系统规划与管理师-数据资源规划核心考点：概述、方法与数据架构

一、引言

（一）核心概念与考试定位

数据资源规划是软考高级系统规划与管理师《信息化知识》模块的核心内容，对应考试大纲中 "企业信息化规划与实施""数据治理与数据资产管理" 两个知识域，历年考试分值占比为 8-10 分，题型以客观选择题为主，少量考点会融入案例分析题的信息化方案设计场景。

（二）理论发展脉络

数据资源规划的理论演进共经历三个阶段：

1. 20 世纪 80 年代，詹姆斯・马丁提出信息工程方法论，首次明确 "数据是企业核心资源" 的理念，确立了以数据为中心的信息化规划框架；
2. 2000-2015 年，随着数据仓库、商业智能技术普及，数据资源规划向结构化、资产化方向发展，形成了稳定信息过程、稳定信息结构两类主流规划方法；
3. 2015 年之后，大数据、人工智能技术推动数据价值向决策场景延伸，基于指标能力的规划方法逐步成熟，数据架构也从传统集中式向分布式、云原生、实时化方向演变。

（三）本文知识点覆盖

本文将围绕数据资源规划的核心考点，从基础概念、规划方法、数据架构三个维度展开，覆盖全部高频考点、易混知识点及典型题型。

数据资源规划知识体系与考点分布图谱

二、数据资源规划基础概念

（一）DIKW 层次模型

DIKW（数据 - 信息 - 知识 - 智慧）模型是数据资源管理的基础理论，四个层次的核心特征及关系如下：

1. 数据：对客观事物属性、状态、关联的原始记录符号，无上下文语境，不具备直接使用价值，是信息的原材料。典型案例如医院信息系统中存储的患者体温 37.8℃、白细胞计数 15000/μL 等原始检测数据。
2. 信息：对数据进行上下文关联、加工处理后形成的结构化内容，能够回答特定问题，是知识的原材料。典型案例如对上述检测数据结合患者症状分析后得出的 "存在感染表现" 结论。
3. 知识：对信息进行系统化归纳、提炼后形成的客观规律认知，是智慧的基础。典型案例如临床领域总结的 "上呼吸道感染的诊断标准" 通用规律。
4. 智慧 ：综合运用知识、经验制定个性化解决方案的能力，是 DIKW 模型的最高层次。典型案例如医生结合患者基础疾病、过敏史等信息制定的个性化治疗方案。
   四个层次的核心演进逻辑是：数据属于感性认识产物，信息、知识、智慧属于理性认识产物，层次越高，价值密度、抽象程度、应用范围越高，数据量则逐级递减。

（二）数据资源的定义与发展阶段

数据资源是指经过采集、聚合、加工处理后，具备使用价值的有序化数据集合，涵盖结构化数据（如数据库表）、半结构化数据（如 XML、JSON）、非结构化数据（如文档、音视频）三类。其核心特征包括无形性与可复制性、非竞争性与弱排他性、时效性、依附性、垄断性，被称为 "21 世纪的石油"，具备大宗商品属性。

数据资源的价值释放分为三个递进阶段：

1. 数据资源化：将分散、无序的原始数据整理为标准化、可访问的有序资源，核心目标是完成 "数据库存" 的整理，解决数据 "有没有" 的问题；
2. 数据资产化：将数据资源加工为可直接支撑业务决策、产生经济价值的产品，核心目标是完成 "数据库存" 的变现，解决数据 "用不用" 的问题；
3. 数据资本化：数据资产具备金融属性，可通过交易、质押、入股等方式实现资本流动，核心目标是完成 "数据资产" 的资本化运作，解决数据 "值不值" 的问题。

（三）数据资源规划的定义与作用

数据资源规划是对组织数据的产生、采集、处理、存储、传输、应用全生命周期的系统性规划，是信息化建设的核心基础工程，其核心作用包括：

1. 提质增效：通过标准化数据处理流程，降低数据复用成本，提升业务决策效率；
2. 缓解数据孤岛：建立全域统一的数据标准，打破部门、系统间的数据壁垒；
3. 支撑数据共享：建立跨系统、跨部门的数据共享机制，实现数据价值最大化；
4. 适配市场化发展：为数据资产化、资本化运作提供基础框架，支撑数据要素市场参与。

DIKW 层次模型与数据资源发展阶段对比图

三、数据资源规划核心方法

（一）三类主流规划方法对比

目前行业内主流的数据资源规划方法共三类，其适用场景、优缺点对比如下：

方法类型	适用场景	核心优势	局限性
基于稳定信息过程的方法	业务场景相对固定、前期数据积累较少的中小规模组织	理论成熟、易理解、实施难度低	步骤繁杂、数据稳定性较差、对业务变化的适应性弱
基于稳定信息结构的方法	业务场景变化频繁、前期数据积累较多的中大型组织	理论成熟、实施周期短、数据稳定性好	全局设计后置、初期需求调研工作量大
基于指标能力的方法	以决策支撑为核心目标、前期数据积累较少的组织	直接匹配决策需求、设计思路清晰、数据稳定性好	行业实践案例少、实施难度大、对设计人员的业务能力要求高

（二）基于稳定信息过程的方法

该方法源于詹姆斯・马丁的信息工程方法论，核心思想是将需求分析与系统建模深度绑定，需求分析是建模的基础，系统建模是需求的定型表达，核心框架为 "两条主线、三种模型、一套标准"。

其实施步骤共 11 步（口诀：可目准业逻数管主分制审）：

1. 可行性分析：从资源、操作、技术三个维度评估规划实施的可行性；
2. 确定目标和范围：明确规划的业务覆盖范围、预期目标，避免范围过宽或过窄；
3. 准备工作：组建跨部门规划团队、确定技术路线、开展相关培训；
4. 业务活动研究：全面梳理现有业务流程、活动节点、数据交互关系；
5. 建立业务逻辑模型：使用数据流图、ER 图等工具描述业务逻辑与数据关联；
6. 导出并建立数据模型：从用户视图中抽取核心数据元素，建立逻辑数据模型；
7. 建立管理标准：制定数据分类编码、数据元、数据质量等全域统一标准；
8. 设计主题数据库：面向业务主题设计共建共用的共享数据库，替代各系统自建自用的孤立数据库；
9. 数据的分布分析：权衡数据集中存储与分布存储的优劣势，确定数据存储策略；
10. 制定方案：整合上述成果形成完整的数据资源规划方案；
11. 审核、评价方案：邀请业务、技术、管理领域专家对方案进行评审验证。
    该方法的核心注意事项包括：必须获得最高管理层的支持，基础是建立准确的业务模型和数据模型，核心是模型关联分析，重点是主题数据库设计，系统建设需与现有管理体制相适配。

（三）基于指标能力的方法

该方法是大数据时代的新兴规划方法，核心逻辑是 "决策→指标→数据模型" 的反向推导，只关注决策支撑的最终结果，不关心中间业务过程，其实施步骤为：

1. 决策评估收集：全面梳理组织需要支撑的管理决策场景、能力评价维度；
2. 支撑指标分析：将每类决策需求拆解为可量化的支撑指标；
3. 指标体系构建：对指标进行分类、分层组合，形成完整的指标体系，经专家评审确认；
4. 建立指标数据模型：分析每个指标的计算逻辑，明确所需的核心数据元素，形成对应的数据子集；
5. 数据子集融合：向上回溯不同指标的数据子集，合并重复数据、统一数据口径；
6. 核心数据集一致性检验：删除冗余数据、辨别同义不同名数据，确保数据口径统一；
7. 核心数据集评价：从准备级、平台级、数据级、利用级四个维度评估数据集的成熟度。

三类数据资源规划方法实施流程对比图

四、数据架构核心知识点

（一）数据架构定义与核心构件

数据架构是数据管理的基础框架，通过结构化、有序化治理，实现从 "数据孤岛" 向 "数据共享" 的转变，最终充分释放数据价值。其四大核心构件包括：当前数据资产状态描述、全域数据需求定义、数据整合路径指引、数据资产管理规范。

数据架构的核心目标与职责包括：设计满足企业当前和长期发展需求的数据结构，将业务需求转换为数据和应用需求，实现复杂数据的全域统一管理，确保业务战略与 IT 技术对齐，为企业数字化转型提供支撑。

（二）传统数据架构演变与分类

数据架构的发展共经历三个阶段：

1. 早期（20 世纪 80 年代）：数据管理概念萌芽，主要形式为单体应用，数据与应用紧耦合，无独立数据架构；

2. 中期：随着信息化普及，数据量逐步增加，各部门独立建设业务系统，形成割裂的 "数据孤岛" 架构；

3. 发展期：企业逐步认识到数据价值，开始建设面向主题、集成、稳定的分析型数据仓库，形成统一的数据架构。
   目前主流的数据架构分为集中式与分布式两类，核心对比如下：

   |--------|------------------------|-------------------------|
   | 维度 | 集中式架构 | 分布式架构 |
   | 定义 | 数据集中存储在中央仓库，统一计算处理 | 数据分散存储在多个独立节点，协同计算处理 |
   | 核心目标 | 保障数据一致性、安全性、准确性 | 提升系统可靠性、可扩展性、处理效率 |
   | 适用场景 | 数据量小、处理需求低、对一致性要求极高的场景 | 数据量大、高并发处理需求、对可用性要求高的场景 |
   | 关键技术 | 中央数据库、备份技术、安全防护技术 | 数据分片、分区、分布式一致性机制、容错技术 |
   | 代表产品 | Oracle 单机数据库、IBM DB2 | DRDS、TiDB、HDFS、Ceph |

（三）核心技术原理

1. 数据分片与分区：两者均为海量数据的拆分技术，核心区别为：分片（Sharding）是将大数据库拆分为多个独立的数据库实例，每个实例存储部分数据，属于跨实例拆分，类似将通讯录按姓氏首字母拆分后存放在不同书架；分区（Partitioning）是将单个数据表拆分为多个物理存储块，属于单实例内拆分，类似将一本通讯录按页码分为多个部分。
2. CAP 理论 ：分布式系统的核心基础理论，指一致性（Consistency，所有节点访问同一份最新数据副本）、可用性（Availability，每个请求都能获得非错误的响应）、分区容错性（Partition tolerance，部分节点故障时系统仍能正常运行）三个属性无法同时满足，只能三者取其二：
   • CA 模型：舍弃分区容错性，适用于集中式单点部署系统，典型实例为单站点数据库；
   • CP 模型：舍弃可用性，适用于数据准确性要求极高的场景，典型实例为 Zookeeper、金融交易系统；
   • AP 模型：舍弃强一致性，适用于高并发、用户体验优先的场景，典型实例为社交媒体、推荐系统。

集中式与分布式数据架构对比及 CAP 理论应用示意图

（四）现代数据架构类型

1. 数据湖：集中式存储区域，可存储、处理、保护全类型、全量级的原始数据，支持转换为报告、分析、机器学习所需的目标数据。其核心特点包括存储原始数据、无模式高灵活性、可扩展、支持实时处理、适配海量数据、支持多类型数据。核心组件包括存储层（HDFS/S3）、数据处理工具（Spark/Hive/Flink）、数据治理工具（Atlas/Ranger）、查询分析工具（Spark SQL/Athena）、可视化工具（Tableau/PowerBI）、流处理工具（Flink/Spark Streaming）、AI 工具（TensorFlow/PyTorch）。治理要点为避免沦为 "数据沼泽"，需建立完善的元数据管理、数据质量、数据安全体系。

2. 云原生数据架构：在云环境下设计、构建、管理数据的方法，充分利用云计算、容器化、微服务技术，具备高可扩展性、高可用性、高安全性、高性能、高效率的核心特征。

3. 实时数据架构 ：核心架构分为两类，对比特征如下：

   |--------|--------------------|-------------------|
   | 特性 | Lambda 架构 | Kappa 架构 |
   | 数据通道 | 双通道：实时流处理 + 离线批处理 | 单通道：全量数据采用流处理 |
   | 系统层次 | 批处理层 + 速度处理层 + 服务层 | 流处理层为主，消息队列作为数据通道 |
   | 核心优势 | 兼顾实时性与最终一致性，数据准确性高 | 架构简化，无需维护两套处理逻辑 |
   | 主要挑战 | 需要维护两套代码，架构复杂度高 | 对流处理引擎的性能、稳定性要求高 |

4. 微服务数据架构：通过开发一系列小型独立服务实现应用，核心特征为独立进程、轻量 HTTP API 通信、明确业务边界、独立部署、自动化发布。核心优势为加快业务上线速度、降低变更风险、支持弹性伸缩、优化资源成本。数据交互通过标准化 API 实现，包括 WebAPI、RESTful API、SOAP API 等类型。

Lambda 与 Kappa 实时数据架构流程图

五、考点总结与备考建议

（一）核心考点提炼

1. 基础概念类：DIKW 模型四个层次的关系、数据资源的三个发展阶段、数据资源规划的核心作用；
2. 规划方法类：三类规划方法的适用场景与优缺点对比、基于稳定信息过程方法的 11 步实施流程（重点掌握可行性分析的三个维度、主题数据库的核心特征）、基于指标能力方法的核心逻辑；
3. 数据架构类：集中式与分布式架构的对比、分片与分区的区别、CAP 理论的三类模型及适用场景、数据湖的核心特征与治理要点、Lambda 与 Kappa 架构的对比。

（二）典型易错题解析

1. 数据资源规划的可行性分析应从（ ）几个方面进行研究？
   A. 资源可行性、经济可行性、技术可行性 B. 资源可行性、操作可行性、技术可行性
   C. 操作可行性、技术可行性、方案可行性 D. 资源可行性、操作可行性、组织可行性
   答案：B，需注意区分项目可行性研究的 "经济、技术、运行环境、社会、风险" 维度与数据资源规划可行性分析的 "资源、操作、技术" 维度，避免混淆。
2. 关于主题数据库的说法，错误的是（ ）。
   A. 主题数据库是面向业务主题的数据组织存储 B. 主题数据库强调建立 "共建共用" 的共享数据库
   C. 主题数据库是对各个应用系统 "自建自用" 数据库的继承和发展 D. 设计主题数据库是数据资源规划非常重要的一步工作
   答案：C，主题数据库是对 "自建自用" 孤立数据库的替代，而非继承，核心是打破数据孤岛。
3. 在实时数据处理领域，以下关于 Lambda 架构和 Kappa 架构的描述，（ ）是正确的？
   A. Lambda 架构通过单一数据处理路径提供实时分析能力 B. Kappa 架构包含批处理层、速度处理层和服务层三个组件
   C. Lambda 架构的主要缺点是需要维护两套代码 D. Kappa 架构比 Lambda 架构延迟更高，但数据一致性更好
   答案：C，Lambda 为双通道架构，Kappa 为单通道架构，Lambda 的数据一致性更高，Kappa 的架构更简洁。

（三）备考与实践建议

1. 备考层面：本章知识点以记忆、理解为主，需重点掌握分类对比类考点（如三类规划方法、两类数据架构、两类实时架构），通过口诀记忆流程类考点，通过真题练习强化易混知识点的区分。
2. 实践层面：开展数据资源规划时，需优先评估组织的业务特征、数据积累情况、核心需求，选择适配的规划方法，中小型组织优先选择基于稳定信息过程的方法，决策需求突出的组织可采用基于指标能力的方法，实施过程中需同步建立数据标准与治理体系，避免数据架构建设与业务需求脱节。

数据资源规划高频考点思维导图