Um bom modelo de dados explica o contexto do processo de negócios que ele deve abordar e, em seguida, aborda esse contexto com os tipos de dados necessários. Mas um modelo de dados eficaz nem sempre vem tão facilmente. Estratégias para e um entendimento geral de como os modelos de dados funcionam estão no ar há muitos anos. Por muito tempo, esses modelos pareciam ser a província abstrata de engenheiros de dados e cientistas de dados.
Para alterar essa mentalidade, os analistas de negócios devem se envolver diretamente na definição de modelos de dados, mas não precisam fazer esse trabalho, fazendo aulas de ciência de dados e programação em seu tempo livre. Neste guia, explicamos como as equipes de ciência de dados e analistas de negócios podem trabalhar juntos para criar modelos de dados acessíveis e eficazes com níveis variados de conhecimento de modelagem de dados.
Pular para:
O que é modelagem de dados e como funciona?
A modelagem de dados é o processo de visualização de um sistema de informação para identificar relacionamentos entre dados e ajudar as organizações a entender como elas usam dados. Embora muitas vezes entrelaçados, vale a pena notar que a modelagem e a análise de dados diferem, pois a análise de dados está centrada no uso de dados para direcionar decisões de negócios. A modelagem de dados se concentra em como os dados são estruturados, relacionados, armazenados e recuperados e normalmente são abordados através de etapas:
- Análise de requisitos: Compreender os requisitos de dados de uma organização ou projeto antes de criar um modelo é uma obrigação, que pode ser feita através de discussões com as partes interessadas.
- Design conceitual: Criando uma visão geral de alto nível dos dados organizacionais que se concentram em entidades, seus relacionamentos e fluxo de dados.
- Design lógico: Refinando o modelo conceitual adicionando detalhes e atributos a entidades e definindo ainda mais relacionamentos.
- Design físico: Traduzir o modelo lógico em um design físico para um sistema de banco de dados específico, com considerações para fatores como armazenamento e desempenho.
- Implementação: Implementando o modelo físico usando um sistema de gerenciamento de banco de dados, cujos elementos são criados com base no design físico.
- Manutenção e evolução: Atualizar e refinar regularmente o modelo com base na mudança de negócios precisa mantê -lo relevante e eficiente.
Parte do motivo da confusão e percepção associada à modelagem de dados é que os modelos de dados estão sempre sendo discutidos na estrutura técnica ou física dos modelos. Por físico, quero dizer os nomes técnicos dos elementos de dados e conjuntos de dados, nomes técnicos para bancos de dados e transformações de dados e o jargão de linguagens de programação, como R e Python, que os usuários finais e muitos funcionários de TI têm pouco ou nenhum conhecimento.
Dicas de modelagem de dados para analistas que trabalham com ele e equipes de ciência de dados
Essa abstração técnica de modelos de dados impediu o desenvolvimento de modelos de dados que realmente abordam as metas finais das empresas. No entanto, existem algumas maneiras pelas quais as equipes de ciência de dados e analistas de negócios podem lidar com esses conceitos errôneos e melhorar sua modelagem de dados.
1. Defina os requisitos de negócios
Qual é o problema comercial que precisa ser resolvido pelo modelo de dados? O analista de negócios está melhor equipado para trabalhar com os usuários e visualizar o processo de negócios e os dados necessários. O analista também pode descrever essas necessidades em inglês simples.
O que deve resultar é um modelo de dados lógicos, geralmente na forma de um gráfico de bolhas, que mostra os diferentes dados necessários e uma narrativa que explica como os dados devem ser processados.
Ao fazer isso, o analista de negócios permanece focado no que a empresa precisa. Eles não precisam se preocupar com quais conjuntos de dados, sistemas ou módulos de programação devem ser usados para fazer o modelo de negócios acontecer. Por meio desse tipo de trabalho, o analista de negócios faz contribuições valiosas para um modelo de dados que reflita com precisão as metas de negócios.
2. Trabalhe com ele e ciência de dados
Depois que o gráfico lógico das bolhas de dados for desenvolvido, juntamente com uma narrativa do que precisa acontecer no processamento desses dados, o analista de negócios se reunirá com ele ou colegas de ciência de dados. Essas são as pessoas que transformam o modelo de dados lógicos em um modelo físico que define as lojas de dados, internos do sistema e programas que precisam ser escritos em termos técnicos.
Os engenheiros de TI e os cientistas de dados exigem que esse modelo de dados físico faça seu trabalho, mas as demandas para o analista de negócios são menores. O analista de negócios só precisa ter um conhecimento prático de terminologia e processos técnicos, para que eles possam se comunicar em alto nível com ele.
Também é importante para o analista de negócios servir de ligação para o usuário final, garantindo que o modelo de dados e qualquer desenvolvimento de aplicativos permaneçam em andamento no caso de uso comercial.
3. Teste e instale os resultados dos modelos de dados
Depois que os modelos e aplicativos de dados são construídos, é hora de o usuário final testá -los. Durante esse processo, o analista de negócios desempenha um papel crítico, funcionando como uma ligação entre os usuários e os profissionais de TI e ciência de dados.
Nesta fase de desenvolvimento e aplicação do modelo de dados, os aplicativos de análise são ajustados, assinados e instalados na produção.
Trabalhar juntos não é um grande salto
Em muitos aspectos, o papel que os analistas de negócios desempenham na modelagem de dados não difere substancialmente do que os analistas historicamente fizeram. Os analistas definem os requisitos do usuário para aplicativos, articulam um design básico de negócios, pastoreando o processo através dele e, finalmente, testam e instalam o aplicativo em produção.
Embora possa haver alguns analistas de negócios de terminologia e tecnologia precisam dominar discussões para modelos de dados com pessoal técnico, conhecer os fundamentos e o vocabulário da modelagem de dados não é assustador. Com o número de treinamento simplificado de ciência de dados e glossários que existem hoje, os analistas de negócios podem se atualizar rapidamente e contribuir efetivamente para o processo de modelagem de dados.
Leia a seguir: coloque seu conhecimento à prova usando uma dessas principais ferramentas de modelagem de dados.
Fonte: VEJA Economia
