Datenmodellierung beschreibt den Prozess, mit dem Informationsstrukturen und deren Beziehungen systematisch in formale Modelle überführt werden, um Daten effizient speichern, abfragen und analysieren zu können. Ob für relationale Datenbanken, Data Warehouses oder analytische Datenplattformen - ein durchdachtes Datenmodell bestimmt maßgeblich die Performance und Aussagekraft nachgelagerter Analysen. Das Verständnis von Normalisierung, dimensionaler Modellierung und Modellierungsnotationen bildet das Fundament der Datenbankentwicklung.
Kursinhalt1. Konzeptionelle, logische und physische Datenmodellierung
- ER-Modelle: Entitäten, Attribute und Beziehungen
- Überführung von konzeptionellen in logische Modelle
- Notationsformen: Chen, Crow's Foot, UML
2. Normalisierung und relationale Strukturen
- Erste, zweite und dritte Normalform
- Boyce-Codd-Normalform und Denormalisierung
- Primär- und Fremdschlüssel, referentielle Integrität
3. Dimensionale Modellierung für analytische Systeme
- Sternschema und Schneeflockenschema
- Fakten- und Dimensionstabellen
- Slowly Changing Dimensions (SCD) Typen 1, 2 und 3
4. Datenmodellierung in modernen Datenplattformen
- Datenmodelle in Cloud-Datawarehouses (Snowflake, BigQuery, Redshift)
- Data Vault Modellierung als Alternative
- Dokumentation und Versionierung von Datenmodellen
Berufliche Relevanz
- Datenmodellierungs-Kenntnisse sind in Data-Engineering-, BI- und Datenbankarchitektur-Positionen essenziell
- Ermöglicht die Erstellung performanter und wartbarer Datenbankstrukturen
- Grundlage für Data-Warehouse- und Data-Lakehouse-Projekte