数字化转型网数据专题将关注数据治理、数据质量管理、数据架构、主数据管理、数据仓库、元数据管理、数据备份、数据挖掘、数据分析、数据安全、大数据、数据合规、等数据相关全产业链相关环节。
概念模型。企业的“真实世界”视图，代表企业当前的最佳模式或经营方式。
外模式。
内模式。数据的机器视图。
概念数据模型 CDM。用一系列相关主题域的集合来描述概要数据需求。概念数据模型仅包括给定的领域和职能中基础和关键的业务实体，同时也给出实体和实体之间关系的描述。
逻辑数据模型 LDM。对数据需求的详细描述，通常用于支持特定用法的语境中（如应用需求）。不受任何技术或特定实施条件的给。在关系逻辑数据模型中，通过添加属性来扩展。属性通过规 范化技术被分配给实体。每个属性和它所在实体的主键之间都有非常强的关系。在很多情况下， 维度型逻辑数据模型是维度型概念数据模型的完全属性透视图。关系型逻辑数据模型捕获业务流程的规则，而维度型逻辑数据模型捕获业务问题以确定业务流程的运行状况和性能。
物理数据模型 PDM。描述一种详细的技术解决方案，通常以逻辑模型为基础，与某一类硬件、 软件和网络工具相匹配，与特定的技术有关。
规范模型。物理模型的一个变种，用于描述系统之间的数据移动。该模型描述了在系统之间作为数据报或消息传递的数据结构。通用以实现重用和简化接口需求。
视图。虚拟表，提供了一种从多张包含或引用实际属性的表中查看数据的方法。
分区。拆分表的过程。执行分区是为了方便存档和提高检索 性能。分区可以是垂直（按列分组）或水平（按行分组）
逆规范化：将符合范式规则的逻辑数据模型经过慎重考虑后，转换成一些带冗余数据的物理表。逆规范化处理由于存在数据冗余而引入了产生数据错误的风险。一般逆规范化只会提高数据库查询性能或提升用户安全操作。原因：
① 提前组合来自多个其他表的数据，以避免代价高昂的运行时连接。
② 创建更小的、预先过滤的数据副本，以减少昂贵的运行时计算和/或大型表的扫描。
③ 预先计算和存储昂贵的数据计算结果，以避免运行时系统资源竞争。在维度建模中，常称为折 叠、合并。
如果每个维度都被折叠为一个结构，生成的数据模型称为星型模型，如果维度没有被折叠，则生成的模型为雪花模型。
规范化（Normalization）:是运用规则将复杂的业务转化为规范的数据结构的过程。目标是保证每个属性只在一个位置出现，以消除冗余或冗余导致的不一致性。规范化规则根据主键和外键整理属性。规范化规则可归类到不同规范层次，对每一个层次可应用更细的方式和规范性来搜索正确的主键和外键。每个级别由一个独立的范式组成，并且每个相继级别不需要包含以前的级别。通常要求达到第三范式即可。平时 BCNF、4NF、5NF 少见。
第一范式 1NF：每个实体都有一个有效的主键，每个属性都依赖于主键。
第二范式 2NF：每个实体都有最小的主键，每个属性都依赖于完整的主键。
第三范式 3NF：每一实体都没有隐藏的主键，属性都不依赖于键值外的任何属性（仅依赖于完整的主键）。模型的规范化通常要求达到第三范式。
Boyce/Codd 范式（BCNF）：解决交叉的复合候选键问题。候选键是主键或备用键。
第四范式 4NF：将所有三元关系分解为二元关系，直到这些关系不可再分。
第五范式 5NF：将实体内部的依赖关系分解为二元关系，所有联结依赖部分主键。
抽象化：将细节移除，在更大情况下扩展适用性，同时保留概念或主题的本质属性。
泛化：将实体公共属性和关系分组为超类实体。
特化：将实体中的分区属性分类为子类实体，通常基于实体实例中的属性值。超类也可以使用角色或分类创建子类，将实体的实例按功能分离到组中。子类关系意味着超类的所有属性都被子类继承，可以减少冗余。
数据建模和设计质量管理：数据模型和数据库设计应是组织短期需求和长期需求之间的合理平衡。主要有：
开发数据建模和设计标准。
评审数据模型及数据库设计质量。
管理数据模型版本与集成。
度量指标：使用数据模型计分卡，提供了对模型质量的总体评估方法，并明确指出了针对模型的改进方案。
数字化转型网数据专题包含哪些内容
数字化转型网数据专题将关注数据治理、数据质量管理、数据架构、主数据管理、数据仓库、元数据管理、数据备份、数据挖掘、数据分析、数据安全、大数据、数据合规、等数据相关全产业链相关环节。
数字化转型网数据专题包含：
1、数据相关外脑支持：100+数据相关专家、100+数据实践者、1000+相关资料
2、数据研习社：与全球数据相关专家、实践者共同探讨相关问题，推动产业发展！
3、国际认证培训：目前已引进DAMA国际认证CDMP，其他国内外认证也在逐步引进中
4、典型案例参考：与数字化转型网数据要素X研习社社员一起学习典型案例，共探企业数据落地应用
