全业务运营环境下的企业数据资产管理

企业数据资产管理面临的挑战

随着电信行业重组的完成和3G牌照的发放，全业务运营的时代已经到来。日趋激烈的市场竞争环境和复杂的运营环境对运营支撑系统提出了新的挑战，传统的被动支撑业务需求、按照业务专业分散建设的模式已经无法适应全业务的运营环境，运营支撑系统的总体发展趋势是建立一个融合、协同的运营支撑环境：基于企业的核心数据资源，通过企业信息集成为不同的应用功能提供所需的信息，应用功能之间通过企业应用集成、流程集成实现协同工作，通过统一的接入平台，为系统的不同使用者提供所需的业务应用，从而形成了一个协同的工作环境。这样一个融合、协同的运营支撑环境需要实现几个关键的能力：第一，对数据资源的整合、共享和有效管控能力；第二，应用的协同管理能力；第三，对端到端流程贯穿支撑的能力。其中第一个能力是基础，也是本文探讨的重点。

基于核心数据资源的融合、协同的全业务运营支撑环境

电信运营企业在业务处理、运营管理过程中产生了海量的数据，这些数据在整个企业运营过程中起着十分重要的作用。数据可以转化为信息，满足企业各级业务、管理人员了解企业运营状况的需求；通过一定的分析、挖掘手段，从海量的数据中提取很多隐含的知识和规律，使得企业管理人员能够更深入地认识和把握企业、市场、客户发展的规律，将这些知识反馈并运用于业务运营过程中，用来指导营销策略的制定、运营流程的优化、管理流程的改进等等各方面，可以极大的提高运营效率、针对性营销和快速的市场认知和反应能力。

但是，任何资产或资源，必须要进行有效的管理，保证其质量，才能真正实现其价值，对于数据资产来说更是如此，分散无序的、低质量的、错误的数据是没有多少价值的，甚至会给运营管理带来负面作用。在3G时代的全业务运营环境下，业务的竞争将不断趋于同质化，运营效率、营销、快速的市场认知和反应能力等将成为竞争的关键要素，因此，能够帮助企业提升这些关键竞争要素的数据资产管理能力，将成为企业的核心竞争力之一。

对于数据资产的管理，我们目前更多的关注于数据整合、共享和应用层面的事情，但对于产生、管理这些数据的模型层面的管理则相对关注较少，这使我们难以真正有效的去管理数据。为了进一步理解模型管理的重要性，我们可以参照OMG关于元数据或模型管理的框架MOF（Meta Object Facility），MOF框架是OMG关于软件系统建模的标准，它是一个四层的体系架构，包括：

M0层：数据(data)层，或对象层，包括IT系统中的数据、对象或系统功能。

M1层：元数据(metadata)层，或者称为模型(model)层，是描述数据的数据或模型，这里说的模型，不仅是指我们通常所说的数据模型，还包括了功能模型、流程模型、业务规则、业务策略模型等。

M2层：元元数据(meta-metadata)层，或者称为元模型(metamodel)层，是定义元数据的元数据，或描述模型的模型。

M3层：元元模型(meta-meta model)层，依此类推，它是指描述元模型的模型。

OMG元数据/模型体系架构（MOF）

在MOF架构中，从最底下一层的数据、对象开始，每一层中的元素都由其上层的模型对其进行描述并约束，上层模型必然会影响甚至决定了下层模型（或数据）的质量。如果没有管理好元模型，就很难保证所设计的模型是高质量的。同样，模型决定了企业数据的生命周期，驱动数据的产生、变更和消亡，如果没有对模型进行有效的管控，保证模型的质量，就很难真正有效的管理数据，从根本上解决数据层面的问题。

对于模型的管控，目前还没有引起足够的重视，面临很多的问题，最突出的就是"模型孤岛"所带来的一系列问题。在运营支撑系统建设过程中，我们管理了需求模型、数据模型、功能模型以及业务规则、业务策略模型等各种类型的模型，管理了企业级的总体模型和不同系统的系统级模型，管理了概念层、逻辑层、物理实现层模型等不同层次的模型。面对如此多的模型，目前我们采用了不同的工具来进行设计和管理，每个模型有各自的输出，它们是完全分离的，之间没有建立任何联系，这种现象我们称之为"模型孤岛"。

这样的模型孤岛带来了很多问题，比如：

●　分散、本地化的的管理和设计环境，导致模型的设计效率很低，无法实现模型共享和集成，不同层次的模型很难无缝衔接起来，容易导致模型信息的重复、不一致、不完整，无法保证模型输出的质量。

●　无法实现企业的建模方法论和模型管理框架与工具的结合，容易导致系统的分析设计开发与目标的偏离，缺乏对模型开发过程的指导、管控和约束。

●　模型之间缺乏应有的联系，使模型纵向的追溯及影响、血统分析以及横向模型间的互相验证等工作变得十分困难。

●　难以实现模型版本的有效管理，更谈不上对模型生命周期过程的管理。

大唐集成模型管控开发环境解决方案

为了帮助电信运营企业应对模型孤岛带来的各种纷繁复杂问题，实现企业数据资产的持续有效管理，大唐电信旗下大唐软件基于十多年运营支撑系统的建设经验以及雄厚的技术力量，提供了一个完整的集成的企业模型管控开发环境解决方案。

大唐集成模型管控开发环境（IMDE）首先建立了企业统一模型信息库，集中管理企业所有的各种类型、各个系统、各个层次的模型。同时提供了模型管理的各种应用功能，包括：

●　元模型管理功能，为企业模型架构管理提供支撑，预定义了运营支撑系统相关的各种模型元素和管理框架，并且可以根据需要进行扩展；

●　模型管理功能，提供人性化的模型编辑开发管理界面，同时包括了模型关系与上下文的管理、模型的导入导出管理、模型版本与生命周期管理、模型验证与评审及模型视图管理等功能；

●　模型应用功能，基于共享统一的模型库，提供模型的比较、分析、映射、转换和监控等应用。

集成的模型管控开发环境

大唐集成模型管控开发环境（IMDE）可以有效解决模型孤岛带来的各种问题，为企业数据资产管理提供一个高效、智能的平台和环境。IMDE具有以下优势：

首先，统一的模型信息库和集成的模型管控环境，可以保证模型信息的一致性和完整性，实现模型信息的复用和共享。IMDE将企业建模方法论和模型管理框架有机结合起来，可以约束并且指导系统的分析、设计和开发过程。支持自动建立模型纵向和横向的关系，实现模型的可追溯、互相验证。

其次，IMDE是一个高效的模型开发环境，可以提高模型的可管理性和开发效率。支持多人协同实时进行模型开发并自动完成集成。在版本管理方面，在原来分散的模型开发环境中只能通过借助其他版本管理工具（如VSS）对模型进行文件级的版本管理，而在IMDE中实现了模型元素级别的版本管理，比如对单个实体的版本管理。另外，IMDE还提供了和现有建模工具导入/导出接口，充分利用既有的模型设计成果。

第三，实现对多版本模型的完整生命周期管理，支持真正的数据与应用分离。IMDE可以管理每个版本模型的完整生命周期，允许多版本模型并存支持新旧版本模型的映射和数据的自动转换。这一点对于数据与应用分离来说是十分关键的，当企业数据模型需要演进的时候，在整个运营支撑体系之内有一些使用这些数据的应用可能还不具备演进的条件，这些应用就可以继续使用原来旧版本的模型（这个版本模型的生命周期还没有结束），新的应用则使用新版本的模型，直到所有应用都演进到使用新版本模型后，旧版本模型的生命周期才结束。    最后，提供了多种基于统一共享模型的应用，包括模型的影响分析、血统分析、存储分析和模型比较、模型监控。影响分析可以帮助我们定位某个模型的变动会影响其他哪些模型；血统分析可以告诉我们某个模型是怎么来的、产生的过程是什么样的；存储分析提供数据模型相关的数据存储空间及增长趋势的分析；模型比较可以提供多系统间或者系统级和企业级模型间的差异分析，为后续处理提供依据；模型监控提供了对数据模型在实际数据库中落地实现情况的监控。

基于模型管控的数据质量管理解决方案

数据质量管理闭环过程

大唐软件基于对数据质量管理理念和流程的理解，结合集成模型管控开发环境解决方案，提供了体系化的数据质量管理解决方案。大唐数据质量管理支撑体系解决方案主要内容包括：

一、数据质量质量管理目标定义，包括总体目标和阶段目标定义，以及质量管理计划和评估指标制定。

二、质量问题发现与度量，基于数据模型和业务规则模型，找出可能存在的数据质量问题域，针对问题域定义相应的检查规则，基于规则进行数据质量检查，发现数据质量问题。

三、问题分析，发现数据质量问题以后，对问题进行分析，输出相应的解决方案。数据质量的解决方案既包括对问题数据自身的调整，同时也包括对产生质量问题的数据模型和功能模型的改进方案。

四、问题解决与确认，对于数据本身的问题，驱动产生问题数据的源系统进行解决，对于数据模型和功能模型的改进，借助集成模型管控开发环境进行解决，最后在数据质量管理平台对质量问题的解决统一进行确认。

五、问题评估与控制，对数据质量问题及质量改进情况进行评估，总结经验，不断优化质量检查规则、质量管理流程、质量解决方案，实现数据质量的持续控制。

大唐数据质量管理支撑体系具有以下特色：

一、基于业务规则管理（BRM）技术实现数据质量问题检查与数据归并规则的灵活配置和自动解析执行，实现了相关规则的良好扩展性。

二、基于业务流程管理（BPM）技术实现灵活可配置的数据质量流程管理，实现数据质量管理流程的定义、调度、执行和监控，满足对不同类型数据质量管理流程的适应。

三、与集成模型管控开发环境充分互动，使数据质量管理更加有效、可实施。借助IMDE提供的模型元素之间的关联、依赖关系和各种约束规则，功能数据控制模型以及模型的影响、血统分析、模型比较、监控结果，可以快速定位可能存在数据质量问题的检查点并设定相应的检查规则，可以更有针对性的进行问题分析和解决方案制定。借助IMDE的模型生命周期管理，可以更加有效的改进数据模型和功能模型，实现数据质量的持续完善。