ThinkingAI Logo
返回博客列表

数据治理架构怎么规划?设计思路与落地检查

从范围界定、输入准备、五层架构、组织权责到试点路线与八项落地检查,给出企业数据治理架构规划的完整方法,并说明 AI 时代语义治理要补什么。

2026-11-1714分钟
数据治理架构怎么规划?设计思路与落地检查

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

准备好构建你的 Agent 团队了吗

立即体验 Agentic Engine, 让 AI 成为真正的团队成员

ThinkingAI Big Logo
电话咨询