Modelització de dades: tècniques, tipus i usos del món real explicats

Inici » Python » Modelització de dades: tècniques, tipus i usos del món real explicats

La modelització de dades és una d'aquelles disciplines que decideix discretament si els vostres projectes de dades fracassen o fracassen . Darrere de cada quadre de comandament d'anàlisi, sistema transaccional o solució de BI, hi ha un model de dades que descriu quines dades existeixen, com es connecten i com s'utilitzaran dia a dia. Quan aquest model és clar i ben dissenyat, el desenvolupament es fa més fàcil, els informes són fiables i tothom parla el mateix idioma sobre el negoci.

En essència, un model de dades és una manera formal i visual de descriure la informació empresarial : quines entitats existeixen (clients, productes, magatzems, factures...), quins atributs les defineixen (nom, adreça, capacitat, preu...) i com es relacionen entre si. Diferents tècniques de modelització i tipus de models han evolucionat al llarg dels anys, impulsades per noves tecnologies de bases de dades, necessitats de governança i casos d'ús d'analítica moderna com la intel·ligència empresarial (BI) i l'emmagatzematge de dades.

Què és un model de dades?

Un model de dades és un pla abstracte de com s'estructura la informació dins d'un sistema . Defineix els elements de dades, les regles que els governen i les relacions que els uneixen, molt abans que res s'implementi realment en una base de dades o aplicació. Penseu-hi com el pla arquitectònic que segueix un enginyer abans de vessar el formigó.

En termes pràctics, un model de dades mostra com s'emmagatzemen, es connecten, s'accedeix i s'actualitzen les dades dins d'un sistema de gestió de bases de dades. Mitjançant símbols, quadres, línies i text, proporciona a les parts interessades del negoci, analistes, arquitectes i desenvolupadors una imatge compartida de la informació que importa a l'organització, de manera que tothom pot raonar sobre ella i detectar problemes a temps.

Un dels principals objectius d'un model de dades és fer explícits els tipus de dades que s'utilitzen i s'emmagatzemen al sistema , com s'agrupen aquests tipus, com es poden organitzar en estructures i quins formats i atributs porten. Això inclou la definició de claus, restriccions, cardinalitats i convencions de nomenament que posteriorment impulsaran la implementació tècnica.

Els models de dades no es creen en el buit; estan impulsats pels requisits empresarials . Abans de començar el modelatge, es recopilen regles i necessitats de les parts interessades de l'empresa i dels usuaris finals. Aquestes regles es tradueixen en estructures de dades que configuren el disseny d'un sistema nou o l'evolució d'un d'existent. En aquest sentit, un model de dades és molt similar a un full de ruta: no executa res, però indica com anar de A a B.

Un bon modelatge de dades es basa en esquemes estandarditzats i tècniques formals . Aquesta estandardització proporciona una manera coherent i predictible de definir i gestionar els recursos de dades entre equips, departaments i fins i tot socis externs. Idealment, els models es converteixen en documents vius que evolucionen a mesura que l'organització canvia, donant suport a la millora dels processos i guiant les decisions d'arquitectura informàtica.

Què és el modelatge de dades?

La modelització de dades és el procés de cartografiar i visualitzar on resideixen les dades i com flueixen a través d'un sistema . S'identifiquen tots els llocs on una aplicació, integració o plataforma de BI emmagatzemarà informació i, a continuació, es dissenya com es connecten i interactuen aquests conjunts de dades.

Dins de qualsevol projecte de TI, el modelatge de dades és una fase crítica del disseny . Mentre la solució encara està a la taula de dibuix, l'equip determina quins problemes empresarials s'han de resoldre, quines dades són necessàries per abordar aquests problemes i com aquestes dades seran consumides pels usuaris i altres sistemes. Aquesta comprensió es converteix en diagrames que descriuen com es relacionen i es mouen entre components els diferents grups de dades.

El resultat del modelatge de dades sol ser un o més diagrames (o models) que il·lustren com es relaciona cada grup de dades amb els altres . Poden ser diagrames conceptuals per a públics empresarials, models lògics que mostren estructures i relacions amb més detall o models físics vinculats directament a taules i columnes de bases de dades. Cada nivell d'abstracció refina l'anterior, acostant-se a la implementació.

Les dades es poden modelar a diversos nivells d'abstracció, des de conceptes de molt alt nivell fins a esquemes completament detallats . El cicle de vida del modelatge normalment comença amb la comprensió dels requisits de les parts interessades, la conversió de les regles de negoci en estructures de dades i, a continuació, el refinament d'aquestes estructures en un disseny de base de dades concret. Al llarg del camí, les llacunes, les inconsistències o els elements de dades que falten es fan visibles i es poden solucionar abans que es converteixin en problemes de producció.

Com que els requisits evolucionen, els models de dades s'han de tractar com a artefactes vius . Es revisen sempre que s'afegeixen noves funcions, apareixen integracions, canvien les regulacions o sorgeixen noves necessitats analítiques. Els models compartits fins i tot es poden intercanviar amb proveïdors i socis per alinear la manera com s'entenen i s'intercanvien les dades entre les organitzacions.

Principals tècniques de modelització de dades i tipus de models

Amb el temps, han sorgit diferents tècniques de modelització de dades, cadascuna optimitzada per a tecnologies i casos d'ús específics . Des de les primeres bases de dades jeràrquiques fins als enfocaments dimensionals i associatius moderns utilitzats en la intel·ligència empresarial, cada estil ofereix punts forts i inconvenients particulars pel que fa a flexibilitat, rendiment i facilitat de comprensió.

A continuació trobareu un recorregut en profunditat pels tipus de models de dades més importants , il·lustrats amb exemples concrets com ara concessionaris de cotxes, magatzems i esquemes en estrella de BI, i explicats en un llenguatge empresarial amigable perquè tant els lectors tècnics com els no tècnics puguin seguir-ho.

Modelització jeràrquica de dades

El model de dades jeràrquic organitza la informació en una estructura en forma d'arbre , amb una sola arrel a la part superior i diversos nivells de nodes fills a sota. Cada node pare pot tenir diversos fills, però cada fill té exactament un pare, cosa que resulta en un patró de relació estricte d'un a molts.

En aquest enfocament, les relacions es naveguen al llarg d'un únic camí de pare a fill . No hi ha el concepte que un registre tingui diversos pares. Els punters (o enllaços) connecten els pares amb els seus fills, i es recorren aquests punters per accedir o actualitzar dades. Com que cada registre es troba en un lloc definit de l'arbre, és senzill raonar sobre el seu llinatge.

Considerem un exemple de concessionari de cotxes : un node de nivell superior podria representar "Sales d'exposició". Cada node de sala d'exposició tindria nodes fills per a "Cotxes" i "Venedors", ja que una sola sala d'exposició pot allotjar molts cotxes i contractar molts venedors. La navegació sempre començaria a la sala d'exposició i es mouria cap avall per veure quins cotxes i personal de vendes hi pertanyen.

Els models jeràrquics són excel·lents quan l'estructura del món real té forma d'arbre natural , com ara mapes del lloc web, organigrames, desglossaments de receptes o categories de productes en un lloc de comerç electrònic. Per exemple, "Sabates" pot ser la categoria principal, amb nodes fills com ara "Sabates de dona" i "Sabates d'home", i altres fills com ara "Sabatilles esportives", "Tacons" o "Botes".

Aquest estil té algunes característiques i limitacions clares : les relacions són estrictament d'un a molts, només s'obté un camí des de l'arrel fins a qualsevol fill determinat i, en suprimir un element principal, normalment s'eliminen tots els seus fills automàticament. Aquesta supressió en cascada pot ser convenient, però també arriscada si no es té cura de la semàntica de la jerarquia.

Modelització de dades de xarxa

El model de dades de xarxa estén l'enfocament jeràrquic permetent que els registres tinguin diversos pares . En lloc d'un arbre pur, s'acaba amb una xarxa semblant a un graf de registres interconnectats, com les bases de dades de grafs administrats , que facilita la representació de situacions complexes del món real.

En un model de xarxa, són possibles molts més patrons de relació . Podeu gestionar no només relacions d'un a molts, sinó també relacions d'un a un i de molts a molts. Els nodes es poden connectar a través de múltiples rutes, cosa que significa que hi pot haver diverses maneres d'arribar al mateix registre quan es navega per l'estructura.

Imagineu un estudiant que pertany al departament d'Informàtica però que també té drets de préstec a la biblioteca . En un model de xarxa, aquest registre "Estudiant" pot tenir dos registres principals: un per al "Departament d'Informàtica" i un altre per a la "Biblioteca". Això era impossible en un arbre jeràrquic estricte on un fill només podia tenir un sol pare.

Les operacions subjacents en els models de xarxa sovint s'implementen mitjançant llistes enllaçades circulars . Un programa fa un seguiment d'una "posició actual" en aquesta llista i es mou pels registres connectats segons les relacions definides. Això fa que els recorreguts siguin ràpids i flexibles, ja que es poden seguir diverses rutes possibles cap a la mateixa dada.

A causa de la major connectivitat, els models de xarxa poden representar relacions més matisades i del món real , però també es tornen més complexes d'entendre i gestionar. Dissenyar i mantenir tots els enllaços pot ser un repte, especialment per a esquemes grans i regles de negoci en evolució.

Modelització de dades entitat-relació (ER)

El model Entitat-Relació és una manera visual d'alt nivell de descriure els requisits de dades mitjançant diagrames ER . És una de les tècniques més utilitzades per a la modelització conceptual i lògica de dades, especialment quan es treballa amb parts interessades de l'empresa que necessiten una imatge clara sense desordre tècnic.

En un diagrama ER, els blocs de construcció bàsics són entitats, atributs i relacions . Les entitats representen coses del món real que importen a l'empresa (com ara "Estudiant", "Professor", "Curs" o "Departament"). Els atributs capturen les propietats d'aquestes entitats (com ara l'ID del professor, el salari, l'edat) i les relacions mostren com estan connectades les entitats (per exemple, un "Professor treballa per al Departament").

Les entitats es dibuixen normalment com a rectangles, els atributs com a ovals i les relacions com a rombes o línies etiquetades . Les cardinalitats (com ara d'un a molts o de molts a molts) indiquen quantes instàncies de cada entitat es poden enllaçar. Aquesta notació permet capturar regles complexes en un diagrama que encara és relativament fàcil de llegir.

Els arquitectes de dades utilitzen eines d'ER per dissenyar i refinar aquests models . En molts casos, els diagrames d'ER es converteixen en el pont entre l'anàlisi empresarial i la implementació de bases de dades: un cop acordat el model d'ER, es pot transformar en taules relacionals, claus i restriccions de manera sistemàtica.

Com que el modelatge ER opera a un nivell d'abstracció relativament alt , és excel·lent per validar la comprensió amb les parts interessades. Podeu revisar el diagrama en tallers, preguntar si hi ha totes les entitats i relacions necessàries i ajustar el disseny abans de passar a capes més tècniques.

Modelització de dades relacionals

El model relacional és l'eix vertebrador de la majoria dels sistemes de bases de dades tradicionals . Aquí, les dades s'emmagatzemen en taules bidimensionals fetes de files i columnes, i les relacions entre les taules s'expressen mitjançant claus, no mitjançant punters explícits com en els models jeràrquics o de xarxa.

Cada taula d'un model relacional sovint s'anomena "relació" , tot i que a la pràctica sentireu que la gent s'hi refereix simplement com a taules. Les files es coneixen com a tuples i representen registres o instàncies individuals, mentre que les columnes són atributs (o camps) que defineixen les propietats emmagatzemades per a cada registre.

Prenguem de nou el concessionari de cotxes com a exemple . Podeu tenir una taula "Vendedors" amb columnes com ara ID del venedor i Nom, i una taula "Cotxes" separada amb columnes com ara ID del cotxe i Marca. Cada fila de la taula Venedors representa un venedor real, i cada fila de la taula Cotxes representa un vehicle real.

Les claus primàries i les claus externes tenen un paper crucial en el model relacional . Una clau primària identifica de manera única cada fila d'una taula (per exemple, ID de venedor o ID de cotxe). Aquestes claus poden aparèixer com a claus externes en altres taules per representar relacions. Per exemple, una taula de "Sales d'exposició" podria incloure tant l'ID de venedor com l'ID de cotxe com a claus externes, vinculant una sala d'exposició amb el venedor que hi treballa i el cotxe que s'exhibeix.

La cooperació entre les claus primàries i les claus externes és el que permet a les bases de dades relacionals representar xarxes complexes de relacions comercials . Quan consulteu la base de dades, podeu unir taules sobre aquestes claus, útils per a l' anàlisi de dades amb SQL, i per reconstruir associacions del món real: quins cotxes estan assignats a quin concessionari, quin venedor va gestionar una venda en particular, etc.

La cooperació entre les claus primàries i les claus externes és el que permet a les bases de dades relacionals representar xarxes complexes de relacions comercials . Quan consulteu la base de dades, podeu unir taules d'aquestes claus per reconstruir associacions del món real: quins cotxes estan assignats a quin concessionari, quin venedor ha gestionat una venda en particular, etc.

El model relacional és potent, ben entès i fortament recolzat per tecnologies madures . Brilla quan les dades estan altament estructurades i la coherència és crítica. Tanmateix, pot trobar limitacions amb objectes molt complexos, contingut multimèdia o esquemes ultraflexibles on l'estructura canvia amb freqüència.

Modelització de dades orientada a objectes

El modelatge de dades orientat a objectes porta conceptes de la programació orientada a objectes al món de les dades . En lloc de pensar només en termes de taules i files, es modela la informació com a objectes que agrupen dades (atributs) juntament amb el comportament (mètodes), reflectint com s'escriuen les aplicacions modernes.

En un model orientat a objectes, cada objecte representa una entitat del món real . Per a un concessionari de cotxes, podeu tenir un objecte "Client" amb atributs com ara nom, adreça i número de telèfon, i mètodes per actualitzar aquestes dades o calcular el valor del cicle de vida del client. Cada client real és, doncs, una instància de la classe Client del sistema.

Aquest estil de modelització pot superar diverses limitacions dels dissenys estrictament relacionals , especialment quan es tracta d'estructures complexes i imbricades o dades multimèdia que no encaixen bé en taules planes. Les bases de dades d'objectes i els mapejadors d'objectes-relacionals (ORM) aprofiten aquest paradigma per reduir la "distorsió d'impedància" entre el codi i l'emmagatzematge de dades.

Els models orientats a objectes són habituals en escenaris d'aplicacions multimèdia i avançades , on emmagatzemar imatges, vídeos o documents imbricats com a objectes cohesionats és més natural que dividir-ho tot en nombroses taules relacionals. Tanmateix, poden introduir complexitat en les consultes, els informes i la integració si no es té cura.

Com que el model d'objectes sovint s'assembla molt a com pensen els desenvolupadors , pot accelerar el desenvolupament d'aplicacions. L'inconvenient és que les bases de dades d'objectes purs són menys convencionals que les relacionals, i integrar-les en ecosistemes de dades més amplis (especialment per a la intel·ligència empresarial) pot ser més difícil.

Modelització de dades dimensionals per a anàlisi i BI

El modelatge de dades dimensionals és l'enfocament preferit per als magatzems de dades i les solucions d'intel·ligència empresarial . El seu objectiu principal és optimitzar les estructures de dades per a consultes, agregacions i informes ràpids, fins i tot si això significa duplicar o desnormalitzar dades intencionadament.

En un model dimensional, les dades s'organitzen en taules de fets i taules de dimensions . Les taules de fets emmagatzemen esdeveniments quantitatius i mesurables (vendes, clics, enviaments, transaccions), mentre que les taules de dimensions proporcionen contextos descriptius (temps, producte, client, ubicació) que permeten segmentar els fets des de múltiples angles.

Imagineu-vos de nou un concessionari de cotxes construint un magatzem de dades . Una taula de fets podria emmagatzemar totes les transaccions de venda, incloent-hi mètriques com la quantitat i els ingressos, mentre que les taules de dimensions podrien descriure "Cotxe", "Sala d'exposició" i "Temps". La dimensió "Cotxe" inclouria atributs com el model i la marca; la dimensió "Sala d'exposició" contindria jerarquies com l'estat, la ciutat, el carrer i el nom de la sala d'exposició.

Els models dimensionals sovint dupliquen intencionadament algunes dades entre taules . Aquesta redundància és una elecció de disseny conscient per accelerar les consultes i simplificar l'anàlisi per als usuaris de BI. Els analistes poden filtrar, agregar i pivotar sobre els atributs de les dimensions sense pagar la penalització de rendiment dels esquemes relacionals altament normalitzats.

Dos patrons físics clàssics per a models dimensionals són l'esquema en estrella i l'esquema en floc de neu , tots dos àmpliament utilitzats en projectes de BI. Comparteixen el mateix nucli analític però difereixen en la normalització de les dimensions.

Models de dades en intel·ligència empresarial: estrella i floc de neu

En el món de la intel·ligència empresarial, quan la gent parla del "model de dades" sovint es refereix a l'esquema d'estrella o de floc de neu que hi ha darrere dels seus informes . Aquests esquemes defineixen com s'enllacen els fets i les dimensions, i influeixen fortament en el rendiment, la usabilitat i la flexibilitat de les eines d'anàlisi.

L'esquema d'estrella gira al voltant d'una taula de fets central que conté les mesures que s'analitzen al nivell de detall útil més baix (el gra), a més de claus externes que enllacen amb les taules de dimensions circumdants. Totes les dimensions es connecten directament a la taula de fets, formant una forma d'estrella.

Aquest disseny té un gran avantatge: simplifica el filtratge i les agregacions . Com que cada dimensió s'uneix directament a la taula de fets, les consultes són senzilles i les eines poden generar SQL més fàcilment. Per exemple, podeu tenir una taula de fets de vendes vinculada directament a les dimensions Cotxe, Client, Sala d'exposició i Temps, totes irradiant com a punts estrella.

Un cop hàgiu identificat les dimensions rellevants per al fet que voleu analitzar , podeu crear un model dimensional que respongui a preguntes empresarials reals: quines són les vendes per marca de cotxes i regió? Quina tendència tenen els resultats al llarg del temps? Quins concessionaris superen altres amb un inventari similar?

L'esquema de floc de neu utilitza els mateixos blocs de construcció conceptuals, però normalitza les dimensions en diverses taules relacionades . En lloc d'una sola dimensió d'"Ubicació" amb cada nivell geogràfic, podeu dividir-la en "País", "Regió", "Ciutat", etc., cadascuna emmagatzemada a la seva pròpia taula i enllaçada en una estructura normalitzada.

Els models de floc de neu són més complexos que els esquemes d'estrella, però segueixen la mateixa lògica analítica. S'utilitzen quan les dades de dimensió són grans, compartides o necessiten una normalització més forta per evitar la redundància. Per exemple, una dimensió "Producte" es podria dividir en taules separades per a "Producte", "Marca" i "Categoria", cadascuna normalitzada i connectada mitjançant claus.

Els professionals sovint comparen els esquemes d'estrella i de flocs de neu segons criteris com el rendiment, l'emmagatzematge, l'esforç de manteniment i la facilitat d'ús . Els esquemes d'estrella generalment guanyen en simplicitat i velocitat de consulta, mentre que els flocs de neu poden estalviar emmagatzematge i reduir el manteniment on les jerarquies de dimensions són complexes o es reutilitzen molt en múltiples taules de fets.

Models de dades plans, semiestructurats i associatius

Més enllà dels models clàssics jeràrquics, de xarxa, ER, relacionals, d'objectes i dimensionals , hi ha diversos altres estils que val la pena conèixer, especialment en plataformes de dades modernes i escenaris d'integració.

Un model de dades pla és la representació més simple possible . Totes les dades s'emmagatzemen en una sola taula amb files i columnes, sense cap relació o estructura explícita més enllà d'això. Per accedir a un subconjunt específic d'informació, el sistema pot haver de llegir gran part de la taula, cosa que fa que les operacions siguin lentes i ineficients a mesura que el volum de dades creix.

El model semiestructurat és una evolució més flexible de l'enfocament relacional . En les dades semiestructurades, no sempre hi ha una separació clara entre dades i esquema. Algunes entitats poden faltar certs atributs, mentre que d'altres poden tenir camps addicionals que no són presents en els seus iguals, i això és perfectament acceptable.

Aquesta flexibilitat és típica en formats com JSON, XML o algunes bases de dades NoSQL . Un atribut pot contenir un valor atòmic simple o una col·lecció sencera, i l'estructura pot variar d'un registre a un altre. Això és potent quan es tracta de fonts de dades en evolució o heterogènies, però complica la validació estricta i les consultes relacionals tradicionals.

El model de dades associatiu adopta una altra perspectiva dividint les dades en "elements" i "enllaços" . Qualsevol cosa que pot existir independentment es tracta com un element, mentre que les relacions entre els elements s'emmagatzemen com a enllaços (o associacions). Cada element té un nom i un identificador, mentre que cada enllaç té el seu propi identificador més atributs que apunten a una font, un verb i un objectiu.

Considerem l'oració "La Copa del Món se celebrarà a Londres a partir del 30 de maig de 2022" . Un model associatiu podria emmagatzemar un enllaç que digui "Copa del Món - se celebra a - Londres", on "Copa del Món" és la font, "se celebra a" és el verb i "Londres" és la destinació. Un altre enllaç connectaria aquest primer enllaç com a font amb la data d'inici com a destinació, a través del verb "des de".

Aquesta perspectiva basada en enllaços pot ser molt expressiva per a gràfics de coneixement i relacions semàntiques . En lloc d'amagar les relacions dins de les unions de taula o les referències d'objectes, les tracteu com a elements de dades de primera classe que es poden consultar, versionar i analitzar per dret propi.

Modelització conceptual de dades per a l'anàlisi empresarial

El modelatge conceptual de dades se centra en capturar conceptes empresarials i les seves relacions a un nivell molt alt , sense preocupar-se pels detalls tècnics com els tipus de dades, els índexs o l'emmagatzematge físic. És especialment útil durant les fases inicials del projecte, quan encara s'està validant l'abast i els requisits.

En entorns com Pega i plataformes similars, un model de dades conceptual comença identificant entitats empresarials i els seus atributs . Per exemple, en un escenari de magatzem de llibres, podeu definir una entitat "Magatzem" amb atributs com ara Nom, Ciutat i Capacitat. Entitats addicionals com ara "Adreça" i "Inventari" s'enllaçarien a "Magatzem" per representar on es troba la instal·lació i quins llibres conté.

El diagrama resultant visualitza aquestes entitats, els seus atributs principals i les relacions clau entre elles . No cal modelar cada punt de dades necessari per aconseguir el resultat empresarial; l'objectiu és obtenir una visió general perquè les parts interessades puguin veure si falta alguna cosa òbvia o si està mal representada.

Quan us reuniu amb les parts interessades de l'empresa, el model conceptual esdevé una referència compartida . Ajuda a les persones a visualitzar com els seus processos es corresponen amb les dades: quines entitats participen en cada pas, quins atributs són necessaris per completar un cas i on existeixen dependències entre departaments o sistemes.

Invertir prou temps en el disseny conceptual de dades des del principi redueix considerablement el risc de reelaborar-les més endavant . Si descobriu a mitjan projecte que els requisits crítics de dades s'han malinterpretat o s'han passat per alt, és possible que hàgiu de refer parts importants del disseny del procés, les integracions i la interfície d'usuari. Un model conceptual robust mitiga aquest risc exposant malentesos mentre que el canvi encara és barat.

Per descomptat, els models conceptuals no són estàtics . A mesura que el projecte avança i l'equip aprèn més, el model pot (i hauria) evolucionar. Aquesta evolució és un signe de descobriment saludable, no un fracàs. La clau és mantenir el model conceptual com un document viu que mantingui les discussions del projecte ancorades al voltant d'una visió clara de les dades empresarials.

Els models de dades com a actius vius i estratègics

En totes aquestes tècniques i tipus de models, emergeix un tema comú: els models de dades no són només artefactes tècnics; són eines de comunicació estratègica . Tant si esteu esbossant un diagrama ER simple com si manteniu un esquema dimensional ric per a la BI, esteu codificant com l'organització s'entén a si mateixa en forma de dades.

Els models de dades ben construïts donen suport als processos empresarials bàsics, guien l'arquitectura informàtica i permeten anàlisis fiables . Proporcionen un vocabulari compartit entre els equips empresarials i tecnològics, redueixen l'ambigüitat i fan que els canvis futurs siguin menys dolorosos perquè l'impacte d'aquests canvis es pot rastrejar a través d'entitats i relacions clarament definides.

Des d'arbres jeràrquics i gràfics de xarxa fins a taules relacionals, jerarquies d'objectes, estrelles dimensionals, estructures planes, formats semiestructurats i enllaços associatius , cada estil de modelització aporta els seus propis punts forts per a casos d'ús particulars. Les organitzacions modernes poques vegades en fan servir només un; en canvi, combinen múltiples enfocaments a través dels seus sistemes i plataformes de dades.

En definitiva, el valor del modelatge de dades rau en l'eficàcia amb què converteix els requisits desordenats del món real en estructures coherents i navegables . Quan es fan amb rigor però també amb pragmatisme empresarial, els models de dades es converteixen en actius fonamentals que acceleren el desenvolupament, milloren la qualitat de les dades i potencien la presa de decisions a tota l'empresa.