|
[[uk:Реляційна модель даних]]
[[zh:关系模型]]
La esencia del modelo
La estructura fundamental del modelo relacional es la relación, es decir una tabla
bidimensional constituida por filas (tuplas) y columnas (atributos). Las relaciones
representan las entidades que se consideran interesantes en la base de datos. Cada instancia
de la entidad encontrará sitio en una tupla de la relación, mientras que los atributos de la
relación representan las propiedades de la entidad. Por ejemplo, si en la base de datos se
tienen que representar personas, podrá definirse una relación llamada "Personas", cuyos
atributos describen las características de las personas. Cada tupla de la relación "Personas"
representará una persona concreta. Por ejemplo, la relación:
Personas (RFC, nombre, apellido, sexo, estadoCivil, fechaNacimiento)
es apenas una definición de la estructura de la tabla, es decir su nombre y la lista de
atributos que la componen. Si esta estructura se puebla con datos, entonces tendremos una
lista de valores individuales para cada tupla, atributo por atributo.
Aunque una relación es más conocida como tabla, las tuplas como filas y los atributos
como columnas, en este escrito usaremos la terminología original18 y de donde deriva el
nombre del modelo. Las tuplas en una relación son un conjunto en el sentido matemático
del término, es decir una colección no ordenada de elementos diferentes. Para distinguir una
tupla de otra, se recurre al concepto de "llave primaria", o sea un atributo o conjunto de
atributos que permiten identificar unívocamente una tupla en una relación (en el ejemplo, el
atributo RFC cumple con esta función). Naturalmente, en una relación puede haber más
combinaciones de atributos que permitan identificar unívocamente una tupla ("llaves
candidatas"), pero entre éstas se elegirá una sola para utilizar como llave primaria. Los
atributos de la llave primaria no pueden asumir el valor nulo (que significa un valor no
determinado), en tanto que ya no permitirían identificar una tupla concreta en una relación.
Esta propiedad de las relaciones y de sus llaves primarias se conoce como integridad de las
entidades.
Cada atributo de una relación se caracteriza por un nombre y por un dominio. El
dominio indica qué valores pueden ser asumidos por una columna de la relación. A menudo
un dominio se define a través de la declaración de un tipo para el atributo (por ejemplo
diciendo que es una cadena de diez caracteres), pero también es posible definir dominios
más complejos y precisos. Por ejemplo, para el atributo "sexo" de nuestra relación
"Personas" podemos definir un dominio por el cual los únicos valores válidos son 'M' y 'F';
o bien para el atributo "fechaNacimiento" podremos definir un dominio por el que se
consideren válidas sólo las fechas de nacimiento después del uno de enero de 1960, si en
nuestra base de datos no está previsto que haya personas con fecha de nacimiento anterior a
18 No confundir relación con el mismo término usado en el modelado de
Entidad-Relación que se usa para describir las asociaciones que existen entre entidades.
Boletín de Política Informática Núm. 6, 2003
55
esa. El motor de datos se ocupará de controlar que en los atributos de las relaciones se
incluyan sólo los valores permitidos por sus dominios. Característica fundamental de los
dominios de una base de datos relacional es que sean "atómicos", es decir que los valores
contenidos en los atributos no se puedan separar en valores de dominios más simples. Más
formalmente se dice que no es posible tener atributos con valores múltiples (multivaluados).
La normalización, o sea la razón y uso de las formas normales, es evitar la repetición
innecesaria de datos (redundancia). Una solución a este problema es repartirlos en varias
relaciones y utilizar referencias por valor entre ellas. Este es un ejemplo típico de que la
tupla de una relación, digamos de Empleados, no deba repetir toda la información de su
departamento, sino que debe utilizar una referencia por valor a la tupla de la relación
Departamento, donde están todos estos datos. Este procedimiento ahorra espacio de
almacenamiento, optimiza el rendimiento y, al eliminar la redundancia, impide
modificaciones parciales o incompletas que podrían dar lugar a inconsistencias. Existen
hasta 6 formas normales pero, en la práctica, se adopta generalmente la tercera forma
normal.
Junto con el modelo, el Dr. Codd también propuso el álgebra relacional, un lenguaje
formal con una serie de operadores que trabajan sobre una o varias relaciones para obtener
otra relación resultado, sin que cambien las relaciones originales. Tanto los operandos como
los resultados son relaciones, por lo que la salida de una operación puede ser la entrada de
otra operación. Esto permite anidar expresiones del álgebra del mismo modo que se pueden
anidar las expresiones aritméticas. Codd originalmente propuso ocho operandos pero sólo
cinco son fundamentales: restricción, proyección, producto cartesiano, unión y diferencia,
que permiten realizar la mayoría de las operaciones de obtención de datos. Los operadores
no fundamentales son la concatenación (join), la intersección y la división, que se pueden
expresar a partir de los cinco operadores fundamentales. La restricción y la proyección son
operaciones unarias porque operan sobre una sola relación. El resto de las operaciones son
binarias porque trabajan sobre pares de relaciones.
Partiendo del cálculo relacional, el Dr. Codd desarrolló el primer lenguaje relacional
llamado ALPHA el cual formó el fundamento para el desarrollo subsecuente de lenguaje
SQL (original SEQUEL). Otros lenguajes relacionales de consulta, tales como el QBE19, se
basaron en el álgebra relacional definida por el Dr. Codd.
Durante las fases de desarrollo del modelo relacional, el comité ANSI/SPARC de 1975
definió la separación en tres niveles de los sistemas manejadores de bases de datos: externo,
conceptual e interno que vinieron a redundar en lo que ahora se conoce como subesquema
externo, esquema lógico y esquema físico. En otras palabras: los modelos conceptual, lógico
y físico. Sin embargo, fue el Dr. Codd quien estableció los fundamentos para esta
separación con conceptos tales como la independencia lógica y física de los datos (reglas 8
y 9), de independencia, integridad y distribución (reglas 10 y 11). Como consecuencia, el
19 Acrónimo para Query by Example.
Boletín de Política Informática Núm. 6, 2003
56
mundo de las bases de datos cambió para siempre. A partir del modelo relacional el usuario
no tendría porqué preocuparse de los aspectos técnicos de la base de datos: simplemente sus
necesidades de información se satisfarían de acuerdo a su perspectiva de los datos.
Igualmente, los programadores de aplicaciones no tendrían que lidiar con el modelo físico,
asunto exclusivo del administrador de bases de datos (ABD) quien, si así lo determinara
conveniente en aras de un mejor rendimiento, podría modificar el modelo físico de datos sin
afectar al modelo lógico. Como veremos, muchos de estos conceptos fundamentales aún
son confundidos o ignorados por analistas, desarrolladores y fabricantes que aún no han
entendido o podido implementar un verdadero modelo relacional de bases de datos.
El debate Entidad-Relación Vs. esquema en estrella
En la medida que el modelo relacional ganó aceptación en la industria surgieron nuevas
ideas y propuestas. En la década de 1990 hubo un fuerte impulso en pro de la tecnología del
data warehousing20. Como ocurre frecuentemente con la adopción de nuevos paradigmas,
se registró también un considerable índice de fracasos. La cuestión fue ¿cómo implementar
un data warehouse? De las soluciones emprendidas resaltaron a) el modelado
Entidad-Relación (E-R)21 donde las entidades representan relaciones normalizadas (por lo
general, en tercera forma normal); y b) el esquema en estrella (E-E), donde las entidades se
modelan en tablas con hechos y dimensiones.
La regla para una relación normalizada dice: todos los atributos no llave de una
relación dependen sólo y exclusivamente de la llave. Por definición, el atributo o atributos
que componen la llave no tienen valores duplicados; en consecuencia, los atributos no-llave,
dependientes por completo de la llave, tampoco. Debido a esta dependencia no existe
redundancia en las relaciones. Así, en una base de datos completamente normalizada, es
suficiente para el diseñador declarar restricciones al manejador sustentadas en la llave, lo
cual garantiza la integridad y consistencia de la base de datos.
Por contraste, el esquema en estrella se fundamenta en una tabla22 de hechos que
contiene uno o más datos que en lo posible deben ser aditivos o mensurables y una o más
tablas de dimensiones. La llave primaria de la tabla de hechos es una concatenación de las
llaves primarias de cada una de las dimensiones. Los hechos, con frecuencia datos
agregados, pueden pensarse como medidas tomadas de la intersección de todas las
dimensiones. Los atributos en las dimensiones son, por lo general, textuales y discretos, con
20 A principios de la década de 1980, W. H. Inmon acuñó el término data warehouse
como una “colección de datos integrada, temática e histórica, siempre disponible y con
variaciones en el tiempo, diseñada para soportar la gestión en la toma de decisiones. “
21 Modelo de datos que describe las entidades, atributos y asociaciones de una base de
datos
22 Preferimos llamar “tabla” y no “relación” a las entidades del E-E puesto que, al ser
desnormalizadas, no cumplen con el modelo relacional.
Boletín de Política Informática Núm. 6, 2003
57
el propósito de establecer restricciones específicas en las consultas. A partir del esquema en
estrella pueden derivarse “cubos”23 para su análisis con herramientas OLAP24. La
construcción de una base de datos bajo este esquema requiere de una rígida definición de
hechos y dimensiones (muchas veces sin atender las reglas de normalización) que anticipen
la consulta de datos bajo patrones preestablecidos. Supuestamente bajo el E-E se logran
mejores tiempos de respuesta y los usuarios “comprenden” mejor los alcances del modelo.
El principal problema con el E-E es la rigidez de su diseño que no permite el
descubrimiento de nuevas relaciones: cualquier visión de los datos no prevista es imposible;
además, el usuario debe conocer todas las dimensiones de los datos que desea explorar. Si
son requeridos otros hechos y dimensiones la “estrella”25 tiene que ser remodelada y
recargada o generarse una nueva. Esto es consumidor de tiempo y recursos, inhibe el
descubrimiento de nuevos patrones e información que pueden ser relevantes para la
organización (minería de datos). Más aún, si hechos y dimensiones son desnormalizados
(grupos repetitivos) estamos ante una aberración del modelo relacional al permitir
redundancia y en riesgo de perder la integridad de la base de datos puesto que las
restricciones sobre las llaves en las relaciones no tienen validez para mantenerla. En este
contexto, el manejador es incapaz de garantizar la integridad. Y si no podemos mantener la
integridad y consistencia de la base de datos en un E-E ¿de qué manera podemos afirmar
que los datos almacenados son correctos? Una peligrosa aproximación a las consecuencias
de la Ley de Murphy: “si se permite que ocurra, ocurrirá”. Por esta razón los diseñadores
de un E-E, en el mejor de los casos y cuando lo hacen, tienen que construir software de
mantenimiento para cada base de datos en E-E a fin de contar con un medio para demostrar
su exactitud, una labor onerosa y no exenta de riesgos perfectamente evitable con otro tipo
de soluciones.
El modelado E-R, modela los datos de acuerdo a la manera en que se asocian unos con
otros y, conforme crecen los desafíos de la organización, los datos no necesitan
reacondicionarse para nuevas y desconocidas relaciones. Aquí tenemos la flexibilidad y
belleza del auténtico modelo relacional. El modelado E-R proporciona el sustento para la
naturaleza transaccional de cualquier data warehouse permitiendo el verdadero análisis
exploratorio ejemplificado por la minería de datos. Un modelo E-R es para toda la
organización y cualquier relación posible dentro de la misma también es posible en el
modelo. Es oportuno enfatizar que un data warehouse abarca desde el proceso de
recolección, administración y distribución de los datos, no sólo visiones agregadas y
predefinidas. Por lo tanto, los sistemas de información deben sustentarse en un ambiente
capaz y flexible para todo tipo de consultas, sea para el análisis complejo como a nivel
23 Vista “multidimensional” de los datos. P. ej. una figura de ventas con perspectiva
simultánea del tiempo, región, producto, etc.
24 Acrónimo para On Line Analytical Processing.
25 Los modeladores del E-E ubican, por lo general, la tabla de hechos al centro del
dibujo y las tablas de dimensiones a su alrededor. Según esto, el dibujo se parece a una
estrella.
Boletín de Política Informática Núm. 6, 2003
58
detalle y agregado. En este escenario, simple y sencillamente el E-E no soporta los
requerimientos a largo plazo de la organización como un todo. Un data warehouse
sustentado en el E-E no permite al usuario expandir su entendimiento de las asociaciones
entre los datos, cambiar la forma en que se visualiza la organización, penetrar en análisis
más avanzados o la generación de tipos de datos emergentes.
Se dice que el modelado E-R es muy complejo como para que los usuarios lo entiendan
suponiendo, por contraste, que el E-E es fácil de entender. El asunto aquí es que las capas
lógica y física de cualquier modelado de bases de datos no tiene el usuario porqué
conocerlas y, en la mayoría de los casos, no debe. El acceso a una base de datos, por
ejemplo la consulta, debe dársele al usuario en función de metadatos, herramientas
profesionales y aplicaciones a la medida. Dicho de otra forma, en sus propios términos y
respetando las reglas del negocio. El hacer partícipe obligado al usuario de la jerga técnica
(e. g., cubos, hipercubos, hechos, dimensiones, relaciones, asociaciones, llaves, etc.) es
desviar a la informática de su función principal, un ejercicio de petulante auto complacencia
que no valdría la pena siquiera mencionar de no ser por su negativo impacto en la relación
con el usuario final y, en última instancia, en la misión y visión organizacionales.
Otro argumento a favor del E-E es que “las tablas desnormalizadas en hechos y
dimensiones al consultarlas tienen un mejor tiempo de respuesta que en un modelado E-R
con tablas normalizadas”. Aquí lo que observamos es un caso típico de confusión de las
capas lógica y física. El proceso de normalización, por definición, incrementa el número de
tablas lógicas. Similarmente el E-E, que en rigor es un modelo E-R (degenerado), también
es un modelo lógico. Pero el rendimiento de cualquier manejador de bases de datos no
descansa en la capa lógica sino en la física. El manejador debe ser capaz de permitir las
modificaciones y afinaciones que sean necesarias en la capa física sin que se vea alterada la
capa lógica; en otro caso, tendremos un producto que no cumple con uno de los
fundamentos principales del modelo relacional: la independencia lógica y física de los
datos.
Se dice también que el modelado E-R “es confuso y difícil de navegar”. A esto
respondemos: descubrir la esencia de los datos y presentarlos al usuario como los necesita
es deber ineludible de cualquier buen modelador e implica una ardua labor de comprensión
y descubrimiento donde el usuario es el actor principal. Si somos negligentes en esta labor
estaremos por un lado menospreciando a los usuarios y por otro desaprovechando las
oportunidades que ofrece la organización.
Sin duda los usuarios necesitan de información típica, predefinida, agregada, con cortes
bien explícitos para su consulta y reacomodo a conveniencia es decir, análisis
multidimensional de datos. Para muchos diseñadores el E-E ha sido la solución. No
obstante, el modelado multidimensional de los datos puede hacerse en la capa lógica, sin
comprometer la integridad y consistencia de la base de datos. Las vistas, que son relaciones
lógicamente definidas, sirven para este propósito al ocultar los detalles del modelo y
presentando los datos conforme a cualquier contexto en particular o necesidad. Por medio
Boletín de Política Informática Núm. 6, 2003
59
de vistas es posible representar las estructuras multidimensionales que sean requeridas y ser
reaprovechadas por cualquier aplicación, herramienta profesional o como entrada a una
verdadera base de datos multidimensional, tecnología desarrollada para el propósito de
cubos e hipercubos.
Puesto que una vista es una representación lógica, significa que puede rápida y
fácilmente modificarse sin tener que alterar los datos. Compárese lo anterior con el E-E
donde es inevitable el esquema conceptual, el lógico y el físico, el software de
mantenimiento y extracción, los costosos procesos de agregación y carga, amén de su
administración y, por si fuera poco, el dispendioso e innecesario almacenamiento en disco.
Las vistas son fundamentales en el modelo relacional, aunque los proveedores comerciales
tienen diferentes implementaciones con objeto de mejorar su eficiencia: así, se habla de
vistas materializadas (Oracle) o vistas indizadas (SQL Server) a fin de que, después de una
primera ejecución, las siguientes tengan un óptimo tiempo de respuesta. La combinación de
las relaciones originales y de las vistas es un explosivo ambiente capaz de potenciar a los
usuarios para la creación de consultas cada vez más complejas, generando más información
y conocimiento. ¡Y todo lo anterior sin comprometer ni el modelo, ni los datos
almacenados, ni los recursos de almacenamiento, ni de la necesidad de software adicional,
ni de onerosos procesos de actualización y mantenimiento! Cuando el E-E ofrezca algo
parecido será un placer su revisión.
Para terminar este asunto, afirmamos que la construcción de un gran número de bases de
datos modeladas en E-E es un mal concebido intento para dar contexto a las bases de datos
relacionales y un cuento de nunca acabar pues, por cada necesidad de información, el
fanático de este enfoque propondrá una nueva “estrella”. También, es revelador del
desconocimiento que se tiene sobre el modelo relacional y sus alcances. La supuesta y
aparente carencia de contexto del modelo relacional es precisamente donde descansa su
inmenso poder. De hecho, a partir de una base de datos normalizada es posible extraer
cualquier contexto de su contenido. En otras palabras, la información que se requiera,
cuando se requiera y donde se requiera.
El futuro del modelo relacional
Ya desde principios de 1990 se hablaba del “fin del modelo relacional” y su sustitución por
las bases de datos orientadas a objetos. Pero el caso es que en el año 2001 de 8 mil 884
millones de dólares pagados por licencias de bases de datos, 7 mil 107 correspondieron al
modelo relacional. Más significativo es el hecho de que en el año 2000 las ventas para bases
de datos relacionales tuvieron un incremento del 15% en tanto, para bases de datos
orientadas a objetos y de otro tipo tuvieron un incremento negativo. Hay varias razones para
explicar lo anterior que no detallaremos pero sin duda resaltan lo sencillo del modelo y su
sólido fundamento teórico. La adición de nuevas características al modelo relacional es
asunto de intenso debate así como la modernización y adecuación del lenguaje SQL a las
exigencias siempre cambiantes de un entorno de gran competencia. Sin duda el modelo ha
superado la prueba del tiempo. Los proveedores han añadido características de “objetos” a
Boletín de Política Informática Núm. 6, 2003
60
sus productos, lo cual permite a los usuarios definir sus propios tipos de datos. En resumen,
el modelo relacional de bases de datos es un estándar de la industria consolidado, una
tecnología confiable y eficiente que estará entre nosotros aún por muchos años antes de que
sea desplazada por una nueva y mejor.
Conclusión
Las necesidades de información de los usuarios cambian constantemente. No es posible
anticiparlas en su totalidad. La combinación de variables junto con sus códigos en todos los
proyectos de censos y encuestas de la institución conforma una cifra prácticamente infinita.
El modelo relacional de bases de datos con sus relaciones normalizadas es una solución
simple y elegante para satisfacer las más diversas condiciones de consulta y extracción de
datos e información.
El Dr. Codd, al recibir el premio Turing en 1981, declaró que una verdadera base de
datos relacional puede:
· Estar al alcance de los no programadores, donde antes los programadores fueron una
necesidad.
· Incrementar la productividad de los programadores en la mayoría de aplicaciones de
bases de datos.
En otro momento, hizo la siguiente reflexión: “…es importante recordar que las bases
de datos se establecen para beneficio de los usuarios finales, y no para los programadores
de aplicaciones quienes actúan como intermediaros para las necesidades actuales de
procesamiento de datos”. ¡Sabias palabras!
Referencias
C. J. Date, A tribute to Ted Codd, may 2003
C. Imhoff, Building the Customer-Centric Enterprise, John Wiley & Sons; ISBN: 0471319813; 1
edition (February 1, 2001)
E. Codd, A Relational Model of Data for Large Shared Databanks, 1970
F. Pascal, The Dangerous Illusion: Denormalization, Performance and Integrity, June 2002
J. H. Orallo, La disciplina de los sistemas de bases de datos. Historia, situación actual y
perspectivas; mayo 2002
R. Kimball, The Data Warehouse Lifecycle Toolkit, John Wiley, 1998
R. Armstrong, Responding to Ralph: A rebuttal to the dimensional modeling, 1997
R. Armstrong, Third normal form; frequently asked question, 1997,
W. H. Inmon, R. H. Terdenman, C. Imhof, Exploration Warehouse, John Wiley, 2000 LA URS.
| 