Bewertung:
Das Buch ist für seinen effektiven Ansatz zur Datenmodellierung und Scorecard-Bewertung hoch angesehen. Es wurde von Steve Hoberman verfasst, einer anerkannten Autorität auf diesem Gebiet, und wird für seinen klaren Schreibstil und den praktischen Rahmen gelobt, der bessere Datenmanagementpraktiken und die Kommunikation innerhalb von Projektteams fördert.
Vorteile:⬤ Gut vermittelter Inhalt mit klaren Erklärungen und minimalem Fachjargon.
⬤ Bietet einen rationalen Rahmen für die Bewertung von Datenmodellen und verbessert die Qualität und Korrektheit.
⬤ Bietet praktische Anwendungen und Tools zur Einhaltung von Datenmodellierungsstandards.
⬤ Enthält Zusammenfassungen und Checklisten für Best Practices, die den Bewertungsprozess unterstützen.
⬤ Weitgehend kostenlos verfügbar, was die Zugänglichkeit in der Datenverwaltungsgemeinschaft fördert.
In der Rezension werden keine spezifischen Mängel oder Kritikpunkte des Buches erwähnt, was auf eine allgemein positive Aufnahme hindeutet.
(basierend auf 2 Leserbewertungen)
Data Model Scorecard: Applying the Industry Standard on Data Model Quality
Datenmodelle sind das Hauptmedium für die Übermittlung von Datenanforderungen vom Unternehmen an die IT-Abteilung und innerhalb der IT-Abteilung von Analysten, Modellierern und Architekten an Datenbankdesigner und Entwickler. Deshalb ist es wichtig, dass das Datenmodell richtig ist. Aber wie bestimmt man richtig? An dieser Stelle kommt die Data Model Scorecard (R) ins Spiel.
Die Data Model Scorecard ist ein Bewertungsinstrument für die Qualität von Datenmodellen, das zehn Kategorien enthält, die die Qualität der Datenmodelle Ihres Unternehmens verbessern sollen. Viele meiner Beratungsaufträge sind der Anwendung der Data Model Scorecard auf die Datenmodelle meiner Kunden gewidmet - ich werde Ihnen in diesem Buch zeigen, wie Sie die Scorecard anwenden können.
Dieses Buch, das für Personen geschrieben wurde, die Datenmodelle erstellen, verwenden oder überprüfen, enthält die Datenmodell-Scorecard-Vorlage und eine Erläuterung zusammen mit vielen Beispielen für jede der zehn Scorecard-Kategorien. Es besteht aus drei Abschnitten:
In Abschnitt I Datenmodellierung und die Notwendigkeit der Validierung erhalten Sie in Kapitel 1 eine kurze Einführung in die Datenmodellierung, verstehen in Kapitel 2, warum es wichtig ist, das Datenmodell richtig zu gestalten, und lernen in Kapitel 3 die Data Model Scorecard kennen.
In Abschnitt II, Datenmodell-Scorecard-Kategorien, wird jede der zehn Kategorien der Datenmodell-Scorecard erläutert. Es gibt zehn Kapitel in diesem Abschnitt, wobei jedes Kapitel einer bestimmten Scorecard-Kategorie gewidmet ist:
⬤ Kapitel 4: Korrektheit.
⬤ Kapitel 5: Vollständigkeit.
⬤ Kapitel 6: Schema.
⬤ Kapitel 7: Struktur.
⬤ Kapitel 8: Abstraktion.
⬤ Kapitel 9: Standards.
⬤ Kapitel 10: Lesbarkeit.
⬤ Kapitel 11: Definitionen.
⬤ Kapitel 12: Konsistenz.
⬤ Kapitel 13: Daten.
In Abschnitt III, Validierung von Datenmodellen, bereiten wir uns auf die Modellüberprüfung vor (Kapitel 14), behandeln Tipps, die bei der Modellüberprüfung helfen (Kapitel 15), und überprüfen dann ein Datenmodell anhand eines konkreten Projekts (Kapitel 16).
| ISBN: | 9781634620826 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2015 |
| Seitenzahl: | 210 |
Derzeit verfügbar, auf Lager.
