【数据建模】2023 年数据建模趋势：回顾

数据建模，即绘制数据架构图和使核心业务规则与数据定义保持一致的实践，将在 2023 年进行更新。组织将评估和改造其描述分布式数据管理系统的数据结构。 此外，管理人员和项目团队将使用数据模型通过其数据资产优化业务流程，并分配资源以实现这些目标。

根据 2022 年数据管理趋势报告，许多企业已经在使用数据模型——接近 52%。 然而，许多公司仍在努力应对数据管理。

IDC 报告称，60% 的组织希望以数字方式增强产品、服务和客户体验。 此外，公司计划增加数字活动的支出。 然而，随着业务成本的持续上升，公司将机智地将其 IT 支出分配给建模。 因此，数据建模将专注于高影响力的活动，以更少的成本获得更多的收益。 为此，数据建模将在 2023 年围绕以下七大趋势展开：

• 利用人工智能工程
• 识别对现有数据模型的更改
• 进行模型驱动开发
• 大数据建模
• 采用小而宽的数据模型
• 在正式管理数据资产的数据治理中发挥越来越大的作用
• 投资于灵活且可扩展的数据建模工具

利用人工智能工程

人工智能 (AI) 工程将通过处理更多的操作并提供对数据流和映射的洞察力，在重塑数据建模方面发挥更重要的作用。 通过承担平凡而繁琐的建模任务，AI 将解放数据建模人员，使其能够进行更多以业务为中心的建模。 因此，数据建模人员将更快地创建业务问题和机会的相关定义、关系和概念。

人工智能在修改过时的数据模型和更快地建议对数据模型进行更改方面的改进将推动客户参与。 此外，他们将找出原因，并比竞争对手有更好的洞察力。

到 2023 年，人工智能系统的数据建模也将通过自适应人工智能得到改善。 人工智能系统将不断发展，以更好地实施其建模方法以产生洞察力。

自适应人工智能工程将为高效数据移动提供更多见解，灵活调整数据模型以响应数据管道中的阻塞和开放。 公司将尽可能多地利用人工智能工程来促进他们的建模目标。

识别现有数据模型的变化

识别和理解数据建模如何通过时间序列数据库发生变化将在 2023 年变得更加突出。时间序列数据库帮助分析师和数据建模人员识别数据表示中的模式以了解信息上下文。 因此，数据建模人员根据时间窗口更新他们的图表，以促进数据流和处理。

例如，美国人口普查局承认对其月度和季度数据进行必要的季节性调整。 此外，为了了解数据模型需要如何更改以进行更好的分析，人口普查局计划使用每日和每周时间序列数据库。 这些工具将更好地过滤和预测数据变化。 人口普查局计划在 2023 年及以后的时间序列和季节性倡议的基础上进行建设。

随着 2023 年的到来，公司将越来越多地利用时间序列数据库来进行更多的实时建模。 此外，人工智能驱动的功能将使用时间序列来建议数据模型需要如何随着业务环境而发展。

进行模型驱动开发

数据建模活动将在产品创建和增强过程中发挥越来越大的作用。 因此，更多的公司将使用模型驱动开发，这是一种建模和重构数据以及实际代码和数据可交付成果的过程。

模型驱动开发与公司的迭代过程配合得很好，专注于快速开发。 数据建模将随着软件平台的成熟而适应，并采用实时和不断增长的数据观点。

数据建模审查和更新将随着产品功能请求而发生和发展。 作为更改数据图表的一部分，建模组件将得到重用，鼓励在创建数据模型时采用模块化方法。 这一趋势遵循 Gartner 的预测，即可组合数据和分析的模块化结构将在 2023 年及以后增长。

大数据建模

拥有更丰富资源的大公司将更新他们的大数据模型，更有效地连接不同的系统。 Thomas C. Redman 指出，公司必须考虑他们的整个大数据基础设施，在孤立的信息之上、周围和通过孤立的信息工作。

因此，数据建模人员将扩展现有图表，显示从摄取到消费的数据流。 数据建模将发生转变，在定义数据供应链方面发挥主导作用。

这些重新定位的大数据模型将描述现有数据湖、数据仓库、云计算和其他系统之间的数据流程。 大数据模型看起来就像工厂车间，数据从一个包装站转移到另一个包装站。

大数据建模将重点从数据库设计转移到数据生态系统建设。 鉴于对大数据进行建模的大量任务，资源较少的公司将使用来自规模更大、更成熟的公司的数据即服务 (DaaS) 产品。

采用小而宽的数据模型

到 2023 年，许多公司将无法进行大数据建模。 他们将转向小型和广泛的数据模型，这是一种需要更少数据但提供更多洞察力的强大替代方案。 根据 Denodo 首席营销官 Ravi Shankar 的说法：

“组织将利用小数据分析为其个人客户创造超个性化体验，以在短时间内了解客户对特定产品或服务的看法。”

通过小型和广泛的建模，企业专注于扩展现有功能和数据模型。 用例包括零售需求预测、客户体验改善、物理安全和欺诈检测。 小型和广泛的数据建模者采用现有图表并为新目标更新数据组件。

Gartner 预测，到 2025 年，70% 的公司将把重点从大数据转移到小而广的数据上。这种采用小而广的数据的上升趋势并不令人意外。 在我们上述 2022 年数据管理调查的参与者中，只有 15.54% 实施了大数据生态系统技术。

在数据治理中发挥越来越大的作用

到 2023 年，数据建模将增加其在数据治理团队中的作用。随着组织将孤立的信息拼凑在一起并消除对不同数据管理方法的分歧，数据治理将转向数据模型作为一种有效的手段。

数据建模者将基于现有的关于组织数据的一般性和抽象概念。 例如，数据治理团队可以查看哪些数据存储组件是分析和更新现有物理模型的最佳选择。

一旦数据治理委员会同意描述核心数据概念和定义，他们就可以使用建模来跟踪它们的一致性。 然后，数据治理团队将进一步刷新数据模型，处理其他数据定义或关系，或指导服务开发以最大程度地影响业务。

数据建模工具

随着公司弄清楚如何优化业务流程，在 2023 年寻找最佳建模工具的重要性将增加。 这种趋势将鼓励公司淘汰那些专注于旧技术的建模工具，转而支持服务于新目标的建模工具。

利用人工智能和自动执行日常任务的数据建模工具对公司很有吸引力。 然而，一种使用 AI 进行建模的工具可能不是处理小数据和大数据的好选择。 选择建模工具在很大程度上取决于组织的需求。

结论

2023 年，数据建模将描述多个组织平台和系统，构成数据结构。 这种数据建模将更新旧的可视化数据资产的方法。