데이터 모델링이란 무엇인가요?

데이터 모델링의 목표는 시스템 내에서 사용 및 저장되는 데이터 유형, 이러한 데이터 유형 간의 관계, 데이터를 그룹화하고 구성하는 방법, 형식 및 속성을 설명하는 것입니다.

데이터 모델은 비즈니스 요구 사항을 중심으로 구축됩니다. 규칙과 요구 사항은 비즈니스 이해관계자의 피드백을 통해 미리 정의되므로, 새 시스템 설계에 통합하거나 기존 시스템을 반복하면서 조정할 수 있습니다.

데이터는 다양한 추상화 수준에서 모델링할 수 있습니다. 이 프로세스는 이해관계자 및 최종 사용자로부터 비즈니스 요구 사항에 대한 정보를 수집하는 것으로 시작됩니다. 그런 다음 이러한 비즈니스 규칙을 데이터 구조로 변환하여 구체적인 데이터베이스 설계를 공식화합니다. 데이터 모델은 로드맵, 아키텍트의 청사진 또는 설계 중인 내용을 더 깊이 이해할 수 있는 공식적인 다이어그램에 비유할 수 있습니다.

데이터 모델링은 표준화된 스키마와 공식적인 기법을 사용합니다. 이는 조직 전체 또는 그 밖의 영역에서 데이터 리소스를 정의하고 관리할 때 공통적이고 일관되며 예측 가능한 방법을 제공합니다.

이상적으로 데이터 모델은 변화하는 비즈니스 요구 사항에 따라 진화하고 살아있는 문서입니다. 이러한 모델은 비즈니스 프로세스를 지원하고 IT 아키텍처 및 전략을 계획하는 데 중요한 역할을 합니다. 데이터 모델은 공급업체, 파트너 및/또는 업계 동료와 공유할 수 있습니다.

모든 설계 프로세스와 마찬가지로 데이터베이스 및 정보 시스템 설계는 높은 수준의 추상화에서 시작하여 점점 더 구체적이고 명확하게 변합니다. 데이터 모델은 일반적으로 추상화 정도에 따라 세 가지 카테고리로 나눌 수 있습니다. 이 프로세스는 개념적 모델로 시작하여 논리적 모델로 진행하고 물리적 모델로 마무리됩니다. 각 데이터 모델 유형에 대해서는 다음 섹션에서 자세히 설명합니다.

도메인 모델이라고도 하며, 시스템에 무엇이 포함될지, 어떻게 구성될지, 어떤 비즈니스 규칙이 포함될지 등에 대한 전반적인 관점을 제공합니다. 개념적 모델은 일반적으로 초기 프로젝트 요구 사항을 수집하는 프로세스의 일부로 만들어집니다. 일반적으로 엔티티 클래스(비즈니스에서 데이터 모델에 표현하는 데 중요한 사물의 유형을 정의), 특성 및 제약 조건, 엔티티 클래스와 관련 보안 및 데이터 무결성 요구 사항 간의 관계를 포함합니다. 모든 표기법은 일반적으로 간단합니다.

덜 추상적이며, 고려 중인 도메인의 개념과 관계에 대한 더 자세한 정보를 제공합니다. 여러 공식 데이터 모델링 표기법 시스템 중 하나를 따릅니다. 데이터 유형 및 해당 길이와 같은 데이터 속성을 나타내며 엔티티 간의 관계를 보여줍니다. 논리적 데이터 모델은 기술 시스템 요구 사항을 지정하지 않습니다. 애자일 또는 DevOps 방식에서는 이 단계가 생략되는 경우가 많습니다. 논리적 데이터 모델은 고도로 절차적인 구현 환경이나 본질적으로 데이터 지향적인 프로젝트(예: 데이터 웨어하우스 설계 또는 보고 시스템 개발)에 유용할 수 있습니다.

이는 데이터베이스 내에서 데이터가 물리적으로 저장되는 방식에 대한 스키마를 제공합니다. 따라서 가장 추상성이 적습니다. 엔티티 간의 관계를 설명하는 연관 테이블과 이러한 관계를 유지하는 데 사용되는 기본 키 및 외래 키를 포함하여 관계형 데이터베이스로 구현할 수 있는 최종 설계를 제공합니다. 물리적 데이터 모델에는 성능 튜닝을 포함한 데이터베이스 관리 시스템(DBMS) 관련 속성이 포함될 수 있습니다.

하나의 분야로서 데이터 모델링은 이해관계자가 데이터 처리 및 스토리지를 매우 상세하게 평가하도록 유도합니다. 데이터 모델링 기술에는 데이터를 나타내는 데 사용되는 기호, 모델 배치 방식, 비즈니스 요구 사항을 전달하는 방식을 지정하는 다양한 규칙이 있습니다. 모든 접근 방식은 반복적인 방식으로 수행할 일련의 작업을 포함하는 공식화된 워크플로를 제공합니다. 이러한 워크플로는 일반적으로 다음과 같습니다.

1. 엔티티를 식별합니다. 데이터 모델링 프로세스는 모델링할 데이터 세트에 표현되는 사물, 이벤트 또는 개념을 식별하는 것으로 시작됩니다. 각 엔티티는 응집력이 있어야 하며 다른 모든 엔티티와 논리적으로 분리되어 있어야 합니다.
2. 각 엔티티의 주요 속성을 식별합니다. 각 엔터티 유형은 속성(attribute)이라 불리는 하나 이상의 고유한 속성을 가지고 있기 때문에 다른 모든 것과 구별될 수 있습니다. 예를 들어, '고객'이라는 엔티티는 이름, 성, 전화번호, 인사말와 같은 속성을 소유할 수 있는 반면, '주소'라는 엔티티는 도로명과 번호, 도시, 주, 국가 및 우편번호를 포함할 수 있습니다.
3. 엔티티 간의 관계를 식별합니다. 데이터 모델의 가장 초안은 각 엔티티가 다른 엔티티와 맺는 관계의 특성을 지정합니다. 위의 예에서 각 고객은 주소에 '거주'합니다. 이 모델을 '주문'이라는 엔티티를 포함하도록 확장하면 각 주문은 주소로 배송되고 청구됩니다. 이러한 관계는 일반적으로 통합 모델링 언어(UML)를 통해 문서화됩니다.
4. 속성을 엔티티에 완전히 매핑합니다. 이를 통해 비즈니스에서 데이터를 사용하는 방식이 모델에 반영됩니다. 몇 가지 공식적인 데이터 모델링 패턴이 널리 사용되고 있습니다. 객체 지향 개발자는 종종 분석 패턴이나 디자인 패턴을 적용하는 반면, 다른 비즈니스 분야의 이해관계자는 다른 패턴을 사용할 수도 있습니다.
5. 필요에 따라 키를 할당하고, 중복성을 줄여야 하는 필요성과 성능 요구 사항 간의 균형을 맞출 수 있는 정규화 수준을 결정합니다. 정규화는 키라고 하는 숫자 식별자를 데이터 그룹에 할당하여 데이터를 반복하지 않고 데이터 간의 관계를 표현하여 데이터 모델(및 모델이 나타내는 데이터베이스)을 구성하는 기법입니다. 예를 들어 고객에게 각각 키가 할당된 경우 고객 이름 표에서 이 정보를 반복하지 않고도 해당 키를 고객의 주소와 주문 내역에 연결할 수 있습니다. 정규화는 데이터베이스에 필요한 스토리지 공간을 줄이는 경향이 있지만 쿼리 성능이 저하될 수 있습니다.
6. 데이터 모델을 완료하고 검증합니다. 데이터 모델링은 비즈니스 요구 사항의 변화에 따라 반복하고 개선해야 하는 반복적인 프로세스입니다.

데이터 모델링은 데이터베이스 관리 시스템과 함께 발전해 왔으며, 기업의 데이터 스토리지 요구 사항이 증가함에 따라 모델 유형이 점점 더 복잡해지고 있습니다. 다음은 몇 가지 모델 유형입니다.

• 계층적 데이터 모델은 일대다 관계를 트리 형식으로 표현합니다. 이 유형의 모델에서 각 레코드에는 단일 루트 또는 하나 이상의 하위 테이블에 매핑되는 상위 요소가 있습니다. 이 모델은 1966년에 도입된 IBM Information Management System(IMS)에서 구현되었으며, 특히 은행권에서 빠르게 널리 사용되었습니다. 이 접근 방식은 최근에 개발된 데이터베이스 모델보다 효율성은 떨어지지만 확장 가능한 마크업 언어(XML) 시스템과 지리 정보 시스템(GIS)에서는 여전히 사용되고 있습니다.
• 관계형 데이터 모델은 IBM 연구원 E.F. Codd가 1970년에 처음 제안했습니다. 이러한 방식은 오늘날에도 엔터프라이즈 컴퓨팅에서 일반적으로 사용되는 다양한 관계형 데이터베이스에 구현되어 있습니다. 관계형 데이터 모델링은 사용 중인 데이터 스토리지의 물리적 속성을 자세히 이해할 필요가 없습니다. 이 데이터 모델링은 테이블을 사용하여 데이터 세그먼트를 명시적으로 결합하여 데이터베이스 복잡성을 줄입니다.

관계형 데이터베이스는 데이터 관리를 위해 구조화된 쿼리 언어(SQL)를 사용하는 경우가 많습니다. 이러한 데이터베이스는 데이터 무결성을 유지하고 중복성을 최소화하는 데 효과적이며, POS 시스템뿐만 아니라 다른 유형의 거래 처리에도 자주 사용됩니다.

• 엔티티-관계(ER) 데이터 모델은 공식적인 다이어그램을 사용하여 데이터베이스의 엔터티 간의 관계를 나타냅니다. 데이터 아키텍트는 데이터베이스 설계 목표를 전달하는 시각적 맵을 만들기 위해 여러 ER 모델링 도구를 사용합니다.
• 객체 지향 데이터 모델은 객체 지향 프로그래밍으로 주목을 받았으며 1990년대 중반에 대중화되었습니다. 관련된 '객체'는 현실 세계 엔티티의 추상화입니다. 객체는 클래스 계층 구조로 그룹화되며 관련 특성을 지니고 있습니다. 객체 지향 데이터베이스는 테이블을 통합할 수 있을 뿐만 아니라 더 복잡한 데이터 관계도 지원할 수 있습니다. 이 접근 방식은 멀티미디어 및 하이퍼텍스트 데이터베이스와 기타 사용 사례에 사용됩니다.
• 차원 데이터 모델은 Ralph Kimball이 개발했으며, 데이터 웨어하우스에서 분석 목적으로 데이터 검색 속도를 최적화하도록 설계되었습니다. 관계형 및 ER 모델은 효율적인 스토리지를 강조하는 반면, 차원 모델은 보고 및 검색을 위해 정보를 더 쉽게 찾을 수 있도록 중복성을 높입니다. 이 모델링은 일반적으로 OLAP 시스템 전반에서 사용됩니다.

널리 사용되는 두 가지 차원 데이터 모델은 별 스키마로, 데이터가 팩트(측정 가능한 항목)와 차원(참조 정보)으로 구성하고 각 팩트는 별 모양 패턴의 관련 차원으로 둘러싸여 있습니다. 다른 하나는 눈송이 스키마로, 별 스키마와 비슷하지만 관련 차원의 추가 계층을 포함하기 때문에 분기 패턴이 더 복잡해집니다.

데이터 모델링을 사용하면 개발자, 데이터 아키텍트, 비즈니스 분석가 및 기타 이해관계자가 데이터베이스 또는 데이터 웨어하우스에 있는 데이터 간의 관계를 더 쉽게 보고 이해할 수 있습니다. 또한 다음을 수행할 수 있습니다.

• 소프트웨어 및 데이터베이스 개발의 오류를 줄입니다.
• 기업 전체의 문서 및 시스템 설계의 일관성을 높입니다.
• 애플리케이션 및 데이터베이스 성능을 개선합니다.
• 조직 전체에서 데이터를 쉽게 매핑할 수 있습니다.
• 개발자와 비즈니스 인텔리전스 팀 간의 커뮤니케이션을 개선합니다.
• 개념적, 논리적, 물리적 수준에서 데이터베이스 설계 프로세스를 쉽고 빠르게 진행할 수 있습니다.

오늘날 다양한 데이터 모델링, 다이어그램 작성, 시각화 도구를 포함하여 수많은 상용 및 오픈 소스 컴퓨터 지원 소프트웨어 엔지니어링 (CASE) 솔루션이 널리 사용되고 있습니다. 몇 가지 예는 다음과 같습니다.

• erwin Data Modeler는 정보 모델링을 위한 통합 DEFinition(IDEF1X) 데이터 모델링 언어를 기반으로 하는 데이터 모델링 도구로, 이제 차원 접근법을 비롯한 다른 표기법 방법론을 지원합니다.
• Enterprise Architect는 엔터프라이즈 정보 시스템 및 아키텍처는 물론 소프트웨어 애플리케이션 및 데이터베이스의 모델링을 지원하는 시각적 모델링 및 설계 도구입니다. 객체지향 언어와 표준을 기반으로 합니다.
• ER/Studio는 오늘날 가장 널리 사용되는 여러 데이터베이스 관리 시스템과 호환되는 데이터베이스 설계 소프트웨어입니다. 관계형 데이터 모델링과 차원 데이터 모델링을 모두 지원합니다.
• 무료 데이터 모델링 도구에는 Open ModelSphere와 같은 오픈 소스 솔루션이 포함됩니다.