Leserbewertungen
Zusammenfassung:Das Buch stellt eine moderne Sichtweise auf die Datenmodellierung dar und legt den Schwerpunkt auf Flexibilität und die Gewinnung von Erkenntnissen im Zusammenhang mit den sich entwickelnden Geschäftsanforderungen. Während einige Rezensenten die Herangehensweise an die Graphenmodellierung und ihre Relevanz für traditionelle und moderne Datenbanksysteme lobten, fanden andere das Buch repetitiv und wenig tiefgründig, insbesondere für erfahrene Softwareentwickler.
Vorteile:⬤ Bietet einen praktischen Ansatz zur Datenmodellierung, insbesondere mit Graphen.
⬤ Hebt die Bedeutung der Modellierung im Kontext moderner Datenumgebungen hervor.
⬤ Bietet eine historische Perspektive auf Datenmodellierungstechniken.
⬤ Empfohlen für Entwickler von Anwendungen und Datenspeichern, die sich an den Geschäftsanforderungen orientieren wollen.
⬤ Wiederholt sich und bietet keine neuen Techniken für erfahrene Fachleute.
⬤ Manche halten es für überteuert und enttäuschend, besonders für Software-Ingenieure.
⬤ Konzentriert sich mehr auf Geschäftsbeispiele mit wenig Vielfalt an Beispielen.
⬤ Einige sind der Meinung, dass es eher philosophisch und historisch als praktisch ist.
(basierend auf 6 Leserbewertungen)
Originaltitel:
Graph Data Modeling for NoSQL and SQL: Visualize Structure and Meaning
Inhalt des Buches:
Beherrschen Sie eine Graphen-Datenmodellierungstechnik, die der traditionellen Datenmodellierung sowohl für relationale als auch für NoSQL-Datenbanken (Graphen, Dokumente, Schlüsselwerte und Spalten) überlegen ist und die kognitive Psychologie zur Verbesserung von Big-Data-Designs nutzt.
Aus dem Vorwort von Karen Lopez:
In diesem Buch wirft Thomas Frisendal wichtige Fragen über die weitere Nützlichkeit traditioneller Datenmodellierungsnotationen und -ansätze auf:
⬤ Sind Entity-Relationship-Diagramme (ERDs) für analytische Datenanforderungen relevant?
⬤ Sind ERDs in der neuen Welt von Big Data relevant?
⬤ Sind ERDs immer noch der beste Weg, um mit Geschäftsanwendern zusammenzuarbeiten und ihre Bedürfnisse zu verstehen?
⬤ Sind logische und physische Datenmodelle zu eng miteinander verbunden?
⬤ Ist es richtig, dass wir für die Kommunikation mit Geschäftsanwendern und Entwicklern dieselben Notationen verwenden?
⬤ Sollten wir unsere bestehenden Notationen und Werkzeuge verfeinern, um diesen neuen Anforderungen gerecht zu werden, oder sollten wir wieder bei Null anfangen?
⬤ Welche neuen Notationen und Ansätze werden wir brauchen?
⬤ Wie werden wir diese für den Aufbau von Unternehmensdatenbanksystemen nutzen?
Frisendal führt uns durch die Geschichte der Datenmodellierung, Unternehmensdatenmodelle und traditionelle Modellierungsmethoden. Er zeigt auf, wo wir seiner Meinung nach Fehler gemacht haben, und an einigen Stellen, wo wir es richtig gemacht haben. Anschließend stellt er die Psychologie der Bedeutung und des Kontexts dar, während er gleichzeitig wichtige Fragen darüber aufwirft, wo die Datenmodellierung in die Geschäftsmodellierung passen kann oder nicht. Das Hauptthema dieser Arbeit ist ein Vorschlag für einen neuen explorationsgesteuerten Modellierungsansatz und neue Modellierungsnotationen für Geschäftskonzeptmodelle, Geschäftslösungsmodelle und physische Datenmodelle mit Beispielen, wie diese für die Implementierung in jede Zieldatenbank oder jeden Datenspeicher genutzt werden können. Diese neuen Notationen basieren auf einem Eigenschaftsgraphen-Ansatz zur Modellierung von Daten.
Aus der Einleitung des Autors:
Dieses Buch schlägt einen neuen Ansatz für die Datenmodellierung vor - einen, der "das Innere nach außen kehrt". Mehr als dreißig Jahre lang war die relationale Modellierung und Normalisierung das Maß aller Dinge. Wenn Normalisierung die Antwort war, wo lag dann das Problem? Wie wir in diesem Buch sehen werden, hat dieser Ansatz etwas Verkehrtes an sich.
Datenanalyse (Modellierung) ist ähnlich wie Exploration. Fast wörtlich. Der Datenmodellierer wandert umher und sucht nach Strukturen und Inhalten. Es erfordert Wahrnehmung und kognitive Fähigkeiten, unterstützt durch Intuition (ein psychologisches Phänomen), die zusammen bestimmen, wie gut die Landschaft der Geschäftssemantik abgebildet wird.
Mapping ist unsere Aufgabe; wir erforschen das Unbekannte, zeichnen die Karten und geben die Warnungen "Here be Dragons" aus. Natürlich gehören dazu auch technische Fähigkeiten, und überraschenderweise kommen die wichtigsten davon eher aus der Psychologie und der Visualisierung (wiederum Wahrnehmung und Kognition) als aus rein mathematischen Fähigkeiten.
Zwei zwingende Ereignisse machen einen Paradigmenwechsel in der Datenmodellierung möglich und auch notwendig:
⬤ Die Fortschritte in der angewandten kognitiven Psychologie befassen sich mit der Notwendigkeit eines angemessenen kontextuellen Rahmens und einer besseren Kommunikation, auch bei der Datenmodellierung, und.
⬤ die rasche Verbreitung nicht-relationaler Technologien (Big Data und NoSQL).
Weitere Daten des Buches:
| ISBN: | 9781634621212 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2016 |
| Seitenzahl: | 300 |
Kauf:
Derzeit verfügbar, auf Lager.
