O que é modelagem de dados?

O objetivo da modelagem de dados é ilustrar os tipos de dados usados e armazenados dentro do sistema e as relações entre eles. Também descreve as formas como os dados podem ser agrupados e organizados, juntamente com seus formatos e atributos.

Os modelos de dados são construídos em torno das necessidades empresariais. As regras e requisitos são definidos antecipadamente por meio do feedback dos stakeholders para que possam ser incorporados ao projeto de um novo sistema ou adaptados na iteração de um sistema existente.

Os dados podem ser modelados em vários níveis de abstração. O processo começa coletando informações sobre os requisitos dos negócios dos stakeholders e dos usuários finais. Essas business rules são então traduzidas em estruturas de dados para formular um projeto concreto de banco de dados. Um modelo de dados pode ser comparado a um roteiro, um blueprint ou qualquer diagrama formal que facilite uma compreensão mais profunda do que está sendo projetado.

A modelagem de dados emprega esquemas padronizados e técnicas formais. Essa abordagem oferece uma maneira comum, consistente e previsível de definir e gerenciar recursos de dados em toda a organização, ou até mesmo para além dela.

Idealmente, os modelos de dados são documentos ativos que evoluem junto com as mudanças nas necessidades comerciais. Eles desempenham um papel importante na compatibilidade com os processos de negócios e no planejamento da arquitetura e estratégia de TI. Os modelos de dados podem ser compartilhados com fornecedores, parceiros ou colegas do setor.

Assim como qualquer processo de design, o design de bancos de dados e sistemas de informação começa com um alto nível de abstração e vai se tornando mais concreto e específico. Os modelos de dados geralmente podem ser divididos em categorias, que variam de acordo com seu grau de abstração. O processo começará com um modelo conceitual, progredirá para um modelo lógico e será concluído com um modelo físico. Cada tipo de modelo de dados é discutido em mais detalhes nas seções subsequentes:

Eles também são chamados de modelos de domínio e oferecem uma visão geral do que o sistema conterá, como será organizado e quais regras de negócios estão envolvidas. Os modelos conceituais são criados como parte do processo de levantamento dos requisitos iniciais do projeto.

Normalmente, eles incluem classes de entidades (que definem os tipos de elementos importantes para a empresa representar no modelo de dados), suas características e restrições, e os relacionamentos entre elas. Eles também abrangem requisitos relevantes de segurança e integridade de dados. Esses elementos definem coletivamente como os dados são estruturados e governados dentro do modelo. Normalmente, qualquer notação é simples.

Eles são menos abstratos e fornecem mais detalhes sobre os conceitos e relacionamentos no domínio em questão. Adota-se um dos diversos sistemas formais de notação de modelagem de dados. Essas notações indicam atributos de dados, como tipos de dados e seus comprimentos correspondentes, e mostram os relacionamentos entre as entidades.

Modelos de dados lógicos não especificam requisitos técnicos de sistema. Essa etapa é frequentemente omitida nas práticas ágeis ou de DevOps. Os modelos lógicos de dados podem ser úteis em ambientes de implementação altamente procedimentais ou para projetos que são orientados a dados por natureza, como o design de data warehouses ou o desenvolvimento de sistemas de relatórios.

Eles fornecem um esquema de como os dados serão armazenados fisicamente em um banco de dados. Como tal, são os menos abstratos. Eles oferecem um projeto finalizado que pode ser implementado como um banco de dados relacional, incluindo tabelas associativas que ilustram as relações entre as entidades. O design também especifica as chaves primárias e estrangeiras que serão usadas para manter esses relacionamentos. Modelos de dados físicos podem incluir propriedades específicas do sistema de gerenciamento de banco de dados (DBMS), incluindo ajuste de desempenho.

Como disciplina, modelagem de dados convida stakeholders a avaliar processamento de dados e armazenamento em detalhe. As técnicas de modelagem de dados têm diferentes convenções que ditam quais símbolos são usados para representar os dados, como os modelos são apresentados e como os requisitos do negócio são transmitidos. Todas as abordagens fornecem fluxos de trabalho formalizados que incluem uma sequência de tarefas a serem executadas de maneira iterativa. Esses fluxos de trabalho geralmente ficam assim:

1. Identifique as entidades. O processo de modelagem de dados começa com a identificação das coisas, eventos ou conceitos que estão representados no conjunto de dados que deve ser modelado. Cada entidade deve ser coesivo e logicamente discreto de todas as outras.
2. Identifique as principais propriedades de cada entidade. Cada tipo de entidade pode ser diferenciado de todos os outros porque tem uma ou mais propriedades exclusivas, chamadas atributos. Por exemplo, uma entidade chamada "cliente" pode possuir atributos como nome, sobrenome, número de telefone e saudação. Uma entidade chamada "endereço" pode incluir nome e número da rua, cidade, estado, país e código postal.
3. Identifique relações entre as entidades. O primeiro rascunho de um modelo de dados especificará a natureza dos relacionamentos que cada entidade tem com as outras. No exemplo anterior, cada cliente “mora em” um endereço. Se esse modelo for expandido para incluir uma entidade chamada "pedidos", cada pedido será enviado e faturado para um endereço. Essas relações são documentadas por meio de linguagem de modelagem unificada (UML).
4. Mapeie completamente os atributos para as entidades. Essa abordagem garantirá que o modelo reflita como a empresa usará os dados. Diversos padrões formais de modelagem de dados são amplamente utilizados. Os desenvolvedores orientados a objetos frequentemente aplicam padrões de análise ou padrões de projeto, enquanto os stakeholders de outras áreas de negócios podem recorrer a outros padrões.
5. Atribua chaves conforme necessário e defina um grau de normalização que equilibre a necessidade de reduzir a redundância com os requisitos de desempenho. A normalização é uma técnica para organizar modelos de dados (e os bancos de dados que eles representam) na qual identificadores numéricos, chamados de chaves, são atribuídos a grupos de dados para representar relações entre eles sem repetição de dados. Por exemplo, se cada cliente receber uma chave, essa chave poderá ser vinculada ao endereço e ao histórico de pedidos sem a necessidade de repetir essas informações na tabela de nomes dos clientes. A normalização reduz a quantidade de espaço de armazenamento necessário para um banco de dados, mas isso pode ter um custo em termos de desempenho das consultas.
6. Finalize e valide o modelo de dados. A modelagem de dados é um processo iterativo que deve ser repetido e refinado à medida que as necessidades do negócio mudam.

A modelagem de dados evoluiu juntamente com os sistemas de gerenciamento de banco de dados, com os tipos de modelos aumentando em complexidade à medida que as necessidades de armazenamento de dados das empresas cresceram. Aqui estão alguns tipos de modelos:

• Modelos de dados hierárquicos representam relações de um para muitos em um formato semelhante a uma árvore. Nesse tipo de modelo, cada registro possui uma única raiz ou pai, que é mapeada para uma ou mais tabelas filhas. Esse modelo foi implementado no IBM Information Management System (IMS), que foi lançado em 1966 e rapidamente se tornou amplamente utilizado, especialmente no setor bancário. Embora essa abordagem seja menos eficiente do que os modelos de banco de dados desenvolvidos mais recentemente, ela ainda é usada em sistemas de Extensible Markup Language (XML) e sistemas de informações geográficas (GISs).
• Modelos de dados relacionais foram inicialmente propostos pelo pesquisador da IBM, E.F. Codd em 1970. Eles ainda são implementados hoje em dia nos diversos bancos de dados relacionais comumente usados na computação corporativa. A modelagem de dados relacionais não exige uma compreensão detalhada das propriedades físicas do armazenamento de dados que está sendo usado. Nela, os segmentos de dados são explicitamente unidos por meio de tabelas, reduzindo a complexidade do banco de dados.

Bancos de dados relacionais frequentemente empregam uma linguagem de consulta estruturada (SQL) para gerenciamento de dados. Esses bancos de dados funcionam bem para manter a integridade e minimizar a redundância. Eles são frequentemente usados em sistemas de pontos de venda, bem como para outros tipos de processamento de transações.

• Os modelos de dados de relacionamento de entidade (ER) utilizam diagramas formais para representar as relações entre entidades em um banco de dados. Várias ferramentas de modelagem ER são usadas por arquitetos de dados para criar mapas visuais que transmitem objetivos de projeto de banco de dados.
• Modelos de dados orientados a objetos ganharam força como programação orientada a objetos e se tornaram populares em meados da década de 1990. Os "objetos" envolvidos são abstrações de entidades do mundo real. Os objetos são agrupados em hierarquias de classe e têm funcionalidades associadas. Bancos de dados orientados a objetos podem incorporar tabelas, mas também podem ser compatíveis com relacionamentos de dados mais complexos. Essa abordagem é empregada em bancos de dados multimídia e hipertexto, bem como em outros casos de uso.
• Modelos de dados dimensionais foram desenvolvidos por Ralph Kimball e foram projetados para otimizar as velocidades de recuperação de dados para fins analíticos em um data warehouse. Enquanto os modelos relacionais e ER enfatizam o armazenamento eficiente, os modelos dimensionais aumentam a redundância para facilitar a localização de informações para geração de relatórios e recuperação de dados. Essa modelagem é normalmente usada em sistemas OLAP.

Dois modelos comuns de dados dimensionais são o esquema em estrela, no qual os dados são organizados em fatos (itens mensuráveis) e dimensões (informações de referência). Nesse modelo, cada fato é cercado por suas dimensões associadas em um padrão semelhante a uma estrela. O outro é o esquema floco de neve, que se assemelha ao esquema estrela, mas inclui outras camadas de dimensões associadas, tornando o padrão de ramificação mais complexo.

A modelagem de dados facilita para desenvolvedores, arquitetos de dados, analistas de negócios e outros stakeholders a visualização e a compreensão das relações entre os dados em um banco de dados ou data warehouse. Além disso, pode:

• Reduzir erros no desenvolvimento de software e banco de dados.
• Aumentar a consistência na documentação e no projeto do sistema em toda a empresa.
• Melhorar o desempenho das aplicações e do banco de dados.
• Facilitar o mapeamento de dados em toda a organização.
• Melhorar a comunicação entre equipes de desenvolvedores e business intelligence.
• Facilitar e acelerar o processo de projeto de banco de dados nos níveis conceituais, lógicos e físicos.

Numerosas soluções comerciais e de código aberto de engenharia de software auxiliada por computador (CASE) são amplamente utilizadas atualmente, incluindo várias ferramentas de modelagem de dados, diagramação e visualização de dados. Aqui estão vários exemplos:

• O erwin Data Modeler é uma ferramenta de modelagem de dados baseada na linguagem de modelagem de dados Integration DEFinition for information modeling (IDEF1X), que agora é compatível com outras metodologias de notação, incluindo uma abordagem dimensional.
• O Enterprise Architect é uma ferramenta visual de modelagem e projeto compatível com a modelagem de sistemas e arquiteturas de informação corporativa, bem como aplicações de software e bancos de dados. É baseado em linguagens e padrões orientados a objetos.
• O ER/Studio é um software de projeto de banco de dados compatível com vários dos sistemas de gerenciamento de banco de dados mais populares da atualidade. Ele é compatível com modelagem de dados relacional e dimensional.
• As ferramentas de modelagem de dados gratuitas incluem soluções de código aberto, como o Open ModelSphere.