简介DAMA-CDGA认证真题1406题是一份面向数据管理从业者与CDGA备考人员的习题集内容紧扣DMBOK2知识体系。题目覆盖机器学习算法分类、数据角色类型、网络运营模式责任矩阵、元数据分类、数据仓库与商务智能工具、数据管理成熟度评估、Data Vault模型、数据加密方法等高频考点同时涉及科特变革法、企业架构、文件与记录关系等易混淆知识点。每题均附参考答案与解析部分解析标注《DMBOK2》页码或语境关系图出处。资源为单个PDF文件压缩包约1.78MB便于手机或电脑端离线刷题与检索。目前已有471人学习适合在完成教材阅读后用于自测、查漏补缺和考前冲刺。1406道题的体量能帮助考生熟悉出题思路整体按知识模块组织可快速定位薄弱环节并进行针对性巩固。1. DAMA-CDGA 真题 1406 题先刷题还是先啃教材备考群里流传的 DAMA-CDGA 真题集1406 题这个量级是讨论最多的一套。它不是官方题库而是考生按回忆整理出来的高频考点集合最大价值不是押中原题而是覆盖面足够密能把教材里那些看过就忘的知识点逼着你反复确认。下面围绕这套题讲清楚三件事题目对应知识体系里的哪些章节、一套能落地的三轮刷题计划怎么排、以及哪些刷法会让你白费三个月。适合两类人已经粗读一遍教材准备进入刷题阶段的备考者和还没决定考不考、想先评估这个认证难度与投入性价比的观望者。2. CDGA 考什么把 1406 题拆到 DMBOK 章节地图上2.1 考试框架CDGA 不是考概念是考体系CDGA 全称是数据治理工程师认证考试依据是 DAMA 推出的数据管理知识体系业内习惯叫 DMBOK。它和一般技术认证最大的区别是不限定某款数据库或某套工具而是考一整套数据管理方法论。这意味着你会面对大量跨章节的概念判断题比如数据治理和数据管理的关系、元数据和主数据各自解决什么问题、数据质量和数据安全在流程上如何衔接。每个概念单拎出来都认识混在一起时就开始含糊。备考第一步我建议不是急着刷题而是先确认自己手上有一张能对应到章节的“知识地图”。常见做法是拿教材目录当底稿把每章的核心概念列成清单再用真题反向验证这个概念在题里是怎么被问的、容易和哪些概念混淆。这一步做扎实了刷题才不是碰运气。另外要提醒的是CDGA 这套考试以选择题为主考察的是你在多个相近选项里做判断的能力。很多知识点你觉得自己会被四个相似选项一摆就开始犹豫这正是刷题最有价值的地方它把“我以为会”和“真的会”之间的差距暴露出来。这个阶段还有一个容易犯的错就是拿刷题量替代学习深度。刷完三百道不代表掌握只有能不看笔记说出每个章节的核心域划分才说明教材这部分过脑子了。2.2 1406 题的分布逻辑为什么说覆盖比命中重要先纠正一个备考圈常见误区有人冲着押中原题去刷真题集。考生回忆版的题干和选项都可能与真实考试有出入指望原题复现并不靠谱。1406 题这个量级的真正价值在于覆盖密度当题目数量到了一千四百多道每个章节的核心考点基本都会被反复问到你得到的其实是一个可以统计的抽样样本能反映考点的出现频率。至于版本里的题号是不是精确到 1406没必要纠结重点是这个量级足以支撑你做可靠的正确率分析。从备考共识看CDGA 的题目分布大致是数据治理、数据质量占比最高数据架构、数据建模、元数据、主数据次之数据安全、数据仓库与商务智能、数据存储、数据集成等再次。下面给一张参考分布表注意它会随每期考纲微调最终以你手上教材的目录为准章节域常见占比1406 题里的学习重心数据治理约15%治理框架、组织职责、道德与合规数据质量约15%质量维度、改进生命周期数据架构约10%架构组件、企业数据模型数据建模约10%建模方法、范式、主键外键关系元数据约10%元数据分类、管理策略主数据约10%主数据概念、匹配合并、治理流程数据仓库与BI约10%仓库架构、ETL、BI 工具角色数据安全约8%安全原则、隐私保护其他存储、集成、文档等约12%分散考点不必死磕这张表不是用来背的而是让你在刷题时心里有数如果某个章节连续错题说明不是运气是这部分的知识框架没立起来。后面介绍的统计脚本也都是围绕这张表设计的章节命名先统一统计才不会乱。判断一套题集值不值得用标准就三条章节覆盖全不全、题目量够不够、解析是否标知识点。1406 这个量级的版本一般能满足前两条第三条反而最容易被忽略。有些流传的题集只有答案没有解析刷完只知道对错不知道考点对备考的帮助非常有限。拿到手先抽 20 题验证一下有没有标明知识点、解析和教材是否一致、有没有明显错误。验证通过再往里面投入时间。2.3 动手先建一张考点映射表再开始刷我一般会建议备考者在刷题前建一张最简单的表字段不需要多够用就行。这张表既帮你掌握进度也给后面的统计脚本提供数据。通常包含题目编号、所属章节、知识点、答题结果和错误原因。字段设计可以参考字段说明question_id题目唯一编号方便去重和回溯chapter所属章节域按 2.1 的分布表归类knowledge_point这道题对应的具体知识点is_right0 表示错题1 表示对题未答为空wrong_type错因概念混淆 / 记忆偏差 / 审题不清note一句话备注比如对应教材页码这张表可以用 Excel 建也可以用 SQLite。我个人的习惯是导出成 CSV把精力留给题目本身别耗在折腾工具上。你不需要一开始就把 1406 条记录的字段全部补全只需要刷题时顺手填掉三个关键列chapter、is_right、knowledge_point。数据养到两三百条你就能看出自己在哪个章节异常偏弱这时候再谈针对性补强比蒙头刷完三遍都有效。还有一个小习惯每道错题在 note 字段里记一句教材页码或自己的理解比如“数据治理委员会职责教材第 80 页”这样的半句话就够。等到考前冲刺你不需要重翻整本教材只看这一列备注就能快速回忆一轮。这份映射表在考前还有最后一个用途把 note 列记的教材页码串起来快速翻一遍对应章节翻的时候只看圈过的关键词。很多考生考前疯狂刷新题其实把旧错题对应的教材页过一遍记忆效率更高。3. 刷题前的准备教材选型、错题表结构和自动抽题脚本3.1 教材和参考资料怎么选先把话说重一点市面上任何真题集、速成手册都替代不了教材真题集是校核工具不是学习材料。你至少需要一本完整的 DMBOK 教材刷题时把它当字典用。选教材有一个硬标准看它是不是按数据管理知识领域组织目录。DAMA-CDGA 的考点顺着领域走一本目录混乱、按工具凑章节的资料会连错题都没法归类。我见过两类备考者一类只刷题不看教材正确率卡在 65% 左右上不去另一类死啃教材不做题上了考场发现题目全是应用场景。这两类都不推荐。常见落地做法是教材读三遍第一遍通读圈核心概念第二遍按错题反向查书只看对应章节第三遍只看自己标注过的段落。真题的职责是暴露知识漏洞补洞还得靠教材。视频课和参考书可以作为辅助但要给它们设好角色视频课负责把你看不懂的文字讲顺参考书负责补充案例。不要让十倍于教材的辅助资料占据书桌资料越多错题越难定位。我见过把参考书堆满桌面的人最后连自己看到第几章都分不清。3.2 把 1406 题变成可复盘的数据集题集本质上是一份数据用脚本处理它比手工记错题高效得多。前提是把它整理成结构化表格。很多流传版本是排版较乱的文档你可能需要花半天手工录成 CSV也可以只录入 question_id、chapter、knowledge_point、正确答案和选项文本题干部分直接从原资料里对题号查看。我的建议是先建表再刷题表结构参考第 2 章那张字段表。下面是按章节统计正确率的脚本刷题记录攒到一二百条时就可以跑了import pandas as pd # questions.csv 是自己整理的题集字段含 chapter, knowledge_point, is_right, question_id df pd.read_csv(questions.csv, encodingutf-8) # 只统计答过的题is_right 取 0 或 1未答的空值不影响统计 answered df[df[is_right].isin([0, 1])].copy() # 按章节聚合总数、答对数、正确率 result answered.groupby(chapter).apply( lambda x: pd.Series({ total: len(x), right: int(x[is_right].sum()), rate: round(x[is_right].mean() * 100, 1) }) ).reset_index() # 正确率低于 70% 的章节是接下来重点补的对象 weak result[result[rate] 70].sort_values(rate, ascendingTrue) print(weak.to_string(indexFalse))逻辑说明先用 isin([0, 1]) 过滤掉未答题避免空值被算成错误groupby 按章节分组后apply 里同时算出总量、对数和正确率最后按正确率升序输出排在最前面的就是最薄弱的章节。参数上章节命名一定要统一否则同一章节被叫成两种名字统计结果就会分家正确率阈值 70% 是常用警戒线冲高分可以提到 75%。跑完这份统计你的复习顺序就不是“按教材目录往下学”而是“数据质量只有 58%先补它”。这一步是刷题备考从被动变主动的分水岭。3.3 30 天刷题计划怎么排1400 道出头的题量按每天 100 道算14 天能完整过一遍再留 16 天做乱序和错题收口正好压在一个月内。我不建议把战线拉到 45 天以上刷题这事拖久了前面背的考点会快速衰减。下面是一份可以直接套用的 30 天安排阶段时间任务阶段目标第一轮分章刷第 1-14 天按章节推进每天 100 题全部题过一遍错题标 0记录知识点第二轮乱序混刷第 15-24 天每天随机 100 题不限章节正确率稳定到 75% 以上第三轮错题收口第 25-30 天只刷错题和模糊题错题量降到总量的 5% 以内执行时有个容易被忽视的点第一轮每天那 100 题要在章节内打乱顺序再刷别按题集原顺序往后翻。原因很现实考场上不会有从上到下的章节递进顺序记忆在考试时不但没用还会制造虚假的熟练感。每天刷题的时间点也建议固定。我习惯早上精神最集中的时段刷新题晚上只看错题和笔记。这样白天建立的记忆经过一夜巩固第二天的错题重看会明显顺畅。4. 三轮刷题法按章、乱序、错题重刷4.1 第一轮按章刷把地基打牢第一轮的目标不是正确率而是见过全部题。每天 100 道按章节推进重点不是记答案而是把每道题和教材知识点挂钩。碰到错题先别急着看解析自己翻教材找答案找到后再对照题集解析。这个自己翻书的过程记忆深度远超直接看解析。这里有个细节值得专门说正确率低不可怕第一轮只有百分之五六十是正常的。真正需要警惕的是蒙对的题。我习惯给这类题在 note 字段打上“猜的”第二轮重点照顾。如果只统计对错会漏掉这些假阳性让你以为掌握得很好实际上只是运气好。第一轮还有一个附加任务每道题看解析时顺手把知识点写进表里。不要觉得费时间这个字段到第三轮就是你的复习目录。现在偷懒不填后面只能对着几千行数据发呆。4.2 第二轮乱序混刷把记忆顺序打掉第二轮的题目来源不是从头再来而是把 1406 题全量打乱再按每天 100 道抽。乱序的目的是破坏你脑子里“上一题是治理这题应该还是治理”的惯性。真实考试是按随机顺序出题的靠上下文猜考点这一招在考场无效。为了让乱序更彻底我一般会固定一个随机数种子来复现同一批题目方便隔一周重刷同一套做对比这个操作在下一节的脚本里会看到。每天刷完后把当天答错的题单独导出来再跑一下 3.2 的统计脚本看知识点分布。如果连续三天错题集中在同一个知识点说明这不是记性问题是理解漏洞。这时候正确的做法是停半天刷题专门重读对应章节。硬刷五百道也不如花半天把那个知识点吃透。第二轮还有一个节奏建议做题时先不纠结每道题控制在 40 秒左右不会的先凭直觉选整组题做完后再集中看解析。这不是教你蒙题而是模拟考场时间压力。真实考试不会给你每题五分钟的思考时间平时养成快速判断的习惯考场上才不会慌乱。4.3 第三轮只刷错题查漏收口第三轮的题库由两部分组成前两轮标为错题的以及 note 字段标了“猜的”的题。目标是把这些题的正确率刷到 95% 以上。这里说的反复刷不是背答案而是给每个错题写一句话理由为什么这个选项对另外三个错在哪。写不出来就回去查教材对应章节。这个阶段最容易出现的错觉是错题反复刷答案都记住了正确率自然会高。检验方法很简单把答案解析遮住只留题干先自己说出答案和理由再核对。说不出理由的哪怕选对了也继续留在错题清单里。考前能把自己的错题清到这个程度基本就稳了。4.4 用 SQL 和脚本盯正确率与错题分布手工记录进度容易自欺欺人我会定时把刷题记录导入 SQLite跑聚合查询看整体趋势SELECT knowledge_point, COUNT(*) AS answered_cnt, SUM(CASE WHEN is_right 0 THEN 1 ELSE 0 END) AS wrong_cnt, ROUND(100.0 * SUM(CASE WHEN is_right 0 THEN 1 ELSE 0 END) / COUNT(*), 1) AS wrong_rate FROM questions WHERE is_right IN (0, 1) GROUP BY knowledge_point ORDER BY wrong_cnt DESC LIMIT 10;逻辑说明这条查询把错题数和错误率同时算出来。错题数多可能只是因为这一类题本来就多单看它不够错误率才能反映真实薄弱程度。参数上WHERE 只统计已答题ORDER BY wrong_cnt DESC 会把高频又易错的考点顶到最上面这些就是投入产出比最高的复习目标。通过这类统计你能看到自己的正确率曲线也能看到错误率排名。坚持每周导一次数据你会发现复习方向越来越清楚焦虑感也会小很多。5. 刷题备考避坑1406 题库最常见的五个翻车点很多人把刷题正确率忽高忽低当玄学其实背后的原因都很具体。以下五条是刷题圈里最常见的翻车点每条按现象、原因、解决来讲对号入座就可以。5.1 背答案背得爽换个问法就翻车现象同一道题刷三遍都选对考试时题目改了两个字立刻拿不准。原因刷题时只记住了正确选项的位置和长相没理解题干考察的知识点。题目一变体记忆就失效。解决刷第二遍时强制打乱选项顺序不许靠位置记忆答题每道错题必须写出对应的知识点名称写不出来的回教材重读。写知识点这个动作看起来费时实际是给记忆钉锚点。5.2 顺序刷题带来的伪熟练现象按题集原顺序刷正确率稳步上升随机抽题后正确率明显下降。原因大脑记住了题与题之间的先后关系做题时靠上下文联想定位答案而不是靠知识点本身。解决每天刷题前先对题库做一次随机洗牌保证任何两道题之间没有固定顺序。前面第二轮设计成乱序刷就是为了防这个问题。5.3 只看正确率不拆错误原因现象整体正确率从 60% 涨到 80%考试时该错还是错。原因统计口径太粗把概念混淆和审题不清混在一起真正的漏洞被平均数掩盖了。解决给每道错题打一个 wrong_type 标签至少分三档概念混淆、记忆偏差、审题不清。每周按标签汇总一次如果某类标签占比异常高就针对性处理。审题不清是状态问题概念混淆是知识问题解法完全不同。5.4 把回忆版真题当标准答案现象题集解析和教材说法对不上照着解析背完回头发现是错的。原因考生回忆版本身就是二手信息存在错漏数据管理领域的标准也会更新旧题答案可能已经过时。解决遇到冲突一律以教材原文为准先查教材再决定信谁。对存疑的题在表里加一个“存疑”标记不纳入统计。这样做能避免把错误知识巩固成习惯。5.5 押题心态太重把题库当宝典现象花大量时间背题号和选项细节指望考试遇到原题结果遇到变体就蒙。原因把真题集当押题工具忽略了考试考的是知识体系题目只是知识的载体。解决把目标调整为产出一份错题清单和知识点优先级表。这套 1406 题的价值不在题目本身而在它逼你暴露出的薄弱环节。考前一周回归教材目录能默写出每章标题比多刷两百道题更管用。刷题备考最大的成本不是时间是用错误的方法把时间耗掉。上面五条每一条都能用一个小动作规避关键是你在开始刷之前就给自己立好规矩。6. 把 1406 题刷出增量价值错题反哺考点的三个技巧6.1 从错题反向生成考点优先级刷到第三轮时把错题按知识点做一次汇总得到一份频率表排在前十的知识点就是你的专属重点。把这些知识点抄在一张 A5 纸上考前每天扫一眼。很多人考前焦虑就是因为手里没有这样一张和自己有关的高优先级清单。6.2 考前一周的冲刺节奏考前 7 天不要再碰新题每天固定做三件事一百道乱序题保持手感、重刷前一天的错题、默写教材章节目录。如果某个章节的标题都写不全它大概率还是薄弱区第二天优先补。6.3 用脚本生成一份限时模拟卷最后一个技巧按章节比例从题库抽 100 道生成模拟卷限时 90 分钟完整做一遍。import pandas as pd df pd.read_csv(questions.csv, encodingutf-8) # 章节比例按第 2 章分布表取整方便抽样 chapter_ratio { 数据治理: 15, 数据质量: 15, 数据架构: 10, 数据建模: 10, 元数据: 10, 主数据: 10, 数据仓库与BI: 10, 数据安全: 8, 其他: 12 } simulation pd.DataFrame() for chapter, prop in chapter_ratio.items(): pool df[df[chapter] chapter] n max(1, round(100 * prop / 100)) # 每章按比例抽题 picked pool.sample(n, random_state42, replacelen(pool) n) simulation pd.concat([simulation, picked]) simulation simulation.sample(frac1, random_state42).reset_index(dropTrue) simulation[[question, option_a, option_b, option_c, option_d]].to_csv( mock_exam.csv, indexFalse, encodingutf-8-sig ) print(模拟卷题目数:, len(simulation))逻辑说明通过按章节比例抽题让模拟卷的考点结构接近真实考试n 是每章抽取数round 保证总数约等于 100 道replace 参数处理章节题量不足的情况允许重复抽取random_state 固定为 42保证同一份模拟卷可以隔天重刷、对比正确率。模拟做完后不只看分数把连错两次以上的题拎出来就是考前最后两天的主攻方向。说实话我备考时也犯过只顾刷量不拆错因的毛病后来发现真正拉开差距的从不是刷题数量而是错题背后的知识漏洞有没有一个个补上。1406 题这个量级拿来衡量勤奋可以别把它当成保险。希望帮到你。本文还有配套的精品资源点击获取