编者按：
随着数字化转型、数据要素市场化、高质量生长等宏观导向 ，，，，，，数据价值愈发获得重视。。。。 。从最基础的数据架构到上层的数据应用 ，，，，，，无论是金融机构照旧金融科技厂商 ，，，，，，都有着各自的明确与实践。。。。 。betway西汉姆官网科技在大数据领域始终坚持足够的手艺敏锐度 ，，，，，，将以本篇关于“数据架构”的探讨为始 ，，，，，，后续推出系列文章 ，，，，，，与您一起探索更适合当下行业生长的数据观 ，，，，，，欢迎各人一连关注。。。。 。
作者｜betway西汉姆官网科技大数据研究院
内容｜本篇共3170字 ，，，，，，预计阅读时间10分钟
良久以来 ，，，，，，数据架构一词的影响一直局限于很狭窄的专业领域规模之内 ，，，，，，海内的数据治理事情基本都围绕着数据标准开展。。。。 。2021年2月9日人民银行宣布《金融业数据能力建设指引》 ，，，，，，对数据架构的熟悉正式提升到了行业高度 ，，，，，，而把数据标准改为数据规范 ，，，，，，也算是各归其位了。。。。 。
数据架构是什么
凭证ISO/IEC/IEEE 42010:2011的架构界说：系统的基本组织 ，，，，，，体现在其组件、它们之间的关系和情形 ，，，，，，以及治理其设计和演变的原则。。。。 。
架构一词泉源于修建行业。。。。 。若是说杜甫昔时盖茅屋不需要设计 ，，，，，，那么制作现代广厦不可能没有设计图就开工了。。。。 。
治理数据也需要架构。。。。 。数据架构界说治理数据资产的蓝图 ，，，，，，形貌应该怎样组织与治理数据 ，，，，，，内容包括数据模子、数据界说、数据映射规范、数据流、结构化数据应用接口规范（DAMA DMBOK2）。。。。 。数据架构需要一连动态地维护 ，，，，，，并不比修建架构设计简朴。。。。 。
国家标准GB/T36073—2018《DCMM数据治理能力成熟度评估模子》关于数据架构的形貌为：通过组织级数据模子界说数据需求 ，，，，，，指导对数据资产的漫衍控制和整合 ，，，，，，安排数据的共享和应用情形 ，，，，，，以及元数据治理的规范。。。。 。
那么怎样解读数据架构？？？？？ ？？有哪些组件？？？？？ ？？组件之间的关系是什么？？？？？ ？？与哪些情形有关系？？？？？ ？？
数据架构有哪些组件
企业数据架构设计包括企业数据模子设计以及数据流设计（DAMA DMBOK2） ，，，，，，这也是数据架构较量经典的内容。。。。 。从零最先设计企业数据架构需要很长的时间、很大的资金投入 ，，，，，，并保存潜在的失败危害。。。。 。在企业数据架构实践中 ，，，，，，业界已有一些成熟的行业数据模子可以参考 ，，，，，， 因此 ，，，，，，一样平常情形下 ，，，，，，最详细的数据架构设计文件是一个正式的企业数据模子。。。。 。物理数据模子也是数据架构文件 ，，，，，，但物理数据模子是数据建模和设计的产品 ，，，，，，而不是数据架构。。。。 。
DCMM的数据架构能力域包括数据模子、数据漫衍、元数据治理、数据集成与共享能力项 ，，，，，，DCMM把在DAMA数据治理知识系统中自力的元数据治理、数据集成两个领域也包括进去了。。。。 。DCMM标准已被普遍认可 ，，，，，，一些领先的机构获得了数据治理能力成熟度四级或五级认证。。。。 。
怎样明确DCMM界说的数据架构组件关系
数据架构的焦点组件是数据模子 ，，，，，，指导数据漫衍与数据集成。。。。 。
数据漫衍也是数据集成的须要输入。。。。 。为提升数据集成与交互的效率 ，，，，，，数据集成反过来对数据漫衍提出要求。。。。 。
企业的数据模子、数据漫衍以及数据集成的设计文档都是元数据 ，，，，，，若是没有这些元数据 ，，，，，，组件之间的关系无法展现 ，，，，，，用户就无法使用数据。。。。 。
数据架构与应用架构、手艺架构的关系
数据架构不可自力保存 ，，，，，，站在企业架构的高度 ，，，，，，与企业应用架构、手艺架构有细密的情形关系。。。。 。
应用架构是数据架构的输入。。。。 。数据的漫衍是数据在营业应用与数据应用系统中的漫衍 ，，，，，，这些系统的营业功效决议了将爆发哪些数据以及需要哪些数据 ，，，，，，因此 ，，，，，，应用架构设计决议了数据的漫衍 ，，，，，，指导数据架构中数据界说、数据集成与交互等妄想和管控事情。。。。 。数据架构设计对应用架构的输入不应照单全收 ，，，，，，应用系统中的数据模子设计应遵照企业数据架构 ，，，，，，数据漫衍与集成的原则要求影响应用系统的功效漫衍。。。。 。
数据架构是手艺架构的输入。。。。 。数据的集成交互与存储妄想的需求是敌手艺架构提出的要求。。。。 。手艺架构是数据架构的落实基础支持 ，，，，，，基于可靠性、性能·、实验的重大性、本钱等思量的数据库软件、数据存储等手艺选型可能反过来制约应用架构与数据架构。。。。 。
数据治理领域的反思
自金标委建设三十多年以来 ，，，，，，在推动金融数据标准化方面取得了重大成绩 ，，，，，，金融行业的数据治理水平一直处于领先职位。。。。 ；；；；；；；；厥资葜卫砹煊蛳晗甘导 ，，，，，，仍有一些问题值得反思。。。。 。
数据架构治理简朴粗放
由于有自制的存储装备可以选择 ，，，，，，太过强调应采尽采（甚至有些企业主张实时收罗全域数据 ，，，，，，数据收罗无差别“大而全” ） ，，，，，，太过强调非结构化数据的价值 ，，，，，，没有对数据举行细腻化区别治理 ，，，，，，没思量过其中大部分数据可能没有任何价值 ，，，，，，没有思量TCO与ROI ，，，，，，放任数据的膨胀。。。。 。
数据治理与治理没有建设在企业数据架构基础之上
有些企业数据架构的治理不包括数据模子 ，，，，，，仅限于数据剖析平台（数据客栈或数据中台）的漫衍流转 ，，，，，，数据集成仅限于从数据收罗最先到数据应用。。。。 。
在数据模子设计与数据集成历程中 ，，，，，，忽视了企业数据漫衍（应用架构）的输入 ，，，，，，可能导致所用数据并非权威数据源 ，，，，，，甚至可能使用了过失的数据 ，，，，，，无法包管数据质量。。。。 。
数据治理系统化与深度有待提升
有些企业数据的治理停留在建章立制方面 ，，，，，，有些企业建设了数据标准但没有落地 ，，，，，，意识到“同义差别名、同名差别义” ，，，，，，要统一术语看法 ，，，，，，但没有上升到数据架构系统层面 ，，，，，，很难取得实质性希望。。。。 。
许多企业花鼎气力买通数据应用“最后一公里” ，，，，，，而不关注数据生产“最前十公里”。。。。 。若是忽视数据问题爆发的源头 ，，，，，，事倍功半 ，，，，，，最后一公里的应用很难有高质量的数据基础。。。。 。
强调可用性 ，，，，，，质量被忽略
有些金融企业在引入互联网解决计划时忽视了行业差别 ，，，，，，为了提高可用性 ，，，，，，一直提高数据纷歧致性等质量问题容错率。。。。 ；；；；；；；；チ幸敌矶嘤党【岸允葜柿康囊蟛桓 ，，，，，，从统计角度只要知足一定水平的相似性。。。。 。而金融行业财务报表、合规羁系等需求对数据质量的要求远高于互联网行业。。。。 。
应该怎么做：
以企业级的架构视角来治理与使用数据
许多企业有数据 ，，，，，，无数据架构。。。。 。数据架构处于无感的被动职位 ，，，，，，手艺选型后才谈数据架构 ，，，，，，应用系统不思量数据架构基本要求。。。。 。当手艺平台穷于应付 ，，，，，，不可给客户带来好的体验时 ，，，，，，不从数据架构、应用架构方面举行反思。。。。 。
架构设计的实质是企业级顶层视角与系统化设计
清晰明确企业数据架构的实质 ，，，，，，无论是数据治理或数据资产治理 ，，，，，，照旧数据客栈、数据中台或数字化转型 ，，，，，，都应该站在企业级顶层视角 ，，，，，，举行架构层面的系统化设计。。。。 。
数据生命周期每个阶段的生产者、加工者都应该对自己设计的数据产品认真 ，，，，，，对自己的用户认真。。。。 。设计者的眼光不但要向前看 ，，，，，，还要注重到左右的应用架构与手艺架构 ，，，，，，还要向后看 ，，，，，，熟悉到自己的设计事情是很是主要的环节。。。。 。
稳固的架构来自笼统头脑
架构应该是稳固的。。。。 。解决“同义差别名、同名差别义”的问题只是数据架构治理万里长征的第一步。。。。 。纵然数据模子的设计遵照数据标准 ，，，，，，仍解决不了本诘责题 ，，，，，，只有接纳笼统的头脑 ，，，，，，剥离数据的噪声 ，，，，，，笼统出营业的本体 ，，，，，，才华爆发稳固的框架 ，，，，，，并以结构化、系统化来表达或展现。。。。 。
与数据治理协同
数据治理是数据架构的另一要害情形因素。。。。 。数据架构的目的最终需要通过与数据治理的协调一致才华实现 ，，，，，，数据架构认真准确地做事 ，，，，，，数据治理确保（凭证数据架构）做准确的事。。。。 。
把企业数据模子作为数据治理事情的产出物
从建设企业看法数据模子入手 ，，，，，，让各关连人熟悉到企业数据模子的主要性 ，，，，，，在数据建模中系统化治理数据 ，，，，，，在数据治理中逐步完善形成企业数据模子 ，，，，，，指导数据在企业各系统的漫衍与集成 ，，，，，，支持应用系统的数据重用与迅速开发。。。。 。
治理数据资产的全生命周期
建设数据即资产的数据资产观 ，，，，，，在一样平常事情中建设本钱与收益意识 ，，，，，，从数据的爆发最先治理 ，，，，，，使数据的设计者、生产者、加工者与治理者都熟悉到在数据的全生命周期中都投入了本钱 ，，，，，，优化数据治理生态 ，，，，，，实现企业级的数据集成 ，，，，，，驱动数据资产价值的最大化。。。。 。
建设数据剖析生态系统
结构化与非结构化数据有差别的价值密度 ，，，，，，需要差别的处置惩罚手艺与流程。。。。 。数据差别的生命周期 ，，，，，，价值密度也纷歧样。。。。 。需要建设完善的数据剖析生态系统 ，，，，，，有用治理州差别形态、差别生命周期的数据 ，，，，，，为差别用户提供高质量的数据以及友好的体验。。。。 。
结语
企业数据的治理是一项一连的事情 ，，，，，，不可能毕其功于一役。。。。 。营业在生长转变中 ，，，，，，数据架构也要同步更新。。。。 。许多企业实验数据中台并没有带来数据治理能力的提升 ，，，，，，也没能给用户提供高质量的数据 ，，，，，，若是不站在企业的架构视角 ，，，，，，数据治理与数据架构脱钩 ，，，，，，各自进行 ，，，，，，再换个马甲也无用。。。。 。
