cmdb的建设是一个逐步完善、逐步改变的过程。在建设过程中通过数据运营的方式可以很好的辅助配置经理“监控”cmdb的状态，更好的发现问题和辅助决策。那么如何才能让cmdb的数据运营井井有条？本文将从cmdb建设的四个关键阶段详细介绍数据运营方法。
01. 建设初期：做好整体规划
在开展配置管理(cmdb)项目建设的初期，要构建合理的配置管理体系，管理流程、管理目标等，并且以消费场景为驱动梳理管理对象、属性及关联，并且能够形成一些规范。但是我们也明白初期确定的内容往往是不完美的，需要接受这种不完美，并考虑后续的调整。
02. 数据录入阶段：聚焦数据收集
这个时期我们需要让试点的部门梳理数据并接入cmdb，在这个阶段是从零到一的过程，前期的多个设想在这时会得到初步实践。
数据分散在各个系统和部门中，建设cmdb的过程其实是各部门在重新规划it运维流程和运维活动，对原有的数据管理体系会出现一些冲突，如何让他们更好的接受和配合建设活动，对配置管理相关角色而言是巨大的挑战。
关注的数据运营指标：数据增长量（日期维度、应用系统维度、资源对象维度）
这个阶段应该聚焦于数据的收集。前期的规划和想法在这个阶段会得到一些验证和挑战，我们需要更多的“样本”发现问题，为下一个阶段的全面铺开打下基础。所以数据的增长是我们需要聚焦的主要因素，它背后代表着试点部门对于项目建设的配合，和对原有运维活动的重新梳理。
03. 数据消费阶段：提升数据质量
要保证cmdb的数据质量，有一个水池模型的方法论：我们把cmdb看成是一个水池，要里面的水持续保持干净，可以从3个方面入手：
活源（增量）：确保新流入的水是干净的，如果源头的质量都无法保障，后续的治理无从谈起；
净水（存量）：持续净化水池中的存量，也就是对存量数据进行持续的审计和改进，通过绩效驱动，责任到人；
促流（流动）：让水循环加速流动起来，不要让cmdb变成一潭死水，不流动的水，久了就会发臭。
通过配置采集这种技术手段可以保证数据的准确性，但是这不是万能的，还需要各个系统的消费对接才能发挥cmdb的最大价值和保证cmdb数据的准确，“水”是不是干净的，“喝”一口不就知道了。这个阶段我们需要让配置使用方尽可能的消费数据，无论是原始数据的报表统计，还是其他系统的接口消费，只要让“水”流动起来，就能发现数据的质量、设计等问题。
关注的数据运营指标：资源变更数量统计（日期维度、资源对象维度）、消费情况（接口调用次数、用户访问活跃度）
这个阶段核心聚焦于数据质量问题的发现，依赖于配置使用人员的消费动作，但是这个消费动作不一定是有效的，他可能只是看一下，我们可以通过接口的调用次数、用户访问的活跃度来侧面反应大家是有“使用”数据。但是真正的是否对现有数据的质量有所改善，我们可以通过经过了变更的实例数量进行统计，在这个时期的变更实例数量往往并不是因为初期大规模的数据初始化，也不是因为变更流程的全面推广，而是能反应我们发现了质量问题。
04. 数据持续运营阶段：保障数据健康
这个阶段算是cmdb建设的后期了，通过实践我们根据真实情况发现了问题，优化了项目建设初期相关的管理体系和规范，并且此时随着配置发现的全面介入、配置管理流程的推广与管控，针对于增量数据的质量已经可以有效控制了。那么这个阶段我们需要回头对存量的数据进行重新的发现和解决问题。
关注的数据质量的指标：属性完整性、属性规范性、数据孤岛、关联完整性。
数据孤岛：即此实例没有跟任何实例关联，关联关系是数据的重要因素，cmdb是现实世界的某种数字化映射，那么对于大部分it资源对象而言，如果不存在关联的话往往意味着没有配置负责人维护这个实例数据，或者是现实中这个资源对象没有人使用。
关联完整性：检查对象实例的关键关联关系是否维护，可以理解为孤岛检查的深层次检查，部分对象可能存在关联关系，但是可能有重要的关联没有维护，而这个关联会影响到核心场景的消费，例如：故障影响分析。
属性完整性：本质是针对配置管理员认为重要的需要填充的属性进行检查，例如：检查资源对象的负责人属性是否填充。
属性规范性：cmdb建设过程往往是连续的持续优化的，在建设初期对于模型属性的规范往往没有考虑清楚，为了收集数据初始化进cmdb，往往这个时间数据的质量是比较差的，在建设的过程中，逐渐根据消费场景对属性的规则有了更加清晰的定义后，我们需要通过定义某些规则，对当前的cmdb数据进行规范性的检查，本质而言是一个后置的工作。
以上的四个指标本质上是对于数据质量的检查和评分，它仅仅是发现问题，与它一样重要的是后续的解决问题，责任到人，形成pdca循环。
05. 总结
综上所述，cmdb建设过程往往是变化的，我们可以在cmdb的各个建设阶段中着手对数据的运营，通过灵活的监测和关注不同的数据运营指标，反馈各个阶段下cmdb的健康状态，从而有效的把控cmdb整体数据运营情况，释放数据价值并不断的优化cmdb质量。
