1

2
Índice
1.0.Introdução..................................................................................................................................4
1.2.Modelo de dados.......................................................................................................................5
Definição.........................................................................................................................................5
1.3.Importâncias de modelos de dados........................................................................................5
1.4.Tipos de modelos de dados.......................................................................................................6
1.4.1.Modelo racional Relacional...................................................................................................6
1.4.2.Técnicas do modelo racional..................................................................................................7
1.4.3.Modelo Dimensional..............................................................................................................7
1.4.4.Modelo Entidade-relacionamento (E-R)................................................................................8
1.5.Aplicação de modelos de dados................................................................................................8
1.6.Tipos de técnicas de modelos de dados.....................................................................................9
1.6.1.Modelagem de dados hierárquica...........................................................................................9
1.6.2.Modelagem de dados de grafos..............................................................................................9
1.6.3.Modelagem de dados de relações entre entidades................................................................10
1.7.Modelagem de dados orientada a objetos...............................................................................10
1.8.Processo de modelagem de dados...........................................................................................10
1.9.Vantagens de modelos de dados empresariais........................................................................11
2.0.Desvantagens...........................................................................................................................13
3.0.Conclusão................................................................................................................................14
4.0.Referências bibliográficas.......................................................................................................15

3
1.0.Introdução

No presente trabalho iremos abordadar o conteúdo de modelos de dados que é uma etapa
importante e essencial em qualquer projeto de desenvolvimento ou manutenção de software.
Assim, estar atualizado neste assunto é importante para qualquer profissional da área. Serve
como material introdutório ao tema de modelagem de dados, apresentando um breve resumo
sobre o assunto. Idealmente, todos profissionais de TI deveriam ter um entendimento básico
sobre modelagem de dados. Eles não precisam ser especialistas neste assunto, mas deveriam
estar preparados para se envolverem na criação de um modelo, estar apto a ler um modelo de
dados existente, entender quando criar um modelo de dados e quando não criar e conhecer as
técnicas de projeto de dados fundamentais.

4
1.2.Modelo de dados

Definição
Modelo de dados é o processo de criar uma representação visual, ou esquema, que define os
sistemas de coleta e gerenciamento de informações de qualquer organização. Esse blueprint ou
modelo de dados ajuda diferentes partes interessadas, como analistas de dados, cientistas e
engenheiros, a criar uma visão unificada dos dados da organização. O modelo descreve quais
dados a empresa coleta, a relação entre diferentes conjuntos de dados e os métodos que serão
usados para armazenar e analisar esses dados.
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.

1.3.Importâncias de modelos de dados

Atualmente, as organizações coletam grandes quantidades de dados de várias fontes diferentes.

No entanto, dados brutos não são suficientes. Você precisa analisar os dados para obter insights
acionáveis que possam orientar na tomada de decisões comerciais lucrativas. Uma análise
precisa de dados exige coleta, armazenamento e processamento de dados eficientes. Existem
várias tecnologias de banco de dados e ferramentas de processamento de dados, e diferentes
conjuntos de dados exigem ferramentas distintas para uma análise eficiente.

A modelagem de dados dá a você a chance de entender seus dados e fazer as escolhas

tecnológicas certas para armazenar e gerenciar esses dados. Da mesma forma que um arquiteto
projeta um esquema antes de construir uma casa, as partes interessadas da empresa projetam um
modelo de dados antes de desenvolver soluções de banco de dados para suas organizações.

A modelagem de dados traz os seguintes benefícios:

 Reduz erros no desenvolvimento de softwares de banco de dados;

5
  Facilita a velocidade e a eficiência da concepção e criação do banco de dados;
 Cria consistência na documentação de dados e na concepção do sistema em toda a
organização;
 Facilita a comunicação entre engenheiros de dados e equipes de business intelligence.

1.4.Tipos de modelos de dados

Os três tipos primários de modelo de dados são:

 Relacional;
 Dimensional;
 Entidade-relacionamento (E-R).

Há vários outros que não estão em uso geral, como hierárquico, de rede, orientado a objetos e
multi valor. O tipo de modelo define a estrutura lógica – como os dados são armazenados
logicamente – e, portanto, como eles são guardados, organizados e recuperados.

1.4.1.Modelo racional 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.

6
1.4.2.Técnicas do modelo racional
Por exemplo, a concessionária de automóveis teria modelos de dados relacionais que
representam a tabela Vendedores e a tabela Carros, conforme mostrado aqui:

ID do vendedor Nome               
1 Jane
2 John
ID do carro Marca do carro
C1 XYZ
C2 ABC

ID do vendedor e ID do carro são chaves primárias que identificam exclusivamente entidades

individuais do mundo real. Na tabela Showroom, essas chaves primárias atuam como chaves
estrangeiras que vinculam os segmentos de dados.

ID do showroom Nome do showroom ID do vendedor ID do carro           

S1 Showroom de NY 1 C1

 Em bancos de dados relacionais, as chaves primária e estrangeira trabalham juntas para mostrar
a relação de dados. A tabela anterior demonstra que showrooms podem ter vendedores e carros.

1.4.3.Modelo 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

7
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.
Por exemplo, em modelos de dados dimensionais, a concessionária de automóveis tem
dimensões como Carro, Showroom e Tempo. A dimensão Carro tem atributos como nome e
marca, mas a dimensão Showroom tem hierarquias como estado, cidade, nome da rua e nome do
showroom.

1.4.4.Modelo 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.

1.5.Aplicação de modelos de dados

Embora as questões de metodologias sejam abordadas depois, precisamos discutir como modelos
de dados podem ser usados na prática para melhor entendê-los. Provavelmente, iremos nos
deparar a três estilos básicos de modelos de dados:

Modelos de dados conceituais: esses modelos, algumas vezes chamados modelos de domínio,
são tipicamente usados para explorar conceitos do domínio com os envolvidos no projeto. Em
equipes ágeis, modelos conceituais de alto nível são normalmente criados como parte do esforço
inicial do entendimento dos requisitos do sistema, pois eles são usados para explorar as
estruturas e conceitos de negócio estáticos de alto nível. Em equipes tradicionais (não ágeis),
modelos de dados conceituais são normalmente criados como precursores aos modelos lógicos
de dados (MLD) ou suas alternativas.

8
Modelos Lógico de Dados (MLDs): MLDs são usados para explorar os conceitos do domínio e
seus relacionados. Isso pode ser feito para o escopo de um simples projeto ou para uma empresa
inteira. MLDs descrevem os tipos de entidades lógicas, tipicamente referenciadas simplesmente
como tipos de entidades, os atributos de dados que descrevem essas entidades e os
relacionamentos entre as entidades. MLDs são raramente usados em projetos ágeis apesar de
normalmente estarem presentes em projetos tradicionais (onde eles raramente adicionam muito
valor na prática).

1.6.Tipos de técnicas de modelos de dados

Técnicas de modelagem de dados são os diferentes métodos que você pode usar para criar
modelos de dados distintos. As abordagens evoluíram ao longo do tempo como resultado de
inovações em conceitos de banco de dados e governança de dados. Veja a seguir os principais
tipos de modelagem de dados:

1.6.1.Modelagem de dados hierárquica

Na modelagem de dados hierárquica, você pode representar as relações entre os vários elementos
de dados em um formato semelhante a uma árvore. Modelos de dados hierárquicos representam
relações de um para muitos, com pais ou classes de dados raiz mapeados para vários filhos.

No exemplo da concessionária de automóveis, a classe principais Showrooms teria as

entidades Carros e Vendedores como secundários, porque há vários carros e vendedores
trabalhando em um showroom.

1.6.2.Modelagem de dados de grafos

A modelagem de dados hierárquica evoluiu com o passar do tempo e se transformou na
modelagem de dados de grafos. Modelos de dados de grafos representam relações de dados que
tratam entidades igualmente. As entidades podem se vincular entre si em relações de um para
muitos ou de muitos para muitos sem qualquer conceito de pai ou filho.

Por exemplo, um showroom pode ter vários vendedores, e um vendedor também pode trabalhar
em vários showrooms se os seus turnos variarem de acordo com o local.

9
1.6.3.Modelagem de dados de relações entre entidades
A modelagem de dados de relações entre entidades (ER) usa diagramas formais para representar
as relações entre entidades em um banco de dados. Arquitetos de dados usam várias ferramentas
de modelagem de ER para representar dados.

1.7.Modelagem de dados orientada a objetos

A programação orientada a objetos usa estruturas de dados, chamadas de objetos, para
armazenar dados. Esses objetos de dados são abstrações de software de entidades do mundo real.
Por exemplo, em um modelo de dados orientado a objetos, a concessionária de automóveis teria
objetos de dados, como Clientes, com atributos do tipo nome, endereço e número de telefone.
Você armazenaria os dados do cliente de modo que cada cliente do mundo real fosse
representado como um objeto de dados de cliente.

Modelos de dados orientados a objetos superam muitas das limitações dos modelos de dados
relacionais e são populares em bancos de dados multimídia.

1.8.Processo de modelagem de dados

O processo de modelagem de dados segue uma sequência de etapas que você deve realizar
repetidamente até criar um modelo de dados abrangente. Em qualquer organização, várias partes
interessadas se reúnem para criar uma visualização completa dos dados. Embora as etapas
variem com base no tipo de modelagem de dados, a sequência a seguir representa uma visão
geral.

Etapa 1: identificar entidades e suas propriedades

Identifique todas as entidades no seu modelo de dados. Cada entidade deve ser logicamente
distinta de todas as demais e pode representar pessoas, locais, coisas, conceitos ou eventos. Cada
entidade é distinta, porque tem uma ou mais propriedades exclusivas. Você pode pensar em
entidades como substantivos e em atributos como adjetivos no seu modelo de dados.

Etapa 2: identificar as relações entre entidades

As relações entre as diferentes entidades estão no centro da modelagem de dados. Regras de
negócios inicialmente definem essas relações em um nível conceitual. Você pode imaginar

10
relações como se fossem os verbos no seu modelo de dados. Por exemplo, o vendedor vende
muitos carros, ou o showroom emprega muitos vendedores.

Etapa 3: identificar a técnica de modelagem de dados

Depois de entender conceitualmente suas entidades e as relações entre elas, você pode
determinar a técnica de modelagem de dados que melhor se adapta ao seu caso de uso. Por
exemplo, você pode usar a modelagem de dados relacional para dados estruturados, mas a
modelagem de dados dimensional para dados não estruturados.

Etapa 4: otimizar e iterar

Você pode otimizar ainda mais seu modelo de dados para adequá-lo aos seus requisitos de
tecnologia e performance. Por exemplo, se planeja usar o Amazon Aurora e uma linguagem de
consulta estruturada (SQL), você colocará suas entidades diretamente em tabelas e especificará
relações usando chaves estrangeiras. Por outro lado, se optar por usar o Amazon DynamoDB,
será necessário pensar nos padrões de acesso antes de modelar a tabela. Como o DynamoDB
prioriza a velocidade, primeiro você determina como acessará seus dados e, em seguida, modela-
os no formato em que serão acessados.

Normalmente, você revisará essas etapas várias vezes à medida que sua tecnologia e seus
requisitos mudarem com o passar do tempo.

1.9.Vantagens de modelos de dados empresariais

Gostamos de resumir as vantagens da modelagem de dados em uma frase simples:você não pode
gerenciar o que não pode ver. Em outras palavras, você precisa saber quais dados você tem, as
regras que os regem e como eles se relacionam com todo o resto para ver o valor desses dados.
Isso significa que a modelagem de dados é absolutamente necessária como um precursor para
o gerenciamento de meta dados, governança de dados e inteligência de dados.

11
Compreensão de negócios através da descoberta, padronização e documentação de fontes de
dados

Os modelos de dados corporativos fornecem uma compreensão detalhada de como um negócio

opera e os dados que impulsionam essas operações. Esses modelos fornecem a visão e o insight
necessários para realizar otimizações ou mudanças em larga escala padronizando e
documentando os dados subjacentes. No nível da empresa, é quase impossível otimizar uma
função ou processo de negócios específico sem um modelo de base que retrate ativos de dados
relevantes e suas inter-relações.

Conformidade regulamentar mais rigorosa e eficaz – para agora e depois

Regulamentos como GDPR e CCPA não vão a lugar nenhum. Na verdade, eles são muito mais
propensos a expandir à medida que avançamos. Isso significa que sua organização precisa aderir
a eles agora, mantendo também a flexibilidade para apoiar futuras expansões. Os modelos de
dados suportam essa flexibilidade ao governar equipes de modelagem de dados, processos,
portfólios e ciclos de vida útil.

Caminhos mais rápidos para a transferência de conhecimento e o autoatendimento dos

funcionários

A modelagem de dados atua como um tipo de documentação tanto para as equipes de TI quanto
para as partes interessadas do negócio. Quando diferentes funções estão falando no mesmo
idioma e compartilhando o mesmo entendimento, torna-se muito mais fácil simplificar a
colaboração e aperfeiçoar o alinhamento nas principais funções do negócio. Por sua vez, essa
simplicidade e alinhamento desbloqueiam o autoatendimento dos funcionários, dando-lhes a
confiança de que precisam para usar os ativos de dados ao máximo.

Melhor business intelligence através da capacidade de dados, instrução e responsabilização

Quando todos em uma empresa podem ver o panorama geral elaborado por modelos de dados,
torna-se muito mais fácil identificar as principais oportunidades, desafios e potenciais pontos
fracos para o negócio. Os modelos de dados tornam isso possível através da introdução de uma
abordagem coesa para a capacidade de dados e instrução. Se todos os funcionários forem
capazes de usar e entender a entrada de dados de maneira alinhada, todos sentirão um senso

12
 compartilhado de responsabilidade quando se trata de maximizar a qualidade e o impacto desses
dados.

Integrações coerentes dos sistemas de informação existentes

À medida que as empresas crescem, esse crescimento é muitas vezes acompanhado por uma rede
de fontes de dados e sistemas díspares que não se comunicam entre si. A modelagem de dados
pode revelar as relações entre essas fontes para eliminar redundâncias, resolver discrepâncias e
ajudar os sistemas isolados a se falarem. Isso significa que você pode projetar, padronizar e
implementar fontes de dados de alta qualidade que abrangem esses sistemas, enquanto também
compara visualmente, analisa e sincroniza modelos de dados com ativos de dados
implementados.

Design avançado de banco de dados para oferecer melhor suporte para o desenvolvimento de
aplicações

A modelagem de dados permite que as organizações expliquem detalhes e requisitos específicos

para a rede geral de bancos de dados conectados assim como para o design de bancos de dados
individuais. Com uma visão geral clara, é muito mais fácil identificar quaisquer lacunas ou
oportunidades antes que blueprints entrem em desenvolvimento. Quando seus bancos de dados
são otimizados, os aplicações empresariais essenciais que dependem deles também são
aprimorados

2.0.Desvantagens
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

13
finalizar os projetos. Então, é importante definir prioridades e manter um escopo de projeto
alcançável;

 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.

3.0.Conclusão

Concluído o trabalho foi possível recordar que modelos de dados podem ser usados efetivamente
tanto no nível da empresa como de projetos. Os arquitetos da empresa normalmente criarão um ou
mais MLDs de alto nível que descreve as estruturas de dados que apoiam toda a empresa,
normalmente chamados de modelos de dados da empresa ou modelos de informação da empresa.
Um modelo de dados da empresa é uma das várias visões que os arquitetos da empresa podem
escolher para manter e apoiar – outras visões podem explorar a infraestrutura de rede/hardware, a
estrutura da organização, infra-estrutura de softwares o processo de negócios, dentre outros.

14
4.0.Referências bibliográficas

o LAUDON, K.C.; LAUDON, J.P. (2011). Sistemas de Informação Gerenciais. São Paulo:

Pearson Prentice Hall.
o https://pt.m.wikipedia.org/wiki/Torno_mec%C3%A2nico
o https://www.google.com/amp/s/www.todamateria.com.br/modelagem-de dados /amp/

15