Shape-First Modeling definiert Datenqualität über Shapes, bevor Implementierung oder Integration ausfranst. Der Ansatz passt, wenn Validierung und Data Contracts von Anfang an Teil des Designs sein sollen.
Shape-First Modeling
Formt Anforderungen an Datenqualität in SHACL oder ShEx und verankert daraus prüfbare Data Contracts.
Welche Shapes legen Pflicht-Properties, Datentypen, Kardinalitäten und Beziehungen so fest, dass reale Daten validierbar und Verträge zwischen Producer und Consumer eindeutig sind?
Zuerst werden die relevanten Knotenklassen und Pflichtmerkmale beschrieben. Danach übersetzt das Team diese Anforderungen in SHACL oder ShEx, validiert Beispieldaten und schärft die Regeln nach. Am Ende stehen prüfbare Shapes, die sich direkt in Pipelines und Verträge überführen lassen.
Visuelle Orientierung
Methodenskizze für ein schnelles Grundgefühl.
Ablauf
- 1Wichtige Knotenklassen identifizieren
- 2Pflicht- und Optional-Properties pro Klasse festlegen
- 3Datentypen und Wertebereiche definieren
- 4Beziehungen und Kardinalitäten als Shapes ausdrücken
- 5Validation gegen Beispieldaten laufen lassen
- 6Shapes versionieren und in Pipelines integrieren
Das Runsheet führt mit 6 Phasen, Timeboxen, 6 Stolperfallen und klaren Abbruchkriterien durch die Umsetzung.
Runsheet öffnenIdeal für
- Datenqualität in Knowledge Graphs
- Linked Data Validation
- Vertragsbasierte Schnittstellen zwischen Producer und Consumer
- GraphRAG Quality Gates
Nicht gut für
- Sehr explorative Skizzenphasen
- Reine Schema-on-Read-Anwendungen ohne Qualitätsanspruch
Vertiefung
Shape First Modeling wirkt, weil Datenqualität schon im Modell festgelegt wird und nicht erst nach einer fehlerhaften Integration. Mehr Schärfe bekommt der Ansatz an Schärfe, wenn Shapes aus echten Datenverträgen, Pflichtaussagen und Prüfregeln abgeleitet werden. Besonders wichtig sind verständliche Fehlermeldungen, realistische Beispieldaten und saubere Versionierung, damit Validierung nicht bremst, sondern verlässliche Zusammenarbeit zwischen Quellen ermöglicht.
Für die Einführung eignet sich ein kleiner, geschäftskritischer Datenaustausch, an dem Nutzen und Grenze der Regeln schnell sichtbar werden. Der tipping point liegt meist bei zu strengen Shapes, die reale Datenlagen ausblenden, oder bei zu weichen Regeln ohne Schutzwirkung. Schließe mit einem lauffähigen Prüfpfad, wenigen priorisierten Shapes und einer Verabredung, wie künftige Änderungen eingebracht werden.
Shape-First Modeling ArbeitsvorlageKompakte Arbeitsvorlage für Shape-First Modeling mit Kontext, Input, Ergebnisartefakten und nächstem Schritt.markdown
shape-first-modeling-working-template.md
Kompakte Arbeitsvorlage für Shape-First Modeling mit Kontext, Input, Ergebnisartefakten und nächstem Schritt.
Shape-First Modeling Arbeitsvorlage
Ziel
Modellierungsansatz, bei dem Datenshapes und Constraints vor offener Ontology-Semantik definiert werden.
Kontext
Wann und wofür nutzen wir diese Methode?
Input
Welche Daten, Beobachtungen, Entscheidungen oder Materialien liegen vor?
Durchführung
Kurze Notizen entlang des Runsheets.
Ergebnisartefakte
- SHACL or ShEx Shapes:
- Validation Reports:
- Data Contracts:
- Shape Documentation:
Annahmen und offene Fragen
- ...
Entscheidung / Nächster Schritt
Owner, Datum und Erfolgssignal.
Wann stattdessen?
Kurze Entscheidungshilfe für vorhandene Alternativen.
Statt Shape-First Modeling, wenn du ein Graphschema direkt auf Abfragen, Traversals und Kantenlogik ausrichten willst.
Ähnliche Methoden
Alle MethodenVerbindet Use Cases, Vokabulare und Konzeptmodelle zu einer publizierbaren Ontology mit Wartungsstrategie.
Wählt wiederkehrende Muster für Ontologien aus, passt sie an die Domäne an und dokumentiert die Ableitung.
Formuliert fachliche Fragen so, dass Konzepte, Beziehungen und Constraints eines Ontology-Modells testbar werden.
Entwirft Node Labels, Relationship Types, Properties und Constraints passend zu Query Patterns und Migrationen.
Statt Shape-First Modeling, wenn du ein Graphschema direkt auf Abfragen, Traversals und Kantenlogik ausrichten willst.
Plant Ontology-Arbeit als modulare Folge von Szenarien, Reuse und Reviews für größere Modellierungsvorhaben.
Verbindet Begriffe mit benannten Beziehungen und macht Wissenslücken sichtbar, bevor das Modell zu grob wird.