Puntuación:
El libro presenta una visión moderna del modelado de datos, haciendo hincapié en la flexibilidad y la generación de conocimientos en el contexto de la evolución de las necesidades empresariales. Mientras que algunos críticos elogiaron su enfoque del modelado de gráficos y su relevancia para los sistemas de bases de datos tradicionales y modernos, otros lo encontraron repetitivo y falto de profundidad, en particular para los ingenieros de software con experiencia.
Ventajas:⬤ Proporciona un enfoque práctico del modelado de datos, en particular con gráficos.
⬤ Destaca la importancia del modelado en el contexto de los entornos de datos modernos.
⬤ Ofrece una perspectiva histórica de las técnicas de modelado de datos.
⬤ Recomendado para diseñadores de aplicaciones y almacenes de datos que buscan alinearse con las necesidades del negocio.
⬤ Repetitivo y carece de nuevas técnicas para profesionales experimentados.
⬤ Algunos lo consideran excesivamente caro y decepcionante, especialmente para ingenieros de software.
⬤ Se centra más en muestras empresariales con poca diversidad de ejemplos.
⬤ Algunos lo consideran más filosófico e histórico que práctico.
(basado en 6 opiniones de lectores)
Graph Data Modeling for NoSQL and SQL: Visualize Structure and Meaning
Domine una técnica de modelado de datos de grafos superior al modelado de datos tradicional tanto para bases de datos relacionales como NoSQL (grafos, documentos, clave-valor y columnas), aprovechando la psicología cognitiva para mejorar los diseños de big data.
Del prólogo de Karen Lopez:
En este libro, Thomas Frisendal plantea importantes cuestiones sobre la utilidad de las notaciones y enfoques tradicionales de modelado de datos:
⬤ ¿Son relevantes los Diagramas de Relación de Entidades (ERD) para los requisitos de datos analíticos?
⬤ ¿Son los ERD relevantes en el nuevo mundo del Big Data?
⬤ ¿Siguen siendo los ERD la mejor manera de trabajar con los usuarios de negocio para entender sus necesidades?
⬤ ¿Están los modelos de datos lógicos y físicos demasiado unidos?
⬤ ¿Estamos en lo cierto al utilizar las mismas notaciones para comunicarnos con los usuarios de negocio y los desarrolladores?
⬤ ¿Deberíamos perfeccionar nuestras notaciones y herramientas actuales para satisfacer estas nuevas necesidades, o deberíamos empezar de nuevo desde una página en blanco?
⬤ ¿Qué nuevas notaciones y enfoques necesitaremos?
⬤ ¿Cómo los utilizaremos para crear sistemas de bases de datos empresariales?
Frisendal nos lleva a través de la historia del modelado de datos, los modelos de datos empresariales y los métodos tradicionales de modelado. Señala, con bastante contundencia, dónde cree que nos hemos equivocado y en algunos puntos dónde hemos acertado. A continuación, traza un mapa de la psicología del significado y el contexto, al tiempo que identifica cuestiones importantes sobre dónde puede o no encajar el modelado de datos en el modelado empresarial. El tema principal de este trabajo es una propuesta de un nuevo enfoque de modelado basado en la exploración y nuevas notaciones de modelado para modelos de conceptos empresariales, modelos de soluciones empresariales y modelos de datos físicos, con ejemplos sobre cómo aprovecharlos para implementarlos en cualquier base de datos o almacén de datos de destino. Estas nuevas notaciones se basan en un enfoque de grafos de propiedades para modelar datos.
De la introducción del autor:
Este libro propone un nuevo enfoque para el modelado de datos, uno que "lo vuelve del revés". Durante más de treinta años, el modelado relacional y la normalización han sido la norma. Cabe preguntarse: si la normalización era la respuesta, ¿cuál era el problema? Como veremos en este libro, ese enfoque tiene algo de malo.
El análisis de datos (modelización) se parece mucho a la exploración. Casi literalmente. El modelador de datos deambula en busca de estructura y contenido. Requiere percepción y habilidades cognitivas, apoyadas por la intuición (un fenómeno psicológico), que en conjunto determinan lo bien que se mapea el paisaje de la semántica empresarial.
Mapear es lo que hacemos; exploramos las incógnitas, dibujamos los mapas y publicamos las advertencias de "Aquí hay dragones". Por supuesto, hay habilidades técnicas implicadas y, sorprendentemente, las más importantes provienen de la psicología y la visualización (de nuevo percepción y cognición) más que de la pura habilidad matemática.
Dos acontecimientos convincentes hacen posible, y también necesario, un cambio de paradigma en el modelado de datos:
⬤ Los avances en psicología cognitiva aplicada abordan las necesidades de un marco contextual adecuado y de una mejor comunicación, también en el modelado de datos, y.
⬤ La rápida incorporación de tecnologías no relacionales (Big Data y NoSQL).
© Book1 Group - todos los derechos reservados.
El contenido de este sitio no se puede copiar o usar, ni en parte ni en su totalidad, sin el permiso escrito del propietario.
Última modificación: 2024.11.14 07:32 (GMT)