“概念模型”、“逻辑模型”，和“物理模型”之间的区别

引言：

数据模型是数字化应用设计过程中非常重要的技术要素，通过数据模型可以提高企业各方沟通效率，实现数字化项目落地的规范性和架构统一性。数据模型分为三个层级，抽象程度上由高到低依次是概念数据模型（Concept Data Model，CDM）、逻辑数据模型（Logical Data Model，LDM），和物理数据模型（Physical Data Model，PDM）。低抽象程度的数据模型是在高抽象程度的数据模型基础之上的具体内容细化，提供了更丰富的数据需求信息。

其中，概念数据模型和逻辑数据模型是需求分析活动的产物，而物理数据模型是技术产品设计的产物。

原文链接：终于搞懂！“概念模型”、“逻辑模型”，和“物理模型”之间的区别https://mp.weixin.qq.com/s?__biz=MzA4NjI3MjI5Mw==&mid=2650216523&idx=1&sn=6a10778957c2e543b01e3210deb85a52&chksm=87c88801b0bf011725858902d74202a26c6f5590538a0afb011658cb0f6ba3299def3fa7c65d&token=1009248179&lang=zh_CN#rd

1. 概念数据模型

概念数据模型是对数据需求进行定义的基础，其目的是确定业务背景和业务涉及到的主题边界。从数字化架构的角度上来说，概念数据模型对应于企业的业务架构，指导IT项目的需求梳理和技术方案设计。

在概念数据模型中需要指定一系列相关主题域以及主题域涉及的关键业务实体。

概念数据模型还需要对实体与实体之间的关系进行定义和描述。概念数据模型一般是企业级的通用模型，不局限于某个具体的业务应用，但是为应用级别的数据模型定义提供重要的上下文信息参考。

对于数据应用的设计人员来说，数据建模需要从概念数据模型开始来了解业务逻辑并明确实际应用需求。

2. 逻辑数据模型

逻辑数据模型是基于概念数据模型更加详细的数据模型，通常与具体的业务应用场景密切相关。从数字化架构的角度上来说，逻辑数据模型对应于企业的应用架构。

逻辑数据模型在概念数据模型基础之上添加了属性要素，对业务活动、业务逻辑、业务规则进行了更加清晰明确的定义，为业务需求提供明确的定义和表示。

逻辑数据模型分为关系型逻辑数据模型和维度型逻辑数据模型，当面向具体技术应用的开发工作，前者主要提供过程型设计知识，后者提供框架型设计知识。

从信息系统的角度来说，关系型逻辑数据模型主要支撑信息化系统建设，提供“业务数据化”的能力，维度型逻辑数据模型主要支撑数字化系统建设，提供“数据业务化”的能力。

3. 物理数据模型

物理数据模型是针对逻辑模型的进一步细化，属于基于给定需求的设计阶段产物。

针对同一逻辑数据模型，在不同的技术环境和产品需求下，可以存在不同的物理模型实现方式。从数字化架构的角度上来说，物理数据模型对应于企业的技术架构。

物理数据模型融合了最终技术选型的想法，是最为详细、具体的数据应用解决方案。物理数据模型可以作为“软件规格说明”的关键部分，直接指导企业数字化系统的开发实施。

物理数据模型体现了工程上的设计思想，需要结合技术产品服务能力上的客观约束，例如对于提高检索性能方面的需求，通常需要采用“逆范式化”的数据库表设计思想。

4. 三类模型之间的转化关系

在软件开发活动中，有正向工程和逆向工程两个重要的概念。这两个过程涉及到三类数据模型之间的形态转化。

其中，正向工程是指从需求到数字应用建设的过程，而逆向工程是指从当前的数字应用反推背后的业务逻辑的过程。在正向工程中，首先要梳理业务体系的概念数据模型，然后根据具体应用需求定义面向服务的逻辑数据模型，最后结合开发产品的功能形态设计相应的物理数据模型。

逆向工程中则遵循上述相反的实践过程。

欢迎关注微信公众号：大话数字化转型（dataminingxmz）了解更多数据应用前沿技术、方法与实践。