Datenmodellierung hilft Entwicklern, Datenarchitekten, Business-Analysten und anderen Stakeholdern, die Beziehungen zwischen den Daten zu verstehen. Ein wichtiger Vorteil ist die Verbesserung der Kommunikation zwischen Entwicklern und Fachanwendern. In meinen letzten Projekten kam immer wieder die Frage auf wie detailliert die Modellierung sein soll. Ich denke es muss auf verschiedenen Abstraktionsebenen, je nach Zielgruppe modelliert werden. Der Prozess beginnt mit dem Sammeln von Informationen über die Geschäftsanforderungen von Business Stakeholdern und Endnutzern. Diese Datenobjekte werden dann in Datenstrukturen übersetzt, um einen konkreten Datenbankentwurf zu formulieren. Daher können wir Datenmodelle im Allgemeinen in drei Kategorien einteilen:
Conceptual data models geben einen Überblick darüber, was das System enthält, wie es organisiert ist und welche Regeln für das Geschäft relevant sind. Konzeptionelle Modelle werden in der Regel beim Erfassen der ersten Projektanforderungen erstellt. Sie enthalten normalerweise Entitätsklassen (die die Arten von Dingen definieren, die für das Unternehmen wichtig sind) und die Beziehungen zwischen ihnen.
Logical data models sind weniger abstrakt und liefern mehr Details über Konzepte, Merkmale und Beziehungen. Logische Datenmodelle spezifizieren jedoch noch keine technischen Systemanforderungen.
Physical data models stellen ein Design zur Verfügung, wie Daten in einer Datenbank implementiert werden, einschließlich Datentypen, Primär- und Fremdschlüssel und Indizes. Physische Datenmodelle können schon datenbankmanagementsystem-spezifische Eigenschaften enthalten, einschließlich Leistungsoptimierung
DatenModelle
