Datablau国产数据库建模工具

原创 Datablau Data Modeler 新一代数据库建模工具

Datablau Data Modeler好用的专业建模工具Datablau DDM是新一代数据模型管理工具，由ERwin数据建模研发骨干开发团队荣誉出品。传统建模工具主要面向设计，而DDM创新的融合了数据治理理念，把数据治理推进到开发流程中，进行开发态的源头治理，解决了标准落地的难题。从根本上控制企业增量的数据质量问题。目前已经在多家银行、基金、保险、能源、政府、制造业等使用，效果显著。...

原创 从数据驱动到知识驱动：数据治理+RAG技术推动知识治理与服务的智能化

知识库中的知识往往涉及企业的核心业务数据和商业秘密，企业需要建立完善的数据治理体系，在确保知识库的安全性和合规性的同时平衡知识的开放性和保密性。知识库是企业知识管理和应用的核心平台，通过RAG技术，企业可以动态检索和应用这些知识，显著提升大模型的精确性和专业性，帮助企业更高效地利用内部和外部的知识资源。通过数据治理确保RAG技术能够动态检索知识库中的数据，为大模型提供更完整的上下文信息，并通过数据标准化和整合，消除数据孤岛，确保上下文信息的全面性和一致性，从而提升大模型的输出质量。

原创 数据流动的密码：揭开血缘关系的全貌

描述型数据血缘适合在业务层、概念层和逻辑层记录元数据血缘，但在物理层手工记录数据血缘是非常困难的。元数据血缘可从两个方向进行记录：横向数据血缘展示数据沿数据链的流动路径，而纵向数据血缘则连接不同抽象层级的元数据组件。根据数据血缘的方向，可以分为横向数据血缘和纵向数据血缘。无论是元数据血缘还是数据值血缘，无论是横向还是纵向数据血缘，亦或是描述型与自动型记录方法，每种类型都有其独特的应用场景和优势。数据血缘的主题可以分为元数据血缘和数据值血缘，不同的利益相关者对每种血缘类型的关注点也不一样。

原创 数据血缘元模型：架起业务与技术的桥梁

例如SAS数据血缘应用程序能记录SAS应用程序中使用的400多个元数据对象，因此，元数据组件、组件间的关系类型，以及描述组件的元数据元素等记录内容，会因企业的实际情况及需要记录的物理层数据血缘的选择而变化。数据血缘不仅帮助组织理解数据的来源、流转和变化，还为数据治理、数据质量管理、审计和业务决策提供了坚实的基础。数据血缘元模型是描述数据血缘模型的元数据框架，它通过不同抽象层（业务层、概念层、逻辑层和物理层）来记录数据的流转路径。逻辑层通过定义数据实体、数据属性和业务规则，确保数据的准确性和一致性。

原创 数据血缘：企业数据管理的“胡萝卜与大棒”

例如，巴塞尔银行监管委员会发布的《有效风险数据汇总和风险报告原则》（BCBS 239）、欧盟的《通用数据保护条例》（GDPR）等，都要求企业具备高度的数据透明度和可追溯性。数据血缘不仅是企业满足法规需求的工具，更是业务变更、数据管理举措和审计需求中的关键支撑。通过实现数据血缘，企业能够在复杂的数据环境中保持透明、可追溯和高效，从而在激烈的市场竞争中脱颖而出。数据质量、参考数据和主数据管理、数据仓库和商业智能(DWH和BI)，以及数据集成都是重要的数据管理能力，需要数据血缘作为输入来完成它们的活动。

原创 Datablau产品全面接入DeepSeek

目前通过大模型和智能化的算法，在数据语义建模，数据标准化落标、数据质量监控、数据查询和清洗、ChatBI等领域，已经取得不错的效果。用户可以使用自然语言描述数据的特征、关系和业务逻辑，DeepSeek能够实时将自然语言转化为准确的数据模型，大大降低了数据建模的门槛，提高了建模的效率和质量。在这个充满挑战与机遇的时代，Datablau数语科技将继续依托强大的技术研发能力，探索更多基于AI的智能化产品，助力千行万业发挥数据要素价值，加速中国数字经济高质量发展。对于数据中的元数据语义，通过AIGC进行自动补全。

原创 数据新时代：如何选择现代数据治理平台

作为数据治理产品的专业提供商，我们具有二十几年的产品设计开发经验和数据治理的Knowhow能力，立志为企业提供专业的、架构优良的、技术先进的、易用好用的数据治理平台，并与客户一同成长，保持平台的升级与演进，让用我们平台的企业永远走在数据治理的前沿!，数据治理平台的早期版本功能是单一的，大多是个前后端一体的单体应用程序。产品定制开发造成的问题是比较多的，尤其是产品架构二次开发架构不好的时候，会造成系统的大规模质量衰退，同时，定制的系统长期维护成本是非常高的，以至于系统处于无法更新升级，处于安全的风险之中。

原创 数据治理2025年的趋势与展望

具体来说，该架构从L1的主题域分组到L5的属性，逐步细化，确保数据的层次清晰和一致性。传统的数据治理多集中在数据采集后的数据清洗和管理，但近年来的数据治理实践发现，事后数据治理事倍功半，随着企业对数据质量和实时性要求的提升，数据治理的重心开始左移——从数据源头开始进行治理。在金融业，以银行业的建设银行数据架构方法（ABCD四层模型）为代表，我们看到了其新一代建设的十年后，在股份行和先进城商行进行持续实践和探索，在各行的新一代核心建设中，我们看到经典信息架构的思维，在数据管理领域，重提数据架构的管理与落地。

原创 数据血缘在保险行业的应用探索

你首先查到数据背后关联的指标多达28个，与昨晚ETL更新的数据做对比，发现其中有12个发生了变化，于是你排查了这12个数据，发现分别来自4个数据源，你分别找到这4个数据源的负责人员排查数据为何发生变化，最终找到了数据发生错误的原因，源头A录入了错误数据，导致流入管理驾驶舱的最终数据发生了错误，这时已经是晚上10点。通俗地讲，数据血缘是数据全生命周期过程中的数据关系，包括数据特征的变化，即数据的来龙去脉，主要涉及数据的来源、数据的加工方式、映射关系以及数据的流出和消费。数据血缘分析主要包括3个方面。

原创 数据新时代：如何选择现代数据治理平台(下)

作为数据治理产品的专业提供商，我们具有二十几年的产品设计开发经验和数据治理的Knowhow能力，立志为企业提供专业的、架构优良的、技术先进的、易用好用的数据治理平台，并与客户一同成长，保持平台的升级与演进，让用我们平台的企业永远走在数据治理的前沿!产品定制开发造成的问题是比较多的，尤其是产品架构二次开发架构不好的时候，会造成系统的大规模质量衰退，同时，定制的系统长期维护成本是非常高的，以至于系统处于无法更新升级，处于安全的风险之中。元模型高度抽象，底层数据存储非常集中，导致数据访问的性能降低。

原创 数据新时代：如何选择现代数据治理平台(上)

数据治理平台的早期版本功能是单一的，大多是个前后端一体的单体应用程序。随着企业数据量增加和数据管理活动的细化，已经演化为一个复杂的应用程序，它包含了多个数据治理功能域，如标准、元数据、质量、安全、资产等，与数据领域的生态系统，如数据开发、服务、BI、分析等都有了集成应用。作为一家专业的数据治理产品提供商，在最近发布的Datablau产品7x版本的研发中，我们也一直在探索，如何让产品在企业运营中可持续发展，如何保护客户的投资，如何让产品在客制化和标准化之间平衡，并保持持续的升级能力。

原创 从“数据民工”到“数据销售”：数据治理如何赢得业务心（二）

这里尤其需要提醒的是，规划层面不仅要注重设计能力，也要注重分享宣贯能力，要让业务部门相信整个规划的合理性，就需要数据团队在深度调研一线业务团队、IT团队或管理层的基础上，展示整体规划的目标设计和路径设计是完全站在企业实际情况的基础之上，过程中可以针对性的引入行业最佳实践经验，通过阐述行业其他成功案例在实施目标、组织现状、管理思路等多方面的共性需求，引入行业案例中被实践证明过的、不同组织岗位在不同阶段需要完成的工作内容、输出的成果和准入准出标准，加速整个规划方案的细化过程。下面我们来重点分析上篇文章。

原创 从“数据民工”到“数据销售”：数据治理如何赢得业务心（一）

虽说“一把手负责制”是数据治理成功的必要条件（某些环境下，甚至是第一必要条件），但正如“尚方宝剑威力最大的时候不是在你拔出来的时候，而是在你背着它的时候”，如果认为数据治理仅仅可以通过强硬贯彻领导意志的方式就能推行成功的话，那最终的结果极有可能南辕北辙，即使能够按照传统治理理论框架建立一套数据治理体系，更多也是停留在表面，难以对实际的业务活动带来影响和变化（当然，就更谈不上数据推动业务的变革），同时实施过程中也容易受到各种业务投诉，例如重复工作，浪费时间影响正常业务。曾经说过，“最困难的事是认识你自己”。

原创 速速报名 | 数据治理与数据建模Workshop·重庆站

本课程由社区特邀讲师王琤老师、黄峰老师授课，两位老师基于丰富的数据管理经验提炼出知识体系，以面对面带练的方式，帮助学习者快速掌握数据建模和数据治理的理论和实用技能。十几年数据治理实战经验沉淀、专为数据管理人量身定做的专业课程，不做碎片化的干货传播，而是呈现体系化的内容框架，重视课程在实际工作的运用。基于实际场景，面对面带练数据建模技巧和梳理数据治理全过程，通过实战掌握数据建模与数据治理的技巧和方法，真正帮助学习者学到、用到、做到。，小助理将会为您发送具体的活动安排，同时，如有时间或地点变动随时通知。

原创 夯实数字底座，释放数据要素之能｜Datablau亮相2024DAMA

然后再是参考成熟的数据治理理论框架，做对应的治理能力归属，尤其是需要站在数据全生命周期视角，思考数据从需求到最终用户消费的端到端的全流程覆盖，最终通过用户对数据的体验（或者是数据准确性提升、或者是数据访问效率提升）体现数据治理的价值点，才能帮助企业更好地释放数据要素价值。展望未来，数语科技将在数据治理产品创新和实践方面不懈努力，积极探索AI等技术在数据治理工具中的应用，持续引领行业发展，助力企业高效构建数据底座，赋能企业数据价值释放！此外，数语科技解决方案专家徐卫林先生荣获「数据治理专家奖」。

原创 2024中国数据建模大赛火热上线！现金大奖等你来拿！

转载 湖仓一体已经变得如此流行，这让我非常吃惊！

湖仓一体是一种融合了数据湖和数据仓库优势的新型数据管理架构，支持高性能的分析和人工智能（AI）工作负载。湖仓一体（国外叫数据湖屋）是一种将数据仓库的功能与数据湖的灵活性和可扩展性相结合的一种新型架构，近年来备受关注。看完了这份报告，我有个疑问，虽然湖仓一体在国内也有很大的宣传，比如阿里云，但总感觉不愠不火，更多的企业持观望态度，为什么国内和国外有这么大的差异？数据网格（Data Mesh）是一种数据管理方法，强调数据的分布式架构和以业务领域为中心的数据所有权，促进数据的可访问性和质量。

原创 车企数据治理实践：业务场景为抓手势在必行

在这个信息爆炸的时代，数据已经成为推动企业发展的核心动力，而数据治理则是确保数据价值得以最大化发挥的关键。在整车制造的研发、生产及供应链业务中，数据治理扮演着举足轻重的角色。高质量的数据是企业决策的基础，也是实现智能化生产和服务的关键。通过数据治理，我们可以对数据进行清洗、整合和标准化处理，提高数据的准确性和可用性，为企业的发展提供有力支持。在整车的生产与运营过程中，涉及到大量的敏感数据，如用户信息、车辆运行数据等。这些数据的安全与否直接关系到客户的隐私权益和企业的声誉。

原创 开启数据可视化新旅程：数据血缘的生机与魅力

例如，在金融领域中，对于某个特定的数据字段，只有当我们明确了它所对应的业务流程，比如是贷款审批流程中的一个关键数据项，以及相关的业务规则，如额度限制等，同时了解到涉及的利益相关者，如信贷员、客户等，还有其代表的指标含义，如风险评估指标等，我们才能真正理解这个数据元素在整个业务体系中的地位和作用，就像只有知道了一颗星星在星系中的具体位置和它所代表的意义，我们才能更好地理解整个星系的运行规律。数据血缘，即数据在整个生命周期中的来源、转换、流向和最终使用的完整记录，为企业提供了对数据流动和影响的深入理解。

原创 Data AI-Ready的关键因素

Data AI Ready强调数据的可访问性、可理解性、高质量和高效管理，以便为人工智能（AI）应用提供坚实的基础。”没有数据认责和管控系统，您的模型将不断产生幻觉，经常崩溃，并且始终无法实现公司期望的业务价值。人工智能算法受益于广泛的数据输入，因为多样化的数据源有助于减少偏见并提高洞察的准确性。通过整合来自各种来源的数据，您可以降低这些偏见的风险，因为人工智能解决方案将具有更平衡的视角，可以反映不同的观点。当数据字段具备全面、详细的信息时，AI系统可以进行更深入、更细致的分析，并提供更个性化的建议。

原创 哈佛商业评论-《您公司的数据是否已准备好用于生成式人工智能》

Datablau的数据资产网关在业界也极具有前瞻性和创新性，专注于提升数据资产的可用性和安全性，同时促进不同用户角色在数据使用上的灵活性与协作，结合DDC数据资产目录平台，数据网关利用AI技术和自学习模型，优化数据发现、理解和使用流程，提升数据服务的智能化水平，旨在帮助企业构建一个既安全又高效的数据流通体系，加速数据价值的转化，支持企业数字化转型和数据驱动决策的实现。如下图所示，企业的数据资产并不规范，下面的两个结构化的表，库表结构的业务名、业务定义缺失，字段都是A1、A2、B1、B2。

转载 数据治理操作指南（完整版）

数据治理可以有效保障数据建设过程在一个合理高效的监管体系下进行，最终提供高质量、安全、流程可追溯的业务数据。

转载 数据治理：一文讲透数据标准

(2)基于国家标准和行业标准，结合公司业务特点，制定了一系列企业级数据标准，包括数据元标准、数据编码标准、数据质量标准、数据安全标准等。(3)加速了数据应用的开发和交付，标准化的数据接口和数据服务大大提高了数据供给的效率。以上两个案例，都是以业务需求为导向，自上而下推动数据标准的制定和实施，并将数据标准深度融入数据管理流程和数据应用场景，从而实现了数据管理效率和数据价值的双提升。这些标准根据行业或领域的特殊需求，规范了数据的定义、格式、传输和处理方法，确保行业内不同系统和组织之间的数据互操作性和一致性。

转载 数据指标体系构建一文读懂

在了解什么是数据指标之前，我们思考一下：为什么会出现指标？它是为了解决什么问题？人类及科学的发展是与时俱进的，早期为了使自然科学的实验及结果更具统一性及方便标准化衡量，一些标准化的专业指标应运而生。随着人类社会的发展，社会科学也越来越需要统计学来进行事物的衡量，一系列统计学指标也逐步产生了。随着新信息技术的发展，数据指标逐步被大众认可为衡量目标的方法。从社会科学角度看，指标是统计学的范畴，用于数据的描述性统计。指标是说明总体数量特征的概念及其数值的综合，故又称为综合指标。

原创 浅谈金融行业数据安全分类分级

数据安全管理是一项从上而下的、多方配合开展的工作。在进行数据安全管理组织架构建设时，需要从上而下建设；从而全面推动数据安全管理工作的执行和落地；以保证数据安全的合法合规、并长效推动业务的发展和稳定运行。金融行业机构应设立数据安全管理委员会，建立自上而下的覆盖决策、管理、执行、监督四个层面的数据安全管理体系，明确组织架构和岗位设置，保障数据生命周期安全防护要求的有效落实。作为数据安全管理工作的决策机构，主责工作职责为提供数据安全建设必要的资源，对重大安全事件进行协调与决策等。

原创 日化行业数据治理实践

从支撑业务目标的视角审视，数据治理的核心旨在通过增强数据的价值来促进生产效率和产品合格率的提升，同时降低成本，并为营销活动提供强大动力。为达成这些宏伟目标，企业必须投身于一系列精心策划的数据治理实践，涵盖数据质量审计、数据标准化作业以及数据集成等多个维度。面对数据治理不足的现状，企业往往会遭遇一系列相似的困扰：生产效率与产品质量双双下滑，营销活动的表现不尽人意，既定的营收目标难以企及，还间接削弱了顾客满意度。

原创 既不懂业务，又卷不动业务部门，我该怎么干数据治理

数据资产盘点是典型的知识密集型工作。以元数据补全为例：业务元数据（Business Metadata）通常描述了数据的业务含义、数据如何被使用、数据的所有者以及数据的业务规则等。在数据仓库、数据湖或任何企业级数据平台中，业务元数据对于数据消费者（如业务分析师、报告制作者、数据科学家等）至关重要，因为它帮助他们理解数据的上下文和用途。

转载 数据分类分级概念、方法、标准及应用

中华人民共和国数据安全法》要求，根据数据一旦遭到篡改、破坏、泄露或者非法获取、非法利用，对国家安全、公共利益或者个人、组织合法权益造成的危害程度，将数据从低到高分成一般数据、重要数据、核心数据共三个级别，这是从国家数据安全角度给出的数据分级基本框架。自动化识别并打标的数据，按需进行人工的复核，以确定数据的密级。数据分级级别，按照国家有关规定，根据数据遭到篡改、破坏、泄露或者非法获取、非法利用，对国家安全、公共利益或者个人、组织合法权益等造成的危害程度，将数据分为一般数据、重要数据和核心数据三级。

转载 20图学懂从0到1搭建企业级数据治理体系

数据治理体系是为了规范业务数据规范、数据标准、数据质量和数据安全中的各类管理任务活动而建立的组织、流程与工具。通过一个常态化的数据治理组织，建立数据集中管理长效机制，规范数据管控流程，提升数据质量，促进数据标准一致，保障数据共享与使用安全，从而提高企业运营效率和管理水平。在构建企业资产时一般会考虑不同角度，即业务角度和技术角度，最后进行合并，输出统一的数据资产分析，并向外提供统一的数据资产查询服务。元数据管理系统作为数据治理平台的前端展示门户，帮助实现对数据资产的快速检索能力，提高数据使用有效性和效率。

转载 24张架构图讲透数据治理核心内容

一、数据治理的框架和核心内容不同的利益相关者群体对数据治理的关注点不一样，因此各自的视图也不一样。其中管理者视图可以概括为“五域模型”，分别是“管控域”、“过程域”、“治理域”、“技术域”、“价值域”。图1、管理者视角-数据治理五域模型管控域：在数据治理战略指导下制订企业数据治理组织，明确组织的责、权、利，岗位编制及技能要求。治理域：是数据治理的主体，明确数据治理的对象和目标。技术域：数据治理的支撑手段，指的工具平台。过程域：是数据治理的方法论。

原创 数据指标的华丽蜕变：治理之路

指标定义的标准化是指标治理的基础，正如企业数据标准体系梳理一样，能够为企业构建一个通用、高质量的指标体系，避免重复建设和定义分歧，提升数据指标的可复用性和一致性。然而，在传统的数据治理模式下，往往缺乏统一的指标定义标准。现状分析1) 指标定义存在认知分歧不同业务团队或IT团队对同一指标存在不同的定义方式，导致指标的计算结果不一致。2) 指标定义质量参差不齐缺乏规范指导，指标定义的完整性、准确性和可用性无法保证。3) 指标定义的冗余和重复建设由于无法高效复用已有指标，导致大量重复劳动和资源浪费。

原创 如何通过数据治理来提升业务价值——业务场景治理

数据治理，一方面是为了对数据的规范管理和控制，还有一方面是让数据能够为业务提供服务和创造价值。近些年来，随着数据治理技术发生着日新月异的变化，行业对数据治理的需求和指导也被逐步推进和实践，从宏观上看，数据治理的组织架构、规章制度、标准规范日趋完善，实现了数据规范化管理，但在支撑业务减本增效、支持业务创新等方面尚存距离。具体体现在以下几点：与业务过程脱节无法针对业务过程中的数据需求与痛点进行问题解决，导致治理的数据无法真正满足业务需要或带来价值。低治理效率没有在业务流程中嵌入数据质量管理等机制，无法发

原创 EDW国际数据管理最新趋势（二）｜信息供应链与数据

数据管理

原创 EDW国际数据管理最新趋势（一）：数据战略与数据治理

业务高管都是结果导向，跟他们的沟通要简单直接，像“将客户数据与产品使用数据关联，可以提高销售额”，直接讲数据对业务的帮助。下图是我在EDW2023的演讲现场，演讲内容是关于数据模型管控与DataOps，现场座无虚席，大家听的很专注，时不时有人提问题讨论，演讲之后有很多人也过来找我单独讨论，对我的演讲很认可，我很有信心的讲我们的数据模型管控解决方案在国际上是很先进的。我会给予相应的讲解。其次，如何将数据治理通俗化，你可以先拿家里人做练习，听听非专业人士如何理解数据，试试如何说服他，把数据治理的价值灌输给他。

原创 如何通过数据治理来提升业务价值——业务场景治理

至此，数据治理进入了一个新的发展阶段，为了避免数据治理成为数据管理部门、IT部门的一厢情愿，而忽视业务部门的需求和参与，形成数据治理的怪圈，企事业机构的数据管理部门开始从宏观的数据治理框架和策略，转向具体的业务流程和场景的数据治理，以此为业务提供有效的数据支持和决策依据，增强业务的参与度和满意度。总之，业务场景数据治理是一种符合数据治理的本质和目标的数据治理方法，它能够实现数据治理和业务流程的有机结合，为企业提供更高质量、更安全合规、更具价值的数据，从而为企业的发展和转型提供强大的数据动力和保障。

原创 数据资产入湖管理

有的企业是照搬数仓的模型设计到数据湖，问题是模型对应的数据资产目录是按数据域，对业务很不友好，对业务不可用。所以AP侧的数据模型是需要拉通业务一起建设的，数据模型与数据资产目录只设计一次，而不是各建各的。通过业务部门梳理业务流程业务对象、业务对口IT进行数据探源、数据治理发布数据标准、提交入湖信息清单，最后由数据owner审批入湖。这种业务发起的方式大大提高了数据资产盘点的效率，整个流程捋顺了，既不是数据治理部自己闷头苦干最后被定义为自说自话，也不是数据治理部苦苦求着业务部门协助补充业务相关信息。

原创 数据资产与自助BI的一体化实践

随着数据资源被提高到数据资产的高度，数据治理成为确保有效管理和利用数据资产的一组流程和技术，而数据资产目录是包含企业数据资产的全息描述信息的存储库，并充当有效管理数据资产的（逻辑上的）单一事实来源。在我们的产品中，通过BI的接口，我们将元数据的业务语义等信息写入BI数据集中，并将数据目录和数据权限信息同步到用户视角之下，这对于最终用户是非常好的体验，也是数据治理组织应该赋能的方式。在我们的实践中，将数据资产的逻辑层盘点和数据交付进行了拉通，确保发布到BI的数据资产是可应用的数据，并对此进行的专项管理。

原创 一文了解数据管理框架以及数据战略制定方法

这一节主要介绍数据管理这一章的另一重要部分，也就是我们在数据管理经常使用到的数据管理框架以及数据战略制定方法。要制定数据管理框架，或者是组织需要制定数据治理规划或数据管理规划，需要首先制定与业务战略对齐的数据战略。

原创 数据模型设计必读方法论！很实用

首先，我们明确什么是数据模型及数据建模：数据建模是发现、分析和确定数据需求范围，然后以称为数据模型的精确形式表示和传达这些数据需求的过程。数据建模是数据管理的重要组成部分。数据模型描述了组织的数据资产并促使组织理解其数据资产。数据模型根据组织的了解或组织的期望来描述组织的数据。数据模型包含一组带有文本标签的符号，这些符号试图可视化地表示传递给数据建模者的数据需求。数据建模的常用方案（模式）会有：关系、维度、面向对象、基于事实、基于时间和NoSQL建模。数据模型的组件有实体、关系、事实、键和属性等。

原创 基础数据标准落标白皮书

为了认真的研究这个命题，我们决定调查几个国内落标的典型案例，看看我们能从中学习点什么。调查从总体看思路，细节不符之处在所难免，望读者不吝指出共同完善。1.建设银行落标方法建设银行从2014年新一代项目时，开始大力度的进行彻底的和全方位的数据标准落地工程。建行师从IBM的四层模型法，通过九大银行业概念设计了企业级逻辑模型。依托于此企业级逻辑模型，打造了企业级数据字典。通过设立数据标准处和架构处，进行了流程和规范管制，进行强力度的模型和数据的落标管理。具体请看我画的一个示意图：（建行落标示意图）