Over mij

Ik ben Richard Steijn en datawarehousing/BI specialist. Bij vele organisaties in diverse branches heb ik een kijkje in de keuken mogen nemen. Verscheidene technologieën hebben mijn pad gekruist. Data en alle vraagstukken daaromheen vormen een rode draad in mijn werkzame leven. In deze blog schrijf ik over de dingen die mij zoal bezighouden.

door Richard Steijn

Archief voor 'Unieke sleutels'

Data-integratie met een slag om de arm

Data-integratie speelt een belangrijke rol bij datawarehousing en dataconversietrajecten. Eigenlijk heeft data-integratie veel weg van het maken van een grote legpuzzel. Verspreid in de tijd en over verschillende systemen, wordt allerhande informatie opgeslagen over entiteiten die voor een organisatie van belang zijn. Deze verspreide datafragmenten vormen de stukjes van de legpuzzel. De uitdaging voor de datawarehouse architect bestaat hier uit het bij elkaar zoeken van deze puzzelstukjes zodat een zo compleet mogelijk beeld ontstaat van deze entiteiten. Ook moet er vaak een zo goed mogelijke reconstructie gemaakt worden van hoe deze entiteiten zijn veranderd in de tijd. Dat dit lang niet altijd even eenvoudig is zal ik in dit artikel illustreren aan de hand van de data-integratieproblemen die ik bij de ontwikkeling van het product Boven-wijs ben tegengekomen.

Lees dit artikel verder op: XR Magazine http://j.mp/L4Ktc2

When does the coding stop?

Pas sprak ik met een collega over de vraag waarom we nog steeds met zijn allen zitten te programmeren voor het realiseren van een informatiesysteem. Dit terwijl, als je er door je oogharen naar kijkt, er bij de meeste systemen steeds weer sprake van is dezelfde functionaliteit: het vast leggen van attributen van een entiteiten, het aan elkaar koppelen van entiteiten, of het opvragen van attributen van entiteiten in een of ander vorm. Toch zitten we steeds weer opnieuw en opnieuw te programmeren. Waarom genereren we het gros van de informatiesystemen niet gewoon in hun geheel? Een van de oorzaken is ongetwijfeld het feit dat informatiesystemen naast de grote gemene deler die ze hebben, ook hele specifieke eigenschappen hebben die precies op maat zijn voor een bepaald type gebruiker, situatie of platform. Deze specifieke functionaliteit is vaak lastig op generieke wijze te modeleren (bijvoorbeeld met een Model Driven Design tool) en vervolgens te genereren.  Eenmalig genereren en daarna handmatig uitbreiden lukt nog wel maar onderhoud plegen vanuit een functioneel model is al snel lastig. Kort gezegd: hoe meer je genereert, hoe meer flexibiliteit je inlevert.

De laatste jaren houd ik me voornamelijk bezig met data warehousing. Reuze interessante materie maar in het bouwproces zie ik wel veel herhaling van hetzelfde. Onwillekeurig dringt zich dan de weer vraag bij mij op: Waarom zit ik nog steeds te coderen? Gelukkig ben ik niet de enige met dit soort gedachten. Zo zijn de jongens (en meisjes?) van Qosqo al druk doende met de ontwikkeling van het product Quipu waarmee op basis van de structuur van bronbestanden Data Vaults gegenereerd kunnen worden met bijbehorende ETL. Ik denk echter dat codegeneratie binnen de data warehousing context nog veel breder kan worden toegepast. Ik zou een data warehouse architectuur willen kunnen ontwikkelen zonder perse toe te moeten werken naar een specifieke architectuur, en zonder me vast te pinnen op een bepaalde wijze van datamodellering. Ik zou graag op enkel op basis van een specifatie van de brondata en de requirements die gelden voor het data warehouse een volledig functionerende data warehouse architectuur willen kunnen genereren. Het maakt mij dan niet uit of het resultaat een Data Vault, Anchor Model, Historical Staging Area, Dimensional Model of een of andere mengvorm is. De te gebruiken modelleringstechniek is typisch iets dat ik buiten de requirements zou willen houden op basis waarvan de data warehouse architectuur gegenereerd gaat worden.

Ik zie het als volgt voor me: In een data warehouse architectuur zijn, functioneel gezien, een aantal lagen te onderscheiden:

  • De inputlaag, oftewel de databronnen. Deze zijn een gegeven en moeten dus enkel goed beschreven worden bijvoorbeeld in de vorm van een logisch datamodel per bron en bepaalde eigenschappen van de bron (verderop geef enkele voorbeelden).
  • De opslaglaag. Het hart van het data warehouse. Deze moet na analyse van de wensen van de gebruikers en de beschikbare databronnen worden vormgegeven. Modelleren kan in de vorm van logisch datamodel, uitgebreid met wat specifieke eigenschappen (zie verderop).
  • De outputlaag. Hiermee interacteert de gebruiker. De outputlaag is typisch het product van een transformatieproces met als input de opslaglaag en een verzameling business rules. Doorgaans wordt data in deze laag ontsloten door bijvoorbeeld BI tools zoals een cube, een dashboard met KPI’s, standaardrapporten of een voor gebruikers begrijpelijke informatielaag (zoals de Universe van BO en de Catalog van Cognos).  Maar alles is hier in principe mogelijk. Er kan gebruik worden gemaakt van logische datamodellen om de basisdata te beschrijven die beschikbaar moeten zijn om de gewenste output mogelijk te maken.

Tussen de input- en de opslaglaag en de opslag- en de outputlaag  kunnen mappings gedefinieerd worden. Deze vormen dan de basis voor het genereren van de benodigde ETL code.

De input- en opslaglagen zijn mijns inziens volledig functioneel te modelleren op een min of meer declaratieve wijze. De outputlaag is de lastigste en kan mogelijk niet volledig gemodelleerd worden zonder te vervallen in een verkapt soort programmeren (waar we juist vanaf willen). Dit is vooral het geval als er zeer exotische (en die komen vaker voor dan ons lief is) business rules het spel zijn.

Delen van de data warehouse architectuur die declaratief te modeleren zijn

Toch is er ook iets te zeggen voor een eenvoudige basistaal waarin procedurele beschrijvingen van business rules kunnen worden vastgelegd. Een dergelijke taal biedt namelijk een platformonafhankelijke wijze waarop allerhande transformaties kunnen worden vastgelegd. Als we het vervolgens voor elkaar krijgen alle business rules met deze beperkte taal volledig te modelleren, kunnen we ook het onderhoud op de resulterende data warehouse architectuur via dit model blijven doen.  Anders blijft altijd de noodzaak bestaan om na het genereren van een nieuwe versie van de data warehouse architectuur handmatige correcties op de niet gegenereerde code uit te voeren.

Wat winnen we met een dergelijke benadering:

  1. We kunnen alle benodige datastructuren genereren op basis van het model.
  2. We kunnen alle benodigde ETL genereren op basis van het model.
  3. Na wijzigingen in het model kunnen we ook de migratie van de oplossing gebaseerd op het oude model naar de oplossing gebaseerd op het  nieuwe model automatiseren.
  4. We zijn niet afhankelijk van de onderliggende techniek omdat we het systeem volledig functioneel hebben beschreven. Komt er nieuwe technologie in beeld, dan kan m.b.v. de bijbehorende code generator het nieuwe systeem gegenereerd worden.

Voor ieder platform een codegenerator

Hieronder noem ik enkele zaken die zoal moeten worden vastgelegd in het functionele model van de BI oplossing. Het is uiteraard slechts een schot voor de boeg.

Informatie rondom de inputlaag

  • Welk type databron betreft het?(csv, Excel sheets, xml, tabellen in een Oracle database, Webservice, …)
  • Moet de brondata continue of per interval worden bijgeladen?
  • Hebben we per laadbatch de beschikking over een volledige of onvolledige foto van het bronsysteem of  alleen de delta’s
  • Mag de databron live worden benaderd voor BI doeleinden of niet?
  • Per bronbestand: Welke entiteiten,relaties en attributen zijn er?
  • Per entiteit: Hoe kan deze uniek te geïdentificeerd worden  (of is er misschien een foutkans, zie ook een vorige blogpost)?

Informatie rondom de data in de opslaglaag

  • Welke entiteiten,relaties en attributen hebben we?
  • Wat willen we wel en wat willen we niet historisch bewaren?
  • Welk attribuut in de inputlaag, correspondeert met welk attribuut in de opslaglaag?

Informatie rondom de data in de outputlaag

  • Per outputvorm (cube, dashboard etc): Welke KPI’s, meetwaarden en dimensies onderscheiden we?
  • Welke entiteiten in de opslagstructuur hebben we nodig om een KPI, meetwaarde of dimensie te creeeren?
  • Per outputvorm: Hoe vaak moet data ververst worden?

Ik realiseer me dat dit een wel zeer globale schets is, en dat er nog het nodige denkwerk verzet moet worden om tot een werkende oplossing te komen. Het is echter de moeite waard om dit verder uit te werken. Alleen zo kunnen we uiteindelijk zeggen: “The coding finally stops!” Ik wil iedere lezer dan ook aanmoedigen om hierop te schieten en zijn/haar ideeën met mij te delen. Wellicht zijn er al vergaande ontwikkelingen in deze richting waarvan ik geen weet heb. Ik verneem ze graag!

Een datawarehouse bouwen op drijfzand

Het uniek kunnen identificeren van entiteiten is van groot belang voor een datawarehouse. Binnen transactiesystemen die de bron vormen voor een datawarehouse wordt dit doorgaans netjes geregeld door een unieke index te definiëren op de velden die een entiteit identificeren. Op deze manier kan worden afgedwongen dat op ieder moment in de tijd het betreffende veld of combinatie van velden de unieke sleutel vormen van een entiteit binnen het betreffende systeem. Wanneer we vervolgens data uit het betreffende transactiesysteem willen inlezen in een datawarehouse, kunnen we op basis van deze unieke sleutel bepalen bij welke entiteit een bepaald data item hoort.

In deze post wil ik wat dieper ingaan op het concept unieke sleutel. De ene sleutel is de andere niet. Sleutels hebben aspecten die soms over het hoofd worden gezien maar die van wezenlijk belang zijn voor het kunnen ‘volgen’ van een entiteit binnen een bepaald bronsysteem door de tijd heen.

Eeuwig versus Tijdelijk

Vaak wordt er vanuit gegaan dat een unieke sleutel binnen een bronsysteem voor altijd gekoppeld blijft aan een en dezelfde entiteit. Dit is echter een aanname die door de werkelijkheid kan worden ingehaald. In systemen waar gebruikers de mogelijkheid hebben om unieke sleutels te wijzigen, kan het al dan niet bedoeld, gebeuren dat de sleutel die voorheen aan entiteit A was gekoppeld nu verbonden is met entiteit B. Zelfs de veelgebruikte technische sleutel (ook wel surrogaatsleutel genoemd) is wat dat betreft niet veilig. Het kan namelijk voorkomen dat een bestaand transactiesysteem wordt overgezet naar een andere database, waarbij de technische sleutels opnieuw gegenereerd en aan entiteiten gekoppeld worden. In een dergelijk geval is het heel waarschijnlijk dat de technische sleutels gerecycled worden. Kort gezegd: Er zijn unieke sleutels die Eeuwig zijn en er zijn unieke sleutels die Tijdelijk zijn. Wat betreft tijdelijke sleutels is het nog nuttig om te weten of ze alleen Gecontroleerd, of ook Ongecontroleerd, kunnen wijzigen. Van een sleutel die gecontroleerd wijzigt, krijgen we bij ieder geval van wijziging een signaal. Naar aanleiding van dit signaal kunnen we maatregelen nemen zodat we de betreffende entiteit in het bronsysteem kunnen blijven volgen in het datawarehouse. Bij sleutels die ongecontroleerd kunnen wijzigen, kan dat niet en hebben we te maken met een zekere foutkans. Bij een transactiesysteem dat we middels een Changed Data Capture mechanisme volgen, wijzigen tijdelijke sleutels altijd gecontroleerd. Een ander voorbeeld van een gecontroleerd wijzigende tijdelijke sleutel is een surrogaatsleutel binnen een transactiesysteem waarvan we op de hoogte gehouden worden, als er bijvoorbeeld een datamigratie plaatsvindt.

Universeel versus Optioneel

In de loop der tijd kan er voor een bepaald entiteittype een nieuwe unieke sleutel ontstaan. Bijvoorbeeld binnen het basisonderwijs is het sinds een aantal jaren verplicht om in correspondentie over een leerling met overheidsinstanties het centraal uitgegeven onderwijsnummer te gebruiken. Leerlingvolgsystemen zijn dientengevolge uitgebreid met een extra uniek veld ‘Onderwijsnummer’. Voor reeds uitgestroomde leerlingen was echter geen onderwijsnummer beschikbaar. Daarom is in veel systemen het veld ‘Onderwijsnummer’ naast uniek (voor zover ingevuld) ook Optioneel: het mag de waarde NULL bevatten. Omgekeerd kunnen reeds bestaande sleutels in onbruik raken en zo Optioneel worden. De tegenhanger van het kenmerk Optioneel noem ik Universeel.

Sterk versus Zwak

Tot slot kan het voorkomen dat een veld of een combinatie van velden logischer wijze gebruikt kan worden als sleutel maar dat binnen het bronsysteem geen uniciteit wordt afgedwongen. Dit type sleutel noem ik Zwak vanwege de verhoogde foutkans. Dit is een type sleutel dat bij voorkeur vermeden moet worden als identificatiemiddel maar helaas zijn we hier soms, bij gebrek aan beter, op aangewezen. Wanneer we zwakke sleutels gebruiken voor identificatie, doen we er goed aan de mogelijkheid in te bouwen om op zo simpel mogelijke wijze de gevolgen van een achteraf fout gebleken identificatie terug te draaien. Het alternatief is: accepteren dat er een zekere foutmarge is. De tegenhanger van het kenmerk Zwak noem ik Sterk: uniciteit wordt afgedwongen in het bronsysteem.

Een taxonomie van sleutels

Alle sleutels zijn te karakteriseren met een combinatie van bovenstaande kenmerken. In de onderstaande tabel zijn alle mogelijke combinaties weergegeven. Iedere combinatie in de tabel staat dus voor een type sleutel. Per type sleutel is aangegeven of deze een 100% betrouwbare (+) mogelijkheid biedt om een entiteit in een bepaald bronsysteem door de tijd heen te volgen in het datawarehouse of niet (-).

Let wel dat ook de classificatie van een sleutel een momentopname is. Door omstandigheden kunnen hierin wijzigingen optreden. Een sleutel die bijvoorbeeld op een bepaald moment Universeel is, kan in de loop der tijd in onbruik raken en worden vervangen door een andere sleutel. Vanaf dat moment is hij Optioneel.

Ieder datawarehouse dat gevoed wordt met data die op discrete momenten in de tijd (dus niet continue) aan een bronsysteem wordt onttrokken, loopt het gevaar, het spoor van bepaalde entiteiten kwijt te raken als er niet 100% veilige sleutels in het spel zijn. In wezen is het datawarehouse dan gebouwd op drijfzand. Mijn inschatting is dat dit vaker wel dan niet aan hand is. Ga maar na: de meeste bronsystemen leven in het hier en nu. Ze houden vaak geen rekening met wijzigingen van unieke sleutels door de tijd heen. Enige relativering is hier wel op zijn plaats. Unieke sleutels die op de werkvloer een rol spelen (de niet-technische sleutels dus), hebben doorgaans niet de neiging om om de haverklap van waarde te veranderen. Dit zou op de werkvloer namelijk resulteren in een voortdurende zoektocht naar de juiste informatie binnen een bronsysteem. Het dagelijks werk zou hierdoor sterk belemmerd worden. Aan de andere kant geldt ook hier de wet van Murphy: ’Anything that can go wrong will go wrong’.

Daarom is het goed je te realiseren waar dit probleem kan optreden. Nog beter is het om dit probleem op een of andere manier te kwantificeren. Het is onmogelijk om de situaties te identificeren waar dit optreedt, immers dan zou het probleem niet bestaan. Wat we wel kunnen doen is bijvoorbeeld iedere keer dat het datawarehouse wordt geladen, tellen hoeveel sleutelwaarden er in het verleden wel in het bronsysteem stonden  maar nu niet meer. Een andere interessante meting is, daar waar een entiteit met meerdere sleutels identificeerbaar is, te tellen hoe vaak een bepaalde sleutelwaarde door de tijd heen is gecombineerd met verschillende waarden van de alternatieve sleutel. Zo zijn er nog meer metingen te verzinnen (Suggesties zijn zeer welkom!). Een oplossing is dit niet maar het geeft wel enigszins grip op de situatie en helpt ons om iets te zeggen over foutmarge.