大家好，我是独孤风，一名曾经的港口煤炭工人，目前在某国企任大数据负责人，公众号大数据流动作者。在最近的两年的时间里，因为公司的需求，还有大数据的发展趋势所在，我开始学习数据治理的相关知识。
数据治理需要进行系统的学习才能真正掌握，也需要进行专业的考试认证才能证明自己在数据治理方面的学习能力和知识掌握情况。如果对数据治理和数据治理认证CDMP有疑问的话，可以参考我之前的文章，有详细的介绍。
5000字详解数据治理如何入门（附国际数据治理认证考试-CDMP学习群）
正文共：3888字 11图
预计阅读时间：10分钟
本文档基于数据治理相关学习资料整理，为数据治理专业认证CDMP的学习笔记（思维导图与知识点）整理。
文章较长，建议收藏后阅读。
后续的文档请关注公众号 大数据流动，会持续的更新~
本文档为数据管理能力成熟度评估部分，共分为7个部分。
由于页面显示原因，部分层级未能全部展开。结构如下图所示。
一、概述
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。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。
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。DMMA 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。
数据管理成熟度评估语境关系图如下：
业务驱动因素：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。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。组织希望了解采用新技术带来成功的可能性。6）数据管理问题。
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。
