Coaching: Datenmodellierung und Architekturen

Agenda-Vorschlag

Advanced Conceptual Modeling

• Abstrakte Entitäten und deren Anwendungsfälle
• Generalisierung und Spezialisierung von Entitäten
• Vererbung in Datenmodellen
• Aggregation und Komposition
• Praktische Übungen zur Anwendung fortgeschrittener Konzepte

Advanced Logical Modeling

• Normalisierung: 1NF bis 5NF
• Denormalisierung für Performance
• Surrogate vs. Natural Keys
• Referentielle Integrität und Constraints
• Index-Strategien für optimale Performance

Data Modeling Patterns

• Star Schema und Snowflake Schema
• Galaxy Schema und Fact Constellations
• Slowly Changing Dimensions (SCD Typ 1-6)
• Bridge Tables und Junk Dimensions
• Event Sourcing und CQRS

Big Data Modeling

• NoSQL-Datenmodelle: Key-Value, Document, Column-Family, Graph
• CAP-Theorem und BASE vs. ACID
• Datenmodellierung für MongoDB, Cassandra, HBase
• Polyglot Persistence-Strategien
• Skalierbarkeit und Partitionierung

Temporal Data Modeling

• Historisierung und Versionierung
• Bi-Temporal Data Modeling
• Valid Time vs. Transaction Time
• Slowly Changing Dimensions in der Praxis
• Snapshot- und Delta-Strategien

Geospatial Data Modeling

• Spatial Data Types und Koordinatensysteme
• R-Trees und Spatial Indexing
• Proximity Queries und Geofencing
• Integration mit GIS-Systemen

Data Warehouse Modeling

• Kimball vs. Inmon Ansätze
• Dimensional Modeling im Detail
• Data Vault 2.0 Grundlagen
• Anchor Modeling
• Best Practices für moderne Data Warehouses

Data Quality und Governance

• Data Quality Frameworks
• Master Data Management (MDM)
• Metadata Management
• Data Lineage und Impact Analysis
• Compliance und Datenschutz (DSGVO, GDPR)

Voraussetzungen

grundlegende Kenntnisse in Datenbanken und Datenstrukturen. Erfahrung mit SQL ist vorteilhaft. Ein Basiswissen zu Cloud-Diensten sind hilfreich.