Modelado de Workloads en Bases de Datos con MongoDB

Contenido del curso

Introducción

Proyecto

Validación de datos

Relaciones

Bonus: patrones

Próximos pasos

22
Modelado de Datos con MongoDB: Relaciones y Consultas Avanzadas
02:03 min

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:0012:20

Modelado de Workloads en Bases de Datos con MongoDB

Curso de Modelado de Datos en MongoDB

Clase 5 de 22

Clase 5 / 22

Recursos

¿Cómo aplicar un workload a un caso de estudio de manejo de datos?

En el desarrollo de sistemas de datos, entender y aplicar los conceptos de workload es esencial para modelar adecuadamente la base de datos. En este contenido, exploraremos un caso de estudio de sensores climáticos, centrándonos en la estructura necesaria para identificar los requerimientos correctos y obtener un diseño óptimo.

¿Qué es un workload y cómo se construye?

Un workload es un documento inicial que define cómo se gestionan las operaciones y se diseñan los procesos en un sistema. Su construcción implica:

Análisis de requisitos: Identificar los elementos esenciales del sistema.
Modelo entidad-relación: Representar cómo se interconectan los datos.
Identificación de patrones: Ver cuál se adapta a los procesos y datos presentes.

En el caso del proyecto de sensores climáticos, utilizamos un dataset centrado en la presión atmosférica, lo que implica conectar datos de sensores a una base de datos en MongoDB.

¿Cómo identificar los actores y operaciones de un caso de negocio?

En un sistema de sensores, los actores principales son:

Sensores: 100,000 dispositivos distribuidos geográficamente enviando datos cada minuto.
Equipo de operación: Monitorean el funcionamiento de los sensores y gestionan reparaciones.
Equipo de ciencia de datos: Analizan los datos para encontrar tendencias y generar predicciones.

Cada sensor envía información cada minuto, generando 100,000 registros por minuto. Mientras tanto, el equipo de ciencia de datos consume esta información principalmente para lecturas. La base de datos debe estar preparada para sostener una carga de escritura intensiva.

¿Cuáles son las consideraciones especiales en el diseño del sistema?

En el diseño del sistema se deben tener en cuenta:

Periodo de retención de datos: Los datos deben almacenarse por un mínimo de 10 años.
Ambiente de replica de MongoDB: Decidir si los datos deben ser en tiempo real o pueden tener un retraso.
Frecuencia de las consultas: Adaptar el sistema para manejar un promedio de 100 consultas por hora, reflejo del equipo de datos.

Utilizando estos parámetros, el diseño del sistema priorizará la escritura, pero también debe estar optimizado para lectura.

¿Cómo documentar y ajustar el diseño según su evolución?

El workload sirve como orientación inicial, pero debe ajustarse con el crecimiento del negocio. Cada sección, desde definiciones de operaciones hasta suposiciones sobre el negocio, debe ser actualizada conforme evolucionan los requisitos.

Se debe disponer de un modelo de entidades en MongoDB que permita la categorización y fácil acceso de los datos por parte de los equipos involucrados.

En conclusión, diseñar un sistema de datos eficiente implica no solo entender los actores y operaciones actuales, sino también prever y documentar la evolución y mayor complejidad que con el tiempo acompañará al negocio. ¡Sigue aprendiendo y aplicando estos conceptos para gestionar tus proyectos de datos de manera efectiva!

Introducción

Modelado de datos en MongoDB desde cero

Modelado de Datos en MongoDB: Uso de JSON y Diagrama Entidad-Relación

Metodología de modelado de datos en MongoDB

Proyecto

Creación de Clúster y Bases de Datos en Mongo Atlas

Modelado de Workloads en Bases de Datos con MongoDB

Configuración de Entorno y Conexión a MongoDB con VSCode

Validación de datos

Validación de strings con JSON Schema en MongoDB

Validación de números, booleanos y enums en MongoDB

Validar arrays y subdocumentos en MongoDB

Validar contraseñas en MongoDB con regex

Validación de Datos en MongoDB: JSON Schema y Actualizaciones

Relaciones

Relaciones en Bases de Datos NoSQL: Embebidas y Referenciales

Relaciones uno a uno embebidas en MongoDB

Relaciones uno a uno con $lookup en MongoDB

Relaciones Uno a Muchos: Embebidas y Referenciadas en Bases de Datos

Relaciones Uno a Muchos con Referencias en Bases de Datos

Relaciones Muchos a Muchos en Bases de Datos: Tiendas y Productos

Relaciones Muchos a Muchos en Bases de Datos Documentales

Bonus: patrones

Desnormalización en Bases de Datos Documentales: Optimización Avanzada

Computed pattern en MongoDB para totales

Balance entre Simplicidad y Rendimiento en MongoDB

Próximos pasos

Modelado de Datos con MongoDB: Relaciones y Consultas Avanzadas

Modelado de Workloads en Bases de Datos con MongoDB

Progreso del curso

Introducción

Proyecto

Validación de datos

Relaciones

Bonus: patrones

Próximos pasos

Recursos

Recursos