Skip to end of metadata
Go to start of metadata

You are viewing an old version of this page. View the current version.

Compare with Current View Page History

« Previous Version 5 Next »

Workshop-format

  • Case?

  • “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?

Fra prosess til applikasjon - lite prosjekt men vise veien og hvordan vi tenker.

  • Er testdata/kode for generering av testdata en del av databasekoden som må lages?

  • Hvordan tester man databasekode/triggere?

Lyntale

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

  • Forskjellige typer/varianter av datamodellering

    • Database

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

        • Notasjoner

          • Entity-Relationship (“kråkeføtter“)

          • NIAM/ORM (utgangspunkt for FS og SODA)

        • Nivåer

          • Konseptuell

          • Logisk

          • Fysisk

      • Stjerne – datavarehus/analyse (“OLAP“)

      • Dokument

    • Tekstbasert

      • XML, JSON…

      • GraphQL

  • Perspektiver på datamodellering

    • Dataintegritet

    • Ytelse

    • Enkelt å utvikle mot

    • Enkelt å forstå for forretningssiden

    • Top-down/bottom-up

  • Historikk

    • To systemer som har overlevd i 30 år

  • Prinsipper

    • Generelle

      • Normalisering (“én ting på ett sted“)

      • Unngå sykler

    • Våre

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

      • Naturlige nøkler

      • Datanære forretningsregler i databasen

      • Kodetabeller (istf. f.eks. ENUMs)

Momenter fra seksjonsmøte

  • Prinsipper vi har landet på i Studieadministrasjon og hvorfor

    • Normalisering for datakvalitet, gjenbrukbarhet og utvidbarhet

  • GraphQL-biten er mer applikasjonsnært, hvordan endrer dette hvordan vi tenker?

    • Det samme gjelder kanskje stjerne-modellering for datavarehus

  • Hvordan setter man dette opp i en base

    • Hvordan setter man opp søk

    • Andre krav til systemet

    • Hva med ytelse?

  • Relasjonelle databaser og dokumentdatabaser

  • Finne en case for workshop

  • Modellerer man underveis så blir rekkefølgen man utvikler applikasjonene i førende for den resulterende modellen

    • Man tenker ikke bredt nok fra begynnelsen av

    • Tror ikke navnestandarder er viktige (skjønner man først etter noen år)

  • To forskjellige måter å tenke på, gjør det vanskelig å samarbeide

    • Vanskelig å lage en solid grunnmur når man er omringet av ivrige snekkere som vil hamre!

    • Applikasjonsutviklere tenker “hva har jeg bruk for akkurat nå”

    • Databaseutviklere tenker “hva kommer vi til å få bruk for om 5 år”

  • Utvidbarhet er helt nødvendig for å lykkes

  • Vi må forsøke å rive ned siloene/leir-tankegangen, ved å involvere applikasjonsutviklerne på et tidligere stadium.

  • Hva med ytelse?

    • Quiz! Gjett ytelsen!

    • “Joins er dyrt!” – Alle utviklere som ikke stoler på databasen sin.

    • Tips og triks for forbedring av ytelse.

  • Hva med historikk og audit

    • Modellere eksplisitt eller finnes det “verktøystøtte”

  • Hva med logger og køer?

    • Fordeler og ulemper med å bruke tabeller i databasen

  • Databasen er et utviklingsverktøy

    • Fremmed måte å tenke på for mange

    • Man kan likevel gjøre moderne utvikling/devops osv

  • Hva med forretningslogikk?

    • Hva bør vi legge hvor?

    • Relasjonelle databaser er gode på å datakvalitet og datasikkerhet

      • Det kommer alltid til å skje ad-hoc SQL

      • For fagsystem → datakvalitet über alles

  • Hva med testdata?

    • Kan man bruke databaseskjemaet til å generere testdata?

    • CHECK-constraints kan bidra til å

  • Bruk av data til å generere kode

    • Bruke katalog-tabellene i databasen

    • Egne katalog-tabeller som beriker dette ytterligere

  • No labels