需求痛点
数据字典缺乏管理
生产库中存在大量同名不同义、同义不同名、冗余字段和表，直接影响对数据的识别和应用。
数据模型变更审批缺乏评审
对不同系统的数据模型，在变更时从数据设计、业务合理性、数据治理等方面缺乏综合性评审。
数据标准落地没有抓手
不同的系统由不同的开发厂商建设，导致数据标准不一，造成数据模型的质量参差不齐，难以落标和考核。
数据架构缺乏管理
缺少企业数据模型统一视图，无法做模型的合理性分析和规划。模型管理工具不一致或缺乏，有存在版权法律风险问题。
解决方案
使用 Datablau DDM 模型管控工具，打通模型设计和数据标准的场景，实现数据标准一键落地。
通过对关系型、NoSQL、ERP数据源的数据模型自动抽取，建立模型库，统一模型存储，沉淀全企业的数据模型资产，帮助企业理解和管理数据孤岛。
通过模型在线服务，包括模型在线查看、编辑等，实现模型开发者多人协同工作，进行元数据融合，实现开发，设计，生产一体化，提高并作效率。
模型管理者在web端进行查询与分析，进行模型质量和落标的审核，从源端上控制企业增量的数据质量问题，实现数据资产的自动化盘点。
通用应用场景
场景一：应用和中台的一体化建模体系
场景二：全面管理和升级模型数据资产
通过对数据中台模型的管理，实现从孤井式的代码开发，到模型驱动的代码开发阶段的转变。实现了模型驱动的数据模型资产化，开发过程可审查，代码质量可靠性等转变，使中台成为企业数据资产的沉淀和发布中心，进而形成行业模型的影响力。
场景三：数据中台(仓库)的建模体系和规范
场景四：实现数据模型设计和开发平台一体化
实现数据治理从源头开始的突破，开发态、生产态、测试态数据建模统一标准统一管理。
场景五：元数据管控与模型管控联动实现
基于Datablau DAM的元数据库和模型库，应用模型自动比较引擎功能，将模型库中设计态模型与元数据库中运行态模型进行比对，获取模型差异，及时发现“模型两张皮”情况，并通知相关方处理“两态模型”不一致问题。
价值效益
TP&AP一体化
形成企业级数据模型资产，模型共建共享。数据字典充足率可达到 100%
自动化脚本投产
将数据模型管理纳入开发投产的统一管理中，数据脚本出错率降低 80%
数据标准落地
在数据模型设计中体现数据标准，逐步实现引标落标，根据我们的经验，数据标准落标率核心系统可以提高到 90% 以上
涉及产品模块
