數據建模面臨的風險有以下這些:
由于類別的唯一性,導致制定某個數據類別結構的周期過長,影響項目進度。
由于類別參與編碼導致后期數據類別結構的調整難以實現,且數據無法在類別間實現自由搬遷、挪移。
由于數據類別制定的周期較長且只有一個類別結構樹,經常是最后勉強制定,導致后期數據新增時由于不符合操作習慣或者因為誤解而放錯位置,直接造成編碼重復的可控性降低。
數據編碼屬性信息模板不規范、不標準,隨意性太強或者太國標化,沒有結合本企業、本行業相關標準,導致使用人員難于對應添加相關屬性值。
不重視元數據管理的規范和標準,難以實現數據新增、變更時的統一、規范的數據驗證,也難以保證數據查重的準確率。
不重視非編碼屬性模板和業務視圖的制定,導致數據傳輸到對應業務系統中后無法直接使用,增加了維護信息工作的工作量。
忽視數據模型版本的存檔工作,導致版本變更前的數據無法實現追溯。
數據模型建好后,沒有合適的數據治理平臺實現落地。
數據模型建好后,沒有形成標準、規范的數據管理手冊(含編碼手冊),無法實現數據新增、變更時的錄入規范和數據驗證標準等。
回答所涉及的環境:聯想天逸510S、Windows 10。
數據建模面臨的風險有以下這些:
由于類別的唯一性,導致制定某個數據類別結構的周期過長,影響項目進度。
由于類別參與編碼導致后期數據類別結構的調整難以實現,且數據無法在類別間實現自由搬遷、挪移。
由于數據類別制定的周期較長且只有一個類別結構樹,經常是最后勉強制定,導致后期數據新增時由于不符合操作習慣或者因為誤解而放錯位置,直接造成編碼重復的可控性降低。
數據編碼屬性信息模板不規范、不標準,隨意性太強或者太國標化,沒有結合本企業、本行業相關標準,導致使用人員難于對應添加相關屬性值。
不重視元數據管理的規范和標準,難以實現數據新增、變更時的統一、規范的數據驗證,也難以保證數據查重的準確率。
不重視非編碼屬性模板和業務視圖的制定,導致數據傳輸到對應業務系統中后無法直接使用,增加了維護信息工作的工作量。
忽視數據模型版本的存檔工作,導致版本變更前的數據無法實現追溯。
數據模型建好后,沒有合適的數據治理平臺實現落地。
數據模型建好后,沒有形成標準、規范的數據管理手冊(含編碼手冊),無法實現數據新增、變更時的錄入規范和數據驗證標準等。
回答所涉及的環境:聯想天逸510S、Windows 10。