Semantische Modellierung für Daten

Kapitel 9. Schlechtes Qualitätsmanagement

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Wenn du einem Manager ein zahlenmäßiges Ziel gibst, wird er es erreichen, selbst wenn er dabei das Unternehmen zerstören muss.

W. Edwards Deming

Die Qualität eines semantischen Datenmodells (und damit eines jeden Produkts) wird nicht nur durch Fehler bei der Spezifikation und Entwicklung beeinträchtigt, sondern auch durch schlechte Praktiken bei der Messung und Verwaltung dieser Qualität. Die Dimensionen, die wir messen, die Metriken, die wir für diese Messungen verwenden, und die Art und Weise, wie wir die Werte dieser Metriken interpretieren, können einen großen Unterschied zwischen einem erfolgreichen und einem nicht so erfolgreichen Modell ausmachen. In diesem Kapitel werden einige häufig auftretende problematische Qualitätspraktiken beschrieben und Möglichkeiten zu ihrer Vermeidung vorgeschlagen.

Qualität nicht als Kompromiss behandeln

Wir alle wollen, dass semantische Modelle zu 100 % genau, vollständig, zeitnah und relevant sind, aber das ist in den meisten Fällen weder möglich noch realistisch. Ein wichtiger Grund dafür (abgesehen von der Tatsache, dass die semantische Modellierung eine menschliche Tätigkeit ist, von und für Menschen) ist, dass es mehrere Kompromisse zwischen den Qualitätsdimensionen gibt, die wir in Kapitel 4 gesehen haben (Genauigkeit, Vollständigkeit, Konsistenz usw.), die ...