数据（Data）是描述事物的符号记录，模型（Model）是现实世界的抽象。数据模型（Data Model）是数据特征的抽象，是利用图形方式，通过数据和关系反映业务的一个过程，定义需要追踪和管理的各种重要实体、属性和关系，确保企业运营和管理过程中涉及的所有业务概念和逻辑规则进行统一定义、命名和编码。

现实世界中的数据描述世界中一些事物的某些方面的特征及其相互联系，是原始的、非规范的。通过数据建模，对现实世界中具体的人、物、活动及概念进行抽象、表示和处理，转化为计算机可处理的数据，就是把现实世界的数据抽象到信息世界和计算机世界。

数据模型是数据架构规划中最重要的内容，定义良好的数据模型可以反映业务模式的本质，确保数据架构为业务需求提供全面、一致、完整的高质量数据，且为划分应用系统边界、明确数据引用关系，以及定义应用系统间的集成接口提供分析依据。

1.数据模型的层次

数据模型是业务人员、IT人员和开发商之间进行沟通的一套语言。按照不同的方法，数据模型有不同的分类。从级别角度看，数据模型可以分为企业级模型和系统级模型，按照细化程度，数据模型可以分为概念数据模型、逻辑数据模型和物理数据模型，而且这两种分类方法还是有关联的，具体如图6-4所示。

图6-4 企业级与系统级数据的关系

如图6-4所示，从层级上看，数据模型可以分为企业级和系统级两个层次，其中，企业级数据模型是描述企业所有核心数据和相互关系的统一全局视图，包含了整个企业所有IT系统的业务实体、业务实体属性和业务实体间的关系、属性、定义和描述，综合展现了数据的定义及数据之间的关系，企业级数据模型的主要作用是指导各应用系统的开发实施。而系统级的数据模型是对某一个系统的实体和属性关系进行分析和建模，其层面和范围都要低。

从细化程度看，数据模型可以分为概念模型、逻辑模型和物理模型。

概念数据模型是一个高层次的数据模型，定义了重要的业务概念和彼此的关系，主要解决核心的业务问题，由核心的数据实体及实体间的业务关系组成。一般来说，在进行系统设计与开发之前，往往已经就核心的业务概念及其关系（即概念模型）达成一致。

逻辑数据模型是对概念数据模型的进一步分解和细化，描述实体、属性及实体关系，主要解决细节的业务问题，设计时一般遵从“第三范式”以达到最小的数据冗余，系统设计时，根据已有的概念模型，与业务人员一起，直接进行逻辑模型的设计。

物理数据模型描述模型实体的细节，对数据冗余与性能进行平衡，主要解决细节的技术问题（数据库的物理实现），需要考虑所使用的数据库产品、字段类型、长度和索引等因素，必须首先确定数据库平台和应用程序的架构，逻辑模型设计完成之后，再根据所选的数据库产品及其他因素进行物理模型的设计。

企业级的概念和逻辑模型是数据架构关注的重点，在进行企业数据架构设计时一般不会细化到物理模型，而系统级数据模型设计还需要包含物理模型。(www.daowen.com)

2.数据模型的构建方法

根据行业的业务成熟度及信息化发展水平，以及模型设计人员的能力，选择适合的一种或组合的模型建设方法，这些方法包括以下几个。

1）自顶向下设计法：是逐步分解的方法，从数据域/子域开始，使用这种方法，在收集开发数据模型前，必须有某些业务问题所需要的业务和模型设计知识，以此为基础对数据进行建模。

2）自底向上设计法：从数据项开始，从最小的数据单位开始向上构造，当收集到足够的信息时进行归纳，把数据项分组放入不同的实体中，然后归纳产生域。

3）自顶向下与自底向上结合：是融合了自顶向下方法与自底向上方法的混合方法，基于总体设计和规划，以及局部的实验和原型，综合考虑进行数据模型设计。

4）逐步扩张：从感兴趣的核心对象即实体开始，指定它们的属性；当收集到足够信息时，进行归纳产生主题域；逐步完善各实体的属性，并建立它们之间的关系。

5）借鉴参考模型：借鉴同行业或外行业的参考模型，通过对已有模型和现有业务的对比进行适当的裁减，再在该模型的基础之上进行模型的设计。

这几种方法各有利弊，分别适用于不同的情况，具体比较如表6-1所示。

表6-1 几种数据模型设计方法比较

当然，企业级数据模型要想真正落地，还离不开数据标准的支持。数据标准化主要为复杂的信息表达、分类和定位建立相应的原则和规范，使其简单化、机构化和标准化，从而实现信息的可理解、可比较和可共享，为信息在异构系统间实现语义互操作提供基础支撑。只有建立完善的标准体系，才能保证数据在各个系统间的一致和共享。关于数据标准化，本书在8.2.4节中有详细论述，此处不再赘述。