数据治理架构规划要回答五个问题:治理范围覆盖哪些数据域,每个域谁决策,标准和技术各承担什么,路线怎么排,用什么证据判断有效。把这些关系定清楚,架构图才有执行价值。
数据治理的总体范围和组织保障,可以参考《什么是数据治理?2026企业数据治理完整指南》。本篇聚焦数据治理架构规划,以及规划完成后怎么检查。
一份能落地的数据治理架构规划,至少要回答五个问题。
- 治理范围覆盖哪些数据域,哪些暂不纳入?
- 每个域谁决策、谁执行、谁监督?
- 数据标准、模型、指标和血缘放在哪一层?
- 技术平台承担哪些控制,哪些仍靠流程?
- 用什么证据判断架构有效,什么时候扩围?
一、数据治理架构包含什么
数据治理架构是企业对数据资产做决策、定规则、分责任、设控制、做监督的整体安排。它要解决四类关系:谁有权决定,按什么规则执行,数据如何组织和流动,技术如何提供控制证据。
| 概念 | 主要回答的问题 | 常见交付物 |
|---|---|---|
| 数据治理架构 | 谁决策、谁执行、谁监督,制度、流程和考核如何运行 | 治理章程、权责矩阵、制度清单、路线图 |
| 数据架构 | 数据如何建模、分布、集成、共享和追溯 | 数据模型、数据分布图、集成规范、元数据与血缘 |
| IT 架构 | 应用、技术和基础设施如何支撑业务 | 应用架构、技术架构、部署架构 |
| 数据治理体系 | 治理目标、组织、制度、活动和评价如何形成整体 | 治理规划、制度体系、运营机制、成熟度评估 |
四者经常被混在一张图里。分开看,界限会清楚很多。数据治理架构管决策权和控制机制,数据架构管数据结构与流转,IT 架构管应用和技术底座,数据治理体系覆盖的范围更广,包含目标、组织、制度、活动和评价。
国家标准 GB/T 34960.5-2018 把数据治理框架拆成顶层设计、治理环境、治理域和治理过程四部分。这个划分适合做范围检查,避免规划只覆盖技术平台,漏掉组织、制度和运营。GB/T 36073-2018 版 DCMM 将数据管理能力分成数据战略、数据治理、数据架构、数据应用、数据安全、数据质量、数据标准和数据生命周期八个能力域,这里沿用其八域作检查清单。现行 GB/T 36073-2025 已增加数据资产管理域,正式评估应按现行版本执行。
一份数据治理架构设计方案,至少应包含五份交付物:
- 治理范围图:哪些域、系统、数据对象纳入,哪些暂不纳入。
- 五层架构图:每层的负责人、输入、输出和接口。
- 权责矩阵:按数据域和关键决策事项写清 A、R、C、I。
- 制度与标准清单:最小标准集、发布节奏、维护人。
- 路线图与验收表:三个波次、退出条件、度量指标。
这五份东西能支撑一次架构评审,也能直接拆成工作包。
二、规划前要准备哪些输入
数据治理架构规划设计方案的质量,取决于输入是否真实。输入不齐时,先用样本域推进,把缺口写成待验证项。
| 输入 | 要收集什么 | 判断是否就绪 |
|---|---|---|
| 业务目标与优先级 | 未来 12 个月要支撑的增长、成本、风险或合规目标 | 至少有三个可量化结果;没有就先用试点域的业务问题代替 |
| 数据资产与系统现状 | 核心系统、数据仓库、数据湖、报表、接口、主数据的分布 | 能画出核心数据流;不齐时先选一个域做样本 |
| 痛点与事件 | 口径争议、取数时长、质量事故、重复建设、监管问询 | 有具体案例和时间;没有就访谈业务和数据团队 |
| 监管与合规要求 | 分类分级、个人信息保护、行业监管、审计要求 | 能列出适用条款和责任人;不确定时由法务和合规确认 |
| 组织与决策现状 | 现有委员会、数据团队、业务 Owner、预算归属 | 能说清谁拍板、谁执行;不齐时先画非正式决策链 |
| 资源与约束 | 预算、人力、时间、平台现状、供应商合同 | 明确 12 个月可投入资源;没有就缩小范围 |
输入准备的目标,是形成一页纸的规划假设:三个业务结果、两个高风险域、一个试点域、三条硬约束。先锁定三个业务结果和两个高风险域,再讨论平台和工具。 这个顺序能防止架构规划变成产品功能清单。
三、数据治理架构分层怎么搭
数据治理架构设计的难点,是让每一层都能找到负责人和验收信号。下面这套五层划分,是把国家标准中的顶层设计、治理环境、治理域和治理过程,翻译成企业能分工和验收的结构。
| 层级 | 回答什么问题 | 主要交付物 | 验收信号 |
|---|---|---|---|
| 战略与决策层 | 为什么治理、优先级是什么、争议谁裁决 | 治理章程、年度目标、预算、裁决记录 | 委员会能对跨域事项作出决定 |
| 治理管理与制度层 | 按什么规则治理、谁维护规则 | 制度、标准、流程、RACI 矩阵、培训 | 标准进入需求、开发、上线和变更流程 |
| 数据架构与标准层 | 数据如何定义、分布、流转和追溯 | 术语、主数据、指标、模型、分布、血缘 | 核心指标能追到源系统和口径 |
| 技术执行层 | 用什么工具固化控制 | 元数据目录、质量规则、权限、脱敏、审计、API | 规则可配置、可监控、可审计 |
| 运营闭环层 | 问题如何发现、整改和复盘 | 问题工单、质量报告、度量看板、复盘机制 | 问题有责任人、时限和关闭证据 |
1. 战略与决策层
这一层由数据委员会或治理委员会承担,成员包括 CDO、CIO、业务负责人、财务、法务和安全。职责是批准治理目标、原则、预算和年度优先级,裁决跨域争议,任命数据 Owner。
交付物包括章程、年度目标、会议与裁决记录。验收标准很直接:会议能形成决定,决定能进入预算和考核。如果委员会只做汇报,跨域争议就会回到各部门私下协调,架构里的权责安排也会被绕开。
2. 治理管理与制度层
治理办公室或数据归口部门负责维护制度、标准、流程、模板、培训和监督。这一层要把原则变成可执行的规则,例如新增指标谁批、口径变更多久评审、质量问题多久响应、跨域共享怎么授权。
交付物包括制度清单、标准目录、流程说明和 RACI 矩阵。制度要少而可执行,先覆盖高频决策,再逐步扩展。制度数量不是成熟度,能不能被项目执行才是。
3. 数据架构与标准层
DAMA-DMBOK 把数据架构定义为设计并维护支持业务战略的数据结构和框架,包括数据模型、技术选择和数据流与企业目标对齐。落到企业里,这一层通常包含业务术语、主数据、指标、数据模型、数据分布、集成共享、元数据和血缘。
这一层决定数据长什么样、从哪里来、到哪里去,以及同一个指标在不同报表里是否只有一个口径。核心指标要能追到源系统、计算逻辑和责任人,否则质量问题只能靠人工排查。
AI 项目会放大这一层的缺口。Text-to-SQL、客服问答和分析 Agent 需要的不只是表结构,还需要可检索、可追溯的业务语义。ThinkingAI 的企业级知识库作为 Agentic Engine 的基础设施层,采用 Schema-first 模式把文档加工成实体图谱,用 SSOT 机制保证同一概念全系统只有一处定义,通过 ChangeSet 支持可追溯、可对比、可回滚。它适合已经把 AI 用于客服问答、SQL 生成或分析报告的企业。如果核心指标还没有唯一口径,先把指标和术语补齐,再考虑语义层。语义治理的完整方法,可以参考《Agent 语义层建设指南》。
语义层可以放在数据架构与标准层,也可以独立成子层。关键在于它和指标、主数据、元数据共用一套定义,避免每个 AI 场景各建一套知识库。
4. 技术执行层
技术执行层负责把规则固化成配置和审计能力,常见组件包括元数据目录、数据血缘、质量规则引擎、分类分级、权限管理、脱敏、审计和 API 服务。
这一层的价值在于让规则可配置、可监控、可审计。更稳妥的顺序是先列控制点,再看平台是否支持,平台选型放在控制点清单之后。平台能力不足时,可以先用流程和脚本补位,但要记录技术债和退出条件。数据治理工具的分类和选型,可以参考《数据治理技术有哪些?》。
5. 运营闭环层
运营闭环层横贯前四层,负责发现问题、建工单、定责任人、跟时限、做复盘、更新标准。没有这一层,架构会在上线后慢慢失效。
运营节奏可以按月度、季度和年度安排。月度做质量问题复盘,季度做治理委员会评审,年度做架构和标准复审。度量指标包括口径争议次数、取数时长、质量问题关闭率、核心指标血缘覆盖率、业务使用率。指标要能反映业务结果,不能只统计填表数量。
四、数据治理组织架构怎么定
数据治理组织架构设计的目标,是让每个数据域都有明确的决策人和执行人,跨域争议有地方裁决。
1. 三种治理模式怎么选
| 模式 | 适用条件 | 优点 | 风险 |
|---|---|---|---|
| 集中式 | 集团规模较小、系统标准化程度高、强监管、需要快速统一口径 | 统一、决策链短 | 中央团队成为瓶颈,业务参与不足 |
| 联邦式 | 多业务线、数据由业务域产生、域内差异大 | 贴近业务、扩展性好 | 标准碎片化、协调成本高 |
| 混合式 | 大型企业、跨域共享多、既要统一又要灵活 | 企业级政策统一,域内执行灵活 | 中央与域的界面不清,容易互相推诿 |
选择治理模式,可以看三个条件。强监管、统一口径优先的企业,适合集中式或强中央的混合式。业务线差异大、创新节奏快的企业,适合联邦式或混合式。大型企业通常从混合式起步,安全、合规、主数据和核心指标由中央统一,域内标准和执行由业务负责。
2. 五类角色各管什么
| 角色 | 主要职责 | 常见错位 |
|---|---|---|
| 治理委员会 | 裁决跨域争议、批准预算和优先级、任命数据 Owner | 只开会不决策 |
| 数据治理办公室 | 维护制度、标准、流程和模板,监督执行 | 变成填表窗口 |
| 数据 Owner | 业务角色,对域内数据定义、质量、用途和共享负责 | 挂给 IT,业务不参与 |
| 数据 Steward | 日常标准落地、质量问题跟进、元数据维护 | 没有时间或权限 |
| 技术执行团队 | 平台、模型、权限、脱敏、审计和数据服务 | 只做工具,不管规则 |
DAMA-DMBOK 对数据 Owner 的定义很明确:数据 Owner 是业务角色,对所属领域的数据决策负责。把 Owner 挂给 IT,会让数据定义和业务用途脱节,质量问题也很难找到最终责任人。
3. 权责矩阵要写到什么颗粒度
权责矩阵按数据域乘关键决策事项来写,不按部门写。关键决策事项包括新增指标、修改口径、主数据变更、质量规则调整、权限开通和跨域共享。
每个事项只有一个 A,R 可以有多个,C 包含业务、技术和合规,I 是受影响团队。矩阵要能回答三个问题:谁拍板,谁执行,谁验收。写到这个颗粒度,架构评审时才能发现空位和重叠。
五、从试点到推广的路线怎么排
路线设计的目标,是用最小闭环证明架构可用,再扩围。一次铺满全企业的架构,往往在第一个季度就失去动力。
1. 先定基线和试点域
基线至少包括五个数:核心指标口径争议次数、平均取数时长、质量问题数量、核心指标血缘覆盖率、业务使用率。没有基线,后续很难判断治理是否有效。
试点域按五个条件选择:业务价值高、问题明确、Owner 有意愿、系统边界可控、能在 8 到 12 周看到结果。试点域不宜选全企业最复杂的域,除非监管要求必须先解决。
2. 用三个波次推进
| 波次 | 时间 | 重点 | 退出条件 |
|---|---|---|---|
| 第一波 | 0 到 3 个月 | 定架构和权责,选一个试点域,建最小标准集、问题工单和基线 | 术语和指标完成签收,Owner 任命,三个问题闭环 |
| 第二波 | 3 到 6 个月 | 扩到两三个域,补元数据和血缘,配置质量规则,统一核心指标口径 | 核心指标有唯一来源,血缘覆盖核心报表,业务验收通过 |
| 第三波 | 6 到 12 个月 | 跨域推广,接入考核,推进自动化和 AI 语义层,做年度评审 | 跨域争议有裁决记录,治理指标进入经营复盘 |
3. 每阶段的退出条件
没有退出条件,路线会变成无限期项目。每个阶段至少要有一个可观察的结果:标准签收、Owner 任命、问题闭环、血缘覆盖、业务验收。
如果企业还没有完整的治理体系,可以先参考《企业级数据治理体系怎么搭?》,把组织、制度和流程的底座补齐。本篇的五层架构负责把底座落到分层、权责和验收上。
六、数据治理落地检查,八项判断架构能不能用
架构评审时,先看它能不能回答下面八个问题。
| 检查项 | 通过标准 | 不通过先补什么 |
|---|---|---|
| 业务结果 | 至少三个业务结果与治理域绑定,有基线 | 补业务案例和基线 |
| 决策权 | 每个域有 Owner,争议有升级路径,委员会有裁决记录 | 定权责矩阵 |
| 标准嵌入流程 | 术语、指标、主数据标准进入需求、开发、上线和变更 | 把标准挂到流程节点 |
| 数据架构可追溯 | 核心指标能追到源系统、模型和血缘 | 做核心域元数据和血缘 |
| 技术控制可执行 | 质量规则、权限、脱敏、审计可配置 | 列控制点清单 |
| 运营闭环 | 问题有入口、责任人、时限和复盘 | 建一个问题工单和月度复盘 |
| 价值与采用 | 业务在用,口径争议和取数时长有改善 | 缩小范围,回到试点 |
| AI 可用性 | 核心概念有唯一来源,指标口径可追溯,知识有版本和权限 | 做 SSOT 和版本管理 |
1. 常见错误与修正
| 常见错误 | 表现 | 修正动作 |
|---|---|---|
| 只有平台图,没有决策权 | 架构图全是系统,没有负责人和裁决事项 | 每层补负责人和决策事项 |
| 标准只发文,不进流程 | 文档很多,项目照旧 | 把标准嵌入需求、设计、上线和变更节点 |
| 治理办公室变成填表窗口 | 只收表、不开会、不裁决 | 把问题升级和跨域协调纳入职责 |
| 先买平台后找场景 | 功能清单很长,使用率低 | 先列控制点和试点场景,再选平台 |
| 指标没有唯一来源 | 同一指标多个口径 | 建指标字典和唯一 Owner |
| AI 项目绕过治理 | 先上线 Agent,再补口径 | 把语义、权限、审计纳入 AI 项目准入 |
检查架构的第一标准,是业务能否用它做决定,技术能否用它做控制,治理团队能否用它做监督。
如果只能做一件事,先拉一个五人小组,用这八项给现有架构打分,选出得分最低的两项作为 90 天改进目标。
常见问题
数据治理架构和数据架构有什么区别?
数据治理架构管决策权、制度、流程和监督,数据架构管数据模型、分布、集成和血缘。两者通过标准、指标和元数据衔接。只有数据架构没有治理架构,标准难持续;只有治理架构没有数据架构,规则落不到系统。
中小企业需要完整的数据治理架构吗?
不需要一开始就做全量五层。可以先做最小版本:一个业务域、一个 Owner、一套术语和指标、一个质量问题工单、一个月度复盘。等试点跑通,再补委员会、平台和跨域机制。
数据治理架构由哪个部门主导?
常见做法是由数据管理归口部门或 CDO 办公室牵头,业务部门担任数据 Owner,IT 负责平台和实现,合规与安全参与规则制定。牵头部门要有跨部门协调权,否则容易变成数据团队的内部项目。
数据治理架构规划一般要多久?
范围清楚的单域规划通常 4 到 8 周,跨多个业务线的企业级规划通常 2 到 3 个月。时间主要花在现状访谈、权责确认和试点选择上,架构图本身不是最耗时的部分。
没有预算买平台,能不能先做?
可以。先做三件事:定权责矩阵、建术语和指标的最小标准集、建问题工单和月度复盘。平台可以后用,但要把控制点、数据接口和退出条件写进规划,避免后续重复建设。
AI Agent 会改变数据治理架构吗?
会增加一层语义和知识治理要求。Agent 需要可检索、可追溯、可授权的业务知识,指标和概念要有唯一来源。原有五层结构仍然适用,但数据架构层要补语义模型、知识版本和权限控制,技术层要补检索、引用溯源和审计。
参考资料
- 国家市场监督管理总局、国家标准化管理委员会,GB/T 34960.5-2018《信息技术服务 治理 第5部分:数据治理规范》,2018 年 6 月 7 日发布,2019 年 1 月 1 日实施。
- 贵州省大数据发展管理局,什么是数据管理能力成熟度评估模型 DCMM,2023 年 12 月 19 日,https://dsj.guizhou.gov.cn/hdjl/cjwtzsk/202312/t20231219_86421002.html
- DAMA International,The heart of DAMA-DMBOK,https://www.damadmbok.org/dmbok-framework
- DAMA International,DAMA-DMBOK 2.0 Revision,https://www.damadmbok.org/dmbok2-revisions






