什么是数据架构

数据架构是对企业数据资产的整体规划与结构化设计，通过数据分层、标准规范、主题域划分，构建统一、规范、可复用的数据基础，支撑上层分析、应用与模型运行。

数据架构建模与本体建模的区别

• 传统架构：如果你要分析一家航空公司的运营，你会看到 flight_log_table，passenger_id_mapping，maintenance_codes 等表格。业务人员看不懂，需要数据分析师翻译。
• 本体：你直接看到的是“飞机”这个对象。它不仅包含数据库里的静态信息（型号、制造年份），还聚合了来自不同系统的动态信息（当前位置、传感器实时温度、未处理的维修工单）。它是现实实体的数字孪生 (Digital Twin)。

特性	传统数据建模 (Traditional Data Modeling)	本体建模 (Ontology Modeling)
基本单元	表 (Table)、行 (Row)、列 (Column)	对象 (Object)、属性 (Property)、链接 (Link)
核心逻辑	以技术为中心：关注范式（3NF）、主外键、存储效率、查询性能。	以业务为中心：关注现实世界的实体（如“飞机”、“客户”、“订单”）及其关系。
数据流向	单向 (Read-only)：从源系统抽取 -> 转换 -> 展现 (Dashboard)。主要用于“看”数据。	双向 (Read-Write/Action)：不仅展示数据，还允许用户直接在对象上触发行动 (Action) 并回写系统。
关联方式	Join (连接)：基于字段（如 ID）的刚性连接，跨表查询复杂。	Link (关系图谱)：基于语义的动态连接，可以轻松遍历（如：找出该客户->的所有订单->涉及的产品）。
主要产出	报表 (Reports)、仪表盘 (Dashboards)。	应用程序 (Apps)、操作视图 (Operational Views)、模拟 (Simulations)。

适用场景

场景一：适合使用“传统数据建模” (Data Warehouse / Lakehouse)

当你的目标是标准化报告、历史趋势分析和聚合统计时，传统建模是首选。

• 财务月结与合规报告：需要精确、不可变的快照数据，格式固定（如资产负债表）。
• 高管仪表盘 (BI)：查看全公司的 KPI，如“过去五年的年复合增长率”。
• 大规模离线挖掘：例如训练一个通用的推荐算法模型，需要吞吐大量的日志数据。
• 静态记录查询：查询历史交易流水。

场景二：适合使用“本体建模” (Ontology Modeling)

当你的目标是优化一线运营、处理复杂突发事件和跨系统协同时，本体建模是必需的。

• 供应链中断管理：

  • 情况：供应商工厂着火了。
  • 本体优势：你能瞬间在地图上看到该工厂关联的所有“原材料”对象，这些原材料链接到的所有“生产计划”对象，以及受影响的“最终客户”对象。你可以直接在系统里模拟“如果切换供应商，成本和交付时间会变成多少”，并直接下达指令。

• 全渠道反欺诈/反洗钱 (AML)：

  • 情况：发现一个可疑转账。
  • 本体优势：通过链接分析（Graph），瞬间展示该账户关联的设备、IP、以及仅仅是有过一次共同转账记录的其他嫌疑人。调查员可以直接在图谱上标记“冻结”，并同步给银行核心系统。

名称解释

名称	含义或作用
数据架构（Data Architecture）	百度胜算中承载“主题域、数据标准、数据建模、数据指标”的应用壳层。
元数据 （Catalog）	百度胜算的逻辑目录（等价于 EDAP“数据库”的上层映射），统一到工作空间数据源。
物化	将模型结果生成底层引擎的物理表（Doris 或 Iceberg）。
内部表/外部表	内部表由引擎管理数据文件；外部表仅注册元数据，数据文件外部维护。
数据架构产出物	通过数据架构应用，添加和编辑如“主题域”，“数据标准”，“数据建模”，“数据指标”生成的物理文件内容，应该包括如下 3 部分内容： 逻辑建模的资产，详情看下面的示例。 物化后的 Schema SQL 的资产。 基于物化后的表生成的数据资产。 产出物单独应用管理，不对用户可见。未来可支持批量导出。

使用流程

角色	工作内容（端到端）
业务部门	提需求 → 查看指标与资产结果，验证是否满足业务场景
数据中台部门	构建主题域 → 建模 → 物化表 → 定义指标并发布到平台