Datan mallinnuksen opas

Mitä datan mallinnus on?

Datan mallinnuksessa päätetään, mihin tauluihin data jaetaan, mitä yksi rivi tarkoittaa ja miten taulut liittyvät toisiinsa. Lopputulos on tietomalli: rakenne, jonka päälle raportit, mittarit ja tekoälytyökalut rakennetaan.

Sama data voidaan järjestää kymmenellä eri tavalla, ja kaikki tuottavat oikean vastauksen jollakin kysymyksellä. Ero syntyy siinä, kuinka monella kysymyksellä vastaus on oikea. Hyvä malli on yksiselitteinen: siitä saa vain yhden vastauksen kysymykseen "paljonko myimme viime kuussa". Huonosta mallista saa kolme, ja kaikki kolme ovat jonkun mielestä oikein.

Miksi datan mallinnukseen kannattaa käyttää aikaa?

Koska huono malli tuhlaa resursseja niin kauan kuin se on käytössä. Sama data vie huonosti mallinnettuna moninkertaisesti muistia, ja kysely, joka hyvin rakennetussa mallissa palautuu sekunnissa, kestää huonossa kolme. Pilvikapasiteetti ostetaan juuri muistin ja laskennan mukaan, joten pahimmillaan sama ratkaisu maksaa kolminkertaisen hinnan pelkän rakenteen takia — samalla datalla, samoilla raporteilla ja samoilla käyttäjillä. Rakennetta ei myöskään korjata lisäämällä tehoa: huono malli on huono myös isommalla kapasiteetilla, se vain maksaa enemmän.

Toinen kustannus on hitaampi huomata. Moniselitteinen malli tuottaa raportteja, joiden lukuja joudutaan selittämään joka kokouksessa. Kun selittäminen käy raskaaksi, joku rakentaa oman Excelin, ja siitä alkaa versio numero kaksi totuudesta.

Kolmas syy on uusi. Copilot ja muut kielimallipohjaiset työkalut kyselevät tietomallia samalla logiikalla kuin ihminen: ne lukevat taulujen ja sarakkeiden nimet ja arvaavat lopun. Yksiselitteinen malli ja kunnollinen metadata ovat edellytys sille, että vastaukset ovat oikein.

Mistä datan mallinnus aloitetaan?

Aloita yhdestä liiketoimintaprosessista, älä koko organisaatiosta. Järjestys on tässä:

• 1. Opettele tähtimalli. Se on analyyttisen mallinnuksen oletusrakenne ja kattaa valtaosan tapauksista. Aloita tähtimallista.
• 2. Päätä faktataulun granulariteetti. Mitä yksi rivi tarkoittaa — yksi myyntirivi, yksi tilaus vai yksi päivä per tuote? Tämä on mallin tärkein yksittäinen päätös, ja se tehdään faktataulua suunniteltaessa.
• 3. Rakenna dimensiot. Kuka, mitä, milloin ja missä. Historian käsittely eli SCD-tyypit päätetään tässä vaiheessa, ei jälkikäteen — ks. dimensiot.
• 4. Kytke taulut avaimilla. Pääavain dimensiossa, vierasavain faktassa, yksi suunta suodatukselle. Katso avaimet ja relaatiot.
• 5. Nimeä malli loppukäyttäjän kielellä. Myyntisumma, ei SLS_AMT_EUR. Nimeämiskäytännöt ovat mallin käyttöliittymä.

Jos termi on vieras, tarkista se termistöstä — siellä on 157 data-alan termiä suomeksi ja englanniksi. Jos haluat nähdä eron käytännössä, vertaa sekasikiömallia ja tähtimallia: viisi mallia, samat kysymykset, eri vastaukset.