Σε ποιες περιπτώσεις είναι απαραίτητο να αποκατασταθούν τα δεδομένα;

Η απο-κανονικοποίηση μπορεί να δικαιολογηθεί σε περιπτώσεις όπου η απόδοση των ερωτημάτων γίνεται κρίσιμη και οι τυπικές μορφές κανονικοποίησης οδηγούν σε περιττό χρόνο για τις ενώσεις πινάκων.

Οι κύριες περιπτώσεις για απο-κανονικοποίηση:

• Βελτίωση της απόδοσης ανάγνωσης: Μείωση του αριθμού των λειτουργιών JOIN μέσω διπλασιασμού δεδομένων ή δημιουργίας συγκεντρωμένων πεδίων.
• Προετοιμασία δεδομένων για αναφορές ή ανάλυση (OLAP): Συχνά χρησιμοποιούνται δομές απο-κανονικοποιημένες (π.χ., αστέρια ή χιονονιφάδες) για την επιτάχυνση της εκτέλεσης σύνθετων αναλυτικών ερωτημάτων.
• Βελτιστοποίηση για συγκεκριμένα ερωτήματα: Αν υπάρχουν πολλά συχνά χρησιμοποιούμενα ερωτήματα που απαιτούν δεδομένα από διαφορετικούς πίνακες, η απο-κανονικοποίηση μπορεί να μειώσει το χρόνο εκτέλεσής τους.
• Εργασία με στενά συνδεδεμένα δεδομένα: Σε ορισμένες περιπτώσεις, όταν τα δεδομένα είναι φυσικά στενά συνδεδεμένα και σπάνια ενημερώνονται ανεξάρτητα, η απο-κανονικοποίηση μπορεί να απλοποιήσει το μοντέλο και να αυξήσει την απόδοση.
• Προσωρινή αποθήκευση δεδομένων: Δημιουργία "πίνακες cache" απο-κανονικοποιημένων δεδομένων που ζητούνται συχνά.

Είναι σημαντικό να ισορροπήσετε προσεκτικά τα πλεονεκτήματα στην απόδοση με τα πιθανά μειονεκτήματα:

• Αυξημένη πλεονασματικότητα δεδομένων: Μπορεί να οδηγήσει σε προβλήματα συνοχής κατά τις ενημερώσεις.
• Πιο πολύπλοκες λειτουργίες εγγραφής: Η ενημέρωση ή η εισαγωγή δεδομένων μπορεί να απαιτεί αλλαγές σε πολλά σημεία.
• Μεγαλύτερος όγκος αποθήκευσης δεδομένων: Η διπλασιασμός δεδομένων αυξάνει το μέγεθος της βάσης δεδομένων.
• Πολυπλοκότητα συντήρησης: Ένα απο-κανονικοποιημένο σχήμα μπορεί να είναι λιγότερο διαισθητικό και πιο δύσκολο στη συντήρηση.