Der ultimative Guide zu

Data Modeling

Data Modeling dient zur Konzeptualisierung von Beziehungen zwischen unterschiedlichen Informationstypen in Unternehmen. Datenmodelle helfen allen Benutzern dabei, Daten zu speichern und für eine Vielzahl von Anwendungsfällen zu nutzen.

► In diesem Guide wird erklärt, wie Data Modeling die Effizienz von IT-Landschaften steigern kann.

Einführung

Data Modeling fand seinen Ursprung in den frühen 1960er Jahren und hat seither stetig an Bedeutung gewonnen. Heute wird dieses Verfahren häufig von IT-Experten genutzt, um den Umgang mit Daten zur besseren Unterstützung der Geschäftsziele zu optimieren. Data Modeling ist für die Pflege von IT-Landschaften unabdingbar und ermöglicht Unternehmen, ihre Daten effizient zu speichern und zu analysieren.

Bei der Erstellung eines Datenmodells zur Darstellung der Infrastruktur eines Informationssystems sollte stets darauf geachtet werden, das Modell logisch und für alle Stakeholder verständlich zu gestalten. Nur so kann sichergestellt werden, dass alle Stakeholder die Datenobjekte in Relation zu ihren Geschäftsanforderungen begreifen. Genauso wie Personen beim Einzug in ein neues Haus dazu neigen, den Standort von Möbeln, Elektrogeräten etc. im Vorhinein festzulegen, kann Data Modeling durch die exakte Abbildung von Datenobjekten Unternehmen dabei helfen, sich an neue Umgebungen anzupassen und vereinfacht damit die Entscheidungsfindung in komplexen Situationen. Beim Data Modeling werden die Attribute aller Datenobjekte definiert und die Relationen zwischen den unterschiedlichen Informationstypen hergestellt. Mithilfe eines solchen Diagramms können IT-Experten problemlos nachvollziehen, welche Schlüsseldaten gespeichert und leicht abrufbar sein müssen.

Was sind Datenmodelle?

Datenmodelle sind eine visuelle Darstellung von Datenobjekten sowie ihren Relationen. Diese graphische Aufbereitung von Datenobjekten in einem Datenmodelldiagramm hilft bei der Durchsetzung von Data Governance und der Erstellung von Datenrichtlinien. Mittels Data Modeling können Unternehmen datengetriebene Entscheidungen treffen.

 

Screen Shot 2020-10-28 at 2.32.16 PM

Quelle: LeanIX GmbH

Beim Entwurf von Datenmodellen orientieren sich IT-Experten am Ist-Zustand der IT-Architektur – sie bilden ab, wie genau IT-Entitäten, Personal und Business Capabilities miteinander verbunden sind. Diese Objekte stellen in solchen Modellen die Hauptkategorien dar und werden häufig als Box illustriert. All diese Objekte sind miteinander verbunden und die Beziehungen (oder Relationen) zwischen den Objekten werden genutzt, um Daten zu visualisieren und Richtlinien für die Verwaltung dieser Daten festzulegen. In LeanIX können folgende Objekte Teil eines EA-Datenmodells werden: Provider, IT-Komponente, Applikation, Schnittstelle, Tech Stack, Projekt, Datenobjekt, Business Capability und Benutzergruppe.

 

Warum sollten Sie Datenmodelle nutzen?

In Datenmodellen werden Daten abgebildet, die für die Fortführung der Geschäftstätigkeit eines Unternehmens absolut notwendig sind. Benutzer profitieren von der ordentlich strukturierten Darstellung der vorhandenen Datenobjekte, da sie so ganz leicht technische und fachliche Überschneidungen ausmachen, Business Intelligence fördern und die Datenorganisation optimieren können. Erst wenn Unternehmen gezielt kontrollieren können, wie und wo Daten in einem Server oder einer Cloud-Umgebung interagieren, können sie Systeme implementieren, die sowohl dem Business als auch der IT zu Gute kommen. Zudem können Datenmodelle auch für die Validierung der technischen und fachlichen Eignung vorhandener und zukünftiger Datenobjekte genutzt werden – gleichzeitig wird in Datenmodellen schnell deutlich, ob Datenbanken korrekt dargestellt werden. Unzutreffend abgebildete Daten erhöhen die Wahrscheinlichkeit fehlerhafter Analysereports und falscher strategischer Entscheidungen.

Die Struktur von Datenmodellen hilft bei der Abstimmung von Datenbanken auf physischen, konzeptionellen und logischen Ebenen. Besonders Entwickler profitieren von der anschaulichen und leicht verständlichen Darstellung der zugrunde liegenden Daten, da sie so leichter physische Datenbanken erstellen können – Entwickler sehen auf einen Blick, welche Daten redundant sind oder vollkommen fehlen. Auch wenn die manuelle Dokumentation für die Erstellung eines Datenmodells ziemlich überwältigend sein kann, zahlen sich die Bemühung doch langfristig aus, wenn sich die IT-Infrastruktur weiterentwickelt.

 

Datenmodelltypen

Abhängig von den benötigen Informationen können Unternehmen von drei unterschiedlichen Datenmodelltypen profitieren. Diese drei Datenmodelle beschreiben konzeptionelle, logische oder physische Ebenen.

Konzeptionelle Datenmodelle: Konzeptionelle Modelle spiegeln allgemeine und statische Geschäftsstrukturen wider. Hierbei handelt es sich meist um verallgemeinernde Darstellungen, in denen Geschäftsobjekte in ihren jeweiligen Informationssystemen abgebildet werden.

Logische Datenmodelle: Logische Datenmodelle konzentrieren sich auf Datenattribute, Arten von IT-Entitäten und den Relationen zwischen diesen Entitäten. Ein logisches Datenmodell ist besonders für das Verständnis der Datenstrukturen hilfreich, nicht aber für die tatsächliche Nutzung der Daten.

Physische Datenmodelle: Physische Datenmodelle befassen sich mit der Gestaltung und der Implementierung von Datenbanken. Im Vordergrund stehen hier die Datenbankstrukturen, einschließlich aller relationaler Datenbanken und Objekte.

Für die Erarbeitung neuer Lösungen und die Verwaltung von Regeln sollte ein konzeptionelles Modell erstellt werden. Dieses Modell wird häufig von Datenarchitekten und Stakeholdern genutzt. Mit physischen und logischen Datenmodellen hingegen kann abgebildet werden, wie genau Strukturen ausgeführt werden sollen. Logische Datenmodelle werden meist von Business Analysten und Datenarchitekten für die Entwicklung eines Datenbankmanagementsystems (DBMS) verwendet, also einer technischen Abbildung von Strukturen und Regeln für das Modell. Physische Datenmodelle werden meist von Entwicklern und Datenbankanalysten eingesetzt, um die Ausführung von Strukturen durch ein Datenbankmanagementsystem abzubilden.

Die Auswahl des richtigen Datenmodells hängt von den spezifischen Bedürfnissen und Anforderungen des Unternehmens ab. Zudem müssen bei der Erstellung eines adäquaten Datenmodells die Präferenzen der Stakeholder beachtet werden. Datenexperten bevorzugen wahrscheinlich Modelle, die eine holistische Ansicht auf die im Unternehmen vorhandenen Datenobjekte bieten – dieses Informationsbedürfnis können physische und logische Datenmodelle erfüllen. Business-Stakeholder andererseits interessieren sich mehr für konkrete Ergebnisse als technische Details und werden sich daher eher für ein konzeptionelles Modell entscheiden.

 

Vorteile und Herausforderungen von Data Modeling

Die Nutzung von Datenmodellen jeder Art bietet Unternehmen viele Vorteile. Zum einen kann mithilfe solcher Modelle sichergestellt werden, dass Datenobjekte in einer IT-Landschaft korrekt abgebildet werden. Diese Informationen können Unternehmen nutzen, um Verbindungen zwischen Primär- und Fremdschlüsseln, Tabellen und Abläufen zu definieren. Des Weiteren kann ein Datenmodell zum Aufbau einer physischen Datenbank genutzt werden, wenn das Modell detailliert genug ist. Datenmodelle dienen auch als Kommunikations- und Diskussionsgrundlage für Stakeholder im gesamten Unternehmen.

Natürlich gibt es auch eine Reihe von Herausforderungen bei der Verwendung von Datenmodellen. Für die Gestaltung eines adäquaten Datenmodells sollte ein fundiertes Verständnis hinsichtlich der Dateneigenschaften vorhanden sein, die bereits physisch gespeichert sind. Ein Datenmodell kann auch zu einer komplexen Applikationsentwicklung führen, wodurch sich auch diese Prozesse schwieriger verwalten lassen. Außerdem müssen Entwickler sowohl bei großen als auch kleinen Änderungen am Datenmodell das gesamte Applikationssystem entsprechend anpassen.

LeanIX ist „Leader“ in der SPARK Matrix: Enterprise Architecture (EA) Tools, 2021

Report

LeanIX ist „Leader“ in der SPARK Matrix: Enterprise Architecture (EA)..

Verschaffen Sie sich einen Überblick darüber, wie unterschiedliche EA-Anbieter in der 2021 SPARK MatrixTM bewertet und eingestuft werden.

The Forrester Wave Enterprise Architecture Suites 2021

Report

The Forrester Wave Enterprise Architecture Suites 2021

LeanIX wurde in der Forrester Wave: Enterprise Architecture Management Suites 2021 als „Strong Performer“ ausgezeichnet.

LeanIX M&A Survey 2021

Report

LeanIX M&A Survey 2021

Die Rolle von Enterprise Architekten im M&A-Prozess

Befolgen Sie diese 4 Schritte, damit auch Ihr M&A-Prozess ein Erfolg wird.

Poster

Befolgen Sie diese 4 Schritte, damit auch Ihr M&A-Prozess ein Erfolg wird.

Erfahren Sie in diesem Poster, wie genau EA-Teams bei Post Merger Integrationen von LeanIX profitieren können.

Enterprise Architecture Success Kit

White Paper

Enterprise Architecture Success Kit

Hilfreiche Ideen für einen reibungslosen Start und langfristigen Erfolg bei der Etablierung einer Enterprise Architecture.

Enterprise Architecture Roadmap

Poster

Enterprise Architecture Roadmap

6 Schritte für einen schnellen und nachhaltigen Mehrwert

Der Enterprise Architect von morgen

White Paper

Der Enterprise Architect von morgen

Der Enterprise Architect der Zukunft muss fünf Eigenschaften erwerben, um sein Unternehmen zum Erfolg zu führen. Erhalten Sie praktische Tipps darüber, wie man datengesteuert, agil und..

Worauf Sie bei einem modernen EA-Tool achten sollten

Poster

Worauf Sie bei einem modernen EA-Tool achten sollten

Erfahren Sie, wie genau traditionelle EA-Tools Sie davon abhalten, einen Mehrwert für Ihr Unternehmen zu schaffen. Finden Sie heraus, was moderne EA-Tools auszeichnet.

 

Modellierungstechniken

Für die Erstellung von Datenmodellen gibt es drei grundlegende Modellierungstechniken: Entity-Relationship-Diagramme (ERDs), Unified Modeling Language Diagrams (UMLs) und Datenwörterbücher (Data Dictionaries).

ERDs: Ein Entity-Relationship-Diagramm gilt als Standard für die Datenmodellierung und funktioniert besonders gut bei der Modellierung tabellarischer Daten. Mithilfe dieser Modellierungstechnik werden Datenobjekte sowie ihre jeweiligen Attribute und Relationen visuell abgebildet. ERDs sind vor allem beim Entwurf traditioneller und Excel-basierter Datenbanken nützlich. Auch eignen sie sich ideal für eine übersichtliche und klare Darstellung von Datenbankschemata und Datenbeziehungen.

UML: UML definiert eine Reihe von Notationen zur Gestaltung und Modellierung von Informationsstrukturen und wird von vielen als allgemeine Software-Notation verwendet. UMLs spiegeln entweder das Verhalten oder die Struktur von Datenobjekten wider und nutzen dafür verschiedene Diagrammtypen. Eines dieser Diagramme ist etwa das Klassendiagramm, mit dem Klassen, Methoden und Attribute von Datenbanken definiert werden können.

Datenwörterbücher: Datenwörterbücher basieren auf tabellarischen Datenbeständen. Es handelt sich hierbei also um Tabellen und Datensätze, in denen sich Attribute finden. Auch Elementbeschreibungen, Einschränkungen und Relationen zwischen Spalten und Tabellen lassen sich in solchen Datenwörterbüchern finden.

 

Fazit

Data Modeling ist für die Standardisierung von Assets und die Optimierung von Informationssystemen unerlässlich. Auch wenn dieses Verfahren schon seit vielen Jahren von Unternehmen genutzt wird, hat die Bedeutung von Data Modeling im heutigen DevOps-Zeitalter exponentiell zugenommen. Mithilfe von Data Modeling können IT-Experten Datenanforderungen zur Unterstützung der Unternehmensziele definieren. Wenn Sie mehr über Data Modeling mit LeanIX zu erfahren, dann lesen Sie hier die Dokumentation zu unserem flexiblen Datenmodell.

Gratis Poster

Best Practices zur Modellierung von Datenobjekten

Jetzt kostenlos herunterladen

data-objects
check-alt

Modellieren Sie anhand dieses Posters die Datenobjekte Ihres Unternehmens.

check-alt

Dieses Poster ist der perfekte Ausgangspunkt – egal, ob Sie in der Bank- oder Versicherungsbranche, der Automobil- oder Logistikbranche oder in einer anderen Branche tätig sind.

check-alt

Darüber hinaus liefert Ihnen dieses Poster Tipps und Best Practices für Data Modeling und hilft Ihnen dabei, einen vollständigen Überblick über Ihre Datenobjekte zu erhalten.

Antworten auf häufig gestellte Fragen zu Data Modeling

Was genau ist Data Modeling?

Data Modeling dient zur Konzeptualisierung von Beziehungen zwischen unterschiedlichen Informationstypen in Unternehmen. Datenmodelle helfen allen Benutzern dabei, Daten zu speichern und für eine Vielzahl von Anwendungsfällen zu nutzen.

Was sind die Vorteile von Data Modeling?

Die Nutzung von Datenmodellen jeder Art bietet Unternehmen viele Vorteile. Zum einen kann mithilfe solcher Modelle sichergestellt werden, dass Datenobjekte in einer IT-Landschaft korrekt abgebildet werden. Diese Informationen können Unternehmen nutzen, um Verbindungen zwischen Primär- und Fremdschlüsseln, Tabellen und Abläufen zu definieren. Des Weiteren kann ein Datenmodell zum Aufbaue einer physischen Datenbank genutzt werden, wenn das Modell detailliert genug ist. Datenmodelle dienen auch als Kommunikations- und Diskussionsgrundlage für Stakeholder im gesamten Unternehmen.

data-objects

Gratis Poster

Best Practices zur Modellierung von Datenobjekten

Download