数据治理包括哪些内容,可以先分成两类:管什么,以及怎么管。按治理域来分,常见的内容包括数据标准、数据质量、数据安全、元数据、主数据、数据架构、数据生命周期、数据共享与服务八个方面;按管理动作来分,包括组织、制度、流程、考核和工具。两类合在一起,才构成一套完整的治理范围。
不同标准给出的划分并不相同。国家标准 GB/T 34960.5—2018《信息技术服务 治理 第5部分:数据治理规范》把数据治理框架分为顶层设计、治理环境、治理域和治理过程。数据管理能力成熟度评估模型 DCMM 的 2018 版从数据战略、数据治理、数据架构、数据应用、数据安全、数据质量、数据标准和数据生存周期八个能力域评估企业能力。现行的 GB/T 36073—2025《数据管理能力成熟度评估模型》已于 2026 年 7 月 1 日实施,能力域扩展为九个,新增数据资产,并将数据应用调整为数据应用流通。企业按 DCMM 规划或评估时,应以现行版为准,不把旧版八域作为现行清单。国际数据管理协会的 DAMA-DMBOK 则把数据治理放在 11 个数据管理知识领域的中心。企业落地时,选一套框架作底图,再按自己的业务问题裁剪。 如果你还没有理顺数据治理的定义、目标和总体路径,可以先看《什么是数据治理?2026企业数据治理完整指南》。
一、数据治理的内容分哪几层
把上面的框架翻译成企业能开会讨论的语言,我会分成四层。
| 层次 | 回答的问题 | 常见产出 |
|---|---|---|
| 治理机制 | 谁决策、谁负责、按什么规则做 | 组织架构、制度、流程、考核办法 |
| 治理对象 | 管哪些数据、管到什么程度 | 数据标准、质量规则、安全分级、元数据目录、主数据 |
| 治理过程 | 怎么从规划走到持续运行 | 规划、试点、监控、评价、改进 |
| 价值出口 | 治理成果怎么被业务使用 | 数据服务、共享审批、资产目录、分析指标、AI 问数 |

四层里,治理机制和价值出口最容易被忽略。只列治理域,容易做成一张概念表;只买平台,容易把治理做成 IT 部门的项目。能同时回答谁负责、管什么、怎么运行、给谁用,治理范围才算完整。
二、治理机制决定谁负责
治理机制解决三个问题:谁拍板、谁干活、出了争议找谁。
- 决策层由数据治理委员会或同等机制承担,负责目标、范围、优先级和跨部门争议。成员要有业务负责人,不能只有 IT。
- 管理层由数据治理办公室或归口部门承担,负责制度、标准、流程、计划和考核。
- 执行层由数据 Owner、数据管家和平台团队组成。数据 Owner 对业务口径和最终数据质量负责,数据管家负责日常标准、质量和变更,平台团队负责工具与权限落地。
小团队可以由一个人兼多个角色,但定规则、执行、监督这三件事要分开。否则治理容易变成 IT 部门向业务要数据,业务部门说这不是自己的事。
制度通常分四层,政策定方向,管理办法定职责,标准规范定口径,操作细则定动作。流程至少覆盖标准发布、质量整改、权限审批、变更影响评估和争议升级。考核要落到业务复盘,把口径争议次数、质量问题关闭时长、找数时间放进去,比统计文档数量更有用。
三、数据标准与指标口径
数据标准统一的是语言,指标口径统一的是算法。
数据标准覆盖业务术语、数据元、编码规则、值域、格式和命名。指标口径至少写清七项,名称、业务含义、计算公式、统计范围、时间窗口、数据来源和负责人。
以活跃用户为例。登录一次算活跃,还是有行为事件算活跃;按自然日、7 天还是 30 天统计;是否剔除内部账号。三项没写清,两个部门就会拿不同数字开会。
产出通常包括标准字典、指标字典、源系统字段映射和变更记录。适用场景包括跨部门报表、财务与业务对账、监管报送和 AI 问数。AI 问数尤其依赖口径,因为模型要把自然语言问题映射到指标,口径缺失时,回答可能看起来合理,却无法复核。
四、数据质量要管哪些事
数据质量通常从六个维度检查,完整性、准确性、一致性、及时性、唯一性、有效性。
规则要落在四个位置,录入校验、接入校验、加工校验、服务前校验。源头校验优先,事后清洗的成本更高。
问题按影响分级,严重问题阻断,一般问题告警,提示问题进入观察清单。闭环包括发现、分派、整改、复核、关闭和复盘。
产出包括质量规则库、检核报告、问题台账和整改记录。适用场景包括经营报表、监管报送、算法特征和 Agent 问答。质量规则不要一次写几百条。先围绕一个关键指标或一张核心报表,把最影响决策的几条规则跑通,再扩围。
五、元数据与数据血缘
元数据是描述数据的数据,通常分三类。业务元数据说明含义,技术元数据说明结构和存储,操作元数据记录访问、变更和使用情况。
元数据管理解决四个实际问题,数据在哪里,怎么理解,从哪里来,改动会影响谁。数据目录解决找得到,血缘解决说得清,影响分析解决改得稳,变更通知解决协同。
产出包括资产目录、表级与字段级血缘、变更影响清单和责任人信息。适用场景包括找数难、报表出错定位、系统迁移、指标追溯和 AI 问数的引用溯源。
元数据管理本身不改数据,它让数据可理解、可追溯。 一些企业把元数据当成技术扫描,扫完没有责任人、没有业务说明,目录仍然没人用。
六、主数据与参考数据
主数据是企业里跨系统复用的核心对象,常见的有客户、供应商、产品、员工、组织和门店。参考数据是币种、地区、行业、性别等代码表。
关键动作有五个,确定唯一权威来源,统一编码,去重合并,同步分发,管理变更。
产出包括主数据标准、黄金记录、分发与订阅记录和冲突处理规则。适用场景包括跨系统客户识别、One ID、集团合并报表和会员经营。
主数据管理不等于把所有数据集中到一个系统。关键是同一对象在各系统有唯一编码和权威来源,其他系统按规则同步。 集中只是实现方式之一。
七、数据安全与合规
数据安全通常包括分类分级、权限矩阵、脱敏加密、访问审计、共享审批、跨境与个人信息保护,以及应急预案。
规则要嵌进日常流程。新表上线前完成分级,接口开放前完成审批,分析任务运行后留下审计记录。
产出包括数据分类分级清单、权限矩阵、审批与审计记录、脱敏规则和应急演练记录。适用场景包括客户个人信息、支付与身份信息、敏感经营数据和对外合作。
安全是治理域之一。 只做安全,数据可能仍然口径不一、质量不稳、找不到;只做标准和质量,也可能在权限和合规上留缺口。
八、数据架构与数据生命周期
数据架构管数据模型、数据分布、集成方式、存储和服务接口。数据生命周期管数据从需求、设计开发、运维到归档、销毁的全过程。
产出包括架构蓝图、数据流图、集成规范、归档与销毁策略。适用场景包括系统多、重复建设、历史数据成本高、系统迁移和集团多组织。
这一块常由架构团队和平台团队主责。治理机制要负责原则、例外审批和跨域协调。 否则架构决策只考虑技术,业务口径和历史数据成本没人管。
九、数据共享、服务与资产运营
治理成果要进入业务日常,最后一段是共享、服务和资产运营。
共享包括跨部门交换和对外合作,服务包括 API、数据产品和查询入口,资产运营包括资产目录、价值评估和使用反馈。
产出包括服务目录、申请与审批记录、调用监控、资产台账和使用反馈。适用场景包括跨部门复用、对外合作、数据产品和 AI 应用的数据供给。
治理成果只停在文档,业务感受不到。把标准、质量、权限做成可查询、可申请、可追溯的服务,治理才会进入日常。 资产运营要回答三个问题,哪些数据有人用,用得好不好,下一步补什么。
十、数据治理、数据管理和数据中台的区别
三个词经常混用,边界可以这样看。
| 维度 | 数据治理 | 数据管理 | 数据中台 |
|---|---|---|---|
| 关注对象 | 决策权、责任、规则与监督 | 数据全生命周期的计划、建设与运行 | 数据集成、加工、服务的技术与组织载体 |
| 主要任务 | 定标准、分权责、建流程、做评价 | 建模、集成、存储、质量、安全、元数据等 | 接数据、建模型、出指标、提供接口与服务 |
| 典型产出 | 制度、标准、责任矩阵、治理报告 | 数据仓库、数据服务、质量规则、元数据目录 | 主题域模型、指标平台、API、数据产品 |
| 责任角色 | 业务负责人、数据 Owner、治理办公室 | 数据团队、平台团队、业务数据管家 | 平台团队、数据开发、架构团队 |
DAMA-DMBOK 把数据管理分成 11 个知识领域,数据治理是其中之一,位置在中心,负责为其他领域建立决策权、角色和标准。数据治理属于数据管理的一部分,不与企业数据管理并列。
数据中台是承载工具和组织方式。中台不会自动带来治理,治理也不会因为买了中台就完成。
推进顺序看问题。报表口径打架,先做标准和指标;取数慢、重复开发,先补中台服务;中台已经建了但不好用,先补元数据、质量和权限。多数企业需要并行推进,让治理规则嵌进中台的建设过程。
十一、企业从哪几项开始做
我通常建议从业务问题倒推,不从框架目录倒推。
| 现象 | 先做的治理内容 | 首批产出 |
|---|---|---|
| 两个部门报表对不上 | 指标口径与数据标准 | 指标字典、字段映射 |
| 同一客户多个编号 | 主数据 | 客户唯一编码、合并规则 |
| 监管报送反复退件 | 数据质量与安全合规 | 质量规则、分级清单 |
| 找数靠问人 | 元数据 | 数据目录、血缘 |
| 已有中台但使用率低 | 元数据、质量与服务运营 | 资产目录、服务目录、问题台账 |
| AI 问数答案不可信 | 指标口径、质量、权限与血缘 | 指标语义、质量规则、权限矩阵、引用记录 |
最小闭环可以压到五件事,一个业务域、一个数据 Owner、一套指标、一组质量规则、一个月度复盘。
90 天可以这样安排。前 30 天盘范围、找问题、定优先级;第 31 到 60 天定标准和质量规则,选一个试点;第 61 到 90 天接工具、跑闭环、做验收。
验收信号包括口径争议次数下降、质量问题平均关闭时长缩短、找数时间下降、权限审批和访问审计可查、同一数据服务被多个团队复用。
要避开的做法有五种,全量铺开,只买工具不改流程,只写制度不接系统,把治理当一次性项目,用文档数量考核。
在数据分析和 AI Agent 场景,ThinkingAI 服务全球 1500 家企业,接入产品超过 8000 款。平台支持私有化部署,提供权限控制、执行审计和引用溯源,适合把治理规则落到日常分析和 Agent 使用中。规则怎么定、责任怎么分,仍要企业根据自身业务决定。
常见问题
数据治理包括哪些具体工作
可以按八类工作盘点,数据标准、数据质量、元数据、主数据、数据安全、数据架构、数据生命周期、数据共享与服务。每类工作再配组织、制度、流程和考核,形成可执行的范围。
数据治理一定要建平台吗
不一定。规则、责任和流程没有理顺,平台只会把混乱固化下来。数据源多、数据量大、需要持续监控和多人协作时,平台的价值才明显。起步阶段可以用文档、表格和现有工具跑通一个闭环,再按需要补平台能力。
小企业需要做数据治理吗
需要,但不必照搬大企业的全套框架。先选一个高频问题,比如报表口径、客户重复或监管报送,明确一个负责人,定一套最小标准,跑通一个质量闭环。规模小的时候,角色可以合并,规则不能缺。
数据治理和数据安全是什么关系
数据安全是数据治理的一个治理域。治理还包括数据标准、数据质量、元数据、主数据和生命周期等。安全解决能不能用、谁能用的问题,治理还要解决数据是否一致、是否可信、是否找得到、是否有人负责。
数据治理和数据中台哪个先做
看当前最痛的问题。口径混乱、责任不清,先做治理;取数慢、重复开发,先补中台服务;已有中台但业务不用,先补元数据、质量和权限。多数企业需要并行推进,把治理规则嵌进中台建设,避免平台建完再补规则。
数据治理的产出怎么衡量
看四类信号,口径争议是否减少,质量问题发现和关闭是否更快,业务找数是否更方便,权限审批和访问审计是否可查。再加一项复用情况,同一套数据服务是否被多个团队使用。文档数量只能说明工作量,不能说明治理有效。
参考资料
- 国家标准 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。
- 贵州省大数据局,《什么是数据管理能力成熟度评估模型 DCMM》,2023 年 12 月 19 日(用于说明 DCMM 2018 版八域框架),https://dsj.guizhou.gov.cn/hdjl/cjwtzsk/202312/t20231219_86421002.html
- 国家标准全文公开系统,GB/T 36073—2025《数据管理能力成熟度评估模型》,2025 年 12 月 31 日发布,2026 年 7 月 1 日实施,现行。
- 数栈,《企业数据治理体系建设方案:DCMM 框架落地指南》(新版能力域变化的行业解读)。
- DAMA International,DAMA-DMBOK Framework,https://www.damadmbok.org/dmbok-framework






