Tiến sĩ Peter Aiken cho biết tại Data-Ed gần đây của mình rằng các doanh nghiệp phải đối mặt với sự tăng trưởng dữ liệu khổng lồ và nhanh như chớp “vào thời điểm mà khả năng phân tích thậm chí không thể đạt tới mức đó”.webinar, “Mô hình hóa dữ liệu khái niệm, logic và vật lý.” Là cơ quan quản lý dữ liệu được công nhận và là chủ tịch của DAMA International, Aiken giải thích rằng sự thiếu hiểu biết và tài liệu về các quy định của công ty Kiến trúc dữ liệu – cùng với cấu trúc dữ liệu cần cập nhật – không trả về thông tin hữu ích.

Thay vào đó, nhiều doanh nghiệp có các hệ thống rải sỏi không sử dụng ngôn ngữ cấu trúc dữ liệu chung và yêu cầu nỗ lực phát triển để có được dữ liệu có ý nghĩa thông qua số lượng giao diện hệ thống và người dùng theo cấp số nhân. Aiken lưu ý rằng điều này dẫn đến việc các tổ chức phải chi 80% ngân sách của mình để cải thiện các kiến ​​trúc hiện có.

Để có được thông tin có ý nghĩa đòi hỏi cấu trúc dữ liệu được tổ chức trong một khuôn khổ tốt. Việc sử dụng phương pháp Mô hình hóa dữ liệu tiến hóa ba chiều để thiết kế ngược các hệ thống hiện có, cập nhật yêu cầu và chuyển tiếp kỹ thuật với các yêu cầu mới hứa hẹn một cách tiếp cận tuyệt vời. 

Trong hội thảo trực tuyến, Aiken đã thảo luận về phương pháp tiếp cận dữ liệu tiến hóa ba chiều này, nó là gì và cách sử dụng nó.

Tại sao lại xem xét một phương pháp mô hình hóa dữ liệu?

Theo mặc định, Kiến trúc dữ liệu có một số loại mô hình dữ liệu, dù được hiểu hay được ghi lại, bởi vì nó có ít nhất cấu trúc dữ liệu vật lý để lấy dữ liệu từ hệ thống đến người dùng. Theo Aiken, hầu hết các tổ chức đều mắc kẹt trong mô hình vật lý này, bắt đầu từ một kiến ​​trúc thiếu sót và cố gắng sửa chữa cấu trúc kỹ thuật mà không “một suy nghĩ nào” về những gì Kiến trúc Dữ liệu làm hoặc tại sao.

Vì vậy, khi nhiều công ty thiết kế ngược các hệ thống hiện có mà không hiểu rõ về hệ thống hiện có, điểm mạnh và điểm yếu của chúng, họ có nguy cơ chuyển các cấu trúc dữ liệu bị lỗi hoặc không thể tạo lại các cấu trúc dữ liệu hoạt động được. Vấn đề về cấu trúc dữ liệu ban đầu được chuyển qua tất cả các cách khắc phục khác nhau. Aiken đã nói:

 “Một lỗi nghiêm trọng của sản phẩm có thể ám ảnh nó trong suốt vòng đời của nó. Một số công ty đã gặp phải những điều 'không may' này, bắt đầu từ một mô hình dữ liệu thiếu sót. Do đó, cách tiếp cận này sẽ khắc phục những điểm không hoàn hảo này và hạn chế lợi ích đầu tư dữ liệu trong tương lai. “

Tổ chức không có đủ dữ liệu tiêu thụ từ việc di chuyển, chuyển đổi và cải tiến hệ thống hiện có. Sự thiếu hụt này có nghĩa là việc cập nhật cấu trúc dữ liệu hiện có mất nhiều thời gian hơn và tốn nhiều chi phí hơn để cung cấp thông tin có giá trị.

Để phá vỡ quy trình này, các công ty cần lập mô hình dữ liệu của mình để giải quyết một vấn đề kinh doanh cụ thể và có sự hiểu biết chung giữa doanh nghiệp và CNTT. Có, các tổ chức cần một mô hình vật lý để đội ngũ kỹ thuật của họ xây dựng; tuy nhiên, các công ty cũng cần các mô hình có cùng vốn từ vựng chung giữa các bên liên quan trong kinh doanh và đội ngũ kỹ thuật xây dựng nền tảng dữ liệu để có được thông tin có ý nghĩa. 

Tại sao nên xem xét ba mô hình dữ liệu: Khái niệm, logic và vật lý?

Aiken thừa nhận rằng Mô hình hóa dữ liệu cần phải được thực hiện theo từng thành phần để có cấu trúc dữ liệu kết nối giá trị của dữ liệu với thông tin mà hoạt động hoặc tình huống kinh doanh yêu cầu. Ông lưu ý rằng dữ liệu và thông tin phải được xem xét khi người tiêu dùng yêu cầu dữ liệu để làm điều gì đó.  

Các tổ chức tạo ra từng mô hình dữ liệu để trả lời một câu hỏi kinh doanh cụ thể trong quy trình này: thông tin cần thiết. Một mô hình dữ liệu cố gắng thể hiện tất cả Kiến trúc dữ liệu của doanh nghiệp sẽ trở nên khó sử dụng và không thể sử dụng được, như hình bên dưới minh họa: 

Thay vào đó, hãy nghĩ đến các mô hình dữ liệu và Kiến trúc dữ liệu được phát triển cho các nhu cầu cụ thể dựa trên vấn đề cần giải quyết. Vì nhu cầu kinh doanh ngày càng phát triển, hãy coi các mô hình dữ liệu có tính lặp lại để đạt được mục tiêu cụ thể tốt hơn.

Để đạt được mục đích của mô hình, một số loại sẽ phù hợp hơn. Trong khi mô hình vật lý ghi lại giải pháp dữ liệu như đã được xây dựng, các công ty cần biết cách tạo ra giải pháp này và về cơ bản họ đang xây dựng những gì cho doanh nghiệp. Mô hình dữ liệu logic phản hồi cách xây dựng nó và mô hình khái niệm mô tả những gì cần thực hiện để giải quyết vấn đề hoặc trường hợp kinh doanh.

Tại sao thêm thứ nguyên vào ba loại mô hình dữ liệu?

Thông thường, các công ty không bắt đầu lại từ đầu khi mô hình hóa một vấn đề kinh doanh vì đã tồn tại hệ thống dữ liệu. Vì vậy, CNTT sử dụng Kiến trúc dữ liệu có sẵn và thực hiện các thay đổi đối với nó, đòi hỏi phải thay đổi các mô hình dữ liệu. 

Giả sử các nhà phát triển và kỹ sư tiếp tục cập nhật và tạo ra một kiến ​​trúc mới. Trong trường hợp đó, CNTT giả định rằng họ đã xác thực những gì tồn tại và mọi người làm việc trên hệ thống đều hiểu được điều đó.

Vì vậy, lý do này giải thích tại sao nhiều công ty lại sử dụng kỹ thuật đảo ngược nền tảng của họ. Họ muốn đi đến một nơi từ hệ thống hiện tại chưa được xác thực hoặc chưa được hiểu đến nơi đã được xác thực, được hiểu.

Tuy nhiên, làm sao CNTT biết được cái gì đang tồn tại và đáp ứng được nhu cầu doanh nghiệp? Điều gì sẽ xảy ra nếu các yêu cầu thay đổi do hoạt động kinh doanh phát triển kể từ khi cập nhật giải pháp dữ liệu?

Theo Aiken, những người xây dựng hoặc cập nhật hệ thống cần biết về bất kỳ yêu cầu kinh doanh mới nào và những gì đã thay đổi. Điều này đòi hỏi phải trò chuyện và liên kết với các doanh nhân và các bên liên quan, những người cần thông tin từ dữ liệu cho công việc của họ.

Do đó, các tổ chức cần hiểu những gì đã tồn tại và biết những gì sẽ cần thiết. Họ cần thiết kế ngược nguyên trạng và xây dựng kiến ​​trúc dữ liệu theo những gì nó cần. Xem sơ đồ dưới đây:

Khung phát triển mô hình ba chiều

Việc thêm trạng thái xác thực của mô hình dữ liệu sẽ cung cấp chiều thứ ba cho Aiken. Xem hình ảnh dưới đây:

Mỗi mô hình dữ liệu – khái niệm, logic và vật lý – kết hợp với nhau để tạo thành toàn bộ thành phần Kiến trúc dữ liệu. Tuy nhiên, mỗi loại mô hình có mục đích và quan điểm khác nhau về nhu cầu kinh doanh và được sử dụng khác nhau.

Mô hình dữ liệu khái niệm - Các yêu cầu dữ liệu cần thiết để kinh doanh 

Aiken cho biết, khi xác định những gì sẽ xảy ra, mô hình dữ liệu khái niệm cung cấp “trọng tâm và phạm vi”. Nó tổ chức các khái niệm dữ liệu hiện có, phân tích chúng theo chiến lược của tổ chức, ghi nhận sự cân bằng do điểm mạnh và điểm yếu kỹ thuật và xây dựng các khả năng trong tương lai.

Quan trọng nhất, mô hình dữ liệu khái niệm hài hòa từ vựng giữa nhân viên kỹ thuật, nhân viên kinh doanh ít kỹ thuật hơn và giữa các hệ thống. Với các bên liên quan và kỹ sư tại bàn, Aiken đề xuất những điều sau:

• Xác định các thực thể
• Xác định khóa cho mỗi thực thể
• Dự thảo các kết nối giữa các thực thể
• Xác định đặc điểm dữ liệu
• Ánh xạ các thuộc tính dữ liệu này tới các thực thể

Aiken khuyên rằng thông qua quá trình này, mô hình khái niệm sẽ phát triển một chút. Nếu nó bắt đầu thay đổi hoàn toàn, hãy xem xét một cách khác để xem bối cảnh, chẳng hạn như mô tả các chế độ xem khác nhau của người dùng thông qua mô hình logic và sau đó quay lại mô hình khái niệm.

Bằng cách trình bày kiến ​​trúc một cách khái niệm, những người tham gia đồng ý về ý nghĩa của các thực thể, hài hòa từ vựng và giao tiếp của họ. Những cuộc thảo luận này tạo thành nền tảng của phân loại doanh nghiệp với các định nghĩa kinh doanh có ý nghĩa và các thực thể hợp lệ mà doanh nghiệp yêu cầu.

Mô hình dữ liệu logic - Cách đáp ứng các yêu cầu về dữ liệu kinh doanh 

Theo Aiken, các mô hình dữ liệu logic hỗ trợ quá trình chuyển đổi giữa mô hình dữ liệu khái niệm và mô hình dữ liệu vật lý. Họ cung cấp thông tin về cách xây dựng mô hình khái niệm và nỗ lực liên quan.

Thông qua quá trình này, mô hình logic có thể thách thức các mô hình dữ liệu khái niệm hiện có vì mô hình hóa dữ liệu logic cung cấp thông tin về nỗ lực, chẳng hạn như kích thước và hình dạng. Vì vậy, doanh nghiệp và CNTT tham gia thảo luận về các mô hình dữ liệu logic để tinh chỉnh mối quan hệ phù hợp với các thực thể, đơn giản hóa và tiêu chuẩn hóa thỏa thuận về kiến ​​trúc, đồng thời tạo điều kiện thuận lợi cho từ vựng chung giữa các nhà phân tích kinh doanh và kỹ thuật, Aiken lưu ý.

Mô hình dữ liệu vật lý - Bản thiết kế kỹ thuật để xây dựng giải pháp kinh doanh 

Khi hiểu được các yêu cầu kinh doanh hiện tại, biết doanh nghiệp muốn gì và cách xây dựng nó một cách hợp lý, các công ty sẽ có một mục tiêu cụ thể. Các doanh nghiệp này có bằng chứng về cách tạo lại cấu trúc dữ liệu, luồng và mối quan hệ thực thể để xây dựng giải pháp phù hợp. Thông tin này tạo thành mô hình dữ liệu vật lý, cách triển khai và bản thiết kế. 

Thông thường, CNTT có thể áp dụng các kỹ thuật bán tự động, sử dụng thuật toán tích hợp hoặc tạo chương trình “để khám phá hoặc kiểm tra cấu trúc dữ liệu sẽ được tạo, cập nhật, đọc hoặc xóa”, Aiken lưu ý. 

Các câu hỏi có thể nảy sinh yêu cầu các chuyên gia kỹ thuật quay lại doanh nghiệp với các mô hình khái niệm và logic để có thêm thông tin giải quyết vấn đề kinh doanh thông qua mô hình vật lý.

Kết luận

Aiken tóm tắt: “Các công ty cần thực hiện Lập mô hình dữ liệu để giải quyết một vấn đề kinh doanh cụ thể hoặc trả lời một câu hỏi kinh doanh”. CNTT và doanh nghiệp cần chia sẻ mục tiêu và hiểu biết để đạt được giải pháp dữ liệu. Hơn nữa, cần phải có một ngôn ngữ chung giữa các hệ thống để dữ liệu được truyền thông suốt.

Tuy nhiên, việc kết hợp bất kỳ mô hình hoặc kiến ​​trúc doanh nghiệp tổng thể lớn nào lại với nhau sẽ không hữu ích. Một mô hình dữ liệu cần đạt được một mục đích cụ thể và để đạt được mục đích đó đòi hỏi một quy trình có hệ thống. 

Khung phát triển mô hình ba chiều của Aiken cung cấp tài nguyên cho nền tảng dữ liệu được cải tiến. Nó xem xét kiến ​​trúc hiện có và sự phát triển cần thiết để đáp ứng nhu cầu kinh doanh, đồng thời xác nhận rằng các bên liên quan và nhà xây dựng đều có cùng quan điểm.

Sự kết hợp giữa các mô hình dữ liệu vật lý, logic và khái niệm hứa hẹn mang lại những kết quả có ý nghĩa và hữu ích, đặc biệt khi doanh nghiệp và CNTT cần đạt được mục tiêu chung. Việc thực hiện mô hình hóa dữ liệu một cách chính xác và hiểu rõ các yêu cầu sẽ giúp các công ty tiết kiệm 20% thời gian và tiền bạc để tận dụng khả năng dữ liệu của mình và nhận được nhiều giá trị hơn từ chúng.

Xem hội thảo trên web:

Hình ảnh được sử dụng theo giấy phép từ Shutterstock

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: https://www.dataversity.net/conceptual-vs-logical-vs-physical-data-modeling/