简介这份CDGA模拟卷1面向备考数据治理工程师认证的考生尤其适合已具备一定数据管理基础、需要系统刷题查漏补缺的中高级学习者。内容围绕DAMA知识体系展开覆盖信息质量衡量、数据库管理运营、商业智能、元数据分类、企业数据模型与逻辑数据模型区别、维度建模、数据安全策略、主数据实现方式等核心考点每道题均附正确答案与知识点解析便于对照理解。资源包共1个docx文件约35KB以文档形式呈现100道选择题结构紧凑适合打印或移动端随时练习。目前已有485人学习下载可作为考前冲刺阶段的自测工具帮助读者快速定位薄弱环节、熟悉出题思路与常见陷阱提升应试效率。1. 数据治理工程师模拟卷拆解100 道题里藏着哪些必考知识点数据治理工程师CDGA认证的备考路上最缺的往往不是教材而是一套能直接上手刷、又能反查知识盲区的模拟题。这份《CDGA模拟卷1--100道题.docx》就是干这个用的——100 道选择题覆盖 DAMA-DMBOK2 框架下的数据质量、元数据管理、数据架构、主数据管理、数据安全等核心领域。它不是零散的知识点罗列而是一套按考试逻辑组织的自测工具。适合两类人一是准备 CDGA 认证、需要摸底和查漏的考生二是刚转入数据治理岗、想通过做题快速建立知识框架的从业者。我拿到这份文档后没有直接从头刷到尾而是先拆结构、再定策略最后才动手做题。下面把整个拆解和复现过程摊开讲。2. 拆解模拟卷结构从 100 道题反推 DAMA 知识域权重2.1 先看题号分布别急着做题拿到一份 100 题的模拟卷第一件事不是从第 1 题开始做而是先统计各知识域的题目数量和分布。CDGA 考试的核心知识域包括数据治理、数据架构、数据建模、数据存储与操作、数据安全、数据集成、参考数据与主数据、数据仓库与 BI、元数据管理、数据质量等。这份模拟卷的题目分布大致如下知识域题号范围示例题量占比数据治理与组织6, 20, 43, 45, 58, 90, 95约 15%数据架构与模型9, 17, 25, 26, 28, 34, 40, 49, 80, 82, 87约 20%数据质量与信息质量1, 5, 8, 14, 15, 42, 54, 56, 57, 74, 75约 18%元数据管理7, 76, 77约 8%主数据与参考数据30, 61, 63, 65, 78, 92, 98约 12%数据安全与隐私22, 24, 27, 35, 36, 73, 94, 99约 12%数据仓库与 BI21, 31, 33, 39, 55, 59, 68, 71, 86, 100约 15%这个分布和 DAMA-DMBOK2 的章节权重基本吻合说明出题人是按框架来的不是随便凑题。知道这一点后复习策略就清晰了数据架构、数据质量、数据治理三块加起来超过 50%是必须拿下的高地元数据题量虽少但概念容易混淆反而容易丢分。2.2 用 CRUD 矩阵思路整理错题第 3 题考的是“了解公司数据如何被应用程序使用”的最佳方法正确答案是创建 CRUD 矩阵。这个思路反过来也能用在备考上——把每道错题当成一个“数据实体”记录它的“创建错因、读取知识点、更新纠正、删除排除错误选项”四个动作。我一般会建一个错题追踪表字段包括题号、知识域、错选答案、正确答案、错因分类、关联知识点、复习次数。错因分类用固定标签概念混淆、审题失误、知识盲区、选项干扰。这样刷完一遍后能清楚看到自己在哪个知识域、哪类错因上反复翻车。# 错题追踪表结构示例用 pandas 管理 import pandas as pd wrong_questions pd.DataFrame({ 题号: [1, 7, 12, 23, 36], 知识域: [数据质量, 元数据, 数据集成, 数据治理, 数据安全], 错选: [B, A, A, E, C], 正确: [C, D, B, D, D], 错因: [概念混淆, 知识盲区, 审题失误, 概念混淆, 选项干扰], 关联知识点: [ 信息质量评估顺序, 元数据类型分类, 非结构化数据检索技术, PDCA 循环定义, 授权与认证的区别 ], 复习次数: [0, 0, 0, 0, 0] }) # 按知识域统计错题数量找出薄弱环节 weakness wrong_questions.groupby(知识域).size().sort_values(ascendingFalse) print(weakness)这段代码的逻辑很简单把错题结构化按知识域聚合一眼看出哪个域错得最多。参数上错因字段的标签体系可以根据自己的习惯调整但建议控制在 5 个以内太多了反而不好归类。复习次数字段用来标记哪些题已经回看过避免反复看已经掌握的题。2.3 从题目反查 DAMA 原文位置每道题背后都对应 DAMA-DMBOK2 的某个章节。比如第 1 题考“衡量信息质量首先做什么”对应的是数据质量章节中关于“评估数据定义”的论述第 23 题考 PDCA对应的是数据治理中的质量改进方法。做题不是目的通过题目定位到原文段落把上下文读一遍才是真正把题吃透。我的做法是每道错题纠正后在 DAMA 教材的对应章节折角或加书签标注题号。下次复习时先看题号再翻到对应段落快速过一遍上下文。这样比单纯背题效率高得多因为考试时题目会变但知识点不会变。3. 逐题精讲数据质量与元数据的高频考点拆解3.1 信息质量评估的先后顺序第 1 题问“为了衡量信息质量应该首先做以下哪个数据质量的相关活动”正确答案是 C评估数据定义。这道题考的是信息质量评估的逻辑顺序先定义清楚数据是什么、代表什么含义才能谈清洗、重设计或衡量成本。如果数据定义都不清晰后续的清洗和衡量都是空中楼阁。第 5 题进一步考了信息质量特征中的“有效性”定义是“衡量数据对其主要价值和业务规则的符合程度”。这里容易和“准确性”混淆。准确性关注的是数据值是否正确有效性关注的是数据是否符合业务规则和值域约束。比如一个“性别”字段值域是 {男, 女}如果出现了“未知”那就是有效性问题如果出现了“男”但实际是女性那是准确性问题。第 15 题考准确性的衡量指标正确答案是“正确率百分比”。第 56 题考完整性的衡量方法正确答案是“评估一个特定字段的非空值记录的百分比”。这两道题放在一起看就能把信息质量的核心维度理清楚质量维度衡量方法典型题目准确性正确率百分比第 15 题完整性非空值记录百分比第 56 题唯一性重复值检测第 8 题有效性值域符合度第 5 题一致性跨系统数据比对第 54 题3.2 元数据类型的边界第 7 题问“元数据的类型包括以下所有内容但不包括”正确答案是 D执行元数据。DAMA 框架中元数据的三大类型是业务元数据、技术元数据和操作元数据。业务元数据描述业务含义和规则技术元数据描述数据结构和技术细节操作元数据描述数据处理和访问的运行时信息。“执行元数据”不是标准分类属于干扰项。第 76 题考“点对点的元数据架构”正确答案是“桥梁”。点对点架构下每对工具之间需要建立单独的、通常是双向的桥梁来交换元数据。这种架构的缺点是维护成本高工具数量增加时桥梁数量呈平方级增长。第 77 题考元数据工具整合的顺序正确答案是“在元数据级别在数据级别”——先整合元数据定义再整合实际数据。这两道题放在一起其实是在考元数据管理的架构选型点对点适合工具少、变动不频繁的场景如果工具多、需要集中管理就应该考虑元数据存储库或元数据仓库架构。# 元数据桥梁数量计算点对点架构下n 个工具需要多少条桥梁 def point_to_point_bridges(n): 计算点对点元数据架构下的桥梁数量 n: 工具数量 返回: 桥梁数量双向每对工具一条 if n 2: return 0 return n * (n - 1) // 2 # 测试不同工具数量下的桥梁数 for tools in [2, 3, 5, 10]: bridges point_to_point_bridges(tools) print(f{tools} 个工具需要 {bridges} 条桥梁)这段代码用来直观感受点对点架构的复杂度增长。参数n是元数据工具的数量返回值是需要的桥梁数量。当工具从 5 个增加到 10 个时桥梁数从 10 条涨到 45 条维护成本急剧上升。这也是为什么大型企业更倾向于集中式元数据管理架构。3.3 数据建模中的实体与关系第 9 题考企业数据模型和逻辑数据模型的区别正确答案是 D企业数据模型代表组织的实体和关系逻辑数据模型代表可以呈现给数据库的模型。企业数据模型是高层级的、跨业务单元的逻辑数据模型则更接近物理实现但还不涉及具体的数据库技术选型。第 26 题问“以下哪项实体不需要在数据模型中包含”正确答案是 B分析师认为业务会扩展到需要这个实体。数据模型应该基于当前业务需求和已知的政策文件而不是基于对未来的猜测。第 28 题考主题域的作用正确答案是 D对实体进行分组使模型管理更容易。主题域是实体的逻辑分组比如“客户”“产品”“订单”就是不同的主题域。第 34 题考逻辑数据模型的设计评审内容正确答案是 D主要的流程逻辑。逻辑数据模型评审关注实体、属性、关系不关注流程逻辑流程逻辑是流程模型的事。第 82 题考数据建模中最耗时的活动正确答案是 D定义实体、属性和关系。这一步需要反复和业务方确认是建模过程中最耗时的环节。4. 避坑指南刷模拟卷时最容易翻车的五个地方4.1 把“有效性”和“准确性”混为一谈现象第 5 题和第 15 题反复错看到“符合业务规则”就选准确性看到“正确率”就选有效性。原因这两个概念在中文语境下容易混淆。有效性Validity关注的是数据值是否在允许的值域范围内是“合不合法”的问题准确性Accuracy关注的是数据值是否真实反映了客观事实是“对不对”的问题。解决记住一个判断口诀——值域约束看有效性事实比对看准确性。做题时先问自己这道题说的是“数据在不在允许范围内”还是“数据对不对”前者选有效性后者选准确性。4.2 元数据类型多选“执行元数据”现象第 7 题看到“执行元数据”觉得有道理因为元数据确实和“执行”有关结果选错。原因DAMA 框架中元数据的标准分类只有三种业务元数据、技术元数据、操作元数据。“执行元数据”是出题人编的干扰项听起来合理但不在标准框架内。解决把三大元数据类型的关键词记住——业务元数据管“含义”技术元数据管“结构”操作元数据管“运行”。遇到“执行”“管理”“控制”这类词先怀疑是不是干扰项。4.3 数据治理组件数量记错现象第 95 题问“基于 DAMA-DMBOK2 的数据治理直接涉及多少种不同的组件功能”正确答案是 10但容易错选 7 或 9。原因DAMA 环境因素六边形图有 7 个要素但数据治理直接涉及的组件功能是 10 个。这两个数字容易混淆。解决区分记忆——六边形图 7 要素是“目标和原则、组织和文化、工具、活动、主要交付物、角色和职责、度量指标”数据治理组件功能 10 个是 DAMA 车轮图上的十个知识领域。做题时看清问的是“六边形图要素”还是“组件功能”。4.4 主数据与参考数据的边界模糊现象第 61 题和第 63 题容易错分不清参考数据和主数据的区别。原因参考数据是用于分类和分类的“代码表”比如国家代码、货币代码主数据是描述核心业务实体的“黄金记录”比如客户、产品、供应商。参考数据可以来自外部主数据通常是企业内部统一的。解决记住一句话——参考数据是“分类标准”主数据是“业务实体”。第 61 题问参考数据能否从外部获取答案是能第 63 题问主数据管理定义什么答案是非事务型的数据实体。4.5 数据仓库与 OLTP 的职责混淆现象第 21 题问 SOA 服务使数据仓库功能在哪种情况下实现容易错选“使数据仓库的批处理成为不必要”。原因SOA 服务可以让数据仓库更实时、更整合但不会让批处理完全消失。批处理在数据仓库中仍然有不可替代的作用比如大规模 ETL 和历史数据加载。解决记住——SOA 改善的是数据仓库的“服务化”能力不是“消灭批处理”。第 21 题的正确答案是 A即“使数据仓库的批处理成为不必要”是不对的。5. 从刷题到实战用 SQL 验证数据质量规则5.1 把模拟题中的质量规则写成 SQL模拟卷里考了很多信息质量维度比如唯一性、完整性、准确性、有效性。这些概念在实战中都可以用 SQL 来验证。下面以“产品 ID 唯一性”和“字段完整性”为例写两个可直接套用的检查脚本。-- 检查产品 ID 的唯一性找出重复的产品 ID SELECT product_id, COUNT(*) AS duplicate_count FROM product_table GROUP BY product_id HAVING COUNT(*) 1 ORDER BY duplicate_count DESC; -- 检查关键字段的完整性计算非空值百分比 SELECT COUNT(*) AS total_rows, COUNT(customer_name) AS non_null_names, ROUND(COUNT(customer_name) * 100.0 / COUNT(*), 2) AS completeness_pct FROM customer_table;第一个查询的逻辑是按product_id分组统计每组的行数筛选出行数大于 1 的记录就是重复的产品 ID。HAVING子句用来过滤聚合后的结果ORDER BY按重复次数降序排列方便优先处理重复最多的记录。第二个查询的逻辑是统计总行数和非空customer_name的行数计算非空值百分比。COUNT(column_name)会自动忽略 NULL 值所以COUNT(customer_name)就是非空值的数量。ROUND函数保留两位小数方便阅读。5.2 用 CRUD 矩阵盘点数据资产第 3 题考了 CRUD 矩阵这个工具在实战中非常有用。CRUD 矩阵用来记录每个应用程序对每个数据实体的创建Create、读取Read、更新Update、删除Delete操作。下面是一个简化的 CRUD 矩阵示例数据实体订单系统客户系统报表系统数据仓库客户C, RR, URR订单C, R, URRR产品RRRR支付C, RRRR这个矩阵能帮你快速看出哪些系统是数据的“源头”有 C 操作哪些系统是“消费者”只有 R 操作哪些系统有“修改权”有 U 操作。在数据治理项目中CRUD 矩阵是识别数据所有权和数据流向的基础工具。# 用 Python 生成 CRUD 矩阵的统计摘要 crud_matrix { 客户: {订单系统: CR, 客户系统: RU, 报表系统: R, 数据仓库: R}, 订单: {订单系统: CRU, 客户系统: R, 报表系统: R, 数据仓库: R}, 产品: {订单系统: R, 客户系统: R, 报表系统: R, 数据仓库: R}, 支付: {订单系统: CR, 客户系统: R, 报表系统: R, 数据仓库: R} } # 统计每个系统的操作类型分布 for entity, systems in crud_matrix.items(): for system, ops in systems.items(): if C in ops: print(f{system} 是 {entity} 的创建源头) if U in ops: print(f{system} 可以更新 {entity})这段代码遍历 CRUD 矩阵找出每个数据实体的创建源头和更新权限。参数上crud_matrix是一个嵌套字典外层键是数据实体内层键是系统名称值是操作字符串。实际项目中这个矩阵可以从数据库的系统目录表或应用程序配置中自动生成不需要手工维护。5.3 用 PDCA 循环驱动数据质量改进第 23 题考了 PDCA 循环即计划Plan、实施Do、检查Check、行动Act。这个循环在数据质量改进中非常实用。我的习惯是每发现一个数据质量问题就按 PDCA 四步走一遍。计划阶段定义问题、分析根因、制定改进目标。比如“客户名称字段空值率 15%目标降到 5% 以下”。实施阶段执行改进措施比如在录入界面增加必填校验、清洗历史数据。检查阶段用 SQL 重新计算空值率对比改进前后的数据。行动阶段如果有效把措施标准化如果无效分析原因并进入下一轮 PDCA。-- PDCA 检查阶段对比改进前后的完整性指标 SELECT 改进前 AS phase, ROUND(COUNT(customer_name) * 100.0 / COUNT(*), 2) AS completeness_pct FROM customer_table_backup UNION ALL SELECT 改进后 AS phase, ROUND(COUNT(customer_name) * 100.0 / COUNT(*), 2) AS completeness_pct FROM customer_table;这个查询用UNION ALL把改进前后的完整性指标放在一起对比。customer_table_backup是改进前的备份表customer_table是改进后的当前表。实际使用时需要根据具体的备份策略调整表名。5.4 一个容易忽略的细节数据治理组件的 10 个功能第 95 题考了数据治理直接涉及的组件功能数量正确答案是 10。这 10 个功能对应 DAMA 车轮图的十个知识领域数据治理、数据架构、数据建模、数据存储与操作、数据安全、数据集成、参考数据与主数据、数据仓库与 BI、元数据管理、数据质量。做题时容易和六边形图的 7 要素混淆记住“车轮图 10 领域六边形 7 要素”就不会错。从那以后我每次拿到新的模拟卷都会先统计各知识域的题量分布再按 PDCA 循环刷题和复盘最后用 SQL 把质量规则跑一遍验证。这套流程走下来比单纯背题效率高得多。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/21 8:58:26 · 阅读 1.2k CDGA模拟卷100题拆解：DAMA核心考点与数据治理实战
简介这份CDGA模拟卷1面向备考数据治理工程师认证的考生尤其适合已具备一定数据管理基础、需要系统刷题查漏补缺的中高级学习者。内容围绕DAMA知识体系展开覆盖信息质量衡量、数据库管理运营、商业智能、元数据分类、企业数据模型与逻辑数据模型区别、维度建模、数据安全策略、主数据实现方式等核心考点每道题均附正确答案与知识点解析便于对照理解。资源包共1个docx文件约35KB以文档形式呈现100道选择题结构紧凑适合打印或移动端随时练习。目前已有485人学习下载可作为考前冲刺阶段的自测工具帮助读者快速定位薄弱环节、熟悉出题思路与常见陷阱提升应试效率。1. 数据治理工程师模拟卷拆解100 道题里藏着哪些必考知识点数据治理工程师CDGA认证的备考路上最缺的往往不是教材而是一套能直接上手刷、又能反查知识盲区的模拟题。这份《CDGA模拟卷1--100道题.docx》就是干这个用的——100 道选择题覆盖 DAMA-DMBOK2 框架下的数据质量、元数据管理、数据架构、主数据管理、数据安全等核心领域。它不是零散的知识点罗列而是一套按考试逻辑组织的自测工具。适合两类人一是准备 CDGA 认证、需要摸底和查漏的考生二是刚转入数据治理岗、想通过做题快速建立知识框架的从业者。我拿到这份文档后没有直接从头刷到尾而是先拆结构、再定策略最后才动手做题。下面把整个拆解和复现过程摊开讲。2. 拆解模拟卷结构从 100 道题反推 DAMA 知识域权重2.1 先看题号分布别急着做题拿到一份 100 题的模拟卷第一件事不是从第 1 题开始做而是先统计各知识域的题目数量和分布。CDGA 考试的核心知识域包括数据治理、数据架构、数据建模、数据存储与操作、数据安全、数据集成、参考数据与主数据、数据仓库与 BI、元数据管理、数据质量等。这份模拟卷的题目分布大致如下知识域题号范围示例题量占比数据治理与组织6, 20, 43, 45, 58, 90, 95约 15%数据架构与模型9, 17, 25, 26, 28, 34, 40, 49, 80, 82, 87约 20%数据质量与信息质量1, 5, 8, 14, 15, 42, 54, 56, 57, 74, 75约 18%元数据管理7, 76, 77约 8%主数据与参考数据30, 61, 63, 65, 78, 92, 98约 12%数据安全与隐私22, 24, 27, 35, 36, 73, 94, 99约 12%数据仓库与 BI21, 31, 33, 39, 55, 59, 68, 71, 86, 100约 15%这个分布和 DAMA-DMBOK2 的章节权重基本吻合说明出题人是按框架来的不是随便凑题。知道这一点后复习策略就清晰了数据架构、数据质量、数据治理三块加起来超过 50%是必须拿下的高地元数据题量虽少但概念容易混淆反而容易丢分。2.2 用 CRUD 矩阵思路整理错题第 3 题考的是“了解公司数据如何被应用程序使用”的最佳方法正确答案是创建 CRUD 矩阵。这个思路反过来也能用在备考上——把每道错题当成一个“数据实体”记录它的“创建错因、读取知识点、更新纠正、删除排除错误选项”四个动作。我一般会建一个错题追踪表字段包括题号、知识域、错选答案、正确答案、错因分类、关联知识点、复习次数。错因分类用固定标签概念混淆、审题失误、知识盲区、选项干扰。这样刷完一遍后能清楚看到自己在哪个知识域、哪类错因上反复翻车。# 错题追踪表结构示例用 pandas 管理 import pandas as pd wrong_questions pd.DataFrame({ 题号: [1, 7, 12, 23, 36], 知识域: [数据质量, 元数据, 数据集成, 数据治理, 数据安全], 错选: [B, A, A, E, C], 正确: [C, D, B, D, D], 错因: [概念混淆, 知识盲区, 审题失误, 概念混淆, 选项干扰], 关联知识点: [ 信息质量评估顺序, 元数据类型分类, 非结构化数据检索技术, PDCA 循环定义, 授权与认证的区别 ], 复习次数: [0, 0, 0, 0, 0] }) # 按知识域统计错题数量找出薄弱环节 weakness wrong_questions.groupby(知识域).size().sort_values(ascendingFalse) print(weakness)这段代码的逻辑很简单把错题结构化按知识域聚合一眼看出哪个域错得最多。参数上错因字段的标签体系可以根据自己的习惯调整但建议控制在 5 个以内太多了反而不好归类。复习次数字段用来标记哪些题已经回看过避免反复看已经掌握的题。2.3 从题目反查 DAMA 原文位置每道题背后都对应 DAMA-DMBOK2 的某个章节。比如第 1 题考“衡量信息质量首先做什么”对应的是数据质量章节中关于“评估数据定义”的论述第 23 题考 PDCA对应的是数据治理中的质量改进方法。做题不是目的通过题目定位到原文段落把上下文读一遍才是真正把题吃透。我的做法是每道错题纠正后在 DAMA 教材的对应章节折角或加书签标注题号。下次复习时先看题号再翻到对应段落快速过一遍上下文。这样比单纯背题效率高得多因为考试时题目会变但知识点不会变。3. 逐题精讲数据质量与元数据的高频考点拆解3.1 信息质量评估的先后顺序第 1 题问“为了衡量信息质量应该首先做以下哪个数据质量的相关活动”正确答案是 C评估数据定义。这道题考的是信息质量评估的逻辑顺序先定义清楚数据是什么、代表什么含义才能谈清洗、重设计或衡量成本。如果数据定义都不清晰后续的清洗和衡量都是空中楼阁。第 5 题进一步考了信息质量特征中的“有效性”定义是“衡量数据对其主要价值和业务规则的符合程度”。这里容易和“准确性”混淆。准确性关注的是数据值是否正确有效性关注的是数据是否符合业务规则和值域约束。比如一个“性别”字段值域是 {男, 女}如果出现了“未知”那就是有效性问题如果出现了“男”但实际是女性那是准确性问题。第 15 题考准确性的衡量指标正确答案是“正确率百分比”。第 56 题考完整性的衡量方法正确答案是“评估一个特定字段的非空值记录的百分比”。这两道题放在一起看就能把信息质量的核心维度理清楚质量维度衡量方法典型题目准确性正确率百分比第 15 题完整性非空值记录百分比第 56 题唯一性重复值检测第 8 题有效性值域符合度第 5 题一致性跨系统数据比对第 54 题3.2 元数据类型的边界第 7 题问“元数据的类型包括以下所有内容但不包括”正确答案是 D执行元数据。DAMA 框架中元数据的三大类型是业务元数据、技术元数据和操作元数据。业务元数据描述业务含义和规则技术元数据描述数据结构和技术细节操作元数据描述数据处理和访问的运行时信息。“执行元数据”不是标准分类属于干扰项。第 76 题考“点对点的元数据架构”正确答案是“桥梁”。点对点架构下每对工具之间需要建立单独的、通常是双向的桥梁来交换元数据。这种架构的缺点是维护成本高工具数量增加时桥梁数量呈平方级增长。第 77 题考元数据工具整合的顺序正确答案是“在元数据级别在数据级别”——先整合元数据定义再整合实际数据。这两道题放在一起其实是在考元数据管理的架构选型点对点适合工具少、变动不频繁的场景如果工具多、需要集中管理就应该考虑元数据存储库或元数据仓库架构。# 元数据桥梁数量计算点对点架构下n 个工具需要多少条桥梁 def point_to_point_bridges(n): 计算点对点元数据架构下的桥梁数量 n: 工具数量 返回: 桥梁数量双向每对工具一条 if n 2: return 0 return n * (n - 1) // 2 # 测试不同工具数量下的桥梁数 for tools in [2, 3, 5, 10]: bridges point_to_point_bridges(tools) print(f{tools} 个工具需要 {bridges} 条桥梁)这段代码用来直观感受点对点架构的复杂度增长。参数n是元数据工具的数量返回值是需要的桥梁数量。当工具从 5 个增加到 10 个时桥梁数从 10 条涨到 45 条维护成本急剧上升。这也是为什么大型企业更倾向于集中式元数据管理架构。3.3 数据建模中的实体与关系第 9 题考企业数据模型和逻辑数据模型的区别正确答案是 D企业数据模型代表组织的实体和关系逻辑数据模型代表可以呈现给数据库的模型。企业数据模型是高层级的、跨业务单元的逻辑数据模型则更接近物理实现但还不涉及具体的数据库技术选型。第 26 题问“以下哪项实体不需要在数据模型中包含”正确答案是 B分析师认为业务会扩展到需要这个实体。数据模型应该基于当前业务需求和已知的政策文件而不是基于对未来的猜测。第 28 题考主题域的作用正确答案是 D对实体进行分组使模型管理更容易。主题域是实体的逻辑分组比如“客户”“产品”“订单”就是不同的主题域。第 34 题考逻辑数据模型的设计评审内容正确答案是 D主要的流程逻辑。逻辑数据模型评审关注实体、属性、关系不关注流程逻辑流程逻辑是流程模型的事。第 82 题考数据建模中最耗时的活动正确答案是 D定义实体、属性和关系。这一步需要反复和业务方确认是建模过程中最耗时的环节。4. 避坑指南刷模拟卷时最容易翻车的五个地方4.1 把“有效性”和“准确性”混为一谈现象第 5 题和第 15 题反复错看到“符合业务规则”就选准确性看到“正确率”就选有效性。原因这两个概念在中文语境下容易混淆。有效性Validity关注的是数据值是否在允许的值域范围内是“合不合法”的问题准确性Accuracy关注的是数据值是否真实反映了客观事实是“对不对”的问题。解决记住一个判断口诀——值域约束看有效性事实比对看准确性。做题时先问自己这道题说的是“数据在不在允许范围内”还是“数据对不对”前者选有效性后者选准确性。4.2 元数据类型多选“执行元数据”现象第 7 题看到“执行元数据”觉得有道理因为元数据确实和“执行”有关结果选错。原因DAMA 框架中元数据的标准分类只有三种业务元数据、技术元数据、操作元数据。“执行元数据”是出题人编的干扰项听起来合理但不在标准框架内。解决把三大元数据类型的关键词记住——业务元数据管“含义”技术元数据管“结构”操作元数据管“运行”。遇到“执行”“管理”“控制”这类词先怀疑是不是干扰项。4.3 数据治理组件数量记错现象第 95 题问“基于 DAMA-DMBOK2 的数据治理直接涉及多少种不同的组件功能”正确答案是 10但容易错选 7 或 9。原因DAMA 环境因素六边形图有 7 个要素但数据治理直接涉及的组件功能是 10 个。这两个数字容易混淆。解决区分记忆——六边形图 7 要素是“目标和原则、组织和文化、工具、活动、主要交付物、角色和职责、度量指标”数据治理组件功能 10 个是 DAMA 车轮图上的十个知识领域。做题时看清问的是“六边形图要素”还是“组件功能”。4.4 主数据与参考数据的边界模糊现象第 61 题和第 63 题容易错分不清参考数据和主数据的区别。原因参考数据是用于分类和分类的“代码表”比如国家代码、货币代码主数据是描述核心业务实体的“黄金记录”比如客户、产品、供应商。参考数据可以来自外部主数据通常是企业内部统一的。解决记住一句话——参考数据是“分类标准”主数据是“业务实体”。第 61 题问参考数据能否从外部获取答案是能第 63 题问主数据管理定义什么答案是非事务型的数据实体。4.5 数据仓库与 OLTP 的职责混淆现象第 21 题问 SOA 服务使数据仓库功能在哪种情况下实现容易错选“使数据仓库的批处理成为不必要”。原因SOA 服务可以让数据仓库更实时、更整合但不会让批处理完全消失。批处理在数据仓库中仍然有不可替代的作用比如大规模 ETL 和历史数据加载。解决记住——SOA 改善的是数据仓库的“服务化”能力不是“消灭批处理”。第 21 题的正确答案是 A即“使数据仓库的批处理成为不必要”是不对的。5. 从刷题到实战用 SQL 验证数据质量规则5.1 把模拟题中的质量规则写成 SQL模拟卷里考了很多信息质量维度比如唯一性、完整性、准确性、有效性。这些概念在实战中都可以用 SQL 来验证。下面以“产品 ID 唯一性”和“字段完整性”为例写两个可直接套用的检查脚本。-- 检查产品 ID 的唯一性找出重复的产品 ID SELECT product_id, COUNT(*) AS duplicate_count FROM product_table GROUP BY product_id HAVING COUNT(*) 1 ORDER BY duplicate_count DESC; -- 检查关键字段的完整性计算非空值百分比 SELECT COUNT(*) AS total_rows, COUNT(customer_name) AS non_null_names, ROUND(COUNT(customer_name) * 100.0 / COUNT(*), 2) AS completeness_pct FROM customer_table;第一个查询的逻辑是按product_id分组统计每组的行数筛选出行数大于 1 的记录就是重复的产品 ID。HAVING子句用来过滤聚合后的结果ORDER BY按重复次数降序排列方便优先处理重复最多的记录。第二个查询的逻辑是统计总行数和非空customer_name的行数计算非空值百分比。COUNT(column_name)会自动忽略 NULL 值所以COUNT(customer_name)就是非空值的数量。ROUND函数保留两位小数方便阅读。5.2 用 CRUD 矩阵盘点数据资产第 3 题考了 CRUD 矩阵这个工具在实战中非常有用。CRUD 矩阵用来记录每个应用程序对每个数据实体的创建Create、读取Read、更新Update、删除Delete操作。下面是一个简化的 CRUD 矩阵示例数据实体订单系统客户系统报表系统数据仓库客户C, RR, URR订单C, R, URRR产品RRRR支付C, RRRR这个矩阵能帮你快速看出哪些系统是数据的“源头”有 C 操作哪些系统是“消费者”只有 R 操作哪些系统有“修改权”有 U 操作。在数据治理项目中CRUD 矩阵是识别数据所有权和数据流向的基础工具。# 用 Python 生成 CRUD 矩阵的统计摘要 crud_matrix { 客户: {订单系统: CR, 客户系统: RU, 报表系统: R, 数据仓库: R}, 订单: {订单系统: CRU, 客户系统: R, 报表系统: R, 数据仓库: R}, 产品: {订单系统: R, 客户系统: R, 报表系统: R, 数据仓库: R}, 支付: {订单系统: CR, 客户系统: R, 报表系统: R, 数据仓库: R} } # 统计每个系统的操作类型分布 for entity, systems in crud_matrix.items(): for system, ops in systems.items(): if C in ops: print(f{system} 是 {entity} 的创建源头) if U in ops: print(f{system} 可以更新 {entity})这段代码遍历 CRUD 矩阵找出每个数据实体的创建源头和更新权限。参数上crud_matrix是一个嵌套字典外层键是数据实体内层键是系统名称值是操作字符串。实际项目中这个矩阵可以从数据库的系统目录表或应用程序配置中自动生成不需要手工维护。5.3 用 PDCA 循环驱动数据质量改进第 23 题考了 PDCA 循环即计划Plan、实施Do、检查Check、行动Act。这个循环在数据质量改进中非常实用。我的习惯是每发现一个数据质量问题就按 PDCA 四步走一遍。计划阶段定义问题、分析根因、制定改进目标。比如“客户名称字段空值率 15%目标降到 5% 以下”。实施阶段执行改进措施比如在录入界面增加必填校验、清洗历史数据。检查阶段用 SQL 重新计算空值率对比改进前后的数据。行动阶段如果有效把措施标准化如果无效分析原因并进入下一轮 PDCA。-- PDCA 检查阶段对比改进前后的完整性指标 SELECT 改进前 AS phase, ROUND(COUNT(customer_name) * 100.0 / COUNT(*), 2) AS completeness_pct FROM customer_table_backup UNION ALL SELECT 改进后 AS phase, ROUND(COUNT(customer_name) * 100.0 / COUNT(*), 2) AS completeness_pct FROM customer_table;这个查询用UNION ALL把改进前后的完整性指标放在一起对比。customer_table_backup是改进前的备份表customer_table是改进后的当前表。实际使用时需要根据具体的备份策略调整表名。5.4 一个容易忽略的细节数据治理组件的 10 个功能第 95 题考了数据治理直接涉及的组件功能数量正确答案是 10。这 10 个功能对应 DAMA 车轮图的十个知识领域数据治理、数据架构、数据建模、数据存储与操作、数据安全、数据集成、参考数据与主数据、数据仓库与 BI、元数据管理、数据质量。做题时容易和六边形图的 7 要素混淆记住“车轮图 10 领域六边形 7 要素”就不会错。从那以后我每次拿到新的模拟卷都会先统计各知识域的题量分布再按 PDCA 循环刷题和复盘最后用 SQL 把质量规则跑一遍验证。这套流程走下来比单纯背题效率高得多。希望帮到你。本文还有配套的精品资源点击获取