¿Qué es el modelado de datos?

El objetivo del modelado de datos es ilustrar los tipos de datos utilizados y almacenados dentro del sistema y las relaciones entre estos tipos de datos. También describe las formas en que se pueden agrupar y organizar los datos, junto con sus formatos y atributos.

Los modelos de datos se crean en función de las necesidades empresariales. Las reglas y los requisitos se definen con antelación a partir de los comentarios de los stakeholder de la empresa para poder incorporarlos al diseño de un nuevo sistema o adaptarlos a la iteración de uno ya existente.

Los datos se pueden modelar en varios niveles de abstracción. El proceso comienza con la recopilación de información sobre los requisitos empresariales de los stakeholders y los usuarios finales. A continuación, estas reglas empresariales se traducen en estructuras de datos para formular un diseño concreto de la base de datos. Un modelo de datos puede compararse con un mapa de carreteras, el plano de un arquitecto o cualquier otro diagrama formal que facilite una comprensión más profunda de lo que se está diseñando.

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

En el mejor de los casos, los modelos de datos son documentos vivos que evolucionan al ritmo de las cambiantes necesidades empresariales. Son fundamentales para respaldar los procesos empresariales y planificar la arquitectura y la estrategia de TI. Los modelos de datos pueden compartirse con proveedores, socios o empresas del mismo sector.

Como cualquier proceso de diseño, el diseño de bases de datos y sistemas de información comienza en un alto nivel de abstracción y se vuelve más concreto y específico. Los modelos de datos pueden dividirse generalmente en tres categorías, que varían en función de su grado de abstracción. El proceso comenzará con un modelo conceptual, progresará a un modelo lógico y concluirá con un modelo físico. Cada tipo de modelo de datos se analiza con más detalle en las secciones siguientes:

También se les denomina modelos de dominio y ofrecen una visión general de lo que contendrá el sistema, cómo se organizará y qué reglas empresariales están implicadas. Los modelos conceptuales 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 elementos que es importante que la empresa represente en el modelo de datos), sus características y restricciones, así como las relaciones entre ellas. También abarcan los requisitos pertinentes de seguridad e integridad de los datos. Estos elementos definen colectivamente cómo se estructuran y gobiernan los datos dentro del modelo. Cualquier notación suele ser sencilla.

Son menos abstractos y proporcionan más detalles sobre los conceptos y relaciones en el dominio en cuestión. Se sigue uno de los diversos sistemas formales de notación de modelado de datos. Estas notaciones 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 lógicos de datos pueden ser útiles en entornos de implementación muy procedimentales, o para proyectos orientados a los datos por naturaleza, como el diseño de almacén de datos o el desarrollo de sistemas de elaboración de informes.

Proporcionan un esquema de cómo se almacenarán físicamente los datos dentro de una base de datos. Por lo tanto, son los menos abstractos. Ofrecen un diseño final que puede implementarse como una base de datos relacional, incluyendo tablas asociativas que ilustran las relaciones entre entidades. El diseño también especifica 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 gestión de bases de datos (DBMS), incluido el ajuste del rendimiento.

Como disciplina, el modelado de datos invita a los stakeholders a evaluar el procesamiento y almacenamiento de datos con gran detalle. Las técnicas de modelado de datos utilizan diferentes convenciones para representar los datos, diseñar los modelos y transmitir los requisitos empresariales. Todos los enfoques proporcionan flujos de trabajo formalizados que incluyen una secuencia de tareas que deben realizarse de forma iterativa. Esos flujos de trabajo suelen tener el siguiente aspecto:

1. Se identifican las entidades. El proceso de modelado de datos comienza con la identificación de las cosas, acontecimientos o conceptos que están representados en el conjunto de datos que se va a modelar. Cada entidad debe ser cohesiva y lógicamente discreta de todas las demás.
2. Se identifican las propiedades clave de cada entidad. Cada tipo de entidad se puede diferenciar de todos los demás porque tiene una o más propiedades únicas, llamadas atributos. Por ejemplo, una entidad llamada "cliente" podría poseer atributos como un nombre de pila, un apellido, un número de teléfono y un saludo. Una entidad denominada "dirección" podría incluir el nombre y el número de la calle, la ciudad, el estado, el país y el código postal.
3. Se identifican las relaciones entre entidades. El primer borrador de un modelo de datos especificará la naturaleza de las relaciones que cada entidad mantiene con las demás. En el ejemplo anterior, cada cliente "vive en" una dirección. Si ese modelo se amplía para incluir una entidad llamada "pedidos", cada pedido se enviará y facturará a una dirección. Estas relaciones se documentan a través del lenguaje de modelado unificado (UML).
4. Se asignan completamente los atributos a las entidades. Este enfoque garantizará que el modelo refleje la forma en que la empresa utilizará los datos. Varios patrones formales de modelado de datos son de uso generalizado. Los desarrolladores orientados a objetos suelen aplicar patrones de análisis o patrones de diseño, mientras que las partes interesadas de otros dominios empresariales pueden recurrir a otros patrones.
5. Se asignan claves según se requieran y se decide 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 puede vincularse 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 reduce la cantidad de espacio de almacenamiento que necesita una base de datos, pero puede producirse a costa del rendimiento de las consultas.
6. Se finaliza y valida el modelo de datos. El modelado de datos es un proceso iterativo que debe repetirse y perfeccionarse a medida que cambian las necesidades empresariales.

El modelado de datos ha evolucionado a la par que los sistemas de gestión de bases de datos, y los tipos de modelos han aumentado en complejidad a medida que crecían las necesidades de almacenamiento de datos de las empresas. Estos son varios tipos de modelos:

• Los modelos de datos jerárquicos representan relaciones de uno a varios en formato de árbol. En este tipo de modelo, cada registro tiene una única raíz o tabla principal, que se vincula a una o varias 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 bases de datos desarrollados más recientemente, todavía se utiliza en sistemas de lenguaje de marcado extensible (XML) y sistemas de información geográfica (SIG).
• 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 diferentes bases de datos relacionales que se utilizan habitualmente en la informática empresarial. El modelado de datos relacionales no requiere una comprensión detallada de las propiedades físicas del almacenamiento de datos que se utiliza. En él, los segmentos de datos se unen explícitamente mediante tablas, lo que reduce la complejidad de la base de datos.

Las bases de datos relacionales suelen emplear un 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 entidad-relación (ER) utilizan diagramas formales para representar las relaciones entre entidades en una base de datos. Los arquitectos de datos utilizan diversas herramientas de modelado ER para crear mapas visuales que transmiten los objetivos del diseño de las bases de datos.
• Los modelos de datos orientados a objetos ganaron terreno 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 características asociadas. Las bases de datos orientadas a objetos pueden incorporar tablas, pero también pueden admitir relaciones de datos más complejas. Este enfoque se utiliza en bases de datos multimedia e hipertexto, así como en otros casos de uso.
• Los modelos de datos dimensionales fueron desarrollados por Ralph Kimball para optimizar las velocidades de recuperación de datos con fines analíticos en un almacén de datos. Mientras que los modelos relacionales y ER hacen hincapié en el almacenamiento eficiente, los modelos dimensionales aumentan la redundancia para facilitar la localización de la información para la elaboración de informes y la recuperación. Este modelado se utiliza normalmente en todos los sistemas OLAP.

Dos modelos de datos dimensionales comunes son el esquema en estrella, en el que los datos se organizan en hechos (elementos medibles) y dimensiones (información de referencia). En este modelo, cada hecho está rodeado de sus dimensiones asociadas en un patrón similar a una estrella. El otro es el esquema copo de nieve, que se asemeja al esquema estrella pero incluye otras capas de dimensiones asociadas, haciendo que el patrón ramificado sea más complejo.

El modelado de datos facilita a los desarrolladores, arquitectos de datos, analistas empresariales y otras partes interesadas la visualización y comprensión de las relaciones entre los datos de una base o almacén de datos. Además, puede:

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

En la actualidad, se utilizan ampliamente numerosas soluciones comerciales y de código abierto de ingeniería de software asistida por ordenador (CASE), entre las que se incluyen múltiples herramientas de modelado de datos, diagramación y visualización. A continuación se muestran 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 visual de modelado y diseño que permite modelar sistemas de información y arquitecturas 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. Admite el modelado de datos tanto relacionales como dimensionales.
• Las herramientas gratuitas de modelado de datos incluyen soluciones de código abierto como Open ModelSphere.