Datablau 数据模型管理和标准落标解决方案
需求痛点
数据字典缺乏管理
生产库中存在大量字段和表没有注释、含义模糊不清。
同名不同义、同义不同名、冗余字段和表等,直接影响对数据的识别和应用。
数据模型变更审批缺乏评审
数据模型变更前的合理性缺乏评审。
对不同系统的数据模型,在变更时从数据设计、业务合理性、数据治理等方面缺乏综合性评审。
数据标准落地没有抓手
一期治理项目做了几百数据标准,没有工具,项目组难以落标和考核。
不同系统的建设,由相应的开发厂商完成,各厂商的标准不一,造成数据模型的质量参差不齐。
字段同名不同义、同义不同名
字段代码值不一致,影响共享
字段类型不一致
字段长度不一致
数据架构缺乏管理
缺少企业数据模型统一视图,无法做模型的合理性分析和规划。
业务逻辑模型没有参照:一些成熟的,可以作为标准化的设计不被广大项目组所知晓,导致一些项目组在设计模型时没有参考,通过试错来积累,效率很低。
模型管理工具不一致,从成熟工具到 Excel,甚至没有模型管理工具。工具也没有版权,存在一定法律风险。
解决方案

使用 Datablau DDM 模型设计和管理工具,打通模型设计和数据标准的场景,形成标准直接落地的操作性工具

使用 Datablau DDM 模型设计和管理工具,打通模型设计和数据标准的场景,形成标准直接落地的操作性工具

使用 Datablau DDM 模型设计和管理工具,打通模型设计和数据标准的场景,形成标准直接落地的操作性工具

使用 Datablau DDM 模型设计和管理工具,打通模型设计和数据标准的场景,形成标准直接落地的操作性工具

价值效益
TP&AP一体化
形成企业级数据模型资产,模型共建共享。数据字典充足率可达到 100%
自动化脚本投产
将数据模型管理纳入开发投产的统一管理中,数据脚本出错率降低 80%。
数据标准落地
在数据模型设计中体现数据标准,逐步实现引标落标,根据我们的经验,数据标准落标率核心系统可以提高到 90% 以上。
涉及产品模块
数据标准
数据模型