非参数检验是在总体分布未知的情况下，利用样本数据对总体分布形态等进行推断的方法，在推断过程中不涉及有关总体分布的参数，而是检验总体某些有关的性质，如总体的分布位置、分布形状之间的比较等。与参数检验的原理相同，非参数检验过程也是先根据问题提出原假设，然后利用统计学原理构造出适当的统计量，最后利用样本数据计算统计量的概率P值，与显著性水平进行比较，得出拒绝或者接受原假设的结论。非参数检验包括单样本（O

效度指的是量表是否真正反映了我们希望测量的东西。一般来说，有4种类型的效度：内容效度、标准效度、结构效度和区分效度。内容效度是一种基于概念的评价指标，其他三种效度是基于经验的评价指标。如果一个量表实际上是有效的，那么我们希望上述4种指标都比较满意。

专注于通用人工智能的研发，目标是创造真正像人类一样思考、学习和解决问题的AI。

明确性，通过设置关键参数，良好的愿景可以明确变革方向，并对一系列详细的决策进行简化，一个有效的愿景有助于解决方向分歧问题，以及关于变革动机或驱动因素的困惑。充满吸引力的愿景能融合个人并有效协调大家积极行动，否则，就是借助详细的指示或无休止的会议。动力性，清晰的愿景会激励人们朝正确方向采取行动，即使最初行动对个人而言是痛苦的，尤其是人们还会被迫离开舒适区，当未来令人沮丧并且令人失去斗志时，正确的愿景

管理数据的人员必须由业务人员和信息技术人员两类角色共同承担；

参考数据还具有很多区别于其他主数据，参考数据不易变化，它的数据通常会比交易数据集或主数据集小，复杂程度低，拥有的列和行也更少。整合方法应考虑企业组织架构、记录系统的数量、数据治理实施、数据访问延迟的重要性以及消费系统和应用系统的数据。参考数据是指可用于描述或分类其他数据，主数据是有关业务实体（如雇员、客户、产品、金融结构、资产和位置等）的数据，这些实体为业务交易和分析提供了语境信息。主数据和参考数

数据建模是发现、分析和确定数据需求的过程，用一种称为数据模型的精确形式表示和传递这些数据需求。数据建模是数据管理的一个重要组成部分。建模过程中要求组织发现并记录数据组合的方式。数据可以采用多种不同的模式来表示，其中最常见的6种模式分别是：关系模式、多维模式、面向模式、事实模式、时间序列模式和NOSQL模式。按照描述详细程度的不同，每种模式又可以分为3层模型：概念模型、逻辑模型和物理模型。每一种模型

文件和内容管理的驱动因素主要是法规遵从性要求、诉讼相应能力和电子取证能力和业务连续性要求；

常见的OLAP操作包括切片和切块、向下钻取、向上钻取、向上卷积和透视；

能力成熟度评估是一种基于能力成熟度模型框架的能力提升方案，描述了数据管理能力初始状态发展到最优化的过程。