¿Qué es el modelado de datos?

El modelado de datos es el proceso de crear una representación visual de todo un sistema de información o partes de él para comunicar conexiones entre puntos de datos y estructuras. El objetivo es ilustrar los tipos de datos utilizados y almacenados dentro del sistema, las relaciones entre estos tipos de datos, las formas en que se pueden agrupar y organizar los datos y sus formatos y atributos.

Los modelos de datos se construyen en torno a las necesidades del negocio. Las reglas y los requisitos se definen por adelantado a través de los comentarios de las partes interesadas del negocio para que puedan incorporarse al diseño de un nuevo sistema o adaptarse en la iteración de uno existente.

Los datos se pueden modelar en varios niveles de abstracción. El proceso comienza recopilando información sobre los requisitos del negocio de las partes interesadas y los usuarios finales. Estas reglas de negocio se traducen en estructuras de datos para formular un diseño de base de datos concreto. Un modelo de datos se puede comparar con una hoja de ruta, un plano de arquitecto o cualquier diagrama formal que facilite una comprensión más profunda de lo que se está diseñando.

El modelado de datos emplea esquemas estandarizados y técnicas formales. Esto proporciona una forma común, coherente y predecible de definir y administrar los recursos de datos en toda la organización, o incluso más allá.

Idealmente, los modelos de datos son documentos vivos que evolucionan junto con las necesidades empresariales cambiantes. Desempeñan un papel importante en el apoyo a los procesos de negocio y la planificación de la arquitectura y la estrategia de TI. Los modelos de datos se pueden compartir con proveedores, socios y/o compañeros de la industria.

Tipos de modelos de datos

Al igual que cualquier proceso de diseño, el diseño de bases de datos y sistemas de información comienza con un alto nivel de abstracción y se vuelve cada vez más concreto y específico. Los modelos de datos generalmente se pueden dividir en tres categorías, que varían según su grado de abstracción. El proceso comenzará con un modelo conceptual, avanzará hacia un modelo lógico y concluirá con un modelo físico. Cada tipo de modelo de datos se analiza con más detalle a continuación:

• Modelos de datos conceptuales. También se conocen como modelos de dominio y ofrecen una visión general de lo que contendrá el sistema, cómo se organizará y qué reglas de negocio están involucradas. Los modelos conceptuales generalmente se crean como parte del proceso de recopilación de los requisitos iniciales del proyecto. Por lo general, incluyen clases de entidad (que definen los tipos de cosas que son importantes para que la empresa represente en el modelo de datos), sus características y restricciones, las relaciones entre ellas y los requisitos de seguridad e integridad de datos relevantes. Cualquier notación es típicamente simple.

  

• modelos de datos Lógicos. Son menos abstractos y proporcionan más detalles sobre los conceptos y las relaciones en el dominio en cuestión. Se sigue uno de los varios sistemas formales de notación de modelado de datos. Estos indican atributos de datos, como tipos de datos y sus longitudes correspondientes, y muestran las relaciones entre entidades. Los modelos de datos lógicos no especifican ningún requisito técnico del sistema. Esta etapa se omite con frecuencia en las prácticas ágiles o DevOps. Los modelos de datos lógicos pueden ser útiles en entornos de implementación altamente procedimentales o para proyectos orientados a datos por naturaleza, como el diseño de almacenes de datos o el desarrollo de sistemas de informes.

  

• los modelos de datos Físicos. Proporcionan un esquema de cómo se almacenarán físicamente los datos dentro de una base de datos. Como tales, son los menos abstractos de todos. Ofrecen un diseño finalizado que se puede implementar como una base de datos relacional, incluidas tablas asociativas que ilustran las relaciones entre entidades, así como las claves primarias y las claves foráneas que se utilizarán para mantener esas relaciones. Los modelos de datos físicos pueden incluir propiedades específicas del sistema de administración de bases de datos (DBMS), incluido el ajuste del rendimiento.

  

Proceso de modelado de datos

Como disciplina, el modelado de datos invita a las partes interesadas a evaluar el procesamiento y almacenamiento de datos con minucioso detalle. Las técnicas de modelado de datos tienen diferentes convenciones que dictan qué símbolos se utilizan para representar los datos, cómo se presentan los modelos y cómo se transmiten los requisitos empresariales. Todos los enfoques proporcionan flujos de trabajo formalizados que incluyen una secuencia de tareas que se realizarán de manera iterativa. Esos flujos de trabajo generalmente se ven así:

1. Identificar las entidades. El proceso de modelado de datos comienza con la identificación de las cosas, eventos o conceptos que están representados en el conjunto de datos que se va a modelar. Cada entidad debe ser cohesionada y lógicamente diferenciada de todas las demás.
2. Identificar las propiedades clave de cada entidad. Cada tipo de entidad puede diferenciarse de todos los demás porque tiene una o más propiedades únicas, llamadas atributos. Por ejemplo, una entidad llamada «cliente» podría poseer atributos tales como un nombre, apellido, número de teléfono y saludo, mientras que una entidad llamada «dirección» podría incluir un nombre y número de calle, una ciudad, estado, país y código postal.
3. Identificar relaciones entre entidades. El primer borrador de un modelo de datos especificará la naturaleza de las relaciones que cada entidad tiene con las demás. En el ejemplo anterior, cada cliente «vive en» una dirección. Si ese modelo se expandiera para incluir una entidad llamada «pedidos», cada pedido también se enviaría y facturaría a una dirección. Estas relaciones generalmente se documentan a través del lenguaje de modelado unificado (UML).
4. Asignar atributos a entidades completamente. Esto asegurará que el modelo refleje cómo la empresa utilizará los datos. Varios patrones formales de modelado de datos están en uso generalizado. Los desarrolladores orientados a objetos a menudo aplican patrones de análisis o patrones de diseño, mientras que las partes interesadas de otros dominios empresariales pueden recurrir a otros patrones.
5. Asigne claves según sea necesario y decida un grado de normalización que equilibre la necesidad de reducir la redundancia con los requisitos de rendimiento. La normalización es una técnica para organizar modelos de datos (y las bases de datos que representan) en la que se asignan identificadores numéricos, llamados claves, a grupos de datos para representar las relaciones entre ellos sin repetir los datos. Por ejemplo, si a cada cliente se le asigna una clave, esa clave se puede vincular tanto a su dirección como a su historial de pedidos sin tener que repetir esta información en la tabla de nombres de clientes. La normalización tiende a reducir la cantidad de espacio de almacenamiento que necesitará una base de datos, pero puede costar el rendimiento de las consultas.
6. Finalizar y validar el modelo de datos. El modelado de datos es un proceso iterativo que debe repetirse y perfeccionarse a medida que cambian las necesidades del negocio.

Tipos de modelado de datos

El modelado de datos ha evolucionado junto con los sistemas de gestión de bases de datos, con tipos de modelos que aumentan en complejidad a medida que crecen las necesidades de almacenamiento de datos de las empresas. Aquí hay varios tipos de modelos:

• Los modelos de datos jerárquicos representan relaciones de uno a muchos en un formato de árbol. En este tipo de modelo, cada registro tiene una única raíz o padre que se asigna a una o más tablas secundarias. Este modelo se implementó en el IBM Information Management System (IMS), que se introdujo en 1966 y rápidamente encontró un uso generalizado, especialmente en la banca. Aunque este enfoque es menos eficiente que los modelos de base de datos desarrollados más recientemente, todavía se usa en sistemas de Lenguaje de Marcado Extensible (XML) y sistemas de información geográfica (GISs).
• Los modelos de datos relacionales fueron propuestos inicialmente por el investigador de IBM E. F. Codd en 1970. Todavía se implementan hoy en día en las muchas bases de datos relacionales que se usan comúnmente en la computación empresarial. El modelado de datos relacionales no requiere una comprensión detallada de las propiedades físicas del almacenamiento de datos que se está utilizando. En ella, los segmentos de datos se unen explícitamente mediante el uso de tablas, lo que reduce la complejidad de la base de datos.

Las bases de datos relacionales suelen emplear lenguaje de consulta estructurado (SQL) para la gestión de datos. Estas bases de datos funcionan bien para mantener la integridad de los datos y minimizar la redundancia. A menudo se utilizan en sistemas de punto de venta, así como para otros tipos de procesamiento de transacciones.

• Los modelos de datos de relación de entidad (ER) utilizan diagramas formales para representar las relaciones entre entidades en una base de datos. Los arquitectos de datos utilizan varias herramientas de modelado ER para crear mapas visuales que transmiten los objetivos de diseño de la base de datos.
• Los modelos de datos orientados a objetos ganaron fuerza como programación orientada a objetos y se hicieron populares a mediados de la década de 1990. Los «objetos» involucrados son abstracciones de entidades del mundo real. Los objetos se agrupan en jerarquías de clases y tienen entidades asociadas. Las bases de datos orientadas a objetos pueden incorporar tablas, pero también pueden admitir relaciones de datos más complejas. Este enfoque se emplea en bases de datos multimedia e hipertexto, así como en otros casos de uso.
• Los modelos de datos dimensionales fueron desarrollados por Ralph Kimball, y fueron diseñados para optimizar las velocidades de recuperación de datos con fines analíticos en un almacén de datos. Mientras que los modelos relacionales y ER enfatizan el almacenamiento eficiente, los modelos dimensionales aumentan la redundancia para facilitar la localización de la información para la generación de informes y la recuperación. Este modelado se usa típicamente en sistemas OLAP.

Dos modelos de datos dimensionales populares son el esquema estrella, en el que los datos se organizan en hechos (elementos medibles) y dimensiones (información de referencia), donde cada hecho está rodeado por sus dimensiones asociadas en un patrón similar a una estrella. El otro es el esquema de copo de nieve, que se asemeja al esquema de estrella, pero incluye capas adicionales de dimensiones asociadas, lo que hace que el patrón de ramificación sea más complejo.

Beneficios del modelado de datos

El modelado de datos facilita a los desarrolladores, arquitectos de datos, analistas de negocios y otras partes interesadas ver y comprender las relaciones entre los datos de una base de datos o almacén de datos. Además, puede:

• Reducir los errores en el desarrollo de software y bases de datos.
• Aumente la coherencia en la documentación y el diseño de sistemas en toda la empresa.
• Mejorar el rendimiento de las aplicaciones y las bases de datos.
• Facilitar la asignación de datos en toda la organización.
• Mejorar la comunicación entre los desarrolladores y los equipos de inteligencia empresarial.
• Facilitar y acelerar el proceso de diseño de bases de datos a nivel conceptual, lógico y físico.

Herramientas de modelado de datos

Numerosas soluciones de ingeniería de software asistido por computadora (CASE) comerciales y de código abierto se utilizan ampliamente en la actualidad, incluidas múltiples herramientas de modelado de datos, diagramación y visualización. Aquí hay varios ejemplos:

• erwin Data Modeler es una herramienta de modelado de datos basada en el lenguaje de modelado de datos Integration DEFinition for information modeling (IDEF1X) que ahora admite otras metodologías de notación, incluido un enfoque dimensional.
• Enterprise Architect es una herramienta de diseño y modelado visual que admite el modelado de arquitecturas y sistemas de información empresariales, así como aplicaciones de software y bases de datos. Se basa en lenguajes y estándares orientados a objetos.
• ER / Studio es un software de diseño de bases de datos compatible con varios de los sistemas de gestión de bases de datos más populares de la actualidad. Es compatible con el modelado de datos relacionales y dimensionales.
• Las herramientas gratuitas de modelado de datos incluyen soluciones de código abierto como Open ModelSphere.

Modelado de datos e IBM Cloud

Los investigadores de IBM fueron algunos de los pioneros que crearon los primeros modelos de datos jerárquicos y relacionales y también diseñaron las bases de datos donde se implementaron inicialmente estos modelos.

En la actualidad, IBM Cloud proporciona una plataforma de pila completa que admite una amplia cartera de bases de datos SQL y NoSQL, junto con las herramientas de desarrollo necesarias para administrar los recursos de datos de ellas de manera eficiente. IBM Cloud también admite herramientas de código abierto que ayudan a los desarrolladores a gestionar el almacenamiento de datos de objetos, archivos y bloques para optimizar el rendimiento y la fiabilidad.

¿Desea obtener más información sobre el modelado de datos en IBM Cloud? Regístrese para obtener un IBMid y cree su cuenta gratuita de IBM Cloud hoy mismo.