα πεδία.
- [ ] Επιβεβαίωσα τις προτάσεις τύπου δεδομένων/περιορισμών της τεχνητής νοημοσύνης κατά του επιχειρηματικού κανόνα.