---
title: "Modelo de datos: los errores que salen más caros"
description: Descubre los 2 errores más comunes en un modelo de datos y los aspectos que debes tener siempre en cuenta para evitarlos.
---

[Blog de Analytics](https://recursos.es.logicalis.com/analytics)

# [Modelo de datos: los errores que salen más caros](https://recursos.es.logicalis.com/analytics/modelo-de-datos-los-errores-que-salen-mas-caros)

 Escrito por [Logicalis](https://recursos.es.logicalis.com/analytics/author/logicalis) | 9/02/16 7:00

Un **modelo de datos** no es sino una abstracción de algún aspecto de un problema que afecta al negocio. Con el modelado se consigue **describir cómo los datos se representan** y cómo se accede a ellos desde una base de datos. Este tipo de construcciones, además de la complejidad técnica que entrañan, son una de las tareas más difíciles de la ingeniería de software; suelen tener una relevancia determinante para el éxito o el de un proyecto. A día de hoy, y **a pesar de la experiencia en [modelado de datos](http://www.lantares.com/blog/modelo-de-datos-trucos-y-tretas-para-exprimir-la-informacion)que las empresas van acumulando, todavía se dan errores** que podrían evitarse, fallos en un **modelo de datos** que merman su utilidad y eficacia, limitando al negocio en sus decisiones y acciones.

Crédito fotográficos: istock [defokes](http://www.istockphoto.com/dk/photo/abstract-silver-and-blue-metallic-cubes-gm147445193-20246533?st=bcc5855)

 

### Fallos en el modelo de datos

Para conocer, entender y evitar los errores que pueden aparecer en un **modelo de datos**, antes hay que tener en cuenta tres aspectos:

1. Existen muchos factores en el proceso de [construcción de un **modelo de datos**](http://www.lantares.com/blog/bid/370962/Arquitectura-de-datos-an-lisis-y-dise-o) donde pueden originarse los fallos.
2. Algunos patrones de modelado son más propensos a determinados errores que otros.
3. Los técnicos suelen atribuir diferentes tipos de errores para los distintos tipos de patrones de modelado.

Partiendo de estas premisas se puede empezar a investigar las **causas de algunos de los errores en un** **modelo de datos** que más pueden costarle a un negocio, ya sea por el tiempo y los recursos invertidos o por las consecuencias de **ver mermadas las propias capacidades analíticas a la hora de enfrentarse a big data.**

Un **modelo de datos** pierde eficacia o disminuye su utilidad cuando:

**A/ Se exagera con su tamaño:** cuando las dimensiones del **modelo de datos** no están realmente justificadas se está aumentando su complejidad de forma ilógica. Esta decisión conduce a un aumento de las probabilidades de aparición de errores de diseño. Evitar este error requiere de un planteamiento coherente, al que preceden cuestiones como:

- Si el tamaño está justificado realmente y el trabajo que implica el desarrollo de la aplicación vale la pena.
- Si hay algún contenido que puede eliminarse (por ejemplo, los especulativos).
- Si es posible y viable cambiar la representación y hacer el modelo más conciso.

También es posible **evitar el sobre-modelado** durante el propio desarrollo si se intenta mantener las cosas simples y se siguen las indicaciones del **modelo de datos** evitando demasiadas entidades sin atributos clave o con muy pocos de ellos, un elevado número de objetos de modelado con denominaciones irreconocibles para los usuarios de negocios o problemas derivados de los nombres de los atributos.

**B/ Falta claridad o es difícil adivinar el propósito de la acción misma de modelado:** el propósito del **modelo de datos** determina el nivel de detalle que se necesita. Si no está seguro acerca del mismo, por desconocimiento o falta de claridad de los requisitos, es muy probable que se termine construyendo algo demasiado detallado o, por el contrario, excesivamente breve y superficial.

 

**Post relacionados:**

- [**La minería de datos directa e indirecta en el BI de nueva generación**](http://www.lantares.com/blog/la-mineria-de-datos-directa-e-indirecta-en-el-bi-de-nueva-generacion)
- [**Big Data España:en todas partes**](http://www.lantares.com/blog/big-data-espana-en-todas-partes)
- [**Ventajas de la analítica de datos en una propuesta de valor**](http://www.lantares.com/blog/ventajas-de-la-analitica-de-datos-en-una-propuesta-de-valor)

 

[Ver post completo](https://recursos.es.logicalis.com/analytics/modelo-de-datos-los-errores-que-salen-mas-caros)

```json
{
  "@context" : "http://schema.org",
  "@type" : "BlogPosting",
  "author" : {
    "@type" : "Person",
    "name" : "Logicalis"
  },
  "dateModified" : "2017-01-26T10:41:00.679Z",
  "datePublished" : "2016-02-09T07:00:00Z",
  "headline" : "Modelo de datos: los errores que salen más caros",
  "image" : {
    "@type" : "ImageObject",
    "height" : 693,
    "url" : "http://cdn2.hubspot.net/hubfs/273205/iStock_000020246533_Small-1.jpg",
    "width" : 693
  },
  "mainEntityOfPage" : "https://recursos.es.logicalis.com/analytics/modelo-de-datos-los-errores-que-salen-mas-caros",
  "publisher" : {
    "@type" : "Organization",
    "logo" : {
      "@type" : "ImageObject",
      "height" : 60,
      "url" : "/hs/hsstatic/content_shared_assets/static-1.4092/img/default-amp-logo.png",
      "width" : 60
    },
    "name" : "Analytics"
  }
}
```