|
一、数据管理（12） 1．数据管理的直接目标是提高数据质量，终极目标是获取数据价值。 2．数据 = 信息。流程输入为数据，流程输出为信息。 3．数据管理的业务驱动因素是从数据资产中获取价值。 4．数据管理的目标：需求、质量、安全、隐私、价值。 5．数据管理的原则：13个原则。 6．数据管理的挑战：13个挑战。 7．数据管理战略和交付成果。 8．数据管理的框架：SAM、AIM、DAMA。 9．DAMA框架：DAMA车轮图、六边形图、知识领域语境关系图（14个）。 10．DMBOK金字塔（彼得·艾肯）、功能领域依赖关系（苏·吉恩斯）。 11．DAMA数据管理功能框架、DAMA车轮图演进版。 12．按照DAMA的DMBOK理论：数据管理 > 数据治理，数据治理是数据管理1/11。在中国，通用语言中，治理 > 管理；数据行业中的一般性沟通中：数据管理 = 数据治理。 二、数据伦理（8）1．数据伦理的核心概念：对人的影响、潜在的数据滥用、数据的经济价值。 2．数据伦理的业务驱动因素：慎独。 3．数据伦理的原则：尊重个人、善行、正义、尊重法律和公共利益。 4．数据隐私法和原则：GDPR、PIPEDA、FTC。 5．中国数据相关法律：个人信息保护法、数据安全法、网络安全法。 6．不伦理的数据实践：时间选择、视觉误导、定义不清/无效比较、偏见等。 7．偏见：预定结果收集数据、偏见使用数据、直觉、偏见抽样、背景文化。 8．伦理风险模型：识别对象、捕获数据、分析活动、访问结果。 三、数据治理（16）1．数据治理的职能：8个方面。 2．数据治理的业务驱动因素：监管合规、高级分析和数据科学、业务需求、降低风险和改善流程（8个方面，4:4或者3:5）。中国在数据生产要素的背景下，增加“数据交易”这个业务驱动因素。 3．数据治理（DG）和数据管理（DM）/数据质量（DQ）一样都是职能（Function），不是项目（Project）或者计划/项目集（Program）。 4．数据治理和IT治理职能分开。 5．数据治理的目标：数据作为资产来管理。 6．数据治理的特征：可持续、嵌入式、可测量。 7．数据治理的原则：6个原则。 8．数据治理的职责分离：数据治理——监督，数据管理——执行。 9．数据治理的组织机构：DGSC、DGC、DGO、数据专员、本地DGC。 10．数据治理的运营模型：集中、复制（分布）、联邦。DMBOK2R第16章中数据管理的组织结构类型：分布、网络、集中、混合、联邦。 11．数据专员制度：职责（4个方面）、类型（7种类型）。 12．数据资产估值：成本法（5个方面）。DAMBOK中包括：成本法、盈利法、市场法、综合法等。 13．数据资产会计原则：10个原则。 14．数据治理的活动：制定战略、定义组织、实施治理、嵌入流程。 15．数据治理的工具：网站、术语表、工作流、文档管理、评分卡。 16．数据治理的指标：价值、有效性、可持续性、遵守法规和内部数据政策。 四、数据架构（15）1．企业架构学科包括：业务架构、数据架构、应用架构、技术架构。 2．数据架构考虑维度：成果、活动、行为。 3．数据架构设计文档包括：企业数据模型（CDM、LDM，第4章数据架构的交付成果）和物理数据模型（PDM，第5章数据建模与设计的交付成果）。 4．数据架构的目标：业务战略和技术执行的桥梁。 5．Zachman架构框架——本体论方法。 6．企业数据架构：企业数据模型（EDM）（数据静态设计）、数据流设计（数据动态设计）。 7．数据流映射和记录了数据与：应用程序、数据存储、网段、业务角色、本地差异之间的关系。 8．数据架构和企业架构处理复杂性：质量导向、创新导向。 9．企业数据架构项目的活动：定义范围、理解需求、设计、实施。 10．项目开发方法：瀑布、增量、敏捷、迭代。 11．数据架构工具：数据建模、资产管理、图形设计。 12．架构生命周期：8个阶段。 13．架构图解清晰：6个方面。 14．架构项目风险：7个方面。 15．数据架构的指标：合规性、实用性、业务价值。 五、数据建模（34）1．数据建模的6种模式：关系模式、维度模式、面向对象、基于事实、基于时间、NoSQL。 2．数据建模的3个层级：概念、逻辑、物理。 3．数据模型的组成部分：实体、关系、事实、键、属性。 4．数据建模的业务驱动因素：通用词汇、明确知识、沟通工具、工作起点。 5．可以建模的静态数据：分类、资源、业务事件、详细事务。 6．可以建模的动态数据：协议、消息、事件。 7．数据模型的基本组件：实体、关系、属性、值域。 8．实体的类型：谁、什么、何时、何地、为什么、如何、测量。 9．实体的别名。 10．关系的别名。 11．关系的基数：0、1、多。 12．关系的元数：1、2、3。 13．外键表示关系。 14．属性表示特征，具有值域。 15．标识符 = 键，包括：构造键、功能键。 16．独立实体和非独立实体。 17．值域的定义方式：数据类型、数据格式、列表、范围、基于规则。 18．关系模式的表示方法：IE、IDEF1X、巴克、陈。 19．维度模型：维度表、事实表。 20．SCD：覆盖、新行、新列。 21．星型模型、雪花模型、星座模型。 22．粒度。 23．基于时间的模式：数据金库/数据保管库（DV）、锚建模。 24．NoSQL的表示方法/类型：文档、列、图、键值。 25．数据模型SPARC三模式：概念（逻辑模型LDM）、外部（概念模型CDM）、内部（物理模型PDM）。 26．规范化 = 第三范式（3NF）。 27．超类和子类。 28．数据建模的活动：规划、构建、审查、维护。 29．数据建模的交付成果：图、定义、问题、谱系/血缘。 30．正向工程和逆向工程。需求-CDM-LDM-PDM-库表——正向工程从左到右，逆向工程从右到左。 31．数据建模的工具：数据建模、谱系/血缘、数据剖析、元数据存储库、数据模型模式、行业数据模型。 32．数据建模最佳实践：命名约束、数据库设计。 33．数据模型的指标：时间价值、支持成本、数据模型质量验证工具（评分卡）。 34．数据模型评分卡模版。 六、数据存储（21）1．数据存储与操作/运营的关键角色：DBA（数据库管理员） 2．数据存储与操作/运营的业务驱动因素：业务连续性。 3．数据存储与操作/运营的目标：可用性、完整性、性能。 4．数据存储与操作/运营的原则：5个原则。 5．数据库术语。 6．DBA包括：生产DBA、应用程序DBA、过程和开发DBA、NSA。 7．数据库架构类型：集中、分布、联邦。 8．耦合。 9．区块链。 10．虚拟化和云计算。 11．数据库处理类型：ACID、BASE、CAP。 12．数据库存储介质：SAN、内存、列式压缩、闪存。 13．数据库环境：生产环境、预生产环境（开发、测试、实验）。 14．测试环境的用途：质量保证测试（QA）、集成测试、用户验收测试（UAT）、性能测试。 15．数据库组织方式：层级（树形模式）、关系（写模式）、非关系（读模式）。 16．数据库流程：8个方面。 17．服务水平协议（SLA）。 18．备份（联机热备/脱机冷备）和还原/恢复。 19．数据存储与操作/运营的工具：数据建模工具、数据库监控工具、数据库管理工具、开发人员支持工具。 20．数据存储与操作/运营的指标：存储、性能、操作/运营、服务。 21．DBA支持数据审计和数据验证的方式：8个方面。 七、数据安全（20）1．数据安全需求来源：利益相关方、政府法规、业务关注、访问需求、合同义务。 2．数据安全的业务驱动因素：风险降低、业务增长、安全即资产。 3．数据分类分级：识别和分类分级敏感数据资产、定位敏感数据、确定保护方法、识别访问方法。 4．数据安全的目标：访问、合规、满足要求。 5．数据安全的原则：6个原则。 6．信息安全术语。 7．网络安全术语。 8．数据安全术语。 9．系统安全术语。 10．黑客。 11．网络钓鱼。 12．恶意软件（5种类型）及其来源。 13．数据安全的活动。 14．数据安全的工具：7种工具。 15．数据安全的方法：6种方法。 16．外包。 17．CRUD。 18．RACI。同DMBOK2R第16章。 19．数据安全的指标：安全实施、安全意识、数据保护、安全事件、保密数据扩散率。 20．数据安全的18种能力。 八、数据集成（12）1．数据集成的业务驱动因素：高效管理移动、管理复杂性和成本、管理支持成本、遵守标准和法规。 2．数据集成的目标：提供消费数据、集成数据中心、降低成本和复杂性、识别事件触发响应、支持其他数据应用领域。 3．数据集成的原则：企业视角设计、迭代增量交付；平衡本地需求和企业需求；业务负责设计和相关活动。 4．ETL和ELT。 5．转换 = 映射，转换的示例：格式变更、结构变更、语义转换、去除重复、重新排序。 6．时延/延时：6种类型。 7．交互模式：点对点、中心辐射、发布订阅。 8．数据集成的架构概念：9个概念。 9．数据集成的活动：规划和分析、设计解决方案、开发解决方案、实施和监控。 10．数据集成的工具：7类工具。 11．数据共享协议（DSA）或者谅解备忘录（MOU）。 12．数据集成的指标：数据可用性、数据体量和性能、解决方案成本和复杂性。 九、文档和内容（17）1．文档和内容管理的业务驱动因素：监管合规、应对（诉讼和电子取证）能力、业务连续性、提高效率（改进文档管理的驱动力）。 2．文档和内容管理的目标：对非结构化数据的检索和使用、结构化和非结构数据的集成、法律义务、客户期望。 3．文档和内容管理的原则：全员责任、依规使用、专家参与、差异管理。 4．ARMA国际GARP：8个原则。 5．内容相关概念：4个方面。 6．受控词汇相关概念：9个方面。 7．分类法的5种类型：平面、分层、多层、分面、网络。 8．文档和记录/档案相关概念：3个方面。 9．记录/档案应该具备的特征：内容、语境、及时性、永久性、结构5个方面。 10．电子取证参考模型（EDRM）：8个阶段。 11．非结构化数据占比80%，包括各种格式：10+类型。 12．文档和内容管理的活动：规划生命周期管理、管理生命周期、发布和交付内容。 13．文档和内容管理的工具：5类工具。 14．ARMA国际GARP：5个成熟度等级。 15．信息治理框架的业务驱动因素：5个方面。 16．信息治理框架的原则：ARMA国际GARP的8个原则+12个原则。 17．文档和内容管理的指标：记录/档案管理、电子取证、企业内容管理（ECM）。 十、主数据管理（28）1．主数据管理的业务驱动因素：4个方面。 2．主数据管理的目标：确保质量、实现共享、降低成本和复杂性。 3．主数据管理的原则：6个原则。 4．主数据包括：参考数据、企业结构数据、事务结构数据。 5．组织主数据包括：客户/相关方、产品和服务、财务结构、地点。 6．记录系统，参考系统。 7．可信来源，黄金记录。 8．主数据管理需求：7个方面。 9．制定主数据管理计划的基本步骤：4个步骤。 10．主数据管理生命周期的关键活动：6个方面。 11．MDM的关键处理步骤：5个步骤。 12．实体解析的步骤：5个步骤。 13．匹配：假阳性/假阴性，确定性算法/概率性算法。 14．MDM 需要跨数据源管理两种类型的标识符：全局 ID 和交叉参考（x-Ref）信息。 15．客户主数据。 16．财务主数据。 17．法律主数据。 18．产品主数据。 19．位置主数据和位置参考数据。 20．行业主数据。 21．数据共享架构：注册中心、事务中心、混合方法。 22．MDM活动和RDM活动：7个活动。 23．主数据管理的工具：5类工具。 24．参考数据变更请求流程。 25．数据共享协议（DSA）。 26．主数据治理的流程：7个步骤。 27．主数据管理的指标：7个方面。 28．总拥有成本（TCO）。 十一、数据仓库（21）1．数据仓库的业务驱动因素：支持运营职能、监管合规要求、BI活动。 2．数据仓库的目标：支持BI、业务分析和决策制定、创新。 3．数据仓库的原则：8个原则。 4．DW/BI的概念。 5．数据仓库思想领袖：Inmon、Kimball。 6．数据仓库建设方法：5个核心方面。 7．企业信息工厂（CIF）的概念（6个特征）和组成部分（9个组件）。 8．DW/DM、APP的数据差异：5个方面。 9．维度数据仓库（DDW）的概念和组织部分（4个组件）。 10．数据仓库架构组件：源系统、数据集成、数据存储区域（6个区域）。 11．数据加载处理类型：历史加载、持续更新。 12．变更数据捕获（CDC）：5种方法。 13．近实时/实时处理：3种类型。 14．数据仓库的活动：理解需求、定义架构、开发DW/DM、填充DW、实施BI产品组合、维护数据产品。 15．数据仓库的工具：元数据存储库、数据集成工具、BI工具。 16．BI工具包括：运营报告/报表、业务绩效管理（BPM）、描述性自助式分析。 17．OLAP的操作：5种类型。 18．OLAP的类型：3种类型。 19．数据仓库的方法：原型驱动、自助式BI、数据审计。 20．DW/BI关键成功因素：5个方面。 21．数据仓库的指标：使用指标、主题领域覆盖百分比、响应和性能指标。 十二、元数据管理（25）1．元数据管理的业务驱动因素：10个方面。 2．元数据管理不善会导致的问题：5个问题。 3．元数据管理的目标：5个目标。 4．元数据管理的原则：8个原则。 5．元数据的类型：业务、技术、操作。 6．图书馆和信息科学领域的元数据类型：描述、结构、管理。 7．业务元数据：13个类型。 8．技术元数据：15个类型。 9．操作元数据：14个类型。 10．元数据注册标准ISO 11179：6个部分。 11．非结构化数据的元数据类型：描述、结构、管理、书目、记录保留、保存。 12．元数据的来源：15个方面。 13．元数据架构类型：集中、分布、混合、双向。 14．元数据管理的活动：制定战略、理解需求、定义架构、创建/维护、查询/报告/分析。 15．定义元数据战略：5个步骤。 16．理解元数据需求：10点需求。 17．定义元数据架构：创建元模型、应用元数据标准、管理元数据存储。 18．元数据治理活动：控制活动（8个）、质量控制活动（4个）、元数据管理活动（8个）、培训活动（3个）。 19．元数据质量管理：问责制、标准、改进。 20．存储库扫描的方式：专有接口（单步）、半专有接口（两步）。 21．存储库扫描的文件：控制文件、重用文件、日志文件、临时和备份文件。 22．元数据的交付机制：7个方面。 23．拼接。 24．横向谱系和纵向谱系。 25．元数据管理的指标：8个方面。 十三、数据质量（37）1．数据质量（DQ）与数据治理（DG）和数据管理（DM）一样，数据质量管理也是一项职能（Function），而不是计划（Program）或项目（Project）。 2．数据质量的业务驱动因素：4个方面。 3．数据质量管理的系统化方法：3个方面。 4．数据质量管理的实际好处：6个方面。 5．数据质量管理的目标：4个目标。 6．数据质量管理的原则：8个原则。 7．关键数据通常用于：监管、财务或管理报告；业务操作需要；产品质量和客户满意度的测量；业务战略，尤其是在竞争差异化方面；主数据和参考数据通常从定义上具有关键性。 8．数据质量的维度：有效性、完整性、一致性、完善性、及时性、时效性、合理性、唯一性、准确性（9个）。 9．数据质量业务规则。 10．数据质量改进周期（PDCA）。 11．质量管理大师：Deming、Shewhart。 12．PDCA和PDSA。 13．PDCA的新循环开始：4个方面。 14．数据质量问题原因：5个方面。 15．缺乏监督问题（数据质量管理的障碍）：6个方面。 16．数据输入引起的问题：6个方面。 17．数据处理引起的问题：5个方面。 18．系统设计引起的问题：6个方面。 19．修复问题引起的问题。 20．数据质量管理的活动：定义框架、定义高质量数据、识别维度和配套业务规则、初始评估、识别改进和优先级排序、定义改进目标、开发和部署。 21．数据质量监控方法：数据元素、数据记录、数据集。 22．数据质量管理的工具：6个工具。 23．数据丰富/增强的示例：8个方面。 24．数据质量管理的方法：5个方法。 25．数据质量指标开发的特征：6个方面。 26．数据剖析/数据概要分析：5个方面。 27．数据质量预防措施/方法：6个方面。 28．数据质量根本原因分析：5个方法。 29．数据质量纠正措施：完全自动纠正、人工指导纠正、人工手工纠正。 30．数据质量工作实施指南：6个方面。 31．数据质量管理指标：6个方面。 32．数据质量管理大师：Strong-Wang、Redman、English。 33．Strong-Wang的维度：4个分类。 34．Redman的维度：3个分类。 35．English的维度：2个分类。 36．DAMA UK的维度：6个方面。 37．DAMA UK的其他特征：5个方面 十四、大数据与数据科学（28）1．大数据与数据科学的业务驱动因素：发现商机并践行。 2．数据科学将数据挖掘（Data Mining）、统计分析（Statistical Analysis）、机器学习（Machine Learning）、数据集成技术、数据建模能力相结合，构建预测模型、探索数据内容。 3．机器学习的数据集比例问题。训练集、验证集、测试集——比例为：训练集70%，验证集20%，测试集10%。验证机和测试集合称评估集，因此训练集和评估集的比例为：70%和30%。 4．数据科学依赖：4个方面。 5．数据科学与DW/BI的对比。 6．数据科学的流程：7个步骤。 7．大数据与数据科学的流程：9个步骤。 8．大数据的V：6个V。 9．大数据的来源：7个方面。 10．数据湖的定义。 11．数据湖的用途：5个方面。 12．数据湖与元数据。 13．基于服务的架构（SBA）=Lambda架构，包括：批处理层、速度层、服务层。 14．机器学习的算法类型：监督学习、无监督学习、强化学习。 15．数据和文本挖掘的方法：5个方法。 16．结构化数据、非结构化数据、半结构化数据。 17．数据源的基本事实：5个方面。 18．对新数据源的规划：5个方面。 19．利用模型探索数据：4个步骤。 20．大数据与数据科学的工具：6类工具。 21．新工具、新技术、新趋势：9个方面。 22．数据库内算法：5个算法。 23．数据科学基本算法：9个算法。 24．数据科学编程语言：R和Python。 25．大数据与数据科学和DW/BI都需要的跨职能角色：5个角色。 26．大数据与数据科学治理解决的问题：5个方面。 27．大数据组织使用数据质量工具建立数据知识：4个方面。 28．大数据与数据科学的指标：3个方面。 十五、数据管理成熟度（14）1．常见的成熟度等级：6个等级（0-5或者1-6）。 2．成熟度评估的业务驱动因素：6个方面。 3．成熟度评估的目标：5个方面。 4．成熟度评估模型映射到DMBOK知识领域，标准参考语境关系图制定：活动、工具、标准、人员和资源。 5．成熟度评估框架：5个框架。 6．DCMM、DSMM、DSG、DCAM、CDMC。 7．DCMM的输出成果：4个成果。 8．成熟度评估的活动：5个活动。 9．规划沟通的沟通内容包括：4个方面。 10．重新评估成熟度的持续改进周期：5个步骤。 11．成熟度评估的工具：4类工具。 12．成熟度评估框架的选择标准：12个方面。 13．DMBOK可用于准备和建立成熟度评估标准。 14．成熟度评估的指标：6个方面。 十六、组织与角色（7）1．数据管理的组织结构：分布式、网络式、混合式、联邦式、集中式。DMBOK2R第3章中数据治理的运营模型：集中、复制（分布）、联邦。 2．RACI。同DMBOK2R第7章。 3．数据管理组织的关键成功因素：10个方面。 4．首席数据官（CDO）的职责：6个方面。 5．数据治理大师：John Ladley。 6．IT角色：13个角色。 7．混合角色：5个角色——BI、质量、元数据。 十七、组织变革管理（18）1．变革法则：5个方面。 2．变革管理大师：William Bridges、John P. Kotter。 3．变革阶段：3个阶段——旧的结束、中立区、新的开始。 4．变革模型：8个步骤/3个阶段。 5．制造紧迫感的因素：9个方面。 6．紧迫感的量化数字：75%。 7．良好愿景的作用/目的：3个方面。 8．有效愿景的特征：6个方面。 9．有效愿景的构建：7个步骤。 10．有效愿景的关键要素：7个方面。 11．创新传播（Everett Rogers）和思想病毒（Seth Godin）。 12．创新扩散的人群分类：5类人群。 13．创新扩散的关键要素：4个要素。 14．创新采用阶段：5个阶段。 15．沟通原则：4个原则。 16．沟通目标：8个目标。 17．数据管理中的沟通目标：4个方面。 18．沟通计划中的要素：12个要素。 十八、最佳实践（7）1．DIKW和DRAC。 2．数据确权。登记是形式上的确权、入表是实质上的确权。 3．三权分置：数据资源持有权、数据加工使用权、数据产品经营权。 4．数据价值实现：间接、直接。 5．数据交易合规与监管相关法律：《网络安全法》《数据安全法》《个人信息保护法》。 6．数据跨境流通区域：4个区域。 7．数据资产入表：3或4张表。 十九、CDGA考试（5）1．CDGA考试： (1) 100道单选题，每题1分。 (2) 100分满，60分合格。 (3) 图答题卡，机器批卷。 (4) 不支持查分。 2．CDGA考试难度：中等。 3．CDGA考试趋势：从书本原文向应用场景过渡，难度稳步增加。 4．CDGA备考资料：《一本书搞定CDGA》优于《DMBOK》最新版教材。 5．CDGA的通过率：全数联一般保持在90%以上。参加进阶培训的通过率可以达到100%。
| 
发表于 2025-12-6 19:48:58
