数据模型质量的相关知识整理

1、数据模型质量

数据模型质量影响着数据结构的设计与实现、数据库的灵活度以及规范程度，也影响着对用户对数据的理解和交流。高质量的数据模型是应用系统架构健壮的基础，所以需要客观地评测数据模型的优劣。

2、数据模记分卡

数据模型记分卡是一种衡量数据模型质量的工具。当需要评估一个数据模型的优缺点，但又缺少衡量标准时，数据模型记分卡给出了一套可供参考的方法论，用于评价数据模型的准确性、完整性等，并最终给出一个分数的定量结论，用于完成评价工作并提供进一步改进的空间。数据模型记分卡有以下四个特点：

（1）能够突出缺点对应的改进空间和改进方法；

（2）通过使用客观既定目标和外部评价指标进行评审工作，避免针对模型建设者的批评，有助于推进评审工作；

（3）提供简单且易于理解的评审方法，评审者无论是具备多年数据建模经验，都可以提供建议和打分；

（4）可以广泛适用于各类数据模型。

3、数据模型抽象性的评估原则

（1）模型要求灵活性，则倾向于抽象；

（2）尽可能地提取业务中的共性概念进行抽象；

（3）模型要求清晰可用，减少歧义和争论，则不选择抽象；

（4）在应用场景中要求速度和性能（如分析系统）较高时，不选择抽象。

4.、数据模型建立规范

（1）根据业务和需求要求的详细程度确定模型的概念层次。如果存在一个模型无法满足所有需求的情况时，通过应该根据“概念模型——逻辑模型——物理模型”的顺序依次设计；

（2）选择合适的建模方法。典型的场景有在联机事务处理（OLTP）中选择范式模型，在联系分析处理（OLAP）中使用维度模型或统一星型模型；

（3）尽量采用模块化设计，遵循高内聚和低耦合原则，合理使用主题域分离不同模块，区分核心和扩展功能；

（4）确保每个业务和需求都被模型满足。在一个需求迭代较为频繁的情况下，还需要考虑模型的灵活度和可扩展性，修改存量模型是否会对当前业务造成负担；

（5）使用已有的组织内规范建设模型，包括共享级企业模型、公共数据标准、业务词典、命名标准等，保持组织内模型的一致；

（6）拥有一个可读性良好的图形来表示模型。

5、保障数据模型质量的总结

数据模型质量具有很高的重要性。模型的每个微小改变都可能对整个系统造成蝴蝶效应般的巨大影响。因此，需要借助建模工具或其他手段时刻关注组织内数据模型规范的实施状态，模型建设完成后，需求使用创建模型质量报告或者进行数据模型记分卡评审等方式不间断地进行检查，以确保模型质量，提升系统整体性能。

来源：稀饭居然不在家