Modelagem de dados

A modelagem de dados no Microsoft Power Platform examina toda a imagem da arquitetura de dados e inclui um vislumbre lógico dos dados do Dataverse, data lakes e fontes externas, com o uso de conectores.

Vários tipos e padrões para modelagem de dados estão disponíveis, incluindo Unified Modeling Language (UML), IDEF1X e outros. Os padrões de modelo de dados específicos estão além do escopo desta unidade, mas os modelos de dados para estruturas de dados do Dataverse geralmente se encaixam em duas categorias gerais:

• Modelos de dados lógicos
• Modelos de dados físicos

Diagramas de relacionamento de entidades (ERDs)

Os modelos de dados lógicos são diagramas de alto nível que mostram como os dados fluem pelo sistema. Os modelos de dados lógicos são frequentemente agrupados no início do projeto durante a descoberta e antes que todas as colunas tenham sido definidas. Geralmente, o diagrama de modelo de dados lógico usa os nomes comerciais das entidades, não os nomes de esquema.

Os diagramas de modelo de dados lógicos ilustram o fluxo de dados em uma solução sem se preocupar com a implementação física.

Os modelos de dados físicos são de nível inferior a dos modelos de dados lógicos. Em geral, eles incluem detalhes em nível de coluna e, mais precisamente, relacionamentos de design. O modelo de dados físicos é criado quando o design lógico de alto nível é traduzido para entidades físicas.

Os diagramas de modelo de dados físicos devem incluir a exibição de Dataverse, Microsoft Azure Data Lake Storage, Analysis Services Connector ou outros limites de armazenamento de dados.

Também é possível criar diagramas de objeto. Os diagramas de objeto mostram o que você deseja saber e, mais importante, o que não deseja saber. Os diagramas de objeto precisam ser feitos em sessões de modelagem com especialistas em domínio.

Estratégias de modelagem de dados

Considere as seguintes diretrizes para criar um modelo de dados:

• Iniciar com as tabelas e os relacionamentos principais: é comum as equipes perderem o foco por causa de um problema. No entanto, é mais fácil resolver o desafio por partes e depois analisá-lo de uma perspectiva mais global.
• Excesso de normalização: as equipes com pessoas muito experientes em arquitetura de dados tendem a criar um modelo de dados do Dataverse como se estivessem criando um banco de dados SQL Server tradicional. Essa abordagem pode levar à má experiência do usuário e aos requisitos de processamento extra. Os arquitetos de soluções precisam trabalhar com essas pessoas para determinar a causa e o efeito dos relacionamentos na experiência do usuário para ajudar a compreender a meta.
• Necessidades atuais: um recurso excelente do Dataverse é que ele pode ser criado gradativamente por meio de um processo ágil. No entanto, ter um panorama futuro de curto e longo prazo ajuda a estabelecer uma base. Não fique tentando identificar todos os requisitos futuros que você possa imaginar.
• Prova de conceito: o Dataverse simplifica o processo de criação de um ambiente com um modelo de tentativa e erro. Ocasionalmente, desafiar duas equipes com o mesmo problema de modelagem de dados pode produzir resultados úteis.

Influenciadores do modelo de dados

O modelo de dados pode ser influenciado por uma série de fatores:

• Requisitos de segurança: os arquitetos de soluções devem sempre almejar a simplificação, mas essas simplificações podem levar a requisitos no modelo de dados.
• Experiência do usuário: um conceito facilmente esquecido é que, à medida que você adiciona normalização e relacionamentos, cria novas construções que os usuários precisam para navegar nos aplicativos.
• Localização e retenção de dados: nem todos os dados podem ser armazenados. Geralmente, os dados de serviços não podem ser armazenados em cache e as empresas têm políticas internas que regem seu uso. Alguns dados são protegidos por leis governamentais ou podem ter requisitos específicos de armazenamento, por exemplo, informações de identificação, números de cartão de crédito e assim por diante.
• Relatório de autoatendimento: se for necessário um arquiteto de dados para navegar pelo modelo de dados, é provável que várias ferramentas do Power BI e Exportar para Excel sejam menos valiosas para o usuário. A maioria dos recursos de autoatendimento do Dataverse permite a navegação de um nível de relacionamento.
• Sistemas existentes: considere se os sistemas são legados, se existe uma API ou se os dados podem ser acessados ou copiados.
• Localização: avalie se os requisitos são multirregionais, multilíngues ou multimoedas.