查看“数据建模和设计”的源代码

数据建模是发现、分析和确定数据需求的过程，用一种称为数据模型的精确形式表示和传递这些数据需求。

=== 业务驱动因素 ===
数据模型对于有效的数据管理至关重要，如：

* 提供有关数据的通用词汇表。
* 获取、记录组织内数据和系统的详细信息。
* 在项目中作为主要的交流沟通工具。
* 提供了应用定制、整合，甚至替换的起点。

=== 目标和原则 ===
数据建模的目标'''是确认和记录不同视角对数据需求的理解，从而使应用程序与当前和未来的业务需求更加紧密地结合在一起，并为成功地完成广泛的数据应用和管理活动奠定基础'''，如主数据管理和数据治理计划。良好的数据建模会降低支持成本，增加未来需求重复利用的可能性，从而降低构建新应用的成本。数据模型是元数据的一种重要形式。

确认和记录不同视角对数据的理解有助于：

* 格式化：数据模型是对数据结构和数据关系的简洁定义。能够评估当前或者理想情况下业务规则对数据的影响情况。格式化的定义赋予数据规范的结构，减少在访问和保存数据时发生异常的概率。通过展现数据中的结构和关系，数据模型使数据更容易被使用。
* 范围定义：数据模型可以帮助解释数据上下文的边界，以及已购买的应用程序包、项目、方案或现有系统的实施。
* 知识保留记录：数据模型通过以书面的形式获取知识来保存系统或项目的企业信息。它能给未来项目提供原始记录。数据模型有助于更好地理解一个组织、一个业务方向、一个已存在的应用，也有助于理解修改现有数据结构所带来的影响。数据模型作为一种可重复利用的资产，可以帮助业务专业人员、项目经理、分析师、建模师和开发人员了解环境中的数据结构。

=== 基本概念 ===
* 数据建模
* 数据模型
* [[可建模的数据类型]]
* 数据模型组件
** 实体
** 关系
** 属性
** 域
* [[数据建模的方法]]
* 规范化（Normalization）
* 抽象化（Abstraction）
** 泛化（Generalization ）
** 特化（Specialization）
*正向工程
*逆向工程

=== 管理活动 ===

* 规划数据建模
* 建立数据模型
** 概念数据模型建模
** 逻辑数据模型建模
** 物理数据模型建模
* 审核数据模型
* 维护数据模型

=== 工具和方法 ===

==== 工具 ====

* 数据建模工具
* 数据血缘工具
* 数据剖析工具
* 元数据存储库
* 数据模型模式
* 行业数据模型

==== 方法 ====

* 命名约定的最佳实践
* 数据库设计中的最佳实践

=== 数据建模和设计治理 ===

* 数据建模和设计质量管理
** 发数据建模和设计标准
** 评审数据模型以及数据库设计质量
** 管理数据模型版本与集成
* 度量指标

=== 参考资料 ===
[[证券期货业数据模型第1部分]]：抽象模型设计方法 JR/T 0176.1—2019

[[证券期货业数据模型第3部分]]：证券公司逻辑模型 JR/T 0176.3—2021

[[证券期货业数据模型第4部分]]：基金公司逻辑模型 JR/T 0176.4—2022