Ieguvumi:
- Spēja izskaidrot konceptuālos, loģiskos un fiziskos datu modeļus un normalizācijas koncepcijas un ar mākslīgā intelekta atbalstu izveidot entītiju attiecību uzmetumus
- Iespēja izveidot datu vārdnīcas, biznesa noteikumu un tabulu attiecības ar strukturētām uzvednēm un pārbaudīt tās pret reālo sistēmu
- Spēja kritiski novērtēt AI ģenerētu shēmu ieteikumus integritātes, savdabības un biznesa noteikumu atbilstības ziņā.
Informācijas sistēma būtībā ir struktūra, kas nodrošina datu kārtošanu. Datu modelēšana ir uzdevums strukturētā veidā izstrādāt biznesa faktus (klients, pasūtījums, prece, rēķins) un to attiecības savā starpā. Labs datu modelis ir precīzu pārskatu, ātru vaicājumu un konsekventu datu pamatā; Slikts modelis ir daudzu gadu nekonsekvences un atkārtotu korekcijas darbu avots. Lielāko daļu laika MIS profesionālis nekodē modeli no nulles, bet pārbauda, vai modelis atbilst biznesa noteikumiem, un pārveido modeli starp biznesa vienību un IT.
Datu modelēšana notiek trīs abstrakcijas līmeņos. Konceptuālais modelis (angļu valodā conceptual) ir augstākais līmenis: kādas galvenās entītijas pastāv un kā tās ir saistītas? "Klients veic pasūtījumu, pasūtījumā ir iekļauta prece." Tehnisku detaļu nav. Loģiskais modelis definē katras entītijas atribūtus (laukus), atslēgas un attiecību veidus; bet tas joprojām nav saistīts ar konkrētu datu bāzes produktu. Fiziskais modelis (angļu valodā fiziskais) ir tabulu, datu tipu un indeksu konkrēta versija konkrētā datu bāzē (piemēram, SQL Server, PostgreSQL). Šie trīs līmeņi ir vienas un tās pašas idejas arvien detalizētākas versijas.
Entītijas attiecības un atslēgas
Datu modeļa pamatvaloda ir entītijas attiecību (ER) modelis. Vienību var uzskatīt par tabulu: Klients, Pasūtījums. Atribūts ir tabulas kolonna: vārds, e-pasts, summa. Attiecības ir veids, kā entītijas tiek savienotas: klientam var būt daudz pasūtījumu (attiecības viens pret daudziem).
Ir divi būtiski galvenie jēdzieni. Primārā atslēga ir lauks, kas unikāli identificē katru tabulas rindu; piemēram, klienta ID. Ārējā atslēga ir lauks vienā tabulā, kas norāda uz citas tabulas primāro atslēgu; Klienta ID pasūtījumu tabulā savieno, kura klienta pasūtījums tas ir. Šie savienojumi nodrošina atsauces integritāti: pasūtījumu nevar veikt klientam, kurš neeksistē.
Padoms. Ja AI ģenerē ER melnrakstu, ir vieglāk skaidri pieprasīt primāro atslēgu katrai tabulai un ārējo atslēgu katrai relācijai. Taču pārbaudiet katru modeļa ieteikto ārējās atslēgas atbilstību faktiskajam biznesa likumam: dažreiz attiecības, kuras, jūsuprāt, ir "viens pret daudziem", patiesībā ir "daudzi pret daudziem".
Normalizācija: atkārtošanās novēršana
Normalizācija ir redundances samazināšanas un integritātes saglabāšanas process, sadalot datus loģiskās tabulās. Mērķis ir vienu un to pašu informāciju glabāt vienuviet. Piemēram, tā vietā, lai atkārtoti ierakstītu klienta adresi katrā pasūtījuma rindā, jūs vienu reizi saglabājat adresi klientu tabulā un saistāt to ar pasūtījuma ārējo atslēgu. Tādā veidā, mainoties adresei, jūs to atjaunināt vienuviet; Pretējā gadījumā simtiem pasūtījumu būs atšķirīgas adreses. To sauc par atjaunināšanas anomāliju.
Normalizācijas pretstats ir denormalizācija: apzināti pieļaujot dažus atkārtojumus, lai nodrošinātu ziņošanas ātrumu. Uzņēmējdarbības sistēmās (operatīvajā datu bāzē) parasti priekšroka tiek dota normalizācijai, savukārt atskaišu sistēmās (datu noliktavā) bieži tiek dota priekšroka denormalizācijai. Tātad "normalizācija ne vienmēr ir laba"; Lēmums tiek pieņemts atbilstoši mērķim.
Datu vārdnīca: kopējā valoda
Datu vārdnīca ir dokuments, kas nosaka katra lauka nozīmi, veidu, ierobežojumus un biznesa noteikumus. Ko nozīmē lauks "statuss"? Kādas vērtības var būt (Gaida, Apstiprināta, Atcelta)? Vai tas ir obligāti? Bez šī dokumenta dažādas komandas vienu un to pašu lauku interpretēs atšķirīgi, un ziņojums tiks sagrozīts. Datu vārdnīca ir organizācijas lingua franca un viens no MIS profesionāļa vērtīgākajiem rezultātiem. AI var ātri iegūt sākotnējo datu vārdnīcas melnrakstu no esošās tabulas struktūras; Bet tikai vienība, kas izmanto šos datus, pārbauda katra lauka patieso uzņēmējdarbības nozīmi.
Trīs mini futrāļi: pēc skaitļiem
1. gadījums — atkārtošanas izmaksas. Izplatīšanas uzņēmumā klienta adrese tika saglabāta atsevišķi gan pasūtījumu, gan rēķinu tabulās. Kad klients pārcēlās, adrese tika atjaunināta tikai vienā tabulā; 1400 rēķini nonāca uz veco adresi un tika atmaksāti. Ja adrese tiktu normalizēta vienā tabulā, pietiktu ar vienu atjauninājumu. Sanācijas projekts izmaksāja 2 nedēļas.
2. gadījums — nepareizs attiecību veids. MIS eksperts izglītības iestādē atzina (viens pret daudziem) attiecības “Students pieder klasei” AI ģenerētajā modelī. Tomēr skolēni varēja iestāties vairāk nekā vienā izvēles klasē; Attiecības patiesībā bija daudzi pret daudziem, un bija nepieciešama starptabula (ieraksts). Kļūda atklājās laukā, kad skolēns nepaspēja iestāties otrajā klasē. Ja AI ieteikums būtu apstiprināts, tas būtu noķerts jau no paša sākuma.
3. gadījums — datu vārdnīcas vērtība. Tika noteikts, ka apdrošināšanas sabiedrībā lauks "policy_status" 5 dažādās komandās tika interpretēts atšķirīgi, tāpēc viens un tas pats KPI pārskatos sniedza 3 dažādus rezultātus. Izstrādājot ar mākslīgo intelektu darbinātu datu vārdnīcu un panākot vienotu vienošanos ar biznesa vienību, tika novērsta pārskatu nekonsekvence un ikmēneša saskaņošanas tikšanās laiks tika samazināts par 60%.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Izveidojiet e-komercijas datubāzi.
Spēcīga uzvedne:
Jūsu loma: Jūs esat pieredzējis datu modelētājs.IZSTRĀDĀT LOĢISKO datu modeli saskaņā ar šādiem biznesa noteikumiem.Noteikumi:- Katrai entītijai: lauki, primārā atslēga, obligātie lauki.- Katrai relācijai: tips (viens pret daudziem / daudzi pret daudziem) un ārējā atslēga.- Piedāvāt starptabulu relācijās daudzi pret daudziem.- Normalizēt līdz 3 normālai formai; Ja iesakāt tīšu denormalizāciju, uzrakstiet pamatojumu.- Apzīmējiet [NEPIECIEŠAMS APSTIPRINĀJUMS] jebkuru biznesa noteikumu, par kuru neesat pārliecināts.Uzņēmējdarbības noteikumi:- Klients var veikt vairākus pasūtījumus.- Pasūtījumā ir vairāki produkti; Viena prece ir sastopama daudzos pasūtījumos.- Produktiem ir kategorijas.[citi noteikumi...]
Spēcīgā uzvedne precizē modeļa līmeni (loģisko), atslēgu un attiecību noteikumus, normalizācijas mērķi un punktus, kuriem nepieciešams apstiprinājums.
Četras kopējamas veidnes
1) Datu vārdnīcas melnraksts:
No tabulas definīcijas izriet datu vārdnīcas kontūra. Katram laukam: nosaukums, veids, vai tas ir obligāts, iespējamās vērtības, biznesa nozīme (iezīme[PREDICTION], ja tā ir prognoze). Tabula: [DDL vai lauku saraksts]
2) Normalizācijas pārskats:
Vai pastāv datu dublēšanās, atjaunināšanas anomālijas un normalizācijas iespējamība tālāk esošajā tabulas struktūrā? Pie katra atraduma pierakstiet, kuru normālo formu tas pārkāpj un savu ieteikumu. Struktūra: [teksts]
3) ER projekts no uzņēmējdarbības noteikuma:
Tulkojiet tālāk norādītos uzņēmējdarbības noteikumus entītijās, atribūtos un attiecībās. Norādiet katras attiecības veidu (1-1, 1-N, N-N) un, ja N-N, iesakiet starptabulu. Atzīmējiet neskaidrus noteikumus. Noteikumi: [teksts]
4) Attiecību veida pārbaudes jautājumi:
Katrai saistībai tālāk norādītajā datu modelī ģenerējiet "jā/nē" biznesa jautājumu, kas pārbaudīs tā veida pareizību (piemēram, "Vai skolēns var vienlaikus reģistrēties vairākās klasēs?"). Modelis: [teksts]
Salīdzinājuma diagramma: modeļu līmeņi
funkciju
konceptuāls
loģiski
fiziskais
Detaļas
vismaz
vidējs
lielākā daļa
atslēga/attiecība
Galvenie aktīvi
Taustiņi definēti
Ieskaitot indeksu/tipu
Atkarīgs no datu bāzes
nē
nē
Jā
mērķauditorija
biznesa vienība
analītiķis
Izstrādātājs/DBA
AI ieguldījums
melnraksts
spēcīga iegrime
Melnraksts, DBA apstiprinājums
Biežas kļūdas
- Domājot par attiecībām daudzi pret daudziem kā viens pret daudziem. Šī ir visizplatītākā modelēšanas kļūda; Ja starptabulu aizmirst, sistēma nevar saglabāt faktisko stāvokli.
- Saliekot visu vienā tabulā. Visu lauku apkopošana vienā tabulā "vienkāršības" labad rada dublēšanos un atjaunināšanas anomālijas.
- Neraksta datu vārdnīcu. Tas pats KPI dod atšķirīgus rezultātus, ja lauku nozīme paliek prātā.
- Akli uzticoties AI ieteikumiem par datu veidiem un ierobežojumiem. Modelis var ieteikt "pietiekami lielu" laukumu; Uzņēmuma noteikums nosaka faktiskos ierobežojumus (piemēram, TR ID 11 cipari).
- Absolutizējoša normalizācija. Pārmērīga normalizācija atskaites slānī palēnina vaicājumu; Mērķis atšķiras atkarībā no konteksta.
Uzmanību: mākslīgais intelekts var radīt modeļus, kas izskatās jauki, bet pārkāpj biznesa noteikumus. Par katrām modeles ieteiktajām attiecībām jautājums "vai tiešām tā?" Uzdodiet biznesa jautājumu. Datu modelis ir sistēmas karkass; Skeleta lūzumu vēlāk ir ļoti grūti salabot.
Rezumējot
Datu modelēšana ir process, kurā tiek strukturēti biznesa fakti ar entītijām, atribūtiem un attiecībām un ieņēmumiem konceptuālā, loģiskā un fiziskā līmenī. Primārās un ārējās atslēgas nodrošina atsauces integritāti; Normalizācija samazina atkārtošanos, bet denormalizācija ir arī likumīga atkarībā no mērķa. Datu vārdnīca ir organizācijas kopējā valoda. AI nodrošina ievērojamu ātrumu ER melnrakstu, datu vārdnīcu un normalizācijas pārskatu sagatavošanā; tomēr attiecību veidi, datu tipi un biznesa semantika ir jāapstiprina, salīdzinot ar faktisko uzņēmējdarbības noteikumu. Tas, ka modelis izskatās labi, nenozīmē, ka tas ir pareizs.
Lietojumprogrammas uzdevums
Apsveriet “bibliotēku aizdevuma sistēmu”: biedri, grāmatas, aizdevuma ieraksti. (1) Izveidojiet loģisku modeļa melnrakstu, ko izstrādā jaudīga uzvedne. (2) Pārbaudiet katra modeļa ieteikto attiecību veidu (konkrēti, “vai dalībniekam var būt vairāk nekā viens vienas grāmatas eksemplārs?”) ar biznesa jautājumu. (3) Atrodiet vismaz vienu attiecību daudzi pret daudziem un definējiet starptabulu. (4) Uzrakstiet datu vārdnīcas rindas vismaz 4 laukiem (nosaukums, veids, obligāts, biznesa nozīme). (5) Izceliet ierobežojumu, kas, iespējams, ir piemērots modelim, un paskaidrojiet, kā jūs to pārbaudītu.
kontrolsaraksts
- [ ] Katras tabulas primārā atslēga ir definēta.
- [ ] Es pārbaudīju katras attiecības veidu ar uzņēmējdarbības jautājumu.
- [ ] Es definēju starptabulu attiecībām daudzi pret daudziem.
- [ ] Es normalizēju vai attaisnoju dublēto datu denormalizāciju.
- [ ] Es uzrakstīju datu vārdnīcas rindu kritiskajiem laukiem.
- [ ] Es apstiprināju AI datu veida/ierobežojuma ieteikumus, kas neatbilst uzņēmējdarbības noteikumam.