Datenmodellierung ist der Prozess, aus der realen Welt ein tragfähiges Datenmodell zu entwickeln: Sie übersetzt Anforderungen in Strukturen, die eine Datenbank später speichern kann. Das Ergebnis ist der Bauplan für das Datenbankschema – die Grundlage jeder sauberen Datenbankentwicklung.
Die drei Ebenen der Datenmodellierung
Datenmodellierung läuft typischerweise in drei Ebenen ab, die sich vom Abstrakten zum Konkreten bewegen:
- Konzeptionelle Ebene: Sie beschreibt Entitäten, Beziehungen und Geschäftsregeln ohne technische Details – klassisch als Entity-Relationship-Modell (ERM).
- Logische Ebene: Das konzeptionelle Modell wird in Tabellen, Schlüssel und Datentypen übersetzt – meist als relationales Modell, unabhängig vom konkreten Datenbanksystem.
- Physische Ebene: Das logische Modell wird für ein bestimmtes DBMS umgesetzt: Speicherung, Indizes, Partitionierung. Erst hier spielen Herstellerdetails eine Rolle.
Vorgehen: Top-down oder Bottom-up
Beim Top-down-Ansatz startet man bei den Geschäftsprozessen und verfeinert das Modell schrittweise – geeignet für neue Systeme. Bottom-up arbeitet umgekehrt von bestehenden Datenbeständen oder Formularen aus und ist typisch, wenn Alt-Systeme abgelöst werden. In der Praxis kombinieren viele Projekte beide Richtungen.
Das Ergebnis der konzeptionellen Arbeit ist ein Diagramm; die logische Ebene prüft es auf Widersprüche und wendet die Regeln der Normalisierung an. Manchmal führt die Abwägung zwischen Konsistenz und Geschwindigkeit auch zur bewussten Denormalisierung – ein guter Datenmodellierer kennt beide Seiten.
Notationen und Werkzeuge
Neben der Chen-Notation des ERM sind die Kießling-Notation und UML-Klassendiagramme verbreitet; Entity Relationship Modeling und relationale Modellierung sind die zugehörigen Arbeitstechniken. Werkzeuge reichen von einfachen Zeichenprogrammen über spezialisierte Modellierungstools bis zu Datenbank-Designern, die das physische Schema direkt erzeugen.
Gute Datenmodellierung zahlt sich doppelt aus: Sie verhindert Redundanz und Inkonsistenz, erleichtert Erweiterungen und macht Abfragen – die später auf der relationalen Algebra aufbauen – deutlich effizienter. Für viele Projekte ist die Wahl zwischen relationalen und NoSQL-Systemen ebenfalls eine Datenmodellierungs-Entscheidung, denn NoSQL verlangt eigene Modelle wie Dokumente, Graphen oder Schlüssel-Wert-Paare.
Verwandte Grundlagen: Datenmodell · Datenbankschema.