Simona Rotolo
Modellazione dati, una necessità da governare
Finalmente il focus è tornato sui DATI!
Oggi le aziende riconoscono nel proprio patrimonio informativo un asset fondamentale per la propria prosperità. Negli ultimi anni le normative hanno sicuramente contribuito a riportare l’attenzione sui dati, ma questo non deve essere l’unico fattore determinante per la conoscenza e il riconoscimento del loro valore.
Si parla molto di Data Governance, ma che cos’è? È una strategia articolata che coordina un insieme di programmi per migliorare il governo dei dati aziendali.
Una parte fondamentale della Data governance è la modellazione dei dati, che serve non solo come reverse engineering, ma anche ad avere una documentazione il più completa possibile delle basi dati. Modellare una base dati significa recuperare la conoscenza dei dati gestiti, ma soprattutto individuare i legami di integrità referenziale spesso gestiti applicativamente.
In particolare, il recupero della conoscenza dei legami di integrità referenziale è un passo propedeutico a quello che è il vero punto dolente di una buona Data Governance, ossia la DATA QUALITY. Ma come si fa a misurare la qualità di un modello dati? Come si condividono regole di modellazione e obiettivi da raggiungere?
David Shenk nel suo libro “Data Smog” scrive :«I dati una volta erano pochi ed erano preziosi come le pepite d’oro, oggi sono tantissimi e spesso valgono meno delle patate». Nulla di più vero. Cosa ce ne facciamo di tanti dati se non riusciamo a dar loro un valore, se non riusciamo a catalogarli o ancor meglio ad utilizzarli per generare nuovo business?
Per ben cominciare, si possono stabilire degli obiettivi da mantenere nel tempo, iniziare a documentare i dati attraverso i modelli dati, seguendo delle linee guida aziendali, arricchire i modelli di quante più informazioni utili a vari livelli (ad esempio, normative GDPR o necessità interne all’azienda). Verificare la qualità dei modelli prodotti, attraverso degli indicatori (KPI, KQI, etc.) definiti aziendalmente in base all’obiettivo da raggiungere (ad esempio, completezza documentazione, congruenza modelli, etc.). Occorre definire un piano di qualità e creare dei cruscotti per rendere disponibili e consultabili a tutte le figure interessate, gli indicatori che hanno portato il modello dati ad un determinato LIVELLO DI QUALITÀ.
Ovviamente per mettere in atto questa strategia, oltre a ridefinire dei processi, occorre assegnare dei ruoli, delle responsabilità, serve quindi, definire una struttura organizzativa che supporti i processi di data governance.
Alla fine, questo processo permetterà di:
• Identificare, tracciare e pubblicare il ciclo di vita dei dati
• Portare i gruppi di progetto a riutilizzare e integrare i dati (efficienza).
• Garantire standard di qualità nel tempo.
• Ottimizzare ciò che si ha e contemporaneamente creare nuovo business.
Non mi resta che augurarvi una buona modellazione a tutti!
Erwin e il nuovo mondo NoSql
Il mondo digitale ha subito negli ultimi anni delle trasformazioni importanti, le aziende si trovano a dover gestire nuovi tipi di dati: BIG DATA, IoT, dati provenienti da Mobile application, da Social application.
Nascono nuove tecnologie più adatte a velocizzare e semplificare lo sviluppo di analisi in real time. Nascono nuovi metodi di aggregazione e memorizzazione dei dati. Agli ormai familiari, efficienti e validi database relazionali, oggi si affiancano i database NoSql, che permettono di memorizzare anche dati non strutturati e offrono flessibilità, velocità e potenza. Non essendo, i database NoSql, basati su un modello tradizionale, per le aziende si pone il problema di avere visibilità sui propri dati, di documentare, di gestire la governance, anche in termini di collaborazione con gli altri sistemi aziendali.
Relativamente al mondo NoSql, Erwin ci viene incontro fornendo una piattaforma in cloud, SaaS, in cui poter gestire i propri modelli ovunque siamo e da qualsiasi device, dandoci la possibilità di:
- Creare dei modelli basati su database NoSql MongoDB e farne il dowlnoad;
- Eseguire il reverse engineering di un insieme di collection da database MongoDb;
- Eseguire il reverse engineering da un modello relazionale creato con Erwin (modello Read only);
- Trasformare un modello relazionale ottenuto con il reverse engineering, in un modello MongoDb:
- Normalizzato
- Denormalizzato
- Custom
- Creare Community e condividere i modelli tra i suoi membri
In altre parole, gestire un modello di dati non strutturato con la stessa efficienza di un modello tradizionale.
Migrazione dei dati, consigli per affrontare il “rischio”
“Questo dato dove lo metto, dove lo metto non si sa, non c’è posto, non c’è posto, non c’è posto per carità!”.
Spesso Tecnet Dati ha dovuto affrontare questa attività e le problematiche ad essa collegate, impostando la strategia più adatta al cliente per affrontare questo compito delicatissimo. Qui vi proponiamo le “Linee guida per una corretta migrazione di una base di dati”. Leggi tutto