自己有近20年的數據管理實踐，很早就接觸DAMA，DMBOK，然后陸續學習DCMM、數據資產白皮書、工業數據治理等相關規范和書籍，也獲得了很多啟示，但其實有一個問題始終沒解決，就是雖然這些規范和書籍都提出了一個框架，但我獲得的知識大多卻是碎片化的，為什么？最近2年自己有機會參與公司數據治理體系的建設，在擬定公司的數據治理體系框架中，我一直是處于矛盾之中，因為無法將諸如DAMA的體系和公司的數據管理實踐很好的結合，公司實際的數據管理也并不是按照這些框架的邏輯運作的。DAMA在豆瓣的評分有8.3，最近的幾個評價是這樣：“為了項目讀的，不敢直視= =”，“好像和我想象的不太一樣，很體系，但是也看不下去”，看來這種感覺不是我獨有的，那么是否DAMA本身也是有些問題的呢？最近自己對DAMA“讀不懂，學不透”的這個問題做了四個方面的思考，分享給你。

第一、DAMA數據管理職能只告訴是什么，沒告訴為什么無論是數據治理還是數據管理，都有一個業務目標，DBMOK對目標是這么描述的：確保使用高質量安全的數據為企業增值，為了實現這個業務目標，它必然需要依托一系列的數據管理活動來達成，DAMA因此給出了10個數據管理職能，如下圖：

但DAMA在給出這些數據管理職能時，并沒有說明為什么是這十個職能，而不是那十個職能，選擇依據是什么，有什么必然的邏輯？因此我只能從自己的實踐來驗證其合理性，這里僅舉兩例。DAMA將主數據和參考數據管理作為一項重要的職能，但實際上指標數據管理也很重要，把指標數據管理做好其實可以解決企業大量的實際問題，自己以前做數據倉庫的時候，在指標管理上投入的精力遠超過主數據和維度數據，但為什么DAMA沒有選擇指標數據管理作為一項職能？很多年前我們上了元數據管理，因為當時業界各種規范都在提元數據管理的重要性，一堆廠家蜂擁而上元數據產品，最終一地雞毛，但DAMA并沒有告訴我們什么場景下適合把元數據管理單獨抽象出來做獨立的管理。事實上，元數據也是要業務驅動的，它首先應該是應用的一部分，而不是先搞個上帝視角的元數據系統，然后來支撐各種應用，這種典型的“拿著錘子到處找釘子”的行為造成了太多兩張皮的現象。雖然DAMA只是抽象出了這么一項公共數據管理職能，并沒有要求大家建統一的元數據管理體系，但實際已經影響了大量企業的決策。數據管理屬于社會科學的范疇，沒有什么絕對的標準，但如果能把框架制定的來龍去脈說清楚，可以防止大家機械的去理解DAMA，避免教條主義和決策錯誤。

第二、DAMA各項數據管理職能間缺乏邏輯主線，抓不住主脈絡數據管理是實現數據從信息再到知識的過程，其本身其實有清晰的流轉路徑，即從數據架構、數據記錄、數據采集、數據建模、數據開放、數據應用再到數據運營，這些核心數據管理活動前后串接形成了最為核心的業務價值流。但DAMA在這個價值流上只選擇了數據架構、數據開發（可以認為是數據建模）及數據操作（可以認為是數據運營一部分）三個活動，數據記錄、數據采集、數據開放活動等活動都被放棄了，這讓DAMA數據管理框架失去了邏輯主線，雖然這10個職能被放在了一起，但也只是形聚神散，你會發現，大量的其它框架會選擇并不完全一樣的職能，說明了共識的缺乏。而我們學習往往先要有個主干，然后才能開枝散葉，否則會學得不夠體系化，雖然明明DAMA有一個體系在那里。

第三、DAMA各項數據管理職能缺乏關系描述，難以理解和記憶框架的核心要素是實體+關系，DAMA對這十個數據管理職能之間關系的描述卻不是很充分，而把一堆毫無關系的數據管理活動放在一起必要性就有了問題，因為不會產生1+1>2的價值，即新的價值不會涌現。我覺得至少應從三個維度去理解這些職能，才能理清其中的關系。

第一個維度空間，就是主業務流上的數據管理活動，前面已經講過，包括數據架構、數據開發及數據操作等職能，當然并不完備，或者說沒有窮盡，違背了MECE的原則。

第二個維度空間，就是針對主業務流上的數據管理活動提供的保障型數據管理活動，包括數據安全管理、數據質量管理，元數據管理等等，它們打穿了主業務流上的所有數據管理活動，用以提升這些數據管理活動的效率和質量，但它們本身并不直接創造價值，而是支撐別人創造價值，跟數據架構等并不屬于同一類別的活動。

第三個維度空間，其實是按照數據類型來劃分的，當然也是不完備的，因為除了參考數據、主數據，至少還應包括統計數據管理（比如指標數據）、交易數據管理及時序數據管理，如果從重要程度來講，指標數據管理也應該入選。第三個維度空間，實際上是第一個維度空間的一種場景，就拿主數據管理活動來說，其對操作的數據有一致性要求，這種一致性要求會對相關數據管理活動提出相應要求，無論是數據架構、數據開發或數據操作等等。只有理解了這些關系，我們才能更好的記憶和理解這些數據管理活動，然后能夠舉一反三。比如現實中你不大可能專門搞一個主數據管理團隊去運營主數據，而是要將主數據管理的要求滲透到數據管理的全生命周期相關活動才能真正落地，元數據管理也是一樣的，但如果你只是機械的去理解DAMA的這些職能，就會在落地時充滿矛盾。

第四、DAMA對受眾的背景有較高要求，勸退的十之八九”每個字都認識但就不知道講的是啥“，十多年前我剛接觸DAMA的時候，就是這種感覺，因此總是不耐煩的翻頁，現在回想起來，應該是跟自己缺乏相關經驗有關。DAMA的主要受眾應該是有數據背景的管理人員，學生去讀這種書其實是不合適的，因為數據管理是一門實踐的學問，這里以數據治理的定義說明。數據治理即“對數據資產管理行使權利和控制的活動集合（規劃、監控和提升）”，

當我第一次讀到這個定義時，完全是云里霧里，不知所謂，后來看了很多文章的輔助解讀，才明白其中的奧妙之處，其實定義的是很嚴謹的。

首先，什么叫做數據資產管理，哪些是數據資產管理，如果你沒有實踐，往往抓不到實際能映射的東西，就會覺得很抽象，其實DAMA已經解釋了，在10項職能中，除了數據治理，其他九項都屬于數據資產管理。

其次，什么叫做行使權利和控制，如果你沒有管理經驗，就會覺得很抽象，我當初是通過公司數據安全部的職能來輔助理解的，因為數據安全部制訂了很多制度規范來約束大數據變現的相關活動，同時還要做大量的審計，這就是在行使權利和控制。

最后，什么叫做活動集合，括號里給出了三個關鍵詞，規劃、監控和提升，就是規劃的活動、監控的活動和提升的活動。那么這些活動具體是什么呢，DAMA其實給出了很詳細的解釋。規劃的活動包括發展和維護數據戰略、建立數據專業角色和組織、確定并任命數據管理專員、建立數據治理和管理制度、制定并審核數據政策、標準和程序等等。

監控和提升活動包括監督數據專業組織和人員，協調數據治理活動，管理和解決數據相關問題，監控和確保符合數據政策、標準和架構、監督數據管理項目和服務等等。為了寫這篇文章，我重新去翻看DAMA數據治理的相關內容，感覺就跟以前不太一樣了，甚至會有些親切，因為DAMA闡述的數據治理內容跟我現在做的企業級數據治理實踐能夠很好的匹配，而且自己還實操了，理論+實踐相互印證是非常有利于理解和學習的。

第五、DAMA信息密度超過了一定的閾值，文字也不夠通俗如果你仔細去研究DAMA，會發現里面充斥著大量抽象的概念和名詞，數據管理、數據治理、元數據、主數據、參考數據、數據倉庫、商務智能、數據架構、數據模型、數據操作等等，而且相互之間既有聯系又有區別，每個概念都可以用一篇文章來解釋和辨析，信息密度相當高。科學研究表明，當一本書的內容有15%以上的新內容時，就會讓人的學習效果打了折扣，而這本書至少有50%以上的內容對大多數人來說是陌生的。DAMA的目錄雖然很有層次，但目錄之間的邏輯關系不是很強或者很明顯，閱讀的時候如果不先搞懂這些目錄層次和關系，就會讀的很亂，而其他的一些規范，或是諸如《華為數據之道》這種書會好很多。另不知道是否是DAMA太多人編撰或者是翻譯的原因，總感覺有點啰嗦且翻譯得不夠準確，有時候不自覺的要去分析它的語法才能明白它的意思。DAMA還有個問題，就是版本更新的速度有點慢，當然這跟晦澀難懂無關，但其實也挺重要。數據成為生產要素后，數據管理的實踐如雨后春筍般出現，但現在距《DAMA數據管理知識體系指南》第一版出版已經過去10個年頭，DAMA除了2017年第二版增加了數據集成的一個職能外，其他的變化偏少。近些年國內的DCMM、數據管理實踐白皮書等都在基于實踐總結新的框架，讓人耳目一新，有些甚至是一年一更，比如DCMM增加了數據標準，數據管理實踐白皮書增加了數據共享，華為數據之道提到了數據服務的重要性，我們企業更是把數據開放和共享作為最重要的數據管理工作之一，但這些都沒有在DAMA中體現，這會削弱其對實踐的指導作用。瑕不掩瑜，DAMA的確是一本締造了數據管理領域完整知識體系的經典著作，我們不能奢望一本10年前出的數據管理書籍能寫得那么完美，既要框架嚴謹、內容扎實，又要概念清晰，通俗易懂，還要總是能與時俱進。同時受限于自己的水平（這是大概率的事），本文更多講的是個人以前的閱讀體會，很多問題其實不是問題，只是我沒仔細閱讀或者沒讀懂而已，或者說是不知道自己不知道，在寫這篇文章過程中，很多地方我進行了重新推敲，發現是自己以前理解不到位造成的。最近我在想，如果能按照《華為數據之道》的寫法（實踐為主，理論為輔）去重新通俗易懂的詮釋DAMA的每一章，讓更多人讀懂DAMA，從而更好的指導落地，這一定是極有意義的工作，自己會去嘗試一下。