导语：：：
随着越来越多的企业意识到数据作为出产身分的价值 ，，，加快了企业数字化转型 ，，，把美满企业级的数据治理系统作为企业数字化转型的一个指标。云顶集团官网科技在大数据领域始终维持足够的技术敏感度 ，，，并堆集了丰硕的经验与资产。为此 ，，，我们组织了一个系列专文 ，，，分期颁发 ，，，与您一路索求更适合当下行业发展的数据观 ，，，欢迎各人持续关注。
作者｜云顶集团官网科技大数据钻研院
内容｜本篇共4730字 ，，，预计阅读功夫18分钟
点击下方图片回首往期内容
既然企业数据模型如此重要 ，，，为什么很多企业不启动企业数据建模呢？？
企业对企业数据模型的认知与行动 ，，，整体上能够概括为以下四类：：：
l 企业数据模型的少数先行者。他们经历了多年的训练 ，，，堆集了丰硕经验 ，，，也汲取了深刻教训 ，，，企业有能力 ，，，有动力 ，，，治理层有气势 ，，，集中了业务与数据领域精兵强将 ，，，投巨资开发了企业逻辑数据模型 ，，，并以此领导数据领域有序发展工作。
l 拿来主义追随者。这些企业不想重走先行者的老路 ，，，但愿采办企业数据模型直接用于领导数据领域工作 ，，，进展急剧见效。
l 复苏的求实者。这些企业意识到了企业数据模型的价值以及建模的重要性与紧迫性 ，，，也充分估计到实现的复杂性与高风险 ，，，对自身团队能力以及可投入资源有复苏的意识 ，，，临时没有采取内容行动。
l 某些企业不相识甚至不认可企业数据模型的价值 ，，，以为企业数据模型约束开发人员 ，，，延缓开发过程 ，，，故障业务创新发展。这些企业往往汗青沉淀堆集少 ，，，可用资源不及 ，，，急剧变动已成惯性。
金融行业进行企业级数据治理与建模是监管必要 ，，，也是支持将来持久发展的必要。不论企业数据近况能力若何 ，，，都能够在开发企业数据模型方面有所作为。
在执行建设企业数据模型之前 ，，，对执行的指标与蹊径应该有复苏的意识。
01
不要试图一次性对企业数据建模
早在 20 世纪 80 年代初期 ，，，一些组织起头执行企业逻辑数据模型 ，，，遵循其时的最佳实际 ，，，试图一次性对整个企业数据进行建模 ，，，80 年代末很多项目由于资金严重终场了。40年后 ，，，固然数据治理、数据治理、数据架构、主数据治理、元数据治理、数据建模等数据治理知识系统已经日趋美满 ，，，但现实仍面对很多挑战 ，，，不能支持在一个项目中一次性实现企业数据建模。
l 团队组建、参加、协调推动难。为了开发、守护和丰硕扩大企业数据模型 ，，，必要组建大型专业与治理团队 ，，，协调所有重要参加者一路参加整个数据建模过程 ，，，不然数据模型是不齐全的。这些来自各个部门的业务领域参加者（如 ，，，各类数据所有者、数据治理员、数据消费者） ，，，根基都是业务骨干 ，，，无法脱产全程专职参加 ，，，很难有效推动工作。
l 汗青与近况问题难以解决。要找到并解决当前业务人员之间存在的所有相互矛盾的数据视图和业务规定必要破费太长功夫 ，，，找到并解决目前系统之间存在的所罕见据冗余和数据不一致问题必要更长功夫 ，，，好多问题很难彻底解决 ，，，除非重构系统。
l 建设周期长 ，，，见效慢。由于建设周期太长 ，，，会延长新系统的执行（除非冻结需要 ，，，但是监管等需要不允许推迟）。业务人员与治理层看不到企业数据建模者对利润的贡献 ，，，很可能失去对项主张支持。
l 企业数据模型设计没有终态 ，，，必要持续发展。在满足企业近况的同时 ，，，关注行业正在产生的变动 ，，，思考业务将来发展的前瞻性 ，，，定期更新改进。也因而模型设计必要选取科学的设计模式 ，，，以保险模型的不变性、可扩大性。
因而 ，，，建议各企业选取增量迭代步骤构建企业数据模型 ，，，两个模型之间的任何差距、歧义或不一致都将出现给参加者协商解决 ，，，每次迭代投入少 ，，，功夫短 ，，，都能够获得增量价值（并及早颁布使用） ，，，随着功夫的推移 ，，，各类与企业数据模型脱节的特定项目数据模型将削减 ，，，逐步实现企业数据模型与模型价值。
02
不要贪图构建齐全的企业数据模型
没有任何企业数据模型能够界说所有可能存在的数据实体与属性 ，，，不要贪图 ，，，也没有必要界说企业所有的数据构建齐全的企业数据模型。
l 若是必要企业数据模型治理所罕见据的创建与守护 ，，，模型自身将成为数据开发与使用的瓶颈 ，，，可能还没有颁布就已过期 ，，，由于企业数据结构与需要已经产生了某些变动（并没有遵守企业数据模型） ，，，企业数据模型也不能正确反映当前的业务与数据。
l 业务系统与数据利用系统要急剧响应业务与监管需要的发展变动 ，，，若是模型蕴含过多细节 ，，，将延误系统开发进度 ，，，影响正常的业务工作发展 ，，，约束业务创新 ，，，企业数据模型对这些系统将事实上失去作用。
l 模型设计初期首先设计关键实体 ，，，收益的增长超过成本的增长：：：笃诒呒适找嫠孀拍Ｐ偷姆崴抖德 ，，，可能由于治理一些不重要的数据 ，，，边际成本大幅度增长 ，，，但没有带来相应的边际收益。
数据仓库之父Bill Inmon以为企业数据模型蕴含关键主题领域、与业务运营关注的关键实体 ，，，为每个关键实体创建具体的逻辑模型。数据建模领域驰名专家Steve Hoberman建议仅在主题域级别创建企业数据模型 ，，，级别越高越不变。一些企业有不造成熟的组织、业务、流程 ，，，随着功夫推移 ，，，应向下细化 ，，，达到企业逻辑数据模型。
03
正确使用外购数据模型
从需要注明书、业务手册、行业规范等内部、外部文档资料以及通过甚脑风暴、钻研会、访谈等方式 ，，，鉴别业务关注的内容 ，，，提取关键概念 ，，，从零起头设计企业数据模型 ，，，工作效能低 ，，，进展缓慢？Ｄ芄蛔陨隙陆杓獠砍晒Φ牟酚刖 ，，，自下而上从当前数据反向工程设计企业数据模型。
l 借鉴成熟的行业数据模型。这些行业数据模型产品蕴含主题模型、概念模型、逻辑模型齐全的模型组件 ，，，提供主题域、实体、属性的界说以及分类与关系等业务规定 ，，，已经经过很多企业验证 ，，，能够作为企业数据模型的关键输入或作为参考指标以评估近况、确定差距 ，，，凭据企业自身业务与前提进行裁剪或扩充 ，，，从而缩短周期 ，，，削减成本 ，，，降低风险。行业数据模型通常都选取抽象与范式的设计模式以提升模型的不变性、可扩大性 ，，，专业设计门槛要求比力高。
l 借鉴外部特定企业的数据模型。这些模型通常也是基于行业数据模型客制而来 ，，，大量通用设计被暗藏 ，，，突显该企业特点与设计师个性化设计 ，，，其参考价值可能没有原行业数据模型高 ，，，要郑重引入与科学参考使用 ，，，若是不思考差距而教条照搬 ，，，可能浪费资源与功夫 ，，，降低执行效能。如 ，，，大型银行的业务产品线全面 ，，，自主开发能力强 ，，，主数据、参考数据治理成熟 ，，，有壮大的组织与资源支持；而中小银行的业务产品线比力狭小 ，，，组织规！、结构、分工甚至业务流程都存在差距 ，，，开发重要依赖第三方 ，，，资源支持能力相差悬殊。
没有一套行业数据模型能齐全切合该行业所有企业 ，，，没有任何一套外购的逻辑数据模型是美满的 ，，，尝试齐全重用其他企业的数据模型可能不起作用。
04
不要贪图越过模型设计的某个阶段
企业数据建模必要经历主题模型、概念模型、逻辑模型三个分歧具体级此外设计阶段 ，，，每个阶段的输出是下一阶段的输入 ，，，每个阶段对于整个模型的构建以及对数据的理解都很重要。
l 每个企业数据模型组件 ，，，都有其受众群体以及数据治理的用处。以企业数据模型领导数据资产盘点为例 ，，，首先对资产按主题分类 ，，，而后与概念模型实体映射 ，，，在概念级别确定哪些是关键资产与垃圾资产 ，，，这样就不必要投入大量资源去做垃圾资产字段级的梳理了。
l 很多实际忽视了主题模型与概念模型的设计 ，，，直接设计逻辑模型。模型是语义理论的根基准则与数据建模的根基准则相结合的了局 ，，，概念模型是逻辑模型设计的基础 ，，，概念的内涵与其表白的外延应该一致 ，，，一旦模型设计进入逻辑设计阶段 ，，，注明父叩人已经对概念模型达成了一致的理解。主题域是数据的高级分类 ，，，所罕见据对象都与数据主题域绑定。界说和定名每个主题领域的过程很重要 ，，，由于它提供了在业务天堑之间就对组织至关重要的主题达成共识的机遇。主题模型与概念模型是不变的数据架构基础 ，，，若是不设计主题与概念模型 ，，，让用户直面数万属性项的Excel逻辑模型 ，，，很多用户可能对一些概念有各自的理解而无法沟通互换 ，，，逻辑模型也可能由于自身的各种问题而崩塌。
l 外购数据模型不能削减企业数据建模的过程。即便外购数据模型 ，，，也必要一个消化吸收的过程 ，，，重新起头发展工作 ，，，对每个主题与关键实体、属性以及业务规定 ，，，凭据企业的现实情况进行调整 ，，，并在数据社区宣传 ，，，获取反馈 ，，，以期达成父叩人一致的理解与共识。
05
成立数据治理职责分配矩阵
数据模型是业务人员与技术人员的接触交互点 ，，，数据主题领域、实体、属性 ，，，是数据治理的分歧具体粒度。模型设计过程必要业务参加分工 ，，，凭据企业规！、数据治理成熟度等 ，，，设置数据治理的角色 ，，，赋予相应的治理职责与内容 ，，，最大限度地提高治理数据质量、价值、可用性和安全性的有效性和效能。
l 数据治理专员以整个企业的视角来援手突破数据孤岛 ，，，援手确定或核准将数据从源转换到指标的规定 ，，，保障企业跨业务领域的数据质量和有效利用。业务数据治理专员与父叩人一路界说和节制数据 ，，，掌管能力域子集的数据界说、出产与使用。每个数据主题域被分配一个或多个业务领域业务数据治理专员 ，，，确保每个业务领域都有相应的业务数据治理专员掌管。
l 数据所有者对其治理领域内的数据拥有核准权限 ，，，可所以某个业务数据治理专员。企业数据的所有权极度重要 ，，，通过鉴别和纪录跨业务和组织天堑的数据关系和依赖关系 ，，，把企业数据模型用作数据所有权治理工具 ，，，支持“共享”所有权。
l 技法术据治理专员掌管一个数据源级的数据质量 ，，，他们是在某个知识领域内工作的IT专业人员 ，，，如数据集成专家、数据库治理员、数据质量分析师或元数据治理员。
l 在数据架构治理中 ，，，数据治理专员评审、验证、核准与美满数据架构 ，，，业务数据治理专员明确数据要求和规范 ，，，数据架构师凭据规范设计企业数据架构。
06
凭据自身能力近况
成立明确的指标与可行的蹊径
企业能够提供的资源、支持与能力影响初始领域 ，，，决定了能够花几多功夫、精力来构建和守护企业数据模型 ，，，若是初期设定了不切现实的领域与指标 ，，，却长功夫难以交付内容内容 ，，，可能会让父叩人失去信心。
l 对于大无数企业来说 ，，，由于资源与能力所限 ，，，初始指标能够设定为实现企业级概念模型。企业内部关键的业务系统与数据利用系统 ，，，覆盖了企业关键业务领域 ，，，对这些系统进行反向工程形成物理模型 ，，，参照行业数据模型进行分类与验证 ，，，梳理出关键实体与属性 ，，，重用现有模型的组件 ，，，迭代创建新模型。
l 若是企业已执行建设数据仓库数据模型 ，，，能够此为基础升级。企业级数据仓库数据模型是企业级分析数据模型 ，，，通常基于成熟的行业数据模型设计 ，，，已经蕴含了丰硕的实体 ，，，覆盖了大部门重要数据 ，，，在此基础上 ，，，成立数据治理职责分配矩阵 ，，，依照企业数据模型设计的要求进行修改、裁剪、补充。
l 少数组织已构建或初步构建企业逻辑数据模型 ，，，应美满组织 ，，，补充概念数据模型 ，，，修改逻辑数据模型 ，，，在企业领域内宽泛宣传 ，，，将分歧层级模型用于治理分歧的数据活动 ，，，在数据治理活动中持续优化、美满。
07
在实际中美满组织
造就团队与数据文化
成立一个随功夫持续发展和成熟的组织。随着数据治理的深刻与全面发展 ，，，起初成立的数据治理组织、职责、流程等必要逐步优化、美满 ，，，确保选取新的政策和流程获得利益有关者的支持和认可 ，，，在整个企业得以遵循。
在企业数据建模与数据治理工作中发现潜质数据治理专员 ，，，认清他们做的工作 ，，，开发技术和知识 ，，，录用数据治理专员 ，，，正式明确他们的治理职责 ，，，让他们做出更多贡献。
创建企业数据模型的过程为企业分歧人员提供了合作的机遇 ，，，跨数据建：：：褪葜卫淼淖夷芄淮颖舜说暮献髦杏兴找。数据治理人员能够利用建模人员的索求和分析了局确定当前的情况和改进机遇 ，，，在模型中纪录和执行正在推动的数据治理战术和尺度 ，，，跟踪与监控执行的进度。数据建模人员能够成立丰硕的业务案例 ，，，修改数据界说与业务规定 ，，，优化治理工作流 ，，，优化数据建模最佳实际。
成立与改进数据社区与文化。每一个企业的组织结构、文化与环境都是唯一无二的。每个企业的数据社区文化肯定是有别于其他企业的 ，，，对数据的思想和行为进行文化转变和持续的刷新 ，，，每个数据父叩人都应该具备数据意识 ，，，把稳到数据拥有性命周期 ，，，数据在企业数据生态系统中的流转 ，，，各项工作对别人有影响 ，，，使各人成为相互的业务同伴。
综上所述 ，，，企业数据模型应该以增量和迭代方式在分歧的具体级别上渐进构建。组建团队 ，，，造就专业能力 ，，，当真执行数据治理与建模每一项工作 ，，，建设数据文化 ，，，都必要团队合作与功夫 ，，，不要贪图一次性实现美满无缺的企业数据模型。不论企业近况能力若何 ，，，都能够从开发企业数据模型中获益 ，，，企业应凭据自身现实情况进行切合企业自身现实的建模行为 ，，，在数据治理中渐进实现与组织能力一致的企业数据模型 ，，，逐步开释出企业数据模型的价值。
