Peter Aiken 박사는 최근 Data-Ed에서 “분석 능력이 이를 충족할 수 없는 시기에” 기업은 엄청난 속도로 데이터가 증가하는 상황에 직면해 있다고 말했습니다.웹 세미나, “개념적 vs. 논리적 vs. 물리적 데이터 모델링.” 인정받는 데이터 관리 권위자이자 DAMA International의 사장인 Aiken은 회사의 데이터 관리에 대한 이해와 문서화가 부족하다고 설명했습니다. 데이터 아키텍처 – 업데이트가 필요한 데이터 구조와 결합되어 – 유용한 정보를 반환하지 못합니다.

대신, 많은 기업에서는 공통 데이터 구조 언어를 사용하지 않고 기하급수적인 수의 시스템 및 사용자 인터페이스를 통해 의미 있는 데이터를 얻기 위해 개발 체계가 필요한 시스템을 다듬었습니다. 이로 인해 조직은 기존 아키텍처를 개선하는 데 예산의 80%를 지출하게 된다고 Aiken은 말했습니다.

의미 있는 정보를 얻으려면 좋은 프레임워크로 구성된 데이터 구조가 필요합니다. XNUMX차원 진화적 데이터 모델링 접근 방식을 사용하여 기존 시스템을 리버스 엔지니어링하고, 요구 사항을 업데이트하고, 새로운 요구 사항을 포워드 엔지니어링하는 것은 탁월한 접근 방식을 약속합니다. 

웨비나에서 Aiken은 이 XNUMX차원 진화 데이터 접근 방식이 무엇인지, 어떻게 사용하는지에 대해 논의했습니다.

데이터 모델링 접근 방식을 고려해야 하는 이유는 무엇입니까?

기본적으로 데이터 아키텍처에는 시스템에서 사용자에게 데이터를 가져오기 위한 최소한의 물리적 데이터 구조가 있기 때문에 이해되거나 문서화된 일종의 데이터 모델이 있습니다. Aiken에 따르면 대부분의 조직은 결함이 있는 아키텍처에서 시작하여 데이터 아키텍처가 수행하는 작업이나 이유에 대한 "단 하나의 생각"도 없이 기술 구조를 수정하려고 시도하면서 이러한 물리적 모델에 갇히게 됩니다.

따라서 많은 기업이 기존 시스템과 그 강점, 약점을 이해하지 못한 채 기존 시스템을 리버스 엔지니어링하므로 결함이 있는 데이터 구조를 전달하거나 제대로 작동하는 데이터 구조를 다시 만들지 못할 위험이 있습니다. 초기 데이터 구조 문제는 모든 다른 수정 사항을 통해 전달됩니다. 에이켄은 이렇게 말했습니다.

 “심각한 제품 결함은 제품 수명 주기 내내 제품을 괴롭힐 수 있습니다. 몇몇 회사에서는 결함이 있는 데이터 모델로 시작하여 이러한 '죄송한 일'을 겪었습니다. 결과적으로 이 접근 방식은 이러한 불완전성을 가두어 향후 데이터 투자 이점을 제한합니다. “

조직은 기존 시스템을 마이그레이션, 변환, 개선하는 데 필요한 소비 데이터가 부족합니다. 이러한 부족은 기존 데이터 구조를 업데이트하는 데 귀중한 정보를 제공하는 데 시간과 비용이 더 많이 든다는 것을 의미합니다.

이 프로세스를 중단하려면 기업은 특정 비즈니스 문제를 해결하고 비즈니스와 IT 간의 이해를 공유하기 위해 데이터를 모델링해야 합니다. 그렇습니다. 조직에서는 기술 인력이 구축할 물리적 모델이 필요합니다. 그러나 기업은 의미 있는 정보를 얻기 위해 비즈니스 이해관계자와 데이터 플랫폼을 구축하는 기술 인력 간에 동일한 공통 어휘를 사용하는 모델도 필요합니다. 

개념적, 논리적, 물리적이라는 세 가지 데이터 모델을 고려하는 이유는 무엇입니까?

Aiken은 데이터의 가치를 비즈니스 활동이나 상황에 필요한 정보에 연결하는 데이터 구조를 갖기 위해 데이터 모델링이 구성 요소에서 수행되어야 한다는 점을 인정했습니다. 그는 소비자가 데이터에 무언가를 요청할 때 데이터와 정보를 고려해야 한다고 지적합니다.  

조직은 이 프로세스에서 특정 비즈니스 질문, 즉 필요한 정보에 답하기 위해 각 데이터 모델을 만듭니다. 모든 비즈니스의 데이터 아키텍처를 나타내려고 하는 하나의 데이터 모델은 아래 그림과 같이 결국 다루기 힘들고 사용할 수 없게 됩니다. 

대신, 해결해야 할 문제를 기반으로 특정 요구 사항에 맞게 개발된 데이터 모델과 데이터 아키텍처를 생각해 보세요. 비즈니스 요구 사항이 진화하고 있으므로 특정 목표를 더 잘 달성하기 위해 데이터 모델을 반복적으로 고려하십시오.

모델의 목적을 달성하려면 일부 유형이 더 적합합니다. 실제 모델은 구축된 데이터 솔루션을 포착하지만 기업은 이 솔루션을 만드는 방법과 비즈니스를 위해 근본적으로 구축하는 것이 무엇인지 알아야 합니다. 논리적 데이터 모델은 이를 구축하는 방법에 응답하고, 개념적 모델은 비즈니스 문제나 사례를 해결하기 위해 무엇을 만들어야 하는지 설명합니다.

세 가지 유형의 데이터 모델에 차원을 추가하는 이유는 무엇입니까?

일반적으로 기업은 데이터 시스템이 존재하기 때문에 비즈니스 문제 모델링 시 처음부터 시작하지 않습니다. 따라서 IT에서는 사용 가능한 데이터 아키텍처를 가져와 변경하므로 데이터 모델을 변경해야 합니다. 

개발자와 엔지니어가 새로운 아키텍처를 업데이트하고 생성하는 작업을 진행한다고 가정해 보겠습니다. 이 경우 IT는 존재하는 내용을 검증했으며 시스템에서 작업하는 모든 사람이 이를 이해하고 있다고 가정합니다.

따라서 이러한 추론은 많은 회사가 플랫폼을 리버스 엔지니어링하는 이유를 설명합니다. 그들은 검증되지 않거나 이해되지 않은 기존 시스템에서 검증되고 이해되는 위치로 이동하기를 원합니다.

그러나 IT는 무엇이 존재하고 비즈니스 요구 사항을 충족하는지 어떻게 알 수 있습니까? 데이터 솔루션 업데이트 이후 비즈니스 발전으로 인해 요구 사항이 변경된 경우 어떻게 될까요?

Aiken에 따르면 시스템을 구축하거나 업데이트하는 사람들은 새로운 비즈니스 요구 사항과 변경된 사항을 알아야 합니다. 이를 위해서는 업무를 위해 데이터의 정보가 필요한 사업가 및 이해관계자와 채팅하고 조정해야 합니다.

결과적으로, 조직은 이미 존재하는 것이 무엇인지 이해하고 무엇이 필요할지 알아야 합니다. 그들은 있는 그대로 리버스 엔지니어링하고 필요한 것에 따라 데이터 아키텍처를 구축해야 합니다. 아래 다이어그램을 참조하세요.

XNUMX차원 모델 진화 프레임워크

데이터 모델의 유효성 검사 상태를 추가하면 Aiken에 대한 세 번째 차원이 제공됩니다. 아래 이미지를 참조하세요.

개념적, 논리적, 물리적인 각 데이터 모델이 서로 결합되어 전체 데이터 아키텍처 구성 요소를 형성합니다. 그러나 각 모델 유형은 비즈니스 요구 사항에 대한 목적과 관점이 다르며 다르게 사용됩니다.

개념적 데이터 모델 – 비즈니스 수행에 필요한 데이터 요구 사항 

Aiken은 무엇이 될 것인지를 지정하는 데 있어서 개념적 데이터 모델은 "초점과 범위"를 제공한다고 말했습니다. 기존 데이터 개념을 정리하고, 이를 조직의 전략으로 분석하고, 기술적 강점과 약점으로 인한 상충관계를 기록하고, 미래 역량을 구축합니다.

가장 중요한 점은 개념적 데이터 모델이 기술 직원, 덜 기술적인 사업가, 시스템 간 어휘를 조화시킨다는 것입니다. 이해관계자 및 엔지니어와 함께 Aiken은 다음을 제안합니다.

• 엔터티 식별
• 각 엔터티의 키 식별
• 엔터티 간의 연결 초안 작성
• 데이터 특성 식별
• 이러한 데이터 속성을 엔터티에 매핑

Aiken은 이 프로세스를 통해 개념 모델이 약간 발전할 것이라고 조언합니다. 급격하게 변화하기 시작하면 논리적 모델을 통해 다양한 사용자 보기를 설명하고 개념적 모델로 돌아가는 등 컨텍스트를 보는 다른 방법을 고려하세요.

아키텍처를 개념적으로 배치함으로써 참가자는 엔터티가 의미하는 바에 동의하고 어휘와 의사소통을 조화시킵니다. 이러한 논의는 의미 있는 비즈니스 정의와 비즈니스에 필요한 유효한 엔터티를 갖춘 엔터프라이즈 분류의 기초를 형성합니다.

논리적 데이터 모델 – 비즈니스 데이터 요구 사항을 충족하는 방법 

Aiken에 따르면 논리적 데이터 모델은 개념적 데이터 모델과 물리적 데이터 모델 간의 전환을 지원합니다. 개념적 모델을 구축하는 방법과 관련된 노력에 대한 정보를 제공합니다.

이러한 과정을 통해 논리적 데이터 모델링은 크기, 모양 등 노력에 대한 정보를 제공하므로 논리적 모델은 기존의 개념적 데이터 모델에 도전할 수 있습니다. 따라서 비즈니스와 IT는 엔터티와의 적절한 관계를 개선하고, 아키텍처에 대한 합의를 단순화 및 표준화하며, 비즈니스 분석가와 기술 분석가 간의 공유 어휘를 촉진하기 위해 논리적 데이터 모델을 논의하는 데 참여한다고 Aiken은 말했습니다.

물리적 데이터 모델 – 비즈니스 솔루션 구축을 위한 기술 청사진 

기존 비즈니스 요구 사항을 이해하고, 비즈니스가 원하는 것이 무엇인지, 이를 논리적으로 구축하는 방법을 파악하면 기업은 구체적인 목표를 갖게 됩니다. 이러한 기업은 데이터 구조, 흐름 및 엔터티 관계를 다시 만들어 일치하는 솔루션을 구성하는 방법에 대한 증거를 보유하고 있습니다. 이 정보는 물리적 데이터 모델, 구현 및 청사진을 구성합니다. 

일반적으로 IT는 내장된 알고리즘을 사용하거나 "생성, 업데이트, 읽기 또는 삭제할 데이터 구조를 검색하거나 확인하기 위해" 프로그램을 생성하는 반자동 기술을 적용할 수 있다고 Aiken은 말했습니다. 

기술 전문가가 물리적 모델을 통해 비즈니스 문제를 해결하기 위해 더 많은 정보를 얻기 위해 개념적, 논리적 모델을 가지고 비즈니스로 돌아가야 하는 문제가 발생할 수 있습니다.

결론

Aiken은 “기업은 특정 비즈니스 문제를 해결하거나 비즈니스 질문에 답하기 위해 데이터 모델링을 수행해야 합니다.”라고 요약했습니다. IT와 기업은 데이터 솔루션을 얻기 위해 목표와 이해를 공유해야 합니다. 또한 데이터가 원활하게 흐르기 위해서는 시스템 간에 공통 언어가 필요합니다.

그러나 어떤 모델이나 대규모 엔터프라이즈 아키텍처를 함께 사용하는 것은 도움이 되지 않습니다. 데이터 모델은 특정 목적을 달성해야 하며, 이를 달성하려면 체계적인 프로세스가 필요합니다. 

Aiken의 XNUMX차원 모델 진화 프레임워크는 향상된 데이터 플랫폼을 위한 리소스를 제공합니다. 비즈니스 요구 사항을 충족하는 데 필요한 기존 아키텍처와 발전을 고려하고 이해 관계자와 구축자가 동일한 페이지에 있는지 확인합니다.

개념적, 논리적, 물리적 데이터 모델의 조합은 특히 비즈니스와 IT가 공통 목표를 달성해야 하는 경우 의미 있고 유용한 결과를 약속합니다. 데이터 모델링을 올바르게 수행하고 요구 사항을 이해하면 기업은 데이터 기능을 활용하고 더 많은 가치를 얻을 수 있는 시간과 비용을 20% 확보할 수 있습니다.

웨비나보기 :

Shutterstock의 라이선스에 따라 사용된 이미지

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
• PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
• PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
• 출처: https://www.dataversity.net/conceptual-vs-logical-vs-physical-data-modeling/