Quelle est la différence entre un modèle de données logique et un modèle de données physique ?
Quelle est la différence entre un modèle de données logique et un modèle de données physique ?
Les modèles de données logiques et les modèles de données physiques constituent deux étapes importantes de la conception des données. La modélisation des données est le processus de création d’une représentation visuelle ou d’un plan qui aide les différentes parties prenantes à générer une vue unifiée des données de l’organisation. Cela commence par la modélisation conceptuelle des données, dans le cadre de laquelle vous créez une représentation abstraite de haut niveau de vos entités de données, de vos attributs et de leurs relations avec les entrées des utilisateurs professionnels.
Le modèle de données logique est une version plus raffinée du modèle conceptuel. Il représente de manière schématique les contraintes de données, les noms des entités et les relations à mettre en œuvre de manière indépendante à la plateforme. Le modèle de données physique affine davantage le modèle de données logique à implémenter sur une technologie de base de données spécifique. Les modèles de données logiques et les modèles de données physiques définissent la structure, l’organisation et les règles des données pour permettre un stockage, une extraction et une manipulation efficaces.
Représentation : modèle de données logique vs modèle de données physique
Les modèles de données logiques et les modèles de données physiques sont des outils qui garantissent que les exigences métier sont représentées avec précision dans une base de données physique. Ils fournissent différents niveaux de détails techniques pour faciliter la conception de la base de données tout en préservant la perspective métier.
Représentation d’un modèle de données logique
Avec un modèle de données logique, les analystes métier et les architectes de données peuvent visualiser les processus opérationnels ou transactionnels dans un diagramme des relations entre les entités. Les modèles de données logiques définissent le fonctionnement et les transactions des objets de données d’une manière que les parties prenantes métier comprennent. En tant que tels, ils sont conçus indépendamment de la base de données réelle sur laquelle ils seront déployés ultérieurement.
Le schéma suivant montre un exemple de modèle de données logique pour un système de billetterie sportive.
Chaque tableau décrit les entités de données et leurs attributs respectifs en termes métier courants. Par exemple, l’entité person contient full_name et last_name comme attributs. Pour toutes les entités, vous désignez une clé primaire (PK) pour différencier les attributs de chaque ligne. Certaines entités contiennent des clés étrangères (FK) pour indiquer leur relation avec une autre entité dans le cadre de relation de type « un à plusieurs ».
Représentation d’un modèle de données physique
Les modèles de données physiques fournissent des informations détaillées qui aident les administrateurs et les développeurs de bases de données à implémenter la logique métier sur une base de données physique. Ces modèles offrent des attributs supplémentaires non spécifiés dans un modèle de données logique, tels que des déclencheurs, des procédures stockées et des types de données. Comme ils mappent les éléments de données à une base de données réelle, les modèles de données physiques doivent respecter des restrictions spécifiques à la plateforme, telles que les conventions de dénomination et l’utilisation de mots réservés.
Le schéma suivant montre un exemple de modèle de données physiques pour le même système de billetterie sportive.
Dans le modèle de données physique, vous indiquez les types de données pour tous les objets de données stockés. Vous modifiez également les noms des entités et des attributs pour utiliser les formats pris en charge par la plateforme.
Comment concevoir : modèle de données logique vs modèle de données physique
La conception à la fois de modèles de données logiques et de modèles de données physiques nécessite des étapes permettant une transition fluide entre les exigences métier et les implémentations pratiques de bases de données. Le modèle de données logique est une extension du modèle de données conceptuel d’un processus métier spécifique. Le modèle de données physique affine davantage le modèle de données logique pour la conception de la base de données.
Création d’un modèle de données logique
Procédez comme suit pour créer un modèle de données logique :
- Déterminez toutes les entités requises et leurs attributs respectifs.
- Choisissez les PK appropriées comme identifiants uniques pour les groupes d’attributs.
- Normaliser et dénormaliser le modèle de données en fonction des exigences opérationnelles.
- Établissez les relations entre les différentes entités métier dans le modèle de données.
- Validez les entités de données et leurs relations pour représenter avec précision la logique métier.
Vous définissez les relations entre les différentes entités. Certaines entités sont directement associées les unes aux autres, tandis que d’autres peuvent être liées par le biais d’une entité commune. En général, vous consultez les parties prenantes respectives pour vous assurer que les entités sont correctement connectées conformément aux exigences métier. Vous pouvez également dupliquer certaines entités et en limiter stratégiquement d’autres à une seule instance afin d’améliorer l’efficacité des requêtes et de minimiser l’espace de stockage.
Création d’un modèle de données physique
Procédez comme suit pour concevoir un modèle de données physique :
- Convertissez le modèle de données local pour l’adapter à la plateforme du fournisseur de base de données choisi.
- Mappez les entités de données dans leurs tables respectives.
- Mappez et créez des PK et des FK dans les tables de la base de données selon les besoins.
- Vérifiez que la structure de la base de données est normalisée de manière appropriée afin de supprimer les données redondantes et d’améliorer l’intégrité des données.
- Ajoutez des contraintes de base de données, des règles, des partitions et des fonctionnalités de programmation pertinentes pour soutenir le développement d’applications.
- Comparez le modèle de données physique et le modèle de données logique pour vous assurer que les exigences métier sont correctement traduites.
Dans certains cas, une entité est divisée en plusieurs tables. Chaque table contient plusieurs colonnes qui stockent les informations spécifiées par les attributs du modèle de données logique. Dans un modèle de données physique, les colonnes sont différenciées par leurs types de données, tels qu’entiers, varchar et booléen.
Principales différences : modèle de données logique vs modèle de données physique
Bien qu’ils fassent partie du processus de modélisation des données, les modèles de données logiques et les modèles de données physiques se distinguent par des caractéristiques différentes.
Objectif
Les modèles de données logiques vous permettent de visualiser les flux de travail des processus d’une manière techniquement structurée. Vous pouvez ainsi comprendre les relations entre les différents systèmes métier.
D’autre part, un modèle de données physique décrit la manière dont les données sont organisées dans des tables de base de données réelles. Vous obtenez une vue aérienne de la manière dont une application stocke et accède aux données du monde réel.
Créateurs
Les architectes de données et les analystes métier créent généralement des modèles de données logiques. Les développeurs et les administrateurs de base de données sont responsables de la mise en œuvre des modèles de données physiques.
Complexité
Les modèles de données logiques sont plus simples, car ils définissent l’interconnexion des objets de données métiers. Chaque objet de données est composé d’entités de données et de leurs attributs associés.
Les modèles de données physiques sont plus complexes. Vous organisez les éléments de données dans un modèle de données physique avec des tables, des colonnes et des index et vous respectez les contraintes strictes de la plateforme. Les structures de données d’un modèle de données physique sont liées par une relation plus rigide, telle que la cardinalité et la nullabilité.
Quand utiliser
Vous utilisez la modélisation logique des données pour visualiser le flux d’informations dans les systèmes métier. Les analystes, les responsables et les utilisateurs professionnels peuvent comprendre le fonctionnement d’un système particulier et les concepts métier applicables.
Les développeurs d’applications utilisent des modèles de données physiques pour planifier et optimiser le stockage des données lorsqu’ils créent des applications destinées à la production. Les modèles de données physiques constituent le plan de stockage des données dans une base de données relationnelle.
Résumé des différences : modèle de données logique vs modèle de données physique
| Modèle logique de données |
Modèle physique de données |
|
| Base de données dépendante de la plateforme |
Non. |
Oui. |
| Structure des données |
Entités, attributs, PK et FK. |
Tables de base de données, lignes, PK, FK et types de données. |
| Fonctionnalités programmatiques |
Non. |
Déclencheurs et procédures stockées. |
| Objectif |
Visualise la logique métier à l’aide de structures de données. |
Organise la structure des données pour la conception de bases de données. |
| Créateurs |
Analystes métier et architectes de données. |
Développeurs de logiciels, programmeurs et administrateurs de bases de données. |
| Complexité |
Simple. |
Complexe. |
| Quand utiliser |
Pour comprendre les systèmes et les règles métier de l’entreprise. |
Pour planifier, implémenter et optimiser le stockage des données lorsque vous développez des applications. |
Comment AWS peut-il vous aider avec vos modèles de données logiques et physiques ?
Les bases de données d’Amazon Web Services (AWS) incluent plus de 15 moteurs de bases de données destinés à prendre en charge différents modèles de données. Par exemple, vous pouvez utiliser Amazon Relational Database Service (Amazon RDS) pour mettre en œuvre des modèles de données relationnels logiques et Amazon Neptune pour mettre en œuvre des modèles de données graphiques logiques.
Vous pouvez également utiliser AWS Amplify DataStore pour une modélisation rapide et facile des données afin de créer des applications mobiles et Web. Ce service est doté d’une interface visuelle et de code permettant de définir votre modèle de données avec des relations, ce qui accélère le développement de votre application.
Voici comment vous pouvez modéliser des données sur AWS :
- Avec Amazon RDS, vous pouvez créer et mettre à l’échelle des bases de données avec l’édition compatible avec Amazon Aurora, édition compatible avec MySQL, Amazon Aurora, édition compatible avec PostgreSQL, SQL Server et d’autres moteurs de base de données populaires.
- Avec Neptune, vous pouvez créer des applications graphiques à haute disponibilité capables de traiter plus de 100 000 requêtes par seconde.
- Amplify Datastore fournit des bibliothèques clientes que vous pouvez utiliser pour interroger, mettre à jour, trier ou filtrer facilement les données sur le cloud.
Commencez à utiliser des modèles de données logiques et des modèles de données physiques sur AWS en créant un compte dès aujourd’hui.
