Tìm hiểu Data Modeling: Khái niệm, vai trò và các mô hình phổ biến

Data modeling là bước quan trọng trong thiết kế và quản lý dữ liệu, giúp doanh nghiệp tổ chức thông tin một cách khoa học, dễ truy cập và khai thác. Trong bài viết này, FPT IS sẽ giúp bạn hiểu rõ khái niệm data modeling là gì, vai trò và các mô hình phổ biến hiện nay.

1. Data Modeling là gì? Ví dụ minh họa mô hình dữ liệu

Theo IBM, Data modeling (mô hình hoá dữ liệu) là quá trình xây dựng sơ đồ trực quan của toàn bộ hoặc một phần hệ thống thông tin, nhằm thể hiện mối liên kết giữa các điểm dữ liệu và các cấu trúc dữ liệu.

Mục tiêu của mô hình dữ liệu là minh họa các loại dữ liệu được sử dụng và lưu trữ trong hệ thống, cách các loại dữ liệu này liên kết với nhau, cách dữ liệu được nhóm và tổ chức, cũng như định dạng và thuộc tính của chúng.
Mô hình dữ liệu được thiết kế dựa trên nhu cầu doanh nghiệp, với quy tắc và yêu cầu xác định ngay từ đầu qua ý kiến các bên liên quan, đảm bảo tích hợp hiệu quả vào hệ thống mới hoặc điều chỉnh phù hợp khi nâng cấp.

Ví dụ:
Hình dưới minh họa mô hình thực thể – quan hệ (Entity Relationship) cho hệ thống quản lý thư viện, gồm:

3 thực thể chính (Entites):

• Book (Sách): Đại diện cho từng cuốn sách trong thư viện. Các thuộc tính có thể bao gồm: BookID, Title, ISBN, Publisher.
• Author (Tác giả): Đại diện cho các tác giả của sách. Các thuộc tính có thể gồm: AuthorID, Name, Nationality.
• Member (Thành viên): Đại diện cho các thành viên thư viện mượn sách. Các thuộc tính có thể gồm: MemberID, Name, Address.

Mối quan hệ:

• Authored By (Được viết bởi): Liên kết giữa Book và Author, cho biết tác giả nào đã viết cuốn sách nào. Đây là quan hệ nhiều – nhiều (many-to-many), vì một cuốn sách có thể có nhiều tác giả, và một tác giả có thể viết nhiều cuốn sách.
• Borrowed By (Được mượn bởi): Liên kết giữa Member và Book, cho biết thành viên nào đã mượn cuốn sách nào, và thời điểm mượn. Đây là quan hệ một – nhiều (one-to-many), vì một thành viên có thể mượn nhiều cuốn sách, nhưng mỗi cuốn sách chỉ có thể được một thành viên mượn tại một thời điểm..

Giải thích sơ đồ:

• Các tiêu đề (tên phía trên các danh sách) là thực thể (entities).
• Các danh sách bên dưới mỗi thực thể là thuộc tính (attributes).
• Các đường nối biểu thị mối quan hệ giữa các thực thể.
  • Có mũi tên nghĩa là mối quan hệ nhiều (multiple).
  • Không có mũi tên nghĩa là mối quan hệ một (singular).

2. Vai trò và lợi ích của Data Modeling

Mô hình dữ liệu ghi lại các loại dữ liệu và cách chúng được sử dụng trong tổ chức, là nền tảng xây dựng tiêu chuẩn bảo vệ, quản trị và quản lý dữ liệu hiệu quả.

Một số lợi ích nổi bật:

• Nâng cao chất lượng và tính nhất quán: Tiêu chuẩn hóa dữ liệu giữa các hệ thống, xác định rõ cấu trúc và mối quan hệ để giảm lỗi, trùng lặp, sai lệch.
• Tăng cường cộng tác: Là bản thiết kế chung giúp kỹ sư dữ liệu, nhà phân tích kinh doanh và quản lý dễ dàng trao đổi, phối hợp.
• Tăng tốc phát triển hệ thống: Mô hình rõ ràng giúp thiết kế, phát triển cơ sở dữ liệu và ứng dụng nhanh, nhất quán, giảm thời gian chỉnh sửa.
• Ra quyết định chính xác: Cung cấp cái nhìn trực quan về luồng dữ liệu, hỗ trợ phát hiện xu hướng, mô hình và insight quan trọng.
• Tiết kiệm chi phí: Phát hiện trùng lặp, tối ưu lưu trữ và truy xuất dữ liệu, giảm chi phí vận hành, tập trung tài nguyên cho quản lý dữ liệu hiệu quả.

Xem thêm: Convolutional Neural Network là gì

3. Các cấp độ và các loại mô hình dữ liệu

Dưới đây là các cấp độ cũng như các loại mô hình dữ liệu mà bạn có thể tham khảo để áp dụng cho doanh nghiệp của mình:

3.1. Các cấp độ của mô hình dữ liệu

Theo IBM, mô hình dữ liệu được chia thành 3 cấp độ, với mức độ trừu tượng giảm dần theo tiến trình thiết kế hệ thống:

(1) Mô hình dữ liệu khái niệm (Conceptual data model): Còn gọi là mô hình miền (domain model), giúp hình dung tổng thể hệ thống: các thực thể chính, đặc điểm và ràng buộc, mối quan hệ và quy tắc nghiệp vụ. Mô hình khái niệm thường được xây dựng ở giai đoạn thu thập yêu cầu ban đầu.

(2) Mô hình dữ liệu logic (Logical data model): Mô hình dữ liệu logic có mức độ trừu tượng thấp hơn so với mô hình khái niệm, cung cấp nhiều chi tiết hơn về các khái niệm cũng như mối quan hệ. Ở giai đoạn này, người thiết kế thường áp dụng các ký hiệu thể hiệu

• Thuộc tính dữ liệu (data attributes): chẳng hạn như kiểu dữ liệu và độ dài tương ứng.
• Mối quan hệ giữa các thực thể.

Điểm quan trọng là mô hình dữ liệu logic không chỉ định yêu cầu kỹ thuật hệ thống. Trong Agile/DevOps, bước này thường lược bỏ, nhưng hữu ích trong môi trường có quy trình rõ ràng hoặc dự án thiên về dữ liệu như thiết kế kho dữ liệu, phát triển hệ thống báo cáo.

(3) Mô hình dữ liệu vật lý (Physical data model): Mô hình dữ liệu vật lý là cấp trừu tượng thấp nhất, mô tả cách dữ liệu lưu trữ thực tế trong cơ sở dữ liệu. Thể hiện thiết kế cuối cùng với bảng, khóa chính, khóa ngoại duy trì quan hệ giữa các thực thể, kèm thuộc tính tối ưu hiệu năng tùy hệ quản trị DBMS.

3.2. Các loại mô hình dữ liệu

1. Mô hình dữ liệu quan hệ (Relational Data Model)
   Tổ chức dữ liệu thành bảng gồm hàng và cột, dùng cho hệ quản trị cơ sở dữ liệu quan hệ (RDBMS). Thực thể là bảng, thuộc tính là cột, quan hệ thể hiện qua khóa ngoại. Đây là nền tảng của MySQL, PostgreSQL, Oracle.
2. Mô hình thực thể – quan hệ (Entity-Relationship Model – ER Model)

Là mô hình khái niệm được sử dụng trong giai đoạn thiết kế cơ sở dữ liệu. Nó trực quan hóa các thực thể (ví dụ: khách hàng, sản phẩm), thuộc tính và mối quan hệ giữa chúng. Sơ đồ ER (ERD) giúp các nhóm kỹ thuật và các bên liên quan trong doanh nghiệp có cái nhìn tổng quan, thống nhất trước khi đi vào triển khai.

3. Mô hình dữ liệu đa chiều (Dimensional Data Model)
   Phổ biến trong kho dữ liệu (data warehouse) và phân tích nghiệp vụ (BI), tổ chức dữ liệu thành bảng sự kiện (fact table – chứa dữ liệu định lượng) và bảng chiều (dimension table – chứa dữ liệu mô tả). Tối ưu cho truy vấn phân tích và thao tác OLAP.
4. Mô hình dữ liệu phân cấp (Hierarchical Data Model)

Dữ liệu được tổ chức theo dạng cây (tree), trong đó mỗi nút con (child) chỉ có một nút cha. Việc truy xuất tuân theo một đường dẫn duy nhất từ nút gốc. Mô hình này đơn giản và hiệu quả đối với các truy vấn định sẵn, nhưng thiếu tính linh hoạt và khả năng mở rộng.

5. Mô hình dữ liệu hướng đối tượng (Object-Oriented Data Model)
   Áp dụng trong hệ thống hướng đối tượng, biểu diễn dữ liệu dưới dạng đối tượng với thuộc tính và phương thức. Phổ biến trong hệ quản trị CSDL hướng đối tượng (OODBMS), thường kết hợp ngôn ngữ như Java hoặc C++.
6. Mô hình dữ liệu mạng (Network Data Model)
   Cấu trúc dữ liệu theo dạng đồ thị linh hoạt, trong đó các bản ghi (nút) được kết nối qua nhiều loại quan hệ (cạnh). Hỗ trợ mối quan hệ nhiều–nhiều (many-to-many), nhưng logic điều hướng phức tạp hơn và cần ngôn ngữ truy vấn chuyên biệt.
7. Mô hình dữ liệu NoSQL (NoSQL Data Models)
   Là các mô hình không quan hệ, gồm:

• Dạng tài liệu (Document-oriented) – ví dụ: MongoDB
• Dạng khóa–giá trị (Key-value) – ví dụ: Redis
• Dạng cột (Column-family) – ví dụ: Cassandra
• Dạng đồ thị (Graph-based) – ví dụ: Neo4j

Các mô hình này được tối ưu cho những trường hợp sử dụng cụ thể và có thể mang lại lợi thế về khả năng mở rộng, tính linh hoạt và hiệu suất.

4. Cách xây dựng mô hình dữ liệu

Quy trình xây dựng mô hình dữ liệu hiệu quả thường gồm các bước sau:

Bước 1 – Thu thập yêu cầu nghiệp vụ

Xác định mục tiêu hệ thống, chức năng chính và dữ liệu cần thiết thông qua làm việc với các bên liên quan như người dùng, nhà phân tích, kỹ thuật viên.

Ví dụ: Nếu xây dựng một ứng dụng quản lý chấm công nhân viên (timesheet), yêu cầu nghiệp vụ tổng quát có thể bao gồm:

• Nhân viên có thể ghi lại số giờ làm việc cho từng dự án khác nhau.
• Quản lý dự án có thể theo dõi và giám sát thời gian sử dụng.
• Quản lý dự án có thể tra cứu và phê duyệt các bảng chấm công.
• Ứng dụng có thể tích hợp với các hệ thống CRM và nền tảng thanh toán/hoá đơn.

Bước 2 – Xác định quy trình nghiệp vụ

Bước này nhằm mô tả ứng dụng sẽ xử lý như thế nào khi có các sự kiện (events) hoặc tác vụ (triggers) xảy ra, bao gồm cả quy trình hệ thống (system processes) và phản hồi đối với hành động của người dùng (user actions).

Ở giai đoạn này, ta chỉ giữ mức khái quát, chưa đi vào biến số. Đây là bước xây dựng mô hình dữ liệu logic, làm nền tảng cho thiết kế chi tiết sau này, bao gồm mô tả quan hệ giữa các đối tượng dữ liệu. Trước mắt chỉ cần diễn đạt quy trình bằng ngôn ngữ nghiệp vụ, chưa cần kỹ thuật.

Ví dụ (ứng dụng chấm công timesheet):

• Ứng dụng tự động tính toán chi phí lao động cho tất cả các bản ghi chấm công.
• Quản lý dự án được thông báo khi nhân viên gửi bảng chấm công liên quan.
• Quản lý dự án có thể xem trạng thái dự án theo chi phí và thời gian sử dụng.
• Nhân viên chỉ được chỉnh sửa bảng chấm công của chính mình, trong khi quản lý dự án có quyền chỉnh sửa tất cả các bản ghi liên quan.
• Hệ thống cần tích hợp với nền tảng bên ngoài để tạo và gửi hoá đơn dựa trên bảng chấm công.

Bước 3 – Xây dựng mô hình dữ liệu khái niệm (Conceptual Model)

Mô hình dữ liệu khái niệm là bản kế hoạch có cấu trúc hơn về dữ liệu cần thiết để triển khai các quy trình đã xác định ở bước trước. Xây dựng mô hình khái niệm tập trung vào việc xác định cách tổ chức các loại dữ liệu khác nhau để đáp ứng mục tiêu nghiệp vụ.

Bước đầu tiên là xác định các thực thể (entities) chính mà dữ liệu sẽ bao gồm. Sau đó, phác thảo các thông tin cần biết về từng thực thể và thiết lập các mối liên kết tổng quan giữa chúng.

Ví dụ, trong ứng dụng timesheet, các thực thể có thể gồm:

• Employees (Nhân viên),
• Projects (Dự án),
• Project owners (Chủ dự án),
• Timesheets (Bảng chấm công),
• Users (Người dùng).

Tiếp theo, cần phác thảo thông tin sẽ lưu trữ cho từng thực thể. Ví dụ: thông tin cá nhân và nghề nghiệp, mức lương theo giờ của nhân viên,…

Cuối cùng, mô hình dữ liệu khái niệm phải mô tả tổng quan mối quan hệ giữa các thực thể. Ví dụ: mỗi dự án có một chủ sở hữu, mỗi nhân viên có thể nộp nhiều bảng chấm công,…

Bước 4 – Xác định thực thể và thuộc tính cụ thể

Chuyển thực thể thành bảng (tables), dòng là bản ghi (records), cột là thuộc tính (attributes). Điều này có nghĩa là chúng ta cần phải xác định:

• Những biến số cụ thể cần biết.
• Cách chúng sẽ được định dạng.
• Tên gọi sẽ được sử dụng cho chúng.
• Và các quy tắc (rules/constraints) được áp dụng.

Nếu bạn quyết định tạo mới một cơ sở dữ liệu cho ứng dụng, các bước này sẽ hình thành một phần trong lược đồ cơ sở dữ liệu (database schema). Nếu bạn dựa trên dữ liệu có sẵn, thì cần xem xét đến đặc điểm của nguồn dữ liệu hiện tại khi lựa chọn.

Bước 5 – Xác định nguồn dữ liệu

Chọn nguồn (cơ sở dữ liệu nội bộ, API, tệp, hệ thống ngoài…). Quyết định tạo mới hay tái sử dụng dữ liệu để tối ưu tích hợp và vận hành.

Lưu ý rằng đây là những nguồn dữ liệu hiện có chính mà doanh nghiệp có thể sử dụng. Cũng có thể thêm hoặc cập nhật giá trị bên trong chúng bằng cách gửi truy vấn từ ứng dụng đã hoàn thiện, tùy thuộc vào kỹ thuật mô hình hóa dữ liệu mà chúng ta muốn sử dụng.

Bước 6 – Thiết lập quan hệ giữa các thực thể

Định nghĩa mối quan hệ 1–1, 1–nhiều, nhiều–nhiều qua khóa chính (primary key) và khóa ngoại (foreign key), thể hiện luồng dữ liệu giữa các bảng.

Ví dụ, trong một cơ sở dữ liệu SQL duy nhất, cần xác định khóa chính cho mỗi hàng trong một bảng nhất định. Đây là các giá trị duy nhất, được các bảng khác sử dụng để tham chiếu đến các hàng liên quan. Khi một khóa chính xuất hiện trong một bảng liên quan, nó được gọi là khóa ngoại .

Nếu mô hình dữ liệu của bạn chứa nhiều cơ sở dữ liệu, bạn sẽ cần thực hiện các bước bổ sung để thiết lập mối quan hệ. Ví dụ: xây dựng một cơ sở dữ liệu nội bộ để bạn có thể truy vấn và lưu trữ các thực thể từ nhiều nguồn khác nhau.

Bước 7 – Tạo mô hình dữ liệu vật lý (Physical Model)

Bước tiếp theo là tạo mô hình vật lý. Đây là giai đoạn đi sâu vào chi tiết về cách cấu trúc cơ sở dữ liệu nội bộ, cũng như cách ứng dụng sẽ kết nối với các nguồn dữ liệu bên ngoài.

Nói cách khác, xây dựng mô hình vật lý chính là hiện thực hóa những bước thiết kế trước đó.

Nếu bạn tự thiết kế cơ sở dữ liệu cho ứng dụng, bước này bao gồm việc xác định cụ thể:

• Tên gọi cho tất cả các thuộc tính.
• Kiểu dữ liệu và định dạng tương ứng.
• Ràng buộc toàn vẹn dữ liệu (integrity constraints).
• Các quy tắc bổ sung điều chỉnh dữ liệu.

Bước 8 – Chuẩn hóa dữ liệu và đảm bảo tính toàn vẹn của dữ liệu

Một trong những mục tiêu quan trọng khi xây dựng mô hình dữ liệu là đảm bảo tính hợp lệ, độ tin cậy và tính toàn vẹn lâu dài của dữ liệu trong ứng dụng. Điều này bao gồm việc tránh dư thừa dữ liệu, xung đột giá trị, lỗi định dạng và nhiều vấn đề khác.

Một cách để đạt được điều này là chuẩn hóa dữ liệu. Phương pháp phổ biến nhất chính là thiết kế cấu trúc dữ liệu ngay từ đầu một cách hợp lý, trong đó mỗi thực thể (entity) chỉ tập trung vào một chủ đề hoặc khái niệm duy nhất.

Ví dụ: Trong bảng thông tin nhân viên, nếu lưu trữ các thuộc tính như department_name, department_phone và department_head cho từng nhân viên, bạn sẽ phải lặp lại thông tin phòng ban nhiều lần. Hệ quả là:

• Việc liệt kê toàn bộ các phòng ban trở nên khó khăn.
• Việc thay đổi thông tin phòng ban (ví dụ đổi tên hoặc số điện thoại) phải thực hiện ở nhiều dòng khác nhau.

Giải pháp tốt hơn là tách riêng bảng departments và chỉ cần liên kết mỗi nhân viên với phòng ban của họ.

Bước 9 – Duy trì và cập nhật mô hình

Bảo trì khi mở rộng dữ liệu, thêm chức năng hoặc thay đổi yêu cầu. Thiết kế cần linh hoạt để điều chỉnh mà không phá vỡ cấu trúc hoặc gây lỗi phụ thuộc.

Ví dụ, khi cần bổ sung tính năng mới, bạn có thể thêm các thực thể, thuộc tính, quy trình hoặc quan hệ mà không làm ảnh hưởng tiêu cực đến những thành phần khác.

5. Các quy tắc để áp dụng Data Modeling hiệu quả

Thiết kế mô hình dữ liệu hiệu quả không chỉ là chọn đúng kỹ thuật mà còn phải tuân thủ best practices để đảm bảo khả năng mở rộng, hiệu năng và đáp ứng yêu cầu nghiệp vụ. Một mô hình tốt giúp tránh dư thừa dữ liệu, giảm tắc nghẽn hệ thống và dễ thích ứng với thay đổi.

1. Chuẩn hóa sớm, phi chuẩn hóa khi cần:

Chuẩn hóa loại bỏ trùng lặp và tăng tính nhất quán bằng cách tách bảng theo quan hệ logic. Tuy nhiên, khi phục vụ phân tích hoặc báo cáo, có thể phi chuẩn hóa để tăng tốc truy vấn.

2. Bảo vệ mô hình dữ liệu cho tương lai
   Khi doanh nghiệp phát triển, nhu cầu về dữ liệu cũng thay đổi theo. Thiết kế một mô hình dữ liệu bền vững đồng nghĩa với việc xây dựng một cấu trúc linh hoạt và có khả năng mở rộng, sẵn sàng đáp ứng các nguồn dữ liệu mới cũng như những yêu cầu ngày càng thay đổi.

Việc tính đến khả năng tăng trưởng và những tiến bộ công nghệ trong tương lai giúp doanh nghiệp dự phòng, hạn chế tối đa những chi phí phát sinh từ việc phải thiết kế lại. Ngay từ đầu, nếu mô hình được xây dựng theo hướng khả năng mở rộng, tính mô-đun và khả năng bảo trì, nó sẽ dễ dàng thích ứng với bối cảnh biến động và tiếp tục mang lại giá trị lâu dài.

3. Đảm bảo chất lượng và tính nhất quán dữ liệu:

Một mô hình dữ liệu chỉ thực sự có giá trị khi chất lượng dữ liệu bên trong được đảm bảo. Việc triển khai các biện pháp quản trị dữ liệu và xác thực dữ liệu chặt chẽ đóng vai trò then chốt trong việc duy trì chất lượng và tính nhất quán trên toàn bộ mô hình.

Quy trình xác thực dữ liệu giúp đảm bảo dữ liệu được nhập đúng loại, tuân thủ các quy tắc định sẵn, từ đó giảm thiểu sai sót và nâng cao độ tin cậy của các phân tích kinh doanh.

4. Tập trung vào yêu cầu kinh doanh:

Mô hình cần phản ánh đúng nhu cầu. Trước khi thiết kế, cần:

• Hiểu rõ mục tiêu mô hình – cần rút ra được những thông tin/insight nào từ mô hình.
• Xác định cách truy cập, cập nhật dữ liệu.
• Xác định điểm có thể đánh đổi hiệu năng.

Hiểu và áp dụng đúng data modeling giúp doanh nghiệp tối ưu quản lý dữ liệu, hỗ trợ ra quyết định chính xác và nâng cao hiệu quả hoạt động. Lựa chọn mô hình phù hợp là nền tảng vững chắc cho mọi hệ thống thông tin.