Kazanimlar:
- Kavramsal, mantıksal ve fiziksel veri modelleri ile normalleştirme kavramlarını açıklayıp yapay zeka desteğiyle varlık-ilişki taslağı üretebilme
- Veri sözlüğü, iş kuralı ve tablo ilişkilerini yapılandırılmış promptlarla taslaklaştırıp gerçek sisteme göre doğrulayabilme
- AI'nin ürettiği şema önerilerini bütünlük, tekillik ve iş kuralı uyumu açısından eleştirel değerlendirebilme
Bir bilgi sistemi, özünde veriyi düzenli tutan bir yapıdır. Veri modelleme, bir işin gerçeklerini (müşteri, sipariş, ürün, fatura) ve bunların birbiriyle ilişkisini yapılandırılmış biçimde tasarlama işidir. İyi bir veri modeli, doğru raporun, hızlı sorgunun ve tutarlı verinin temelidir; kötü bir model ise yıllarca sürecek tutarsızlık ve tekrar eden düzeltme işinin kaynağıdır. YBS uzmanı çoğu zaman modeli sıfırdan kodlamaz, ama modelin iş kurallarına uyduğunu doğrular ve iş birimiyle BT arasında modeli tercüme eder.
Veri modelleme üç soyutlama seviyesinde ilerler. Kavramsal model (İngilizce conceptual) en üst seviyedir: hangi ana varlıklar var ve nasıl ilişkililer? "Müşteri sipariş verir, sipariş ürün içerir." Teknik detay yoktur. Mantıksal model (İngilizce logical) her varlığın niteliklerini (alanlarını), anahtarlarını ve ilişki türlerini tanımlar; ama hâlâ belirli bir veritabanı ürününe bağlı değildir. Fiziksel model (İngilizce physical) ise belirli bir veritabanında (ör. SQL Server, PostgreSQL) tabloların, veri tiplerinin ve indekslerin somut halidir. Bu üç seviye, aynı fikrin gitgide detaylanan halleridir.
Varlık-İlişki ve Anahtarlar
Veri modelinin temel dili varlık-ilişki (İngilizce Entity-Relationship, ER) modelidir. Varlık (entity) bir tablo olarak düşünülebilir: Müşteri, Sipariş. Nitelik (attribute) tablonun sütunudur: ad, e-posta, tutar. İlişki (relationship) varlıkların nasıl bağlandığıdır: bir müşterinin çok siparişi olabilir (bire-çok ilişki).
İki kritik anahtar kavramı vardır. Birincil anahtar (İngilizce primary key), bir tablodaki her satırı benzersiz tanımlayan alandır; örneğin MusteriID. Yabancı anahtar (İngilizce foreign key), bir tablodaki alanın başka bir tablonun birincil anahtarına işaret etmesidir; Siparis tablosundaki MusteriID, hangi müşterinin siparişi olduğunu bağlar. Bu bağlar referans bütünlüğünü (İngilizce referential integrity) sağlar: var olmayan bir müşteriye sipariş yazılamaz.
Ipucu: Yapay zekaya ER taslağı ürettirirken her tablo için birincil anahtarı ve her ilişki için yabancı anahtarı açıkça istemek işinizi kolaylaştırır. Ama modelin önerdiği her yabancı anahtarı, gerçek iş kuralına göre teyit edin: bazen "bire-çok" sandığınız ilişki aslında "çoka-çok"tur.
Normalleştirme: Tekrarı Önlemek
Normalleştirme (İngilizce normalization), veriyi mantıklı tablolara bölerek tekrarı (redundancy) azaltma ve bütünlüğü koruma sürecidir. Amaç, aynı bilgiyi tek bir yerde tutmaktır. Örneğin müşteri adresini her sipariş satırına tekrar tekrar yazmak yerine, adresi Müşteri tablosunda bir kez tutup siparişten yabancı anahtarla bağlarsınız. Böylece adres değiştiğinde tek yerde güncellersiniz; yoksa yüzlerce siparişte farklı adres kalır. Buna güncelleme anomalisi denir.
Normalleştirmenin karşıtı denormalizasyondur: raporlama hızı için kasıtlı olarak biraz tekrara izin vermek. İş sistemlerinde (operasyonel veritabanı) genellikle normalleştirme, raporlama sistemlerinde (veri ambarı) ise çoğu zaman denormalizasyon tercih edilir. Yani "normalleştirme her zaman iyi" değildir; amaca göre karar verilir.
Veri Sözlüğü: Ortak Dil
Veri sözlüğü (İngilizce data dictionary), her alanın ne anlama geldiğini, tipini, kısıtlarını ve iş kuralını tanımlayan belgedir. "durum" alanı ne demektir? Hangi değerleri alabilir (Beklemede, Onaylı, İptal)? Zorunlu mu? Bu belge olmadan aynı alan farklı ekiplerce farklı yorumlanır ve rapor bozulur. Veri sözlüğü, kurumun ortak dilidir ve YBS uzmanının en değerli çıktılarından biridir. Yapay zeka, mevcut tablo yapısından ilk veri sözlüğü taslağını hızla çıkarabilir; ama her alanın gerçek iş anlamını yalnızca o veriyi kullanan birim doğrular.
Üç Mini Vaka: Rakamlarla
Vaka 1 — Tekrarın maliyeti. Bir dağıtım şirketinde müşteri adresi hem sipariş hem fatura tablosunda ayrı ayrı tutuluyordu. Bir müşteri taşındığında adres yalnızca bir tabloda güncellendi; 1.400 fatura eski adrese gitti ve iade oldu. Adres tek tabloda normalleştirilse tek güncelleme yeterli olacaktı. Düzeltme projesi 2 haftaya mal oldu.
Vaka 2 — Yanlış ilişki türü. Bir eğitim kurumunda YBS uzmanı, AI'nin ürettiği modelde "Öğrenci bir Sınıfa aittir" (bire-çok) ilişkisini kabul etti. Oysa öğrenciler birden fazla seçmeli sınıfa kayıt olabiliyordu; ilişki aslında çoka-çoktu ve bir ara tablo (Kayit) gerekiyordu. Hata sahada, bir öğrenci ikinci sınıfa kayıt olamayınca ortaya çıktı. AI'nin önerisi teyit edilseydi baştan yakalanırdı.
Vaka 3 — Veri sözlüğünün değeri. Bir sigorta şirketinde "police_durum" alanının 5 farklı ekipçe farklı yorumlandığı, bu yüzden aynı KPI'ın raporlarda 3 farklı sonuç verdiği tespit edildi. AI destekli bir veri sözlüğü taslağı çıkarılıp iş birimiyle tek anlamda mutabık kalındığında rapor tutarsızlığı ortadan kalktı ve aylık mutabakat toplantısı süresi %60 azaldı.
Zayıf Prompt / Güçlü Prompt
Zayıf prompt:
Bir e-ticaret veritabanı tasarla.
Güçlü prompt:
Rolün: Deneyimli bir veri modelleyicisin.Aşağıdaki iş kurallarına göre bir MANTIKSAL veri modeli TASLAĞI çıkar.Kurallar:- Her varlık için: alanlar, birincil anahtar, zorunlu alanlar.- Her ilişki için: tür (bire-çok / çoka-çok) ve yabancı anahtar.- Çoka-çok ilişkilerde ara tablo öner.- 3. normal forma kadar normalleştir; kasıtlı denormalizasyon önerirsen gerekçesini yaz.- Emin olmadığın her iş kuralını [TEYİT GEREKLİ] etiketle.İş kuralları:- Müşteri birden çok sipariş verebilir.- Bir sipariş birden çok ürün içerir; bir ürün birçok siparişte olur.- Ürünlerin kategorisi vardır.[diğer kurallar...]
Güçlü prompt, model seviyesini (mantıksal), anahtar ve ilişki kurallarını, normalleştirme hedefini ve teyit gereken noktaları netleştirir.
Dört Kopyalanabilir Şablon
1) Veri sözlüğü taslağı:
Aşağıdaki tablo tanımından bir veri sözlüğü taslağı çıkar. Her alaniçin: ad, tip, zorunlu mu, olası değerler, iş anlamı (tahminse[TAHMİN] etiketle). Tablo: [DDL veya alan listesi]
2) Normalleştirme incelemesi:
Aşağıdaki tablo yapısında tekrar eden veri, güncelleme anomalisiriski ve normalleştirme fırsatı var mı? Her bulgu için hangi normalformu ihlal ettiğini ve önerini yaz. Yapı: [metin]
3) İş kuralından ER taslağı:
Aşağıdaki iş kurallarını varlık, nitelik ve ilişkilere çevir. Herilişkinin türünü (1-1, 1-N, N-N) belirt ve N-N ise ara tablo öner.Belirsiz kuralları işaretle. Kurallar: [metin]
4) İlişki türü doğrulama soruları:
Aşağıdaki veri modelindeki her ilişki için, türünün doğruluğunusınayacak bir "evet/hayır" iş sorusu üret (ör. "Bir öğrenci aynıanda birden fazla sınıfa kayıtlı olabilir mi?"). Model: [metin]
Karşılaştırma Tablosu: Model Seviyeleri
Özellik
Kavramsal
Mantıksal
Fiziksel
Detay
En az
Orta
En çok
Anahtar/ilişki
Ana varlıklar
Anahtarlar tanımlı
İndeks/tip dahil
Veritabanına bağlı
Hayır
Hayır
Evet
Hedef kitle
İş birimi
Analist
Geliştirici/DBA
AI'nin katkısı
Taslak
Güçlü taslak
Taslak, DBA teyidi
Sık yapılan hatalar
- Çoka-çok ilişkiyi bire-çok sanmak. En sık modelleme hatası budur; ara tablo unutulursa sistem gerçek durumu tutamaz.
- Her şeyi tek tabloya koymak. "Basit olsun" diye tüm alanları tek tabloda toplamak, tekrar ve güncelleme anomalisi üretir.
- Veri sözlüğü yazmamak. Alanların anlamı kafalarda kalınca aynı KPI farklı sonuç verir.
- AI'nin veri tipi ve kısıt önerisine körlemesine güvenmek. Model "yeterince büyük" bir alan önerebilir; gerçek sınırları iş kuralı belirler (ör. TC kimlik 11 hane).
- Normalleştirmeyi mutlaklaştırmak. Raporlama katmanında aşırı normalleştirme sorguyu yavaşlatır; amaç bağlama göre değişir.
Dikkat: Yapay zeka güzel görünen ama iş kuralına aykırı modeller üretebilir. Modelin önerdiği her ilişki için "gerçekte böyle mi?" diye bir iş sorusu sorun. Veri modeli, sistemin iskeletidir; iskeletteki bir kırık, sonradan çok zor onarılır.
Özetle
Veri modelleme, işin gerçeklerini varlık, nitelik ve ilişkilerle yapılandırma işidir ve kavramsal, mantıksal, fiziksel seviyelerde ilerler. Birincil ve yabancı anahtarlar referans bütünlüğünü sağlar; normalleştirme tekrarı azaltır ama amaca göre denormalizasyon da meşrudur. Veri sözlüğü kurumun ortak dilidir. Yapay zeka ER taslağı, veri sözlüğü ve normalleştirme incelemesi üretmede ciddi hız kazandırır; ancak ilişki türleri, veri tipleri ve iş anlamı gerçek iş kuralına göre teyit edilmelidir. Modelin güzel görünmesi doğru olduğu anlamına gelmez.
Uygulama görevi
Bir "kütüphane ödünç sistemi" düşünün: üyeler, kitaplar, ödünç kayıtları. (1) Güçlü promptla bir mantıksal model taslağı ürettirin. (2) Modelin önerdiği her ilişkinin türünü (özellikle "bir üye aynı kitabın birden fazla kopyasını alabilir mi?") bir iş sorusuyla sınayın. (3) En az bir çoka-çok ilişki bulup ara tablo tanımlayın. (4) En az 4 alan için veri sözlüğü satırı yazın (ad, tip, zorunlu, iş anlamı). (5) Modelin uydurmuş olabileceği bir kısıtı işaretleyip nasıl doğrulayacağınızı açıklayın.
Kontrol listesi
- [ ] Her tablonun birincil anahtarı tanımlı.
- [ ] Her ilişkinin türünü iş sorusuyla doğruladım.
- [ ] Çoka-çok ilişkiler için ara tablo tanımladım.
- [ ] Tekrar eden veriyi normalleştirdim ya da denormalizasyonu gerekçelendirdim.
- [ ] Kritik alanlar için veri sözlüğü satırı yazdım.
- [ ] AI'nin veri tipi/kısıt önerilerini iş kuralına göre teyit ettim.