Logische Datenmodellierung
Was ist ein logisches Datenmodell?
Ein logisches Datenmodell ist eine grafische Darstellung der Informationsanforderungen für einen bestimmten Geschäftsbereich und wird anhand der Datenbeschreibungen aus einem konzeptionellen Datenmodell, gepaart mit zugehörigen Elementen, Definitionen und einem umfangreicheren Kontext für die Datenstruktur generiert.
Dieses Stadium ist wichtig, weil das schlankere konzeptionelle Datenmodell einfacher kommuniziert werden kann, der fehlende Kontext aber den Übergang von Modellierung zu Implementierung unter Umständen schwierig macht. Für dieses Fortschreiten werden mehr Details benötigt. Diese Details umfassen das Definieren der eigenen Attribute, Primärschlüssel, Fremdschlüssel, Beziehungskardinalität und beschreibenden Entitäten und Klassen. In diesem Stadium wird die Art der Beziehungen zwischen Daten ermittelt und definiert und die Daten aus verschiedenen Systemen werden normalisiert.
Was ist das Ziel eines logischen Datenmodells?
In diesem Stadium besteht die primäre Funktion des Datenmodells in der Visualisierung der Datenelemente und ihrer Beziehung untereinander. Die logische Datenmodellierung dient auch dem Detaillieren der Attribute, die mit einem Datenelement verbunden sind. Ein logisches Datenmodell würde beispielsweise die Natur eines Datenelements angeben, z. B. den Kontonamen (Zeichenfolge) und die Kontonummer (Ganzzahl).
Wann sollte ein logisches Datenmodell in Betracht gezogen werden?
Die drei verschiedenen Arten von Datenmodellen bieten ein unterschiedliches Maß an Kontext und Details. Sie können also nacheinander genutzt werden. Ein logisches Datenmodell sollte in Betracht gezogen werden, wenn das konzeptionelle Datenmodell erstellt wurde.
Dieses strukturiertere Stadium der Datenmodellierung ist während des Anwendungsdesign überaus relevant. Es kann dann als Kommunikationsmechanismus in den technischeren Umgebungen dienen, in denen Datenbankanalysten und Designer arbeiten. Mit logischen Datenmodellen können wir die Details rund um Daten besser nachvollziehen als mit konzeptionellen Datenmodellen – doch auch die logischen Modelle bieten keinen Durchblick bezüglich der Art und Weise der Implementierung.
Wie bei der konzeptionellen Datenmodellierung bedeutet das, dass Teams nicht an technologische Erwägungen gebunden sind. Das ist wichtig, da die Technologie in Organisationen oft dynamischer Natur ist.
Wann sollte ein logisches Datenmodell verwendet werden?
Eine einfache Möglichkeit, sich zu verdeutlichen, wann und warum ein logisches Datenmodell relevant wäre, besteht in der Betrachtung der angestrebten Zielgruppe des Modells: Datenbankanalysten, Systemanalysten und Designer. Die Zielgruppe und Einordnung der logischen Datenmodellierung im Prozess für das Anwendungsdesign bedeutet, dass es weniger wichtig ist, Kontext und Details zugunsten der Zugänglichkeit außen vor zu lassen. Die zusätzlichen Details (im Vergleich zur konzeptionellen Datenmodellierung) sind der Kontext, den Architekten benötigen, um sicherzustellen, dass neue Anwendungen mit den Daten kompatibel sind, die sie umfassen werden. Im Prinzip bietet ein logisches Datenmodell die erforderlichen Grundlagen für ein produktives Datenbankdesign.
Ohne ein logisches Datenbankmodell können Designer erst im Zuge der Entwicklung wirklich herausfinden, wie die Anforderungen neuer Anwendungen aussehen. Oft bedeutet dies, dass mit unorganisierten Datenelementen gearbeitet wird, wodurch die Wahrscheinlichkeit steigt, dass Anforderungen übersehen werden. Das Überspringen der logischen Datenmodellierung, um direkt ein physisches Datenmodell zu erstellen, kann also zu einem unzureichenden Datenbankdesign und zu Anwendungen führen, die nicht wie beabsichtigt funktionieren. Das Ausräumen solcher Fehltritte erfordert einen reaktiven Ansatz, der die Markteinführung verlangsamen und die Gesamtkosten des Entwicklungsprozesses in die Höhe treiben kann.
Zudem hilft die technologieunabhängige Natur eines logischen Datenmodells Organisationen, Möglichkeiten für Prozessverbesserungen aufzudecken. Das heißt, dass neue Anwendungen so konzipiert werden können, dass sie so effektiv wie möglich sind – und nicht so effektiv wie die aktuellen technologischen Beschränkungen es erlauben.
Die Vorteile der logischen Datenmodellierung
Leichtere Identifizierung von Bereichen mit Potenzial für Geschäftsprozessverbesserungen
Design fundierter Anwendungen
Reduzierung der Kosten und Steigerung der Effizienz
Schaffung einer Basis für künftige Modelle
Mit erwin bessere Modelle erstellen
Daten sind schon seit mehr als 30 Jahren das Kerngeschäft von erwin. Wir gelten als führender Anbieter auf dem Datenmodellierungsmarkt. Mit unserem Know-how haben wir eine Datenmodellierungsplattform erstellt, die sich perfekt für die Datenmodellierungsanforderungen in jedem Stadium – konzeptionell, logisch und physisch – des Datenmodeliierungsprozesses eignet.
erwin Data Modeler von Quest ermöglicht Unternehmen und technischen Akteuren das Zusammenarbeiten beim Design und bei der Implementierung neuer Systeme. Dabei profitieren sie von Funktionen und Merkmalen wie NoSQL-Unterstützung und automatisierter Metadatenerfassung, durch die die Implementierung deutlich beschleunigt werden kann.