Veri Ögelerinin İlişkileri

Veri Ögelerinin İlişkileri

Normalleştirme, sizi her bir veri öğesini ve bunların diğer veri öğeleriyle olan ilişkilerini tamamen anladığınız güzel bir manzaranın gözetleme noktasına götürebilecek bir dizi kural ve kılavuzdur. Bu yürüyüşü başarıyla tamamlamak için çok çaba ve sebat gerekiyor.

Gözetleme noktasına varmak için belirli kuralları uygulamanız, belirli yönergeleri ve ipuçlarını dikkate almanız ve uyarılara dikkat etmeniz gerekir. Kurallar, ezberlemeye ve sevmeye başladığımız, ancak pratik ve anlaşılması kolay terminolojiyle ifade edilen standart normalleştirme kurallarını içerir. Kılavuzlar, ipuçları ve uyarılar çoğunlukla kendi tasarım çalışmalarım sırasında edindiğim deneyimlerden gelmektedir.

Bir dizi veritabanı tablosu oluşturulmadan önce, veri öğelerinin ve bunların birbirleriyle olan ilişkilerinin tam olarak anlaşılması gerekir. Normalleştirme Yürüyüşü, her bir veri öğesi için ilişkileri ve uygun yeri belirlememize yardımcı olmak için normalleştirmenin her aşamasında ilerleyecektir.

Her düzeyde ilerledikçe normalleştirme kuralları giderek daha katı hale gelse de, veri öğelerinin nereye ait olduğunu belirlemede her düzeyin uyduğu iki ortak tema vardır: bağımlılık ve katılım.

Bağımlılık, bir varlık için birincil anahtarı oluşturan bir veya daha fazla veri öğesinin, o varlık içindeki birincil olmayan anahtar veri öğelerinin her biri için yalnızca bir olası değere sahip olduğu anlamına gelir. Buna işlevsel bağımlılık denir. Örneğin, Müşteri varlığı Sosyal Güvenlik Numarası ile tanımlanırsa, her bir Sosyal Güvenlik Numarası değeri için müşteri veri öğelerinin her biri için yalnızca bir değere sahip olabiliriz.

Böylece, bunların müşteri varlığındaki veri öğeleri olduğunu varsayalım:

■■ Sosyal Güvenlik Numarası
■■ Ad
■■ Soyadı
■■ Ayakkabı numarası
■■ Yükseklik
■■ Doğum Tarihi
■■ Favori Dondurma Lezzeti

Bu nedenle, bu veri öğelerinin tümü Sosyal Güvenlik Numarası veri öğesine bağlıdır. Normalleştirme, tüm bu bağımlılıkları veri öğeleri kümemizde doğru bir şekilde tanımlamamızı ve temsil etmemizi sağlar. Bağımlı veri öğelerini, veri öğeleriyle veya bağlı oldukları öğelerle birleştirmek, varlıklar adı verilen veri öğeleri gruplarının oluşmasına yol açar.

Her varlık, veri öğesi veya diğer veri öğelerinin işlevsel olarak bağlı olacağı öğeler olan birincil anahtarla tanımlanacaktır. Bu örnekte, daha önce belirtilen müşteri veri öğelerinin listesini içeren Sosyal Güvenlik Numarası veri öğesi tarafından tanımlanan bir Müşteri varlığımız olabilir.

İlişkisel veritabanı örnekleri
Varlık-İlişki Diyagramı
İlişkisel veri tabanı Nedir
Veri modelleme örnekleri
Veri modelleri Nelerdir
Veri modelleme Teknikleri
Kavramsal veri modeli nedir
İlişkisel veri modeli

Bağımlılık faktörünü anladıktan sonra dikkatimizi katılıma çeviriyoruz. Katılım, varlıklar arasındaki ilişkiler aracılığıyla temsil edilir. Katılım, her bir varlığın diğer varlıklarla bir ilişkiye katkıda bulunduğu durumların veya oluşumların sayısı anlamına gelir. Katılım aynı zamanda her varlığın bir ilişki içindeki zorunlu veya isteğe bağlı katılımını da içerir. Örneğin, bir müşterinin katılabileceği bazı ilişkiler şunlardır:

Bir Müşteri birçok Hesaba sahip olabilir. Bu nedenle, müşterimiz hem çek hem de tasarruf hesabına sahip olabilir. Sözcük isteğe bağlılığı ima edebilir, yani Bob herhangi bir hesap olmadan da var olabilir.

Bir Müşteriye bir Ortak tarafından hizmet verilmelidir. Ortağımız şirketimizdeki bağlantısıdır. Müşterimiz tek bir muhatabı olmalıdır. Kendisine bir ortak atanmadığı sürece bizim kapsamımızda var olamaz. Bu zorunlu katılımı gösterir. Bir Müşteri birçok Ürün satın alabilir.

Widgets 9000 ve Widgets Lite’ı satın alabilir. Yine, kelime isteğe bağlılığı ima edebilir, böylece Bob herhangi bir satın alma işlemi yapmadan var olabilir.

Bir Müşteri Web sayfalarımızdan herhangi birini ziyaret edebilir. Web sitemizdeki bir veya daha fazla sayfayı ziyaret edebilir. İlişkilerin isteğe bağlı mı yoksa zorunlu mu olduğuna dikkat edin.

Bir Müşteri, Rakibi içerir. İyi müşteriler ancak aynı zamanda halka bizim hizmetlerimizle örtüşen bazı hizmetler sunmaktadır ve bu nedenle aynı zamanda bizim rakibimizdir. Onlar bizim rakibimiz olmadan da var olabilir.

Normalleştirmenin her aşamasında, varlıkları ve onların ilişkilerini oluşturmak için katılımı ve bağımlılıkları kullanırız.

Normalleşmede birkaç hedef vardır:

Normalleşme düzeylerini özlü ve pratik bir şekilde açıklamak. Normalleşme Yürüyüşü, standart kitabınızdan daha az teknik ve teorik bir normalleşme açıklaması sunuyor. Örneğin, bu araç, belirleme ve birleştirme bağımlılığı gibi sözcüklerden kaçınır.

Normalleştirme yönergeleri, ipuçları ve uyarılar sunmak. Zam, normalleşmenin her aşaması için faydalı ipuçları sağlıyor. Örneğin, oldukça uzun kodlar olan veri öğelerinin aranması, aynı veri öğesi içinde birden çok iş bilgisinin saklandığı durumların saptanmasına yardımcı olabilir.

Görsel görüntüyü sağlamak. Normalleşme Yürüyüşü, her tasarım yaptığımızda içinden geçtiğimiz bir ilerlemedir. Tıpkı zorlu bir varış noktası olan herhangi bir uzun yürüyüşte olduğu gibi, patika boyunca ne kadar ilerlersek, anlayışımız ve takdirimiz o kadar artar ve nihai normalleştirilmiş mantıksal tasarıma ulaşmak için o kadar çok ter ve çaba harcanır.

Bu görsel imaj, normalleşmenin değerini ve gerektirdiği emeği anlatmakta oldukça etkili. Ayrıca bazen dağ boyunca kestirme yollardan nasıl geçtiğimizi göstermek için iyi bir görsel imgedir. Bu kestirme yollar, dağ boyunca yürüyüşe çıkmadan ve denormalizasyondan önce yalnızca birkaç normalizasyon düzeyine çıkmayı içerir. Normalleşme Zammı’ndaki bu kısayol, 5NF’ye kadar tamamen normalleşmeyerek ne kadar anlayışı kaçırdığımızı gösteriyor.

Denormalization için başlangıç noktası olmak gerekir. Gözetleme noktasına tırmandıktan ve tamamen normalleştirilmiş bir veri modelimize sahip olduktan sonra, aşağı inmeye ve normallikten çıkarmaya başlamamız gerekiyor. Normalizasyon kullanarak alçalmadan önce gidebildiğimiz kadar yükseğe çıkmamızı sağlar.

Normalleşmeyi bu noktada daha önce açıklanan Data Mart örneğine uygulayacağız. Kaotik bir durumda başlayarak, 5NF’deki gözetleme noktasına varana kadar her normalizasyon seviyesinden geçerek, Dessert Data Mart’a ek titizlik ve bütünlük getireceğiz.

Bu örneği incelerken her bir normalizasyon seviyesini kısaca açıklayacağız. Ancak daha önce de belirtildiği gibi, giriş niteliğindeki veri modelleme metinlerinin çoğunda belirtilen standart normalleştirme kuralları üzerinde çok fazla zaman harcamak istemiyoruz.