《DAMA-DMBOK2》全书学习资料（按章拆解）

该思维导图《DAMADMBOK2》全书学习资料按章拆解，涵盖第1至17章，从数据管理、数据处理伦理、数据治理到数据管理和组织变革管理每章均含核心概念、学习重点与章节定位，适合系统学习数据管理知识体系。思维导图将每一章细分小节的知识点逐一拆解罗列，串联起从基础理论架构、存储安全管控，延伸至数据分析落地、质量管控以及组织建设的完整知识链条，兼顾数据管理理论知识与业务实操内容，无论备考 CDMP 数据管理认证的考生，还是从事数据治理相关工作想要梳理知识的技术从业者都可以用来复习。

《DAMA-DMBOK2》全书学习资料（按章拆解）

• 第1章 数据管理
  • 章节定位：
    • 全书总纲，定义“数据管理是什么、为什么、整体框架是什么”。
  • 学习重点
    • 数据 ≠ 信息；
      • 数据被称为“信息的原材料”
      • 信息则被称为“在上下文语境中的数据”
      • 数据和信息都需要被管理；
    • 数据是一种组织资产
      • 资产是一种经济资源，能被拥有或控制、持有或产生价值。
      • 资产可以转化为货币。
      • 组织依靠数据资产做出更高效的决定，并拥有更高效的运营
        • 企业运用数据去理解他们的客户，创造出新的产品和服务，并通过削减成本和控制风险的手段来提高运营效率。
        • 政府代理机构、教育机构以及非营利组织也需要高质量的数据来指导他们的运营、战术和战略活动
      • “数据驱动”
        • 认识到必须通过业务领导和技术专业知识的合作关系
        • 以专业的规则高效地管理数据
    • 数据管理的 12 条原则
      • （1）数据是有独特属性的资产
      • （2）数据的价值可以用经济术语来表示
      • （3）管理数据意味着对数据的质量管理
      • （4）管理数据需要元数据
      • （5）数据管理需要规划
      • （6）数据管理须驱动信息技术决策
      • （7）数据管理是跨职能的工作
      • （8）数据管理需要企业级视角
      • （9）数据管理需要多角度思考
      • （10）数据管理需要全生命周期的管理，不同类型数据有不同的生命周期特征
      • （11）数据管理需要纳入与数据相关的风险
      • （12）有效的数据管理需要领导层承担责任
    • 数据管理面临的挑战 （价值难量化、质量、元数据、跨职能、风险）
      • 1. 数据与其他资产的区别
        • 无形、不磨损、不消耗
        • 可复制、可同时多人使用
        • 丢失/销毁后难重建
        • 用一次还会“生新数据”
        • 导致：所有权难定、价值难估、冗余难控、质量标准难定
      • 2. 数据价值
        • 没有统一计价标准
        • 价值 = 成本节约 + 风险降低 + 业务收益 + 创新收入
        • 上下文相关、随时间变化
        • 评估维度：获取/存储成本、替换成本、丢失影响、出售价、创新收入
        • 不量化价值 → 就很难做数据管理决策
      • 3. 数据质量
        • 数据管理核心
        • “垃圾进，垃圾出”
        • 低质量成本：返工、效率低下、客户不满、合规罚款、机会成本
        • 高质量收益：体验好、收入增、风险降、竞争优势
        • 质量不是一次性工作，要嵌进流程
      • 4. 数据优化计划
        • 数据不是副产品，要当“产品”管
        • 需要架构 / 模型 / 功能设计
        • 业务 + IT 领导必须协同
        • 挑战：长期战略 vs 短期交付压力
      • 5. 元数据和数据管理
        • 元数据 = “数据的数据”
        • 描述：有什么数据、从哪来、怎么动、谁能看、质量如何
        • 管不好数据的组织，通常也不管元数据
        • 元数据管理是全面数据治理的起点
      • 6. 数据管理是跨职能工作
        • 需要：业务 + 技术 + 建模 + 分析 + 战略
        • 单团队搞不定
        • 挑战：让不同角色朝同一目标协作
      • 7. 建立企业级视角
        • 数据是横向领域，跨销售/营销/运营
        • 各部门对“客户/产品”定义不同
        • 常被当成流程副产品 → 只管眼前
        • 需要数据治理做跨域决策
      • 8. 数据管理需要多角度思考
        • 内部数据 + 外部数据
        • 多国、多行业、合规要求不同
        • 生产者常不考虑使用者
        • 要提前想：用途、风险、误用场景
      • 9. 数据生命周期
        • 创建/获取 → 存储 → 使用 → 共享 → 归档/销毁
        • 还有“数据血缘 / 数据链”
        • 质量、安全、元数据要贯穿全周期
        • 抓关键数据，压 ROT（冗余 / 过时 / 碎片）
      • 10. 不同种类的数据
        • 主数据 / 交易数据 / 参考数据 / 元数据
        • 不同数据类型 → 不同生命周期、不同风险
        • 管理重点：分类 + 控制
      • 11. 数据和风险
        • 数据既是资产，也是风险源
        • 低质量 = 决策错；泄露 = 合规罚
        • 监管：SOX、Solvency II、GDPR
        • 风险不管理 → 股东/客户/监管三方反噬
      • 12. 数据管理和技术
        • 数据管理 ≠ IT 管理
        • 技术为数据战略服务，不是反过来
        • 挑战：新技术诱惑 > 数据本身治理
      • 13. 需要领导力与承诺
        • 数据驱动 ≠ 已有数据战略
        • 很多人：不知有什么数据、混淆数据与 IT
        • 需要 CDO + 高层背书
        • 数据管理是文化变革，不是纯项目
    • 数据管理战略组成
      • 1. 数据战略 （Data Strategy）
        • 本质：一组选择 + 决策 → 实现高层目标的高层行动过程
        • 目的：用信息获得竞争优势、支撑企业目标
        • 来源：必须先懂「业务战略里固有的数据需求」
          • 需要什么数据
          • 如何获取数据
          • 如何管理数据并保证可靠
          • 如何利用数据
        • 关键关系： 业务战略 → 数据需求 → 数据战略 → 数据管理战略
      • 2. 数据管理战略 （Data Management Strategy）
        • 定位：支撑数据战略
        • 目标：保质量、保完整、保访问、保安全，降已知/隐含风险
        • 归属：
          • 拥有/维护：CDO
          • 支持：数据治理委员会
          • 执行：数据管理团队
        • 常见动作：CDO 先起草初版数据战略 + 数据管理战略 → 换高管支持 → 再成立治理委员会
      • 3. 数据管理战略 「10 个组成项」
        • 1. 愿景：令人信服的数据管理愿景
        • 2. 商业案例：为什么值得投人投钱
        • 3. 原则与价值观：指导原则、管理观点
        • 4. 使命与长期目标：做啥、去向哪
        • 5. 成功措施：怎样算成功
        • 6. 短期目标（12–24 个月）：符合 SMART
          • Specific 具体
          • Measurable 可衡量
          • Actionable 可操作
          • Realistic 现实
          • Time-bound 有时间限制
        • 7. 组织与角色：谁负责、谁决策、权责边界
        • 8. 程序组件 + 初始化任务：从哪先动手
        • 9. 优先工作计划：范围明确，不贪大
        • 10. 实施路线图草案：项目 + 行动任务
      • 4. 数据管理战略规划 「3 个可交付成果」
        • 数据管理章程
          • 愿景 / 业务案例 / 目标
          • 指导原则
          • 成功衡量标准
          • 关键成功因素
          • 可识别风险
          • 运营模式
        • 数据管理范围声明
          • 规划目的和目标（通常 3 年）
          • 谁负责：角色 / 组织 / 领导
        • 数据管理实施路线图
          • 特定计划
          • 项目
          • 任务分配
          • 交付里程碑
    • DAMA 框架：
      • 1. 为什么需要框架
        • 数据管理 = 一组相互依赖的功能
        • 要同时看：战略 / 运营、业务 / 技术、风险 / 合规、数据内容 / 数据质量
        • 框架作用：
          • → 建立全局观
          • → 看清组件关系
          • → 定战略、画路线图、组团队、协同职能
      • 2. DAMA 框架的三大组视角
        • 1. 高阶战略视角：战略一致性模型、阿姆斯特丹信息模型
        • 2. 知识领域视角：DAMA 车轮图、环境因素六边形图、语境关系图
        • 3. 关系/演进视角：Aiken 金字塔、Sue Geuens 依赖关系图、车轮图演变
      • 3. 战略一致性模型（SAM）
        • 中心：数据 ↔ 信息
        • 四个战略角：
          • 业务战略
          • IT 战略
          • 组织和流程
          • 信息系统
        • 横轴：业务 / IT 战略
        • 纵轴：战略 / 运营
        • 核心思想：IT 和数据必须对齐业务战略
      • 4. 阿姆斯特丹信息模型（AIM）
        • 9 个单元
        • 关注：规划、架构、策略中间层
        • 两大支柱：信息治理、数据质量
        • 和 SAM 一样：解决“业务—IT—信息”对齐
        • 核心思想：信息治理 + 架构 + 质量​ 是落地底座
      • 5. DAMA-DMBOK 三张核心图
        • 1. DAMA 车轮图
          • 中心：数据治理
          • 外围：11 个知识领域 （架构、建模、存储、安全、集成、文件内容、主/参考数据、数仓BI、元数据、质量、大数据）
          • 含义：治理是总指挥，其他领域环绕协同
        • 2. 环境因素六边形图
          • 中心：目标和原则
          • 六要素：
            • 人员 / 角色职责
            • 过程
            • 技术 / 工具
            • 方法
            • 交付成果
            • 组织和文化
          • 含义：人、流程、技术共同决定数据管理成败
        • 3. 知识领域语境关系图
          • 1. 基础：SIPOC（供给者—输入—活动—交付成果—消费者）
          • 2. 中心：活动
          • 3. 活动分 4 类 PCDO：
            • P 计划：定战略/战术
            • C 控制：保质量、完整、安全、合规
            • D 开发：分析、设计、构建、测试、部署
            • O 运营：使用、维护、增强
          • 4. 组成 12 项：
            • 1. 定义
            • 2. 目标
            • 3. 活动（P/C/D/O）
            • 4. 输入
            • 5. 交付成果
            • 6. 角色和职责
            • 7. 供给者
            • 8. 消费者
            • 9. 参与者
            • 10. 工具
            • 11. 方法
            • 12. 度量指标
          • 5. 含义：每个知识领域都可用“输入 → 活动 → 输出”解剖
      • 6. Aiken 的 DMBOK 金字塔（组织演进路径）
        • 1. 黄金金字塔（分析/挖掘/AI）只是塔尖
        • 2. 四阶段：
          • 1. 买应用：先有数据库、存储、安全、集成
          • 2. 遇质量问题：靠元数据 + 数据架构 + 数据质量
          • 3. 上治理：治理支撑主数据、参考数据、数仓、BI
          • 4. 高级分析：挖掘、预测、数据科学
        • 3. 核心句：没有地基，直接搞 AI/BI 就是空中楼阁
      • 7. DAMA 框架的进化版（依赖关系）
        • Sue Geuens 依赖图：
          • BI / 分析 → 依赖主数据、数仓
          • 主数据 / 数仓 → 依赖系统与应用
          • 系统与应用 → 依赖数据质量、数据设计、集成
          • 最底层基础：治理、元数据、安全、架构、参考数据
        • 数据管理功能框架：
          • 核心：元数据、数据质量、数据架构
          • 生命周期：设计 → 使用 → 增强
          • 上层使用：主数据、文件内容、BI、数据科学、预测分析
          • 新价值：数据货币化
        • 车轮图演变：
          • 治理在外圈监督
          • 生命周期在中间
          • 使用/分析在外层产生新数据和新价值
  • 核心概念
    • 数据管理：为交付、控制、保护并提升数据资产价值，在全生命周期中制订计划、制度、规程并监督执行的过程
    • 数据资产、数据价值、数据生命周期、数据管理原则
    • DAMA 车轮图：数据治理在中心，外围 11 个知识领域
    • 战略一致性模型、阿姆斯特丹信息模型、DMBOK 金字塔
• 第2章 数据处理伦理
  • 章节定位：
    • 数据管理的“道德与合规底线”。
  • 概念
    • 指如何以符合伦理准则的方式获取、存储、管理、使用和销毁数据
    • 违反数据处理伦理准则会导致组织声誉的损失及失去客户，因为它会使那些数据被泄露的人面临风险
  • 学习重点
    • 核心概念
      • 对人的影响
      • 滥用的可能
      • 数据的经济价值
    • 数据伦理准则
      • （1）尊重他人
        • 尊重个人尊严和自主权
      • （2）行善原则
        • 第一，不伤害
        • 第二，将利益最大化、伤害最小化
      • （3）公正
        • 待人公平和公正
      • （4）尊重法律和公众利益
    • 隐私法背后的原则：
      • 通用数据保护条例 GDPR
      • 个人信息保护及电子文件法 PIPEDA
      • 美国联邦贸易委员会 FTC
    • 在线数据的伦理环境
      • 数据所有权
        • 个人数据控制权（社交平台/数据代理）
        • 下游聚合 → 未知深度画像
      • 被遗忘权
        • 删除个人信息
        • 修复网络声誉
        • 属数据保留实践
      • 身份
        • 有权获得身份
        • 有权获得准确身份
        • 有权选择匿名
      • 言论自由
        • 表达观点 ✅
        • 非自由：霸凌 / 煽动恐怖 / 挑衅 / 侮辱 ❌
    • 违背伦理的风险：
      • 1. 时机选择 → 按时间选数据撒谎（市场择时）
      • 2. 可视化误导 → 改比例尺/违背惯例骗人
      • 3. 定义不清/无效比较 → 口径不一/省略背景/过度挖掘
      • 4. 偏见 → 预设结论/预感搜索/片面抽样/文化偏见 → 需透明问责
      • 5. 转换集成 → 血缘不明/质量差/元数据不可靠/无修订历史
      • 6. 混淆修订 → 聚合/标记/脱敏 → 大数据匿名仍可被重新识别
    • 如何建立数据伦理文化
      • 1. 总体要求 → 理解现状/定义行为/编入制度 + 培训监管 + 强领导
      • 2. 评审现状 → 评估伦理影响，记录全生命周期准则
      • 3. 识别原则/实践/风险 → 原则-风险-实践-控制四层结构
      • 4. 制定策略路线图 → 价值观/原则/合规/风险/培训/路线图/审计
      • 5. 社会责任风险模型 → 敏感数据+垄断风险+4箭头模型+举报人保护
    • 概要
  • 核心概念
    • 数据处理伦理：获取、存储、使用、分析、销毁数据时的道德准则
    • 被遗忘权、数据所有权、身份权、在线言论自由
    • 偏见类型：预设结论、片面抽样、文化背景偏见
    • 伦理 ≠ 法律，但伦理是合规的上层约束
• 第3章 数据治理
  • 章节定位：
    • DAMA 车轮图中心，所有知识领域的“立法+监督层”。
  • 学习重点
    • 数据治理 ≠ 数据管理（治理=监督/立法，管理=执行/执法）
    • 数据治理
      • 1. 定义定位
        • 在数据资产管理中行使权力和管控（计划、监控、实施）
        • 核心定位：
          • 指导所有其他数据管理领域的活动
          • 聚焦：如何制定数据决策​ + 人员/流程的行为方式
        • 整体驱动力：
          • 确保组织从数据中获得价值
      • 2. 目标内容
        • 六大目标领域
          • 1. 战略
            • 定义、沟通、驱动数据战略与治理战略执行
          • 2. 制度
            • 设置数据、元数据、访问、使用、安全、质量相关制度
          • 3. 标准与质量
            • 设置和强化数据质量、数据架构标准
          • 4. 监督
            • 观察、审计、纠正（即管理职责 Stewardship）
          • 5. 合规
            • 满足数据相关监管合规要求
          • 6. 问题管理
            • 识别/定义/升级/处理安全、访问、质量、合规、所有权等问题
        • 两大专项
          • 数据管理项目​ → 提升数据管理实践
          • 数据资产估值​ → 设定标准流程，一致定义数据业务价值
      • 3. 成功关键
        • 正式变革管理（OCM）​ + 最高层支持（CRO / CFO / CDO）
        • 文化变革：数据驱动需改变行为，文化挑战是主要障碍
        • 衡量价值：学会衡量数据和数据管理活动的价值
        • 积极传达：改进治理的好处 + 成功必需的行为
      • 4. 语境关系图
        • 输入（部分关键）
          • 业务策略和目标 / IT策略和目标
          • 监管要求 / 数据管理成熟度评估
          • 业务文化评估 / 组织原则和标准
        • 活动（四大过程）
          • 1. 规划组织的数据治理 (P)
            • 就绪评估、与业务对齐、制定组织触点
          • 2. 制定数据治理战略 (P)
            • 运营框架、目标/原则/制度、推动项目、变更/问题管理、合规评估
          • 3. 实施数据治理 (D)
            • 发起标准规程、业务术语表、协调架构团队、数据资产估值
          • 4. 嵌入数据治理 (C/O)
            • 持续控制与运营
        • 交付成果
          • 数据治理策略 / 行动路线图 / 操作框架
          • 业务术语表 / 数据治理计分卡
          • 沟通计划 / 成熟度评估 / 数据治理网站
        • 参与者（角色分类）
          • 领导者
            • CDO、CIO、管理委员会
          • 执行者
            • 数据治理机构、数据管理专员（各级）、数据所有者
          • 协作者
            • 企业架构师、数据专家、项目管理办公室
          • 监督者
            • 合规团队、审计人员、监管方
          • 消费者
            • 业务管理方、合作伙伴组织
        • 度量指标 & 方法
          • 方法：计划(P) → 开发(D) → 控制(C) → 运营(O)
          • 度量：数据治理计分卡等
    • 业务驱动因素：
      • 驱动因素分类
        • 外部驱动
          • 法规遵从性（最常见）→ 金融、医疗等重点监控行业
          • 分析师/数据科学家迅猛发展 → 新增驱动力
        • 内部业务驱动
          • 主数据管理（MDM）​ → 客户主数据平台等项目倒逼治理
          • 其他信息化管理需求
        • 战略对齐
          • 数据治理须直接与企业战略一致
          • 越能解决组织实际问题 → 越容易改变行为、被接受
      • 两大核心聚焦方向
        • 减少风险
          • 一般性风险管理
            • 洞察风险数据对财务/商誉影响，响应法律（电子举证）和监管
          • 数据安全
            • 保护数据资产：可获得性、可用性、完整性、连续性、可审计、安全
          • 隐私
            • 控制私人信息、机密信息、PII（制度+合规监控）
        • 改进流程
          • 法规遵从性
            • 有效、持续响应监管要求
          • 数据质量提升
            • 真实可信数据 → 提升业务绩效
          • 元数据管理
            • 建立业务术语表，管理海量元数据
          • 项目开发效率
            • SDLC中改进数据管理，管理技术债
          • 供应商管理
            • 控制数据处理合同（云存储、外部采购、外包运维等）
      • 关键认知与原则
        • 沟通要点：
          • 澄清业务驱动因素，与企业整体战略一致
          • 避免只谈"治理"→ 易被视为额外开销，疏远领导层
          • 对文化敏感：用正确语言、运营模式、项目角色
          • DAMA-DMBOK2 用"运营模式/运营框架"替代"组织"
        • 类比理解：
          • 审计/财务治理 ↔ 数据治理
          • 审计员/财务主管制定规则 → 数据治理专家制定规则 → 其他领域执行
        • 持续性：
          • 不是一次性行为，是持续性项目集
          • 目标：持续聚焦价值获取​ + 风险降低
          • 可由虚拟组织或实体组织承担
        • 运营框架：
          • 理解规则和活动才能高效执行
          • 需考虑组织/文化独特性 + 具体挑战与机遇
      • 与IT治理的区分
    • 目标和原则
      • 总体目标
        • 使组织将数据作为资产管理，提供原则/制度/流程/框架/指标，监督数据资产管理
      • 三大特征
        • 可持续发展
          • 持续过程，非一次性项目；需业务领导支持
        • 嵌入式
          • 融合SDLC、分析、MDM、风险管理，非附加流程
        • 可度量
          • 需计划可度量的改进方案，证明积极财务影响
      • 六项原则
        • 1. 领导力和战略​ → 远见+坚定领导，数据战略驱动业务战略
        • 2. 业务驱动​ → 是业务管理计划，管理与数据相关的IT决策
        • 3. 共担责任​ → 业务数据专员 + 数据管理专业人员共担
        • 4. 多层面​ → 企业/中间/基层多层次开展
        • 5. 基于框架​ → 跨职能协调，需运营框架定义职责
        • 6. 原则导向​ → 指导原则为基础，减少阻力
    • 基本概念
      • 1. 1. 以数据为中心的组织
        • 数据作为资产估值，全生命周期管理
        • 数据不再是流程附属，业务处理目标 = 高质量数据
        • 障碍：文化/制度/所有权争议/预算/遗留系统
        • 共享原则：数据作为企业资产管理 / 鼓励最佳实践 / 数据战略与业务战略一致 / 持续改进
      • 2. 2. 数据治理组织
        • 类比政治治理：
          • 立法（策略/标准/架构）+ 司法（问题管理/升级）+ 执行（保护/服务/管理责任）
        • 模型类型：
          • 集中式
            • 治理组织监督所有业务领域
          • 分布式
            • 每个业务单元采用相同模型
          • 联邦式
            • 治理组织与多业务单元协同，保持定义/标准一致
        • 多层次：本地 → 部门 → 企业范围
      • 3. 3. 数据治理 vs 数据管理
        • 监督与执行分离：
          • 治理不直接管理数据（如审计不直接管财务）
        • 治理 = 确保数据被恰当管理
      • 4. 4. 数据管理职责（Data Stewardship）
        • 1. 五大焦点：
          • 创建和管理核心元数据（业务术语表等）
          • 记录规则和标准（业务规则/质量规则）
          • 管理数据质量问题（识别/解决/促进）
          • 执行数据治理运营活动（确保制度落地）
          • 跨团队协调
      • 5. 5. 数据管理岗位类型
        • 首席数据管理专员
          • CDO替代角色/治理机构主席
        • 高级数据管理专员
          • DGC资深管理者
        • 企业数据管理专员
          • 监督跨业务领域数据职能
        • 业务数据管理专员
          • 领域专家，负责数据域
        • 数据所有者
          • 对领域数据有决策权
        • 技术数据管理专员
          • IT专业人员（DBA/BI/质量分析师等）
        • 协调数据管理专员
          • 领导跨团队讨论（大型组织关键）
        • 💡 DAMA观点：最好的专员是在工作中被发现的，非靠培养
      • 6. 6. 数据制度
        • 贯穿数据全生命周期的基本规则
        • 描述"做什么和不做什么"（标准/规程描述"如何做"）
        • 应简洁、少量、直接
      • 7. 7. 数据资产估值
        • 核心逻辑：
          • 数据不可互换，价值 = 使用带来的效益 - 生命周期成本
        • 五种估值方式：
          • 替换成本
            • 灾难恢复/重建成本
          • 市场价值
            • 兼并收购时作为企业资产
          • 发现商机
            • 交易数据/售卖洞察获得收入
          • 售卖数据
            • 数据打包销售
          • 风险成本
            • 罚款+补救+诉讼+声誉损害
    • 数据治理过程
      • 规划组织的数据治理
        • 核心逻辑
          • 数据治理支持业务战略 → 决策责任共享 → 跨越组织/系统边界 → 企业层面效果最显著
        • 1. 执行就绪评估（4项）
          • 数据管理成熟度
            • 了解当前数据处理能力/容量
          • 变革能力
            • 测量行为改变能力，识别阻力点
          • 协作准备
            • 评估跨职能协作能力（治理本质需协作）
          • 业务一致性
            • 检查数据使用是否支持业务战略
        • 2. 探索与业务保持一致
          • 识别数据治理机会（如减少罚款）
          • 评估现有制度有效性 + 数据质量分析（洞察低质量影响/风险）
          • 评估数据管理实践 → 发现潜在代理用户
          • 输出：数据治理需求清单​ → 影响战略和战术
        • 3. 制定组织触点（CDO的4个关键触点）
          • 采购和合同
            • 数据管理合同标准文本（DaaS/云/外包/许可）
          • 预算和资金
            • 防止重复工作，优化数据资产获取
          • 法规遵从性
            • 持续监控监管环境影响
          • SDLC/开发框架
            • 在系统生命周期中制定控制点
      • 制定数据治理战略
        • 四大交付物
          • 1. 章程​ → 愿景/使命/原则 + 成熟度评估 + 成功标准
          • 2. 运营框架和职责​ → 结构和责任定义
          • 3. 实施路线图​ → 时间计划（制度/术语/架构/估值/审计等）
          • 4. 成功运营计划​ → 可持续发展目标状态
        • 1. 定义运营框架（4因素）
          • 数据对组织的价值​ → 数据为核心 vs 数据为润滑剂
          • 业务模式​ → 分散/集中/本地/国际
          • 文化因素​ → 与组织文化适应，持续变革
          • 监管影响​ → 受监管程度决定治理心态
        • 2.制定目标、原则和制度
          • 起草：数据专业人员 + 业务策略人员 → 专员审查 → 委员会终审发布
          • 制度示例：DGO认证数据/批准业务拥有者/委派专员/标准化报告/权限授予/定期复评
          • 需有效沟通、监督、执行、定期复评
        • 3. 推动数据管理项目
          • 数据治理委员会职责：定义商业案例、监督状态
          • 与PMO协同，纳入IT项目组合
          • 优先结合大型项目集（MDM/ERP/CRM）
          • 关键：SDLC前期收集数据管理需求
        • 4. 参与变革管理（OCM）
          • 规划（利益相关方分析/沟通）→ 培训 → 影响系统开发 → 制度实施 → 沟通
          • 沟通重点：提升数据资产价值认知 / 监控反馈 / 实施培训
          • 变革5层次：意识到→希望参与→知道如何→有能力→保持持续
          • 新KPI/激励需鼓励跨部门协作
        • 5. 参与问题管理
          • 8类问题：授权/变更升级/合规/冲突/一致性/合同/安全身份/数据质量
          • 升级路径：数据管理团队 → 数据治理委员会 → 公司治理层
          • 6个控制机制：识别收集→评估跟踪→记录观点→传达方案→中立讨论→升级
        • 6. 评估法规遵从性要求
          • 7大法规：会计准则(FSAB/GASB) / BCBS 239 / CPG 235 / PCI-DSS / 偿付能力II / 隐私法
          • 7个评估问题：相关法规？合规内容？何时合规？行业标准？如何证明？违规处罚？识别报告？
          • 数据治理监控并响应监管要求
      • 实施数据治理
        • 实施路径
          • 非一蹴而就 → 需路线图
          • 高优先级前期工作（4项）：
            • 1. 定义满足高优先级目标的治理流程
            • 2. 建立业务术语表
            • 3. 协调企业架构师和数据架构师
            • 4. 为数据资产分配财务价值
        • 1. 发起数据标准和规程
          • 标准作用：提供比较方法、简化流程、强制一致性
          • 标准类型：填充要求/控制规则/可接受值/格式等
          • 11个知识领域标准： 数据架构 / 建模设计 / 存储操作 / 安全 / 集成 / 文件内容 / 参考主数据 / 数仓BI / 元数据 / 数据质量 / 大数据科学
          • 执行要求：有效沟通 + 监控 + 定期审查 + 强制手段
        • 2. 制定业务术语表
          • 目标：共同理解 / 降低误解风险 / 技术-业务一致 / 提升搜索能力
          • 内容：术语 + 同义词 + 度量 + 血缘 + 业务规则 + 负责人
          • 由数据管理专员整理，核心用户组批准
        • 3. 协调架构团队协作
          • 数据治理委员会支持/批准数据架构（如企业数据模型）
          • 与架构审查委员会（ARB）互动
          • 数据架构师 + 专员共同开发维护企业数据模型
          • 经委员会评审批准，与业务战略一致
        • 4. 发起数据资产估值
          • 数据 = 无形资产
          • 估值思路：信息缺口（所需-可用）代表业务负债 → 弥补成本 = 数据价值
          • 纳入数据战略路线图，为质量改进等业务案例提供依据
      • 嵌入数据治理
        • 核心目标：将治理活动嵌入数据资产管理全流程
        • 运营计划：包含实施和运营所需事件、技术、时间
        • 可持续性：流程到位 + 资金到位 + 组织接受 + 监控结果 + 克服障碍
        • 社区学习：本地应用创建治理社区（初期有效，成熟后递减）
    • 数据治理的工具和方法
      • 总体原则
        • 本质：数据治理是组织行为，非技术能单独解决
        • 工具定位：支持过程，非核心驱动
        • 选型逻辑：
          • 先定义总体治理目标和需求​ → 再选工具
          • 避免"多个工具都不完全满足需求"的陷阱
          • 需求需澄清和测试后再采用
      • 五大工具分类
        • 1. 线上应用/网站（中心门户）
          • 作用：建立治理品牌（LOGO/统一视觉）、文档库、搜索、简单工作流
          • 应包含11项内容：
            • 战略类
              • 治理战略/章程（愿景/效益/目标/原则/路线图）
            • 制度类
              • 数据制度/标准、角色职责说明
            • 动态类
              • 新闻公告、论坛链接、执行进展链接
            • 质量类
              • 数据质量测试报告
            • 流程类
              • 问题识别/上报规程、服务请求入口
            • 资源类
              • 在线资源描述/链接、演示文档、培训计划
            • 规划类
              • 数据管理实施路线图
        • 2. 业务术语表（⭐核心工具）
          • 定位：数据治理的核心工具
          • 功能：IT部门认可业务术语定义 → 与数据关联
          • 载体形式：ERP系统 / 数据集成工具 / 元数据管理工具 / 独立工具
        • 3. 工作流工具
          • 适用：更大规模组织
          • 用途：管理流程（如实施新治理策略）、连接流程与文档
          • 典型场景：策略管理、问题解决
        • 4. 文档管理工具
          • 用途：协助管理治理策略、规程等文档
        • 5. 数据治理记分卡
          • 功能：跟踪治理活动 + 制度遵从性指标
          • 形式：自动记分卡
          • 汇报对象：数据治理委员会 / 数据治理指导委员会
    • 数据治理实施指南
      • 启动与推广
        • 前提条件：定义规程 + 制订运营计划 + 成熟度评估 → 启动实施
        • 启动方式：
          • 重大项目驱动（如 MDM 主数据管理）
          • 区域/部门试点
        • 推广策略：渐进式为主，极少全组织直接部署
      • 组织和文化（3.4.1）
        • 核心挑战：数据治理的形式和规则对多数组织是新的、不同的​ → 存在抵制
        • 成功关键：
          • 有效且持久 → 需要文化转变​ + 持续变革管理
          • 文化 = 组织思维 + 数据行为
          • 变革 = 新思维/行为/策略/流程 → 实现预期行为状态
        • 核心原则：
          • 忽视文化因素 → 降低成功概率
          • 实施战略必须聚焦变革管理
        • 可持续性：
          • 是过程的质量指标（衡量持续增值的难易程度）
          • 维持规程需要对变化作出计划
      • 调整与沟通（3.4.2）
        • 背景：在业务和数据管理战略背景下逐步实现
        • 要求：目标更广泛 + 各部分到位 + 团队灵活适应变化
        • 四大工具：
          • 1. 业务/治理战略蓝图
            • 连接治理活动与业务需求；定期衡量沟通对业务的帮助（获持续支持）
          • 2. 数据治理路线图
            • 非刻板僵化，随业务环境/优先级调整
          • 3. 持续业务案例
            • 定期调整，反映组织变化的优先级和财务状况
          • 4. 数据治理指标
            • 随规程成熟而增长和变化
    • 数据治理度量指标
      • 总体目的
        • 应对挑战：长期学习曲线的阻力 → 需证明参与者如何增加业务价值和实现目标
        • 衡量重点：
          • 推广进展
          • 与治理需求的符合程度
          • 为组织带来的价值
        • 双重关注：
          • 充实和强化治理价值的指标
          • 验证组织是否拥有支持治理所需资源的指标（维持规程）
      • 三大维度指标
        • 1. 价值维度
          • 对业务目标的贡献
            • 治理活动如何支撑业务战略达成
          • 风险的降低
            • 减少数据相关风险（安全/隐私/合规等）
          • 运营效率的提高
            • 流程优化、成本降低、响应加快
        • 2. 有效性维度
          • 目标的实现
            • 既定治理目标完成情况
          • 扩展数据管理专员工具使用
            • 专员群体采用相关工具的程度
          • 沟通的有效性
            • 信息传递是否到位、被理解
          • 培训的有效性
            • 培训后行为/认知是否改善
          • 采纳变革的速度
            • 组织接受新治理方式的速度
        • 3. 可持续性维度
          • 制度和流程执行情况
            • 制度/流程是否正常工作（运转良好）
          • 标准和规程遵从情况
            • 员工是否在必要时遵守指导并改变行为
  • 核心概念
    • 数据治理：对数据资产管理行使权力、控制和共享决策
    • 管理职责（Stewardship）
    • 数据所有者 / 业务数据管理专员 / 技术数据管理专员
    • 数据治理记分卡、问题管理、合规管理
• 第4章 数据架构
  • 章节定位：
    • 企业架构的一部分，解决“数据蓝图怎么画”。
  • 学习重点
    • 引言与基本概念
      • 架构定义与定位
        • 定义：系统的基本结构（组件+相互关系+设计原则）
        • 数据架构定位：数据管理的基础，描述不同抽象层级的数据，帮助决策
        • 三大组成：
          • 架构成果（模型/定义/数据流 → 构件）
          • 架构活动（形成/部署/实现目标）
          • 架构行为（角色协作/思维方式/技能）
      • 业务驱动因素（5项）
        • 1. 利用新兴技术带来业务优势
        • 2. 业务需求 → 数据/应用需求
        • 3. 管理复杂数据并传递至全企业
        • 4. 确保业务与IT一致
        • 5. 为企业改革/转型/适应性提供支撑
      • 数据架构成果与实施
        • 主要成果：数据存储处理需求 + 满足当前/长期需求的结构和规划
        • 实施内容：
          • 定义当前状态 / 提供标准词汇 / 与战略一致 / 描述战略需求
          • 高阶数据整合概要 / 整合企业蓝图
          • 使用构件定义需求、指导整合、管控资产
      • 企业架构类型（4类）
        • 业务架构
          • 业务流程/能力
        • 数据架构
          • 数据资产结构与管理
        • 应用架构
          • 应用系统/功能
        • 技术架构
          • 硬件/网络/基础设施
      • Zachman框架
        • 列（问询）：什么/怎样/哪里/谁/何时/为什么
        • 行（视角）：规划者→所有者→设计师→建造者→实施者→用户
        • 特点：不定义如何建模，只规定应有模型
      • 企业数据架构核心
        • （两大构件）
          • 企业数据模型
            • 整体/企业级/独立于实施的概念或逻辑模型；包含实体/关系/关键属性/业务规则
          • 数据流设计
            • 数据在业务流程/系统/角色/存储间的流动；记录血缘；可用矩阵或数据流图呈现
        • 建模方法：自上而下（主题域→下层）+ 自下而上（现有模型提炼）→ 结合使用
        • 主题域识别：规范化规则 / 业务能力 / 业务流程 / 数据治理组织
    • 活动
      • 两种解决问题方式
      • 建立企业数据架构（5项工作）
        • 1. 战略：选框架、定方法、开发路线图
        • 2. 沟通与文化：建立机制，激励参与
        • 3. 组织：明确责任职责
        • 4. 工作方法：与EA一致，定义最佳实践
        • 5. 结果：产出架构产品
      • 在项目中的影响（6项）
        • 定义项目数据需求 / 审评数据设计 / 确定数据溯源影响
        • 数据复制控制 / 实施标准 / 指导技术更新决策
      • 现有规范评估
        • 识别文档 → 评估准确性/完整性 → 必要时更新
      • 开发路线图
        • 3~5年发展路径，与业务需求/技术评估/成熟度评估整合
        • 顺序：从最独立的业务能力开始 → 按依赖链逐步推进
      • 在项目中管理企业需求
        • 范围：与EDM一致，识别重用组件
        • 业务需求：实体/可用性/质量/痛点
        • 设计：业务规则/生命周期/扩展性
        • 实施：购买（逆向工程）/ 重用数据 / 构建
      • 三种开发方式嵌入
      • 整合其他企业架构
        • 从主题域到细化层面建立联系
        • 与项目组合管理整合
    • 工具
    • 方法
      • 生命周期预测（7种状态）
        • 当前 / 部署周期 / 策略周期 / 退役 / 优先 / 限制 / 新兴 / 审核
      • 图标使用规范（6原则）
        • 1. 清晰一致的说明
        • 2. 对象与说明匹配
        • 3. 清晰一致的线条方向
        • 4. 一致的交叉线显示
        • 5. 一致的对象属性
        • 6. 线性对称排列
    • 实施指南
      • 实施主要内容（4项）
        • 1. 建立团队+举办讨论会
        • 2. 生成初始构件（模型/数据流/路线图）
        • 3. 形成工作方式
        • 4. 提高价值认知
      • 实施策略
        • 至少两项互补，串行优先
        • 从部分组织/数据域开始（如产品/消费者数据）
        • 早期项目投入大，后继可重用
        • 质量驱动：从主数据域开始 → 扩展到事务数据
      • 就绪评估与风险评估（7大风险）
      • 组织和文化（6个接受能力因素）
        • 1. 对架构方法的接受度
        • 2. 确认数据属于业务资产（非仅IT任务）
        • 3. 放弃局部视角，接受企业级视角
        • 4. 将架构交付整合到项目中的能力
        • 5. 规范数据治理的接受程度
        • 6. 立足企业全局（非仅项目交付）
    • 数据架构治理
      • 治理活动（4项）
        • 1. 项目监督：确保符合架构活动/标准
        • 2. 管理架构设计/生命周期/工具：定义/评估/维护
        • 3. 定义标准：规则/指南/规范
        • 4. 创建数据相关构件：支持治理
      • 度量指标（3维度）
  • 核心概念
    • 数据架构：识别数据需求，并设计总蓝图满足当前和长期需求
    • 企业数据模型、主题域、数据流图、数据溯源
    • 面向质量 vs 面向创新
• 第5章 数据建模和设计
  • 章节定位：
    • 把业务需求变成“数据模型”。
  • 学习重点
    • 引言与基本概念
      • 1. 业务驱动因素（4项）
        • 1. 提供通用词汇表
        • 2. 获取/记录组织和系统数据详情
        • 3. 项目中的主要沟通工具
        • 4. 应用定制/整合/替换的起点
      • 2. 目标与原则
        • 核心目标：确认并记录不同视角对数据需求的理解，使应用与业务需求紧密结合
        • 三大作用：
          • 格式化：结构化定义，减少数据异常
          • 范围定义：解释数据上下文边界
          • 知识保留：书面记录，供未来项目参考
      • 3. 建模的数据类型（4类）
      • 4. 数据模型组件（4要素）
        • 要素 核心内容 实体​ 信息载体；概念层称概念/术语，逻辑层称实体，物理层称表；高质量定义=清晰+准确+完整 关系​ 实体间关联；基数（0/1/多）；元数（一元/二元/三元）；外键表示 属性​ 定义/描述实体性质；标识符（键）分类：结构型（单一/组合/复合/代理键）和功能型（候选/主键/备用键）；标识关系vs非标识关系 域​ 属性所有可能取值的集合；类型：数据类型/格式/列表/范围/基于规则
      • 5. 6种数据建模方法
      • 6. 数据模型级别（3层）
      • 7. 规范化（6范式）
        • 1NF：有效主键，原子性，消除冗余分组
        • 2NF：最小主键，属性依赖完整主键
        • 3NF：无隐藏主键，属性不依赖非键值
        • BCNF：解决交叉复合候选键
        • 4NF：三元关系分解为二元
        • 5NF：依赖分解
        • 实践目标：通常达到3NF即可
      • 8. 抽象化
        • 泛化：公共属性分组为超类实体
        • 特化：区分属性分离为子类实体（继承）
    • 活动
      • 1.规划数据建模
        • 交付成果：图表 / 定义 / 争议和未决问题 / 血缘关系
      • 2. 建立数据模型（迭代过程）
      • 3.审核数据模型
        • 使用数据模型记分卡（10个指标）评估正确性/完整性/一致性
      • 4. 维护数据模型
        • 需求变化时更新；项目级变更需同步高级别模型；定期逆向工程校验一致性
    • 工具
    • 方法
      • 命名约定最佳实践
        • ISO11179标准
        • 逻辑名完整单词/有意义；物理名缩写/下划线分隔
        • 唯一性/描述性/分类词使用
      • 数据库设计最佳实践（PRISM原则）
    • 治理
      • 质量管理
        • 开发标准：命名/可交付成果/角色/元数据质量等11项内容
        • 评审质量：跨领域专家小组评审；需通过需求/设计评审
        • 版本与集成：记录变更（Why/What/When/Who/Where）；工具支持版本控制
      • 度量指标：数据模型记分卡（10项）
  • 核心概念
    • 实体、属性、关系、主键、外键
    • 规范化、数据模型模式、行业数据模型
    • 模型是“数据需求的语言”
• 第6章 数据存储和操作
  • 章节定位：
    • 数据库与物理存储的“运维层”。
  • 学习重点
    • 引言与基本概念
      • 1. 两大子活动
      • 2. 业务驱动因素
        • 业务连续性：系统不可用 → 运营受损甚至停止 → 需可靠存储基础设施降低风险
      • 3. 目标与原则
        • 3大目标：管理数据可用性 / 确保数据完整性 / 管理交易事务性能
        • 5项原则：
          • 1. 识别自动化机会并采取行动
          • 2. 构建时就考虑重用（避免紧耦合）
          • 3. 理解并适当使用最佳实践（灵活处理偏差）
          • 4. 支持数据库标准需求（SLA明确责任转移）
          • 5. 为项目中的DBA角色设置期望值（早期参与）
      • 4. 基本概念
        • 1. 数据库术语
        • 2. 数据生命周期管理
          • 贯穿设计→实现→使用→处置
          • DBA是变更监管人
          • 流程：可控制/可记录/可审计，含回退计划
        • 3. 管理员角色（DBA分类）
        • 4. 数据架构类型
        • 5. 数据处理类型
        • 6. 数据存储介质
          • 磁盘和SAN / 内存(IMDB) / 列压缩方案 / 闪存
        • 7. 数据库环境
        • 8. 数据库组织模型
        • 9. 专用数据库
          • CAD/CAM、GIS、购物车功能、社交媒体等
        • 10. 常见数据库过程（8项）
    • 活动
      • 管理数据库技术
        • 1. 理解技术特征：结合业务需求选择
        • 2. 评估数据库技术（10+因素）：
          • 架构/容量/应用类别/特殊功能/平台/工具/性能/扩展性/成本/供应商声誉等
        • 3. 管理和监控：培训/备份恢复/数据集成/新技术部署
      • 管理数据库操作
        • 1. 理解需求：
          • 定义存储需求 / 识别使用模式（事务/大数据/时间/位置/优先级） / 定义访问需求
        • 2. 规划业务连续性：
          • 备份数据（全量/增量，热备/冷备）
          • 恢复数据（定期测试，文件型比关系型易恢复）
        • 3. 创建数据库实例：
          • 安装更新DBMS
          • 维护多环境
          • 物理存储环境管理（SCM四步骤：识别/变更控制/状态报告/审计）
          • 管理数据访问控制（受控环境/物理安全/监控/控制）
          • 创建存储容器
          • 应用物理数据模型
          • 加载数据（批量/集成/第三方）
          • 管理数据复制
        • 4. 管理数据库性能：
          • 设置性能SLA
          • 管理可用性（4因素：可管理/可恢复/可靠/可维护）
          • 管理运行（监控日志/同步）
          • 维护服务水平（事务vs批处理，问题修复10大原因）
          • 维护备用环境
        • 5. 管理测试数据集：生成/筛选/保护/定期清理
        • 6. 管理数据迁移：跨系统传送，规则驱动，需演练
    • 工具
    • 方法
    • 实施指南
      • 就绪评估/风险评估
        • 数据丢失风险：制度/SLA/审计防范
        • 技术准备风险：新技能（NoSQL/大数据等）需提前储备
      • 组织和文化变化
        • DBA需转变：主动沟通 / 站在对方立场 / 专注业务 / 对他人有帮助 / 不断学习
        • 克服"我们vs他们"心态，平衡短期与长期需求
    • 治理
      • 度量指标（4类）
      • 信息资产跟踪
        • 许可协议合规 / 年度审计 / TCO评估
      • 数据审计与数据有效性
        • 审计：按标准评估数据集
        • 验证：按验收标准评估质量和可用性
        • DBA支持：方法制定/数据筛选/监控/统计优化
  • 核心概念
    • 数据存储、数据库操作、DBA 职责
    • 生产/非生产环境
    • 信息资产跟踪、数据审计与有效性
• 第7章 数据安全
  • 章节定位：
    • 保机密、保完整、保可用。
  • 学习重点
    • 7.1 引言与基本概念
      • 1. 安全需求来源（5方面）
        • 1. 利益相关方：客户/病人/学生等隐私保密需求
        • 2. 政府法规：保护利益相关方利益
        • 3. 特定业务关注：专有数据→竞争优势
        • 4. 合法访问需求：不同角色需不同数据访问
        • 5. 合同义务：PCI标准等强制加密要求
      • 2. 业务驱动因素
      • 3. 目标与原则
        • 3大目标：
          • 支持适当访问 / 遵从法规 / 满足利益相关方要求
        • 6项原则：
          • 协同合作 / 企业统筹 / 主动管理 / 明确责任 / 元数据驱动 / 减少接触降低风险
      • 4. 核心术语
      • 5. 安全组织与过程
        • 安全组织：CISO（大型企业）/ 数据管理者（小型组织）
        • 安全过程4A+1E：
          • 访问(Access)：及时访问系统
          • 审计(Audit)：审查合规
          • 验证(Authentication)：身份验证（密码/令牌/生物）
          • 授权(Authorization)：授予角色权限
          • 权限(Entitlement)：用户可访问数据元素总和
          • 监控：主动（实时检测）/ 被动（定期评估）
      • 6. 数据完整性、加密与脱敏
      • 7. 网络安全术语
      • 8. 数据安全类型
      • 9. 数据安全制约因素
        • 保密等级：公开→内部→机密→受限机密→绝密（5级，取最高）
        • 监管要求：外部法律/行业标准/合同（PII/财务/医疗/教育/PCI等）
        • 区别：保密源自内部；监管源自外部（可叠加）
      • 10. 系统安全风险（8类）
        • 1. 滥用特权（权限过大）
        • 2. 滥用合法特权
        • 3. 未经授权特权升级
        • 4. 服务/共享账户滥用
        • 5. 平台入侵攻击
        • 6. 注入漏洞（SQL注入）
        • 7. 默认密码
        • 8. 备份数据滥用
      • 11. 威胁类型
    • 7.2 活动
      • 1. 识别数据安全需求
        • 业务需求：分析工作流安全接触点，映射角色与权限
        • 监管要求：建立法规清单，链接策略与控制措施
      • 2. 制定数据安全制度
        • 企业安全制度 / IT安全制度 / 数据安全制度
        • 需IT管理员、安全架构师、数据治理委员会、法务等协作
        • 制度必须可审计
      • 3. 定义数据安全细则
        • 1. 定义数据保密等级：分级方案（一般→绝密）
        • 2. 定义数据监管类别：按主题域归类法规（PII/财务/医疗等）
        • 3. 定义安全角色：
          • 角色分配矩阵（从数据出发）
          • 角色分配层次结构（从用户出发，子角色限制父角色）
      • 4. 评估当前安全风险
        • 确定敏感数据位置 → 评估保护要求 → 记录基线 → 弥补差距（可聘白帽测试）
      • 5. 实施控制和规程
        • 1. 分配密级：数据管理专员评估，文件页眉标记
        • 2. 分配监管类别：创建分类方案，响应审计
        • 3. 管理和维护数据安全：
          • 控制数据可用性（脱敏/视图/加密）
          • 监控用户身份验证和访问行为
          • 管理安全制度遵从性（日常活动+审计）
    • 7.3 工具
    • 7.4 方法
    • 7.5 实施指南
      • 就绪评估/风险评估
        • 培训 / 制度一致性 / 衡量安全收益 / 供应商安全要求 / 增强紧迫感 / 持续沟通
      • 组织与文化变革
        • 制度需站在用户角度考虑，平衡风险与易获得性
      • 用户数据授权可见性
        • 审查每个用户授权，包含密级和监管分类
      • 外包世界中的数据安全
        • 责任不外包：明确合同义务/SLA/审计权
        • CRUD矩阵 + RACI矩阵明确职责
      • 云环境中的数据安全
        • 共担责任 / 数据监管链 / 跨服务模型分布
        • 私有云也需遵循相同安全制度
    • 7.6 治理
      • 数据安全和企业架构
        • 安全架构描述如何实现数据安全（工具/加密标准/外部访问指南/传送协议等）
        • 涉及内部系统、外部伙伴、监管机构集成
      • 度量指标（5类）
  • 核心概念
    • 机密性、完整性、可用性（CIA）
    • 数据分级分类、静态/动态脱敏
    • 最小权限、数据安全风险登记
• 第8章 数据集成和互操作
  • 章节定位：
    • 让数据“流动起来、跨系统打通”。
  • 学习重点
    • 8.1 引言与基本概念
      • 核心定义
        • 数据集成：将不同来源数据整合成物理/虚拟一致格式
        • 数据互操作：多个系统之间通信的能力
        • 10大基本职能：迁移/整合/供应商集成/共享/分发/归档/接口/外部获取/结构化非结构化集成/运营智能与决策支持
      • 依赖的其他数据管理领域
        • 数据治理 / 数据架构 / 数据安全 / 元数据 / 数据存储和操作 / 数据建模和设计
      • 业务驱动因素
      • 目标与原则
        • 5大目标：
          • 及时提供数据 / 物理或虚拟合并到数据中心 / 降低成本和复杂度 / 识别事件自动触发 / 支持BI/分析/MDM
        • 3项原则：
          • 企业视角迭代交付 / 平衡本地与企业需求 / 业务专家参与转换规则设计
      • 核心过程：ETL / ELT
      • 时延（Latency）与处理方式
      • 复制、归档与规范格式
      • 交互模型（3种）
      • 架构概念（9个）
      • 数据交换标准
        • ISO标准 / NIEM（美国政府信息交换） / XML模式
    • 8.2 活动
      • 1. 规划和分析
        • 1. 定义需求和生命周期：业务目标→数据需求→技术方案→法律/保留策略
        • 2. 数据探索：确定潜在来源，高级数据质量评估
        • 3. 记录数据血缘：数据获取→移动→变化→使用全过程
        • 4. 剖析数据：验证结构/内容/质量假设（参见第13章）
        • 5. 收集业务规则：术语定义/事实/约束/派生，用于匹配/合并/触发
      • 2. 设计数据集成解决方案
        • 1. 选择交互模型：优先重用现有模式
        • 2. 设计数据结构：数据中心/接口/消息/数据服务建模
        • 3. 映射数据源到目标：技术格式→中间转换→填充方式→计算规则
        • 4. 设计数据编排：批量（调度器）/ 实时（事件触发）
      • 3. 开发数据集成解决方案
        • 1. 开发数据服务：获取/转换/交付
        • 2. 开发数据流编排：批量调度 / 实时轮询 / ESB订阅
        • 3. 制定数据迁移方法：新应用上线/旧系统退役
        • 4. 制定发布方式：事件驱动或定期推送，通用消息定义
        • 5. 开发复杂事件处理流：历史数据准备→实时流识别→自动触发
        • 6. 维护元数据：源/目标/转换规则/血缘，纳入治理
      • 4. 实施和监测
        • 实时监控运行状况
        • 建立问题度量和反馈机制
        • 与最苛刻目标系统同级SLA
    • 8.3 工具
    • 8.4 方法
      • 基本目标：松耦合 / 限制接口数量 / 中心辐射型 / 标准规范接口
    • 8.5 实施指南
      • 就绪评估/风险评估
        • 围绕企业集成工具实现或增强
        • 专注未集成/部分集成领域，而非替换已有方案
        • 确保有企业架构级权威支持
        • 避免纯技术导向，保持业务目标聚焦
      • 组织和文化变革
        • 集中团队（卓越中心）vs 本地团队（应用知识）协作
        • 业务专家必须审查所有转换映射
        • 视为业务+技术联合解决方案
    • 8.6 治理
      • 治理要点
        • 业务利益相关方定义并批准转换规则
        • 规则捕获为元数据，跨企业分析
        • 治理控制布局复杂，按事件触发评审
        • 实时方案需与关键系统同级备份恢复SLA
      • 数据共享协议
        • 接口开发前制定MOU（谅解备忘录）
        • 规定责任/可接受用途/限制/服务级别
        • 受监管行业（个人/安全信息）尤其重要
      • 数据血缘
        • 开发价值高，消费者使用必需
        • 合规要求（如Solvency II）需描述来源和变化
        • 影响分析的关键输入（前向+后向血缘）
      • 度量指标（3类）
  • 核心概念
    • 数据集成、互操作、数据转换
    • 企业服务总线、数据剖析
    • 主数据/交易数据/元数据在集成中的角色
• 第9章 文件和内容管理
  • 章节定位：
    • 非结构化数据（文档、图片、音视频、邮件）。
  • 学习重点
    • 9.1 引言与基本概念
      • 1. 核心定义
        • 文件和内容管理：针对存储在关系型数据库之外的数据（非结构化/半结构化）的采集、存储、访问和使用过程管理
        • 重点：保持完整性 + 可访问性（类比关系型数据库的数据操作管理）
      • 2. 业务驱动因素
      • 3. 目标与原则
        • 3大目标：
          • 高速有效采集使用非结构化数据
          • 确保结构化与非结构化数据整合
          • 遵守法律义务并达到客户预期
        • ARMA GARP 8原则（档案保存指导原则）：
          • 1. 问责(Accountability) — 指派高管，可审计
          • 2. 完整(Integrity) — 合理、真实、可靠
          • 3. 保护(Protection) — 保护个人信息
          • 4. 遵从(Compliance) — 遵从法律法规
          • 5. 可用(Availability) — 及时高效准确检索
          • 6. 保留(Retention) — 适当时间保留
          • 7. 处置(Disposition) — 安全适当处置
          • 8. 透明(Transparency) — 制度流程可理解
      • 4. 基本概念体系
        • 内容（Content）
        • 受控词表（Controlled Vocabularies）
          • 分类法 vs 本体：分类法=封闭世界（已知定义）；本体=开放世界（可推断）
        • 文件和档案
        • 其他关键概念
    • 9.2 活动
      • 1. 规划生命周期管理
        • 规划档案管理：
          • 定义档案范围，决定现行/老旧存储方式（电子+纸质）
        • 制定内容策略：
          • 从当前状态差距评估出发→优先级排序→模块化设计→元数据分类+SEO
      • 2. 创建内容处理制度
      • 3. 定义内容信息架构
        • 协调受控词表、索引、分类方案与数据建模/元数据工作
        • 支持快速识别和检索
      • 4. 实施生命周期管理
      • 5. 发布和分发内容
        • 开放访问：元数据标记→门户/搜索引擎检索
        • 可接受渠道分发：响应式设计，适配多设备
    • 9.3 工具
    • 9.4 方法
    • 9.5 实施指南
      • 就绪评估/风险评估
        • ECM就绪评估：确定改进方面，成熟度模型辅助
        • 档案管理成熟度（ARMA 5级）： 1级 低于标准 → 2级 发展中 → 3级 基本要求 → 4级 积极主动 → 5级 完成变革
        • 技术标准评估：DoD 5015.2 / ISO 16175 / MoReq2 / OMG RMS
        • 电子取证评估：角色职责/保存协议/数据收集/披露流程
      • 组织和文化变革
        • 集中管理 vs 分散孤岛
        • 培训沟通至关重要
        • RIM职能定位：法律/营销/IT（向CIO/CDO报告）
        • 提升档案管理地位（非低优先级）
    • 9.6 治理
      • 信息治理架构
        • 驱动因素：法规遵从/合理处置/电子取证准备/敏感信息安全/风险领域管理
        • IGRM模型：外环=制度/标准/流程/工具，中心=生命周期
        • 高层支持：C-level设立信息委员会
      • 信息的激增
        • 非结构化数据增长远超结构化
        • 所有权难确定，分类困难
        • 缺乏元数据=风险
      • 管理高质量内容
        • 数据管理专员 + 档案管理人员协作
        • 质量维度：生产者/消费者/时间/格式/分发
      • 度量指标（3类）
  • 核心概念
    • 非结构化数据、内容治理
    • 文档生命周期、分类法、保留策略
• 第10章 参考数据和主数据
  • 章节定位：
    • 企业“关键共享数据”的单源真相。
  • 学习重点
    • 1. 10.1 引言与基本概念
      • 核心定义
        • 参考数据(RDM)：
          • 代码表和描述表，用于描述/分类其他数据或关联外部信息（如国家代码、订单状态）
        • 主数据(MDM)：
          • 关于核心业务实体（客户/产品/雇员/供应商/地点/财务）的权威数据，为交易提供语境
      • 业务驱动因素
      • 目标与原则
        • 3大目标：
          • 完整一致权威的数据 / 跨业务单元共享 / 降低成本和复杂性
        • 6项原则：
          • 共享数据 / 组织级所有权 / 持续质量监控 / 业务数据管理专员负责 / 控制变更（可追溯） / 仅从记录系统复制
      • 核心区别与联系
      • 参考数据体系
      • 主数据体系
      • 主数据主题域
      • 数据共享架构（3种）
    • 2. 10.2 活动
      • 1. 主数据管理活动（6步）
        • 1. 识别驱动因素和需求​ → 优先级排序（从简单开始）
        • 2. 评估数据源​ → 理解结构/内容/质量，识别差异
        • 3. 定义架构方法​ → 注册表/交易中心/混合，考虑血缘和延迟
        • 4. 建模主数据​ → 逻辑/规范模型，企业级定义
        • 5. 定义管理职责和维护过程​ → 技术+人工修复结合
        • 6. 建立治理制度，推动使用​ → 路线图，系统间闭环
      • 2. 参考数据管理活动（6步）
        • 1. 定义驱动因素和需求​ → 从最重要数据集开始
        • 2. 评估数据源​ → 外部购买+内部标识
        • 3. 定义架构方法​ → 考虑波动性/更新频率/消费模型
        • 4. 建模参考数据​ → 创建模型理解关系
        • 5. 定义管理职责和维护流程​ → 数据管理员推动
        • 6. 建立治理制度​ → 强制使用集中存储库
    • 3. 10.3 工具和方法
    • 4. 10.4 实施指南
    • 5. 10.5 治理
      • 治理过程决定事项
        • 整合数据源 / 质量规则 / 使用规则 / 监控频率 / 优先级 / 信息展示方式 / 授权标准
      • 度量指标（7类）
  • 核心概念
    • 主数据（高价值、稳定、共享）
    • 参考数据（描述/分类其他数据）
    • 系统记录（System of Record）
    • 单一可信来源 Single Source of Truth
• 第11章 数据仓库和商务智能
  • 章节定位：
    • 从数据到决策支持的“分析层”。
  • 学习重点
    • 11.1 引言与基本概念
      • 核心定义
        • 概念 说明 数据仓库(DW)​ 集成的决策支持数据库 + 数据抽取/清洗/转换/加载程序，为BI提供统一数据基础 商务智能(BI)​ 两层含义：①数据分析活动（理解诉求、寻找机会）②支持分析的技术集合（查询/挖掘/统计/可视化/仪表板） 数据集市​ 数据仓库中数据子集的副本，支持特定分析或特定消费者 企业级数据仓库(EDW)​ 集中化，遵循企业数据模型，服务整个组织
      • 业务驱动因素
        • 驱动 说明 运营支持 支持日常业务运营决策 合规需求 用历史数据证明合规性 商务智能活动 提供洞察，提升运营效率，增强竞争优势
      • 目标与原则
        • 3大目标：支持BI活动 / 赋能商业分析和高效决策 / 基于数据洞察寻找创新方法
        • 8项原则：聚焦业务目标 / 以终为始 / 全局设计局部行动 / 总结并持续优化 / 提升透明度和自助服务 / 与DW一起建元数据 / 协同其他数据活动 / 不要千篇一律
      • 两种核心架构方法论
        • 维度 Inmon（企业信息工厂CIF） Kimball（多维数据仓库） 数据仓库定义 面向主题的、整合的、随时间变化的、稳定的历史数据集合 为查询和分析定制的交易数据的副本 数据模型 规范化关系模型 多维星型模型（反范式） 核心组件 应用→暂存区→集成转换→ODS→DW→数据集市 业务源→暂存区→展示区（总线集成）→访问工具 建设路径 自顶向下，先建EDW再建集市 自底向上，先建部门数据集市再集成 数据流向 单向（应用→ODS→DW→集市） 总线矩阵共享一致性维度 关键特征 面向主题/整合/随时间变化/稳定/含聚合和明细/历史 星型模型/总线架构/一致性维度/可扩展性强
      • 企业信息工厂(CIF)组件
        • 纯文本 应用程序 → 数据暂存区 → 集成和转换 → 操作型数据存储(ODS) → 数据仓库(DW) → 数据集市/操作型数据集市(OpDM) → 运营报告 ↑ 参考数据/主数据/外部数据 ───┘
      • 多维数据仓库(Kimball)组件
        • 业务源系统 → 数据暂存区域 → 数据展示区域（数据集市，共享一致性维度总线） → 数据访问工具
      • 数据仓库架构组件
        • 源系统
          • 业务系统(CRM/ERP/HR) + 外部数据 + DaaS
        • 数据集成
          • ETL / 数据虚拟化 / 数据服务层
        • 数据存储区域
          • 暂存区 / 参考主数据一致性维度 / 中央DW / ODS / 数据集市 / 数据立方体(Cubes)
        • 加载处理方式
          • 历史数据加载(一次性) + 持续更新(CDC变更数据捕获) + 准实时/实时(涓流/消息/流式)
      • 加载处理方式详解
        • 历史数据加载
          • 一次或有限次，捕获详细历史
        • 批量CDC
          • 日志技术/时间戳/全量加载，夜间批处理窗口
        • 准实时/实时
          • ①涓流式(源端累积) ②消息传送(总线累积) ③流式传送(目标端累积)
    • 11.2 活动
      • 1. 活动全景（6大活动）
        • 1. 理解需求​ → 业务目标→访谈→分类优先级→快速启动简单有价值项目
        • 2. 定义和维护架构​ → 确定技术架构(硬件/软件/非功能需求) + 确定管理流程(发布计划/版本管理)
        • 3. 开发数据仓库和数据集市​ → 三条并行轨迹：数据/技术/BI工具
        • 4. 加载数据仓库​ → 源到目标映射 + 修正转换数据 + 确定加载方法
        • 5. 实施商务智能产品组合​ → 用户分组 + 工具匹配
        • 6. 维护数据产品​ → 发布管理 + 开发生命周期 + 监控调优加载/BI活动
      • 2. 开发三条轨迹
      • 3. 源到目标映射
        • 确定多系统间数据元素链接有效性
        • 需要可靠分类法（逻辑数据模型）
        • 处理追加/更改/插入
      • 4. 用户分组与工具匹配
      • 5. 维护数据产品
    • 11.3 工具
      • OLAP常见操作
    • 11.4 方法
    • 11.5 实施指南
      • 关键成功因素
        • 业务倡议（管理层支持+资金）
        • 业务目标和范围（确切需求）
        • 业务资源（专家参与承诺）
        • 业务准备情况（长期增量交付）
        • 愿景一致（IT战略支持业务愿景）
    • 11.6 治理
  • 核心概念
    • 决策支持数据、ETL 到仓库
    • 维度建模、指标口径、BI 产品组合
    • 业务接受度、SLA、客户满意度
• 第12章 元数据管理
  • 章节定位：
    • “数据的数据”的管理层。
  • 学习重点
    • 12.1 引言与基本概念
      • 核心定义
      • 业务驱动因素（10大价值）
      • 目标与原则
        • 5大目标：
          • 一致理解数据内容 / 整合不同来源元数据 / 确保质量、一致性、及时性、安全 / 提供标准访问途径 / 推广技术元数据标准
        • 8项原则：
          • 组织承诺 / 战略 / 企业视角（迭代增量） / 潜移默化 / 访问 / 质量（流程所有者负责） / 审计 / 改进（反馈机制）
      • 元数据的三种类型
      • 其他重要分类与标准
      • 元数据来源（15种主要来源）
        • 口诀：
          • "术语字典建模工具，集成质量商务目录，配置事件映射服务，参考数据库系统"
      • 元数据架构类型（4种）
    • 12.2 活动
      • 1. 活动全景（5大活动）
        • 1. 定义元数据战略​ → 启动计划→访谈利益相关方→评估现有资源→开发未来架构→分阶段实施
        • 2. 理解元数据需求​ → 10项需求（更新频次/同步/历史/权限/存储/集成/运维/管理/质量/安全）
        • 3. 定义元数据架构​ → 创建元模型→应用标准→管理存储库（控制+质量+管理+培训活动）
        • 4. 创建和维护元数据​ → 整合（适配器/扫描）+ 分发传递（网站/报表/API/Web服务）
        • 5. 查询、报告和分析​ → 前端应用支持业务和技术用户的不同查询需求
      • 2. 创建元模型
        • 元模型 = 元数据存储库的数据模型
        • 高级别概念模型 → 低级别细化属性
      • 3. 整合元数据
      • 4. 分发和传递机制
        • 元数据内部网站 / 报告术语表 / DW+BI工具 / 建模开发工具 / 消息事务 / Web服务API / 外部组织接口
    • 12.3 工具
    • 12.4 方法
      • 血缘分析要点
        • 业务焦点：从目标回溯源系统，定位质量缺陷
        • 技术焦点：从源系统识别所有下游影响
        • 拼接：将各部分血缘连接为全景视图
    • 12.5 实施指南
    • 12.6 治理
  • 核心概念
    • 元数据 = 理解数据的数据
    • 数据血缘、影响分析
    • 业务术语表是元数据核心资产
• 第13章 数据质量
  • 章节定位：
    • 数据管理最核心的“价值闸门”。
  • 学习重点
    • 13.1 引言与基本概念
      • 核心定义
      • 业务驱动因素（4大价值）
      • 目标与原则
        • 3大目标：
          • 开发让数据符合用途的方法 / 定义数据质量控制标准和规范（全生命周期） / 定义实施测量、监控、报告数据质量水平的过程
        • 10项原则：
          • 重要性（按重要性和风险排序） / 全生命周期管理 / 预防（重点防错） / 根因修正（改流程和系统） / 治理 / 标准驱动 / 客观测量和透明度 / 嵌入业务流程 / 系统强制执行 / 与服务水平关联（SLA）
      • 关键数据
        • 并非所有数据同等重要，应聚焦对组织及客户最重要的数据
        • 评估标准：
          • 监管报告 / 财务报告 / 商业政策 / 持续经营 / 商业战略（差异化竞争）
        • 主数据根据定义至关重要
      • 数据质量维度（核心考点）
        • 口诀：完唯准一及合时，合理访问安全性
        • 三大经典框架对照：
      • 数据质量与其他领域的关系
      • 数据质量改进生命周期（戴明环 PDCA）
      • 数据质量业务规则类型（10+2类）
      • 数据质量问题的常见原因（5大类）
      • 数据剖析（Data Profiling）
        • 定义：使用统计技术分析数据集合的真实结构、内容和质量
        • 统计项：空值数 / 最大最小值 / 最大最小长度 / 频率分布 / 数据类型和格式
        • 作用：识别模式、发现潜在问题，是数据发现的第一步（但不能确定根因）
      • 数据质量和数据处理（4种提升方式）
    • 13.2 活动
      • 1. 活动全景（7大活动）
        • 1. 定义高质量数据​ → 了解业务需求、定义术语、识别痛点、达成共识（7个关键问题）
        • 2. 定义数据质量战略​ → 框架10步（需求→关键数据→标准→评估→反馈→优先→改进→测量→元数据→集成）
        • 3. 识别关键数据和业务规则​ → 按重要性排序，逆向还原隐含规则
        • 4. 执行初始数据质量评估​ → POC小规模试点，9步流程
        • 5. 识别改进方向并确定优先排序​ → 全面剖析+利益相关方讨论
        • 6. 定义数据质量改进目标​ → 快速见效+长期战略，量化投资回报
        • 7. 开发和部署数据质量操作​ → 4项核心操作（见下）
      • 2. 开发和部署数据质量操作（4项核心）
      • 3. 数据质量报告（7类）
        • 评分卡 / 趋势 / SLA指标 / 问题管理 / 团队与治理一致性 / IT和业务一致性 / 改善项目积极影响
    • 13.3 工具
    • 13.4 方法
    • 13.5 实施指南
    • 13.6 治理与度量
  • 核心概念
    • 低质量数据成本 = 返工+机会成本+合规罚款
    • 质量规则模板、数据剖析
    • 数据质量、信息缺口
• 第14章 大数据和数据科学
  • 章节定位：
    • 传统数据管理向现代 AI/分析扩展。
  • 学习重点
    • 1. 14.1 引言与基本概念
      • 🔹 核心定义
        • 概念 说明 大数据​ 不仅指数据量大，还指种类多、产生速度快，需改变数据管理方式（ELT而非ETL） 数据科学​ 将数据挖掘、统计分析、机器学习与数据集成整合，构建预测/规范性模型 数据科学家​ 从数据中探究、研发预测/机器学习模型并部署供相关方分析的人
      • 🔹 业务驱动
        • 抓住多种流程生成的数据集中的商机
        • 激发创新（探索更多/更大数据集）
        • 定义预判客户需求的预测模型，实现产品/服务个性化
        • 提升运营水平（机器学习自动化复杂活动）
      • 🔹 原则与基本理念
        • 原则：仔细管理大数据源相关的元数据，准确进行清单管理
        • 数据科学过程（迭代7步）：定义战略→选择数据源→采集提取→设定假设→集成调整→使用模型探索→部署监控
        • 分析对比：传统DW/BI = 后视镜（过去趋势）；数据科学 = 挡风玻璃（前瞻性预测）
      • 🔹 大数据的多个V（核心考点）
        • 口诀：量大更新快，多样黏波低
          • V 说明 Volume 量大​ 通常 >100TB，达PB～EB级 Velocity 更新快​ 实时生成、分发、分析 Variety/Variability 多样/可变​ 多种格式（结构化/非结构化），结构不一致 Viscosity 黏度高​ 数据使用或集成难度高 Volatility 波动性大​ 数据更改频繁，有效时间短 Veracity 准确性低​ 数据可靠程度不高
      • 🔹 大数据架构组件
        • 组件 说明 DW/BI vs 大数据​ 传统DW：先整合后加载（ETL）；大数据：先加载后整合（ELT） 数据湖​ 提取/存储/评估/分析不同类型和结构海量数据的环境；风险是变成"数据沼泽" 基于服务的架构（SBA）​ 批处理层（历史）+ 加速层（实时）+ 服务层（接口） 机器学习​ 监督学习（分类）/ 无监督学习（数据挖掘）/ 强化学习（目标优化） 语义分析​ NLP处理非结构化数据，感知情绪和看法 数据挖掘​ 剖析/数据缩减/关联/聚类/自组织映射 预测分析​ 有监督学习，建模预测未来结果（如预估、平滑算法） 规范分析​ 比预测更进一步，定义影响结果的动作，暗示原因 非结构化数据分析​ 结合文本挖掘、关联/聚类分析，扫描标记添加"钩子" 运营分析​ 运营BI/流式分析，实时信息流+行为预测模型+自动响应 数据可视化​ 静态/交互式图形，发现商机/风险；需防误导性可视化 数据混搭​ 数据+服务结合，可视化展示见解
    • 2. 🌿 分支二：14.2 活动
      • 🔹 活动全景（7大活动）
        • 1. 定义大数据战略和业务需求​ → 5项评估：解决什么问题/数据源/及时性和范围/对其他数据结构影响/对现有建模影响
        • 2. 选择数据源​ → 基础数据/粒度（最细）/一致性/可靠性/检查分析新数据源；注意隐私和筛选偏见风险
        • 3. 获得和接收数据源​ → 提取到数据湖，捕获元数据，评估质量
        • 4. 制定数据假设和方法​ → 构建统计模型，找相关性和趋势
        • 5. 集成和调整数据进行分析​ → 连接数据源（共有键值/索引扫描），整合主数据和参考数据
        • 6. 使用模型探索数据​ → 填充预测模型/训练模型（避免过拟合）/评估模型（注意伦理偏见）/创建数据可视化
        • 7. 部署和监控​ → 揭示洞察/使用附加数据源迭代
    • 3. 🌿 分支三：14.3 工具
      • 工具/技术 说明 MPP无共享架构​ 大规模并行处理，数据分区到多个服务器，线性可扩展性，支持数据库内分析 基于分布式文件的数据库​ Hadoop，MapReduce三步骤：映射→洗牌→归并 数据库内算法​ 在计算节点级执行数学/统计算法（K-means/回归等） 大数据云解决方案​ 供应商提供云存储+分析+数据增强 R语言​ 开源统计计算和图形环境 数据可视化工具集​ 信息图表/热图/数据地图等高级交互可视化
    • 4. 🌿 分支四：14.4 方法
      • 方法 说明 解析建模​ 描述性建模（汇总）/ 解释性建模（因果验证）/ 预测分析（训练+测试集，避免过拟合，K折验证） 大数据建模​ 应用数据建模技术，开发主题域模型，防止多次计数
    • 5. 🌿 分支五：14.5 实施指南
      • 要点 说明 战略一致性 与组织目标一致，管理生命周期/元数据/质量/安全/隐私等9要素 就绪/风险评估 业务相关性/业务准备/经济可行性/原型验证/数据采购/工具选择/人才配置 组织文化变迁 业务人员充分参与，卓越中心提供培训，跨职能角色（平台架构师/摄取架构师/元数据专家/分析设计主管/数据科学家）
    • 6. 🌿 分支六：14.6 治理
      • 治理领域 说明 可视化渠道管理​ 协调多种可视化工具，控制项目组合 数据科学和可视化标准​ 社区定义标准，中立陈述避免偏见 数据安全​ 防止滥用个人数据，加密模糊敏感信息，理解元数据避免推断隐私 元数据​ 提取时谨慎管理，防止数据湖变沼泽 数据质量​ 初始评估+持续测量，发现/分类/分析/映射
      • 🔹 度量指标（3类）
        • 技术使用指标 / 加载和扫描指标 / 学习和故事场景（模型数量/准确性/收入/成本降低）
  • 核心概念
    • 大数据、数据科学、预测分析
    • 数据湖、分布式文件、统计计算
    • 大数据治理：安全、质量、元数据不能丢
• 第15章 数据管理成熟度评估
  • 章节定位：
    • 组织能力“体检”。
  • 学习重点
    • 1. 15.1 引言与基本概念
      • 核心定义
      • 业务驱动因素
        • 监管 / 数据治理 / 过程改进就绪 / 组织变更（如合并） / 新技术 / 数据管理问题
      • 目标与原则
        • 主要目标：评估关键数据管理活动当前状态，制订改进计划
        • 文化影响：介绍DM概念/厘清角色/强调数据是关键资产/扩大认识/改进协作
      • 评价等级及特点（6级）
        • 口诀：无初可已管优
      • 评估标准维度
        • 活动 / 工具 / 标准 / 人员和资源
      • 现有DMMA框架（5种）
    • 2. 15.2 活动
      • 活动全景（5大活动）
        • 1. 规划评估活动​ → 定义目标/选择框架/定义组织范围（局部vs企业）/定义交互方法/计划沟通
        • 2. 执行成熟度评估​ → 收集信息（访谈/文档/工件）/执行评估（多阶段评级+达成共识）
        • 3. 解释结果及建议​ → 报告评估结果（10项内容）/制定管理层简报
        • 4. 制订有针对性的改进计划​ → 直接影响数据策略，路线图（活动/时间表/预期改善/监督）
        • 5. 重新评估成熟度​ → 建立基线→定期重复→跟踪趋势→重振精力
    • 3. 15.3 工具
    • 4. 15.4 方法
    • 5. 15.5 实施指南
    • 6. 15.6 治理与度量
  • 核心概念
    • 成熟度等级
    • DMMA（Data Management Maturity Assessment）
    • 用评估结果驱动路线图
• 第16章 数据管理组织与角色期望
  • 章节定位：
    • 谁来干、怎么组织。
  • 学习重点
    • 16.1 引言与核心原则
    • 16.2 了解现有组织和文化规范
      • 1. 评估6维度
        • 1. 数据在组织中的作用（关键流程/需求定义/战略角色）
        • 2. 文化规范（实施改进的文化障碍）
        • 3. 现有实践和决策者
        • 4. 工作方式（项目vs运营/委员会框架）
        • 5. 汇报关系（集中/分散/层级/扁平）
        • 6. 技能水平（一线到高管的数据知识）
      • 2. 满意度评估4问
        • 是否有合理及时决策所需信息？
        • 对收入报告是否有信心？
        • 是否跟踪关键绩效指标？
        • 是否遵守数据管理相关法律？
      • 3. 核心策略
        • 发展而非革命——与现有决策和委员会结构一致，避免激进变革
    • 16.3 数据管理组织的结构（5种运营模式）
      • 口诀：分网集混联
      • 确定最佳模式的关键问题
        • 当前组织是集中/分散/混合/层级/扁平？
        • 部门独立性如何？
        • 决策如何做出（民主vs强制）？
        • 决策如何实施？
      • DMO设计9要点
        • 简单性+可用性 / 评估当前状态 / 联系组织结构 / 考虑复杂度和成熟度 / 高层支持 / 领导机构是决策机构 / 试点和分批实施 / 聚焦高价值数据域 / 利用现有资源 / 永不一刀切
    • 16.4 关键成功因素（10大因素）
      • 口诀：高愿变共沟，参训度指演
    • 16.5 建立数据管理组织（4步）
    • 16.6 与其他数据相关机构的沟通
    • 16.7 数据管理角色
      • 角色分类
  • 核心概念
    • 数据管理组织（DMO）
    • CDO、数据架构师、数据管理专员、数据所有者
    • 角色 ≠ 岗位，常跨职能
• 第17章 数据管理和组织变革管理
  • 章节定位：
    • 数据项目失败，常败在“人不变”。
  • 学习重点
    • 17.1 引言与变革法则
      • 1. 成功数据管理需要5项转变
        • 1. 从纵向筒仓→横向信息价值链责任
        • 2. 从局部信息质量→组织核心价值
        • 3. 从数据清洗记分卡→组织基本能力
        • 4. 衡量不良数据代价和规范化数据管理价值
        • 5. 学习横向管理
      • 2. 变革5法则
    • 17.2~17.3 转型过程与科特误区
      • Bridges转型三阶段
      • 科特变革管理八大误区
        • 口诀：满盟愿放障，短胜文融
    • 17.4 科特重大变革八步法
      • 口诀：树指发，授能短，巩融持
      • 变革平衡公式（Gleicher）
        • 纯文本 C = (D × V × F) > R
        • D​ = 对现状不满程度 V​ = 更好替代方案的愿景 F​ = 实现目标的第一步行动 R​ = 组织阻力 C​ = 变革发生
    • 17.5 创新扩散与持续变革
      • 1. 罗杰斯创新扩散理论
      • 2. 创新采纳五阶段
        • 知悉 → 说服 → 决策 → 实施 → 确认
      • 3. 影响采纳的5因素
        • 1. 相对优势（vs旧方式）
        • 2. 兼容性（与生活方式/工作匹配）
        • 3. 复杂性（越简单越易采纳）
        • 4. 可测试性（免费试用/原型→降低风险）
        • 5. 可观测性（可见→口碑传播）
      • 4. 持续变革4要点
        • 紧迫感：警惕新不满意领域，扩展范围
        • 构建愿景：项目范围≠变革愿景，愿景要宽广
        • 指导联盟：不限于最直接受影响者
        • 相对优势：证明方法可移植到其他计划
    • 17.6 数据管理价值的沟通
      • 1. 沟通7原则
        • 1. 明确目标和期望结果
        • 2. 关键消息构成
        • 3. 为受众量身定制
        • 4. 适合媒介传达
        • 5. 总体目标：通知/教育/设定目标/定义方案/促进变革/影响行动/获反馈/获支持
        • 6. 传达有形和无形价值
        • 7. 分享具体案例
      • 2. 受众沟通7策略
        • 解决问题 / 解决痛点 / 视变革为改进 / 成功愿景 / 避免专业术语 / 分享案例 / 变恐惧为动力
      • 3. 沟通计划要素
        • 目标 → 受众分析 → 关键消息 → 媒介选择 → 时间表 → 责任人 → 反馈机制 → 更新维护
      • 4. 保持沟通
        • 新员工/角色变更→更新计划
        • 多次重复→帮助记忆
        • 展示进展和庆祝成功→获得持续支持
  • 核心概念
    • 变革管理 OCM
    • 不是“管理变革”，而是“管理转型过程”
    • 文化变革是数据治理落地的必要条件