Konu alanı, mantıksal ve fiziksel veri modelleri için meta verileri yakalar. Tanımlayıcı bilgilerin her türü, bu üç düzeyden herhangi birinde bulunabilir. Bunun, yüksek öncelikli olarak önceden doldurulmuş belirli satırların olduğu ilk Bingo kartı olduğunu unutmayın. Bu teslimatı bu bilgi olmadan tamamlayamazsınız.

Örneğin, isimsiz bir veri modeline sahip olamazsınız. Bu nedenle, ad satırı zaten yüksek öncelik anlamına gelen Hs ile doldurulmuştur. Bu bir tartışma konusu değildir ve ne kadar önemli olduğuna karar vermek için her katılımcının zamanını harcamaya değmez. Bir veri modeli adına sahip olacağınız kesindir.

Tüm oyuncular bu Bingo kartını doldurmalıdır: işletme kullanıcısı, konu alanı uzmanı, işlevsel analist, proje yöneticisi, mimar, geliştirici ve veritabanı yöneticisi.

Bunun nedeni, veri modelinin her analiz seviyesini kapsaması ve dolayısıyla veri modelinin tüm kategorileri etkileyebilmesidir: iş, işlevsel ve teknik. Konu alanı modeli iş kategorisini, mantıksal veri modeli işlevsel kategoriyi ve fiziksel veri modeli teknik kategoriyi etkiler.

Bu karttaki bazı kısaltmaları açıklamanız gerekebilir. SA konu alanı modelidir, LDM mantıksal veri modelidir, PDM fiziksel veri modelidir, L düşük önceliklidir, M orta önceliklidir ve H yüksek önceliklidir. E-tablonuzda birçok sütun olduğunda sütun başlıklarını kısaltmak iyi bir fikirdir. En soldaki sütunun, bu satırlara başvurmayı kolaylaştıran bir kod içerdiğini unutmayın.

Tüm bu Bingo kartlarını kendi ihtiyaçlarınıza göre özelleştirebilirsiniz. Bu Veri Modeli Bingo Kartında, her zaman farklı mantıksal ve fiziksel modelleriniz olmayabilir; bu nedenle, LDM ve PDM’yi dahil etmeniz gerekmez. Yalnızca PDM sütunlarını gösterebilir ve muhtemelen PDM’deki İşletme Adı gibi bazı mantıksal bilgileri yakalayabilirsiniz.

A. Dosya Adı

Dosya adı, veri modelinin bilgisayarınıza veya ağ sunucunuza kaydedildiği addır. Genellikle bir dosya uzantısıyla birlikte proje kısaltması gibi kısa bir addır. Örneğin, sales.er1, Erwin veri modelleme aracını kullanan Sales data mart veri modelinin dosya adıdır.

Ancak sales.er1 aracılığıyla bunun bir konu alanı mı, mantıksal mı yoksa fiziksel ayrıntı düzeyi mi olduğunu söyleyebilir misiniz? Bunu ayrıca adın bir parçası olarak katıştırmak da isteyebilirsiniz. Bu nedenle, Satış veri marketi için konu alanı modeli, salessa.er1 olarak adlandırılabilir; mantıksal model, salesldm.er1; ve fiziksel model, salespdm.er1. Sürüm bilgilerini, örneğin salesv1sa.er1, Satış Konu Alanı Modeli, sürüm 1 gibi dosya adına da katıştırabilirsiniz.

Bingo kartında, dosya adının altında, yüksek öncelik her üç düzey için işaretlenmiştir çünkü bir veri modelinizi bir yere kaydetmeden elde edemezsiniz.

Veri modelinizi adlandırırken açıklayıcı ancak esnek bir ad seçin. Modelinizin bugünkü haline ek olarak yarın ne olabileceğini düşünün. Örneğin, yakın zamanda bir modeli, modelin dosya adının bir parçası olarak uygulama adıyla kaydettiğimi varsayalım. Ardından, aynı veri modeli dosyasına birkaç uygulama daha ekledikten sonra, adın artık alakalı ve doğru olmadığını fark ettim. Başlangıçta bu modelin dosyasını daha kapsayıcı hale getirmek için yeniden adlandırmalıydım.

Ağ veri modeli
Veri modeli çeşitleri
Nesneye yönelik veri modeli
Veri modeli nedir
Hiyerarşik veri modeli nedir
Kavramsal veri modeli nedir
Mantıksal veri modeli
Veri modelleme örnekleri

B. İşletme Adı

İşletme adı, veri modelinin tam, kısaltılmamış adıdır. Bu genellikle en azından proje veya uygulamanın tam adını içerir. Ayrıca, proje için bir aşama veya aşama ve hatta muhtemelen veri modeli için bir sürüm içerebilir. Dosya adı salesv1sa.er1 ise, tam işletme adı “The Sales Data Mart Version 1 Konu Alanı Modeli” olabilir.

Dosya adının sales.er1 olduğu bir veri modeli için işletme adının şifresini çözmek kolaydır. Ancak, dosya adlarımızın çoğu abc.er1 gibi görünebilir, bu da abc.er1’in Tüm Büyük Müşteriler data mart’ı anlamına geldiğini bilmeyi zorlaştırır. Dosya adının anlamını anlamak zor olduğunda işletme adı çok kullanışlıdır.

C. Tanım

Tanımlar, veri öğeleri ve varlıklar için kritik öneme sahiptir, ancak veri modelleri için de çok yararlı olabilirler. Bir veri modelinin tanımı, bir dizi önemli bilgi parçasını içerebilir:

■■ Modelde yer alan konu alanlarına genel bakış
■■ Model kapsamı ve mevcut uygulamalara uygunluk
■■ Raporlama, operasyonel vb. tasarım türü
■■ Modellenen uygulamanın amacı ve işlevi
■■ Modelin sistem mimarisi içindeki rolü; örneğin, bir veri ambarı için bu uygulamanın rolü bir data mart, entegrasyon alanı veya hazırlama alanı olabilir.
■■ Veri modelinin durumu; oturumun kapatılıp kapatılmadığı, incelemede olup olmadığı veya çeşitli sorunların çözümünü beklemede olup olmadığı da dahil olmak üzere
■■ Modeldeki bazı dikkate değer veya sıra dışı tasarım yapılarının nedenleri; örneğin, aşırı anormalleştirilmiş, aşırı normalleştirilmiş, aşırı soyutlanmış veya yoğun şekilde yinelenen belirli yapılar

Model tanımına dahil etmek isteyebileceğiniz yukarıdaki öğeler de meta veri türleridir. Bingo kartında ayrı olarak listelemedim çünkü başka kartlarda olabilir (örneğin, Proje Bingo kartında modelin durumu olabilir) veya yukarıda belirtilen türlerden çok daha az önemli olabilir. Bingo kartı.

Kartı çok ayrıntılı ve potansiyel olarak daha az yararlı bilgilerle karıştırmak istemezsiniz. Bununla birlikte, bu verilerden bazılarının yakalanmasının çok yararlı olabileceğini düşünüyorsanız, bunları bu kartta ayrı meta veri türleri olarak listelemek isteyebilirsiniz.

Bu meta veri türlerinden bazıları, bilgiyi yalnızca bir kez yakalamayı değil, aynı zamanda sürdürmeyi de gerektirir. Örneğin, modelin durumu, güncel tutulması gereken bir meta veri türüdür.

D. Sonraki Model Düzeyine Eşlemeler

Bir konu alanı modelinden mantıksal bir modele geçtiğinizde, konu alanı modelindeki her bir konu alanı ve ilişkinin mantıksal veriler üzerinde varlıklara, ilişkilere ve veri öğelerine nasıl dönüştüğünün bir eşlemesini veya çevirisini tutmanız gerekir. modeli. Konu alanı modelinizde bir Müşteri varlığı varsa, bu müşteri varlığının mantıksal veri modelinde Müşteri, Müşteri Konumu, Müşteri İlişkilendirmesi, Müşteri Sınıflandırması vb. ile eşleştiğini izlersiniz.

Mantıksal veri modelinden fiziksel veri modeline geçtiğinizde de aynı şey geçerlidir. Varlıkların tablolara nasıl dönüştüğünü takip edersiniz. Bu, hiçbir şeyin gözden kaçmamasını veya mantıksal alanda konu alanında değil de aniden ortaya çıkmasını veya mantıksal alanda değil fiziksel alanda ortaya çıkmasını sağlamak için çok yararlıdır.

Konu alanında bir Müşteri varlığı varsa, bunu fiziksel tablolara kadar takip edebileceksiniz. Aynı şekilde veri tabanında Müşteri Demografisi tablosu varsa konu alanı modelinde bir yerde temsil edilmelidir. Bu yararlı bir bilgi olmasına rağmen, manuel olarak bakımı çok zordur ve hızla güncelliğini yitirecektir. Bir kez yapıldığında, işe yaramaz.

The post Veri Modeli Şekillendirme first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.

Ortalama bir veri modelleyici muhtemelen kariyeri boyunca yüzlerce sunum yapar. Bu sunumlar, veri modeli incelemeleri, modelleme kavramlarının açıklamaları, yılın başarıları vb. dahil olmak üzere birçok konuyu kapsayabilir. Bu sunumların konunuzu ilginç bir şekilde kısa ve öz bir şekilde sunması gerekir.

Kitlenizi kaybetmenin en kesin yolu, aşağıdaki sunum tuzaklarından birine düşmektir:

Yön yok. Bu, bir sunumun bir amaç veya hedef olmadan slayttan slayda geçtiği zamandır. Slaytlar, hiçbirini net bir şekilde açıklamadan birçok konuya değiniyor. Bu tür sunumlardan birçok cevapsız soru ve zamanınızı boşa harcadığınız hissiyle ayrılırsınız.

Yönlendirmesi çok az olan veya hiç olmayan veri modelleme sunumları, izleyiciler için çok sinir bozucu olabilir çünkü en küçük veri modelleme konusunun tartışılması ve açıklanması saatler alabilir. Hiç bir veri modeli sundunuz mu veya tartışmaların modelin çok küçük bir bölümü veya tek bir konu üzerinde saatler harcadığı göründüğü bir veri modeli incelemesine katıldınız mı? Tüm toplantının çok küçük bir konuya odaklandığı ve asla başka bir yere gitmediği toplantılarda bulunduk. Daha sonra, toplantının asıl amacının ne olduğunu merak ettik.

Seyirci ilişki kuramaz. Bu, sunumda dinleyicilere dinlemenin zamanlarının önemli bir kullanımı olduğunu hissettirecek hiçbir şeyin olmadığı zamandır. Malzemenin onları doğrudan nasıl etkilediğini gösteren hiçbir örnek veya senaryo yoktur.

“Bunda bana ne var?” sunumunuza dahil edilmesi gerekiyor, çünkü bu soru dinleyicilerin kendilerine soracakları soru. Bu nedenle, veri modellemenin faydalarını gösteren bir sunum, veri modellemenin belirli bir izleyici kitlesine nasıl fayda sağlayacağını açıkça ifade etmeli ve izleyicinin ilişkilendiremeyeceği genellemeleri içermemelidir.

Bu, belirli bir konu için çok fazla slayt olduğu zamandır. Açıklama için gerekli olmayan konu dışı slaytlar veya konuya doğrudan değer katmayan çok fazla gerçek veya istatistik olabilir. Gereksiz yere uzun bir sunum, dinleyicileri kaybetmek ve onların sizin dinleyicileriniz yerine dişçi koltuğunda olmayı istemelerini sağlamak için çok iyi bir yoldur.

Bu, sunum slaydı formatında olan ancak daha çok bir ders kitabı gibi okunan bir sunumumuz olduğu zamandır. Grafik yok ve ifadeler çok kuru ve sıkıcı. Matematiksel ve ilişkisel veritabanı yararlarını teknik terimlerle listeleyen, veri modellemenin faydalarına ilişkin bir veri modelleme sunumu dinleyiciler için çok kuru olabilir.

Yıllar geçtikçe, teknik sunumlarımın materyalin oluşturulma şekli ve genel tartışma konuları açısından benzerlikler taşıdığını fark ettik. Hızlı ve yüksek kaliteli bir sunumla sonuçlanan sunumlar oluşturmak için bir süreç geliştirdik.

Bu bölümde tartışacağım araç budur. Bunu bir araç olarak görüyorum çünkü bu süreç, projelerimde iş, fonksiyonel ve teknik ekiplerle iletişim kurmak için kullandığım sunumlar oluşturmama yardımcı oluyor. Tıpkı anekdotlar ve analojilerde olduğu gibi, bir sunum oluşturma süreci, sözün açıkça söylenmesi için bir araçtır.

Bu araç, bilgilerinizi nasıl sunacağınızı değil, yalnızca sunum formatında nasıl düzenleyeceğinizi tartışır. İnsanların önünde sunum yapmakla ilgili pek çok harika kitap var, ancak genellikle bu beceriyi geliştirmenin en iyi yolu pratik yapmaktır.

Bu bölüm, bir veri modelleme konseptini iletmek için etkili bir sunum oluşturmaya yönelik üst düzey adımlarda size yol gösterir.

Bu adımları izlemenin faydaları aşağıdakileri içerir:

Sunumların daha hızlı oluşturulması gerekir. Benim sunacağım işlem, sunumunuzdaki konu başlıklarını içeriklerinden ayırır. Önce başlıklara sonra içeriğe odaklanılarak süreç daha verimli hale getirilir.

Bu böl ve fethet stratejisini kullanarak sunumlarınızı oluştururken zamandan tasarruf edeceksiniz çünkü başlıklardan içeriğe, tekrar başlıklara, tekrar içeriğe vb. atlamayacaksınız. Önce başlıklara odaklanırsınız; tamamlanınca içeriğe odaklanırsınız. Sunumum için başlıklar belirleyerek bunları yer tutucu olarak kullanabilir ve sunumuma hazırlanırken metni doldurabiliriz.

Sunumlar arasında daha fazla tutarlılık. Aynı format, sunumlar arasında daha fazla tutarlılık anlamına gelir. Sunumunuz, kuruluşunuzdaki diğer sunumlara benzer bir görünüme ve hisse sahip olmalıdır. Ortak bir süreç, mevcut sunumların yeniden kullanılmasını da kolaylaştırır. Bir model gözden geçirmesi yaptığımda, önceki model gözden geçirme sunumlarından mümkün olduğu kadar çok materyali yeniden kullanmaya çalışırız.

Daha eksiksiz sunumlar. Böl ve fethet stratejisi kullandığım için sunumumdaki bir kavramı veya konuyu kaçırma olasılığım daha düşük olacak. Yalnızca başlıklara ve ardından yalnızca içeriğe odaklanarak, tüm konularımı ele alma olasılığı daha yüksek olacaktır.

Veri modelleri nelerdir
Kavramsal veri modeli nedir
Ağ veri modeli
Mantıksal veri modeli
Nesneye yönelik veri modeli
İlişkisel veri modeli
Sıradüzensel veri modeli
Veri modelleme örnekleri

Sunumların Kullanım Adımları

Veri modelleme sunumu oluşturma adımlarını inceleyelim. Bir sonraki bölümde bunu ayrıntılı bir örneğe uygulayacağız:

1. Konunuzu tanımlayın

Bu sunumda ne anlatmak istiyorsunuz? Bu, bir soru biçiminde ifade edilmelidir. Sunumum bir şeyi açıklarken ne veya nasıl ile başlayan bir soru kullanmaya çalışıyorum. İzleyiciyi ikna etmeye veya bir şekilde etkilemeye çalışırken nedenden başlayarak bir soru kullanmaya çalışırım. Bu bölümdeki sunumun konusunu belirlemek ile bu bölümün başında bahsedilen anekdotların konusunu belirlemek arasındaki benzerliklere dikkat edin.

Açıklayıcı konu örnekleri aşağıdakileri içerir:

Veri modelleme nedir?
Meta veri deposu nedir?
Nasıl normalleşirsiniz?
Veri ambarı nedir?
Müşteri konu alanı modelimiz nasıl görünüyor?

Etkileyen konu örnekleri aşağıdakileri içerir:

Neden veri modelleme yapıyoruz?
Veri ambarı neden gerekli?
Neden tanımlara ihtiyacımız var?
Neden normalleşiyoruz?
Neden denormalize oluyoruz?
Neden adlandırma standartlarımız var?

2. Başlıklarınızı tanımlayın

Konunuzun içinde tartışabileceğiniz tüm olası konular nelerdir? Tüm olası konuları tanımlamak için çok iyi bir teknik, kendinize aşağıdaki temel üst düzey soruları sormaktır:

Neden?
Ne?
Nerede?
Ne zaman?
Kim?
Nasıl?

Kendinize bu soruları sorarak, konunuzu tamamen ele alma şansınızı artıracaksınız. Sunumunuzdaki olası başlıkların bir listesini oluşturan etkili bir beyin fırtınası tekniğidir.

Bu ilk listeye sahip olduktan sonra, başlıkları tartışmayı planladığınız sıraya koyun. Çoğu sunum aracı, sunumdaki başlıkların ana hatlarını sunar. Bu adım için anahat görünümünü kullanmayı tercih ediyoruz.

The post Veri Modelleme Adımları Nelerdir? first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.