「主数据架构」14个主数据管理误区

简介: 「主数据架构」14个主数据管理误区


它是为企业和企业的要求是不可能得到的

虽然理想情况下是针对“企业”(企业可能不是您的整个组织),但是MDM仍然必须交付应用程序,从而支持多个应用程序,并且在某种程度上能够成为真正的企业。

它是针对单个应用程序的,所以它不必是一个单独的组织规程

MDM工作不应该局限于单个应用程序或主题领域。在您的企业中,构建MDM foundation的工作对未来十年的企业应用程序交付有很大的影响。不要把MDM与第一次交付紧密地联系在一起,否则就很难进行进一步的开发

这一切都是关于-----------------

用数据质量、层次管理、合并/匹配处理、工作流/治理、实时数据集成、企业数据模型或其他内容来填补空白。实际上,都是上面提到的。虽然这些价值主张中的一个或多个可能是最有趣的,并可能启动项目,但是要了解MDM的各种可能性,并准备在需要时利用它们

我可以将主数据放在数据仓库中

是的,可以,但是批处理数据仓库在数据生命周期中太迟了,不能有效地进行实时处理。即使是实时数据仓库通常也缺少MDM的许多功能

大多数主题领域不需要工作流/治理

很多不需要复杂的工作流/治理,因为它们来自于标准的其他地方,而MDM将这些数据合并为主数据。这通常是客户的情况,就像POS系统一样。然而,用于授权和充实的更小的工作流甚至可以增加这些数据的价值

没有投资回报

从技术上讲,这是正确的。除非MDM是提供回报的业务应用程序的一部分,否则MDM就是全部投资。使用这些数据的项目的效率得到了提高,其中许多项目可以通过MDM数据更好地完成它们的功能(最终在某种程度上减少销售或开支),而不是依靠它们自己。企业MDM还提供了更低的组织总拥有成本,只需做一次就可以反复使用

这些项目似乎都失败了

失败捕获了注意力,MDM似乎抓住了传播失败的坏运气。如果你做错了,所有的项目都会失败。MDM需要业务输入才能成功。它不是严格意义上的It项目,这样做会导致失败。出色的MDM为各行各业的公司提供非常高的价值

我从选择MDM供应商开始

从供应商中立的教育和咨询开始。稍后会有时间让供应商参与进来

我可以通过MDM避免数据建模

这个模型是MDM最有用的组件。您投入到数据模型中的所有内容都将获得多次回报。您应该自定义打包的模型,并期望将工作周期投入到这项工作中。

要提高MDM数据的数据质量,最好的方法是首先找出一个数据分析工具,然后对我的数据盲目地运行它

如果你喜欢没有意义的工作,就这样做。数据质量是定制的,应该从理解数据应该遵循哪些规则的概要开始。

数据质量是模糊和无形的

最有效的方法是对数据质量进行评分,并且非常明确。

所有的MDM工具都是一样的

所有的工具都不相同,有些工具甚至不能完成所有的MDM任务,不管您多么努力。有些提供了大量关于主题领域的知识产权(模型、报告、工作流),而有些则没有。你应该决定什么对你来说是重要的。

组织的接受会自己照顾自己

组织接受是最难的部分。在MDM实现中包含组织更改管理,从而获得成功。

第三方数据不适合MDM

第三方数据主要是关于扩展重要主题领域的配置文件,这些领域在MDM中掌握。将第三方数据引入组织实际上已经启动了许多MDM程序。


这篇文章是IBM中型企业计划的一部分,该计划为中型企业提供他们需要的工具、专业知识和解决方案,以成为一个更智能的星球的引擎。我对这个项目的贡献得到了补偿,但这篇文章中表达的观点是我自己的,不一定代表IBM的立场、战略或观点。

相关实践学习
如何快速连接云数据库RDS MySQL
本场景介绍如何通过阿里云数据管理服务DMS快速连接云数据库RDS MySQL,然后进行数据表的CRUD操作。
相关文章
|
3月前
|
数据采集 存储 安全
数据治理≠数据管理!90%的企业都搞错了重点!
在数字化转型中,数据不一致、质量差、安全隐患等问题困扰企业。许多组织跳过基础的数据管理,直接进行数据治理,导致方案难以落地。数据管理涵盖数据生命周期中的采集、存储、处理等关键环节,决定了数据是否可用、可靠。本文详解数据管理的四大核心模块——数据质量、元数据、主数据与数据安全,并提供构建数据管理体系的四个阶段:评估现状、确定优先级、建立基础能力与持续改进,助力企业夯实数据基础,推动治理落地。
|
5月前
|
存储 BI Shell
Doris基础-架构、数据模型、数据划分
Apache Doris 是一款高性能、实时分析型数据库,基于MPP架构,支持高并发查询与复杂分析。其前身是百度的Palo项目,现为Apache顶级项目。Doris适用于报表分析、数据仓库构建、日志检索等场景,具备存算一体与存算分离两种架构,灵活适应不同业务需求。它提供主键、明细和聚合三种数据模型,便于高效处理更新、存储与统计汇总操作,广泛应用于大数据分析领域。
553 2
|
5月前
|
SQL 缓存 前端开发
如何开发进销存系统中的基础数据板块?(附架构图+流程图+代码参考)
进销存系统是企业管理采购、销售与库存的核心工具,能有效提升运营效率。其中,“基础数据板块”作为系统基石,决定了后续业务的准确性与扩展性。本文详解产品与仓库模块的设计实现,涵盖功能概述、表结构设计、前后端代码示例及数据流架构,助力企业构建高效稳定的数字化管理体系。
|
4月前
|
数据采集 缓存 前端开发
如何开发门店业绩上报管理系统中的商品数据板块?(附架构图+流程图+代码参考)
本文深入讲解门店业绩上报系统中商品数据板块的设计与实现,涵盖商品类别、信息、档案等内容,详细阐述技术架构、业务流程、数据库设计及开发技巧,并提供完整代码示例,助力企业构建稳定、可扩展的商品数据系统。
|
3月前
|
数据采集 机器学习/深度学习 搜索推荐
MIT新论文:数据即上限,扩散模型的关键能力来自图像统计规律,而非复杂架构
MIT与丰田研究院研究发现,扩散模型的“局部性”并非源于网络架构的精巧设计,而是自然图像统计规律的产物。通过线性模型仅学习像素相关性,即可复现U-Net般的局部敏感模式,揭示数据本身蕴含生成“魔法”。
172 3
MIT新论文:数据即上限,扩散模型的关键能力来自图像统计规律,而非复杂架构
|
7月前
|
存储 数据管理 数据格式
数据治理 vs. 数据管理:别再傻傻分不清!
数据治理 vs. 数据管理:别再傻傻分不清!
359 10
|
3月前
|
数据采集 存储 SQL
数据管理四部曲:元数据管理、数据整合、数据治理、数据质量管控
老张带你搞定企业数据管理难题!数据找不到、看不懂、用不好?关键在于打好元数据管理、数据整合、数据治理和数据质量管控四大基础。四部曲环环相扣,助你打通数据孤岛,提升数据价值,实现精准决策与业务增长。
数据管理四部曲:元数据管理、数据整合、数据治理、数据质量管控
|
3月前
|
JSON 供应链 监控
1688商品详情API技术深度解析:从接口架构到数据融合实战
1688商品详情API(item_get接口)可通过商品ID获取标题、价格、库存、SKU等核心数据,适用于价格监控、供应链管理等场景。支持JSON格式返回,需企业认证。Python示例展示如何调用接口获取商品信息。
|
4月前
|
数据采集 监控 数据可视化
数据量暴涨时,抓取架构该如何应对?——豆瓣电影案例调研
本案例讲述了在豆瓣电影数据采集过程中,面对数据量激增和限制机制带来的挑战,如何通过引入爬虫代理、分布式架构与异步IO等技术手段,实现采集系统的优化与扩展,最终支撑起百万级请求的稳定抓取。
182 0
数据量暴涨时,抓取架构该如何应对?——豆瓣电影案例调研