Avis des lecteurs
Résumé:Ce livre présente une approche moderne de la modélisation des données, en mettant l'accent sur la flexibilité et la génération de connaissances dans le contexte de l'évolution des besoins de l'entreprise. Si certains évaluateurs ont loué son approche de la modélisation graphique et sa pertinence pour les systèmes de bases de données traditionnels et modernes, d'autres l'ont trouvé répétitif et peu approfondi, en particulier pour les ingénieurs logiciels expérimentés.
Avantages:⬤ Fournit une approche pratique de la modélisation des données, en particulier avec des graphes.
⬤ Souligne l'importance de la modélisation dans le contexte des environnements de données modernes.
⬤ Offre une perspective historique sur les techniques de modélisation des données.
⬤ Recommandé aux concepteurs d'applications et de magasins de données qui cherchent à s'aligner sur les besoins de l'entreprise.
⬤ Répétitif et manque de nouvelles techniques pour les professionnels expérimentés.
⬤ Certains estiment qu'il est trop cher et décevant, en particulier pour les ingénieurs logiciels.
⬤ Il se concentre davantage sur des exemples d'entreprises, avec peu de diversité dans les exemples.
⬤ Considéré par certains comme plus philosophique et historique que pratique.
(basé sur 6 avis de lecteurs)
Titre original :
Graph Data Modeling for NoSQL and SQL: Visualize Structure and Meaning
Contenu du livre :
Maîtriser une technique de modélisation des données de graphe supérieure à la modélisation traditionnelle des données pour les bases de données relationnelles et NoSQL (graphe, document, clé-valeur et colonne), en tirant parti de la psychologie cognitive pour améliorer les conceptions de big data.
Extrait de l'avant-propos de Karen Lopez :
Dans ce livre, Thomas Frisendal soulève d'importantes questions sur l'utilité des notations et des approches traditionnelles de la modélisation des données :
⬤ Les diagrammes de relations entre entités (ERD) sont-ils pertinents pour les besoins en données analytiques ?
⬤ Les ERD sont-ils pertinents dans le nouveau monde des Big Data ?
⬤ Les ERD sont-ils toujours le meilleur moyen de travailler avec les utilisateurs professionnels pour comprendre leurs besoins ?
⬤ Les modèles de données logiques et physiques sont-ils trop étroitement liés ?
⬤ Avons-nous raison d'utiliser les mêmes notations pour communiquer avec les utilisateurs professionnels et les développeurs ?
⬤ Devons-nous affiner nos notations et outils existants pour répondre à ces nouveaux besoins, ou devons-nous repartir d'une page blanche ?
⬤ Quelles sont les nouvelles notations et approches dont nous aurons besoin ?
⬤ Comment allons-nous les utiliser pour construire des systèmes de bases de données d'entreprise ?
Frisendal nous fait découvrir l'histoire de la modélisation des données, des modèles de données d'entreprise et des méthodes de modélisation traditionnelles. Il souligne, de manière assez contentieuse, les domaines dans lesquels il pense que nous nous sommes trompés et, à quelques endroits, ceux dans lesquels nous avons bien fait les choses. Il décrit ensuite la psychologie de la signification et du contexte, tout en identifiant les questions importantes concernant la place de la modélisation des données dans la modélisation de l'entreprise. Le sujet principal de ce travail est une proposition pour une nouvelle approche de modélisation axée sur l'exploration et de nouvelles notations de modélisation pour les modèles de concept d'entreprise, les modèles de solutions d'entreprise et les modèles de données physiques, avec des exemples sur la façon de tirer parti de ces modèles pour les mettre en œuvre dans n'importe quelle base de données ou entrepôt de données cible. Ces nouvelles notations sont basées sur une approche de modélisation des données par graphe de propriétés.
Extrait de l'introduction de l'auteur :
Ce livre propose une nouvelle approche de la modélisation des données, une approche qui "retourne l'intérieur". Pendant plus de trente ans, la modélisation relationnelle et la normalisation ont été la règle du jeu. On peut se demander, si la normalisation était la solution, quel était le problème. Comme nous le verrons dans ce livre, cette approche a quelque chose de renversé.
L'analyse des données (modélisation) s'apparente à de l'exploration. Presque littéralement. Le modélisateur de données se promène à la recherche d'une structure et d'un contenu. Il doit faire preuve de perception et de compétences cognitives, soutenues par l'intuition (un phénomène psychologique), qui, ensemble, déterminent la qualité de la cartographie du paysage sémantique de l'entreprise.
La cartographie est notre métier ; nous explorons les inconnues, dessinons les cartes et affichons les avertissements "Voici les dragons". Bien entendu, des compétences techniques sont nécessaires et, étonnamment, les plus importantes sont issues de la psychologie et de la visualisation (perception et cognition) plutôt que des capacités mathématiques pures.
Deux événements incontournables rendent possible et nécessaire un changement de paradigme dans la modélisation des données :
⬤ Les progrès de la psychologie cognitive appliquée répondent aux besoins d'un cadre contextuel approprié et d'une meilleure communication, également dans la modélisation des données.
⬤ L'arrivée rapide des technologies non relationnelles (Big Data et NoSQL).
Autres informations sur le livre :
| ISBN : | 9781634621212 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
| Année de publication : | 2016 |
| Nombre de pages : | 300 |
Achat:
Actuellement disponible, en stock.
