Seminar MID Innovator – Datenmodellierung mit ERM und Datenbankschemata

Das Seminar entwickelt ein Datenmodell schrittweise von der fachlichen Semantik bis zur konkreten Datenbankstruktur. Modellierungsnotationen, Schlüssel, Beziehungen, Normalisierung, Datentypen, Mapping und Qualitätssicherung werden in einem konsistenten Arbeitsablauf verbunden.

Inhaltsübersicht

• Lernziele und fachliche Einordnung
• Schrittweise Seminarinhalte
• Praxisübungen und Laborszenarien
• Zielgruppe und Voraussetzungen
• Didaktik und Arbeitsweise

Lernziele

• Fachliche Begriffe und Informationsobjekte in ein konzeptionelles ER-Modell überführen.
• Entitäten, Attribute, Schlüssel, Beziehungen und Spezialisierungen korrekt modellieren.
• Normalisierung und bewusste Denormalisierung nachvollziehbar anwenden.
• Konzeptionelle Modelle auf physische Datenbankschemata und Zielplattformen abbilden.
• Verifikation, Dokumentation, Lineage und Änderungssteuerung etablieren.

Schrittweise Seminarinhalte

1. Datenmodellierungsauftrag und Informationsbedarf

Schwerpunkt: Geschäftsziele, Domänen, Stakeholder, Begriffe, Datenprodukte, Scope und Modellierungsebenen.

1. Geschäftsfragen, betroffene Prozesse und benötigte Informationsobjekte erfassen.
2. Domänengrenzen, Owner und fachliche Quellen festlegen.
3. Konzeptionelle, logische und physische Modellierungsebene voneinander abgrenzen.
4. Benennungs-, Definitions- und Dokumentationsregeln als Modellstandard vereinbaren.

Arbeitsergebnis: Abgestimmter Datenmodellierungsauftrag.

2. Entitäten, Attribute und Geschäftsbegriffe

Schwerpunkt: Entitätstypen, Attribute, Domänen, Wertebereiche, Pflichtangaben, Definitionen und Synonyme.

1. Geschäftsbegriffe auf Eindeutigkeit, Relevanz und Abgrenzung prüfen.
2. Entitäten anhand stabiler fachlicher Identität bilden.
3. Attribute mit Bedeutung, Wertebereich, Optionalität und Herkunft spezifizieren.
4. Begriffe, Entitäten und Attribute konsistent miteinander verknüpfen.

Arbeitsergebnis: Semantisch geklärtes Entitäts- und Attributmodell.

3. Schlüssel und Beziehungen

Schwerpunkt: Kandidaten-, Primär- und Alternativschlüssel, Kardinalitäten, Optionalität, identifizierende Beziehungen und Geschäftsregeln.

1. Kandidaten für fachliche Schlüssel ermitteln und Stabilität bewerten.
2. Beziehungen aus Geschäftsregeln ableiten und in beide Richtungen benennen.
3. Kardinalität und Optionalität mit konkreten Beispielen validieren.
4. Identifizierende und nicht identifizierende Beziehungen korrekt unterscheiden.

Arbeitsergebnis: Geprüftes Beziehungs- und Schlüsselmodell.

4. Spezialisierung, Kategorien und komplexe Strukturen

Schwerpunkt: Supertypen, Subtypen, Kategorien, rekursive Beziehungen, strukturierte Typen und zeitabhängige Daten.

1. Gemeinsame und typabhängige Eigenschaften für Spezialisierungen analysieren.
2. Vollständigkeit und Disjunktheit der Subtypen fachlich festlegen.
3. Rekursive und n-äre Beziehungen mit klaren Rollen modellieren.
4. Zeitbezug, Gültigkeit und Historisierung als explizite Modellentscheidung dokumentieren.

Arbeitsergebnis: Belastbares Modell für komplexe Fachstrukturen.

5. Normalisierung und Modellqualität

Schwerpunkt: Funktionale Abhängigkeiten, erste bis dritte Normalform, Redundanz, Anomalien und bewusste Ausnahmen.

1. Funktionale Abhängigkeiten für ausgewählte Entitäten bestimmen.
2. Wiederholungsgruppen, partielle und transitive Abhängigkeiten identifizieren.
3. Modell schrittweise normalisieren und fachliche Lesbarkeit kontrollieren.
4. Bewusste Denormalisierung mit Grund, Risiko und Ausgleichskontrollen dokumentieren.

Arbeitsergebnis: Nachvollziehbar normalisiertes logisches Datenmodell.

6. Mapping zum Datenbankschema

Schwerpunkt: Tabellen, Spalten, Datentypen, Primär- und Fremdschlüssel, Constraints, Namenskonventionen und Plattformregeln.

1. Zielplattform und physische Namens- sowie Datentypregeln auswählen.
2. Entitäten, Attribute und Beziehungen automatisiert oder kontrolliert auf Tabellenstrukturen abbilden.
3. Schlüssel, Constraints, Defaultwerte und technische Metadaten ergänzen.
4. Mappingbeziehungen auf Vollständigkeit und Eindeutigkeit prüfen.

Arbeitsergebnis: Konsistentes physisches Datenbankschema.

7. Views, Indizes und physisches Design

Schwerpunkt: Views, Materialisierung, Indizes, Partitionierung, Benutzer, Berechtigungen und Performanceannahmen.

1. Abfrage- und Integrationsanforderungen für Views und Zugriffspfade erfassen.
2. Views mit nachvollziehbarer Ableitung aus Basistabellen modellieren.
3. Indizes und physische Optimierungen anhand konkreter Nutzungsmuster begründen.
4. Berechtigungen und sensible Spalten in das physische Design einbeziehen.

Arbeitsergebnis: Erweitertes physisches Design mit dokumentierten Annahmen.

8. Modellvergleich, Verifikation und Dokumentation

Schwerpunkt: Prüfassistent, Konventionsregeln, Diagrammqualität, Modellversionen, Berichte und Data Dictionary.

1. Automatische Prüfungen für Schlüssel, Beziehungen, Benennung und Pflichtwerte ausführen.
2. Modellversionen vergleichen und fachliche Änderungen klassifizieren.
3. Diagramme, Tabellen und Definitionen für Review und Data Dictionary aufbereiten.
4. Freigabe, Baseline und Änderungsweg dokumentieren.

Arbeitsergebnis: Freigegebenes und dokumentiertes Datenmodell.

9. Lineage, Governance und Implementierungsübergabe

Schwerpunkt: Owner, Schutzklasse, Herkunft, Prozesse, Anwendungen, DDL, Testfälle und Change Management.

1. Owner und Schutzanforderung für kritische Entitäten und Attribute ergänzen.
2. Herkunft und Nutzung mit Quellen, Prozessen, Anwendungen und Berichten verknüpfen.
3. DDL- und Implementierungsumfang mit technischen Teams abstimmen.
4. Testfälle für Integrität, Datentypen, Beziehungen und Migration definieren.

Arbeitsergebnis: Vollständiges Übergabepaket für Implementierung und Governance.

Praxisübungen und Laborszenarien

• Erstellung eines fachlichen Begriffs- und Domänenmodells.
• Modellierung eines ER-Diagramms mit Schlüsseln, Kardinalitäten und Spezialisierungen.
• Normalisierung eines fehlerhaften Ausgangsmodells.
• Abbildung auf ein physisches Datenbankschema mit Views und Indizes.
• Verifikation, Dokumentation und Lineage-Analyse eines Datenmodells.

Zielgruppe und Voraussetzungen

Zielgruppe: Data Architects, Datenmodellierende, Datenbankentwicklung, Business Analysts, Softwarearchitektur und Data Governance.

Voraussetzungen: Grundverständnis relationaler Datenbanken und fachlicher Datenanalyse; SQL-Kenntnisse sind hilfreich, aber nicht zwingend.

Didaktik und Arbeitsweise

Fachliche Einordnungen wechseln mit Demonstrationen, strukturierten Konfigurations- oder Modellierungsschritten, Praxisübungen und kontrollierten Fehlerfällen. Jede Übung verwendet definierte Ausgangswerte, Prüfpunkte und Dokumentationsanforderungen, damit die erarbeiteten Abläufe im eigenen Umfeld wiederholt werden können.