Grafové modelovanie údajov pre NoSQL a SQL: Vizualizácia štruktúry a významu

Recenzie čitateľov

Kniha predstavuje moderný pohľad na modelovanie údajov s dôrazom na flexibilitu a vytváranie prehľadov v kontexte vyvíjajúcich sa obchodných potrieb. Zatiaľ čo niektorí recenzenti chválili jej prístup k modelovaniu grafov a jej význam pre tradičné aj moderné databázové systémy, iní ju považovali za opakujúcu sa a málo hlbokú, najmä pre skúsených softvérových inžinierov.

⬤ Poskytuje praktický prístup k modelovaniu údajov, najmä pomocou grafov.
⬤ Zdôrazňuje význam modelovania v kontexte moderných dátových prostredí.
⬤ Ponúka historický pohľad na techniky modelovania údajov.
⬤ Odporúča sa pre návrhárov aplikácií a dátových úložísk, ktorí sa snažia zosúladiť s obchodnými potrebami.

⬤ Opakuje sa a chýbajú mu nové techniky pre skúsených odborníkov.
⬤ Niektorí majú pocit, že je predražená a sklamaním, najmä pre softvérových inžinierov.
⬤ Zameriava sa viac na obchodné vzorky s malou rozmanitosťou príkladov.
⬤ Niektorí ju považujú za viac filozofickú a historickú ako praktickú.

(na základe 6 čitateľských recenzií)

Pôvodný názov:

Graph Data Modeling for NoSQL and SQL: Visualize Structure and Meaning

Obsah knihy:

Ovládnite techniku modelovania grafových údajov, ktorá je lepšia ako tradičné modelovanie údajov pre relačné aj NoSQL databázy (grafové, dokumentové, kľúč-hodnota a stĺpcové) a využíva kognitívnu psychológiu na zlepšenie návrhov veľkých dát.

Z predslovu Karen Lopezovej:

Thomas Frisendal v tejto knihe kladie dôležité otázky o ďalšej užitočnosti tradičných zápisov a prístupov k modelovaniu údajov:

⬤ Sú diagramy vzťahov medzi entitami (ERD) relevantné pre požiadavky na analytické údaje?

⬤ Sú ERD relevantné v novom svete veľkých dát?

⬤ Sú ERD stále najlepším spôsobom práce s podnikovými používateľmi s cieľom pochopiť ich potreby?

⬤ Sú logické a fyzické dátové modely príliš úzko prepojené?

⬤ Je správne používať rovnaké notácie na komunikáciu s podnikovými používateľmi a vývojármi?

⬤ Mali by sme zdokonaliť naše existujúce notácie a nástroje, aby spĺňali tieto nové potreby, alebo by sme mali začať znova od čistého listu?

⬤ Aké nové notácie a prístupy budeme potrebovať?

⬤ Ako ich budeme používať pri budovaní podnikových databázových systémov?

Frisendal nás oboznámi s históriou dátového modelovania, podnikovými dátovými modelmi a tradičnými metódami modelovania. Dosť sporadicky poukazuje na to, kde sme podľa neho urobili chybu a na niekoľkých miestach sme sa dopracovali k správnemu riešeniu. Potom mapuje psychológiu významu a kontextu, pričom identifikuje dôležité otázky týkajúce sa toho, kam dátové modelovanie môže, ale nemusí zapadnúť do podnikového modelovania. Hlavným predmetom tejto práce je návrh nového prístupu k modelovaniu založeného na prieskume a nové modelovacie notácie pre modely obchodných koncepcií, modely obchodných riešení a fyzické dátové modely s príkladmi, ako ich využiť na implementáciu do akejkoľvek cieľovej databázy alebo dátového skladu. Tieto nové notácie sú založené na prístupe k modelovaniu údajov pomocou grafov vlastností.

Z úvodu autora:

Táto kniha navrhuje nový prístup k modelovaniu údajov - taký, ktorý "obracia naruby". Viac ako tridsať rokov sa používalo relačné modelovanie a normalizácia. Môžeme sa pýtať, že ak bola normalizácia riešením, v čom bol problém? V tomto prístupe je niečo prevrátené naruby, ako uvidíme v tejto knihe.

Analýza údajov (modelovanie) je veľmi podobná prieskumu. Takmer doslova. Modelár údajov sa túla po okolí a hľadá štruktúru a obsah. Vyžaduje si to vnímanie a kognitívne zručnosti podporené intuíciou (psychologický jav), ktoré spoločne určujú, ako dobre je krajina podnikovej sémantiky zmapovaná.

Mapovanie je to, čo robíme; skúmame neznáme, kreslíme mapy a zverejňujeme varovania "Tu sú draci". Samozrejme, sú s tým spojené aj technické zručnosti a prekvapivo tie najdôležitejšie pochádzajú skôr z psychológie a vizualizácie (opäť vnímanie a poznávanie) než z čisto matematických schopností.

Dve presvedčivé udalosti umožňujú zmenu paradigmy v modelovaní údajov a zároveň sú nevyhnutné:

⬤ Pokroky v aplikovanej kognitívnej psychológii riešia potreby správneho kontextuálneho rámca a lepšej komunikácie aj pri modelovaní údajov a.

⬤ Rýchly nástup nerelačných technológií (Big Data a NoSQL).