Bilinen Şablonda tanımlanan uzmanlara Veri Kalitesi Doğrulama Şablonu sağlanır. Bu şablonu tamamlamak ve size geri vermek onların sorumluluğundadır. Bunu yaptıklarında, her veri öğesinin kalite seviyesiyle ilgili belirli bir durumu olacaktır:

■■ Veriler meta verilerle eşleşir ve bu nedenle veri kalitesi sorunu yoktur.
■■ Veriler, meta verilerle eşleşmiyor ve veriler yanlış.
■■ Veriler, meta verilerle eşleşmiyor ve meta veriler yanlış.
■■ Veriler meta verilerle eşleşmiyor ve hem veriler hem de meta veriler yanlış.
■■ Daha fazla örnek veri almamız gerekecek çünkü bir sorun olup olmadığından emin değilim.

Meta veriler ve veri sütunları, Veri Kalitesi Doğrulaması bölümünde zaten açıklanmıştır. Doğrulama sütunları Y, N veya soru işareti (?) ile doldurulabilir. Y, “Evet, meta veriler verilerle doğru bir şekilde eşleşiyor ve bu nedenle, veri örneklemesine dayanarak, bir veri kalitesi sorunu görmüyorum” anlamına gelir.

N, “Hayır, burada bir veri kalitesi sorunu var” anlamına gelir. Sembol ? “Bir sorun olup olmadığından emin değilim; Bir karara varmadan önce biraz daha bilgiye ihtiyacım olacak.” Yorumlar sütunu, ele alınması gereken notları ve soruları içerir.

Örneğin, herhangi bir sütunda N varsa, Uzmanlar bir sorunun neden var olduğunu Yorumlar’ın altına koyabilir. varsa ? herhangi bir sütunda sembolü varsa, uzman gereken ek bilgileri Yorumlar altında listeleyebilir. Doğrulama sütunlarının her birini açıklayalım:

Anlam. Ad ve tanım, bize verilen örnek verilerle eşleşiyor mu? Sahip olduğumuz 10 ila 25 satıra göre tutarlılığımız var gibi görünüyor mu? Bu, uzmanın hata yapma olasılığının olduğu doğrulamalardan biridir, çünkü sadece bir avuç farklı değere bakıyoruz.

Hükümsüz. Boş sütun, verilerde gördüğümüzle eşleşiyor mu? Burası, boş olmayan olarak tanımlanmış, boş değerlere sahip olabilecek veri öğelerine ve tamamen boş veri öğelerine sahip olacağımız yerdir.

Uzunluk. Karakter veya sayısal veri öğelerinin uzunluğu, örnek verilerde gördüğümüzle eşleşiyor mu? Ayrılan uzunluk ve biçim ile gerçekte gördüklerimiz arasındaki büyük tutarsızlıkları burada tespit edebiliriz. Yalnızca en büyük uzunluğa bakıyoruz ve bu nedenle bu kontrolde de hata payı var.

Bakmak. Bu veri öğesinin tüm durumlarını mevcut verilerle doğru bir şekilde eşleştiriyor muyuz? Örneğin, sipariş bilgilerinde, ürün tanımlayıcı değerleri mevcut ürün tablomuzdaki karşılık gelen ürünlerle eşleşiyor mu? Bu kontrolün, veri öğelerinin çok küçük bir azınlığı için yapıldığını unutmayın, çünkü genellikle yalnızca birkaç arama verisi öğesi vardır.

Yorumlar. Bu bulgularla ilgili herhangi bir not veya soru var mı? Bunlar, daha fazla bilgi taleplerini, uzmanın neye baktığını açıklığa kavuşturmak için soruları veya bulunan sorunlar hakkında daha fazla açıklamayı içerebilir.

Veri kalitesinin özellikleri
Veri kalitesi modeli
AHIMA veri kalitesini belirleyen özellikler
Veri kalitesini belirleyen özellikler
AHIMA veri Kalitesi Modeli
Ahıma veri kalitesi nedir
AHIMA Veri Kalitesi modeline göre
Veri Nedir

Uygulamada Veri Kalitesi Doğrulama Şablonu

Veri Kalitesi Doğrulama Şablonunu kullanmanın ayrıntılı bir örneğini inceleyelim. Bu şablonu tamamlamak için attığınız adımları tartışacağız ve ardından gerçek bir örnek üzerinden gideceğiz. Ayrıntılı örnekte, çok büyük bir e-tabloyu tekrarlamak yerine, yalnızca Öğe konu alanına odaklanacağız.

İşte adımlar:

1. Veri Kalitesi Yakalama Şablonunu tamamlayın. Bu bölümde daha önce tartışılan adımlara bakın.
2. Bu şablonu doğrulamak için uzmanı belirleyin. Bilinen Şablona bakın. Genellikle konu alanına göre doğrulama atayabilirsiniz.
3. Uzmanın bulgularını gözden geçirin. Uzmanın gündeme getirmiş olabileceği veri kalitesi sorunlarını burada ele alacağız. Uzman ayrıca bu sorunları çözmemize yardımcı olacak bir konumda olmalıdır. Örneğin, boş tanımlı olmayan bir veri öğesinde boş değerler görüyorsak hangisi doğru? Veri öğesini null olarak değiştirmeli miyiz yoksa değerler eksik mi?
4. Gerekli değişiklikleri ve önerileri yapın. Burası, uzmanın tavsiyelerine dayalı olarak herhangi bir güncelleme yaptığımız yerdir.

Bu nokta, şu sırayla uygulanması gereken bu dört mantıksal veri analizi aracına odaklanmaktadır.

Veri Elemanı Aile Ağacı. Uygulama için veri öğelerinin tam listesini ve her biri için kaynakları ve dönüşümleri, veri öğesi meta verilerinin birkaç başka önemli parçasıyla birlikte içerir.

Veri Öğesi Matrisi. Bir elektronik tablo formatı kullanarak her bir ölçüm veya olgu için raporlama düzeylerini yakalar. Bu, raporlama gerekliliklerini doğrulamak için okunması çok kolay bir belge sunar.

Veri Kalitesi Yakalama Şablonu. Her veri öğesi için meta veriler ile gerçek verilerin bir kısmı arasındaki karşılaştırmayı gösterir. Bu araç, format, null ve açıklama dahil olmak üzere meta verilerdeki en önemli bilgileri doğrulamak için kullanılır.

Veri Kalitesi Doğrulama Şablonu. Her bir veri öğesi için meta verilerin ve gerçek verilerin bir kısmının ne kadar iyi karşılaştırıldığını belgeler. Doğrudan Veri Kalitesi Yakalama Şablonuna dayanan bu araç, her bir veri öğesindeki verilerin gerçekte ne kadar iyi veya kötü olduğuna ilişkin bir uzmanın görüşünü içerir.

Bu dört aracı uyguladıktan sonra, uygulamamızda ihtiyaç duyduğumuz veri öğelerini ve her birinin genel veri kalitesini çok iyi anlamış olacağız. 

Gereksinimlerin Modellenmesi ve Bazı Öneriler

Hiç bir proje için mantıksal veri modellemeye başladınız ve modelde yakaladığınız her veri öğesini tam olarak anladığınıza tamamen inandınız mı? “Normalizasyon Yürüyüşü ve Denormalizasyon Hayatta Kalma Kılavuzu” adlı bu metinde yer alan araçları uyguladıktan ve özelleştirdikten sonra bu güveni hissedeceksiniz.

1. Bölümde uygulama geliştirmenin temelini oluşturduk,

2. Bölümde üst düzey gereksinimleri ve veri öğelerini yakaladık ve 

3. Bölümde veri gereksinimlerini modellemeye hazırız.

İdeal veri modelini düşündüğümüzde, temel veritabanında performans ve depolama faktörlerinden ödün vermeden iş gereksinimlerini esnek bir şekilde doğru bir şekilde yakalayan bir modeldir.

Metnin bu kısmı, veri modellerimizin bu kriterleri karşılamasını sağlamaya yardımcı olan araçlara odaklanmaktadır. 8’den 10’a kadar olan bölümler, veritabanı performansını ve depolama sonuçlarını göz önünde bulundurarak veri gereksinimlerinin esnek bir şekilde modellenmesi için bir dizi araç sunar. Bonus olarak, kitabı yıllar boyunca öğrendiğim ve bir veri modelleyici olarak sürekli takip ettiğim bazı tavsiyelerle sonlandıran da dahil edilmiştir.

The post Veri Kalitesi Doğrulama first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.

Veri kalitesi açısından bakılacak bu dört kategoriden çok daha fazlası var, ancak bu dördünün 80/20 kuralını karşıladığını buldum. Yani, veri kalitesini doğrulama çabasının yüzde 20’si için, veri kalitesi hatalarının en az yüzde 80’ini kapatabilirsiniz.

Bu dört kategorinin yakalanması nispeten minimum bir süre alır ve yine de meta verilerin en az yüzde 80’ini veri kalitesi sorunlarına göre saptayabilir. Hatta bir adım daha ileri giderek bu dört kategorinin, geliştirmeniz sırasında karşılaşacağınız veri kalitesi sorunlarına kadar meta verilerin %95’ini tespit edeceğini söyleyeceğim.

Veri Kalitesi Yakalama Şablonunun çeşitli avantajları vardır:

Verileri meta verilerle karşılaştırır. Bu aracın birincil amacı budur, yani bu noktaya kadar yaptığınız iyi işlerin aslında gerçekte eşleştiğinden emin olmaktır. Aşağıdakileri birçok kez gördüm: Sonunda bir veri öğesinin tanımı üzerinde tam bir anlaşmaya varıldı; ancak verilere gerçekten baktığımızda, değerler ve tanım arasındaki tutarsızlıkları kolayca tespit ederiz.

Bu şablon, bu tutarsızlıkları tespit etmek için tasarlanmıştır. Örneğin, bir Şirket Adı veri öğesinin adı ve tanımı üzerinde bir kez anlaşmıştık. Meta verileri bu veri öğesinin verileriyle karşılaştırdığımızda çok endişe verici bir şey fark ettik.

Değerlerin çoğu şirket adları değil de gerçekten e-posta adresleriymiş gibi görünüyordu. Bu, bu veri öğesi hakkında daha fazla soru sormamıza neden oldu. Çoğu durumda, veri girişi yapan kişinin bu veri öğesine şirket adı yerine şirketin e-posta adresini yazdığını öğrendik.

Bunun nedeni, kaynak uygulamada e-posta adreslerini yakalamanın bir yolu olmaması ve e-posta adresinin şirket adından daha önemli olarak belirlenmiş olmasıdır.

Veri kalitesi sorunları için erken uyarı sağlar. Veri Kalitesi Yakalama Şablonu, herhangi bir veri uygulamanıza fiilen getirilmeden önce tamamlanır. Henüz mantıksal veri modellemeye başlamadığımızı ve hala verileri görmekle ilgilendiğimizi unutmayın.

Herhangi bir gerçek veri getirilmeden önce tespit edildiğinde veri kalitesi sorunlarının çok daha küçük sorunlar olduğunu buldum. Henüz kod yazmadığımız veya herhangi bir tablo tasarlamadığımız için, bu noktadaki düzeltmelerin küçük bir etkisi var.

Ayrıca, veriler uygulamanıza fiilen getirilmeden önce veri kalitesi sorunlarını tespit etmenin, sorunu çözme sorumluluğunu ekibinizden çok kaynak uygulamaya yüklediğini de bulduk.

Örneğin, kaynak uygulamanızdaki öğe tanımlayıcıları, mevcut öğe referans verilerinizdeki öğe tanımlayıcısıyla doğru şekilde eşleşmezse, kaynak sistem uzmanları bu sorunu çözme sorumluluğunu hızla üstlenmelidir. Bazı durumlarda, düşük kaliteli veriler uygulamanıza girer girmez, verileri tespit etme ve düzeltme sorumluluğunun yalnızca kaynak uygulamanın sorumluluğu yerine sizin sorumluluğunuz haline geldiğini gördüm. Bu proaktif yaklaşımı benimsemek bu durumu önleyecektir.

Koleksiyonu doğrulamadan ayırır. Çoğu zaman veri kalitesi kontrolü yaparken, gerekli verileri ve meta verileri toplayıp ardından bu verileri doğrulamak için uzmanlarla birlikte çalışmaktan bunalmış halde buluyoruz. Bu araç yalnızca toplama noktasına odaklanır.

Tartışacağımız bir sonraki araç olan Veri Kalitesi Doğrulama Şablonu, alandaki bir uzman tarafından örnek verilerle meta verilerin senkronize olup olmadığı hakkında bir yargıya varmak için kullanılır.

Veri kalitesinin özellikleri
Veri kalitesini belirleyen özellikler
AHIMA veri kalitesini belirleyen özellikler
AHIMA veri kalitesi modeli
Ahıma veri kalitesi nedir
AHIMA Veri Kalitesi modeline göre
Veri kalitesi modeli nedir
Veri hikayesi anlatımının temel unsurları

Veri Kalitesi Yakalama Şablonunu Kullanma

Veri Kalitesi Yakalama Şablonu, verileri ve meta verileri bir iş uzmanı tarafından doğrulamayı kolaylaştıracak şekilde biçimlendirmek için kullanılır. Bu şablonu kendi ihtiyaçlarınıza göre uyarlayabilirsiniz. Örneğin, aşağıda listelemediğim bazı meta verileri veri kontrollerine eklemek isteyebilirsiniz. Yalnızca gördüğüm veri kalitesi sorunlarının çoğunu açıkladığını düşündüğüm kontrolleri listeledim.

Bu şablonun iki ana bölümü vardır: meta veriler ve veri sonuçları. Meta veriler, doğrudan bu bölümde daha önce bahsedilen Veri Öğesi Aile Ağacından gelir.

Aile Ağacındaki meta veri sütunları, doğrudan bu şablondaki uygun sütunlara kopyalanabilir. Sonuçlar sütunları, gerçek verilere erişim gerektirir. Veriler için, bize sağlanan tüm örnek veri setini incelemek ve basit sorgular çalıştırmak için 10 ila 25 satıra ihtiyacımız var. Bu araçta bu sütunların her birine daha yakından bakalım.

İsim

Ad sütunu, veri öğesinin adını içerir. Bu şablonda olması iki nedenden dolayı yararlıdır: Diğer araçlara bir işaretçi sağlar; ve tanımla bağlantılı olarak, örnek değerlerin doğrulanmasına yardımcı olabilir. Veri Öğesi Aile Ağacına veya Veri Öğesi Tahıl Matrisine geri dönmek istersem, veri öğesinin adını bilmek son derece önemli olacaktır.

İsteğe bağlı olarak, araçlar arasında tutarlı tuttuğum bir tür çapraz referans numarası ekleyebilirim. Örneğin, Brüt Satış Tutarı, Veri Kalitesi Yakalama Şablonunda, Veri Kalitesi Doğrulama Şablonunda ve Aile Ağacı ve Tane Matrisinde referans numarası 35 olabilir.

Ad ve tanım, gerçek verilerle karşılaştırmamızı yapmak için kullandığımız şeylerdir. Veri öğesinin adı Brüt Satış Tutarı ise ve örnek veriler müşteri adlarını gösteriyorsa, kolayca bir sorun belirledik. Tanım, gerçek verilere karşı doğrulamamız gereken birincil meta veri bilgi parçasıdır.

Biçim

Biçim, veri öğesinin uzunluğu ve türüdür. Biçim örnekleri aşağıdakileri içerir:

■■ Ondalık
■■ Tamsayı
■■ Karakter
■■ Tarih

Bu örneklerin her biri, bu veri öğesinde bulduğumuz gerçek değerlerle doğru şekilde eşleşmelidir. İşte aranacak bazı tuzaklar:

■■ Alanın çok küçük bir yüzdesinin kullanıldığı çok uzun karakterli veri öğeleri, örneğin yalnızca ilk 50 karakteri kullandığımız bir Varchar(2000) veri öğesi.
■■ Son derece uzun olan kod veri öğeleri, örneğin, Durum Kodunun Karakter(2) yerine Varchar(10) olması.
■■ Metin değerleri içeren Toplam Satış Miktarı gibi karakter değerlerine sahip, kulağa sayısal gelen bir ada sahip bir veri öğesi.
■■ Tarih dışında değerler içeren bir tarih veri öğesi.

Bu sütunda bu veri öğesinin boş, Y veya evet olarak tanımlanıp tanımlanmadığı, bu veri öğesinin boş olabileceğini gösterir. Yani boş olabilir. Bir N veya hayır, bu veri öğesinin her zaman doldurulması gerektiğini, yani boş olmadığını gösterir.

Bunu iki duruma bakmak amacıyla gerçek verilerle eşleştireceğiz:

■■ Boş olmaması gerektiğine inandığımız veri öğeleri, ancak boş değerler buluyoruz.
■■ Tamamen boş olan veri öğeleri, yani bu veri öğesinde hiçbir şey doldurulmaz. Bu veri öğeleri ya gelecekteki yer tutuculardır ya da büyük bir hatadır.

The post Veri Kalitesinin Sağlanması first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.

Avrupa’da tatil yaparken Kuzey İtalya’da çok küçük bir köyde birkaç gün geçirmeye karar verdik. Harika yürüyüş parkurlarıyla dolu, zirveleri karla kaplı dağlarla çevrili son derece pitoresk bir kasabaydı. Kasabada sadece dört restoran vardı ve denemeye karar verdiğimiz ilk restoran birkaç yüz yıllık bir binada bulunuyordu.

Girer girmez, restoranın atmosferi ve karakterinden bir sürü antika ve tablo, şömine ve yemeklerin sıcak kokusu ile- hemen etkilendik. Oturduktan sonra restoranın menü kullanmadığını fark ettik. Görünüşe göre mevsimine uygun veya mevcut olan herhangi bir yiyecek akşam yemeğinde servis ediliyor. Restorandaki hiç kimsenin İngilizce konuşmaması ve bildiğim tek İtalyan’ın güle güle anlamına gelen ciao kelimesi olması dışında bu bir sorun olmazdı.

Akşam yemeği tercihlerimizi net bir şekilde iletmenin bir yoluna ihtiyacımız vardı. Aklımıza bir fikir gelene kadar birkaç dakika boyunca garsonla iletişim kurmak için başarısız ve sinir bozucu girişimlerde bulunduk. Hayvan sesleri çıkarmaya başladık. Görünüşe göre hayvan sesleri evrenseldir. Mooing yaparak, o akşam sığır eti olup olmadığını sorgulayabildik.

Ayrıca, domuz eti istemediğimiz anlamına gelen başımızı sallayıp sallayabildik. Tüm hayvanlarımızı başarılı bir şekilde canlandırdık ve tam olarak beklediğimiz gibi hizmet aldık. Bu tekniğin ne kadar iyi çalıştığına şaşırdım. Bu hayvan sesi yaklaşımını kullanarak net bir şekilde iletişim kurabildik. Bence bu akşam yemeği, geçmişleriniz veya ilgi alanlarınız ne kadar farklı olursa olsun, insanların net bir şekilde iletişim kurması için her zaman yollar olduğunun harika bir örneğidir.

Sınırlı uygulama geliştirme deneyimi olan birçok kişi için veri modelleme alanı bazen bir yabancı dil kadar yabancı olabilir. Bu, veri modelleme kavramlarının ve terminolojisinin anlaşılmamasına yol açarak modelleme çıktılarının tamamlanmasında kafa karışıklığına ve gerçekçi olmayan beklentilere neden olabilir.

Veri modellemenin farklı yönlerini net bir şekilde açıklayarak bu karışıklığı önleyebiliriz. Bazen veri modelleme kavramlarını başarılı bir şekilde açıklamak, bir restoranda bir ineği taklit etmek kadar yaratıcı olmayı gerektirir. Mesajımızı iletmek için yenilikçi ve yaratıcı yaklaşımlar düşünmeliyiz. Bazen bir kısa öykü veya anekdot, bir veri modelleme konseptini açık bir şekilde açıklayabilir.

Bazen analojiler çok güçlü bir teknik olabilir. Bazen kısa ve odaklanmış bir sunum yeterli olacaktır. Veri modelleme kavramlarını ve terimlerini kavramada zorluk çeken kişilerle etkili bir şekilde iletişim kurmak ve bazı durumlarda onları etkilemek için anekdotlardan, analojilerden ve sunumlardan birinin veya birkaçının kullanılabileceğini buluyoruz.

Veri Modelleme Anekdotları Nelerdir?

Normal günlük iletişimimizde, muhtemelen çok çeşitli konularda birçok hikaye veya anekdot anlatır ve duyarız. Bazı örnekler, hafta sonu başımıza gelenlerin hikayeleri, tanıdığımız insanların başına gelenlerin hikayeleri ve iş projelerimizle ilgili hikayelerdir.

Bu anekdotlar, çevremizdekilerle ilişkilerimizi güçlendirmeye, bizi eğlendirmeye ve eğitmeye yardımcı olur. Konuşmacının ne söylediğini gözümüzde canlandırabiliriz. Bazen hikaye tamamlandığında, daha önce sahip olmadığımız bir mesaj veya ek anlayışla ayrılırız. Anekdotlar, çeşitli nedenlerle veri modelleme kavramlarını açıklamada son derece etkilidir:

Kalıcı görsel oluştururlar. Zihnimiz bir gerçeği, bir ifadeyi ya da bir açıklamadan ziyade bir hikâyeyi çok daha kolay özümseyebilir ve aklında tutabilir. Örneğin, bir iş görüşmesinde görüşmeciye çok çalışkan olduğunuzu söylemeniz, bir görevi tamamlamak için geceleri ve hafta sonları çalışmak zorunda olduğunuz bir durumu veya hikayeyi anlatmakla aynı kalıcı etkiyi yaratmaz.

Görüşmeyi yapan kişinin sizi geceleri ve hafta sonları çalışırken hayal etmesi, çok çalışkan olduğunuzu söylediğinizi duymaktan çok daha kalıcı bir izlenim yaratır. Hafızanızı nasıl geliştireceğinizi öğreten birçok kurs var. Bu hafıza geliştirme tekniklerinin çoğu, hatırlamanız gereken kavram için bir hikaye veya görsel bir imaj yaratmayı içerir.

Bu görsel görüntü biraz garip gelebilir, ancak bundan birkaç paragraf sonra bile adını hatırlayacağınıza bahse girerim. Bir zamanlar birlikte çalıştığım bir yönetici mükemmel bir hikaye anlatıcısıdır. Hikayelerinin çoğunu hala hatırlıyoruz.

Veri modelleme Nedir
Veri modelleme örnekleri
Güvenli veri özellikleri
AHIMA veri kalitesi modeli
Veri modelleri nelerdir
Veritabanı tasarım Aşamaları
Ağ veri modeli nedir
Veri modelleme Eğitimi

Bir keresinde üst düzey bir yöneticiyi veri modellemenin faydalarına ikna etmek için bir hikaye kullanmıştı. Bu yönetici o kadar ilham aldı ki tüm ekibine “Veri modeli olmadan hiçbir uygulama geliştirilemez” dedi. Bu hikayeyi ne zaman düşünsem, onun veri modellemenin neden bu kadar önemli olduğunu tutkuyla anlattığı görsel bir imajım var.

Büyüler ve eğlendirirler. Bir hikaye dikkatinizi çekebilir ve sizi koltuğunuzun kenarında tutabilir. Çocukken hep bir hikaye dinlemeye can atardık: “Bana o üç küçük domuzu bir kez daha oku!” Büyüdüğümüzde, hikayeleri dinlemeye olan ilgimiz hâlâ devam ediyor. Bir hikaye anlatmak, bir kavramı kuru teknik terimlerle anlatmaktan çok daha büyüleyici ve eğlencelidir.

Hiç konuşmacının sizi konusuna çekmek için bir hikaye kullandığı bir sunumda bulundunuz mu? İlginizi çekmenin iyi bir yolu. Bundan sonra ne olacağını bilmek için can atıyorsun. Veri modellemeyi öğretirken, genellikle sporla ilgili bir hikaye ile başlarım. Bu hikaye, sunumun geri kalanı için harika bir dikkat çekme aracıdır ve tüm konuşmanın temasını iletir. Herkesin dikkatini çekiyorum çünkü hepsi hikayeyle çok ilgileniyor.

İlişkileri güçlendirirler. Bir hikaye anlattığınızda, izleyicilerinizle bir deneyim paylaşıyorsunuz. Hikaye aracılığıyla sizin hakkınızda daha fazla şey öğreniyorlar. Bu sizi diğer insanlarla yakınlaştırır ve böylece ilişkileri güçlendirir.

Kolejdeyken, birinci sınıf öğrencilerinin kampüste kendilerini daha rahat hissetmelerini sağlamak için birkaç öğrenci oryantasyonu yaptım. Oldukça sık yaptığım sizi tanıma aktivitelerinden biri, yaklaşık bir düzine birinci sınıf öğrencisiyle bir daire içinde oturup bir rulo tuvalet kağıdını dağıtmak ve her birinci sınıftan alabileceği kadar çok parça almasını istemekti. beğenmek.

Her birinci sınıf öğrencisi bir veya daha fazla tuvalet kağıdına sahip olduğunda, ellerindeki her tuvalet kağıdı için kendileri hakkında bir şeyler söylemelerini isterdim. Bu paylaşım insanların kendilerini rahat ve birbirlerine daha yakın hissetmelerine yardımcı olur. Birçok öğrenci geçmişlerinden bir hikaye anlatmayı seçti.

Birkaç yıl önce, veri modellemeye fazlasıyla karşı olan ve projelerindeki herhangi bir gecikme için sürekli olarak veri modelleme ekibini suçlayan kıdemli bir yönetici ile çalıştım. Bu hikayeyi veri modelleyici arkadaşlarıma anlatmak, onlarla olan ilişkilerimi güçlendiriyor ve aynı zamanda onları savaş hikayelerini benimle paylaşmaya teşvik ediyor.

Gerginliği hafifletirler. Suçlamaların ve duyguların yüksek olduğu bir dizi toplantıya katıldım. Bazen bu gergin durumlarda anlatılan bir hikaye, stres düzeyini azaltabilir ve duruma bir perspektif kazandırabilir. Stresli durumumuzun bu kısa kesintisi hepimizi güldürdü. Daha sonra sorunumuza bir kez daha daha az katı ve daha az ciddi bir tavırla saldırabildik.

The post Veri Modelleme Kavramlarını Örneklemek  first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.