实用文档
标准 主数据管理(MDM)的成熟度
根据主数据管理实施的复杂程度，参照Jill Dyche， Evan Levy的观点大体可以把主数据管理可以分为五个层次，从低到高反映了主数据管理(MDM)的不同成熟度。下面我们简单介绍一下这五个层次：
Level 0 ：没有实施任何主数据管理(MDM)
在Level 0的情况下，意味着企业的各个应用之间没有任何的数据共享，整个企业没有数据定义元素存在。比如，一个公司销售很多产品，对这些产品的生产和销售由多个独立的系统来处理，各个系统独立处理产品数据并拥有自己独立的产品列表，各个系统之间不共享产品数据。在Level 0， 每个独立的应用负责管理和维护自己的关键数据(比如产品列表、客户信息等)，各个系统间不共享这些信息，这些数据是不连通的。
Level 1 ：提供列表
不管公司大还是小，列表管理是我们常用的一种方式。在公司内部，会通过手工的方式维护一个逻辑或物理的列表。当各个异构的系统和用户需要某些数据的时候，就可以索取该列表了。对于这个列表的维护，包括数据添加、删除、更新以及冲突处理，都是由各个部门的工作人员通过一系列的讨论和会议进行处理的。业务规则(Business Rules)是用来反映价值的一致性，当业务规则发生改变或者出现类似的情况时，这样高度手工管理的流程容易发生错误。由于实用文档
标准 列表管理是通过手工管理的，其列表维护的质量取决于谁参加了变更管理流程，一旦某人缺席，将会影响列表的维护。
MDM Level 1比MDM Level 0的不同就是，各个部门虽然还是独立维护各自的关键数据，但会通过列表管理维护一个松散的主数据列表，能够向其他各个部门提供其需要的数据。在MDM Level 1中，数据变更决定以及数据变更操作都是由人来决定的，因此，只有人完成数据变更决定后才会变更数据。在实际情况中，虽然数据变更流程有严格的规定，但是由于缺乏集中的、基于规则的数据管理，当数据量比较大时，数据维护的成本会变的很高，效率也会很低。当主数据，比如客户信息、产品目录信息等数量比较少时，列表管理的方式是可行的，但是当产品目录或客户列表出现爆炸式增长以后，列表管理的变更流程将变得困难起来。MDM Level 1 依赖于人的协作。如果产品经理需要更新过后的产品价格列表，那需要联系ERP系统所有者，让其发送邮件给她。在企业范围内实现客户或产品列表就如同维护不同部门之间人们的关系一样。如果客户或产品存在层次或分组，列表将很难提供，并且通常在Level 1因为过于复杂难以被管理。
数字化成熟度评估模型⼀⽂读尽
傅⼀平评语：虽然纯“打分”的数字化成熟度评分对企业并没有太⼤帮助，但理解这些模型的设计思想对于我们理解数字化转型很有价值。正⽂开始
本⽂⼀共提供了CMM、DMM、DCMM、DCAM、MD3M、DataFlux、IBMMMI、DSMM、IOMM、中新联团标、毕马威&阿⾥数智化转型框架、普华永道企业数字化成熟度评估架构、华为ODMM共13个评估模型。
近两年数字化转型⾮常热，⼤家关注的问题都集中在：有哪些数字化转型的⽅法和技术？企业如何成功实现数字化转型？数字化转型过程如何避免踩坑？数字化转型有没有捷径？数字化转型到底该从哪⾥开始？……
说实话，这些问题根本没有答案。
虽然⽬前很多企业都已启动了数字化转型战略，但对⼤多数企业⽽⾔，数字化转型都是“摸着⽯头过河”，根本没有可供借鉴的经验。即便是具有数据基因的科技互联⽹巨头，他们也在谈数字化转型，也就是说科技公司也不能说⾃⼰是数字化企业。⽽对于那些号称是成功转型的企业，其实也只是⽐其他企业多⾛了⼀步。— 01 —
如何界定数字化转型是否成功？
麦肯锡的⼀份报告指出：企业数字化转型成功率仅为20％。
也就是说，80%的企业数字化转型都失败了。
数字化转型成功或失败，不好界定！
如何定义数字化成功？可能不同的⼈会有不同的理解。
完成了数字化的绩效⽬标，算转型成功吗？即使没有建⽴数据思维、缺少数字⽂化。
建⽴了数字化组织，配置了数字化⼈才，培育了数字化⽂化，算转型成功吗？即使数字化战略⽬标没有实现。
搭建了数字化基础环境，使⽤了数字化技术（如云计算、⼤数据、AI等），算转型成功吗？即便业务决策⽤到了数据。
数字化成功或失败，不能从⼀个维度考量！
在笔者看来：企业数字化转型不是从0到1，⽽是从1到100。转型是⼀个过程，场景从简单到复杂，应⽤从局部到⼴泛，持续优化、逐步成长。
也就是说，虽然不好界定数字化转型的成功或失败，但是数字化是有成长周期的，是⼀个从萌芽，不断⽣长，不断成熟的过程。⽽企业数字化成熟度的评估，就是帮助企业找到数字化到底位于何处，还有哪些不⾜，应该从哪⾥改进等问题的答案。—02—
流程管理成熟度模型
一、概述
流程管理成熟度模型（Process Maturity Model，PMM）是一种用于评估组织流程管理成熟度的模型。该模型由美国软件工程研究所（SEI）于20世纪80年代初提出，旨在帮助组织改进其流程管理能力，从而提高产品和服务质量、降低成本和风险。
二、PMM的五个级别
PMM分为五个级别，每个级别描述了组织在流程管理方面的不同成熟度水平。这五个级别分别是：
1. 初始级别（Level 1 - Initial）：此时，组织没有明确定义的过程，也没有能够重复使用的过程资产。
2. 可重复级别（Level 2 - Repeatable）：此时，组织已经开始定义并记录它们的过程，并且有了一些可重复使用的过程资产。
3. 定义级别（Level 3 - Defined）：此时，组织已经完全定义了它们的过程，并且这些过程被广泛使用和理解。
4. 管理级别（Level 4 - Managed）：此时，组织已经开始对其过程进行监测和测量，并且已经实现了一定的数据分析和控制。
5. 优化级别（Level 5 - Optimizing）：此时，组织已经实现了对其过程的持续改进，并且已经建立了一种能够快速响应变化和需求的文化。
三、PMM的实施步骤
1. 评估组织流程
在实施PMM之前，首先需要评估组织当前的流程管理成熟度水平。这可以通过对组织的过程进行分析和评估来完成。评估结果应该能够帮助组织确定其当前流程管理成熟度水平，并为后续改进工作提供指导。
2. 制定改进计划
在评估完组织的流程管理成熟度后，接下来需要制定一个改进计划。这个计划应该包括以下几个方面：
- 确定目标：明确希望达到的流程管理成熟度级别。
- 制定时间表：制定一个具有可行性的时间表，以确保计划能够按时完成。
- 确定资源：确定所需资源（人员、技术、财务等）以支持计划实施。
- 制定具体措施：制定一系列具体可行的措施以提升流程管理成熟度水平，例如优化业务流程、培训员工、引入新技术等。
DMM与DCMM数据生命周期管理成熟度模型评估工具对比
简介
本文旨在对比数据管理成熟度模型（Data Management Maturity
Model，DMM）与数据中心管理成熟度模型（Data Center
Management Maturity Model，DCMM）评估工具，以帮助用户选择适合其组织的工具。
DMM
DMM是一种用于评估和改进数据管理能力的成熟度模型。它提供了一套评估框架，可以帮助组织评估其在数据生命周期管理方面的成熟度，并提供建议和指导用于改进。DMM根据数据管理的各个方面和阶段来评估组织的成熟度，包括数据战略、数据工程、数据治理等。
DCMM
DCMM是一种用于评估和改进数据中心管理能力的成熟度模型。它专注于评估和提高数据中心运营的成熟度，包括硬件设备、供电和制冷系统、网络和系统安全等方面。DCMM提供了一套评估指标和框架，以帮助组织识别其在数据中心管理方面的强项和改进点，并制定相应的改进计划。
工具对比
DMM和DCMM评估工具在以下几个方面存在差异：
1. 关注点不同： DMM主要关注数据管理方面的成熟度评估，而DCMM则关注数据中心管理的成熟度评估。关注点不同：
DMM主要关注数据管理方面的成熟度评估，而DCMM则关注数据中心管理的成熟度评估。
2. 评估内容不同： DMM涵盖了数据生命周期管理的各个方面和阶段，包括数据战略、工程、治理等，而DCMM专注于数据中心的硬件设备、供电、制冷系统、网络和安全等方面。评估内容不同： DMM涵盖了数据生命周期管理的各个方面和阶段，包括数据战略、工程、治理等，而DCMM专注于数据中心的硬件设备、供电、制冷系统、网络和安全等方面。 3. 改进建议不同： DMM提供了数据管理方面的改进建议和指导，帮助组织提高数据管理能力，而DCMM提供了数据中心管理方面的改进计划，以提升数据中心运营的成熟度。改进建议不同：
DMM提供了数据管理方面的改进建议和指导，帮助组织提高数据管理能力，而DCMM提供了数据中心管理方面的改进计划，以提升数据中心运营的成熟度。
