谋定而后动｜数据模型设计的不同路径选择与对比

由于不同行业有不同行业的特点。因此，从业务角度看，相应的数据模型也是千差万别。对此，关于数据模型的设计，美创在医疗、港口、交通物流、社保工商等行业不断实践过程中形成了自己的思路和方法论，本文将介绍介绍几种分析场景下的数据模型设计方式。

由于各行各业实际业务流程内容天差地别，不同行业信息化建设不同，流程环节的业务可能会由不同供应商建设，企业员工需详细了解各行业、各类供应商的数据模型，但这显然很难做到。另外，即使是行业流程很熟悉的业务人员，基于供应商源系统数据进行流程分析，难免也会陷入片面化的情况。

‣ 黑盒子分析方法

‣ 标的物和输入输出分析方法

‣ 流程、组件和资源标准化

2、运用标的物和输入输出分析方法，对每个流程解析其输入标的物，输出交付物，处理中心的各项业务资源（人或组织、工具或场地、其他资源）；

3、针对每个流程的输入和输出，补充其上下文，从时间、空间、状态、目的、费用、结果、统计类信息等方面入手。如果这个流程涉及计划、排队等，输入上下文还可补充这些相关信息；

4、所有流程梳理完后，对各环节涉及的资源进行汇总，对于相同业务实体对象或标的物，做标准化，形成实体标准统一，业务逻辑有区分。

由于以往的数据都是部门人员从各自的业务系统报表提取上报，因此会产生信息孤岛、标准不统一等问题，不能全面了解企业运营状况。

运用平衡计分卡，对企业业务分析主题的梳理可以做到全面，堵住“执行漏斗”。通过维度建模的方法论，可以对各个分析主题很好的梳理出所需的维度和指标体系：

‣ 关注运营流程的效果和合理合规性；

‣ 分析维度层级化，统计指标体系化；

而维度建模方法，是经典数据仓库建模的常用方法，对于梳理业务主题所包含的维度与指标非常有效。

2、对于每个流程环节和业务主题，梳理相应的业务主体和标量；

3、通过CRUD矩阵的方式确定度量所需的维度及其层级粒度；

4、根据业务主题、维度，对度量进行相应归并，建立仓库模型。

一般业务源系统的建设都是为了完成某一组业务的流转运营而实现，主要是产生业务数据，而监管单位的系统则是以信息登记变更为主，不太会从主体对象的分析角度进行建设。

在强调数据价值化和数据利用的时代，运用主数据建设方法，我们对企业关键实体对象进行标准、全面、详细的设计，这是最为有效的途径：

‣ 区别于统计类，关注于对象本身，构建对象档案，可以精准化服务对象

按主数据建设方法，我们可以设计通用的对象模型结构。

2、主体内容与标准定义，做到认知统一，并用CRUD矩阵，与各部门确认责任范围；

3、根据需求，主体对象可以分类合并，在更高级别进行统一，设计共性实体和差异实体；

4、根据权责范围和属性分类，不停扩充各类属性标签，并完成业务规则和技术规则设计；

5、设计主数据管理方案和利用方案。

每家企业运营的业务不完全一致，用到的考核规则，评价体系也都不尽相同，怎么设计一套通用可行的逻辑模型，是个难题。

‣ 精益团队驱动的流程改善；

‣ 员工自我驱动的工作改善；

综合绩效=Σ指标集（工作量（标准化转换）+工作质量（±分）+合规性（±分））*权重系数   

（注：需要归一化）

2、设计目标值管理；

3、根据企业实际业务需求，考核用的评价体系，对标准化转换、工作质量奖惩、合规性操作违规处罚等进行细化设计；

4、根据整体绩效的计算方式，对各类计算项的权重配比规则进行设计；

5、在确定完整计算规则后，对企业级，部门级，员工级的绩效评分进行细化设计确定。

数据模型本身没有对与错之分，只有好用与否的问题。从模型设计、落地、使用，需要结合业务场景、技术路线、设备性能、运维管理等多方面的因素，综合考虑模型的实用性，才能让数据模型在满足业务需要的同时，能有更长的生命周期。