Dr. Peter Aiken, son Data-Ed etkinliğinde, işletmelerin "analitik yeteneklerin bunları karşılamaya bile yaklaşamadığı bir dönemde" ışık hızında ve devasa veri büyümesiyle karşı karşıya olduğunu söyledi.Webinar, “Kavramsal, Mantıksal ve Fiziksel Veri Modelleme.” Tanınmış bir Veri Yönetimi yetkilisi ve DAMA International'ın başkanı olan Aiken, bir şirketin veri yönetimi konusundaki anlayış ve belgeleme eksikliğinin Veri Mimarisi – güncellenmesi gereken veri yapılarıyla birleştiğinde – yararlı bilgiler döndürmede başarısız olunması.

Bunun yerine birçok kuruluş, ortak bir veri yapısı dilini konuşmayan ve üstel sayıda sistem ve kullanıcı arayüzü aracılığıyla anlamlı veriler elde etmek için geliştirme jimnastiği gerektiren karmaşık sistemlere sahiptir. Aiken, bunun, kuruluşların bütçelerinin %80'ini mevcut mimarileri iyileştirmeye harcamasıyla sonuçlandığını belirtti.

Anlamlı bilgiye ulaşmak, iyi bir çerçevede düzenlenmiş veri yapılarını gerektirir. Mevcut sistemlerde tersine mühendislik yapmak, gereksinimleri güncellemek ve yeni gereksinimlerle ileri mühendislik yapmak için üç boyutlu evrimsel Veri Modelleme yaklaşımını kullanmak mükemmel bir yaklaşım vaat ediyor. 

Web seminerinde Aiken, bu üç boyutlu evrimsel veri yaklaşımını, ne olduğunu ve nasıl kullanılacağını tartıştı.

Neden Veri Modelleme Yaklaşımını Düşünmelisiniz?

Varsayılan olarak Veri Mimarisi, anlaşılmış veya belgelenmiş bir tür veri modeline sahiptir, çünkü verileri bir sistemden kullanıcıya almak için en azından fiziksel bir veri yapısına sahiptir. Aiken'e göre çoğu kuruluş, kusurlu bir mimariyle başlayıp, Veri Mimarisinin ne yaptığına veya neden yaptığına dair "tek bir düşünce" olmadan teknik yapıyı düzeltmeye çalışarak bu fiziksel modele takılıp kalıyor.

Dolayısıyla birçok şirket, mevcut sistemleri, güçlü ve zayıf yönlerini anlamadan mevcut sistemlere tersine mühendislik uyguladığından, hatalı veri yapılarını aktarma veya çalışan veri yapılarını yeniden oluşturamama riskiyle karşı karşıya kalır. Başlangıçtaki veri yapısı sorunu, tüm farklı düzeltmeler yoluyla aktarılır. Ayken şunları söyledi:

 "Ciddi bir ürün kusuru, kullanım ömrü boyunca onu rahatsız edebilir. Pek çok şirket, kusurlu bir veri modelinden başlayarak bu tür "aykırılıklar" yaşadı. Sonuç olarak, bu yaklaşım bu kusurları kilitler ve gelecekte veri yatırımı faydalarını kısıtlar. “

Kuruluşun mevcut sistemin taşınması, dönüştürülmesi ve iyileştirilmesiyle ilgili yetersiz sarf malzemesi verileri var. Bu eksiklik, mevcut veri yapılarının güncellenmesinin daha uzun sürdüğü ve değerli bilgilerin sağlanmasının daha maliyetli olduğu anlamına gelir.

Bu süreci kırmak için şirketlerin belirli bir iş sorununu çözecek şekilde verilerini modellemeleri ve işletme ile BT arasında ortak bir anlayışa sahip olmaları gerekir. Evet, kuruluşların teknik personelinin oluşturabilmesi için fiziksel bir modele ihtiyacı vardır; ancak şirketlerin anlamlı bilgilere ulaşabilmesi için iş paydaşları ile veri platformunu oluşturan teknik kişiler arasında aynı ortak söz dağarcığına sahip modellere de ihtiyacı var. 

Neden Üç Veri Modelini Düşünmeliyiz: Kavramsal, Mantıksal ve Fiziksel?

Aiken, verinin değerini iş faaliyeti veya durumunun gerektirdiği bilgiye bağlayan bir veri yapısına sahip olmak için Veri Modellemenin bileşenler halinde yapılması gerektiğini kabul etti. Bir tüketici veriden bir şey yapmasını istediğinde veri ve bilgilerin dikkate alınması gerektiğini belirtiyor.  

Kuruluşlar, bu süreçte belirli bir iş sorusunu yanıtlamak için her veri modelini oluşturur: ihtiyaç duyulan bilgi. Aşağıdaki şekilde gösterildiği gibi, işletmenin tüm Veri Mimarisini temsil etmeye çalışan bir veri modeli, hantal ve kullanılamaz hale gelir: 

Bunun yerine, veri modellerini ve Veri Mimarisini çözülecek soruna dayalı olarak belirli ihtiyaçlar için geliştirilmiş olarak düşünün. İş ihtiyaçları geliştiğinden, veri modellerini belirli bir hedefe daha iyi ulaşmak için yinelenen olarak düşünün.

Bir modelin amacına ulaşmak için bazı türler daha uygundur. Fiziksel bir model, bir veri çözümünü oluşturulmuş haliyle yakalarken, şirketlerin bu çözümü nasıl oluşturacaklarını ve iş için temel olarak neyi inşa ettiklerini bilmeleri gerekir. Mantıksal bir veri modeli, onun nasıl oluşturulacağına yanıt verir ve kavramsal bir model, iş sorununu veya vakasını çözmek için ne yapılması gerektiğini açıklar.

Üç Tür Veri Modeline Neden Boyut Eklenmeli?

Tipik olarak şirketler, veri sistemleri mevcut olduğundan bir iş problemini modelleyerek sıfırdan başlamazlar. Dolayısıyla BT, mevcut Veri Mimarisini alır ve üzerinde değişiklikler yaparak veri modellerinde değişiklik yapılmasını gerektirir. 

Geliştiricilerin ve mühendislerin yeni bir mimariyi güncelleme ve oluşturma konusunda ilerlediğini varsayalım. Bu durumda BT, mevcut olanı doğruladığını ve sistem üzerinde çalışan herkesin bu anlayışa sahip olduğunu varsayar.

Dolayısıyla bu mantık, birçok şirketin neden platformlarında tersine mühendislik yaptığını açıklıyor. Doğrulanmamış veya anlaşılmamış mevcut sistemden doğrulanmış, anlaşılmış bir yere ulaşmak istiyorlar.

Ancak BT neyin var olduğunu ve iş ihtiyaçlarını karşıladığını nasıl biliyor? Veri çözümü güncellemelerinden bu yana iş geliştiği için gereksinimler değiştiyse ne olur?

Aiken'a göre sistemi oluşturan veya güncelleyen kişilerin, yeni iş gereksinimleri ve nelerin değiştiğini bilmesi gerekiyor. Bu, çalışmaları için verilerden elde edilen bilgilere ihtiyaç duyan iş adamları ve paydaşlarla sohbet etmeyi ve uyum sağlamayı gerektirir.

Sonuç olarak, kuruluşların halihazırda neyin var olduğunu anlaması ve neyin gerekli olacağını bilmesi gerekir. Olduğu gibi tersine mühendislik yapmaları ve veri mimarisini olması gerekene göre oluşturmaları gerekiyor. Aşağıdaki şemaya bakın:

Üç Boyutlu Model Geliştirme Çerçevesi

Veri modelinin doğrulama durumunun eklenmesi, Aiken için üçüncü bir boyut sağlar. Aşağıdaki resme bakın:

Her veri modeli (kavramsal, mantıksal ve fiziksel) birbiriyle birleşerek bütün bir Veri Mimarisi bileşeni oluşturur. Ancak her model tipinin iş ihtiyaçlarına farklı bir amacı ve bakış açısı vardır ve farklı şekilde kullanılır.

Kavramsal Veri Modeli – İş Yapmak İçin Gereken Veri Gereksinimleri 

Aiken, ne olacağını belirlerken kavramsal veri modelinin "odak ve kapsam" sağladığını söyledi. Mevcut veri kavramlarını düzenler, bunları kuruluşun stratejisiyle analiz eder, teknik güçlü ve zayıf yönlerden kaynaklanan ödünleşimleri not eder ve gelecekteki yetenekleri oluşturur.

En önemlisi, kavramsal veri modeli teknik personel, daha az teknik iş adamı ve sistemler arasındaki kelime dağarcığını uyumlu hale getirir. Paydaşlar ve mühendislerin masada olduğu Aiken şunları öneriyor:

• Varlıkları tanımlayın
• Her varlığın anahtarını tanımlayın
• Varlıklar arasındaki bağlantıların taslağını çizin
• Veri özelliklerini tanımlayın
• Bu veri niteliklerini varlıklarla eşleyin

Aiken, bu süreç sayesinde kavramsal modelin biraz gelişeceğini tavsiye ediyor. Eğer kökten değişmeye başlarsa, farklı kullanıcı görüşlerini mantıksal bir model aracılığıyla tanımlamak ve ardından kavramsal modele geri dönmek gibi bağlamı görmenin farklı bir yolunu düşünün.

Mimariyi kavramsal olarak ortaya koyan katılımcılar, varlıkların ne anlama geldiği konusunda hemfikir olurlar, kelime dağarcıklarını ve iletişimlerini uyumlu hale getirirler. Bu tartışmalar, anlamlı iş tanımları ve işin gerektirdiği geçerli varlıklar ile kurumsal sınıflandırmanın temelini oluşturur.

Mantıksal Veri Modeli – İş Verisi Gereksinimleri Nasıl Karşılanır? 

Aiken'e göre mantıksal veri modelleri, kavramsal ve fiziksel veri modelleri arasındaki geçişe yardımcı oluyor. Kavramsal modelin nasıl oluşturulacağı ve gereken çaba hakkında bilgi sağlarlar.

Mantıksal veri modelleme, boyut ve şekil gibi çaba hakkında bilgi sağladığından, bu süreç aracılığıyla mantıksal model, mevcut kavramsal veri modellerine meydan okuyabilir. Aiken, bu nedenle iş dünyası ve BT'nin, varlıklarla uygun ilişkileri iyileştirmek, mimariyle ilgili anlaşmayı basitleştirmek ve standartlaştırmak ve iş ve teknik analistler arasında ortak bir kelime dağarcığını kolaylaştırmak için mantıksal veri modellerini tartışmaya dahil olduğunu belirtti.

Fiziksel Veri Modeli – İş Çözümünü Oluşturmaya Yönelik Teknik Planlar 

Mevcut iş gereksinimlerini anladıktan sonra, işletmenin ne istediğini ve bunu mantıksal olarak nasıl oluşturacağını bilerek şirketlerin belirli bir hedefi vardır. Bu işletmelerin, uyumlu bir çözüm oluşturmak için veri yapılarını, akışını ve varlık ilişkilerini nasıl yeniden oluşturacaklarına dair kanıtları var. Bu bilgi fiziksel veri modelini, uygulamayı ve planı oluşturur. 

Aiken, BT'nin genellikle "oluşturulacak, güncellenecek, okunacak veya silinecek veri yapılarını ortaya çıkarmak veya kontrol etmek için" yerleşik algoritmalar kullanarak veya programlar oluşturarak yarı otomatik teknikler uygulayabildiğini belirtti. 

Teknik uzmanların, iş problemini fiziksel model aracılığıyla çözmek için daha fazla bilgi almak üzere kavramsal ve mantıksal modellerle işe geri dönmelerini gerektiren sorular ortaya çıkabilir.

Sonuç

Aiken, "Şirketlerin belirli bir iş sorununu çözmek veya bir iş sorusunu yanıtlamak için Veri Modellemesi yapması gerekiyor" diye özetledi. BT ve işletmelerin bir veri çözümüne ulaşmak için hedefleri ve anlayışları paylaşması gerekir. Ayrıca veri akışının sorunsuz olması için sistemler arasında ortak bir dilin olması gerekir.

Ancak herhangi bir modeli veya büyük bir kapsayıcı kurumsal mimariyi bir araya getirmek yararlı olmayacaktır. Bir veri modelinin belirli bir amaca ulaşması gerekir ve bu amaca ulaşmak sistematik bir süreç gerektirir. 

Aiken'in üç boyutlu model geliştirme çerçevesi, gelişmiş bir veri platformu için kaynaklar sağlar. Mevcut mimariyi ve iş ihtiyaçlarını karşılamak için gereken evrimi dikkate alır ve paydaşlarla inşaatçıların aynı sayfada olduğunu doğrular.

Kavramsal, mantıksal ve fiziksel veri modellerinin birleşimi, özellikle iş ve BT'nin ortak bir hedefe ulaşması gerektiğinde anlamlı ve faydalı sonuçlar vaat ediyor. Veri modellemeyi doğru yapmak ve gereksinimleri anlamak, şirketlerin veri yeteneklerini geliştirmeleri ve onlardan daha fazla değer elde etmeleri için %20 oranında zaman ve para tasarrufu sağlar.

Web seminerini izleyin:

Shutterstock lisansı altında kullanılan görsel

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://www.dataversity.net/conceptual-vs-logical-vs-physical-data-modeling/