Workshop-format

...

Hva må være på plass for å gjennomføre workshop:

• verktøy (er det mulig å bruke sql developer i nettleser?)
  dbeaver?
  Ansvarlig: Geir tester sqldeveloper. Kai gjør et søk på alternativer

• database med data
  Vi kan finne en filmdatabase på nett kanskje
  https://www.w3resource.com/sql-exercises/movie-database-exercise/joins-exercises-on-movie-database.php#google_vignette
  - Finne eksempeldatabase og se om det er mulig å bruke den i vårt valgte verktøy (Geir)
  - trekke ut modellen i valgt verktøy (Kai)
  - lage en pakke som folk kan installere (Daniel)
  en for mac, unix og microsoft

• oppgaver - hva skal vi få de til å gjøre
  Ansvarlig: Kai

• Organisere: Kalle inn til møter - lage dokumentasjon.
  Ansvarlig: Kari

• “Grunnmur” eller GraphQL (presentasjonslag), eller begge deler

• Hvor tett på basen? Eller mer abstrakt på “logisk” datanivå?

• Quiz, s.u. - passe på ikke for mye forlesning, passe mye overkommelig interaktivt med deltakerne

• Hvem lager den mest effektive sqlen?

...

• Hva er datamodellering, og hvorfor driver vi med det?

  • Dataintegritet/-kvalitet

    • Tap av dette kan bli vanvittig dyrt, og kanskje ikke en gang mulig, å rette opp i ettertid

  • Begrepsavklaring

  • Kommunikasjon ml. utviklere/arkitekter/ikke-teknikere om hvordan en del av verden “ser ut“

  • Ytelse (det er en myte at normaliserte modeller gir dårlig ytelse)

  • Datamodellering er en “egen greie“, ikke bare fasilitering av applikasjonsutvikling

    • Beskriver forretningsregler/en del av verden bedriften befatter seg med – på “kanonisk” form

      • Også til fremtidig bruk vi ikke aner noe om nå

• Forskjellige typer/varianter av datamodellering

  • Database

    • Normalisert – “vanlige“ systemer (“operational systems“/”OLTP”)

      • Rettet mot

        • Hyppige, mindre oppdateringer i parallell

        • Enkel rapportering

      • Notasjoner

        • Entity-Relationship (“kråkeføtter“)

        • NIAM/ORM (utgangspunkt for FS og SODA)

      • Nivåer

        • Konseptuell

        • Logisk

        • Fysisk

    • Stjerne – datavarehus/analyse (“OLAP“)

      • Rettet mot

        • Tunge spørringer

        • Batch-oppdateringer

      • Begreper

        • Faktatabeller

        • Dimensjonstabeller

    • Dokumentdatabaser

    • Graf-databaser (Facebook, …)

  • Tekstbasert

    • XML, JSON…

    • GraphQL

    • …

• Perspektiver på datamodellering

  • Dataintegritet

  • Gjenbrukbarhet

  • Ytelse

  • Enkelt å utvikle mot

  • Enkelt å forstå for forretningssiden

  • Enkelt å utvide

  • Top-down/bottom-up

  • Datamodellering er en egen greie – ikke bare fasilitering av utvikling

    • Man klarer ikke forutsi alle bruksområder for dataene i fremtiden

• Historikk

  • To systemer som har overlevd i 30 år

• Prinsipper

  • Generelle

    • Normalisering (atomiske verdier, én ting på ett sted)

    • Unngå sykler

  • Våre

    • Naturlige nøkler

    • Forretningsregler for dataintegritet i databasen

      • Deklarativt (constraints) der man kan

        • Vedlikeholde integritet (stoppe ugyldige oppdateringer)

      • Imperativt (triggere) der man må

        • Vedlikeholde integritet som ikke kan uttrykkes deklarativt

        • Trigge andre endringer (kan også gjelde tekniske ting som logging o.l.)

    • Generalisering/abstraksjon (semantiske forretningsregler i data fremfor i kode)

    • Kodetabeller (istf. f.eks. ENUMs)

...