Unternehmen sind mit einem rasanten und massiven Datenwachstum konfrontiert, „zu einer Zeit, in der die analytischen Fähigkeiten ihnen nicht einmal annähernd gerecht werden können“, sagte Dr. Peter Aiken kürzlich in seinem Data-EdWebinar, „Konzeptionelle vs. logische vs. physische Datenmodellierung.“ Aiken, eine anerkannte Datenmanagement-Experte und Präsident von DAMA International, erklärte, dass es an Verständnis und Dokumentation eines Unternehmens mangelt Datenarchitektur – gepaart mit Datenstrukturen, die aktualisiert werden müssen – geben keine nützlichen Informationen zurück.

Stattdessen verfügen viele Unternehmen über zusammengeschusterte Systeme, die keine gemeinsame Datenstruktursprache beherrschen und Entwicklungsarbeit erfordern, um aussagekräftige Daten über eine exponentielle Anzahl von System- und Benutzeroberflächen zu erhalten. Dies führt dazu, dass Unternehmen 80 % ihres Budgets für die Verbesserung bestehender Architekturen ausgeben, so Aiken.

Um aussagekräftige Informationen zu erhalten, sind Datenstrukturen erforderlich, die in einem guten Rahmen organisiert sind. Die Verwendung eines dreidimensionalen evolutionären Datenmodellierungsansatzes zur Rückentwicklung bestehender Systeme, zur Aktualisierung von Anforderungen und zur Weiterleitung mit den neuen Anforderungen verspricht einen hervorragenden Ansatz. 

Während des Webinars diskutierte Aiken diesen dreidimensionalen Evolutionsdatenansatz, was er ist und wie man ihn verwendet.

Warum überhaupt einen Datenmodellierungsansatz in Betracht ziehen?

Standardmäßig verfügt eine Datenarchitektur über eine Art Datenmodell, unabhängig davon, ob es verstanden oder dokumentiert wird, da sie mindestens über eine physische Datenstruktur verfügt, um Daten von einem System zu einem Benutzer zu übertragen. Laut Aiken bleiben die meisten Unternehmen in diesem physischen Modell stecken, beginnen mit einer fehlerhaften Architektur und versuchen, die technische Struktur zu reparieren, ohne „einen einzigen Gedanken“ darüber zu machen, was die Datenarchitektur tut oder warum.

Da viele Unternehmen also bestehende Systeme zurückentwickeln, ohne die bestehenden Systeme sowie ihre Stärken und Schwächen zu verstehen, laufen sie Gefahr, fehlerhafte Datenstrukturen weiterzugeben oder es nicht zu schaffen, funktionierende Datenstrukturen neu zu erstellen. Das anfängliche Datenstrukturproblem wird durch alle verschiedenen Korrekturen weitergegeben. Aiken sagte:

 „Ein schwerwiegender Produktfehler kann das Produkt während seines gesamten Lebenszyklus heimsuchen. Mehrere Unternehmen hatten diese „Oopsies“, beginnend mit einem fehlerhaften Datenmodell. Folglich schließt dieser Ansatz diese Unvollkommenheiten ein und schränkt die Vorteile von Dateninvestitionen in der Zukunft ein. „

Die Organisation verfügt nicht über ausreichend nutzbare Daten aus der Migration, Konvertierung und Verbesserung des bestehenden Systems. Dieser Mangel bedeutet, dass die Aktualisierung bestehender Datenstrukturen länger dauert und mehr kostet, um wertvolle Informationen bereitzustellen.

Um diesen Prozess zu durchbrechen, müssen Unternehmen ihre Daten modellieren, um ein spezifisches Geschäftsproblem zu lösen und ein gemeinsames Verständnis zwischen Geschäft und IT zu erreichen. Ja, Unternehmen benötigen ein physisches Modell, das ihre technischen Mitarbeiter erstellen können. Um aussagekräftige Informationen zu erhalten, benötigen Unternehmen jedoch auch Modelle mit demselben gemeinsamen Vokabular zwischen den Geschäftsakteuren und den Technikern, die die Datenplattform aufbauen. 

Warum drei Datenmodelle in Betracht ziehen: konzeptionell, logisch und physisch?

Aiken räumte ein, dass die Datenmodellierung in Komponenten erfolgen muss, um eine Datenstruktur zu erhalten, die den Wert der Daten mit den für die Geschäftsaktivität oder -situation erforderlichen Informationen verbindet. Er weist darauf hin, dass Daten und Informationen berücksichtigt werden müssen, wenn ein Verbraucher die Daten anfordert, um etwas zu tun.  

Unternehmen erstellen jedes Datenmodell, um in diesem Prozess eine bestimmte Geschäftsfrage zu beantworten: die benötigten Informationen. Ein Datenmodell, das versucht, die gesamte Datenarchitektur des Unternehmens abzubilden, erweist sich am Ende als unhandlich und unbrauchbar, wie die folgende Abbildung zeigt: 

Stellen Sie sich Datenmodelle und Datenarchitektur stattdessen so vor, dass sie für spezifische Anforderungen basierend auf dem zu lösenden Problem entwickelt wurden. Da sich die Geschäftsanforderungen weiterentwickeln, sollten Sie Datenmodelle als iterativ betrachten, um ein bestimmtes Ziel besser zu erreichen.

Um den Zweck eines Modells zu erreichen, sind einige Typen besser geeignet. Während ein physisches Modell die erstellte Datenlösung erfasst, müssen Unternehmen wissen, wie diese Lösung erstellt wird und was sie grundsätzlich für das Unternehmen erstellen. Ein logisches Datenmodell reagiert auf die Art und Weise, wie es erstellt wird, und ein konzeptionelles Modell beschreibt, was zur Lösung des Geschäftsproblems oder -falls getan werden muss.

Warum Dimensionen zu drei Arten von Datenmodellen hinzufügen?

Normalerweise beginnen Unternehmen bei der Modellierung eines Geschäftsproblems nicht bei Null, da Datensysteme vorhanden sind. Daher nimmt die IT die verfügbare Datenarchitektur und nimmt Änderungen daran vor, was eine Änderung der Datenmodelle erforderlich macht. 

Angenommen, Entwickler und Ingenieure treiben die Aktualisierung und Erstellung einer neuen Architektur voran. In diesem Fall geht die IT davon aus, dass sie das Vorhandene validiert hat und dass jeder, der am System arbeitet, über dieses Verständnis verfügt.

Diese Argumentation erklärt also, warum viele Unternehmen ihre Plattformen am Ende zurückentwickeln. Sie wollen vom nicht validierten oder verstandenen bestehenden System zum validierten, verstandenen Ort gelangen.

Doch woher weiß die IT, was vorhanden ist und die Geschäftsanforderungen erfüllt? Was wäre, wenn sich die Anforderungen ändern würden, weil sich das Unternehmen seit der Aktualisierung der Datenlösung weiterentwickelt hat?

Laut Aiken müssen die Personen, die das System erstellen oder aktualisieren, über alle neuen Geschäftsanforderungen und Änderungen informiert sein. Dies erfordert Gespräche und Abstimmungen mit den Geschäftsleuten und Stakeholdern, die die Informationen aus den Daten für ihre Arbeit benötigen.

Daher müssen Organisationen verstehen, was bereits vorhanden ist, und wissen, was notwendig sein wird. Sie müssen ein Reverse Engineering durchführen und die Datenarchitektur so aufbauen, wie sie sein muss. Siehe das Diagramm unten:

Ein dreidimensionales Modellentwicklungs-Framework

Das Hinzufügen des Validierungsstatus des Datenmodells bietet Aiken eine dritte Dimension. Siehe das Bild unten:

Jedes Datenmodell – konzeptionell, logisch und physisch – fügt sich zu einer gesamten Datenarchitekturkomponente zusammen. Allerdings hat jeder Modelltyp einen anderen Zweck und eine andere Perspektive auf die Geschäftsanforderungen und wird anders verwendet.

Das konzeptionelle Datenmodell – Die für die Geschäftsabwicklung erforderlichen Datenanforderungen 

Bei der Festlegung dessen, was sein soll, liefert das konzeptionelle Datenmodell „den Fokus und den Umfang“, sagte Aiken. Es organisiert die vorhandenen Datenkonzepte, analysiert sie mit der Strategie der Organisation, stellt Kompromisse aufgrund technischer Stärken und Schwächen fest und baut zukünftige Fähigkeiten auf.

Am wichtigsten ist, dass das konzeptionelle Datenmodell das Vokabular zwischen technischen Mitarbeitern, weniger technisch versierten Geschäftsleuten und zwischen Systemen harmonisiert. Da Stakeholder und Ingenieure am Tisch sitzen, schlägt Aiken Folgendes vor:

• Identifizieren Sie die Entitäten
• Identifizieren Sie den Schlüssel für jede Entität
• Entwerfen Sie die Verbindungen zwischen den Entitäten
• Identifizieren Sie Datenmerkmale
• Ordnen Sie diese Datenattribute den Entitäten zu

Aiken rät, dass sich das konzeptionelle Modell durch diesen Prozess geringfügig weiterentwickeln wird. Wenn es sich radikal zu ändern beginnt, sollten Sie eine andere Sichtweise auf den Kontext in Betracht ziehen, z. B. die Beschreibung verschiedener Benutzeransichten durch ein logisches Modell und die Rückkehr zum konzeptionellen Modell.

Durch die konzeptionelle Gestaltung der Architektur einigen sich die Teilnehmer auf die Bedeutung der Entitäten und harmonisieren ihr Vokabular und ihre Kommunikation. Diese Diskussionen bilden die Grundlage einer Unternehmenstaxonomie mit aussagekräftigen Geschäftsdefinitionen und gültigen Entitäten, die für Unternehmen erforderlich sind.

Das logische Datenmodell – So erfüllen Sie Geschäftsdatenanforderungen 

Laut Aiken unterstützen logische Datenmodelle den Übergang zwischen dem konzeptionellen und dem physischen Datenmodell. Sie geben Auskunft über die Erstellung des konzeptionellen Modells und den damit verbundenen Aufwand.

Durch diesen Prozess stellt das logische Modell möglicherweise die bestehenden konzeptionellen Datenmodelle in Frage, da die logische Datenmodellierung Informationen über den Aufwand liefert, beispielsweise Größe und Form. Daher sind Unternehmen und IT an der Diskussion logischer Datenmodelle beteiligt, um die richtigen Beziehungen zu Entitäten zu verfeinern, die Vereinbarung über die Architektur zu vereinfachen und zu standardisieren und ein gemeinsames Vokabular zwischen Geschäfts- und technischen Analysten zu ermöglichen, bemerkte Aiken.

Das physische Datenmodell – Technische Blaupausen zum Aufbau der Geschäftslösung 

Wenn Unternehmen die bestehenden Geschäftsanforderungen verstehen, wissen, was das Unternehmen will und wie man diese logisch umsetzt, haben sie ein bestimmtes Ziel. Diese Unternehmen verfügen über Erkenntnisse darüber, wie die Datenstrukturen, Abläufe und Entitätsbeziehungen wiederhergestellt werden können, um eine passende Lösung zu erstellen. Diese Informationen bilden das physische Datenmodell, die Implementierung und den Bauplan. 

In der Regel kann die IT halbautomatische Techniken anwenden, integrierte Algorithmen verwenden oder Programme erstellen, „um die Datenstrukturen aufzudecken oder zu überprüfen, die erstellt, aktualisiert, gelesen oder gelöscht werden sollen“, bemerkte Aiken. 

Es können Fragen auftauchen, die erfordern, dass technische Fachkräfte mit konzeptionellen und logischen Modellen zum Unternehmen zurückkehren, um mehr Informationen zur Lösung des Geschäftsproblems durch das physische Modell zu erhalten.

Zusammenfassung

„Unternehmen müssen Datenmodellierung durchführen, um ein bestimmtes Geschäftsproblem zu lösen oder eine Geschäftsfrage zu beantworten“, fasst Aiken zusammen. IT und Unternehmen müssen Ziele und Verständnis teilen, um zu einer Datenlösung zu gelangen. Darüber hinaus muss es eine gemeinsame Sprache zwischen den Systemen geben, damit der Datenfluss reibungslos verläuft.

Es wird jedoch nicht hilfreich sein, ein beliebiges Modell oder eine große übergreifende Unternehmensarchitektur zusammenzufassen. Ein Datenmodell muss einen bestimmten Zweck erfüllen, und um dorthin zu gelangen, ist ein systematischer Prozess erforderlich. 

Das dreidimensionale Modellentwicklungs-Framework von Aiken stellt Ressourcen für eine verbesserte Datenplattform bereit. Es berücksichtigt die bestehende Architektur und die Entwicklung, die zur Erfüllung der Geschäftsanforderungen erforderlich ist, und bestätigt, dass sich Stakeholder und Bauherren einig sind.

Eine Kombination aus konzeptionellen, logischen und physischen Datenmodellen verspricht aussagekräftige und nützliche Ergebnisse, insbesondere wenn Business und IT ein gemeinsames Ziel erreichen müssen. Durch die korrekte Datenmodellierung und das Verstehen der Anforderungen können Unternehmen 20 % Zeit und Geld einsparen, um ihre Datenkapazitäten zu nutzen und einen größeren Nutzen daraus zu ziehen.

Sehen Sie sich das Webinar an:

Bild wird unter Lizenz von Shutterstock verwendet

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://www.dataversity.net/conceptual-vs-logical-vs-physical-data-modeling/