1.引言

  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，并制订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。这些级别通常包括: 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。无论其焦点是什么，DMMA都可以帮助弥合业务部门和IT部门在数据管理实践的健康状况和有效性方面的观念冲突。

1.业务驱动

  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。
• 5）新技术。技术的进步提供了管理和使用数据的新方法。
• 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。

2.目标和原则

  数据管理能力评估的主要目标是评估关键数据管理活动的当前状态，以便制订计划进行改进。评估通过分析具体的优势和弱点，将组织置于成熟度水平量尺上，从而帮助组织认知、确定优先次序和实施改进机会。

在实现其主要目标时，DMMA可以对文化产生积极影响。它有助于：

• 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。

  根据评估结果，组织可以丰富其数据管理大纲，从而支撑组织的运营和战略方向。数据管理的计划存在组织孤岛问题，它们很少从企业视图审视数据。DMMA可以帮助组织刻画组织整体战略的统一愿景，还能使组织明确优先事项和目标，并制订综合改进计划。

3.基本概念

3.1 评价等级及特点

  CMM通常定义5～6个成熟度级别，每个级别有各自的特性，从初始级到优化级，如下图所示。

• 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。为了定义才被设定的。
• ② 1级初始/临时。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。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。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：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。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。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。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。评估标准可能包括变更管理组件和流程改进的一些度量指标。

3.2 评估标准

  在任何级别上，评估标准都将按照一个尺度进行评估，如1—未开始、2—正在进行、3—能使用、4—有效，以此显示该级别的进展情况，并向下一个级别迈进。分数可以组合可视化手段显示，以便理解当前状态和目标状态之间的差异。

  当使用可映射到DAMA-DMBOK数据管理知识领域的模型进行评估时，可以根据语境关系图中的类别制定标准：

• 1）活动。活动或流程在多大程度上已到位？是否定义了有效和高效执行的标准？活动的定义和执行情况如何？是否产生最佳实践输出？
• 2）工具。该活动在多大程度上是由一组通用工具实现自动化和支持的？是否在特定角色和职责范围内提供工具培训？工具是否在需要的时候和需要的地方可用？它们是否优化配置以提供最有效和最高效的结果？长期技术计划应制订到何种程度，才能适应未来的能力？
• 3）标准。这项活动在多大程度上得到一套通用标准的支持？这些标准是否有文件记录？标准是否有治理活动和变更管理活动强制执行和支持？
• 4）人员和资源。组织在多大程度上配备人员执行活动？执行活动需要哪些特定的技能、训练和知识？角色和职责的定义如何？

  上图直观地呈现了数据管理成熟度评估的结果。对于每种能力（治理、架构等），图形的外环显示了组织竞争成功所需的能力等级， 内环显示通过评估确定的能力等级，两环之间距离最大的区域代表着组织面临的最大风险。这种报告有助于确定优先事项，还可以用来测量一段时间内的进展情况。

3.3 现有DMMA框架

  数据管理成熟度评估框架被划分为离散的数据管理主题，框架焦点和内容取决于它们是用于通用行业还是特定行业。许多供应商都开发了自己的模型，在选择供应商或开发自己的框架之前，组织应该先评估如下几个模型。

• （1）CMMI数据管理成熟度模型（DMM）– 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。评估重点关注利益相关方的参与程度、流程的形式及展示能力的组件。
• （3）IBM数据治理委员会成熟度模型 – 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。该模型围绕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。
• （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。该模型区分基础部分（意识、形式化、元数据）和项目部分（数据管理、数据质量、主数据）。在每部分都说明人员、政策和能力的驱动因素，阐明每个成熟度级别的特征且有定性定量测量。
• （5）Gartner的企业信息管理成熟度模型 – 建立了评估愿景、战略、度量、治理、角色和责任、生命周期和基础架构的标准。

2.活动

  数据管理成熟度评估应在规定的短时间内有计划地进行。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。

2.1 规划评估活动

1.定义目标

  驱动因素必须以目标的形式进行阐明，描述评估的影响范围和重点。管理人员和业务部门必须清楚地了解评估的目标，以确保其与组织的战略方向保持一致。 评估目标还需要提供一些标准，包括采用哪种评估模型、哪些业务领域需要优先评估、由谁提供直接的输入等。

2.选择框架

  根据当前状况和评估目标的假设审查这些框架，以便选择一个对组织有帮助意义的框架。

3.定义组织范围

  虽然大多数DMM框架的设计都适用于整个企业范围，但在整个企业范围实施可能是不切实际的。对于第一次评估，最好定义一个可控的范围，如单个业务领域或项目。所选领域是该组织的一个有意义的子集模块，参与者应是可以影响关键业务流程的人，这些关键的业务流程会对数据资产产生影响。1）局部评估（Localized assessments）。可以更深入地了解细节，也可以更快地完成，因为其范围有限。2）企业评估（Enterprise assessments）。侧重于组织中广泛存在的、有时是不连贯的部分。

4.定义交互方法

  信息收集活动可能包括研讨会、访谈、调查和组件评审。采用一个能在组织文化中运作良好的方法，可以尽量减少参与者的时间投入，以便在参与者对评估过程还有清晰认识的情况下定义评估行动，并使评估能够快速完成。在所有情况下，都需要通过让参与者对评估标准进行评分来确定响应行动。

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。 沟通计划应包括对调查结果的汇报，以及在各层级上进行再次沟通的建议时间表，包括一般报告和执行简报。

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

  总体评级任务和解释是多阶段的。讨论达成一致意见。 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

  解释定义了朝向目标状态迈进的下一步行为。当评估完成后，组织需要为其希望在数据管理中实现的目标状态做出规划。在呈现评估结果时，从组织评级的意义开始。评级的意义可以与组织和文化驱动以及业务目标驱动等联系起来，如提升客户满意度或增加销售额。

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

  评估团队应准备管理层简报来总结调查结果（包括优势、差距和建议），管理层使用这些结果作为制定有关目标、计划和时间表的决策的输入。团队必须提炼这些信息，以明确每个执行组可能产生的影响和利益。

2.4 制订有针对性的改进计划

  由于变革主要通过项目在组织中发生，所以新项目必须采用更好的实践措施。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的系列活动。 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。成熟度评估中使用的主要工具是DMM框架本身。
• 2）沟通计划。沟通计划包括利益相关方的参与模式、要共享的信息类型和时间表等。
• 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。可以在这些存储库中管理数据标准、策略、方法、议程、会议记录或决策，以及用作实践证明的业务和技术组件。

4.方法

4.1 选择DMM框架

  在选择DMM框架时，应考虑以下标准：1）易用性。2）全面性。3）可扩展性和灵活性。4）内置的未来演进路径。5）行业不可知论与行业特定论。6）抽象或详细程度。7）非规定性。8）按主题组织。9）可重复。10）由中立的独立组织支持。11）技术中立。12）培训支持。

4.2 DAMA-DMBOK框架使用

  为 DMMA 准备工作或建立标准。检查表方法可用于确定需要更深入分析、表示差距或指出修复热点的领域。优势：有大量的专业知识人员使用 DMBOK作为跨行业的指南，有社区。

5.实施指南

5.1 就绪评估/风险评估

  在进行成熟度评估之前，识别潜在风险及一些风险缓解策略是有帮助的。常见的DAMA的典型风险及其缓解措施见下表。

5.2 组织和文化变革

  DMMA以成熟度级别定位组织，并提供改进的路线图。这样做，可以指导组织通过变革向前发展。DMMA结果应该是组织内部更大范围讨论的一部分。

6. 成熟度管理治理

6.1 DMMA过程监督

  对DMMA过程的监督工作属于数据治理团队。如果正式的数据治理不到位，那么监督工作将默认为属于DMMA的指导委员会或管理层。监督的广度和深度取决于DMMA的范围。流程中涉及的每个功能在执行、方法、结果和总体评估的路线图中都有发言权。

6.2 度量指标

  度量指标除了作为改进策略的核心组成部分之外，也是关键的沟通工具。初始DMMA指标是表示当前数据管理状态的评级，可以定期对这些进行重新评估，以显示改进趋势。每个组织都应该根据其目标状态路线图开发指标。指标示例可能包括：

• 1）DMMA评级。
• 2）资源利用率。
• 3）风险敞口。
• 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。

7.总结

• 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。
• 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。能力水平有既定顺序，不能跳过任何等级。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。
• 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。
• 业务驱动因素： 1）监管。2）数据治理。3）过程改进的组织就绪。4）组织变更。5）新技术。6）数据管理问题。
• 目标：数据管理能力评估的主要目标是评估关键数据管理活动的当前状态，以便制订计划进行改进。
• 对文化的影响：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。
• 活动：1.规划评估活动。 （1）确定范围和方法。（2）计划沟通。2.执行成熟度评估。（1）收集信息。（2）进行评估。（3）解释结果。3.解释结果及建议。 4.制订有针对性的改进计划。 5. 重新评估成熟度
• 评价等级及特点。CMM 一般分为 5-6个成熟度级别。
  • 0 级：无能力。 无组织状态。为了定义才被设定的。
  • 1 级：初始/临时。 有限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。管理数据的方案有限。质量问题普遍存在。 基础设施支持处于业务单位级别。评估标准： 对任意一个流程进行控制，如记录数据质量问题。
  • 2 级：可重复。 有一致的工具和角色定义来支持流程执行。使用集中化的工具，有更多的监控 手段。角色定义和流程并不完全依赖于特定专家。对质量问题有认识。开始认识到主数据和参考数据的概念。评估标准： 组织中正式角色定义。
  • 3 级：已定义：新兴数据管理能力。 数据管理流程制度化。将数据管理视为组织促成因素。数据复制受到控制。总体数据质量提高。有协调一致的政策定义和管理。流程少人工干预，结果更可预测。评估标准： 制定数据管理政策、可扩展过程的使用、数据模型和系统控制的一致性。
  • 4 级：已管理。 在 1-3 级经验能使组织在开展新项目任务时可预测结果。开始管理风险。有绩效指标。工具标准化。结构良好的集中规划和治理功能。评估标准： 与项目成功的指标、系统的操作指标、数据质量指标。
  • 5 级：优化。 流程自动化和技术变更管理，高度可预测。关注持续改进。工具支持跨流程查看数据。防止不必要的复制。更易于理解的指标来管理和度量数据质量和过程。评估标准： 变更管理组件、流程改进。
• 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，则可关注活动、工具、标准、人员和资源。
• CMMI 数据管理成熟度模型 DMM。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。
• EDM委员会DCAM： 数据管理能力评估模型（Data management Capability Assessment Model， DCAM）。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。评估重点关注利益相关方的参与程度、流程的形式及展示能力的组件。
• IBM 数据治理委员会成熟度模型：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。
• 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。该模型区分基础部分（意识、形式化、元数据）和项目部分（数据管理、数据质量、主数据）。在每部分都说明人员、政策和能力的驱动因素，阐明每个成熟度级别的特征且有定性定量测量。
• Gartner 的企业信息管理成熟度模型： 建立了评估愿景、战略、度量、治理、角色和责任、生命周期和基础架构的标准。
• 【活动 1】规划评估活动。 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。 对整个企业范围实施不切实际 。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。1）局部评估。2）企业评估。可由多个局部评估组成，也可独立任务。4.定义交互方法。 研讨会、访谈、调查、组件评审。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。
• 【活动 2】执行成熟度评估。
  • 【活动 2-1】收集信息。 根据交互模型为评估活动收集适当的输入。
  • 【活动 2-2】执行评估。总体评级任务和解释是多阶段的。讨论达成一致意见。
• 【活动 3】解释结果及建议。
  • 【活动 3-1】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。
  • 【活动 3-2】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。
• 【活动 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。
• 【活动 5】重新评估成熟度。 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。
• 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。
• 【方法 1】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）可扩展性和灵活性。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。
• 【方法 2】DAMA-DMBOK 框架使用。 为 DMMA 准备工作或建立标准。检查表方法可用于确定需要更深入分析、表示差距或指出修复热点的领域。优势：有大量的专业知识人员使用 DMBOK作为跨行业的指南，有社区。
  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。
• 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。