大數據元數據管理系統有哪些功能

『壹』 大數據 簡述元數據包括哪些數據處理過程記錄

元數據（Metadata），又稱中介數據、中繼數據，為描述數據的數據（data about data），主要是描述數據屬性（property）的信息，用來支持如指示存儲位置、歷史數據、資源查找、文件記錄等功能。元數據算是一種電子式目錄，為了達到編制目錄的目的，必須在描述並收藏數據的內容或特色，進而達成協助數據檢索的目的。都柏林核心集（Dublin Core Metadata Initiative，DCMI）是元數據的一種應用，是1995年2月由國際圖書館電腦中心（OCLC）和美國國家超級計算應用中心（National Center for Supercomputing Applications，NCSA）所聯合贊助的研討會，在邀請52位來自圖書館員、電腦專家，共同制定規格，創建一套描述網路上電子文件之特徵。

『貳』 數據管理框架中的元數據管理是什麼

大數據時代下，憑借數據管理框架中的重要管理職能，元數據管理也越來越頻繁的出現在大家的視野中。

元數據及應用也是數據倉庫的重要組成部分，它是描述數據的數據（data about data)，描述數據的屬性信息，可以幫助我們非常方便地找到他們所關心的數據。

元數據記錄了哪些信息？

數據的表結構：欄位信息、分區信息、索引信息等；
數據的使用&許可權：空間存儲、讀寫記錄、修改記錄、許可權歸屬、審核記錄等其他信息；
數據的血緣關系信息：血緣信息簡單的說就是數據的上下游關系，數據從哪裡來到哪裡去？我們通過血緣關系，可以了解到建立起生產這些數據的任務之間的依賴關系，進而輔助調度系統的工作調度，或者用來判斷一個失敗或錯誤的任務可能對哪些下游數據造成影響等等；而在數據排查過程中也可以幫助我們定位問題。
數據的業務屬性信息：記錄這張表的業務用途，各個欄位的具體統計口徑、業務描述、歷史變遷記錄、變遷原因等。這部分數據多是我們手動填寫，但卻能大大提升數據使用過程中的便利性。
對於元數據的概念及元數據管理的作用，這篇文章大概做了一個介紹，希望能幫到對其理解不夠清晰的非業內人士。

『叄』 什麼是資料庫管理系統它具有哪些功能

資料庫管理系統(database
management
system)是一種操縱和管理資料庫的大型軟體，是用於建立、使用和維護資料庫，簡稱dbms。它對資料庫進行統一的管理和控制，以保證資料庫的安全性和完整性。用戶通過dbms訪問資料庫中的數據，資料庫管理員也通過dbms進行資料庫的維護工作。它提供多種功能，可使多個應用程序和用戶用不同的方法在同時或不同時刻去建立，修改和詢問資料庫。它使用戶能方便地定義和操縱數據，維護數據的安全性和完整性，以及進行多用戶下的並發控制和恢復資料庫。
按功能劃分，資料庫管理系統大致可分為6個部分：
(1)模式翻譯：提供數據定義語言(ddl)。用它書寫的資料庫模式被翻譯為內部表示。資料庫的邏輯結構、完整性約束和物理儲存結構保存在內部的數據字典中。資料庫的各種數據操作(如查找、修改、插入和刪除等)和資料庫的維護管理都是以資料庫模式為依據的。
(2)應用程序的編譯：把包含著訪問資料庫語句的應用程序，編譯成在dbms支持下可運行的目標程序。
(3)互動式查詢：提供易使用的互動式查詢語言，如sql。dbms負責執行查詢命令，並將查詢結果顯示在屏幕上。
(4)數據的組織與存取：提供數據在外圍儲存設備上的物理組織與存取方法。
⑸事務運行管理：提供事務運行管理及運行日誌，事務運行的安全性監控和數據完整性檢查，事務的並發控制及系統恢復等功能。
(6)資料庫的維護：為資料庫管理員提供軟體支持，包括數據安全控制、完整性保障、資料庫備份、資料庫重組以及性能監控等維護工具。
基於關系模型的資料庫管理系統已日臻完善，並已作為商品化軟體廣泛應用於各行各業。它在各戶伺服器結構的分布式多用戶環境中的應用，使資料庫系統的應用進一步擴展。隨著新型數據模型及數據管理的實現技術的推進，可以預期dbms軟體的性能還將更新和完善，應用領域也將進一步地拓寬。
它所提供的功能有以下幾項：
（1）數據定義功能。dbms提供相應數據語言來定義（ddl）資料庫結構，它們是刻畫資料庫框架，並被保存在數據字典中。
（2）數據存取功能。dbms提供數據操縱語言（dml），實現對資料庫數據的基本存取操作：檢索，插入，修改和刪除。
（3）資料庫運行管理功能。dbms提供數據控制功能，即是數據的安全性、完整性和並發控制等對資料庫運行進行有效地控制和管理，以確保數據正確有效。
（4）資料庫的建立和維護功能。包括資料庫初始數據的裝入，資料庫的轉儲、恢復、重組織，系統性能監視、分析等功能。
（5）資料庫的傳輸。dbms提供處理數據的傳輸，實現用戶程序與dbms之間的通信，通常與操作系統協調完成。
著名資料庫管理系統
ms
sql
sybase
db2
oracle
mysql
access
vf
常見的資料庫管理系統
目前有許多資料庫產品，如oracle、sybase、informix、microsoft
sql
server、microsoft
access、visual
foxpro等產品各以自己特有的功能，在資料庫市場上佔有一席之地。下面簡要介紹幾種常用的資料庫管理系統。

『肆』 系統的數據處理的功能有哪些

1.可視化分析 大數據分析的使用者有大數據分析專家，同時還有普通用戶，但是他們二者對於大數據分析最基本的要求就是可視化分析，因為可視化分析能夠直觀的呈現大數據特點，同時能夠非常容易被讀者所接受，就如同看圖說話一樣簡單明了。 2. 數據挖掘演算法 大數據分析的理論核心就是數據挖掘演算法，各種數據挖掘的演算法基於不同的數據類型和格式才能更加科學的呈現出數據本身具備的特點，也正是因為這些被全世界統計 學家所公認的各種統計方法（可以稱之為真理）才能深入數據內部，挖掘出公認的價值。另外一個方面也是因為有這些數據挖掘的演算法才能更快速的處理大數據，如 果一個演算法得花上好幾年才能得出結論，那大數據的價值也就無從說起了。 3. 預測性分析 大數據分析最終要的應用領域之一就是預測性分析，從大數據中挖掘出特點，通過科學的建立模型，之後便可以通過模型帶入新的數據，從而預測未來的數據。 4. 語義引擎 非結構化數據的多元化給數據分析帶來新的挑戰，我們需要一套工具系統的去分析，提煉數據。語義引擎需要設計到有足夠的人工智慧以足以從數據中主動地提取信息。 5.數據質量和數據管理。 大數據分析離不開數據質量和數據管理，高質量的數據和有效的數據管理，無論是在學術研究還是在商業應用領域，都能夠保證分析結果的真實和有價值。 大數據分析的基礎就是以上五個方面，當然更加深入大數據分析的話，還有很多很多更加有特點的、更加深入的、更加專業的大數據分析方法。 大數據的技術 數據採集： ETL工具負責將分布的、異構數據源中的數據如關系數據、平面數據文件等抽取到臨時中間層後進行清洗、轉換、集成，最後載入到數據倉庫或數據集市中，成為聯機分析處理、數據挖掘的基礎。 數據存取： 關系資料庫、NOSQL、SQL等。 基礎架構： 雲存儲、分布式文件存儲等。 數據處理： 自然語言處理(NLP，Natural Language Processing)是研究人與計算機交互的語言問題的一門學科。處理自然語言的關鍵是要讓計算機」理解」自然語言，所以自然語言處理又叫做自然語言理解也稱為計算語言學。一方面它是語言信息處理的一個分支，另一方面它是人工智慧的核心課題之一。 統計分析： 假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、 方差分析 、 卡方分析、偏相關分析、距離分析、回歸分析、簡單回歸分析、多元回歸分析、逐步回歸、回歸預測與殘差分析、嶺回歸、logistic回歸分析、曲線估計、 因子分析、聚類分析、主成分分析、因子分析、快速聚類法與聚類法、判別分析、對應分析、多元對應分析（最優尺度分析）、bootstrap技術等等。 數據挖掘： 分類 （Classification）、估計（Estimation）、預測（Prediction）、相關性分組或關聯規則（Affinity grouping or association rules）、聚類（Clustering）、描述和可視化、Description and Visualization）、復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等) 模型預測 ：預測模型、機器學習、建模模擬。 結果呈現： 雲計算、標簽雲、關系圖等。 大數據的處理 1. 大數據處理之一：採集 大數據的採集是指利用多個資料庫來接收發自客戶端（Web、App或者感測器形式等）的 數據，並且用戶可以通過這些資料庫來進行簡單的查詢和處理工作。比如，電商會使用傳統的關系型資料庫MySQL和Oracle等來存儲每一筆事務數據，除 此之外，Redis和MongoDB這樣的NoSQL資料庫也常用於數據的採集。 在大數據的採集過程中，其主要特點和挑戰是並發數高，因為同時有可能會有成千上萬的用戶 來進行訪問和操作，比如火車票售票網站和淘寶，它們並發的訪問量在峰值時達到上百萬，所以需要在採集端部署大量資料庫才能支撐。並且如何在這些資料庫之間 進行負載均衡和分片的確是需要深入的思考和設計。 2. 大數據處理之二：導入/預處理 雖然採集端本身會有很多資料庫，但是如果要對這些海量數據進行有效的分析，還是應該將這 些來自前端的數據導入到一個集中的大型分布式資料庫，或者分布式存儲集群，並且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用戶會在導入時使 用來自Twitter的Storm來對數據進行流式計算，來滿足部分業務的實時計算需求。 導入與預處理過程的特點和挑戰主要是導入的數據量大，每秒鍾的導入量經常會達到百兆，甚至千兆級別。 3. 大數據處理之三：統計/分析 統計與分析主要利用分布式資料庫，或者分布式計算集群來對存儲於其內的海量數據進行普通 的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基於 MySQL的列式存儲Infobright等，而一些批處理，或者基於半結構化數據的需求可以使用Hadoop。 統計與分析這部分的主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的佔用。 4. 大數據處理之四：挖掘 與前面統計和分析過程不同的是，數據挖掘一般沒有什麼預先設定好的主題，主要是在現有數 據上面進行基於各種演算法的計算，從而起到預測（Predict）的效果，從而實現一些高級別數據分析的需求。比較典型演算法有用於聚類的Kmeans、用於 統計學習的SVM和用於分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用於挖掘的演算法很復雜，並 且計算涉及的數據量和計算量都很大，常用數據挖掘演算法都以單線程為主。 整個大數據處理的普遍流程至少應該滿足這四個方面的步驟，才能算得上是一個比較完整的大數據處理。

『伍』 什麼是元數據管理及其作用

元數據（Meta Date），主要記錄數據倉庫中模型的定義、各層級間的映射關系、監控數據倉庫的數據狀態及ETL的任務運行狀態。一般會通過元數據資料庫（Metadata Repository）來統一地存儲和管理元數據，其主要目的是使數據倉庫的設計、部署、操作和管理能達成協同和一致。

元數據是數據倉庫管理系統的重要組成部分，元數據管理是企業級數據倉庫中的關鍵組件，貫穿數據倉庫構建的整個過程，直接影響著數據倉庫的構建、使用和維護。

• 構建數據倉庫的主要步驟之一是ETL。這時元數據將發揮重要的作用，它定義了源數據系統到數據倉庫的映射、數據轉換的規則、數據倉庫的邏輯結構、數據更新的規則、數據導入歷史記錄以及裝載周期等相關內容。數據抽取和轉換的專家以及數據倉庫管理員正是通過元數據高效地構建數據倉庫。

• 用戶在使用數據倉庫時，通過元數據訪問數據，明確數據項的含義以及定製報表。

• 數據倉庫的規模及其復雜性離不開正確的元數據管理，包括增加或移除外部數據源，改變數據清洗方法，控制出錯的查詢以及安排備份等。

元數據可分為技術元數據和業務元數據。技術元數據為開發和管理數據倉庫的IT 人員使用，它描述了與數據倉庫開發、管理和維護相關的數據，包括數據源信息、數據轉換描述、數據倉庫模型、數據清洗與更新規則、數據映射和訪問許可權等。而業務元數據為管理層和業務分析人員服務，從業務角度描述數據，包括商務術語、數據倉庫中有什麼數據、數據的位置和數據的可用性等，幫助業務人員更好地理解數據倉庫中哪些數據是可用的以及如何使用。

由上可見，元數據不僅定義了數據倉庫中數據的模式、來源、抽取和轉換規則等，而且是整個數據倉庫系統運行的基礎，元數據把數據倉庫系統中各個鬆散的組件聯系起來，組成了一個有機的整體

『陸』 公司如何做好元數據管理

最近Gartner在研究報告里明確指出，「元數據管理將是未來企業信息化的核心基礎設施」。確實，在大數據環境中，如果企業不通過元數據管理把多種復雜的信息管理起來，很難做到信息的有效利用。但是，很多企業逐漸發現元數據管理直接給企業業務創新帶來的價值非常有限。目前的元數據管理現狀是什麼？如何充分釋放元數據管理的業務價值？有哪些實踐經驗可以借鑒？

目錄：

一、現狀分析：孤獨的企業元數據管理

二、解決方案：面向業務釋放元數據價值

三、技術實踐：普元的企業元數據管理實踐

一、現狀分析：孤獨的企業元數據管理

元數據管理不能給業務創新帶來直接價值的主要原因，在於目前的元數據管理太「孤獨」，這種孤獨主要體現在以下四個方面：

• 管理范圍窄：目前元數據管理范圍窄主要體現在兩個層面：第一，只管理了數據倉庫相關的元數據，沒有將元數據管理擴展到整個企業層面；第二，即使在數據倉庫領域，也只管理了部分技術元數據，技術元數據的缺失導致元數據系統不能展現出企業系統的真實情況，業務元數據的缺失導致最終大家只能得到一堆缺少具體業務含義的表結構。

• 業務難結合：因為缺少和業務的結合，很多企業做完元數據管理系統之後，發現只是數據管理部內部人員在使用，其他部門的人根本沒法用。系統都應該是為業務服務的，只有一個部門的人在用的系統是沒有生命力的，如何讓各部門的人都會使用元數據管理系統是一件很重要的事。

• 應用場景缺:目前，大部分元數據的應用場景都局限於元數據系統的內部功能，比如血緣分析，血統分析，版本管理等，這些功能都是企業在信息化裡面使用到的，但實際上元數據的作用不只是體現在這些有限的功能上。

• 技術不完善：技術的不完善導致了以上一系列問題的出現。擴展性不強，導致很多元數據管理工具沒辦法管理企業業務數據和架構；採集能力差，導致只能通過手工做輔錄，人工成本高，不能建立完整的信息鏈路；實時性不高，導致很多企業的元數據管理還停留在T+1（甚至不是T+1）階段，不能實時了解數據資產狀況，跟不上企業數據增長的速度。

二、解決方案：面向業務釋放元數據價值

為了讓元數據管理擺脫以上「孤獨」的現狀，可以從四個方面著手：

• 在技術上增強擴展性，實現自動化採集第一，增強擴展性。現在大部分元數據產品都是符合CWM標準的，只能管理數據倉庫相關的元數據，不支持業務、架構等元數據的採集，以位於CWM下一層的MOF為基礎，能有效解決擴展性的問題，通過此種方式，普元用元數據管理了新一代平台The Platform中整個微服務架構，實現了服務、數據以及運維過程的統一管理。第二，提升採集能力。元數據管理要採集各種各樣的元數據，包括腳本、存儲過程、報表等，還得分析各種各樣的語法樹，這對系統的採集能力要求是很高的，普元的元數據管理平台已實現用自動化提升系統的採集性能，能採集多種元數據，採集率幾乎達到100%。

  

• 增強業務元數據管理能力，讓業務用戶廣泛使用充分釋放元數據管理業務價值的前提是讓業務人員學會使用元數據管理系統，因此如何採集到業務元數據就變得非常重要。通過Excel採集業務元數據的方式，需要業務人員來填寫各種各樣的數據項，即使採集到系統中，也無法建立業務元數據與技術元數據的關聯，無法體現業務數據在技術上的路徑。為了解決上面的問題，自動化採集是必不可少的，另外還可以通過從文檔里去分析業務元數據，再和技術元數據做對應的方式，讓更多用戶參與到元數據系統的使用上來。

• 與業務結合，實現面向業務的定製化應用現在元數據管理系統只局限在內部特定功能的使用，為發揮元數據管理的價值，應該把元數據做成一個服務化的系統，嵌入到企業各個場景中，給其他系統提供能力，讓其他系統變得更自動化，讓元數據管理變成企業一個很重要的基礎設施，集成到企業信息化的方方面面。

• 打通數據生產線，形成自助數據供給不少企業都遇到過這樣的問題：開發人員向數據部門索要數據時，數據部門需要逐個講解數據的含義並把數據導過去，講解的難度隨著系統的增多而增大。元數據能幫助企業打造一個自助的數據生產線，讓開發人員很容易地從數據平台中拿到所需數據，把整個產業線變得更簡單，減輕數據部門的工作量的同時還能提高業務開發人員的滿意度。

三、技術實踐：

普元的企業元數據管理實踐

• 中國東方航空：業務化的數據地圖原來的數據地圖只有技術人員能看懂，但是業務人員更關心和業務相關的事情，關心的是業務數據的分布。所以，普元梳理了整個東航的模型，用業務人員能理解的方式展現出了這些數據。通過數據資產管理平台的建設，東航實現了業務化數據地圖的展現。普元借鑒達美航空經驗，分析了航空領域模型中近2000個實體，逐個核對了1249張業務系統表數據，梳理出了數據主題域、數據實體、業務系統在內的三層結構的數據地圖：包括航班、票務等13個主題域，針對每個主題域給出了多達227個業務實體目錄及定義，給出了每個業務實體對應的資料庫表與業務系統。

• 浙江電力：基於業務元數據的業務用戶自助數據查詢因為業務人員的IT水平有限，沒辦法自己設計報表，也沒辦法自助查詢數據，所以浙江電力每天都要處理大量來自業務人員的需求。普元幫助浙江電力梳理了所有的元數據，並跟報表線做了整合，通過對應業務元數據和技術元數據，讓業務人員可以查詢業務數據對應的技術通路，從而自助設計報表，大大減小了數據部門的工作量；普元還幫助浙江電力做了針對業務流程的數據地圖，業務人員從數據地圖上能直接看到每個流程節點對應的數據，通過這種方式，讓業務用戶自己找到所需的數據。

• 德邦物流：自動化、實時的數據資產採集德邦已經建立了比較完善的數據平台，普元元數據管理平台，幫助德邦管理了90多個業務系統，優化了整個現有流程，實現了各種環境的自動化採集（資料庫、ETL、服務、報表、GP、存儲過程等），採集准確率達到了95%-99%。自動化採集之後，德邦放心地去掉了500多張報表中跟任何系統都沒有關聯的50張無用報表，大大減少了報表維護費用。

對於開發中的測試部署階段，理想狀況下，設計態、測試態、生產態中的元數據是一致的，通常開發管理者需要比對設計態和生產態，根據比對結果判斷系統能否上線，運維人員也需要在系統上線之前，提前分析出系統上線給其他系統帶來的影響。之前這些都需要人工完成，項目完成後，元數據已經融入了德邦的每一個開發環節，通過元數據管理系統可以完整比對不同狀態之間元數據的差別，直接給出對比差異報告，開發管理者和運維人員根據報告就能判斷系統能否上線。

『柒』 什麼是元數據（MetaData）及元數據的用途

元數據（Meta Data）是關於數據的數據，當人們描述現實世界的現象時，就會產生抽象信息，這些抽象信息便可以看作是元數據，元數據主要用來描述數據的上下文信息。

通俗的來講，假若圖書館的每本書中的內容是數據的話，那麼找到每本書的索引則是元數據，元數據之所以有其它方法無法比擬的優勢，就在於它可以幫助人們更好的理解數據。

發現和描述數據的來龍去脈，特別是那些即將要從OLTP系統上升到DW/BI體系建設的企業，元數據可以幫他們形成清晰直觀的數據流圖，元數據是數據管控的基本手段。

元數據是為了提升共享、重新獲取和理解企業信息資產的水平，元數據是企業信息管理的潤滑劑，不對元數據進行管理或管理不得當。

信息將被丟失或處於隱匿狀態而難以被用戶使用，數據集成將十分昂貴，不能對業務進行有效支撐。終端用戶要識別相關的信息將十分困難，最終用戶將失去對數據的信任。

(7)大數據元數據管理系統有哪些功能擴展閱讀

元數據分類

元數據管理的范圍將涵括數據產生、數據存儲、數據加工和展現等各個環節的數據描述信息，幫助用戶理解數據來龍去脈、關系及相關屬性。按其描述對象的不同可以劃分為三類元數據：技術元數據、業務元數據和管理元數據。這三種元數據的具體描述如下：

1、技術元數據 技術元數據是描述數據系統中技術領域相關概念、關系和規則的數據，主要包括對數據結構、數據處理方面的特徵描述，覆蓋數據源介面、數據倉庫與數據集市存儲、ETL、OLAP、數據封裝和前端展現等全部數據處理環節；

2、業務元數據 業務元數據是描述數據系統中業務領域相關概念、關系和規則的數據，主要包括業務術語、信息分類、指標定義和業務規則等信息；

3、管理元數據 管理元數據是描述數據系統中管理領域相關概念、關系和規則的數據，主要包括人員角色、崗位職責和管理流程等信息。

『捌』 數據治理的數據治理成功的關鍵——元數據管理

獨立企業數據集成軟體提供商Informatica公司（納斯達克代碼：INFA）認為：數據治理成功的關鍵在於元數據管理，即賦予數據上下文和含義的參考框架。經過有效治理的元數據可提供數據流視圖、影響分析的執行能力、通用業務詞彙表以及其術語和定義的可問責性，最終提供用於滿足合規性的審計跟蹤。元數據管理成為一項重要功能，讓 IT 部門得以監視復雜數據集成環境中的變化，同時交付可信、安全的數據。因此，良好的元數據管理工具在全局數據治理中起到了核心作用。 Informatica將數據治理定義為「在組織范圍內，對流程、政策、標准、技術和人員進行職能協調和定義來將數據作為公司資產管理，從而實現對准確、一致、安全且及時的數據的可用性管理和可控增長，以此制定更好的業務決策，降低風險並改善業務流程」。
數據治理著重於交付可信、安全的信息，為制定明智的業務決策、有效的業務流程並優化利益相關方交互提供支持。因此，數據治理本身並非是結果，而僅僅是方法：即通過數據治理來支持最關鍵的業務目標。 正如某家大型銀行的高管所言：「如果沒有數據治理，任何元數據管理方案註定會失敗。」元數據管理可作為一項重要功能，讓IT部門得以管理復雜數據集成環境中的變化，同時交付可信、安全的數據。當業務利益相關方參與這一進程並接受對數據參考框架的責任，其優勢將變得更有說服力。此時，企業就能將業務元數據與基層的技術元數據進行關聯，為全公司范圍內的協作提供詞彙表和背景資料。
例如，當業務用戶要求其在 IT 部門的搭檔在報告或分析中顯示「凈收入」，就無需再提問「哪種凈收入——財務、銷售還是市場營銷？」除提供其他優勢外，良好的元數據管理還可通過免除此類重要問題，促進數據治理：
· 這個業務術語的含義是什麼？
· 在（幾個相似的）業務術語中應當使用哪一個？
· 該術語的來源是什麼？
· 該數據從數據源轉移到目標時是如何進行轉換的？
· 由誰負責該術語的定義、記錄和管理？
· 誰修改過該術語？如何及何時進行修改？
· 哪些政策和規則適用於該術語？（示例包括數據質量規則、安全屏蔽規則、存檔規則和數據保留政策）
· 修改環境中的某一特定數據對象會對其他數據對象產生哪些影響？
· 在不對可能使用相同數據對象的其他報告和分析造成影響的前提下，需要多長時間來實施環境變更？ 一系列公司方案推動了數據治理的進展，也由此帶動了元數據管理。這些方案包括：
· 通用業務詞彙表（簡單的數據管理）。這種「小規模試水」方法著重於某一特定問題或業務部門的通用業務詞彙表。
· 全面數據治理（或數據管理策略）。這是一種更近似由上至下的方式，通常用於涉及企業內一系列業務部門的較大規模計劃，並以按多個階段（如果不是更長時間）進行管理的計劃中的多個商機為目標。
· 合規。此類方案的推動因素是為遵守國際、國家、當地或行業法規的需求。合規——通常由一個治理、風險與合規性（GRC）職能部門進行管理，顯然與數據治理唇齒相依。在發現、分析和記錄企業的多項內部數據治理要求的同時，還必須與適用外部法規的相關特定要求進行統籌協調。其中部分示例包括：
· 銀行業：Basel II、Basel III、多德弗蘭克法案（Dodd Frank）、洗錢法案
· 保險業：償付能力監管標准II（Solvency II ）
· 醫療保健：HITECH Act、HIPAA
· 一般金融服務：薩班斯—奧克斯利法案
· 元數據管理。這是更上一層樓的做法，將元數據管理和數據治理作為「最佳實踐」與各個新的業務方案掛鉤。該方案對業務案例和項目范圍進行定義。在多家未能成功實施較大型數據治理方案的公司中，這一方法則取得了成功。 幾乎所有企業都面臨著管理數據量、速度和種類的挑戰。Hadoop/MapRece 技術在復雜數據分析能力以及按相對低廉的成本實現最大數據擴展性方面提供了一些有趣的優勢。Hadoop 在不久的將來取代關系性DBMS的可能性不大，這兩項技術更有可能並存，因為它們各有獨到之處。雖然用於管理和分析數據的技術可能不同，元數據管理和數據治理的目標應始終保持不變：為支持良好的業務決策提供可信、及時且相關的信息。不存在所謂的「大數據治理」或「大數據元數據管理」——相反，這是一個將全局企業數據治理和元數據管理活動加以擴展來包容全新數據類型和數據源的問題。
Hadoop帶來的挑戰之一就是元數據管理。如果沒有良好的元數據管理和數據治理，Hadoop將會缺乏透明度、可審計性以及數據的標准化與重復利用能力。企業仍將需要對數據相關關鍵信息的可見性，例如其來源、質量和所有權，否則就必須承受Hadoop變成環境內的又一個數據孤島的風險。在該領域涌現的 HCatalog 和Hive /HiveQL等新技術將使得從非結構化和半結構化數據中收集元數據變得更加簡易，從而實現Hadoop上的數據沿襲。這些功能對於將Hadoop集成入總體數據集成框架，以防止大數據在企業中遭到孤立隔絕，可如同任何其他數據源一樣進行治理至關重要。 Informatica可提供功能齊全而又穩健可靠的工具，具備交付可信、安全的數據和啟動成功的元數據管理方案所需的全部精確功能。Metadata Manager & BusinessGlossary可提供獨一無二的多項優勢，讓IT經理能夠盡量降低在實施變更時對關鍵業務數據造成損害的業務風險。
InformaticaMetadata Manager & Business Glossary是 InformaticaPowerCenter Standard Edition的關鍵組件之一。它可提供為數據治理方案奠定基礎所需的核心元數據管理工具。Metadata Manager & Business Glossary是一項單個產品，配備一個共享的元數據信息庫。它具備兩個用戶界面，供兩類截然不同的用戶使用：
· MetadataManager 可讓 IT 人員處理技術元數據。
· Business Glossary 可讓業務和 IT 管理員協同管理業務元數據。
ITSS WG1發布的白皮書表明
數據治理模型包括三個框架:范圍，促成因素和執行及評估。他們每個方面都包含許多組件來進行展示和描述它們是如何工作的。該框架顯示數據治理內部的邏輯關系。范圍展示了我們應該關注什麼，促成因素展示了數據治理的推動因素，執行和評估展示了如何實現治理的方法。該DG模型可以通過三個框架幫助我們理解數據治理。
數據治理的范圍包括四個層次的內容。首先，應該 有一個治理要素負責管理其它管理要素，保證治理與管理的一致性。其次，下面的三個層次分別列示了需要治理的數據管理要素，其中價值創造層列示了通過數據治理所創造的價值服務。價值保證層描述了一個組織治理數據時重要保證服務。基礎數據服務層描述了一個數據治理的基礎數據服務。

『玖』 什麼是元數據管理及其作用

元數據管理定義如下：

1、元數據管理包括業務詞彙表的發展，數據元素和實體的定義，業務規則和演算法以及數據特徵。

2、最基礎的管理是管理業務元數據的收集、組織和維持。

3、對技術型元數據的應用對主數據管理和數據治理項目的成功至關重要。

元數據管理作用：

1、元數據是「所有系統、文檔和流程中包含的所有數據的語境

2、如果沒有元數據，組織IT系統中收集和存儲的所有數據都會失去意義，也就沒有業務價值。

3、元數據管理是一項和主數據管理、數據治理一樣重要的功能，因為元數據管理是每一個這些准則的基礎組件。

4、組織部署了數據治理項目，但沒有解決元數據管理問題，仍然獲得了成功，那是因為很多數據管家執行的活動和任務在聚焦元數據和元數據的管理流程。

『拾』 數據管理包括哪些內容

數據管理的主要內容
國際數據管理協會(Data Management Association，簡稱「DAMA」)，由全球的數據管理愛好者們組成，隨著眾多專家傾注熱情與專業的編著，《DAMA數據管理知識體系指南(第2版)》橫空出世，這本書明確地定義了數據管理體系建設的完整知識體系，成為數據管理知識體系建設指明燈般的存在。《DAMA-DMBOK2職能框架》主要介紹了數據管理知識體系中11個主要的數據管理職能：

(5)數據安全：保障數據的獲取和使用。
(6)數據集成和互操作：數據備份、數據共享、數據在應用內數據整合移動的相關過程。
(7)文檔和內容管理：主要管理非結構化數據和數據的整個生命周期。
(8)參考數據和主數據管理：核心共享的業務數據，真實、准確地在各系統內一致使用。
(9)數據倉庫和商務智能：通過流程管理支持數據，通過分析報告獲取數據價值。
(10)元數據管理：通過規劃控制，訪問定模型、數據流的高質量元數據信息。
(11)數據質量管理：通過質量管理技術，提高數據的適用性。