Warum die Data Model Scorecard verwenden?

Schon einmal darüber nachgedacht, wie gut ein Datenmodell ist? Ob es möglich ist, ein Datenmodell mit der Data Model Scorecard objektiv zu bewerten?

Die objektive Bewertung von Datenmodellen und die Festlegung von Datenqualitätszielen ist nicht einfach. Allzu oft spielen Emotionen bei der Überprüfung eines Datenmodells eine große Rolle. Wer möchte schon für sein Datenmodell, sein Baby, kritisiert werden. Interessanterweise ist dies gerade bei Datenmodellen besonders schwierig, berichtet Diego Pasión aus seinem Coaching-Alltag bei FastChangeCo [1]. 

(Der ursprüngliche Blog-Eintrag Data Model Scorecard aus dem Jahr 2017 kann hier noch einmal nachgelesen werden.) 

Ein Datenmodell bewerten

Denn in der Softwareentwicklung gibt es seit Jahren Test- und Qualitätssicherungsmethoden wie ISTQB, IEEE, RUP, ITIL, COBIT. Auch in Data-Warehouse-Projekten (im Folgenden Datenlösung genannt) gibt es etablierte Testmethoden u.a. für Ladeprozesse, Datenqualität, Sicherheit. Für Datenmodelle? Selten bis nie!

Aber warum ist das so?

Diego antwortet auf diese Frage meist so: “Leider scheint die Aufgabe oder besser die Rolle des Datenmodellierers noch nicht den Stellenwert erreicht zu haben, den sie verdient. Wenn ich mich umschaue, höre ich in Unternehmen immer wieder: Datenmodellierung kann doch jeder, das ist ganz einfach, ein paar Tabellen in Power Point oder Visio zeichnen oder am besten gleich in der Datenbank anlegen. Oder noch schlimmer: Datenmodellierung ist abstrakt, zeitaufwendig oder gar unnötig”.

Das stimmt aber nicht!

Denn die Datenmodellierung ist eine Methode zur Darstellung der (unternehmensweiten) Informations- und Datenlandschaft und gleichzeitig ein Werkzeug, um mit Fachexperten über Geschäftsbegriffe, deren Definitionen und Geschäftsregeln (der Grund für die Beziehungen zwischen den Geschäftsbegriffen) zu kommunizieren!

Es ist eine Kunst für sich, alle Teile einer Datenlösung zu einem kohärenten Ganzen zusammenzufügen, wie z.B:

• Fakten, Anforderungen und Wertschöpfungskette (als relationales fachliches Datenmodell, z.B. als Entity Relationship oder FCO-IM Datenmodell)
• Analytische Anforderungen (als dimensionales fachliches Datenmodell, z.B. als Star Schema Datenmodell)
• Operative Systeme (als relationales fachliches Datenmodell zum besseren Verständnis des operativen Systems)
• Berichte (als dimensionales fachliches Datenmodell, z.B. als fachliches Star Schema Datenmodell)

Fachliche Datenmodelle sind das Herzstück jeder Datenlösung. Zusammen mit der Datenarchitektur entscheiden sie über Erfolg oder Misserfolg eines langfristigen Projekts wie einer Datenlösung.

In der Data Doctrine heißt es sinngemäß: ‘Stabile Datenstrukturen sind wertvoller und wichtiger als stabiler Code’. Das bedeutet, dass auch die beste Automatisierungslösung oder Datenobjekte in einer Datenbank noch lange keine gute, nachhaltige und wertvolle Datenlösung schaffen.

Denn was nützt es, wenn zwar alle Daten automatisiert verarbeitet und gespeichert werden, diese aber keiner fachlichen Struktur entsprechen und somit keinen Mehrwert für die Nutzer der Daten schaffen? Genau: wenig bis gar nichts.

Aus diesem Grund ist eine qualitative Überprüfung aller Arten von Datenmodellen von grundlegender und essentieller Bedeutung für das Unternehmen. FastChangeCo hat dies erkannt, denn gerade qualitativ gute fachliche Datenmodelle, die mit einer objektiven Scorecard geprüft werden, sind wertschöpfend und von großer Bedeutung für das Unternehmen.

Diese Erkenntnis hat FastChangeCo dazu veranlasst, Datenmodelle als Unternehmens-Asset zu betrachten. Sylvia Seven, CFO von FastChangeCo, bringt es auf den Punkt: "Nur mit qualitativ hochwertigen Datenmodellen kann FastChangeCo in Zukunft bei der Entwicklung von Datenlösungen Millionen von Euro durch technologieunabhängige Wiederverwendbarkeit einsparen"[3].

Die Data Model Scorecard

Aber wie bestimmt man die Qualität eines Datenmodells? Und wie testet man das Datenmodell?

Ein mögliches Werkzeug zur Verbesserung der Qualität von Datenmodellen ist die Data Model Scorecard® von Steve Hoberman [2].

Diego verwendet sie sowohl in seinen eigenen Projekten als auch als Werkzeug zur objektiven und unabhängigen Überprüfung von Datenmodellen bei seinen Kunden. Was ihm an der Scorecard gefällt, ist, dass sie in 10 Abschnitte zur Validierung eines Datenmodells unterteilt ist. Und jeder dieser Abschnitte hilft bei der Erstellung eines Datenmodells oder bei der Überprüfung eines Datenmodells auf dem Weg zu einem besseren Datenmodell.

Die zehn Kategorien, die typischerweise mit der Scorecard überprüft werden, sind

1. Korrektheit - Entspricht das Modell den Anforderungen?
2. Vollständigkeit - Ist das Modell vollständig, aber ohne "Gold Plating"?
3. Schema - Entspricht das Modell seinem Schema (relational, dimensional, Ensemble oder NoSQL - konzeptionell, logisch oder physikalisch)?
4. Struktur - Ist das Datenmodell konsistent, integer und folgt es den grundlegenden Regeln der Datenmodellierung?
5. Abstraktion - Hat das Datenmodell die richtige Balance zwischen Generalisierung und Spezialisierung?
6. Standards - Folgt das Datenmodell den (verfügbaren) Regel- und Namensstandards?
7. Lesbarkeit - Ist das Datenmodell in einem lesbaren Layout dargestellt?
8. Definitionen - Gibt es korrekte, vollständige und eindeutige Definitionen für Entitäten und Attribute?
9. Konsistenz - Verwendet das Datenmodell die gleiche Struktur und Terminologie innerhalb der Organisation (Datenmodell)?
10. Daten - Wurde ein Datenprofil erstellt und entsprechen die Attribute und Regeln des Datenmodells der Realität?

Gibt es Herausforderungen?

“Natürlich, und die sind nicht zu unterschätzen”, berichtet Diego aus seinem Projektalltag. “Dazu gehört vor allem, die Scorecard konsequent anzuwenden und in erster Linie in den Projektalltag zu integrieren. Im Review selbst ist es immer wieder eine Herausforderung, den nötigen Input zu bekommen, um die Datenmodelle (überhaupt) verifizieren zu können. Aber nach einigen durchgeführten Reviews wird es besser,” meint Diego.

Ein Beispiel aus der Praxis

Diego zeigt uns ein Beispiel aus seinem Projektalltag, das die finale Scorecard nach einem Review zeigt:

“Hier ist eine Scorecard, die ich für einen Kunden zur Überprüfung seines Datenmodells erstellt habe. Es war ein gutes Ergebnis beim ersten Review. Aber um ehrlich zu sein: Um 90 % oder mehr zu erreichen, ist eine Menge Arbeit nötig!"

Die Data Model Scorecard ist eine Möglichkeit, ein Datenmodell qualitativ zu bewerten. Dazu können auch bereits im Unternehmen vorhandene Qualitätssicherungen genutzt werden oder man greift diese auf und integriert sie in die Scorecard oder sie dienen als Basis für eigene Ideen für eine angepasste Scorecard.

Wichtig ist, dass die Qualität des Datenmodells überhaupt “getestet” wird und die dafür notwendigen Kriterien festgelegt werden.

Das war es für heute mit einer neuen Geschichte aus der Welt von FastChangeCo. Wer noch Fragen zur Data Model Scorecard® hat, kann unten einen Kommentar hinterlassen oder mir direkt eine Nachricht schicken.

Bis bald,
Dirk

[1] Diego Pasión, Coach, eine fiktive Figur in der fiktiven Welt von FastChangeCo^TM.
[2] S. Hoberman, Data Modeling Scorecard, Technics Publication, LLC, 2015.
[3] Sylvia Seven, CFO, eine fiktive Figur in der fiktiven Welt von FastChangeCo^TM.