Modelagem de dados é o processo de

diagramação do fluxo de dados. Quando

cria uma estrutura nova ou alternativa
de banco de dados, o projetista começa
com um diagrama de como os dados
vão fluir para dentro e para fora do
banco de dados. Este fluxograma é
usado para definir as características dos
formatos de dados, estruturas e funções
de processamento de banco de dados
para atender com eficiência os
requisitos do fluxo de dados. Depois da
criação e implementação do banco de
dados, o modelo permanece ativo e se
torna a documentação e a justificativa
da existência do banco de dados e de
como o fluxo de dados foi projetado.
 
O modelo de dados resultante desse processo constitui o arcabouço das relações entre
os elementos do banco de dados e é um guia para a utilização dos dados. Os modelos
de dados são um elemento fundamental do desenvolvimento de software e das funções
analíticas. A modelagem é um método padronizado de definir e formatar o conteúdo do
banco de dados de modo constante em todos os sistemas para permitir que aplicativos
diferentes compartilhem os mesmos dados.

Por que a modelagem de

dados é importante?
O modelo de dados abrangente e otimizado ajuda a criar um banco de dados lógico e
simplificado que elimina redundâncias, reduz os requisitos de armazenamento e permite
a recuperação eficiente. Ele também fornece a todos os sistemas uma "única fonte da
verdade", essencial para a eficácia das operações e o compliance comprovado com as
regras e os requisitos regulatórios. A modelagem de dados é uma etapa fundamental de
duas funções vitais da empresa digital.

Projetos de desenvolvimento de
software (novos ou personalizados)
realizados por profissionais de TI
 
Antes de projetar e construir qualquer projeto de software, deve haver uma visão
documentada de como será o produto final e de como se comportará. Uma grande parte
dessa visão é o conjunto de regras de negócios que regem a funcionalidade desejada. A
outra parte é a descrição dos dados – o fluxo de dados (ou modelo de dados) e o projeto
do banco de dados que vai suportá-lo.
 
A modelagem de dados mantém o registro da visão e oferece um roadmap aos
projetistas. Com o banco de dados e os fluxos de dados definidos e documentados, os
sistemas desenvolvidos de acordo com essas especificações devem fornecer a
funcionalidade esperada necessária para manter os dados precisos (supondo que os
procedimentos sejam adequadamente seguidos).
 

Visualização e funções analíticas ou

Business Intelligence: para os usuários,
uma das principais ferramentas do
processo decisório
 
Com o aumento do volume de dados e o número crescente de usuários, as
organizações precisam transformar dados brutos em informações acionáveis para a
tomada de decisões. Não surpreende que a demanda pela análise de dados tenha
crescido radicalmente. A visualização dos dados os deixa ainda mais acessíveis aos
usuários por apresentá-los graficamente.
 
Os modelos de dados atuais transformam dados brutos em informações úteis que
podem formar visualizações dinâmicas. A modelagem prepara os dados para a análise:
seleciona os dados, define as medidas e dimensões e aprimora os dados com a criação
de hierarquias, a definição de unidades e moedas e o acréscimo de fórmulas.
 

Quais são os tipos de

modelagem de dados?
Os três tipos primários de modelagem são relacional, dimensional e entidade-
relacionamento (E-R). Há vários outros que não estão em uso geral, como hierárquico,
de rede, orientado a objetos e multivalor. O tipo de modelo define a estrutura lógica –
como os dados são armazenados logicamente – e, portanto, como eles são guardados,
organizados e recuperados.

1. Relacional: embora de abordagem "mais antiga", o

modelo mais comum de banco de dados em uso é o
relacional, que armazena os dados em registros de
formato fixo e os organiza em tabelas, com linhas e
colunas. O tipo mais básico de modelo de dados tem
dois elementos: medidas e dimensões. As medidas são
os valores numéricos, como quantidades e receitas,
usados em cálculos matemáticos como somas ou
médias. As dimensões podem ser textuais ou
numéricas. Não são usadas em cálculos e incluem
descrições e locais. Os dados brutos são definidos como
medida ou dimensão. Outros termos usados no projeto
de bancos de dados relacionais são “relações” (a tabela
com linhas e colunas), “atributos” (colunas), “tuplas”
(linhas) e “domínio” (conjunto de valores permitidos em
uma coluna). Embora haja termos adicionais e requisitos
estruturais que definem o banco de dados relacional, o
fator importante são as relações definidas nessa
estrutura. Os elementos de dados em comum (ou
chaves) ligam tabelas e conjuntos de dados. As tabelas
também podem ser relacionadas explicitamente, como
relações pai-filho, um para um, um para muitos ou
muitos para muitos.
2. Dimensional: menos rígida e estruturada, a abordagem
dimensional favorece uma estrutura contextual de dados
mais relacionada ao contexto ou uso nos negócios. Essa
estrutura de banco de dados é otimizada para consultas
online e ferramentas de armazenamento de dados.
Elementos fundamentais, como quantidade de
transações, por exemplo, são denominados “fatos” e
acompanhados por informações de referência
chamadas “dimensões”, como ID do produto, preço
unitário ou data da transação. A tabela de fatos é uma
tabela primária em um modelo dimensional. A
recuperação pode ser rápida e eficiente, com os dados
de um tipo específico de atividade armazenados juntos,
mas a ausência de vínculos de relacionamento complica
a recuperação analítica e o uso dos dados. Como a
estrutura de dados está associada à função de negócio
que produz e utiliza os dados, a combinação desses
dados por diferentes sistemas (em um data warehouse,
por exemplo) pode ser problemática.
3. Entidade-relacionamento (E-R): O modelo E-R é uma
estrutura de dados de negócios em forma de gráfico,
com vários formatos de caixas que representam
atividades, funções ou "entidades" e linhas que
representam associações, dependências ou
"relacionamentos". O modelo E-R é usado para criar um
banco de dados relacional em que cada linha representa
 uma entidade e os campos nessa linha contêm
atributos. Como em todos os bancos de dados
relacionais, os elementos de dados "chave" são usados
para vincular tabelas.

Quais são os três níveis de

abstração de dados?
Existem vários tipos de modelos de dados, com diferentes tipos de layout possíveis. A
comunidade de processamento de dados identifica três tipos de modelagem para
representar os níveis de pensamento à medida que os modelos são desenvolvidos.

Modelo de dados conceitual

 
Este é o modelo do "quadro maior", que representa a estrutura e o conteúdo geral, mas
não os detalhes do plano de dados. É o ponto de partida típico para a modelagem de
dados e identifica os vários conjuntos de dados e seu fluxo pela organização. O modelo
conceitual é o plano geral para o desenvolvimento dos modelos lógicos e físicos e parte
importante da documentação da arquitetura de dados.
 

Modelo de dados lógico

 
O segundo nível de detalhamento é o modelo de dados lógico. Ele está relacionado
mais estreitamente à definição geral de "modelo de dados", pois descreve o fluxo de
dados e o conteúdo do banco de dados. O modelo lógico adiciona detalhes à estrutura
global do modelo conceitual, mas não inclui especificações do banco de dados em si,
uma vez que o modelo pode ser aplicado a vários produtos e tecnologias de banco de
dados. (Observe que poderá não haver um modelo conceitual se o projeto estiver
relacionado a uma única aplicação ou a outro sistema limitado.)
 

Modelo de dados físico

 
O modelo de banco de dados físico descreve as especificidades da realização do
modelo lógico. Ele deve conter detalhes suficientes para que os tecnólogos criem a
estrutura real do banco de dados em hardware e software para sustentar os aplicativos
que vão usá-lo. Desnecessário dizer que o modelo de dados físico é específico do
sistema de software designado para o banco de dados. Poderá haver vários modelos
físicos derivados de um único modelo lógico, se vários sistemas diferentes de banco de
dados forem usados.

Processo e técnicas de
modelagem de dados
Inerentemente, a modelagem de dados é um processo top-down, que começa com o
modelo conceitual para estabelecer a visão geral, passa para o modelo lógico e,
finalmente, para o projeto detalhado contido no modelo físico.
 
A construção do modelo conceitual é principalmente um processo de conversão de
ideias em forma gráfica que se assemelha ao fluxograma de um programador.
 
As modernas ferramentas de modelagem de dados ajudam a definir e criar modelos de
dados e bancos de dados lógicos e físicos. Aqui estão algumas técnicas e etapas típicas
da modelagem de dados:

 Determine as entidades e crie um diagrama

entidade-relacionamento (DER). As entidades podem
ser descritas como "elementos de dados que interessam
a seus negócios". Por exemplo, "cliente" seria uma
entidade. "Venda" seria outra. No DER, documenta-se
como essas diferentes entidades se relacionam em seu
negócio e que conexões de alto nível existem entre elas.
 Defina os fatos, medidas e dimensões.O fato é a
parte dos dados que indica uma ocorrência ou transação
específica, como a venda de um produto. As medidas
são quantitativas, como número de itens, receita, custo,
etc. As dimensões são medidas qualitativas, como
descrição, localização e data.  
 Crie um link de visão de dados com uma ferramenta
gráfica ou consultas SQL. Se não estiver familiarizado
com SQL, a ferramenta gráfica é a opção mais intuitiva,
que permite arrastar e soltar elementos no modelo e
criar conexões visualmente. Quando se cria uma visão,
é possível combinar tabelas e até outras visões em uma
única saída. Ao selecionar uma fonte na visão gráfica e
arrastá-la até outra fonte já associada à saída, há a
opção de ligar as duas ou de criar a união dessas
tabelas.
As soluções analíticas modernas também ajudam a selecionar, filtrar e conectar fontes
de dados com uma exibição gráfica de arrastar e soltar. Há ferramentas avançadas para
os especialistas em dados que trabalham em TI, mas os usuários também podem criar
histórias próprias montando visualmente um modelo de dados e organizando tabelas,
gráficos, mapas e outros objetos para contar uma história com base em insights.

Explore o SAP Analytics Cloud

Crie um modelo de dados para contar uma história com base em insights.

Saiba mais

Exemplos de modelagem de
dados
Em qualquer aplicativo, comercial, pessoal, de entretenimento ou outro, a modelagem
de dados é uma etapa inicial necessária para projetar o sistema e definir a infraestrutura
necessária para ativá-lo. Ela inclui qualquer tipo de sistema transacional, conjunto ou
suíte de aplicativos de processamento de dados e qualquer outro sistema que colete,
crie ou use dados.
 
A modelagem é imperativa para armazenar os dados, pois o data warehouse é um
repositório de dados trazidos de várias fontes, que provavelmente usam formatos
diferentes para dados semelhantes ou relacionados. Primeiro, é necessário mapear os
formatos e a estrutura do warehouse para determinar como manipular, de acordo com
as necessidades do projeto do warehouse, cada conjunto de dados que chega, de modo
que os dados sejam úteis para a análise e a mineração de dados. Assim, o modelo de
dados é um facilitador importante das ferramentas analíticas, dos sistemas de
informação executiva (dashboards), da mineração de dados e da integração com todo e
qualquer sistema de dados e aplicativos.
 
Nos estágios iniciais do projeto em qualquer sistema, a modelagem de dados é um
requisito fundamental do qual dependem todas as outras etapas e estágios para formar
a base sobre a qual se apoiam todos os programas, funções e ferramentas. O modelo
de dados é como uma linguagem em comum que permite que os sistemas se
comuniquem pela compreensão e aceitação dos dados, como descrito no modelo. Isso
é mais importante do que nunca no mundo atual de Big Data, Machine
Learning, Inteligência Artificial, conectividade em nuvem, IoT e sistemas distribuídos,
incluindo edge computing.

Evolução da modelagem de
dados
Em termos concretos, a modelagem de dados existe desde que surgiram o
processamento e o armazenamento de dados e a programação de computadores,
embora a expressão só tenha entrado em uso quando os sistemas de gestão de banco
de dados começaram a evoluir na década de 1960. Não há nada novo nem inovador no
conceito de planejar e arquitetar uma nova estrutura. A modelagem de dados em si ficou
mais estruturada e formalizada à medida que surgiram mais dados, mais bancos de
dados e mais diversidade de dados.
 
Hoje, a modelagem de dados é mais essencial do que nunca, pois os tecnólogos lidam
com novas fontes de dados (sensores de IoT, dispositivos com reconhecimento de
localização, fluxo de cliques, mídias sociais) e uma onda de dados não estruturados
(texto, áudio, vídeo, saída bruta de sensores), em volume e velocidade que excedem os
recursos dos sistemas tradicionais. Atualmente, há uma demanda constante de novos
sistemas, modelos de dados e estruturas e técnicas inovadoras de banco de dados para
unificar esse novo esforço de desenvolvimento.

Qual é o próximo passo da

modelagem de dados?
A conectividade das informações e o grande volume de dados de tantas e diferentes
fontes, como sensores, voz, vídeo, e-mail e muito mais, aumentam o alcance dos
projetos de modelagem para os profissionais de TI. É claro que a Internet é um dos
facilitadores dessa evolução. A nuvem é uma parte importante da solução, pois é a
única infraestrutura de computação suficientemente ágil, grande e escalável para
atender aos requisitos atuais e futuros da expansão da conectividade.
 
As opções de projeto de banco de dados também estão mudando. Há uma década, a
estrutura dominante era um banco de dados relacional baseado em linhas com a
tecnologia tradicional de armazenamento em disco. Os dados do livro-Razão ou da
gestão de estoque de um ERP típico eram armazenados em dezenas de tabelas
diferentes que precisavam ser atualizadas e modeladas. Atualmente, as soluções ERP
modernas armazenam dados ativos na memória e usam um projeto em colunas para
reduzir drasticamente as tabelas e aumentar a velocidade e a eficiência.
 
Para os profissionais da linha de negócios, as novas ferramentas de autoatendimento
disponíveis continuarão a melhorar. E novas ferramentas serão lançadas para tornar a
modelagem e a visualização dos dados ainda mais fácil e colaborativa.

Resumo
Um modelo de dados completo e bem pensado é o segredo do desenvolvimento de um
banco de dados verdadeiramente funcional, útil, seguro e preciso. Comece com o
modelo conceitual para estabelecer todos os componentes e funções do modelo de
dados. Depois, refina esse plano como um modelo de dados lógico que descreva o fluxo
de dados e defina que dados são necessários e como serão adquiridos, processados,
armazenados e distribuídos. O modelo de dados lógico embasa o modelo de dados
físico específico de um banco de dados e é o documento detalhado do projeto que
orienta a criação do banco de dados e do software.
 
Uma boa modelagem e um bom projeto de banco de dados são essenciais para o
desenvolvimento de sistemas e bancos de dados funcionais, confiáveis e seguros que
funcionem bem com data warehouses e ferramentas analíticas e facilitem o intercâmbio
de dados com parceiros de negócios e entre vários conjuntos de aplicativos. Bem
pensados, os modelos de dados ajudam a garantir a integridade dos dados da empresa,
tornando-os ainda mais valiosos e confiáveis.

A modelagem de dados consiste em criar um diagrama simplificado de um sistema

de software e dos seus elementos de dados. Isso é feito usando texto e símbolos
para representar os dados e como eles fluem. Portanto, os modelos de dados
fornecem um plano para projetar um novo banco de dados ou fazer a reengenharia
de um aplicativo legado. De modo geral, saber o que são modelos de dados ajuda
uma organização a usar seus dados de maneira eficaz para atender às
necessidades de negócios de informações.
Os modelos de dados são fluxograma que ilustram as entidades de dados, seus
atributos e os relacionamentos entre as entidades. Ou seja, ele permite às equipes
de gerenciamento e análise de dados documentar os requisitos de dados para
aplicativos. Dessa forma, podem identificar erros nos planos de desenvolvimento
antes que qualquer código seja escrito.
Como alternativa, pode-se criar modelos de dados por meio de esforços de
engenharia reversa que os extraem dos sistemas existentes. Isso é feito para
documentar a estrutura de bancos de dados relacionais que foram construídos em
uma base ad hoc sem modelagem de dados inicial. Contudo, também visa definir
esquemas para conjuntos de dados brutos armazenados em data lakes ou bancos
de dados NoSQL para oferecer suporte a aplicativos analíticos específicos.

Para que serve a modelagem de dados?

A modelagem de dados é uma disciplina central de gerenciamento de dados. Afinal,
ao fornecer uma representação visual de conjuntos de dados e seu contexto de
negócios, ajuda a identificar as necessidades de informações para diferentes
processos de negócios. Em seguida, especifica as características dos elementos de
dados que serão incluídos nos aplicativos e nas estruturas de banco de dados ou
sistema de arquivos usados para processar, armazenar e gerenciar os dados.
Entretanto, modelos de dados também podem ajudar a estabelecer definições de
dados comuns e padrões de dados internos. Vale ressaltar que, muitas vezes, em
conexão com programas de governança de dados. No entanto, além disso, ele
desempenha um grande papel nos processos de arquitetura de dados que
documentam ativos de dados, mapeiam como os dados se movem pelos sistemas
de TI e criam uma estrutura conceitual de gerenciamento de dados. Portanto, os
modelos de dados são um componente chave da arquitetura de dados. Isso, junto
com diagramas de fluxo de dados, projetos arquitetônicos, um vocabulário de dados
unificado e outros artefatos.
Tradicionalmente, os modelos de dados foram construídos por modeladores de
dados, arquitetos de dados e outros profissionais de gerenciamento de dados com a
entrada de analistas de negócios, executivos e usuários. No entanto, agora a
modelagem de dados também é uma habilidade importante para cientistas e
analistas de dados. Principalmente os envolvidos no desenvolvimento de aplicativos
de inteligência de negócios e ciência de dados mais complexos e análises
avançadas.
Quais são os diferentes tipos de modelos de dados?
Os modeladores de dados usam três tipos de modelos para representar
separadamente:
 Conceitos de negócios e fluxos de trabalho;
 Entidades de dados relevantes e seus atributos e relacionamentos;
 Estruturas técnicas para gerenciar os dados. 
Normalmente criam-se modelos de dados em uma progressão conforme as
organizações planejam novos aplicativos e bancos de dados. Estes são os
diferentes tipos de modelos de dados e o que eles incluem:

Modelo de dados conceituais

Essa abordagem é uma descrição de alto nível de um design de banco de dados

que mostra como os dados se relacionam e que tipo de dados podem
ser armazenados no banco de dados. O público-alvo da modelagem de dados
conceituais é o lado comercial de uma organização. Afinal, o modelo de dados
conceituais define a estrutura de dados que o negócio requer. Então, depois que o
modelo de dados conceituais é criado, ele pode ser refinado e transferido para um
modelo de dados lógico.

Modelo lógico de dados

Esses modelos criam a estrutura do banco de dados e descrever os dados de uma

perspectiva técnica. O lado técnico de uma organização usa modelos de dados
lógicos como representações detalhadas de designs de banco de dados. Portanto,
este modelo de dados serve como base para a criação de um modelo de dados
físico.

Modelo de dados físicos

Este modelo de dados é específico para o aplicativo e banco de dados a serem

implementados. Portanto, ele é usado para criar as tabelas e campos que
armazenam dados do banco de dados. Um modelo de dados físicos descreve um
design de banco de dados para um sistema de gerenciamento de banco de dados
específico (DBMS). Os lados técnico e comercial de uma organização usam esse
tipo de modelo.

Detalhes sobre os três tipos de modelos de dados

Esses três tipos de modelos de dados se encaixam como parte do processo geral de
modelagem.
Técnicas de modelagem de dados
Modelagem de dados hierárquica

Os modelos de dados hierárquicos organizam os dados em um arranjo semelhante a

uma árvore, ou seja, de um para muitos. Este modelo substituiu originalmente os
sistemas de arquivos em muitos casos de uso populares. O Information
Management System da IBM é um exemplo de abordagem hierárquica, amplamente
utilizada nas empresas, principalmente no setor bancário. Embora os modelos de
dados hierárquicos tenham sido em sua maioria substituídos – começando na
década de 1980 – por modelos de dados relacionais, o método hierárquico é usado
hoje em Extensible Markup Language e sistemas de informações geográficas.

Modelagem de dados de rede

Modelos de dados de rede foram desenvolvidos como uma forma de fornecer aos

designers de dados uma ampla visão conceitual de seus sistemas. Por exemplo, a
Conferência sobre Linguagens de Sistemas de Dados, formada no final dos anos
1950, orientou o desenvolvimento de uma linguagem de programação padrão que
poderia ser usada em vários tipos de computadores.

Modelagem de dados relacionais

O modelo de dados relacional foi proposto como uma alternativa ao modelo de

dados hierárquico, que exigia um entendimento detalhado do armazenamento físico
de dados empregado. Afinal, o modelo de dados relacional não requer que os
desenvolvedores definam caminhos de dados.
A modelagem de dados relacionais foi descrita pela primeira vez em um artigo
técnico de 1970 pelo pesquisador da IBM E.F. Codd. Portanto, o modelo relacional
de Codd preparou o cenário para o uso de bancos de dados relacionais pela
indústria, que usam tabelas para conectar segmentos de dados, em comparação
com o modelo hierárquico em que os dados são implicitamente unidos. A
modelagem de dados relacionais foi combinada com Structured Query Language,
que ganhou uma posição na computação corporativa como um meio eficiente de
processar dados.

Modelagem de relacionamento de entidade

A modelagem de dados relacionais deu mais um passo à medida que o uso de

modelos de relacionamento de entidade (ER) se tornou popular. Os modelos ER
usam diagramas para representar graficamente os elementos em um banco de
dados e facilitar a compreensão dos modelos subjacentes.
Contudo, com a modelagem relacional, os tipos de dados são determinados e
raramente alterados ao longo do tempo. Já entidades, ou objetos, consistem em
atributos. Por exemplo, um atributo de entidade de funcionário pode incluir
sobrenome, nome, anos de emprego e assim por diante. Então, os relacionamentos
são mapeados visualmente, fornecendo uma maneira de comunicar os objetivos do
design de dados aos participantes no desenvolvimento e manutenção de dados.
Com o tempo, os arquitetos de dados adotaram ferramentas de modelagem, como
ER / Studio da Idera, Erwin Data Modeler e SAP PowerDesigner, para projetar
sistemas.

Modelagem orientada a objetos

Conforme a programação orientada a objetos avançou na década de 1990, a

modelagem de dados orientada a objetos ganhou força como outra forma de projetar
sistemas. As abordagens orientadas a objetos são semelhantes aos métodos ER, no
entanto, diferem porque se concentram em abstrações de objetos de entidades do
mundo real.

Os objetos são agrupados em hierarquias de classes e podem herdar atributos e

métodos de classes pai. No entanto, esse traço de herança oferece algumas
vantagens em comparação com a modelagem ER; ele garante a integridade dos
dados e oferece suporte a relacionamentos de dados complexos. Contudo, ao
mesmo tempo, surgiram modelos de dados para as necessidades de
armazenamento de dados. Exemplos notáveis são o esquema em floco de neve e os
modelos dimensionais do esquema em estrela.

Modelagem de dados gráficos

Um desdobramento da modelagem de dados hierárquica e de rede é o modelo de

gráfico de propriedades. Junto com bancos de dados de gráficos, ele é cada vez
mais usado para descrever relacionamentos complexos dentro de conjuntos de
dados. É popular em aplicativos de mídia social, recomendação e detecção de
fraude.
Usando o modelo de dados de gráfico, os designers descrevem seu sistema como
um gráfico conectado de nós e relacionamentos. Portanto, modelos de dados
gráficos podem ser usados para análise de texto e para criar modelos que revelam
relacionamentos entre pontos de dados em documentos.

Qual é o processo de modelagem de dados?

Idealmente, modelos de dados conceituais, lógicos e físicos são criados em um
processo sequencial. Este envolve membros da equipe de gerenciamento de dados
e usuários de negócios. No entanto, a entrada de executivos e trabalhadores de
negócios é especialmente importante durante as fases de modelagem conceitual e
lógica. Caso contrário, os modelos de dados podem não capturar totalmente o
contexto de dados de negócios ou atender às necessidades de informações de uma
organização.
Normalmente, um modelador de dados ou arquiteto de dados inicia um projeto de
modelagem entrevistando as partes interessadas de negócios. Afinal, assim reúne
os requisitos e detalhes sobre processos de negócios. Contudo, os analistas de
negócios também podem ajudar a projetar os modelos conceituais e lógicos. No final
do projeto, o modelo físico de dados é usado para comunicar requisitos técnicos
específicos aos projetistas de banco de dados.
Peter Aiken, consultor de gerenciamento de dados e professor associado de
sistemas de informação da Virginia Commonwealth University, listou as seis etapas
a seguir para projetar um modelo de dados durante um webinar Dataversity 2019:
1. Identifique as entidades comerciais que são representadas no conjunto de dados;
2. Determine as propriedades principais de cada entidade para diferenciá-las;
3. Crie um modelo de relacionamento de entidade de rascunho para mostrar como as
entidades estão conectadas;
4. Identifique os atributos de dados para incorporar ao modelo;
5. Mapeie os atributos para entidades para ilustrar o significado comercial dos dados;
6. Finalize o modelo de dados e valide sua precisão.
Contudo, mesmo depois disso, o processo normalmente não termina. Afinal, deve-se
atualizar e revisar os modelos de dados conforme os ativos de dados de uma
organização e as necessidades de negócios mudam.

Benefícios e desafios da modelagem de dados

Modelos de dados bem projetados ajudam uma organização a desenvolver e
implementar uma estratégia de dados que aproveite ao máximo seus dados. Não
obstante, a modelagem de dados eficaz também ajuda a garantir que bancos de
dados e aplicativos individuais incluam os dados certos e sejam projetados para
atender aos requisitos de negócios em processamento e gerenciamento de dados.
Outros benefícios que a modelagem de dados oferece incluem o seguinte:

Acordo interno sobre definições e padrões de dados

A modelagem de dados apóia os esforços para padronizar as definições,

terminologia, conceitos e formatos de dados em toda a empresa.

Maior envolvimento no gerenciamento de dados por usuários de negócios

A modelagem de dados requer entrada de negócios. Portanto, ela incentiva a

colaboração entre as equipes de gerenciamento de dados e as partes interessadas
do negócio. Idealmente, isso resulta em melhores sistemas.

Projeto de banco de dados mais eficiente a um custo menor

Ao fornecer aos designers de banco de dados um plano detalhado para trabalhar, a

modelagem de dados agiliza seu trabalho e reduz o risco de erros de design que
exigem revisões posteriores no processo.

Melhor uso dos ativos de dados disponíveis

Em última análise, uma boa modelagem de dados permite que as organizações

usem seus dados de forma mais produtiva. Isso, por sua vez, pode levar a um
melhor desempenho de negócios, novas oportunidades de negócios e vantagens
competitivas em relação às empresas rivais.
No entanto, a modelagem de dados é um processo complicado que pode ser difícil
de fazer com sucesso. Estes são alguns dos desafios comuns que podem tirar os
projetos de modelagem de dados do caminho:

Falta de comprometimento organizacional e adesão ao negócio

Se os executivos corporativos e de negócios não concordarem com a necessidade

de modelagem de dados, será difícil obter o nível necessário de participação nos
negócios. Isso significa que as equipes de gerenciamento de dados devem garantir
o suporte executivo antecipadamente.
A falta de compreensão por parte dos usuários de negócios

Mesmo que as partes interessadas de negócios estejam totalmente comprometidas,

a modelagem de dados é um processo abstrato que pode ser difícil de entender.
Então, baseie os modelos de dados conceituais e lógicos nos conceitos de negócios.

Complexidade da modelagem e aumento de escopo

Os modelos de dados geralmente são grandes e complexos. Portanto, os projetos

de modelagem podem se tornar complicados se as equipes continuarem a criar
novas iterações sem finalizar os projetos. Então, é importante definir prioridades e
manter um escopo de projeto alcançável.

Requisitos de negócios indefinidos ou pouco claros

Particularmente com novos aplicativos, o lado comercial pode não ter necessidades
de informações totalmente formadas. Portanto, os modeladores de dados
geralmente devem fazer uma série de perguntas para reunir ou esclarecer requisitos
e identificar os dados necessários.