什么是数据架构？
数据架构是指导企业使用数据的蓝图，也是由数据和数据相关资源组成的高层次结构，充当着整个企业的数据框架，其中包括模型、规则和标准。借助高效的数据架构，企业能够追踪数据在 IT 基础架构中的获取、流转和存储过程，以及安全性和可访问性。
default
{}
default
{}
primary
default
{}
secondary
数据架构概览
数据架构是连接原始数据与业务需求的桥梁。想象一间杂乱的食品储藏室，里面随意堆放着豆类罐头和成袋的干料，如果不建立一套收纳整理体系，想找到晚餐所需的食材将会极其困难。同理，在数据驱动型企业中，混乱、重复和孤立的数据会阻碍企业及时满足独特的业务需求。
数据架构的工作原理
数据架构通过创建标准的数据环境，实现整个企业的协同运营。数据架构采用多元化的方法支持企业有效管理数据，而且还在不断发展演变。常用方法包括：
- 运用数据模型：数据模型能够呈现数据结构及数据关系。
- 采用存储解决方案：存储解决方案是确保数据整洁有序且易于访问的另一种有效方式。
- 实施安全措施：安全措施能够防范数据泄露、攻击或损坏，确保数据安全。
- 实现数据治理：数据治理实践能确保数据符合法律法规要求。
这些要素共同作用，能够促进有效的数据管理，为制定战略决策和提高运营效率提供支持。
稳健的数据架构应具备足够的灵活性，能够满足特定的业务需求。随着人工智能 (AI) 和物联网 (IoT) 等新兴技术推动大量新的数据源涌入市场，数据架构将使数据变得有用、有序且可检索。
如果实施得当，数据架构能帮助企业：
- 减少数据存储冗余
- 提高数据质量
- 增强数据清理和协调机会
- 创造集成机会
- 减少数据孤岛
数据架构的类型和基础组件
数据架构提供呈现不同数据管理系统间交互关系的高级视图。小型数据存储库（包括数据湖架构、数据仓库架构及其他数据模型）为数据编织和数据网格架构等各类数据架构的分析功能提供支持。
数据模型的类型
数据模型主要分为三种类型：
- 概念数据模型
概念数据模型（有时又被称为“领域模型”）为企业提供整体视图，帮助他们了解数据系统的内容、组织方式以及数据规则类型。
- 逻辑数据模型
逻辑数据模型比概念数据模型更具体，详细展示了数据元素及其交互方式，以及数据与业务各个层面的关联。
- 物理数据模型
物理数据模型是最具体的数据模型类型，详细规定了数据库实施的细节，包括索引、表单以及存储和性能规范，并为企业如何保护、存储和访问数据提供了详细说明。
数据架构与数据建模
数据架构与数据建模的最大区别在于范围层级。数据建模是数据架构的一部分，是对数据对象及其关系的具象化表达。数据架构提供战略框架，而数据建模则提供实施该框架的战术工具。
数据架构的类型
- 数据湖架构
数据湖架构（简称数据湖）能够存储任意规模的结构化、半结构化和非结构化数据，因此对数据科学家和数据工程师特别实用。数据湖架构能帮助企业快速安全地以原生格式收集数据（包括云数据和本地数据）。这类架构主要用于支持新兴的机器学习应用、AI 功能、概念验证以及数据备份与恢复操作。
- 数据仓库架构
数据仓库架构（又称为数据仓库）是一种用于收集整个企业数据的大型存储库。数据仓库架构将这些分散的数据统一存储在一个集中位置。该架构主要用于辅助指导数据管理决策，并支持业务流程。
- 数据集市架构
数据集市架构（又称为数据集市）是数据仓库架构的轻量级专用版本。该架构包含通常对企业内部各个团队（如销售部门）、用户或群体非常重要的小规模数据子集。相较于数据仓库，数据集市中的专业化数据能帮助选定团队或用户更快速地获取有针对性的洞察。相比数据湖架构和数据仓库架构，数据集市架构的数据粒度更细。
- 数据编织架构
数据编织是专用软件解决方案与数据架构的结合体，能够连接、管理、集中和治理来自不同系统和应用的数据。数据编织能帮助企业收集数据洞察，然后运用这些洞察减少数据孤岛并改进数据维护措施。数据编织架构利用来自不同数据源（包括数据湖架构、数据仓库架构及其他应用）的数据，详细全面地呈现企业的数据使用情况。数据编织的特殊价值在于，该架构允许企业访问存储在任何位置的数据（无需不断提取和重构数据），同时完整保留了数据的业务情境和逻辑。与数据存储系统不同，数据编织能简化复杂数据架构中的所有数据，通过保护、清理、充实和整合数据，使其适用于分析、机器学习和 AI 应用。
- 数据网格架构
数据网格架构（又称为数据网格）在去中心化的位置按领域组织数据。通过将数据按领域（如营销、销售或人力资源）进行分类，企业内部的数据所有者能够自主根据数据作出决策，并挖掘数据洞察，为业务决策提供依据。数据网格从其他去中心化数据源（包括数据湖架构和数据仓库架构）收集数据，并将其整合到数据编织架构中，从而提供详细的数据洞察并提升业务敏捷性。
数据架构的组件
与厨房收纳系统相似，数据架构也由多个不同组件组成。数据整理不仅关乎物理层面的存储空间，还关乎保持整洁有序所需的思维过程和精神投入。数据架构的每个组件都发挥着独特的作用，并带来独特的优势，确保整个架构顺畅运行。数据架构的核心组件包括：
- 数据模型：数据模型是对数据对象及其交互关系的高度精细化抽象表达。数据模型展示了数据的组织和结构，描绘了数据在企业数据系统中的流动方式和依赖关系。数据模型对于数据库设计尤为重要，有助于确保数据的完整性和一致性。
- 数据集成：数据集成通道将来自不同数据源的数据整合到统一的集中视图中。常见的数据集成流程包括 ETL（提取、转换、加载）操作、数据同步和数据迁移。通过有效集成数据，企业能够连通彼此孤立的数据孤岛，打造支持全面分析和报告的统一数据环境。
- 数据存储：数据存储包括数据库、数据仓库架构和数据湖架构。数据存储解决方案具有更高的可扩展性、安全性和可靠性，能满足当前和未来的数据需求。合理的存储架构能够优化数据检索和管理，帮助企业在需要时快速访问准确信息。
- 数据安全：数据安全措施是企业为保护数据免遭未经授权的访问、泄露和破坏而采取的预防手段。常见的数据安全措施包括加密、访问控制和定期审计。建立数据安全机制对于维护数据完整性和遵守法规要求至关重要，能够保护敏感信息免受潜在威胁。
- 数据治理：数据治理包括数据资产管理的标准政策和程序，能帮助企业确保数据质量，并遵守法律法规要求。数据治理框架明确了角色和职责、数据标准及问责措施，能推动整个企业以合乎伦理的方式有效使用数据。
数据架构的原则
数据架构的原则确立了全面有效管理企业数据的核心准则和卓越实践。这些原则为构建稳健、可扩展的数据环境奠定了基础，能够满足当前及未来的业务需求。
- 一致性：结构合理的数据架构能够确保整个企业的数据统一、规范。这其中包括采用标准化数据定义和格式，简化数据集成与分析。
- 可扩展性：数据架构有助于推动业务增长。因此，数据架构需要具备应对日益增长的数据量和数据源的能力。通过采取措施为这些变化提前制定应对计划，比如确保有足够的空间存储涌入的数据，或配备快速灵活的分析软件，企业能够让数据架构保持原样不变。
- 安全性：安全措施对于保护数据架构免受未经授权的访问、攻击和破坏至关重要。正如你在手机或电脑上采取的防范病毒或身份盗窃的安全措施一样，企业也可以采取这些常见的安全措施，确保数据安全无忧且隐私受到保护。
- 灵活性：数据架构本质上具有适应性，能够迅速适应不断变化的技术和业务需求。数据架构支持企业快速轻松地启用新工具，无需花费大量时间并进行重新调整来添加新软件，比如 AI 功能或新的电子邮件系统。
- 可用性：数据架构能确保任何人在需要时都能获取所需数据。企业不再限制对销售和营收数据等重要信息的访问，而是可以支持内部人员自由获取所需数据。这有助于及时制定有效的决策。
数据架构带来的优势
如果实施得当，数据架构能够给企业带来诸多优势，包括：
- 增强数据生命周期管理：现代数据架构能帮助企业更有效地长期管理数据。由于数据很快就会过时，灵活的数据架构能帮助企业将数据迁移至速度较慢、成本更低的存储区域。另外，数据架构还能提高数据的可审计性，同时又不会增加对成本高昂的数据存储设施的需求。
- 提升数据质量：数据架构有助于在整个企业内贯彻实施数据治理和安全标准。通过将数据存储于高质量的数据架构中，企业能快速找到所需数据，并获取适当洞察，为制定业务决策提供依据。
- 减少数据冗余：企业各个部门有时会出现重复的数据。数据重复会增加数据不准确的风险，并且阻碍数据集成。借助结构合理的数据架构，企业能实现标准化数据存储，减少有风险的数据重复，从而增强数据分析流程。
- 尽量减少数据孤岛：分散的数据存储区域往往会催生数据孤岛，严重制约企业发挥最大潜能。数据架构能够跨越数据领域灵活集成数据，使企业各个部门能够共享数据并实现更有效的沟通。通过这种数据集成，企业能够全面掌握关键数据点（如成本和营收），从而提高决策能力并建立统一的真实数据源。
常见的数据架构框架
数据架构框架是 IT 基础架构的基石，对支持由数据驱动的业务战略至关重要。当前有几个框架被广泛应用于指导企业内部数据架构的实施工作。常见的框架类型包括：
- Zachman 框架：这种结构化的数据架构方法通过提供多维视角与抽象概念的概览视图，组织整理企业的数据与流程。该框架涵盖从宏观背景信息到详细操作规范的所有内容。Zachman 框架通过提供通用的语言和方法，促进利益相关方之间的沟通，使得企业的 IT 系统更加契合业务目标。
- 开放群组架构框架 (TOGAF)：TOGAF 是一种设计、规划、实施和治理数据架构的高层次方法。该框架致力于确保 IT 基础架构与业务目标保持一致，并打造统一的数据环境，帮助企业通过引导式的结构化数据管理，实现战略目标。
- 数据管理知识体系 (DAMA-DMBOK)：该框架为数据管理提供全面指南和卓越实践。DAMA-DMBOK 涵盖了数据架构的多个方面，包括数据治理、数据质量和数据集成，也因此成为了数据专业人员的实用参考指南。DAMA-DMBOK 框架能确保整个企业获取一致的高质量数据，凸显了数据管理原则和实践的重要性。
数据架构的未来前景
数据架构支持新兴数据趋势和最新技术，赋能企业引领技术创新并获得竞争优势。数据架构能够推动以下潜在趋势：
- AI 和机器学习分析：AI 和机器学习技术正在利用强大的预测分析、自动化和高级数据处理功能，革新数据环境。这些技术能够识别模式，开展预测并自动执行日常任务，从而改进数据架构，最终构建更有效的智能数据管理系统。
- 边缘计算：边缘计算在更靠近用户的位置处理数据，而不是依靠集中式数据中心。通过将边缘计算集成至数据架构，企业能够减少整体延迟，并优化实时数据处理功能。这一优势对物联网设备和实时分析软件等需要即时洞察的应用至关重要。
- 区块链：区块链技术创建了一个去中心化的分类账系统，显著提升了数据安全性和完整性。通过提供透明的交易记录方法，区块链技术大大提高了数据架构的可信度和可靠性。
- 数据和分析解决方案：数据架构能够提升数据和分析解决方案的性能。结合开放式数据生态系统的优势，具有稳定数据架构的企业更有把握在不断变化的市场环境下，作出敏捷的业务决策。
了解 SAP 的数据分析解决方案如何革新数据环境，并为现代业务计划提供支持。
