随着数据治理在发现数据价值和企业管理中的应用，企业对数据管理产品的要求越来越高。当前主要的问题是数据治理工具的不能很好的渗入企业常规生产中，帮助各部门提高企业实际效率，不能非常显示的发挥出数据治理的价值，这是数据治理工作最痛的点之一。另一方面，实施数据治理也面临工作枯燥繁琐，实施成本高的痛点。
Datablau始终具有让数据治理工作落地发挥价值的使命感，让数据治理团队的实施工作变得轻松，并且感受到价值感和成就感，这一直是我们产品研发致力于的目标。那么如何达到这些目标呢？随着Datablau 3.5版本的发布，让我来和大家汇报一下我们的最新进展。
Datablau 3.5版本主要有如下亮点功能：
新版本上线，数据变更报告一键发送下游
▔
在整个数据治理的实施过程中，梳理各系统的数据流动关系是对企业数据治理的一项重要内容，这个过程通常叫数据血缘和影响追朔。坦率的说血缘的梳理是比较重的一项工作，需要付出很大的人力物力，然而现实中我见到的案例中，数据血缘的查看率都是很低的。这里边我认为其中一个原因是需要变更的人是开发部门，如果变更依赖于人工录入，使得理论可行的事情变得实际不可行。
Datablau DDM + DAM通过自动化解决这个问题。DDM是一款模型设计工具，可以自动比较发现数据版本发布时，与上一个发布版本的差异报告，这时通过于DAM的血缘系统的整合，一键即可查出下游影响，并发布变更邮件。
我们看到此功能秉承DataOps理念，大大减少了使用成本，提高团队协作能力，缩短了上下游同步发布的周期。其操作步骤如下：
先找到基线版本，然后打开当前版本模型，比较工具会自动比较出变更部分。
然后点击影响分析，工具会自动查询数据血缘系统，将每一个字段的后续影响全部列出。通过右键菜单一键发送通知邮件给影响到的系统负责人。
数据库版本和基线差异增量自动发现
▔
在我们企业里有很多系统，这些系统的发布更新周期各不相同，同时，它们的部署模式也不同，对于一些大型组织，会有一套系统部署若干套的情况。所以如果能自动监控跟踪数据库变更记录是很有帮助的。
Datablau DAM提供了两种维度的变更发现和监管。
一是纵向自我变化，就是发现数据库的CRUD的历史。
二是发现与基线的变更记录，一个系统上线的基线版本后，各个部署与基线之间的差异，可以管理各个分中心对基线版本的二次开发所造成的结构变化，评估新版本的上线难度。
分布式数据质量检测引擎
▔
新版本提供了一个成熟的治理管理功能，从质量业务规则到技术规则，再到检测任务和修复任务，管理了企业大部分的质量问题活动。
对于企业的大数据量的数据集，会有一个质量检测的性能问题，我们创新的开发了分布式数据质量检测引擎，它提供了实时热部署Agent的能力，将大的检测任务平衡到网络的其他节点上去，确保质量任务负载和按时完成。
同时，对于质量检测能力上，也提供了可编程级的检测能力，可以对跨库，跨表，跨数据结构的数据，进行更高级更灵活的质量核检，而这无需像其他软件一下重新打包，只需直接编写脚本。
DAM平台的质量控制平台进入到国际领先水平。
数据架构和概念模型的支持
▔
新版本支持了企业级逻辑模型，增强了Subtype类型的设计能力，支持了不同类型的模型转换，比如可以支持从MySQL到Hive的转换，这对于大数据团队批量产生ODS和ETL的代码是很有帮助的。
新版本支持导入GBase, PostgreSQL数据库，支持导入Sparx EA和Arise等数据架构软件设计的模型。对于有志于数据治理顶层设计和企业级架构的同事，这是一个可以直接落地数据架构到物理数据的功能。
上文是3.5版本的部分重要功能，您可以联系我们获得全部产品的功能信息。
总结
▔
通过使用我们产品，可以将数据治理的价值向后延伸到开发团队开发设计，向前推进到业务部门使用分析，真正起到改善企业数据质量，提高数据使用能力的作用。同时，通过对数据架构的梳理，可以了解企业级的全业务模型，了解各系统的数据架构和主要业务，最终为职业走向数据治理专家奠定扎实的基础。目前数据治理专家也是各大企业急需的人才，Datablau将为有志于此的数据治理人提供一条可行路径。
———— / END / ————
感谢阅读，欢迎留下评论及个人见解！
朱金宝 CTO
前ERwin总架构师,10年ERwin研发经验. 负责产品全生命周期的发布，丰富产品发布和架构设计经验，多个大数据建模专利所有者和技术文章作者。
