数据模型质量评价指标
数据模型质量评价指标
一个应用能起到的作用基于对数据的收集-整理-分析-展示等工作的开展，任何具有决策性的判断也是基于数据质量及处理方法的合理性、逻辑性等。而这些相关工作很依赖于数据模型的质量。数据模型的质量直接能够影响围绕数据开展的所有工作的实际成果。所以针对数据模型质量的评价就显得具有很重要的意义。
本文通过数据模型质量评价的10个方向开展简要的阐述。 准确性：数据模型是否可以准确反应业务需求。如果数据模型不能够准确反应业务需求，会令整个数据模型及其实用性和价值大打折扣，很难达到预期效果。但准确性同样是所有评价要点中最难以实现的。同理不仅仅是关于数据模型的评价，任何一个应用、平台的建设业务需求方面的准确性都是重中之重。具体评价准确性的方法有很多，需要从访谈、案例、用户报告、数据库等多个方面查找证据，加以分析。
完整性：数据模型是否完全覆盖业务需求的范围。所有业务信息是否得到完整的体现，所有技术信息是否已经完整的展现。是否存在未被响应的需求，是否纯在含糊不清的需求有待澄清。有一点需要注意，这种完整性的覆盖需要在原有的设计纸面上做适当延伸，具备一定的前瞻性。
规范化：确保模型可以符合第三范式等常见的模式，数据模型中包含概念模型、逻辑模型和物理模型。例如在概念模型中可以从业务需求、应用范围及实体属性对应关系等方面来进行规范化评定。逻辑模型中可评价的方法较多, 如确保主键是唯一稳定强制的，逻辑模型中不应该存在可重复的索引等。
结构性：结构性可以确保创建的数据模型符合常见的数据模型准则，具备合理结构性的数据模型可以通过工具快速识别模型中的潜在风险。一般会通过一致性及完整性两方面进行判断。
抽象性：抽象性是一个有意思的概念，是扩展性及适用性的一个中间平衡。是数据模型的一个重要特征。增强抽象性意味着扩展性的增强，适用性的降低。取得平衡是一件重要的工作。扩展性意味着系统会更加灵活适应更广泛的业务范围。而适用性意味着模型与实际业务更加贴合，对解决业务面临的困难具有重要意义。抽象性的评价需要从扩展性和适用性两方面开展寻求合理的中间点。
标准性：数据模型是否能遵循统一的命名规则。包括包名称、数据表名称、属性名称等等。统一的命名规则能够规范模型，避免因为名称不一致造成的概念混淆，及内容标准程度、完整性等方面的确认。
可读性：数据模型是否方便查阅，布局是否合理，是否方便浏览查阅。评价从模型、实体、属性等方面开展。模型方面确保大而复杂的模型被分成多个子模型，模型中不包含过多层级的继
承关系。实体方面包括合理的颜色及布局，关键实体的重点标注等。属性方面涉及名称及归类。
定义性：数据模型中的实体、属性含义等是否定义清晰。包含清晰、完整、准确等小的评价方面。
一致性：数据模型是否和企业型数据模型一致。包含术语、标准、用法。具体一些包括实体名称及定义的一致性，属性名称、定义、格式的一致性。
数据性：数据模型中的元数据和数据是一致的。数据模型中的属性和业务规则能够是与实际情况保持一致。数据名称、数据属性、业务规则、属性格式及规则、外键与主键的关联均是数据性可以开展评价的方面。