Ocena:
Książka prezentuje nowoczesne podejście do modelowania danych, kładąc nacisk na elastyczność i generowanie wglądu w kontekście zmieniających się potrzeb biznesowych. Podczas gdy niektórzy recenzenci chwalili podejście do modelowania grafów i jego znaczenie zarówno dla tradycyjnych, jak i nowoczesnych systemów baz danych, inni uznali je za powtarzalne i pozbawione głębi, szczególnie dla doświadczonych inżynierów oprogramowania.
Zalety:⬤ Zapewnia praktyczne podejście do modelowania danych, w szczególności za pomocą grafów.
⬤ Podkreśla znaczenie modelowania w kontekście nowoczesnych środowisk danych.
⬤ Oferuje historyczne spojrzenie na techniki modelowania danych.
⬤ Zalecana dla projektantów aplikacji i magazynów danych, którzy chcą dostosować je do potrzeb biznesowych.
⬤ Powtarzalna i pozbawiona nowych technik dla doświadczonych profesjonalistów.
⬤ Niektórzy uważają, że jest zbyt droga i rozczarowująca, zwłaszcza dla inżynierów oprogramowania.
⬤ Skupia się bardziej na próbkach biznesowych z niewielką różnorodnością przykładów.
⬤ Przez niektórych uważana za bardziej filozoficzną i historyczną niż praktyczną.
(na podstawie 6 opinii czytelników)
Graph Data Modeling for NoSQL and SQL: Visualize Structure and Meaning
Opanuj technikę modelowania danych grafowych przewyższającą tradycyjne modelowanie danych zarówno dla relacyjnych, jak i noSQL-owych baz danych (graf, dokument, klucz-wartość i kolumna), wykorzystując psychologię poznawczą do ulepszenia projektów big data.
Z przedmowy Karen Lopez:
W tej książce Thomas Frisendal stawia ważne pytania dotyczące dalszej przydatności tradycyjnych notacji i podejść do modelowania danych:
⬤ Czy diagramy relacji encji (ERD) są istotne dla analitycznych wymagań dotyczących danych?
⬤ Czy ERD są istotne w nowym świecie Big Data?
⬤ Czy ERD są nadal najlepszym sposobem pracy z użytkownikami biznesowymi w celu zrozumienia ich potrzeb?
⬤ Czy logiczne i fizyczne modele danych są ze sobą zbyt ściśle powiązane?
⬤ Czy mamy rację, używając tych samych notacji do komunikacji z użytkownikami biznesowymi i programistami?
⬤ Czy powinniśmy udoskonalić nasze istniejące notacje i narzędzia, aby sprostać tym nowym potrzebom, czy też powinniśmy zacząć od nowa?
⬤ Jakich nowych notacji i podejść będziemy potrzebować?
⬤ Jak będziemy ich używać do budowania systemów baz danych klasy enterprise?
Frisendal przeprowadza nas przez historię modelowania danych, korporacyjnych modeli danych i tradycyjnych metod modelowania. Wskazuje, dość kontrowersyjnie, gdzie jego zdaniem popełniliśmy błąd i w kilku miejscach, gdzie zrobiliśmy to dobrze. Następnie przedstawia psychologię znaczenia i kontekstu, jednocześnie identyfikując ważne kwestie dotyczące tego, gdzie modelowanie danych może, ale nie musi pasować do modelowania biznesowego. Głównym tematem tej pracy jest propozycja nowego podejścia do modelowania opartego na eksploracji i nowych notacji modelowania dla modeli koncepcji biznesowych, modeli rozwiązań biznesowych i fizycznych modeli danych wraz z przykładami, jak wykorzystać je do wdrożenia w dowolnej docelowej bazie danych lub magazynie danych. Te nowe notacje są oparte na podejściu grafu właściwości do modelowania danych.
Ze wstępu autora:
Ta książka proponuje nowe podejście do modelowania danych - takie, które "wywraca je na lewą stronę". Przez ponad trzydzieści lat modelowanie relacyjne i normalizacja były nazwą gry. Można zapytać, że jeśli normalizacja była odpowiedzią, to w czym tkwił problem? W tym podejściu jest coś odwróconego do góry nogami, jak zobaczymy w tej książce.
Analiza danych (modelowanie) przypomina eksplorację. Niemal dosłownie. Modelarz danych wędruje w poszukiwaniu struktury i treści. Wymaga to percepcji i umiejętności poznawczych, wspieranych przez intuicję (zjawisko psychologiczne), które razem określają, jak dobrze mapowany jest krajobraz semantyki biznesowej.
Mapowanie jest tym, co robimy; badamy nieznane, rysujemy mapy i publikujemy ostrzeżenia "Tu będą smoki". Oczywiście wiążą się z tym umiejętności techniczne i, co zaskakujące, najważniejsze z nich pochodzą z psychologii i wizualizacji (ponownie percepcja i poznanie), a nie z czystych zdolności matematycznych.
Dwa ważne wydarzenia sprawiają, że zmiana paradygmatu w modelowaniu danych jest możliwa, a także konieczna.
⬤ Postępy w stosowanej psychologii poznawczej zaspokajają potrzeby w zakresie odpowiednich ram kontekstowych i lepszej komunikacji, również w modelowaniu danych.
⬤ Szybki rozwój technologii nierelacyjnych (Big Data i NoSQL).
