Blog de Analytics

Modelo de datos: trucos y tretas para exprimir la información

Escrito por Logicalis | 3/08/15 6:00

Existen distintos consejos sobre las técnicas de modelado de datos que pueden ayudar en el desarrollo de un modelo de datos útiles y preciso para aplicaciones de inteligencia operativa y de negocio. Superar los obstáculos que aparecen en el proceso es la manera de disfrutar plenamente de todas las ventajas que el data modeling reporta a la organización.

Créditos fotográficos: istock ktsimage

 

Modelo de datos: para hoy y mañana

Un modelo de datos es una herramienta de comunicación que permite confirmar el conocimiento que se tiene sobre las áreas de interés, al tiempo que asegura el que las personas visualicen la realidad como un todo global. Se trata de conectar a través de una visión única o, al menos, de manera similar ,desde una comprensión de las diferencias que puedan existir. El uso que se da a un modelo de datos puede oscilar en función del objetivo a alcanzar. Así:

  • Puede describir un nuevo panorama partiendo de la información disponible: para apoyar la mitigación de riesgos y mejorar la capacidad de innovación y adecuación a un escenario futuro.
  • Puede describir un escenario que existe en la realidad en base a datos: mejorando la calidad de la transferencia de conocimiento y contribuyendo a una mejor comprensión del negocio.

Existen infinidad de preguntas que se lanzan durante el proceso de modelado de datos. Preguntar y obtener respuestas es la dinámica nuclear del data modeling, que parte de la fase de documentación de los requisitos de datos.

 

Superando los retos en el camino hacia la construcción del modelo de datos

El mayor reto es capturar correctamente los requisitos sobre el modelo de datos. A menudo, cuando se inicia el proyecto, sólo hay requisitos vagos, apenas perfilados (si es que existen). Esto supone un grave contratiempo, ya que el modelo de datos debe representar estos requisitos por completo y con precisión, por lo que es absolutamente necesaria su existencia previa.

Por lo tanto, es una tarea muy difícil (aunque bastante habitual) el tener que pasar de la ambigüedad o vaguedad a la precisión. Es necesario hacerse una gran cantidad de preguntas cuyas respuestas deben documentarse en el modelo. Este proceso implica un importante consumo de tiempo aunque, aún más significativo es la urgencia de talento, porque está claro que es imprescindible el conocimiento de qué preguntas hacer y, desafortunadamente, a menudo los proyectos carecen de los plazos y el talento necesarios para plantear correctamente y responder a estas preguntas.

El modelado de datos es el proceso de aprender sobre el negocio, se trata de un viaje largo y nada sencillo, que presenta mejor cara cuando se recorre de la mano de expertos. Quienes conocen cómo diseñar de forma efectiva un modelo de datos saben que, por ejemplo, para lograr la precisión buscada cuando hay conflicto sobre las definiciones y especificaciones se puede echar mano a diferentes técnicas, como:

A / Que el desarrollador del modelo de datos se encargue de elaborar las definiciones relativas al mismo, pese a ser consciente de que se tratará de definiciones incorrectas; para dar después transmitirlas a los usuarios de negocio cuyo único cometido será el corregirlas. Una misión con altas probabilidades de éxito, ya que es más fácil para un usuario de negocio el retocar y adecuar una definición existente que el crear una partiendo de cero.

B / Otra táctica que asegura los buenos resultados en el camino hacia el modelo de datos es preguntar al equipo de desarrollo por la definición de los términos antes de proceder a su nombramiento. Con el fin de nombrar un concepto hay que conocer lo que es, de qué trata y en qué consiste. Así que, al hacer el esfuerzo de definirlo primero, se simplifica la tarea de nombrarlo después y se garantiza la coherencia.

Pero, las relativas a los requisitos y las especificaciones no son las únicas complicaciones que pueden surgir en el proceso de creación de modelo de datos. Una de las más notables es el decidir cuál de las diversas formas disponibles es la más apropiada para el modelo definitivo. Es preciso dar con el modelo de datos que mejor funciona para el fin para el que ha sido concebido. Steve Hoberman, en uno de sus libros, explica que hay tres claves para superar este reto:

  • El encargado de diseñar el modelo de datos tiene que ser flexible en cuanto al formato visual del modelo.

  • Hay que esforzarse para evitar modelar por norma con la nomenclatura tradicional de modelado de datos.

  • Por lo general, es importante que primero se valore la idoneidad de la introducción de la nomenclatura tradicional de modelado de datos. A veces se dará el caso de que los usuarios de negocio la conozcan ya, pero en otras ocasiones será mejor evitar esta notación, utilizando en su lugar una nomenclatura que entiendan, algo más accesible que puede consistir en el uso de hojas de cálculo, pero que también puede basarse en la introducción de imágenes representativas de los conceptos, si se considera que es lo más oportuno.

A pesar de todos los desafíos, tomarse el tiempo para crear un modelo de datos es una experiencia de negocios que conlleva muchos beneficios, el principal de los cuales es el lograr que los datos se conviertan en una realidad comprensible, de la que las personas pueden aprender. A partir de ahí, las ventajas son muchas, como:

  • Ahorro en las operaciones.

  • Creación de sistemas de mayor calidad.

  • Mejora de los niveles de rendimiento globales.

Como defiende Steve Hoberman, el data modeling no es opcional. Un buen modelo de datos es un potente aliado del negocio y la mejor manera de exprimir la información disponible. Recabar, documentar, confirmar y entender las distintas perspectivas de la realidad librando al usuario final de ambigüedades y garantizándole altos niveles de precisión es cuestión de profundizar en cada área, lanzar las preguntas adecuadas, no cejar hasta no obtener las respuestas oportunas y recopilarlo todo en un modelo de datos personalizado.

 

Post relacionados: