1.1. 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

1.1.1. CMA概念源于美国国防部为评估软件承包商而建立的标准

1.1.2. 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

1.2. 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

1.3. 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

1.3.1. 在每一个新等级，能力评估会变得更加一致、可预测和可靠

1.3.2. 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

1.3.3. 在每个级别中，判定标准是通过展现的能力特征来描述的

1.4. 评估有助于搞清楚哪些方面的工作做得很好，哪些方面的工作做得不好，以及组织在哪些方面存在差距

1.5. 目标

1.5.1. 与过程、方法、资源和自动化相关的高价值改进机会

1.5.2. 符合业务战略的能力

1.5.3. 为定期基于模型评估组织能力开展治理项目

1.6. 级别

1.6.1. 0级

1.6.1.1. 无能力级

1.6.2. 1级

1.6.2.1. 初始级或临时级：成功取决于个人的能力

1.6.3. 2级

1.6.3.1. 可重复级：制定了最初级的流程规则

1.6.4. 3级

1.6.4.1. 已定义级：已建立标准并使用

1.6.5. 4级

1.6.5.1. 已管理级：能力可以被量化和控制

1.6.6. 5级

1.6.6.1. 优化级：能力提升的目标是可量化的

2.1. 监管

2.1.1. 监管对数据管理提出了最低成熟度水平要求

2.2. 数据治理

2.2.1. 出于规划与合规性目的，数据治理需要进行成熟度评估

2.3. 过程改进的组织就绪

2.3.1. 组织认识到要改进其实践过程应从评估其当前状态开始

2.4. 组织变更

2.4.1. 组织变更（如合并）会带来数据管理挑战

2.4.2. DMMA为应对这些挑战制订了规划

2.5. 新技术

2.5.1. 技术的进步提供了管理和使用数据的新方法

2.5.2. 组织希望了解成功采用的可能性

2.6. 数据管理问题

2.6.1. 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

3.1. 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

3.2. 通常，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

3.2.1. 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

3.3. 有助于

3.3.1. 向利益相关方介绍数据管理概念、原则和实践

3.3.2. 厘清利益相关方在组织数据方面的角色和责任

3.3.3. 强调将数据作为关键资产进行管理的必要性

3.3.4. 扩大对整个组织内数据管理活动的认识

3.3.5. 有助于改进有效数据治理所需的协作

4.1. 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

4.2. 0级：无能力

4.2.1. 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

4.2.2. 很少有组织处在0级阶段，这个级别在成熟度模型中是为了定义才被设定的

4.3. 1级初始/临时

4.3.1. 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

4.3.2. 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

4.3.3. 每个数据所有者自主接收、生成和发送数据控件（如果有的话）的应用不一致

4.3.4. 管理数据的解决方案是有限的

4.3.5. 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

4.3.6. 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

4.4. 2级可重复

4.4.1. 有一致的工具和角色定义来支持流程执行

4.4.2. 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

4.4.3. 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

4.5. 3级已定义

4.5.1. 新兴数据管理能力

4.5.2. 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

4.5.3. 特点包括在组织中的数据复制受到控制，总体数据质量普遍提高，有协调一致的政策定义和管理

4.5.4. 特点包括在组织中的数据复制受到控制，总体数据质量普遍提高，有协调一致的政策定义和管理

4.5.5. 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

4.6. 4级已管理

4.6.1. 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

4.6.2. 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

4.6.3. 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

4.7. 5级优化

4.7.1. 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

4.7.2. 工具支持跨流程查看数据

4.7.3. 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

5.1. 1级可能会问到是否有数据建模实践以及多少个系统

5.2. 2级可能会要求定义企业数据建模方法

5.3. 3级将考察该方法的实施推广程度

5.4. 4级将查看建模标准是否得到了有效的执行

5.5. 5级将要求有适当的方式来改进建模实践

5.6. 活动

5.6.1. 活动或流程在多大程度上已到位

5.6.2. 是否定义了有效和高效执行的标准

5.6.3. 活动的定义和执行情况如何

5.6.4. 是否产生最佳实践输出

5.7. 工具

5.7.1. 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

5.7.2. 是否在特定角色和职责范围内提供工具培训

5.7.3. 工具是否在需要的时候和需要的地方可用

5.7.4. 长期技术计划应制订到何种程度，才能适应未来的能力

5.7.5. 是否优化配置以提供最有效和最高效的结果

5.8. 标准

5.8.1. 这项活动在多大程度上得到一套通用标准的支持

5.8.2. 这些标准是否有文件记录

5.8.3. 标准是否有治理活动和变更管理活动强制执行和支持

5.9. 人员和资源

5.9.1. 组织在多大程度上配备人员执行活动

5.9.2. 执行活动需要哪些特定的技能、训练和知识

5.9.3. 角色和职责的定义如何

6.1. 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

6.2. CMMI数据管理成熟度模型(DMM)

6.2.1. CMMI（能力成熟度模型研究所）开发了CMMI-DMM（数据管理成熟度模型）

6.2.2. 数据管理策略

6.2.3. 数据治理

6.2.4. 数据质量

6.2.5. 平台与架构

6.2.6. 数据操作

6.2.7. 支持流程

6.3. EDM委员会DCAM

6.3.1. 企业数据管理委员会(Enterprise Data Management Council)是总部设在西大的金融服务行业宣传组织，它开发了数据管理能力评估模型(Data management Capability Assessment Model, DCAM)

6.3.2. DCAM是成员们努力在数据管理最佳实践上达成共识的结果，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

6.4. IBM数据治理委员会成熟度模型

6.4.1. IBM数据管理委员会成熟度模型基于55个组织委员会组成

6.4.2. 结果

6.4.2.1. 数据风险管理和合规、价值创造

6.4.3. 使能因素

6.4.3.1. 组织结构和认知、政策、管理

6.4.4. 核心内容

6.4.4.1. 数据质量管理、信息生命周期管理、信息安全和隐私

6.4.5. 支持内容

6.4.5.1. 数据架构、分类和元数据、审计信息、日志记录和报告

6.5. 斯坦福数据治理成熟度模型

6.5.1. 斯坦福大学的数据治理成熟度模型是为该大学开发的

6.5.2. 并不是一个行业标准，但即便如此，它仍然是提供指导和测量标准模型的一个好例子

6.5.3. 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

6.6. Gartner的企业信息管理成熟度模型

6.6.1. Gartner发布了一个企业信息管理成熟度模型，该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