最具影响力的数字化技术在线社区

168大数据

 找回密码
 立即注册

QQ登录

只需一步,快速开始

1 2 3 4 5
打印 上一主题 下一主题
开启左侧

[理论框架] EDM 数据管理能力成熟度评价模型 DCAM​2.0

[复制链接]
跳转到指定楼层
楼主
发表于 2020-9-15 14:00:57 | 只看该作者 回帖奖励 |倒序浏览 |阅读模式

马上注册,结交更多数据大咖,获取更多知识干货,轻松玩转大数据

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
EDM最近发布了数据管理能力成熟度评价模型新的版本——DCAM2.0,DCAM2.0中对数据治理流程、资金支持和数据标准建设都进行了重点强调,并将数据管理战略与业务案例进行了合并,笔者认为是想强调数据战略目标与业务目标一致性,这两个职能域在DCAM1.0中是独立分开的。
1 DCAM模型简介
企业数据管理协会(EDM Council)是北美地区的一个主要面向金融保险行业数据管理的公益性组织,旨在提升数据管理的实践水平,将其作为业务和运营的重点。在数据内容标准制定、数据管理最佳实践等方面有丰富的经验,是业界的倡导者和领导者。

数据管理能力评价模型(datamanagement capability assessment model,DCAM)是由EDM主导,组织金融行业企业参与编制和验证,基于众多实际案例的经验总结来进行编写的。DCAM首先定义了数据能力成熟度评估涉及的能力范围和评估的准则,然后从战略、组织、技术和操作的最佳实践等方面描述了如何成功地进行数据管理。最后,又结合数据的业务价值和数据操作的实际情况定义数据管理的原则。
2 DCAM1.0 框架
在DCAM1.0中,主要将数据管理能力划分为八个职能域:

  • 数据管理策略
  • 数据管理业务案例
  • 数据管理程序
  • 数据治理
  • 数据架构
  • 技术架构
  • 数据质量
  • 数据操作
3 DCAM2.0 框架

如上图所示,在DCAM2.0中,主要强调团队协作(流程)、标准执行和资金支持,DCAM2.0 分为以下职能域(7大组件):
  • 数据管理战略与业务案例
  • 数据管理流程与资金
  • 数据架构
  • 技术架构
  • 数据质量管理
  • 数据治理
  • 数据操作
4 DCAM2.0 能力等级
DCAM2.0中,将企业数据管理的能力成熟度等级划分6个层级,分别是未启动、概念性、发展性、已定义、已达成和增强型,每个层级的定义描述如下:

5 DCAM模型特点
DCAM模型特点如下:
  • 标准语言—改进了语言的一致性使用和整体可读性
  • 数据管理业务术语表—应用了符合EDM委员会数据管理业务术语表中定义的术语使用规则的学科
  • 评级指导标准语言—建立一致的语言来描述子功能的六个评估得分,以简化受访者的评分过程
6 DCAM模型使用
DCAM与EDM委员会开发的评分矩阵,提供从三个关键维度评估能力的实现:
  • 参与度:确保具有适当权限级别的合适人员参与数据管理计划;
  • 流程:衡量数据管理流程的建立,结构化和可重复性的程度;
  • 证据:根据每个功能声明进行审核所必需的业务工件;
在整个数据管理程序生命周期中,企业可以以各种方式利用DCAM,包括以下用例:
  • DCAM作为指导方针,以帮助启动新的数据管理程序以及使现有程序与最佳实践保持一致。
  • DCAM为可持续数据管理的实施和增长提供了一套既定的标准。
  • DCAM为企业评估数据管理计划提供参考,培训他们的利益相关者,找出差距并与行业同行进行比较。
  • DCAM评估为采用数据管理最佳实践的市场机构提供了可证明和可审核的证据。
7 DCAM模型总结
DCAM模型旨在定义和衡量数据管理功能,DCAM的唯一目标是实现开发,实施和维持有效的数据管理程序所必需的要求。每个需求都明确定义了指定功能的基本原理以及将数据管理的各个组件链接到一个内聚程序的依赖项。DCAM解决了建立数据策略,定位业务案例,实施运营模型,确保资金并支持组织协作所必需的能力,以管理公司最重要资产之一!
来源:谈数据


楼主热帖
分享到:  QQ好友和群QQ好友和群 QQ空间QQ空间 腾讯微博腾讯微博 腾讯朋友腾讯朋友
收藏收藏 转播转播 分享分享 分享淘帖 赞 踩

168大数据 - 论坛版权1.本主题所有言论和图片纯属网友个人见解,与本站立场无关
2.本站所有主题由网友自行投稿发布。若为首发或独家,该帖子作者与168大数据享有帖子相关版权。
3.其他单位或个人使用、转载或引用本文时必须同时征得该帖子作者和168大数据的同意,并添加本文出处。
4.本站所收集的部分公开资料来源于网络,转载目的在于传递价值及用于交流学习,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。
5.任何通过此网页连接而得到的资讯、产品及服务,本站概不负责,亦不负任何法律责任。
6.本站遵循行业规范,任何转载的稿件都会明确标注作者和来源,若标注有误或遗漏而侵犯到任何版权问题,请尽快告知,本站将及时删除。
7.168大数据管理员和版主有权不事先通知发贴者而删除本文。

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

关闭

站长推荐上一条 /1 下一条

关于我们|小黑屋|Archiver|168大数据 ( 京ICP备14035423号|申请友情链接

GMT+8, 2024-5-7 21:44

Powered by BI168大数据社区

© 2012-2014 168大数据

快速回复 返回顶部 返回列表