从主流框架看,数据治理的整体范围通常包括八个领域,分别是治理组织与制度、数据架构与数据建模、数据标准与主数据、元数据与数据血缘、数据质量、数据安全与合规、数据生存周期,以及数据应用与资产运营。每个领域解决的问题不同,对应的责任角色也不同。
不同标准给出的数量并不一致。GB/T 34960.5—2018 把治理域分成数据管理体系和数据价值体系;DCMM 2.0 在 2026 年 7 月 1 日实施后列出九个能力域;DAMA-DMBOK 第 2 版划分了 11 个知识领域。数量差异来自边界划分,共同点是都要回答四个问题,谁来决定、按什么规则、怎么检查和改进、数据如何被用起来。更完整的定义、目标和实施路径,可以看数据治理完整指南。
一、三套主流框架的领域划分
先看三套框架各自怎么划分,再决定用哪一套对齐内部讨论。
| 框架 | 发布与实施 | 划分方式 | 更适合用来 |
|---|---|---|---|
| GB/T 34960.5—2018 | 2018 年发布,2019 年实施 | 顶层设计、治理环境、治理域、治理过程;治理域分为数据管理体系和数据价值体系 | 建立治理体系,界定治理对象、环境和过程 |
| DCMM 2.0,即 GB/T 36073—2025 | 2025 年 12 月 31 日发布,2026 年 7 月 1 日实施 | 九个能力域,新增数据资产,覆盖数据权属、资产估值和资产运营 | 自评或接受第三方评估,确定能力改进优先级 |
| DAMA-DMBOK 第 2 版 | 2017 年出版 | 11 个知识领域,数据治理排在首位 | 划分团队职责,建立数据管理知识地图 |
GB/T 34960.5 的治理域更接近治理对象清单。按照该标准的说明,数据管理体系围绕数据标准、数据质量、数据安全、元数据管理和数据生存周期;数据价值体系围绕数据流通、数据服务和数据洞察。DCMM 2.0 更接近能力评估清单,每个能力域下面还有能力项和成熟度等级。DAMA-DMBOK 更像知识地图,覆盖数据建模、存储、集成、文档与内容等更宽的数据管理活动。
企业选框架时可以按用途分工。内部建体系用 GB/T 34960.5 的结构,接受评估用 DCMM 2.0,划分岗位和数据团队知识边界参考 DAMA-DMBOK。三套框架可以同时使用,前提是把映射关系写清楚,避免同一件事在三份制度里有三个名字。
二、企业常用的八个数据治理领域
把三套框架重合的部分抽出来,按企业实际会单独立项、单独配人的工作,可以归成八块。下面每一块都说明工作内容、常见产出和主要责任角色。
1. 治理组织与制度
治理组织解决决策权和责任归属。典型工作包括成立数据治理委员会或跨部门工作组,任命数据 Owner,明确业务部门、数据团队、安全合规部门的职责边界,建立议题上报、争议裁决和考核机制。
常见产出包括数据治理组织架构图、数据 Owner 清单、制度与流程文件、考核办法。主要责任角色是管理层、数据归口部门和各业务数据负责人。
当跨部门口径争议频繁、治理项目缺少拍板人、问题长期悬而未决时,这一块需要先补。治理组织没有明确授权,后面的标准和规则很难真正执行。
2. 数据架构与数据建模
数据架构描述数据如何分布、如何流动,数据建模把业务概念转成稳定的数据结构。工作内容包括主题域划分、企业数据模型、数据分布与集成关系、接口规范。数据集成与共享通常也放在这一块处理。
常见产出是企业数据模型、数据分布图、集成与接口规范。数据架构师、系统架构师和业务架构人员共同负责,业务部门确认口径和流程。
多套系统重复建设、数据孤岛严重、准备替换核心系统时,先把架构和模型定下来,后面的治理工作会省力很多。架构决定了数据从哪里产生、在哪里汇总、由谁消费,后续的标准和质量规则都要落在这些结构上。
3. 数据标准与主数据
数据标准给业务术语、数据元、编码规则和指标口径一个统一定义。主数据管理客户、产品、供应商、组织等核心业务实体,保证同一对象在各系统里只有一个权威版本。
常见产出包括数据标准字典、指标定义与计算口径、主数据模型、主数据分发规则。标准归口部门牵头,业务专家确认含义,主数据管理员维护日常变更。
同一指标出现多个数、客户重复、跨系统对不上时,优先做这一块。指标口径要写清计算公式、统计周期、数据来源和责任人,只写一个名称不算完成。
4. 元数据与数据血缘
元数据记录表、字段、指标的定义、来源、加工逻辑和负责人。数据血缘描述数据从源系统到报表的流转路径,用来定位问题、评估变更影响。
常见产出包括元数据目录、数据地图、关键链路血缘图和变更影响清单。数据平台和数据开发团队负责采集与维护,数据管家负责确认业务含义。
找不到数据、改一张表不知道影响哪些报表、排查问题只能靠问人时,先补元数据和血缘。
5. 数据质量
数据质量把业务对数据的要求写成可检查的规则,覆盖完整性、准确性、一致性、及时性和唯一性等维度。工作不止配置规则,还包括告警、分派、整改、验证和复盘。
常见产出包括质量规则库、质量报告、问题工单和整改记录。业务数据负责人对数据结果负责,数据团队提供规则设计、工具和监控。
报表被业务质疑、对账出现差异、下游模型效果下降时,质量治理通常是最直接的切入点。质量规则的数量不代表治理水平,问题能否被分派、修复并验证才是关键。
6. 数据安全与合规
数据安全覆盖分类分级、访问权限、脱敏、加密、审计、个人信息保护和重要数据管理。合规要求会直接影响数据能不能共享、能不能出域、能保存多久。
常见产出包括数据分类分级清单、权限矩阵、脱敏规则、审计记录和安全事件应急预案。安全合规部门定规则,数据 Owner 确认使用范围,平台团队负责技术落地。
要对外共享数据、接入外部数据、上云或做私有化部署、接受监管检查时,这一块不能缺。
7. 数据生存周期
数据生存周期管理数据从采集、存储、整合、使用到归档、销毁的全过程。重点是根据业务价值和合规要求,确定留存期限、存储分层和销毁方式。
常见产出包括生命周期策略、归档与销毁记录、存储分层规则。平台运维、法务合规和业务 Owner 共同负责。
存储成本持续上升、历史数据无人清理、监管要求删除特定数据时,需要把这一块补上。
8. 数据应用与资产运营
数据应用把治理后的数据做成报表、接口、标签和数据集,供业务使用。资产运营进一步记录数据资产目录、使用情况、权属和价值,回答数据在哪里、值多少、有没有被用起来。
常见产出包括数据服务目录、资产清单、调用与使用记录、价值评估方法。数据产品和运营团队牵头,业务部门提供场景,财务部门参与价值评估。
准备数据资产入表、衡量治理投入产出、对外提供数据服务时,资产运营会成为重点。DCMM 2.0 新增的数据资产能力域,正是围绕数据权属、资产估值和资产运营提出要求。资产目录只有被业务查询和使用,才能反映数据资产的实际价值。
这八块工作彼此关联。多数企业会同时碰到三四个问题,区别在先后顺序。
三、八个领域如何衔接成一条链路
以一个常见的指标为例。业务要看月活跃用户数,标准领域要先定义活跃的口径、去重规则和统计周期;架构领域决定从哪些事件表和用户表汇总;元数据记录指标来自哪些表、经过哪些任务;质量领域检查空值、重复和延迟;安全领域限制手机号等敏感字段的可见范围;生存周期决定明细数据保留多久;应用领域把结果做成看板和接口;资产运营记录谁在使用、用来做什么。

图:一个指标依次经过口径、血缘、质量、权限和应用五个治理环节。
这张图把链路压缩成五个控制点,方便检查一个指标在哪一步失去可信度。
任何一环缺失,指标都可能不可信。口径没定,数据团队只能各自猜;血缘没记,出错后定位靠人;质量规则没配,错误要到业务发现才暴露;权限没管,数据共享会带来合规风险。
治理领域清单更适合用来查漏,排工期要另看业务问题。判断先做哪一块,要看当前最影响业务的问题落在哪一环。
四、企业应该从哪个领域开始
先找症状,再定起点。下表按常见症状给出优先领域和首批交付物。
| 常见症状 | 优先领域 | 首批交付物 |
|---|---|---|
| 同一指标多个数,会议上争论口径 | 数据标准与主数据 | 指标定义清单,明确责任人、计算公式和统计周期 |
| 找不到数据,不知道表里字段的含义 | 元数据与数据血缘 | 核心业务域的数据地图和关键链路血缘 |
| 报表错漏、对账差异反复出现 | 数据质量 | 10 到 20 条核心质量规则和问题整改闭环 |
| 不敢共享数据,监管检查压力大 | 数据安全与合规 | 分类分级清单、权限矩阵和审计记录 |
| 存储成本高,历史数据无人清理 | 数据生存周期 | 留存期限、归档和销毁策略 |
| 要做数据资产入表或对外服务 | 数据应用与资产运营 | 资产目录、使用记录和价值评估方法 |
| 跨部门推不动,问题没人拍板 | 治理组织与制度 | 数据 Owner 清单、议事规则和考核办法 |
一个可执行的起步顺序是:
- 选一个业务域,比如订单、用户或投放,范围控制在一个月内能看清链路的程度。
- 指定一名业务 Owner 和一名数据负责人,明确谁定口径、谁改数据、谁验收。
- 选 3 到 5 个关键指标,把定义、公式、数据来源和责任人写成文档。
- 为这些指标配置 10 到 20 条质量规则,约定告警对象和整改时限。
- 画出关键链路的血缘,至少覆盖源表、加工任务和下游看板。
- 每月复盘一次,记录问题数量、修复率、口径变更次数和业务反馈。
这个顺序先解决业务能感知的问题,再逐步扩展到其他领域。一上来铺开全部领域,制度和工具都建了,业务却感受不到变化,项目很容易停在验收阶段。如果要在单个业务域之外规划整体治理体系,可以另外参考企业级数据治理体系的搭建方法。
五、数据治理、数据管理与数据安全的关系
三个词经常混用,边界可以用标准定义说清。
- 数据治理,GB/T 34960.5—2018 把它定义为数据资源及其应用过程中相关管控活动、绩效和风险管理的集合。
- 数据管理,同一标准把它定义为数据资源获取、控制、价值提升等活动的集合。
- 数据安全是数据治理的一个领域,重点是分类分级、权限、脱敏、审计和合规。
换成日常说法,治理决定规则、责任和监督方式,管理负责日常执行。治理覆盖数据标准、质量、安全、生存周期和价值实现,数据安全是其中一个领域,标准和质量问题仍需单独处理。把数据安全当成治理的全部,标准和责任问题会留在原地。
平台和数据中台也常被混进治理概念。平台承载元数据、质量规则、权限策略和资产目录,能降低执行成本。治理还需要制度、责任和业务参与。只上平台不改流程,通常只会多出一批表和看板。
六、平台和 AI 能承担哪些治理工作
重复、可规则化的工作适合交给平台。元数据自动采集、质量规则定时运行、血缘关系记录、权限策略执行、资产目录汇总,这些工作靠人工维护很难持续。
判断、裁决和业务含义确认仍要由人完成。指标口径谁说了算、质量问题先修哪条链路、哪些数据可以共享、风险容忍度是多少,这些问题需要业务负责人和治理组织决定。
AI Agent 可以承担一部分辅助工作,比如用自然语言查询元数据、解释指标口径、生成质量规则草稿、汇总问题清单。用于生产环境时,需要权限控制、执行审计和引用溯源,避免模型给出无法追溯的结论。
ThinkingAI 的 Agentic Engine 支持私有化部署,主 Agent 具备知识记忆、资产库、安全治理、权限控制、执行审计和引用溯源等能力。ThinkingEngine 在数据接入、元数据、数据质量、数据安全、指标和资产等环节提供承载,具体功能与版本以产品文档为准。ThinkingAI 已服务全球超 1500 家企业,接入产品超 8000 款,这类平台能力适合承载重复执行工作,治理目标、责任和验收标准仍要由企业自己确定。
常见问题
1. 数据治理包括哪几个方面?
常见划分包括治理组织与制度、数据架构与建模、数据标准与主数据、元数据与数据血缘、数据质量、数据安全与合规、数据生存周期、数据应用与资产运营。不同标准数量不同,GB/T 34960.5—2018 分为数据管理体系和数据价值体系,DCMM 2.0 列出九个能力域,DAMA-DMBOK 第 2 版有 11 个知识领域。
2. 数据治理需要覆盖所有领域吗?
不需要一次全覆盖。监管要求、业务痛点和现有基础决定优先级。多数企业可以先做关键指标口径、核心主数据、重点链路的质量与权限,再补架构、生存周期和资产运营。
3. 数据治理领域的工作由谁负责?
决策层负责目标和争议裁决,数据归口部门负责制度和协调,业务数据负责人对数据质量和口径负责,数据管家负责日常维护,平台团队负责工具和权限落地。治理组织不替代业务部门的数据责任。
4. DCMM 2.0 对领域划分有什么影响?
DCMM 2.0 于 2025 年 12 月 31 日发布,2026 年 7 月 1 日实施,能力域从八个扩展到九个,新增数据资产,覆盖数据权属、资产估值和资产运营。准备评估的企业需要补齐资产目录、使用记录和价值评估证据。尚未开展评估的企业可以把它当作领域清单的补充。
5. 数据治理一定要买平台吗?
不一定。数据量小、系统少时,用文档、脚本和现有工具也能起步。数据源多、链路复杂、需要持续监控和审计时,平台能显著降低维护成本。选平台前先把治理对象、责任和验收标准定清楚。
参考资料
- 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。https://openstd.samr.gov.cn/bzgk/std/newGbInfo?hcno=22559F9C7BF9EAC6A3927223FE33CE20
- 中国医院协会信息专业委员会。田宗梅,医院数据治理体系助力智慧医院建设,2023 年 7 月。
- DAMA International。The heart of DAMA-DMBOK,11 个核心知识领域。https://www.damadmbok.org/dmbok-framework
- 国家数字标准馆。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。https://ndls.cnis.ac.cn/standard/detail/94e9fb0b0ed69aa05916d326def635f7






