U kojim slučajevima je potrebno denormalizovati podatke?

Денормализација може бити оправдана у случајевима када постане критична перформанса упита и стандардни облици нормализације доводе до претераних трошкова времена за спајање табела.

Главни случајеви за денормализацију:

• Побољшање перформанси читања: Смањење броја JOIN операција кроз дуплирање података или креирање агрегатних поља.
• Припрема података за извештаје или анализе (OLAP): Често се користе денормализоване структуре (нпр. звезде или снежне пахуље) за убрзање извршавања сложених аналитичких упита.
• Оптимизација за специфичне упите: Ако постоји много често коришћених упита који захтевају податке из различитих табела, денормализација може смањити време њиховог извршења.
• Рад са јако повезаним подацима: У неким случајевима, када су подаци по својој природи тесно повезани и ретко се ажурирају независно, денормализација може поједноставити модел и повећати перформансе.
• Кеширање података: Креирање денормализованих "табела кеша" за често тражене податке.

Потребно је пажљиво балансирати предности у перформансама са потенцијалним недостацима:

• Узрок повећања излишности података: Може довести до проблема са конзистентношћу током ажурирања.
• Компликованије операције уписа: Ажурирање или уметање података може захтевати измене на више места.
• Већи обим складишта података: Дуплирање података повећава величину базе података.
• Компликованост одржавања: Денормализована шема може бити мање интуитивна и теже одржавати.