Értékelés:
A könyv az adatmodellezés modern megközelítését mutatja be, hangsúlyozva a rugalmasságot és a betekintés generálását a változó üzleti igényekkel összefüggésben. Míg egyes kritikusok dicsérték a gráfmodellezés megközelítését és a hagyományos és modern adatbázis-rendszerek szempontjából való relevanciáját, mások szerint a könyv ismétlődő és kevéssé mélyreható, különösen a tapasztalt szoftvermérnökök számára.
Előnyök:⬤ Gyakorlati megközelítést nyújt az adatmodellezéshez, különösen a gráfokkal.
⬤ Kiemeli a modellezés fontosságát a modern adatkörnyezetek összefüggésében.
⬤ Történelmi perspektívát kínál az adatmodellezési technikákhoz.
⬤ Ajánlott az üzleti igényekhez igazodni kívánó alkalmazások és adattárolók tervezőinek.
⬤ Ismétlődik, és nem tartalmaz új technikákat a tapasztalt szakemberek számára.
⬤ Egyesek szerint túlárazott és kiábrándító, különösen a szoftvermérnökök számára.
⬤ Inkább az üzleti mintákra összpontosít, kevés változatos példával.
⬤ Egyesek szerint inkább filozófiai és történelmi, mint gyakorlati jellegű.
(6 olvasói vélemény alapján)
Graph Data Modeling for NoSQL and SQL: Visualize Structure and Meaning
A hagyományos adatmodellezésnél jobb gráf adatmodellezési technika elsajátítása mind a relációs, mind a NoSQL adatbázisok (gráf, dokumentum, kulcs-érték és oszlop) esetében, a kognitív pszichológia felhasználásával a nagy adattervezések javítása érdekében.
Karen Lopez előszavából:
Ebben a könyvben Thomas Frisendal fontos kérdéseket vet fel a hagyományos adatmodellezési jelölések és megközelítések további hasznosságával kapcsolatban:
⬤ Az entitáskapcsolati diagramok (ERD-k) relevánsak az analitikus adatigények szempontjából?
⬤ Relevánsak-e az ERD-k a Big Data új világában?
⬤ Az ERD-k még mindig a legjobb módja annak, hogy az üzleti felhasználókkal együttműködve megértsük igényeiket?
⬤ A logikai és a fizikai adatmodellek túl szorosan kapcsolódnak egymáshoz?
⬤ Helyesen járunk el, ha ugyanazokat a jelöléseket használjuk az üzleti felhasználókkal és a fejlesztőkkel való kommunikációhoz?
⬤ Finomítsuk meglévő jelöléseinket és eszközeinket, hogy megfeleljenek ezeknek az új igényeknek, vagy kezdjük elölről az egészet?
⬤ Milyen új jelölésekre és megközelítésekre lesz szükségünk?
⬤ Hogyan fogjuk ezeket felhasználni a vállalati adatbázis-rendszerek kiépítéséhez?
Frisendal végigvezet minket az adatmodellezés, a vállalati adatmodellek és a hagyományos modellezési módszerek történetén. Eléggé elégedetten mutat rá, hogy szerinte hol rontottuk el, és néhány helyen jól csináltuk. Ezután feltérképezi a jelentés és a kontextus pszichológiáját, miközben fontos kérdéseket jelöl meg azzal kapcsolatban, hogy az adatmodellezés hol illeszkedik és hol nem illeszkedik az üzleti modellezésbe. A munka fő témája egy új, felfedezésvezérelt modellezési megközelítésre és új modellezési jelölésekre vonatkozó javaslat az üzleti koncepciómodellek, az üzleti megoldások modelljei és a fizikai adatmodellek számára, példákkal arra vonatkozóan, hogyan lehet ezeket bármilyen céladatbázisba vagy adattárolóba történő implementáláshoz felhasználni. Ezek az új jelölések az adatok modellezésének tulajdonsággráf megközelítésén alapulnak.
A szerző bevezetőjéből:
Ez a könyv új megközelítést javasol az adatmodellezéshez - olyat, amely "kifordítja a belsejét". Jóval több mint harminc éven át a relációs modellezés és a normalizálás volt a játék neve. Feltehetjük a kérdést, hogy ha a normalizálás volt a megoldás, akkor mi volt a probléma? Ebben a megközelítésben van valami fejjel lefelé, amint azt ebben a könyvben látni fogjuk.
Az adatelemzés (modellezés) nagyban hasonlít a feltáráshoz. Szinte szó szerint. Az adatmodellező a struktúra és a tartalom után kutatva bolyong. Ehhez érzékelésre és kognitív készségekre van szükség, amelyeket az intuíció (egy pszichológiai jelenség) támogat, és amelyek együttesen határozzák meg, hogy mennyire jól térképezik fel az üzleti szemantika táját.
A feltérképezés az, amit mi csinálunk; feltárjuk az ismeretleneket, megrajzoljuk a térképeket és kiírjuk a "Here be Dragons" figyelmeztetéseket. Természetesen vannak technikai készségek is, és meglepő módon a legfontosabbak inkább a pszichológiából és a vizualizációból (ismét érzékelés és megismerés) származnak, mint a tiszta matematikai képességekből.
Két kényszerítő esemény teszi lehetővé és egyben szükségessé az adatmodellezés paradigmaváltását:
⬤ Az alkalmazott kognitív pszichológia fejlődése az adatmodellezésben is a megfelelő kontextuális keret és a jobb kommunikáció iránti igényeket kezeli, és.
⬤ A nem-relációs technológiák (Big Data és NoSQL) gyors térhódítása.
