กำไร:
- ความสามารถในการอธิบายแบบจำลองข้อมูลเชิงแนวคิด ตรรกะ และกายภาพ และแนวคิดการทำให้เป็นมาตรฐาน และสร้างแบบร่างความสัมพันธ์เอนทิตีด้วยการสนับสนุนของปัญญาประดิษฐ์
- ความสามารถในการร่างพจนานุกรมข้อมูล กฎเกณฑ์ทางธุรกิจ และความสัมพันธ์ของตารางพร้อมข้อความแจ้งที่มีโครงสร้าง และตรวจสอบเทียบกับระบบจริง
- ความสามารถในการประเมินข้อเสนอแนะสคีมาที่สร้างโดย AI อย่างมีวิจารณญาณ ในแง่ของความสมบูรณ์ ความเป็นเอกเทศ และการปฏิบัติตามกฎเกณฑ์ทางธุรกิจ
ระบบสารสนเทศเป็นโครงสร้างที่ช่วยจัดระเบียบข้อมูล การสร้างแบบจำลองข้อมูลเป็นงานในการออกแบบข้อเท็จจริงของธุรกิจ (ลูกค้า คำสั่งซื้อ ผลิตภัณฑ์ ใบแจ้งหนี้) และความสัมพันธ์ระหว่างกันในลักษณะที่มีโครงสร้าง โมเดลข้อมูลที่ดีเป็นพื้นฐานของการรายงานที่แม่นยำ การสืบค้นที่รวดเร็ว และข้อมูลที่สอดคล้องกัน โมเดลที่ไม่ดีเป็นที่มาของปัญหาความไม่สอดคล้องกันและการแก้ไขซ้ำๆ เป็นเวลาหลายปี โดยส่วนใหญ่แล้ว ผู้เชี่ยวชาญด้าน MIS จะไม่เขียนโค้ดแบบจำลองตั้งแต่เริ่มต้น แต่ตรวจสอบว่าแบบจำลองนั้นสอดคล้องกับกฎเกณฑ์ทางธุรกิจ และแปลแบบจำลองระหว่างหน่วยธุรกิจและ IT
การสร้างแบบจำลองข้อมูลดำเนินการในระดับนามธรรมสามระดับ แบบจำลองแนวความคิด (แนวความคิดภาษาอังกฤษ) อยู่ในระดับสูงสุด: มีเอนทิตีหลักใดบ้างและเกี่ยวข้องกันอย่างไร "ลูกค้าสั่งซื้อสินค้า คำสั่งซื้อรวมถึงสินค้าด้วย" ไม่มีรายละเอียดทางเทคนิค โมเดลเชิงตรรกะจะกำหนดคุณลักษณะ (ฟิลด์) คีย์ และประเภทความสัมพันธ์ของแต่ละเอนทิตี แต่ยังไม่เชื่อมโยงกับผลิตภัณฑ์ฐานข้อมูลเฉพาะ แบบจำลองทางกายภาพ (ทางกายภาพภาษาอังกฤษ) เป็นเวอร์ชันที่เป็นรูปธรรมของตาราง ประเภทข้อมูล และดัชนีในฐานข้อมูลเฉพาะ (เช่น SQL Server, PostgreSQL) ระดับทั้งสามนี้เป็นเวอร์ชันที่มีรายละเอียดมากขึ้นของแนวคิดเดียวกัน
เอนทิตีความสัมพันธ์และคีย์
ภาษาพื้นฐานของแบบจำลองข้อมูลคือแบบจำลองเอนทิตี-ความสัมพันธ์ (ER) เอนทิตีสามารถมองเป็นตารางได้: ลูกค้า คำสั่งซื้อ แอตทริบิวต์คือคอลัมน์ของตาราง: ชื่อ อีเมล จำนวนเงิน ความสัมพันธ์คือวิธีที่เอนทิตีเชื่อมโยงกัน: ลูกค้าสามารถมีคำสั่งซื้อได้หลายคำสั่งซื้อ (ความสัมพันธ์แบบหนึ่งต่อกลุ่ม)
มีแนวคิดสำคัญที่สำคัญสองประการ คีย์หลักคือเขตข้อมูลที่ระบุแต่ละแถวในตารางโดยไม่ซ้ำกัน ตัวอย่างเช่น รหัสลูกค้า Foreign Key คือเขตข้อมูลในตารางหนึ่งที่ชี้ไปยังคีย์หลักของอีกตารางหนึ่ง CustomerID ในตารางคำสั่งซื้อจะเชื่อมโยงว่าคำสั่งซื้อของลูกค้าคือรายการใด การเชื่อมต่อเหล่านี้ช่วยให้มั่นใจในความสมบูรณ์ของการอ้างอิง: ไม่สามารถวางคำสั่งซื้อสำหรับลูกค้าที่ไม่มีอยู่ได้
เคล็ดลับ: เมื่อให้ AI สร้างแบบร่าง ER จะทำให้การขอคีย์หลักสำหรับแต่ละตารางและคีย์นอกสำหรับแต่ละความสัมพันธ์อย่างชัดเจนได้ง่ายขึ้น แต่ตรวจสอบคีย์ต่างประเทศแต่ละรายการที่แนะนำโดยแบบจำลองโดยเทียบกับกฎทางธุรกิจจริง: บางครั้งความสัมพันธ์ที่คุณคิดว่าเป็นแบบ "หนึ่งต่อกลุ่ม" จริงๆ แล้วคือ "กลุ่มต่อกลุ่ม"
การทำให้เป็นมาตรฐาน: การป้องกันการเกิดซ้ำ
การทำให้เป็นมาตรฐานคือกระบวนการลดความซ้ำซ้อนและรักษาความสมบูรณ์โดยการแบ่งข้อมูลออกเป็นตารางลอจิคัล เป้าหมายคือการเก็บข้อมูลเดียวกันไว้ในที่เดียว ตัวอย่างเช่น แทนที่จะพิมพ์ที่อยู่ลูกค้าซ้ำแล้วซ้ำอีกในแต่ละบรรทัดคำสั่งซื้อ คุณจะเก็บที่อยู่นั้นไว้ครั้งหนึ่งในตารางลูกค้าและเชื่อมโยงกับคีย์นอกจากคำสั่งซื้อ ด้วยวิธีนี้ เมื่อที่อยู่เปลี่ยนแปลง คุณจะอัปเดตได้ในที่เดียว มิฉะนั้นคำสั่งซื้อหลายร้อยรายการจะมีที่อยู่ที่แตกต่างกัน สิ่งนี้เรียกว่าการอัปเดตผิดปกติ
สิ่งที่ตรงกันข้ามกับการทำให้เป็นมาตรฐานคือการทำให้เป็นมาตรฐาน: การจงใจปล่อยให้มีการทำซ้ำบางอย่างเพื่อประโยชน์ของการรายงานความเร็ว ในระบบธุรกิจ (ฐานข้อมูลการดำเนินงาน) โดยทั่วไปแล้วการทำให้เป็นมาตรฐานจะเป็นที่ต้องการ และในระบบการรายงาน (คลังข้อมูล) มักจะต้องการการทำให้เป็นมาตรฐานมากกว่า ดังนั้น "การทำให้เป็นมาตรฐานไม่ได้ดีเสมอไป"; การตัดสินใจเป็นไปตามวัตถุประสงค์
พจนานุกรมข้อมูล: ภาษาทั่วไป
พจนานุกรมข้อมูลคือเอกสารที่กำหนดความหมายของแต่ละฟิลด์ ประเภท ข้อจำกัด และกฎเกณฑ์ทางธุรกิจ ช่อง "สถานะ" หมายถึงอะไร สามารถใช้ค่าอะไรได้บ้าง (รอดำเนินการ, อนุมัติ, ยกเลิก) จำเป็นหรือไม่? หากไม่มีเอกสารนี้ ทีมต่างๆ จะตีความช่องเดียวกันและรายงานจะบิดเบือนไป พจนานุกรมข้อมูลเป็นภาษากลางขององค์กรและเป็นหนึ่งในผลงานที่มีค่าที่สุดของมืออาชีพด้าน MIS AI สามารถแยกร่างพจนานุกรมข้อมูลเริ่มต้นจากโครงสร้างตารางที่มีอยู่ได้อย่างรวดเร็ว แต่มีเพียงหน่วยที่ใช้ข้อมูลนั้นเท่านั้นที่จะตรวจสอบความหมายทางธุรกิจที่แท้จริงของแต่ละสาขาได้
คดีเล็กๆ สามคดี: ตามตัวเลข
กรณีที่ 1 — ต้นทุนของการทำซ้ำ ในบริษัทจัดจำหน่าย ที่อยู่ของลูกค้าจะถูกแยกออกจากกันทั้งในตารางคำสั่งซื้อและใบแจ้งหนี้ เมื่อลูกค้าย้าย ที่อยู่จะได้รับการอัปเดตในตารางเดียวเท่านั้น ใบแจ้งหนี้ 1,400 ใบไปยังที่อยู่เดิมและได้รับเงินคืนแล้ว หากที่อยู่ถูกทำให้เป็นมาตรฐานในตารางเดียว การอัปเดตเพียงครั้งเดียวก็เพียงพอแล้ว โครงการแก้ไขใช้เวลา 2 สัปดาห์
กรณีที่ 2 — ความสัมพันธ์ผิดประเภท ผู้เชี่ยวชาญด้าน MIS ในสถาบันการศึกษายอมรับความสัมพันธ์ (แบบหนึ่งต่อกลุ่ม) “นักเรียนอยู่ในชั้นเรียน” ในแบบจำลองที่สร้างโดย AI อย่างไรก็ตาม นักเรียนสามารถลงทะเบียนเรียนในวิชาเลือกได้มากกว่าหนึ่งวิชา จริงๆ แล้วความสัมพันธ์เป็นแบบกลุ่มต่อกลุ่มและจำเป็นต้องมีตารางระดับกลาง (เรกคอร์ด) ข้อผิดพลาดถูกเปิดเผยในสนามเมื่อนักเรียนไม่สามารถลงทะเบียนเรียนชั้นประถมศึกษาปีที่ 2 ได้ หากข้อเสนอแนะของ AI ได้รับการยืนยัน ก็คงจะถูกจับได้ตั้งแต่เริ่มต้น
กรณีที่ 3 — มูลค่าของพจนานุกรมข้อมูล มีการพิจารณาว่าช่อง "policy_status" ในบริษัทประกันภัยได้รับการตีความที่แตกต่างกันโดย 5 ทีมที่แตกต่างกัน ดังนั้น KPI เดียวกันจึงให้ผลลัพธ์ 3 แบบที่แตกต่างกันในรายงาน ด้วยการร่างพจนานุกรมข้อมูลที่ขับเคลื่อนด้วย AI และบรรลุข้อตกลงที่เหมือนกันกับหน่วยธุรกิจ ความไม่สอดคล้องกันของรายงานก็หมดไป และเวลาการประชุมกระทบยอดรายเดือนก็ลดลง 60%
พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง
พรอมต์ที่อ่อนแอ:
ออกแบบฐานข้อมูลอีคอมเมิร์ซ
พรอมต์อันทรงพลัง:
บทบาทของคุณ: คุณเป็นนักสร้างแบบจำลองข้อมูลที่มีประสบการณ์ ร่างแบบจำลองข้อมูลเชิงตรรกะตามกฎทางธุรกิจต่อไปนี้ กฎ:- สำหรับแต่ละเอนทิตี: ฟิลด์ คีย์หลัก ฟิลด์บังคับ- สำหรับแต่ละความสัมพันธ์: พิมพ์ (แบบหนึ่งต่อกลุ่ม / หลายต่อกลุ่ม) และคีย์นอก - เสนอตารางระดับกลางในความสัมพันธ์แบบกลุ่มต่อกลุ่ม - ทำให้เป็นมาตรฐานในรูปแบบปกติสูงสุดที่ 3; หากคุณแนะนำการทำให้เป็นปกติโดยเจตนา ให้เขียนเหตุผล- ติดป้ายกำกับ [ต้องยืนยัน] กฎเกณฑ์ทางธุรกิจใดๆ ที่คุณไม่แน่ใจ กฎเกณฑ์ทางธุรกิจ:- ลูกค้าสามารถสั่งซื้อได้หลายรายการ- คำสั่งซื้อประกอบด้วยผลิตภัณฑ์หลายรายการ สินค้าหนึ่งรายการเกิดขึ้นในหลายคำสั่งซื้อ- สินค้ามีหมวดหมู่[กฎอื่นๆ...]
พร้อมท์ที่มีประสิทธิภาพจะชี้แจงระดับโมเดล (ตรรกะ) คีย์และกฎความสัมพันธ์ เป้าหมายการทำให้เป็นมาตรฐาน และจุดที่ต้องมีการยืนยัน
เทมเพลตที่คัดลอกได้สี่แบบ
1) ร่างพจนานุกรมข้อมูล:
โครงร่างพจนานุกรมข้อมูลต่อจากคำจำกัดความของตาราง สำหรับแต่ละฟิลด์: ชื่อ ประเภท จำเป็นต้องกรอก ค่าที่เป็นไปได้ ความหมายทางธุรกิจ (ป้ายกำกับ [PREDICTION] หากเป็นการทำนาย) ตาราง: [DDL หรือรายการเขตข้อมูล]
2) การทบทวนการทำให้เป็นมาตรฐาน:
มีความเสี่ยงที่ข้อมูลที่ซ้ำกัน การอัปเดตความผิดปกติ และโอกาสในการทำให้เป็นมาตรฐานในโครงสร้างตารางด้านล่างหรือไม่ สำหรับการค้นพบแต่ละครั้ง ให้จดบันทึกว่ารูปแบบปกติใดที่ละเมิดและข้อเสนอแนะของคุณ โครงสร้าง: [ข้อความ]
3) ร่าง ER จากกฎเกณฑ์ทางธุรกิจ:
แปลกฎเกณฑ์ทางธุรกิจต่อไปนี้เป็นเอนทิตี คุณลักษณะ และความสัมพันธ์ ระบุประเภทของความสัมพันธ์แต่ละรายการ (1-1, 1-N, N-N) และหาก N-N ให้แนะนำตารางระดับกลาง ทำเครื่องหมายกฎที่ไม่ชัดเจน กฎ: [ข้อความ]
4) คำถามยืนยันประเภทความสัมพันธ์:
สำหรับแต่ละความสัมพันธ์ในแบบจำลองข้อมูลด้านล่าง ให้สร้างคำถามทางธุรกิจ "ใช่/ไม่ใช่" ที่จะทดสอบความถูกต้องของประเภท (เช่น "นักเรียนสามารถลงทะเบียนในชั้นเรียนมากกว่าหนึ่งชั้นเรียนในเวลาเดียวกันได้หรือไม่") รุ่น: [ข้อความ]
Comparison Chart: Model Levels
คุณสมบัติ
แนวความคิด
ตรรกะ
ทางกายภาพ
รายละเอียด
อย่างน้อยที่สุด
ปานกลาง
มากที่สุด
คีย์/ความสัมพันธ์
ทรัพย์สินหลัก
คีย์ที่กำหนดไว้
รวมถึงดัชนี/ประเภท
ขึ้นอยู่กับฐานข้อมูล
ไม่
ไม่
ใช่
กลุ่มเป้าหมาย
หน่วยธุรกิจ
นักวิเคราะห์
นักพัฒนา/DBA
การมีส่วนร่วมของเอไอ
ร่าง
ร่างที่แข็งแกร่ง
ร่างการยืนยัน DBA
ข้อผิดพลาดทั่วไป
- คิดถึงความสัมพันธ์แบบกลุ่มต่อกลุ่มแบบหนึ่งต่อกลุ่ม นี่เป็นข้อผิดพลาดในการสร้างแบบจำลองที่พบบ่อยที่สุด หากลืมตารางกลาง ระบบจะไม่สามารถรักษาสถานะจริงได้
- รวมทุกอย่างไว้ในโต๊ะเดียว การรวบรวมเขตข้อมูลทั้งหมดในตารางเดียวเพื่อ "ความเรียบง่าย" จะทำให้เกิดความซ้ำซ้อนและการอัปเดตความผิดปกติ
- ไม่เขียนพจนานุกรมข้อมูล KPI เดียวกันให้ผลลัพธ์ที่แตกต่างกันเมื่อความหมายของฟิลด์ยังคงอยู่ในใจ
- ไม่เชื่อใจคำแนะนำของ AI เกี่ยวกับประเภทข้อมูลและข้อจำกัด แบบจำลองอาจแนะนำพื้นที่ "ใหญ่เพียงพอ" กฎเกณฑ์ทางธุรกิจจะกำหนดขีดจำกัดที่แท้จริง (เช่น TR ID 11 หลัก)
- การทำให้เป็นมาตรฐานอย่างสมบูรณ์ การทำให้เป็นมาตรฐานมากเกินไปที่เลเยอร์การรายงานจะทำให้การสืบค้นช้าลง วัตถุประสงค์แตกต่างกันไปขึ้นอยู่กับบริบท
ข้อควรระวัง: ปัญญาประดิษฐ์อาจสร้างโมเดลที่ดูดีแต่ฝ่าฝืนกฎเกณฑ์ทางธุรกิจ สำหรับแต่ละความสัมพันธ์ที่แนะนำโดยแบบจำลอง คำถาม "มันเป็นเช่นนี้จริงหรือ" ถามคำถามทางธุรกิจ แบบจำลองข้อมูลคือโครงกระดูกของระบบ การแตกหักของโครงกระดูกเป็นเรื่องยากมากที่จะซ่อมแซมในภายหลัง
โดยสรุป
การสร้างแบบจำลองข้อมูลเป็นกระบวนการจัดโครงสร้างข้อเท็จจริงทางธุรกิจด้วยเอนทิตี คุณลักษณะ และความสัมพันธ์ และดำเนินการในระดับแนวคิด ตรรกะ และกายภาพ คีย์หลักและคีย์นอกช่วยให้มั่นใจในความสมบูรณ์ของการอ้างอิง การทำให้เป็นมาตรฐานจะลดการทำซ้ำ แต่การทำให้เป็นปกตินั้นถูกต้องตามกฎหมายเช่นกัน ขึ้นอยู่กับวัตถุประสงค์ พจนานุกรมข้อมูลเป็นภาษากลางขององค์กร AI มอบความเร็วที่สำคัญในการผลิตแบบร่าง ER พจนานุกรมข้อมูล และการตรวจสอบการปรับมาตรฐาน อย่างไรก็ตาม ชนิดความสัมพันธ์ ชนิดข้อมูล และความหมายทางธุรกิจจะต้องได้รับการยืนยันตามกฎทางธุรกิจที่เกิดขึ้นจริง เพียงเพราะโมเดลดูดีไม่ได้หมายความว่าถูกต้อง
งานสมัคร
พิจารณา “ระบบยืมห้องสมุด”: สมาชิก หนังสือ บันทึกการยืม (1) มีแบบร่างแบบจำลองเชิงตรรกะที่สร้างโดยพรอมต์อันทรงพลัง (2) ทดสอบประเภทของความสัมพันธ์แต่ละอย่างที่แบบจำลองแนะนำ (โดยเฉพาะ “สมาชิกสามารถมีหนังสือเล่มเดียวกันมากกว่าหนึ่งเล่มได้หรือไม่?”) ด้วยคำถามทางธุรกิจ (3) ค้นหาความสัมพันธ์แบบกลุ่มต่อกลุ่มอย่างน้อยหนึ่งความสัมพันธ์และกำหนดตารางระดับกลาง (4) เขียนบรรทัดพจนานุกรมข้อมูลอย่างน้อย 4 ช่อง (ชื่อ ประเภท บังคับ ความหมายทางธุรกิจ) (5) เน้นข้อจำกัดที่โมเดลอาจติดตั้งไว้ และอธิบายว่าคุณจะตรวจสอบได้อย่างไร
รายการตรวจสอบ
- [ ] มีการกำหนดคีย์หลักของแต่ละตาราง
- [ ] ฉันตรวจสอบประเภทของความสัมพันธ์แต่ละอย่างกับคำถามทางธุรกิจแล้ว
- [ ] ฉันกำหนดตารางระดับกลางสำหรับความสัมพันธ์แบบกลุ่มต่อกลุ่ม
- [ ] ฉันทำให้ข้อมูลที่ซ้ำกันเป็นมาตรฐานหรือสมเหตุสมผล
- [ ] ฉันเขียนบรรทัดพจนานุกรมข้อมูลสำหรับสาขาที่สำคัญ
- [ ] ฉันยืนยันคำแนะนำประเภทข้อมูล/ข้อจำกัดของ AI ที่ขัดต่อกฎเกณฑ์ทางธุรกิจ