DAMA-DMBOK2重点知识整理CDGA/CDGP——第15章 数据管理成熟度评估

目录

一、分值分布

二、重点知识梳理

1、引言

1.1 业务驱动因素

1.2 目标和原则

1.3 基本概念

2、活动

2.1 规划划评估活动

2.2 执行成熟度评估

2.3 解释结果及建议

2.4 制订有针对性的改进计划

2.5 重新评估成熟度

3、工具

4、方法

4.1 选择DMM框架

5、实施指南

5.1 就绪评估/风险评估

6、成熟度管理治理

---

一、分值分布

        CDGA：6分（6单选）

        CDGP：5分（1单选 2多选）

                考点：

                        驱动因素、目标和原则；

                        活动；

                        指南；

                        实施；

二、重点知识梳理

1、引言

语境关系图:

能力成熟度评估（Capability Maturity Assessment，CMA）：是一种基于能力成熟度模型（Capability Maturity Model，CMM）框架的能力提升方案，描述了数据管理能力初始状态发展到最优化的过程。CMA概念源于美国国防部为评估软件承包商而建立的标准。20世纪80年代中期，卡内基梅隆大学软件工程研究所发布了软件能力成熟度模型。

成熟度模型等级：成熟度模型通过描述各阶段能力特点来定义成熟度的级别。级别通常包括：

• 1）0级。无能力级。
• 2）1级。初始级或临时级：成功取决于个人的能力。
• 3）2级。可重复级：制定了最初级的流程规则。
• 4）3级。已定义级：已建立标准并使用。
• 5）4级。已管理级：能力可以被量化和控制。
• 6）5级。优化级：能力提升的目标是可量化的。

在每个级别中，判定标准是通过展现的能力特征来描述的。例如，成熟度模型可能包括与流程如何落地执行有关的标准，包括这些执行过程的自动化程度等。它可能侧重于策略、控制及过程细节。

基于评估结果，组织可以制定路线图以实现以下目标：

• 1）与过程、方法、资源和自动化相关的高价值改进机会。
• 2）符合业务战略的能力。
• 3）为定期基于模型评估组织能力开展治理项目。

数据管理成熟度评估（Data Management Maturity Assessment， DMMA）可用于全面评估数据管理，也可用于聚焦单个知识领域甚至单个过程。

1.1 业务驱动因素

各组织进行能力成熟度评估有以下几个原因：

• 1）监管。监管对数据管理提出了最低成熟度水平要求。
• 2）数据治理。出于规划与合规性目的，数据治理需要进行成熟度评估。
• 3）过程改进的组织就绪。组织认识到要改进其实践过程应从评估其当前状态开始。例如，它承诺管理主数据，并需要评估其部署主数据管理流程和工具的准备情况。
• 4）组织变更。组织变更（如合并）会带来数据管理挑战。DMMA为应对这些挑战制订了规划。
• 5）新技术。技术的进步提供了管理和使用数据的新方法。组织希望了解成功采用的可能性。
• 6）数据管理问题。当需要解决数据质量问题或应对其他数据管理挑战时，组织希望对其当前状态进行评估，以便更好地决定如何实施变更。

1.2 目标和原则

目标：

• 1）向利益相关方介绍数据管理概念、原则和实践。
• 2）厘清利益相关方在组织数据方面的角色和责任。
• 3）强调将数据作为关键资产进行管理的必要性。
• 4）扩大对整个组织内数据管理活动的认识。
• 5）有助于改进有效数据治理所需的协作。

1.3 基本概念

评价等级及特点：以下是对数据管理成熟度宏观状态的一般总结，包括每个知识领域内的子类别标准的详细评估，如战略、政策、标准、角色定义等。

• 1）0级：无能力。在数据管理中，管理活动或正式企业流程处于无组织的状态。很少有组织处在0级阶段，这个级别在成熟度模型中是为了定义才被设定的。
• 2）1级：初始/临时级。使用有限的工具集进行通用的数据管理，很少或根本没有治理活动。数据处理高度依赖于少数专家，角色和责任在各部门中分开定义。每个数据所有者自主接收、生成和发送数据控件（如果有的话）的应用不一致。管理数据的解决方案是有限的。数据质量问题普遍存在，但无法得到解决，基础设施支持处于业务单元级别。评估标准可能包括对任意一个流程进行控制，如记录数据质量问题。
• 3）2级：可重复级。有一致的工具和角色定义来支持流程执行。在2级中，组织开始使用集中化的工具，并为数据管理提供更多的监控手段。角色的定义和流程并不完全依赖于特定专家。组织对数据质量问题和概念有认识，开始认识到主数据和参考数据的概念。评估标准可能包括组件中的正式角色定义，如职位描述、流程文档以及利用工具集的能力。
• 4）3级：已定义级：新兴数据管理能力。第3级将引入可扩展的数据管理流程将其制度化，并将数据管理视为一种组织促成因素。其特点包括在组织中的数据复制受到控制，总体数据质量普遍提高，有协调一致的政策定义和管理。越正式的流程定义越能显著减少人工干预，这样伴随着集中化的设计流程，意味着流程的结果更加可预测。评估标准可能包括制定数据管理政策、可扩展过程的使用以及数据模型和系统控制的一致性。
• 5）4级：已管理。从1～3级增长中获得的经验积累使组织能够在即将开展新项目和任务时预测结果，并开始级管理与数据相关的风险，数据管理包括一些绩效指标。4级的特点包括从桌面到基础设施的数据管理工具标准化，以及结构良好的集中规划和治理功能。此级别的机构在数据质量和全组织数据管理能力（如端到端的数据审核）等方面有显著性提高。评估标准可能包括与项目成功相关的指标、系统的操作指标和数据质量指标。
• 6）5级：优化级。当数据管理实践得到优化时，由于流程自动化和技术变更管理，它们是高度可预测的，这个成熟度级别的组织会更关注于持续改进。在第5级，工具支持跨流程查看数据。控制数据的扩散防止不必要的复制，使用容易理解的指标来管理和度量数据质量和过程。

评估标准：按一个尺度进行，每级有评估标准。如使用 DAMA-DMBOK 进行，则可关注如下标准：

1. 活动
2. 工具
3. 标准
4. 人员和资源

现有DMMA框架：

• （1）CMMI数据管理成熟度模型（DMM）：CMMI（能力成熟度模型研究所）开发了CMMI-DMM（数据管理成熟度模型），
  • 为以下数据管理领域提供评估标准：
    • 1）数据管理策略。
    • 2）数据治理。
    • 3）数据质量。
    • 4）平台与架构。
    • 5）数据操作。
    • 6）支持流程。
• （2）EDM委员会DCAM：DCAM是成员们努力在数据管理最佳实践上达成共识的结果，描述了与可持续数据管理项目开发相关的37项能力和115个子能力。
  • 评估重点关注
    • 1）利益相关方的参与程度
    • 2）流程的形式
    • 3）展示能力的组件
• （3）IBM数据治理委员会成熟度模型：IBM数据管理委员会成熟度模型基于55个组织委员会组成。委员会成员合作定义了一组通用的可观察和期望的行为，组织可以通过这些行为评估和设计自己的数据治理项目。该模型的目的是通过经验证的业务技术、协作方法和最佳实践，帮助组织构建治理中的一致性和质量控制。
  • 4个关键类别组成：
    • 1）结果。数据风险管理和合规、价值创造。
    • 2）使能因素。组织结构和认知、政策、管理。
    • 3）核心内容。数据质量管理、信息生命周期管理、信息安全和隐私。
    • 4）支持内容。数据架构、分类和元数据、审计信息、日志记录和报告。IBM模型既是一个成熟度框架，也是为了成熟度分级而构造出的一组有答案的评估问题。
• （4）斯坦福数据治理成熟度模型：该模型关注的是数据治理，而不是数据管理，但它为全面评估数据管理奠定了基础。
  • 模型分为：
    • 基础部分（意识、形式化、元数据）
    • 项目部分（数据管理、数据质量、主数据）
  • 在每部分，该模型都清楚地说明了人员、政策和能力的驱动因素，而且阐明了每个成熟度级别的特征，并为每个级别提供了定性和定量的测量。
• （5）Gartner的企业信息管理成熟度模型：
  • 品谷标准：
    • 愿景
    • 战略
    • 度量
    • 治理
    • 角色和责任
    • 生命周期
    • 基础架构

2、活动

        数据管理成熟度评估需要计划。为确保实际可行的结果，应在计划内留出时间准备材料和评估结果，评估应在规定的短时间内进行。评估的目的是揭露当前的优势和改进的机会，而不是解决问题。

        评估是通过向业务、数据管理和信息技术参与者征求意见来进行的，目的是在证据的支持下就当前的状态能力达成共识。证据可能来自对组件的检查（如是否存在数据库备份）、访谈（证实某人正在执行评估系统以供重用）或两者兼而有之。

        评估可以扩展以满足组织需要，但修改时须小心谨慎。如果剪裁或修改模型，模型可能会失去原始的严谨性或可追溯性。自定义模型时，应保持模型的完整性不变。

2.1 规划划评估活动

评估本身包括收集和评估输入、沟通结果、建议和行动计划。

具体步骤：

• 1.定义目标。要确定驱动因素并变成目标，相关人必须了解目标并保持与战略方向一致。
• 2.选择框架。选对框架做对事。
• 3.定义组织范围。在整个企业范围实施可能是不切实际的。第一次评估要范围可控。参与人要可影响关键业务流程的人。
  • 折中方法：
    • 1）局部评估。
    • 2）企业评估。
• 4.定义交互方法。
• 5.计划沟通。
  • 在评估开始之前，应告知利益相关方对评估的期望。沟通应描述：
    • 1）数据管理成熟度评估的目的。
    • 2）评估应如何进行。
    • 3）他们参与的是什么部分。
    • 4）评估活动的时间表。

2.2 执行成熟度评估

• 1.收集信息。根据交互模型为评估活动收集适当的输入。收集的信息至少包括评估标准的正式评级，还可以包括访谈和焦点小组的成果、系统分析和设计文档、数据调查、电子邮件字符串、程序手册、标准、策略、文件存储库、批准工作流、各种工作产品、元数据存储库、数据和集成参考架构、模板和表单。
• 2.执行评估。
  • 改进需要遵循如下过程：
    • 1）审查评级方法。
    • 2）记录支持证据。
    • 3）与参与者一起讨论，就每个领域的最终评分达成共识。在合适的情况下，根据每个标准的重要性使用不同权重。
    • 4）记录关于模型标准的声明和评审员的解释，作为评级的说明。
    • 5）开发可视化工具，展示说明评估结果。

2.3 解释结果及建议

• 1.报告评估结果。
  • 评估报告应包括：
    • 1）评估的业务驱动因素。
    • 2）评估的总体结果。
    • 3）按主题分类有差距的评级。
    • 4）弥补差距的建议方法。
    • 5）所观察到的组织的优势。
    • 6）进展的风险。
    • 7）投资和成果选项。
    • 8）衡量进展的治理和指标。
    • 9）资源分析与未来潜在效用。
    • 10）可在组织内使用或重复使用的组件。
• 2.制定管理层简报。为管理层制定目标、计划和时间表提供决策支持。

2.4 制订有针对性的改进计划

• 路线图或参考计划应包括：
  • 1）对特定数据管理功能进行改进。
  • 2）实施改进活动的时间表。
  • 3）一旦活动实施，DMMA 评级的预期改善情况。
  • 4）监督活动，包括在时间线上逐渐成熟的监督。

2.5 重新评估成熟度

• 应定期进行重新评估，它们是循环往复持续改进的一部分：
  • 1）通过第一次评估建立基线评级。
  • 2）定义重新评估参数，包括组织范围。
  • 3）根据需要，在公布的时间表上重复 DMM 评估。
  • 4）跟踪相对于初始基线的趋势。
  • 5）根据重新评估结果制定建议。

3、工具

• 1）数据管理成熟度框架。DMM本身。
• 2）沟通计划。
• 3）协作工具。协作工具允许共享评估结果。
• 4）知识管理和元数据存储库。

4、方法

4.1 选择DMM框架

选择 DMM 框架的标准：

• 1）易用性。
• 2）全面性。包括业务参与，而不仅仅是 IT 过程。
• 3）可展性和灵活性。
• 4）内置的未来演进路径。
• 5）行业不可知论与行业特定论。都应该遵循跨垂直领域的数据管理最佳实践。
• 6）抽象或详细程度。
• 7）非规定性。可执行而不是必须执行。
• 8）按主题组织。情景化，独立进行且可识别依赖。
• 9）可重复。
• 10）由中立的独立组织支持。
• 11）技术中立。模型的重点应该放在实践上，而不是放在工具上。
• 12）培训支持。

5、实施指南

5.1 就绪评估/风险评估

6、成熟度管理治理

度量指标：

• 1）DMMA评级。
• 2）资源利用率。
• 3）风险敞口。对风险情景做出反应的能力。
• 4）支出管理。
  • ①数据管理可持续性。
  • ②实现主动性的目标和目的。
  • ③沟通的有效性。
  • ④教育和培训的有效性。
  • ⑤变更采用的速度。
  • ⑥数据管理价值。
  • ⑦对业务目标的贡献。
  • ⑧降低风险。
  • ⑨提高运营效率。
• 5）DMMA的输入。
• 6）变革速度。指一个组织提高自身能力的速度。