Como uma representação de recursos gráficos dos requisitos de informação para uma determinada área de negócios, um modelo lógico de dados é construído tomando as descrições de dados representadas em um modelo conceitual de dados e introduzindo elementos associados, definições e maior contexto para a estrutura dos dados.
Esta etapa é importante porque, embora o modelo conceitual de dados mais simplificado seja mais facilmente comunicado, a falta de contexto pode dificultar a transição da modelagem para a implementação. Mais detalhes são necessários para apoiar essa progressão. Tal detalhe inclui definir os atributos próprios, chaves primárias, chaves estrangeiras, cardinalidade de relacionamento e descrever entidades e classes. Nesta fase, a natureza das relações entre os dados é estabelecida e definida, e os dados de diferentes sistemas são normalizados.
Nesta fase, a função primária do modelo de dados é visualizar elementos de dados e como eles se relacionam entre si. A modelagem lógica de dados também funciona para detalhar os atributos associados a um elemento de dados. Por exemplo, um modelo lógico de dados especificaria a natureza de um elemento de dados, ou seja, nome da conta (cadeia), número da conta (inteiro).
Os três tipos diferentes de modelos de dados fornecem graus crescentes de contexto e detalhe, para que possamos visualizar seu uso sequencialmente. Portanto, um modelo lógico de dados deve ser considerado uma vez que o modelo conceitual de dados tenha sido construído.
Esta etapa mais estruturada da modelagem de dados é mais relevante durante o projeto da aplicação, quando pode servir como um mecanismo de comunicação nos ambientes mais técnicos onde os analistas de banco de dados e designers trabalham. Ela nos ajuda a entender os detalhes dos dados em maior grau do que os modelos conceituais de dados, mas, da mesma forma, fica aquém de fornecer uma perspectiva sobre como eles devem ser implementados.
Tal como acontece com a modelagem de dados conceituais, isso significa que as equipes não estão vinculadas a considerações tecnológicas. Isso é importante, pois a natureza da tecnologia nas organizações é muitas vezes dinâmica.
Uma maneira fácil de compreender quando e por que um modelo lógico de dados seria relevante é considerar o público-alvo do modelo: analistas de banco de dados, analistas de sistemas e designers. O público e o lugar da modelagem lógica de dados no processo de projeto de aplicação significam que a exclusão de contexto e detalhes em favor da acessibilidade é menos relevante. A camada extra de detalhe (quando comparada à modelagem conceitual de dados) é o contexto que os arquitetos exigem para garantir que novas aplicações sejam compatíveis com os dados que abrangerão. Essencialmente, um modelo lógico de dados fornece as bases necessárias para o design produtivo do banco de dados.
Sem um modelo lógico de dados, os designers só podem realmente descobrir os requisitos de uma nova aplicação à medida que avançam. Isso muitas vezes significa trabalhar com elementos de dados desorganizados que tornam mais provável ignorar tais requisitos. Assim, pular o estágio de modelagem lógica de dados em favor da construção de um modelo físico de dados pode levar a um projeto de banco de dados ruim e aplicações que não funcionam como pretendido. Abordar tais erros requer uma abordagem reativa que pode retardar o tempo de inatividade e aumentar os custos totais associados ao processo de desenvolvimento.
Além disso, a natureza independente de tecnologia de um modelo lógico de dados ajuda as organizações a estabelecer oportunidades para melhorias de processo. Isso significa que novas aplicações podem ser construídas para serem tão eficazes quanto possível, em vez de tão eficazes quanto as restrições tecnológicas atuais permitem.
Os dados são do erwin e existem há mais de 30 anos. Somos reconhecidos como líderes de mercado em modelagem de dados. Essa experiência criou uma plataforma de modelagem de dados perfeita para atender às necessidades de modelagem de dados em todas as etapas (conceitual, lógica e física) do processo de modelagem de dados.
erwin Data Modeler da Quest permite que as partes interessadas empresariais e técnicas colaborem na concepção e implementação de novos sistemas. Elas também desfrutam de recursos como suporte NoSQL e coleta automatizada de metadados, o que reduz consideravelmente os tempos de implementação.