原标题:建设银行基于FSDM模型构建企业数据模型VS交通银行轻量化模型
更改标题:建行FSDM模型 v.s. 交行轻量化模型,构建数字化转型
作者: 天涯咫尺TGH
来源:数字化助推器(微信公众号)
01 建设银行:企业级数据模型质量管控体系
中国建设银行构建了完善的企业级数据模型质量管控体系,包括数据模型建模方法论、数据模型建模规范、数据模型质量检查三个方面。
在数据模型建模方法论方面,参考业界实践,总结形成标准化建模规范,保障整 体架构的合理性、稳定性以及数据模型的完整性、准确性。
在数据建模规范方面,通过对实体对象的命名规范、定义规范、取值规范和绘图 规范,指导企业级数据模型建设。
在数据模型质量检查方面,通过完整性检查清单、规范性检查清单和正确性检查 清单对企业级数据模型进行程序性检查和内容性检查,保证企业级数据模型设计的执 行规范性。
建设银行于2011年启动了新一代核心系统建设,由总行数据管理部牵头新一代 数据线工作。中国建设银行参考了FSDM模型,基于企业架构视角并充分结合自身 的业务特点,建立了具有建设银行自有知识产权的企业级B、C、C’和D模型,建设银行的数据模型建设过程经历了现状梳理、数据模型初稿形成和数据模型终稿形成 三个阶段。
学习和理解银行数据阶段,主要学习和理解IBM公司的FSDM模型,梳理最重要的13个业务系统数据字典,并按B级模型的结构进行数据项整理,一一映射和补充到FSDM模型中。
数据模型初稿形成阶段,主要是依据FDSM数据概念分类模型中的概念分类、 描述和关系演化成逻辑数据模型的实体、属性、关系及域等内容,并用ERWin图的 形式予以表达。数据模型终稿生成阶段,主要工作是将业务架构的流程建模过程中整理的数据 需求作为输入,对C模型再次完善补充而生成终稿。经过三个数据模型建设阶段,建行形成企业级C模型,C模型主题域及主要子域 划分模型内容如下所示:
截至2022年底,企业级数据C模型形成了约200个子主题分类,沉淀5500余个数据实体。通过搭建企业级数据模型,建设银行实现数据资产的结构化定义和规范 建设,统一了数据标准和数据语言,指导了应用系统和数据仓库的应用模型建设, 起着承上启下、连接业务和技术的关键作用。
#建行模型介绍完
02 交通银行:基于企业架构方法论构建企业级数据模型
交通银行在企业级架构实践过程中,总结形成了以“轻量化”、“智能化”为特点的企业级数据模型。轻量化主要包括三方面:建模方法的轻量化、模型资产轻量化和模型落地轻量化。
轻量化模型降低了实施成本,缩短了项目周期,可以更好的支撑中小金融机构进行数字化转型的快速实践。智能化是指在建模过程中,通过建立语料库,近义词识别等步骤,对新建数据模型所引用的属性进行智能化标准推荐,贯彻数据标准智能化管控,可加快建模工作的效率和模型成果的准确度。
交行数据模型采用双“T”架构,包括“正T模型”,即1个高阶数据模型加上N个领域数据模型,以及“倒T模型”,即1个公共模型加上N个场景化应用。
正T针对交易服务和运营管理场景,关注数据规范性和唯一性,强调实体属性的标准化,指导交易系统的设计开发,提供业务组件边界划分标准和跨组件数据交互使用的参考依据。倒T针对分析与决策报告场景,关注数据易用性和一致性,强调统一维度管理,为数据指标建设提供设计依据,同时也是数据分析需求的管理抓手。
双 T 设计原则强调彼此的对齐和同频,正T中圈定业务对象和关键实体与倒T中的维度和关键事实设计做映射,从而实现两个模型在内容层面的统一。通过“双T”架构模型,实现了数据生产侧与数据消费侧的逻辑自洽,在进行前台业务产品设计的同时,同步设计后续监管报送、运营分析等场景的数据方案。
在数据模型建设落地后,长期有效的运营机制建设也至关重要,需要通过数据架构管控落地实施。
数据架构管控主要包括事前分析、事中管控、事后监督三个阶段。在需求分析阶段,应以数据模型作为参照,基于模型的基础数据项与指标数据项进行详细分析,避免“同名不同义、数出不同源”等问题;在开发管控阶段,应通过数据模型落实主数据管理、数据标准化、数据模型、数据分布流转等管控要求,从模型层面对跨系统数据交互等予以规范;在事后监督阶段,定期对各业务系统的企业级数据模型落地情况进行检查和评估,持续发现并整改,保障企业级数据模型的执行落地、迭代优化的高效闭环。
#交行模型介绍完