数据治理-数据模型与数据治理的关系.docxVIP

??

?

??

数据治理-数据模型与数据治理的关系

?

??

?

?

?

?

?

?

?

???

?

?

?

?

?

导读

一直以来，数据建模一直是理解复杂业务与数据，设计和部署具有高质量数据的关系数据库与支持应用开发的敏捷的、正确的、可靠的最佳方法。且数据建模不仅仅用于设计数据库生产数据，还可以用于治理数据。下面我们就来深入些探讨一下数据模型与数据治理的关系吧。

一直以来，数据建模一直是理解复杂业务与数据，设计和部署具有高质量数据的关系数据库与支持应用开发的敏捷的、正确的、可靠的最佳方法。且数据建模不仅仅用于设计数据库生产数据，还可以用于治理数据。下面我们就来深入些探讨一下数据模型与数据治理的关系吧。

数据模型与数据治理的关系??

数据建模不仅仅用于设计数据库生产数据，还可以用于治理数据。

虽然数据建模作为一门学科比数据治理要成熟得多，但数据建模的价值和对整个业务的影响范围仍然在较小的团队范围。在企业数据模型开发过程中，确定数据模型的定义与数据质量（是数据治理需要设置与执行的标准），发现需要治理与保护的关键数据，识别需要治理的问题，在新的设计中避免或减少类似的问题发生。安全、可信和透明的建模过程确保把良好的数据治理政策和规程构建在数据模型中，在模型中定义安全因素，可以预期潜在的安全问题。数据建模过程，遵循良好的数据治理政策和规程，可以提升数据建模中数据整合效率（如组织制定决策，所有客户数据的应用均以ECIF数据为准—决定数据源的选择与数据流，做出这样的决策依据—一方面来自组织的应用架构，另一方面还依赖广泛的建模信息调研结果以及对ECIF的治理建议）。

数据建模与数据治理在组织中哪个先出现？如果组织中先有数据治理而没有建模，则有大量数据问题需要治理，数据治理工作将不会有很高的效率，要付出很大的代价。如果先有数据建模，数据从其生命的产生开始即得到有序的管理，治理工作则容易得多。对于没有模型的数据的治理，问题多，改进难，见效慢，从无到有，从乱到治要付出很大的代价。

正是因为数据建模的缺失，更迫切需要数据治理。即使一个小的业务处理系统的建模设计，也可以减少或避免数据质量问题的产生，减少未来数据治理的代价。企业级的数据建模，可以带来更多的价值。数据治理通过实际的企业建模过程更能产生效果，提高数据治理工作的有效性。

没有源模型的源数据，可以测量的数据质量维度有限—主要是值域完整性。数据质量的问题，不应仅限于物理值域的检查，更关键更高级的质量维度还包括实体完整性、参照完整性等，只有把数据集中集成到一起，建立起数据关系—比如开发数据仓库数据模型，才能全面检验与发现这些质量方面的问题，使问题无处可藏。

设计企业级数据仓库逻辑模型时，一般基于成熟的行业数据模型，跳过主题模型与概念模型，经过信息探索直接到逻辑模型设计。

信息探索阶段

了解数据及其元数据对于数据治理、企业数据建模、数据仓库、商务智能分析等应用开发工作以及任何数据的移动工作都是至关重要的第一步。信息探索是对组织各业务源系统进行探索，识别其数据结构、业务含义、数据关系、数据流等的过程，使源数据能够转化为可用的信息。在业务源系统没有提供元数据的情况下，信息探索过程是一个提出假设再验证或推翻的实验过程。

?探索、揭露不同数据元素的含义及其之间的联系。由于源系统很少提供源模型，在信息探索阶段，数据模型师作为数据考古学家必须深入穿透纷乱复杂的数据表象，过滤掉噪音，识别可能有价值的数据。

?可视化业务源数据的源模型。因为建立了数据关系，可以更好地理解数据，更容易发现数据质量问题。源数据建模还有助于将源模型与现实世界进行比较，发现差异。

?探索、验证跨系统的数据关系。建模思维提供了跨系统进行分析与标准化的能力，使数据的探索验证拓展到特定系统之外，把组织各业务系统通过数据与数据流（主要是主数据）建立关系串联起来-进行跨系统关联，验证跨系统的数据关系与数据流。

?形成数据分布CRUD图，识别有用的关键数据，进一步确定黄金数据。发现与确定什么是以及为什么是关键数据，数据治理的目的是保护和管理这些关键数据。如果不知道要管理的数据是什么、数据的含义以及为什么对组织重要时，就不可能很好地保护和管理数据。

?识别出冗余数据，区别垃圾数据，确定需要治理的问题。建模思维很容易发现业务系统应用架构、数据架构在主数据、数据流等各方面存在的问题。跨系统的数据问题-数据的不一致与缺失等，在大型数据建模中更容易被发现。

以上这些工作，本质都是数据治理工作的必须内容，其输出，都可以用于数据治理。数据仓库建模过程中的信息探索，实际是对数据资产进行盘点的过程，在盘点过程中，对数据资产进行分类，可能会发现大量的垃圾资产需要治理。

错误理解的数据或不完整的数据都可能造成恶劣的影响，使组织的企业数