di Maurizio Crisanti
Data Model: come costruirlo, che tool utilizzare e le sue applicazioni.
La modellazione dei dati è un’attività sempre più importante nell’ambito della Data Analysis e della Business Intelligence. I dati rappresentano da tempo un valore importante per ogni azienda, ed è necessario analizzarli proficuamente. La progettazione di un Data Model è attività indispensabile per gestire i set di dati, elaborarli e trarre informazioni qualificate per l’azienda. Cos’è un Data model, come lo si realizza e quali le sue applicazioni: a queste domande cercheremo di rispondere in questo articolo.
Cos’è un Data Model
La creazione di un Data Model consiste nell’elaborare i set di dati, individuare le relazioni logiche tra questi e mostrarli in formato grafico. In sostanza il Data Model trasforma i dati in informazioni accurate e personalizzate, indispensabili per rilevare in tempo reale lo stato di mercati, vendite o fenomeni misurabili e sostenere con approccio scientifico le decisioni strategiche. L’attività di Data Modeling si rivela utile per definire gli obiettivi del modello e le relazioni tra i dati, consentendo inoltre di identificare eventuali dati mancanti o ridondanti ed evitare di produrre rapporti errati. L’attività di progettazione di un Data Model richiede specifiche competenze e tempo per lo sviluppo, ma nel lungo periodo le operazioni di manutenzione e aggiornamento del modello si rivelano veloci ed economiche.
Le fasi di realizzazione di un Data Model
Esistono principalmente tre fasi nella realizzazione di un Data Model:
- Schema concettuale: in questa fase, in genere attraverso un diagramma, si schematizza una modellizzazione della realtà che si vuole esaminare. In questa fase vengono definiti quali set di dati inserire nel modello e quali relazioni rilevare in collaborazione con i top manager. Lo scopo è quello di organizzare e definire i dati di valore per l’azienda e gli obiettivi del modello.
- Schema logico: definisce come implementare il sistema e aggiunge ulteriori informazioni agli elementi del modello concettuale. In questa fase viene definita la struttura degli elementi di dati e vengono impostate le relazioni tra di loro. Esso fornisce gli elementi che saranno alla base del modello fisico.
- Fisico: consiste nella realizzazione di un modello di dati utilizzando un Database Management System. In questa fase si sviluppa effettivamente il database e il sistema di elaborazione e creazione del report e della visualizzazione dei dati.
Creare un Data Model: i tool più utilizzati
Sono tanti i tool che permettono di velocizzare la creazione di un Data Model. Ecco i più utilizzati.
Erwin Data Modeler (DM)
Si tratta di uno strumento di modellazione di dati molto diffuso. Erwin Data Modeler (DM), permette di gestire una vasta gamma di strutture di dati complesse. È possibile creare e visualizzare modelli di dati concettuali, logici o fisici su un’interfaccia grafica ottimizzata. È uno strumento versatile con funzionalità molto utili, come la collaborazione dell’utente e i livelli di autorizzazione, il rilevamento delle modifiche e la visualizzazione di una vasta gamma di ruoli e relazioni tra i dati. Il tool si interfaccia con la maggior parte dei database, tra cui AWS, Azure, Hadoop, Oracle, Teradata, ValidDB e molti altri.
MagicDraw
Sviluppato da NoMagic Inc. è uno strumento di modellazione progettato per un’ampia varietà di linguaggi di modellazione, tra cui UML, SysML e AADL, e di programmazione (Java, C #, C ++). Il tool supporta più piattaforme, sistemi operativi e ambienti, poiché è stato progettato come un’applicazione Java.
MagicDraw offre la collaborazione di gruppo su un server comune, il supporto gratuito e un design piuttosto intuitivo. Gli sviluppatori della piattaforma dichiarano che il 75% delle funzionalità aggiunte si basa sul feedback diretto degli utenti. Esiste una versione standard, una professionale e una enterprise.
PowerDesigner
PowerDesigner 16.6 di SAP è uno strumento di Data Modeling professionale, utilizzato nella progettazione di database in ambienti Windows ed Eclipse. Offre modelli concettuali, logici e fisici, diagrammi UML, Java J2EE, Microsoft .NET, Visual Studio e molto altro. Alcune delle principali funzionalità supportate includono la visualizzazione dei dati, l’analisi dell’impatto e la ricerca e il riutilizzo e altre funzionalità menzionate nel software di cui sopra.
ArgoUML
Ecco uno strumento di modellazione dei dati completamente gratuito e open source: ArgoUML offre un’interfaccia standardizzata per la visualizzazione di tutti i file UML. Come MagicDraw, il tool è costruito in linguaggio Java, che lo rende compatibile con tutte le piattaforme. Il tool richiede solo 15 MB di spazio libero su disco, ed è lo strumento di progettazione di un database più leggero sul mercato. La piattaforma ospita anche un wiki, un forum online e un manuale utente approfondito che ne facilitano l’utilizzo.
Le applicazioni di un Data Model
Le applicazioni di un Data Model riguardano tutti i settori. Se ben progettato il modello è in grado di fornire al management dell’azienda elementi utili a guidare le decisioni, fondandole sui dati. Nelle versioni più evolute, un Data Platform integrata da algoritmi di AI, come DataLysm, può fornire elementi di analisi predittiva, già ampiamente utilizzata nel settore delle previsioni meteo, nel settore finance e nel digital marketing.
Ecco alcune applicazioni di DataLysm a specifici settori, sviluppate da 3rdPlace per i suoi clienti:
Settore Assicurazioni
Attraverso l’attività di data Modeling è stato possibile misurare analiticamente la propensione al rischio degli automobilisti, per poi ridefinire i premi assicurativi. I dataset estratti dalle blackbox installate sulle automobili sono stati inseriti in un Data Model con Intelligenza Artificiale.
Settore Business Information & Credit Management
Il committente ha richiesto di rilevare al meglio la misura del rischio default delle aziende. Si è deciso di arricchire i dataset tradizionali, come i dati economico-finanziari, con dati digitali, ad esempio l’attività e l’analisi reputazionale sul web della singola azienda, applicando al modello l’AI.
Settore Beni di consumo
L’esigenza era quella di misurare le potenzialità e la performance di punti vendita fisici cross-country individuando bacini di acquirenti potenziali. Si è scelto di segmentare gli utenti di uno o più punti vendita all’interno di mercati specifici attraverso la combinazione di dati socio-economici territoriali, delle caratteristiche della distribuzione e degli Alternative Data. È stato quindi possibile creare uno score per favorire l’allineamento di alcuni punti vendita ai negozi target.
Conclusioni
La creazione di un Data Model permette di organizzare e analizzare i dati, creando report facilmente intellegibili, a disposizione di tutti i settori aziendali. È possibile mettere in relazione i dati dell’azienda con set di dati esterni, automatizzando la creazione di rappresentazioni grafiche che fotografano esattamente la realtà, rilevandola in modo dinamico.
Un modello di dati permette di dare valore economico e strategico ai database, mostrando l’andamento del mercato, i risultati di operazioni di marketing e le tendenze, offrendo indicazioni preziose, prima che le abbiano i concorrenti.
