原创2024-02-21小艾老师

CDMP数据管理专家认证知识体系考证须知证书含金量培训大纲 3分钟小视频我要提问

CDMP认证是目前全球认可的数据管理方面专业认证证书。它评估个人在数据管理领域的知识和技能，包括数据治理、数据质量、数据架构、数据安全等方面的能力。获得CDMP认证可以证明持证人具备专业的数据管理知识和能力。

中文名CDMP数据管理专家认证
英文名Certified Data Management Professional
英文简称CDMP
颁证机构DAMA（数据管理国际协会）
证书类别数据管理，数据治理，数据架构
同类认证CDGA

图书名称：《DAMA-DMBOK2数据管理知识体系指南（第2版）》

图书简介：

本书是数据管理协会（DAMA国际）组织众多国际资深专家对过去30多年数据管理领域知识和实践的总结，是市场上综合了数据管理方方面面的一部具有权威性的基础工具书。从数据治理、数据架构、数据质量、数据安全、主数据管理、参考数据管理、元数据管理、商务智能和数据参考管理、数据建模设计、数据存储和操作、数据集成和互操作、文档和内容管理、大数据、数据管理人员的道德要求等方面介绍了数据管理的知识体系。

推荐理由：

“这本书是数据管理领域的权威指南，对于那些希望在数据管理方面取得成功的人来说，它是必读之作。”

“DAMA 数据管理知识体系指南是一本综合性的数据管理资源，它为读者提供了全面的知识和实用的工具。”

“无论你是数据管理的新手还是经验丰富的数据管理专业人士，这本书都能为你提供有价值的见解和指导。”

全书内容及结构：

提示：全书内容的讲解篇幅有点长，信息量有点大，请大家耐心看完，或者你也可以直接收藏本文，需要用到时再翻看！

1、知识体系框架

本书的理论框架（即，DAMA数据管理知识体系）由DAMA车轮图（11个职能领域）和DAMA环境因素六边形图（7个基本环境要素）共同构成。

每项数据职能领域都在7个基本环境要素约束下开展工作，按照一定的逻辑结构进行分析，数据治理的目标和实际商业过程的贡献。用于指导组织的数据管理职能和数据战略的评估工作，并建议和指导刚起步的组织去实施和提升数据管理。如下的矩阵以图示方式给出此框架（DAMA职能框架）：

11个职能域

数据治理：通过建立一个能够满足企业数据需求的决策体系，为数据管理提供指导和监督。
数据架构：定义了与组织战略协调的管理数据资产蓝图，以建立战略性数据需求及满足需求的总体设计。
数据建模和设计：以数据模型的精确形式，进行发现、分析、展示和沟通数据需求的过程。
数据存储和操作：以数据价值_大化为目标，在整个数据生命周期中，从计划到销毁的各种操作活动。
数据安全：确保数据隐私和机密性得到维护，数据不被破坏，数据被适当访问。
数据集成和互操作：包括与数据存储、应用程序和组织之间的数据移动和整合相关的过程。
文档和内容管理：用于管理非结构化媒体数据和信息的生命周期过程，包括计划、实施和控制活动，尤其是指支持法律法规遵从性要求所需的文档。
参考数据和主数据：包括核心共享数据的持续协调和维护，使关键业务实体的真实信息，以准确、及时和相关联的方式在各系统间得到一致使用。
数据仓库和商务智能：包括计划、实施和控制流程来管理决策支持数据，并使知识工作者通过分析报告从数据中获得价值。
元数据：包括规划、实施和控制活动，以便能够访问高质量的集成元数据，包括定义、模型、数据流和其他至关重要的信息（对理解数据及其创建、维护和访问系统有帮助）。
数据质量：包括规划和实施质量管理技术，以测量、评估和提高数据在组织内的适用性。

2、核心章节及内容介绍

全书共17章。核心章节及有关内容，如下：

◆ 数据治理：

通过建立一个能够满足企业需求的数据决策体系，为数据管理提供指导和监督。这些权限和责任的建立应该考虑到组织的整体需求。（参见第3章）

◆ 数据架构：

定义了与组织战略协调的管理数据资产的“蓝图”，指导基于组织的战略目标，指定符合战略需求的数据架构。（参见第4章）

◆ 数据建模和设计：

以数据模型（data model.）的精确形式，进行发现、分析、展示和沟通数据需求的过程。（参见第5章）

◆ 数据存储和操作：

以数据价值_大化为目标，包括存储数据的设计、实现和支持活动，以及在整个数据生命周期中，从计划到销毁的各种操作活动。（参见第6章）

◆ 数据安全：

这一活动确保数据隐私和安全，数据的获得和使用必须要有安全的_。（参见第7章）

◆ 数据集成和互操作：

包括与数据存储、应用程序和组织之间的数据移动和整合相关的过程。（参见第8章）

◆ 文档和内容管理：

用于管理非结构化媒体的数据和信息的生命周期过程，包括计划、实施和控制活动，尤其是指支持法律法规遵从性要求所需的文档。（参见第9章）

◆ 参考数据和主数据管理：

包括核心共享数据的持续协调和维护，使关键业务实体的真实信息，以准确、及时和相关联的方式在各系统间得到一致使用。（参见第10章）

◆ 数据仓库和商务智能：

包括计划、实施和控制流程，来管理决策支持数据，并使知识工作者通过分析报告从数据中获得价值。（参见第11章）

◆ 元数据管理：

包括规划、实施和控制活动，以便能够访问高质量的集成元数据，包括定义、模型、数据流和其他至关重要的信息（对理解数据及其创建、维护和访问系统有帮助）。（参见第12章）

◆ 数据质量管理：

包括规划和实施质量管理技术，以测量、评估和提高数据在组织内的适用性。（参见第13章）

除了有关知识领域的章节外，还包含以下主题章节：

数据处理伦理（Data Handling Ethics）：描述了关于数据及其应用过程中，数据伦理规范在促进信息透明、社会责任决策中的核心作用。数据采集、分析和使用过程中的伦理意识对所有数据管理专业人士有指导作用。（参见第2章）

大数据和数据科学（Big Data and Data Science）：描述了针对大型的、多样化数据集收集和分析能力的提高而出现的技术和业务流程。（参见第14章）

数据管理成熟度评估（Data Management Maturity Assessment）：概述了评估和改进组织数据管理能力的方法。（参见第15章）

数据管理组织和角色期望（Data Management Organization and Role Expectations）：为组建数据管理团队、实现成功的数据管理活动提供了实践提供和参考因素。（第16章）

数据管理和组织变革管理（Data Management and Organizational Change Management ）：描述了如何计划和成功地推动企业文化变革，文化的变革是将数据管理实践有效地嵌入组织中必然结果。（第17章）

3、部分核心知识点内容

1）数据管理

（1）数据管理九大核心原则

图. 数据管理九大核心原则

数据是有独立属性的资产：数据是一种资产，但相比其他资产，其在管理方式的某些方面有很大差异。对比金融和实物资产，其中_明显的一个特点是数据资产在使用过程中不会产生消耗。

数据价值能够并且应该通过经济术语来表达：将数据称为资产意味着它有价值。虽然有技术手段可以测量数据的数量和质量，但还未形成这样做的标准来衡量其价值。想要对其数据做出更好决策的组织应该开发一致的方法来量化该价值。他们还应该衡量低质量数据的成本和高质量数据的好处。

管理数据意味着管理数据的质量：确保数据符合应用的要求是数据管理的首要目标。为了管理质量，组织必须确保他们了解利益相关者对质量的要求，并根据这些要求度量数据。

管理数据需要元数据：管理任何资产都需要首先拥有该项资产的数据（员工人数，账户号码等）。用于管理和如何使用的数据都叫元数据。因为数据无法拿在手中或触摸到，要理解它是什么以及如何使用它，需要以元数据的形式定义这些知识。元数据源于与数据创建、处理和使用相关的一系列流程，包括架构、建模、管理、治理、数据质量管理、系统开发、IT和业务运营以及分析。

管理数据需要计划：即便是小型组织也可能有复杂的技术和业务流程蓝图。数据在多个地方被创建，且因为使用需要在很多存储位置间移动。需要一些协调工作来保持_终结果的一致，需要从架构和流程的角度进行规划。

管理数据是跨职能的工作：它需要一系列的技能和专业知识，因此单个团队无法管理组织的所有数据。数据管理需要技术能力、非技术技能以及协作能力。

数据管理需要企业级视角：虽然数据管理存在很多本地应用程序，但它必须能够有效地被应用于整个企业。

数据是流动的，数据管理必须不断发展演进，以跟上数据创建的方式、应用的方式和消费者的变化。

数据管理是全生命周期的管理：数据是有生命周期的，因此数据管理需要管理它的生命周期。因为数据又将产生更多的数据，所以数据生命周期本身可能非常复杂。数据管理实践活动需要考虑数据的整个生命周期。

（2）知识领域语境关系图

图. 知识领域语境关系图

描述了知识领域的细节，包括与人员、流程和技术相关的细节。它们基于产品管理（供应者、输入、活动、交付成果和消费者）的SIPOC图的概念。

语境关系图将活动放在中心，这些活动生产了满足利益相关者需求的可交付成果。每个语境关系图都以知识领域的定义和目标开始。

驱动目标（中心）的活动分为四个阶段：计划（P）、开发（D）、操作（O）和控制（C）。

在左侧流入活动中是输入和供应商。右侧从活动中流出是交付成果和消费者。参与者列在活动下方。

底层是影响知识领域各个方面的工具、技术和度量标准。

（3）DAMA金字塔

图．DAMA金字塔图

第1阶段：组织购买包含数据库功能的应用程序。这意味着组织以此作为数据建模、设计、数据存储和数据安全的起点。要使系统在其数据环境中运行，还需要做数据集成和交互操作方面的工作。

第2阶段：一旦他们开始使用应用程序，他们将发现数据质量方面的挑战。但获得更高质量的数据取决于可靠的元数据和一致的数据架构。它们说明了来自不同系统的数据是如何协同工作的。

第3阶段：管理数据质量、元数据和架构需要严格地实践数据治理，为数据管理活动提供体系性支持。数据治理还支持战略计划的实施，如文档和内容管理、参考数据管理、主数据管理、数据仓库和商务智能，这些黄金金字塔中的高级应用都会得到充分地支持。

第4阶段：该组织充分利用了良好管理数据的好处，并提高了其分析能力。

2）数据处理伦理

（1）数据处理伦理语境关系图

描述构成数据管理伦理的基本原则；阐述数据伦理处理方法如何帮助组织避免数据的非正常使用及由此带来的对客户、声誉或更广大群体的危害。

图. 数据处理伦理语境关系图

（2）数据伦理准则

尊重他人: 这个准则反映了对待人类_基本的伦理要求，即尊重个人尊严和自主权。

行善原则：这条准则有两个要素：_，不伤害；第二，将利益_大化、伤害_小化。

公正：这一准则认为待人公平和公正

（3）建立合乎伦理道德的数据处理文化

建立合乎伦理道德的数据处理文化需要理解现有实践，定义预期行为，将它们编入策略和道德规范，并提供培训和进行监督，以强制执行预期行为，与管理数据和改变文化相关的其他举措一样，这一过程需要强有力的领导层的推动。

合乎伦理道德的数据处理显然包括遵守法律。它也会影响组织内部和外部对数据的分析、解释和利用方式，重视伦理道德行为的组织文化不仅要有行为准则，还要确保有清晰的沟通和治理机制，以支持那些意识到不道德行为或风险的员工。

图. 伦理风险模型

（4）主要观点

组织需要以合乎伦理道德的方式处理数据，否则就有风险，就有可能失去客户、员工、合作伙伴和其他利益相关方的信任；

数据伦理植根于社会的基本原则和伦理道德的基本述求；

与数据相关的监管基于这些相同的原则和要求，但监管不能涵盖所有意外情况。因此，组织必须考虑到自己行为的伦理道德规范；

组织应该为它们处理数据培养道德责任文化，这不仅是为了符合合规要求，同时也是本来就应该做的正确的事；

合乎伦理道德的数据处理_终将为组织提供竞争优势，因为它是信任的基础。

3）数据建模和设计

（1）数据建模与设计语境关系图

数据建模与设计：数据建模是发现、分析和确定数据需求的过程，然后用一种用称为数据模型的精确形式表示和传递这些数据需求。这个过程是循环迭代的，可能包括概念、逻辑和物理模型。

图. 数据建模与设计语境关系图

4）数据集成和互操作

定义：管理和整合在应用系统和组织内部，或者应用系统与组织之间传输的数据。

图. 数据集成和互操作语境关系图

5）大数据和数据科学

大数据不仅是指数据量大，也包括数据的种类（结构化的和非结构化的，文档（documnents）、文件(files)、音频、视频、流数据等）, 以及数据产生的速度。那些从数据中探究并研发预测模型、机器学习模型、规范性模型和分析方法、并将研发结果部署供相关方进行分析的人，被称为数据科学家。

大数据和数据科学：多种不同类型的数据集合（大数据）和分析（数据科学，解析，可视化），都是为了洞察和解决分析初始时未知的问题。

图. 大数据和数据科学语境关系图

随着大数据被加载到数据仓库和商务智能环境中，数据科学技术被用来为组织提供前瞻性的视图（“挡风玻璃”）。使用不同种类的数据源，实现预测能力、基于模型的实时分析能力，能够为组织未来的发展方向提供更深刻的洞察能力。

图. 收敛信息三角型

要想利用大数据，就需要改变数据的管理方式。大多数数据仓库都基于关系模型，而大数据一般不采用关系模型组织数据。大多数数据仓库依赖于ETL（提取、转换和加载）的概念。大数据解决方案，如数据湖，则依赖于ELT的概念——先加载后转换。更加重要的是，数据的生产速度和容量带来了挑战，需要在数据管理的各个关键领域中采用不同的方法，如集成、元数据管理和数据质量评估。

图 DW/BI概念和大数据架构

6）数据管理成熟度评估

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。当一个组织满足某阶段能力特征时，就可以评估其成熟度等级，并制定一个提高能力的计划。它还可以帮助组织在等级评估的指导下进行改进，与竞争对手或合作伙伴进行比较。在每一个新等级，能力评估会变得更加一致、可预测和可靠。当能力呈现出与等级不符的特征时，等级会得到提升。但能力水平有既定顺序，不能跳过任何等级。