Guadagni:
- Capacità di spiegare modelli di dati concettuali, logici e fisici e concetti di normalizzazione e produrre bozze di relazioni entità con il supporto dell'intelligenza artificiale
- Capacità di elaborare dizionari di dati, regole aziendali e relazioni tra tabelle con prompt strutturati e verificarli rispetto al sistema reale
- Capacità di valutare criticamente i suggerimenti di schemi generati dall'intelligenza artificiale in termini di integrità, singolarità e conformità alle regole aziendali.
Un sistema informativo è essenzialmente una struttura che mantiene i dati organizzati. La modellazione dei dati è il compito di progettare i fatti di un'azienda (cliente, ordine, prodotto, fattura) e la loro relazione reciproca in modo strutturato. Un buon modello di dati è la base di reporting accurato, query veloci e dati coerenti; Un cattivo modello è la fonte di anni di incoerenza e di ripetitivi lavori di correzione. Nella maggior parte dei casi, il professionista MIS non codifica il modello da zero, ma verifica che il modello sia conforme alle regole aziendali e traduce il modello tra la business unit e l'IT.
La modellazione dei dati procede a tre livelli di astrazione. Il modello concettuale (concettuale inglese) è il livello più alto: quali entità principali esistono e come sono correlate? "Il cliente effettua un ordine, l'ordine include il prodotto." Non ci sono dettagli tecnici. Il modello logico definisce gli attributi (campi), le chiavi e i tipi di relazione di ciascuna entità; ma non è ancora legato a un prodotto database specifico. Il modello fisico (fisico inglese) è la versione concreta delle tabelle, dei tipi di dati e degli indici in un database specifico (ad esempio SQL Server, PostgreSQL). Questi tre livelli sono versioni sempre più dettagliate della stessa idea.
Relazioni entità e chiavi
Il linguaggio di base del modello dati è il modello Entità-Relazione (ER). L'entità può essere pensata come una tabella: Cliente, Ordine. L'attributo è la colonna della tabella: nome, email, importo. La relazione è il modo in cui le entità sono collegate: un cliente può avere molti ordini (relazione uno-a-molti).
Ci sono due concetti chiave critici. La chiave primaria è il campo che identifica in modo univoco ogni riga di una tabella; ad esempio ID cliente. Una chiave esterna è un campo in una tabella che punta alla chiave primaria di un'altra tabella; Il CustomerID nella tabella degli ordini collega l'ordine del cliente. Queste connessioni garantiscono l'integrità referenziale: non è possibile effettuare un ordine per un cliente che non esiste.
Suggerimento: quando si fa in modo che l'intelligenza artificiale generi una bozza ER, è più semplice richiedere esplicitamente la chiave primaria per ciascuna tabella e la chiave esterna per ciascuna relazione. Ma verifica ogni chiave esterna suggerita dal modello rispetto alla regola aziendale effettiva: a volte la relazione che ritieni sia "uno-a-molti" è in realtà "molti-a-molti".
Normalizzazione: prevenire le recidive
La normalizzazione è il processo di riduzione della ridondanza e di preservazione dell'integrità dividendo i dati in tabelle logiche. L’obiettivo è conservare le stesse informazioni in un unico posto. Ad esempio, invece di digitare l'indirizzo del cliente più e più volte in ciascuna riga dell'ordine, mantieni l'indirizzo una volta nella tabella Cliente e collegalo con una chiave esterna dall'ordine. In questo modo, quando l'indirizzo cambia, lo aggiorni in un unico posto; Altrimenti, centinaia di ordini avranno indirizzi diversi. Questa si chiama anomalia di aggiornamento.
L’opposto della normalizzazione è la denormalizzazione: consentire deliberatamente alcune ripetizioni per il bene della velocità di reporting. Nei sistemi aziendali (database operativo), la normalizzazione è generalmente preferita, mentre nei sistemi di reporting (data warehouse), è spesso preferita la denormalizzazione. Quindi “la normalizzazione non è sempre positiva”; La decisione viene presa in base allo scopo.
Dizionario dei dati: linguaggio comune
Il dizionario dati è un documento che definisce il significato di ciascun campo, il suo tipo, i vincoli e le regole aziendali. Cosa significa il campo "stato"? Che valori può assumere (In attesa, Approvato, Annullato)? È obbligatorio? Senza questo documento, lo stesso campo verrà interpretato in modo diverso da team diversi e il rapporto risulterà distorto. Il dizionario dei dati è la lingua franca dell'organizzazione e uno dei prodotti più preziosi dei professionisti MIS. L'intelligenza artificiale può estrarre rapidamente una bozza iniziale del dizionario dati dalla struttura della tabella esistente; Ma solo l'unità che utilizza tali dati verifica il vero significato aziendale di ciascun campo.
Tre mini custodie: i numeri
Caso 1 – Il costo della ripetizione. In un'azienda di distribuzione, l'indirizzo del cliente veniva mantenuto separato sia nella tabella degli ordini che in quella delle fatture. Quando un cliente si trasferiva, l'indirizzo veniva aggiornato in una sola tabella; 1.400 fatture sono arrivate al vecchio indirizzo e sono state rimborsate. Se l'indirizzo fosse normalizzato in un'unica tabella sarebbe sufficiente un unico aggiornamento. Il progetto di bonifica è costato 2 settimane.
Caso 2 – Tipo di rapporto sbagliato. Un esperto MIS in un istituto scolastico ha riconosciuto la relazione (uno-a-molti) “Lo studente appartiene a una classe” nel modello generato dall’intelligenza artificiale. Gli studenti potranno tuttavia iscriversi a più classi facoltative; La relazione era in realtà molti-a-molti ed era necessaria una tabella intermedia (Record). L'errore si è scoperto sul campo quando uno studente non si è iscritto alla seconda elementare. Se il suggerimento dell'IA fosse stato confermato, sarebbe stato colto fin dall'inizio.
Caso 3 — Valore del dizionario dei dati. È stato stabilito che il campo "policy_status" in una compagnia assicurativa veniva interpretato in modo diverso da 5 team diversi, quindi lo stesso KPI forniva 3 risultati diversi nei report. Grazie alla stesura di un dizionario dei dati basato sull'intelligenza artificiale e al raggiungimento di un accordo uniforme con la business unit, le incoerenze dei report sono state eliminate e il tempo delle riunioni mensili di riconciliazione è stato ridotto del 60%.
Prompt debole / Prompt forte
Suggerimento debole:
Progettare un database di e-commerce.
Suggerimento potente:
Il tuo ruolo: sei un modellatore di dati esperto.DRAFT un modello di dati LOGICO in base alle seguenti regole aziendali.Regole:- Per ogni entità: campi, chiave primaria, campi obbligatori.- Per ogni relazione: tipo (uno-a-molti / molti-a-molti) e chiave esterna.- Proporre una tabella intermedia nelle relazioni molti-a-molti.- Normalizzare fino alla 3a forma normale; Se consigli la denormalizzazione intenzionale, scrivi la motivazione.- Etichetta [CONFERMA RICHIESTA] qualsiasi regola aziendale di cui non sei sicuro. Regole aziendali:- Il cliente può effettuare più ordini.- Un ordine contiene più prodotti; Un prodotto è presente in molti ordini.- I prodotti hanno categorie.[altre regole...]
Il potente prompt chiarisce il livello del modello (logico), le regole chiave e di relazione, l'obiettivo di normalizzazione e i punti che richiedono conferma.
Quattro modelli copiabili
1) Bozza del dizionario dei dati:
Dalla definizione della tabella segue uno schema del dizionario dei dati. Per ogni campo: nome, tipo, è obbligatorio, possibili valori, significato aziendale (etichetta[PREDIZIONE] se è una previsione). Tabella: [DDL o elenco campi]
2) Revisione della normalizzazione:
Esiste il rischio di dati duplicati, anomalie di aggiornamento e opportunità di normalizzazione nella struttura della tabella seguente? Per ogni risultato, scrivi quale forma normale viola e il tuo suggerimento. Struttura: [testo]
3) Bozza ER dalla regola aziendale:
Traduci le seguenti regole aziendali in entità, attributi e relazioni. Specificare la tipologia di ciascuna relazione (1-1, 1-N, N-N) e se N-N suggerire una tabella intermedia. Segna regole ambigue. Regole: [testo]
4) Domande di verifica del tipo di relazione:
Per ogni relazione nel modello dati seguente, genera una domanda aziendale "sì/no" che verificherà la correttezza del suo tipo (ad esempio, "Uno studente può essere iscritto a più di una classe contemporaneamente?"). Modello: [testo]
Grafico comparativo: livelli del modello
caratteristica
concettuale
logico
fisico
Dettaglio
almeno
medio
la maggior parte
chiave/relazione
Principali asset
Chiavi definite
Incluso indice/tipo
Dipende dal database
no
no
Sì
pubblico di destinazione
unità aziendale
analista
Sviluppatore/DBA
Contributo dell'intelligenza artificiale
bozza
forte tiraggio
Bozza, conferma DBA
Errori comuni
- Pensare a una relazione molti-a-molti come uno-a-molti. Questo è l'errore di modellazione più comune; Se si dimentica la tabella intermedia, il sistema non può mantenere lo stato attuale.
- Mettere tutto in un tavolo. Raccogliere tutti i campi in un'unica tabella per motivi di "semplicità" produce duplicazioni e anomalie di aggiornamento.
- Non scrivere un dizionario di dati. Lo stesso KPI dà risultati diversi quando il significato dei campi rimane nella mente.
- Fidarsi ciecamente delle raccomandazioni dell'intelligenza artificiale sui tipi di dati e sui vincoli. Il modello può suggerire un'area "abbastanza grande"; La regola aziendale determina i limiti effettivi (ad esempio TR ID 11 cifre).
- Normalizzazione assolutizzante. Una normalizzazione eccessiva a livello di reporting rallenta la query; Lo scopo varia a seconda del contesto.
Attenzione: l'intelligenza artificiale può produrre modelli dall'aspetto gradevole ma che violano le regole aziendali. Per ogni relazione suggerita dal modello, la domanda "è davvero così?" Fai una domanda commerciale. Il modello dati è lo scheletro del sistema; Una frattura nello scheletro è molto difficile da riparare in seguito.
In sintesi
La modellazione dei dati è il processo di strutturazione dei fatti aziendali con entità, attributi e relazioni e procede a livello concettuale, logico e fisico. Le chiavi primarie ed esterne garantiscono l'integrità referenziale; La normalizzazione riduce la ripetizione, ma anche la denormalizzazione è legittima a seconda dello scopo. Il dizionario dei dati è il linguaggio comune dell'organizzazione. L'intelligenza artificiale fornisce una velocità significativa nella produzione di bozze ER, dizionari di dati e revisioni di normalizzazione; tuttavia, i tipi di relazione, i tipi di dati e la semantica aziendale devono essere confermati rispetto alla regola aziendale effettiva. Solo perché il modello sembra bello non significa che sia giusto.
Compito dell'applicazione
Consideriamo un “sistema di prestito della biblioteca”: membri, libri, documenti di prestito. (1) Avere una bozza del modello logico prodotta dal potente prompt. (2) Testare il tipo di ciascuna relazione suggerita dal modello (nello specifico, "un membro può avere più di una copia dello stesso libro?") con una domanda aziendale. (3) Trovare almeno una relazione molti-a-molti e definire una tabella intermedia. (4) Scrivere righe del dizionario dati per almeno 4 campi (nome, tipo, obbligatorio, significato commerciale). (5) Evidenziare un vincolo che il modello potrebbe aver rispettato e spiegare come lo si verificherebbe.
lista di controllo
- [ ] Viene definita la chiave primaria di ciascuna tabella.
- [ ] Ho verificato la tipologia di ogni rapporto con la domanda aziendale.
- [ ] Ho definito una tabella intermedia per le relazioni molti-a-molti.
- [ ] Ho normalizzato o giustificato la denormalizzazione dei dati duplicati.
- [ ] Ho scritto una riga del dizionario dei dati per i campi critici.
- [ ] Ho confermato i suggerimenti relativi al tipo di dati/vincolo dell'intelligenza artificiale rispetto alla regola aziendale.