Modellazione dei dati grafici per NoSQL e SQL: Visualizzare struttura e significato

Recensioni dei lettori

Il libro presenta un approccio moderno alla modellazione dei dati, enfatizzando la flessibilità e la generazione di insight nel contesto delle esigenze aziendali in continua evoluzione. Mentre alcuni recensori hanno lodato il suo approccio alla modellazione a grafo e la sua rilevanza per i sistemi di database tradizionali e moderni, altri lo hanno trovato ripetitivo e poco approfondito, soprattutto per gli ingegneri del software esperti.

⬤ Fornisce un approccio pratico alla modellazione dei dati, in particolare con i grafi.
⬤ Evidenzia l'importanza della modellazione nel contesto dei moderni ambienti di dati.
⬤ Offre una prospettiva storica sulle tecniche di modellazione dei dati.
⬤ Consigliato ai progettisti di app e data store che vogliono allinearsi alle esigenze aziendali.

⬤ Ripetitivo e privo di nuove tecniche per i professionisti esperti.
⬤ Alcuni ritengono che il prezzo sia eccessivo e deludente, soprattutto per gli ingegneri del software.
⬤ Si concentra maggiormente su esempi di business, con poca varietà di esempi.
⬤ Considerato da alcuni più filosofico e storico che pratico.

(basato su 6 recensioni dei lettori)

Titolo originale:

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

Contenuto del libro:

Padroneggiare una tecnica di modellazione dei dati a grafo superiore a quella tradizionale per database relazionali e NoSQL (a grafo, a documento, a valore-chiave e a colonna), sfruttando la psicologia cognitiva per migliorare la progettazione dei big data.

Dalla prefazione di Karen Lopez:

In questo libro, Thomas Frisendal solleva importanti questioni sulla continua utilità delle notazioni e degli approcci tradizionali alla modellazione dei dati:

⬤ Gli Entity Relationship Diagrams (ERD) sono rilevanti per i requisiti dei dati analitici?

⬤ Gli ERD sono rilevanti nel nuovo mondo dei Big Data?

⬤ Gli ERD sono ancora il modo migliore per lavorare con gli utenti del business per capire le loro esigenze?

⬤ I modelli di dati logici e fisici sono troppo legati?

⬤ È corretto utilizzare le stesse notazioni per comunicare con gli utenti aziendali e gli sviluppatori?

⬤ Dobbiamo perfezionare le notazioni e gli strumenti esistenti per soddisfare queste nuove esigenze, o dobbiamo ricominciare da capo?

⬤ Di quali nuove notazioni e approcci avremo bisogno?

⬤ Come li useremo per costruire sistemi di database aziendali?

Frisendal ci fa ripercorrere la storia della modellazione dei dati, dei modelli di dati aziendali e dei metodi di modellazione tradizionali. Sottolinea, in modo piuttosto polemico, dove ritiene che abbiamo sbagliato e in alcuni punti dove abbiamo fatto bene. Poi traccia una mappa della psicologia del significato e del contesto, identificando allo stesso tempo questioni importanti su dove la modellazione dei dati possa o non possa essere inserita nella modellazione aziendale. L'argomento principale di questo lavoro è la proposta di un nuovo approccio di modellazione guidato dall'esplorazione e di nuove notazioni di modellazione per i modelli concettuali di business, i modelli di soluzioni di business e i modelli fisici di dati, con esempi su come sfruttarli per l'implementazione in qualsiasi database o datastore di destinazione. Queste nuove notazioni si basano su un approccio a grafo di proprietà per la modellazione dei dati.

Dall'introduzione dell'autore:

Questo libro propone un nuovo approccio alla modellazione dei dati, un approccio che "ribalta l'interno". Per oltre trent'anni, la modellazione relazionale e la normalizzazione sono state il nome del gioco. Ci si può chiedere: se la normalizzazione era la risposta, qual era il problema? C'è qualcosa di rovesciato in questo approccio, come vedremo in questo libro.

L'analisi dei dati (modellazione) è molto simile all'esplorazione. Quasi letteralmente. Il modellatore di dati si aggira alla ricerca di strutture e contenuti. Richiede percezione e abilità cognitive, supportate dall'intuizione (un fenomeno psicologico), che insieme determinano il grado di mappatura del paesaggio della semantica aziendale.

La mappatura è ciò che facciamo: esploriamo le incognite, disegniamo le mappe e pubblichiamo gli avvisi "Here be Dragons". Naturalmente ci sono delle competenze tecniche e, sorprendentemente, le più importanti provengono dalla psicologia e dalla visualizzazione (ancora una volta percezione e cognizione) piuttosto che dalla pura abilità matematica.

Due eventi impellenti rendono possibile, e anche necessario, un cambiamento di paradigma nella modellazione dei dati.

⬤ I progressi della psicologia cognitiva applicata rispondono alla necessità di un quadro contestuale adeguato e di una migliore comunicazione, anche nella modellazione dei dati.

⬤ La rapida diffusione di tecnologie non relazionali (Big Data e NoSQL).