Dit is een voorbeeld case waarin we data modellen uitwerken voor Alberto een keten van Italiaanse ijssalons. Op basis van deze uitwerking krijg je een overzicht van de modelleermethoden zoals die toegelicht worden in het boek "Grip op data modelleren. Daarbij zijn in de uitwerking de modellen onderling aan elkaar gerelateerd. Er zijn op basis van drie domeinen in de Alberto case domeinmodellen uitgewerkt:

• Vestiging, registratie van de vestiging gegevens.


• Tijdregistratratie, tijjdschrijven door medewerkers en accordering door vestigingsmanagers


• Thuisbezorging, data benodigd voor het bezorgen van ijs- en koffie producten op locaties van klanten.

De uitwerking is gebaseerd op een aantal deelgebieden rond modelleren en deze deelgebieden zijn gebaseerd op het DM-BoK raamwerk. Hierbij zijn de belangrijkste domeinen uitgewerkt vanuit het perspectief van data modelleren.

Het kennisgebied data kwaliteit gaat in op welke wijze een organisatie kan zorgdragen voor data met voldoende kwaliteit afhankelijk van de context. Dit heeft daarmee raakvlakken met onder andere data modelleren, - governance en - architectuur.

Binnen de Alberto case werken we een aantal kennisgebieden uit zoals die ingedeeld zijn in de DaMa Body of Knowledge DMBoK (2.0). Voor de Alberto case werken we niet alle kennisgebieden van de DMBoK uit. Reden daarvoor is dat we vanuit het perspectief van data modelleren naar data management kijken.

In dit hoofdstuk werken we daarom een aantal algemene aspecten uit van data management die in de specifieke kennisgebieden niet of beperkt aan de orde komen. Hier besteden we alleen aandacht aan de algemene aspecten.

Data modelleren is een van de kennisgebieden binnen het DMBoK en modellen uitwerken rond dit kennisgebied beschrijft de data requirements vanuit de organisatie en ondersteunt daarmee de data management functie.

Het analyseren van de gegevens die binnen een bedrijfssysteem zijn opgeslagen en gebruikt, biedt waardevolle inzichten in hoe dat systeem werkt. Een datamodel weerspiegelt de informatiebehoefte van de organisatie en de bedrijfsregels die inherent zijn aan de structuur van de data. Er zijn verschillende technieken die worden gebruikt om gegevens te modelleren

Het metamodel in combinatie met modelleer- en naamgevingsconventie is een belangrijk onderdeel van datamodelleren. Met name als er gemodelleerd wordt door een team van verschillende modelleurs in de organisatie. Het is dan essentieel dat er een aantal afspraken gemaakt wordt over hoe er gemodelleerd wordt en wat de naamgevingsconventie is die gebruikt wordt.
Het metamodel wordt hier uitgewerkt in de voorbeeld van een diagram. Op dit diagram is het metamodel afgebeeld met alle elementen, relaties en attributen etc die gebruikt kunnen worden binnen een diagram ten behoeve van dit metamodel. Daarmee worden dus in een aantal gevallen meerdere relaties weergegeven op een element. Dit toont daarmee aan hoe meerdere elementen van hetzelfde stereotype met elkaar vereenvoudigd kunnen worden.
Daarnaast wordt er op het diagram van het metamodel een checklist getoond die puntsgewijs de condities binnen het metamodel beschrijven. Het kan dus desgewenst bij uitwerkingen van diagrammen gebruikt worden of een modelleur op de juiste wijze het metamodel heeft toegepast.
Deze werkwijze is daarmee wat eenvoudiger dan het uitwerken van metamodellen op basis van een UML klassemodel. Nadeel is daarmee dat niet elke regel in het metamodel volledig uitgemodelleerd kan worden. In deze context is echter de gekozen aanpak meer dan voldoende.
Gebruik de uitwerkingen van de metamodellen als een startpunt voor het toepassen van de metamodellen in de context van de eigen organisatie. Het model is eenvoudig uit te breiden met nieuwe elementen en relaties en met nieuwe condities binnen de checklists.

Navigatie naar de diagrammen over data modelleren gebaseerd op een drielaags datamodel. Er is een uitwerking te vinden met modelleerconventies. Daarnaast is er een voorbeeldcase uitgewerkt van de datamodellen voor de Alberto case.

Boek data modelleren in de praktijk, ook verkrijgbaar via brave new books en leanpub maar hier voor geregistreerde gebruikers

Metadata Modelleren als repository

Voorbeeld repository voor data modelleren met Sparx Enterprise Architect

Modelleren van data security en privacy is gebaseerd op een hiërarchie van maatregelen. Wat het niveau is van deze maatregelen kan gemodelleerd worden met een score matrix. Dit is een bijzondere vorm van data modelleren, omdat het zowel voor de vraag- als aanbodkant van datasets gebruikt kan worden. Het doel is om de beveiligingsmaatregelen (gemodelleerd als requirements) in relatie te brengen met data entiteiten en vervolgens een numerieke- of ordinale waarden worden toegekend.
Voor security wordt vaak een BIV classificatie gebruikt. BIV staat voor Beschikbaarheid, Integriteit en Vertrouwelijkheid. Dit kan uitgebreid worden met een privacy classificatie, waarmee een BIVP classificatie ontstaat. Dit zijn feitelijk bijzondere data kwaliteiten en deze kunnen op soortgelijke wijze gemodelleerd worden.

Modelleren van data security en privacy is gebaseerd op een hiërarchie van maatregelen. Wat het niveau is van deze maatregelen kan gemodelleerd worden met een score matrix. Dit is een bijzondere vorm van data modelleren, omdat het zowel voor de vraag- als aanbodkant van datasets gebruikt kan worden. Het doel is om de beveiligingsmaatregelen (gemodelleerd als requirements) in relatie te brengen met data entiteiten en vervolgens een numerieke- of ordinale waarden worden toegekend.
Voor security wordt vaak een BIV classificatie gebruikt. BIV staat voor Beschikbaarheid, Integriteit en Vertrouwelijkheid. Dit kan uitgebreid worden met een privacy classificatie, waarmee een BIVP classificatie ontstaat. Dit zijn feitelijk bijzondere data kwaliteiten en deze kunnen op soortgelijke wijze gemodelleerd worden.

Modelleren van data kwaliteiten kan met een score matrix. Dit is een bijzondere vorm van data modelleren, omdat het zowel voor de vraag- als aanbodkant van datasets gebruikt kan worden. Het doel is om kwaliteiten (gemodelleerd als requirements) in relatie te brengen met data entiteiten en daar vervolgens numerieke- of ordinale waarden aan toe te kennen.
Score matrices zijn voor verschillende doeleinden te gebruiken, waarbij opvallend is, dat dit zowel in de ontwikkelfase als in de beheerfase hulp biedt, hierbij komt wederom zowel de vraag- als aanbodzijde aan bod.

Modelleren van data kwaliteiten kan met een score matrix. Dit is een bijzondere vorm van data modelleren, omdat het zowel voor de vraag- als aanbodkant van datasets gebruikt kan worden. Het doel is om kwaliteiten (gemodelleerd als requirements) in relatie te brengen met data entiteiten en daar vervolgens numerieke- of ordinale waarden aan toe te kennen.
Score matrices zijn voor verschillende doeleinden te gebruiken, waarbij opvallend is, dat dit zowel in de ontwikkelfase als in de beheerfase hulp biedt, hierbij komt wederom zowel de vraag- als aanbodzijde aan bod.

Navigatie naar de twee hoofdonderdelen van data modelleren. Beschrijving van een metamodel voor datamodelleren en een uitwerking van een fictieve case de Alberto ijssalons.

Verschillende voorbeeld datamodellen voor de fictieve case van Alberto.

Hoofdonderdelen van het metamodel. Ingedeeld naar data governance en een drielaags data model.

Dit is een voorbeeld case waarin we data modellen uitwerken voor Alberto een keten van Italiaanse ijssalons. Op basis van deze uitwerking krijg je een overzicht van de modelleermethoden zoals die toegelicht worden in het boek "Grip op data modelleren. Daarbij zijn in de uitwerking de modellen onderling aan elkaar gerelateerd. Er zijn op basis van drie domeinen in de Alberto case domeinmodellen uitgewerkt:

• Vestiging, registratie van de vestiging gegevens.


• Tijdregistratratie, tijjdschrijven door medewerkers en accordering door vestigingsmanagers


• Thuisbezorging, data benodigd voor het bezorgen van ijs- en koffie producten op locaties van klanten.

De uitwerking is gebaseerd op een aantal deelgebieden rond modelleren en deze deelgebieden zijn gebaseerd op het DM-BoK raamwerk. Hierbij zijn de belangrijkste domeinen uitgewerkt vanuit het perspectief van data modelleren.

Het kennisgebied data kwaliteit gaat in op welke wijze een organisatie kan zorgdragen voor data met voldoende kwaliteit afhankelijk van de context. Dit heeft daarmee raakvlakken met onder andere data modelleren, - governance en - architectuur.

Binnen de Alberto case werken we een aantal kennisgebieden uit zoals die ingedeeld zijn in de DaMa Body of Knowledge DMBoK (2.0). Voor de Alberto case werken we niet alle kennisgebieden van de DMBoK uit. Reden daarvoor is dat we vanuit het perspectief van data modelleren naar data management kijken.

In dit hoofdstuk werken we daarom een aantal algemene aspecten uit van data management die in de specifieke kennisgebieden niet of beperkt aan de orde komen. Hier besteden we alleen aandacht aan de algemene aspecten.

Data modelleren is een van de kennisgebieden binnen het DMBoK en modellen uitwerken rond dit kennisgebied beschrijft de data requirements vanuit de organisatie en ondersteunt daarmee de data management functie.

Het metamodel in combinatie met modelleer- en naamgevingsconventie is een belangrijk onderdeel van datamodelleren. Met name als er gemodelleerd wordt door een team van verschillende modelleurs in de organisatie. Het is dan essentieel dat er een aantal afspraken gemaakt wordt over hoe er gemodelleerd wordt en wat de naamgevingsconventie is die gebruikt wordt.
Het metamodel wordt hier uitgewerkt in de voorbeeld van een diagram. Op dit diagram is het metamodel afgebeeld met alle elementen, relaties en attributen etc die gebruikt kunnen worden binnen een diagram ten behoeve van dit metamodel. Daarmee worden dus in een aantal gevallen meerdere relaties weergegeven op een element. Dit toont daarmee aan hoe meerdere elementen van hetzelfde stereotype met elkaar vereenvoudigd kunnen worden.
Daarnaast wordt er op het diagram van het metamodel een checklist getoond die puntsgewijs de condities binnen het metamodel beschrijven. Het kan dus desgewenst bij uitwerkingen van diagrammen gebruikt worden of een modelleur op de juiste wijze het metamodel heeft toegepast.
Deze werkwijze is daarmee wat eenvoudiger dan het uitwerken van metamodellen op basis van een UML klassemodel. Nadeel is daarmee dat niet elke regel in het metamodel volledig uitgemodelleerd kan worden. In deze context is echter de gekozen aanpak meer dan voldoende.
Gebruik de uitwerkingen van de metamodellen als een startpunt voor het toepassen van de metamodellen in de context van de eigen organisatie. Het model is eenvoudig uit te breiden met nieuwe elementen en relaties en met nieuwe condities binnen de checklists.

Navigatie naar de diagrammen over data modelleren gebaseerd op een drielaags datamodel. Er is een uitwerking te vinden met modelleerconventies. Daarnaast is er een voorbeeldcase uitgewerkt van de datamodellen voor de Alberto case.