数据治理信息架构要解决的问题很具体。业务想用一份数据时,知道去哪里找、由谁负责、口径是什么、能不能申请;数据团队接到一个变更时,知道会影响哪些报表、指标和下游系统。把这两件事组织成一套稳定结构,设计才算完成。
本文把数据治理信息架构定义为企业在治理工作中组织数据对象、规则、责任和落地位置的结构。落地时,这套结构通常由四类核心制品承载:数据资产目录、数据模型、数据标准、数据分布。华为云帮助中心在《数据使能信息架构与业务架构设计》中,把这四项列为信息架构要维护的要素,并提出按对象管理、企业视角、统一分类、业务对象结构化、数据服务化五条原则。这些可以作为起点,企业还需要补上元数据、安全和演进机制。
一、数据治理信息架构是什么
华为云帮助中心把信息架构定义为以结构化的方式描述业务运作和管理决策所需信息及其关系的一套组件规范。放到治理场景里,它还要回答每类数据由谁负责、按什么标准定义、分布在哪些系统、如何授权和审计。
判断它是否成立,可以看两个方向能否走通。一个不熟悉这套数据的人,能否在目录里找到对象、看懂定义、找到责任人并完成申请;一个数据工程师能否从报表反查到源表、加工逻辑和变更记录。两个方向都走得通,架构才具备基本可用性。
1. 和数据架构的区别
现行国家标准 GB/T 34960.5-2018 把数据架构定义为数据要素、结构和接口等抽象及其相互关系的框架。它更关注数据怎么组织、怎么流转、接口如何设计。数据治理信息架构在这个结构上增加治理视角,明确对象归属、规则、责任和使用边界。
两者共用模型和目录,交付物不同。数据架构交付模型、分布和集成关系;治理信息架构交付可查找、可授权、可追溯的治理结构。做数据架构时没有顺手把责任、标准和权限放进去,治理阶段就要补一遍。现行国家标准 GB/T 36073-2025 也把数据架构列为独立能力域,与数据标准、数据质量、数据安全等并列,说明这项工作需要长期维护,不能只交给某一个项目临时处理。
2. 和治理框架的区别
数据治理框架回答治理工作怎么组织,包括战略、组织、制度、流程和评价。信息架构回答治理内容怎么组织,包括对象分类、标准、元数据、责任和落地位置。框架偏管理层,信息架构偏内容层,两者需要对齐,不能互相替代。
如果企业还没有总体治理框架,可以先参考《什么是数据治理?2026企业数据治理完整指南》建立整体认识,再回到本篇设计信息架构。总体框架解决方向和分工,信息架构解决每一项治理内容放在哪里、由谁维护。
3. 和目录、平台的区别
数据目录是信息架构的一个视图,负责让人找到数据;治理平台是承载目录、标准、质量、权限等能力的工具。信息架构还包括分类规则、责任分工、标准体系和流程。
先买平台再补设计,常见结果是菜单很多、对象没人认领、标准落不到字段。平台选型可以后置,架构和规则要先定。选平台时,按对象规模、元数据来源、权限模型和审计要求逐项匹配,判断会更有依据。
二、数据治理信息架构要回答的四个问题
设计评审时,可以用四个问题检查方案是否完整。四个问题都答清楚,架构才有运行基础;只答其中一两个,后面很容易返工。
1. 管什么
列出治理对象和分类层级。常见对象包括业务对象、逻辑实体、数据元、主数据、参考数据、指标、标签、报表、接口和非结构化内容。分类层级可以用业务域、主题域、业务对象、逻辑实体、属性五层,也可以按企业现有数据架构调整,关键是同一对象只有一个主路径。
对象数量多、跨系统复用明显时,需要完整分类。单一系统的小范围治理可以先用对象清单和责任人,不必一次铺满五层。分类层级过深、维护人力不足,目录很快会停更。
2. 谁来管
每类对象要有业务 Owner、数据 Steward 和技术负责人。业务 Owner 对定义、口径和使用规则负责;Steward 负责日常维护、问题收集和变更推进;技术负责人负责模型、接口和数据质量的技术实现。职责要写进岗位说明和流程,不能只放在架构图里。
一个对象可以多人协作,最终决策人只能有一个。跨部门争议需要升级路径和裁决时限,否则责任矩阵会在第一次冲突时失效。
3. 按什么规则管
规则至少覆盖数据标准、质量、安全分类分级、生命周期和变更。每条规则要说明适用对象、检查方式、责任人和例外处理。数据标准不只写命名规范,还要写业务定义、数据类型、允许值、权威源和生效范围。
规则数量不必求多。试点阶段先把影响业务判断和合规底线的规则定清楚,再逐步补充。规则太多、执行点太少,治理会变成文档工程。
4. 在哪里落地
落地位置包括目录、模型、接口、平台流程和审计记录。每类规则都要有承载点。标准落在模型字段和接口参数,质量规则挂在采集或加工节点,权限规则进入申请和审批流程,变更记录进入元数据和发布记录。
一条规则找不到承载点,通常只会停留在文档里。设计时可以把规则、承载点、责任人和检查频率写成四列,逐条核对,缺口会很快暴露。

图:治理对象、责任流程、规则标准与平台元数据四层相互支撑
三、数据治理信息架构的设计原则
设计原则用来处理取舍。范围划多大、颗粒度多细、责任放给谁,遇到争议时先回到原则,再看个案。下面按组织与责任、结构与分类、规则与执行、演进与运营四组展开。
1. 组织与责任
原则一:按业务对象管理,责任落到岗位。 以业务对象和主题域组织数据,不从系统表名或部门菜单出发。每个业务对象和关键数据元素明确业务 Owner、负责日常治理的数据 Steward,以及负责技术实现的技术负责人。Steward 不等同于技术负责人;小团队可以兼任,但需分别写清日常维护与技术实现职责。业务提需求时能找到定义人,系统变更时能找到影响人。
跨部门共享、指标争议多、主数据重复的企业,优先采用这条原则。临时分析沙箱可以只登记来源、责任人和保留期限,不必纳入全量治理,但敏感数据保护义务不能因为临时形态而免除。
原则二:企业视角统一分类,部门视图做映射。 建立企业级分类框架,业务域、主题域、对象层级由统一角色维护。部门已有的分类可以保留为视图,通过映射关系挂到主分类上,避免每个部门维护一套平行体系。
多事业部、多系统、并购整合后的企业更需要这条原则。统一分类的代价是前期沟通成本高,收益是跨域查找和权限管理有共同语言。分类框架要有版本和变更流程,不能一次定死后多年不动。
2. 结构与分类
原则三:分层解耦,治理结构独立于技术实现。 把业务架构、数据架构、治理规则和技术实现分开描述。业务架构说明业务对象和流程,数据架构说明模型、分布和接口,治理规则说明标准、质量和权限,技术实现说明数据库、平台和工具。换数据库或治理平台时,前三层不必重写。
分层不等于多写文档。每层之间要有唯一标识关联,比如对象 ID、模型 ID、标准 ID、指标 ID。没有关联的分层只是几套孤立文档,查起来仍然靠人。
原则四:单一可信源,同源共享。 每个关键数据元素指定权威源,指标、主数据和参考数据只保留一个权威定义。共享通过接口、视图或数据服务完成,不在多个报表里复制口径。
同一指标多张报表不一致、客户或物料主数据重复、跨系统对账成本高的企业,更需要这条原则。前提是源系统的责任和数据质量先明确。只在报表层改数,会把问题推到下游,源头仍然不可信。
华为云提出的数据服务化、同源共享,与这条原则一致。落地时要补两个约束:权威源有明确负责人;共享有授权和审计。缺少任何一项,同源共享都可能变成新一轮口径争议。
3. 规则与执行
原则五:元数据驱动,来源和血缘可追溯。 元数据记录业务含义、技术结构、加工逻辑、责任人和变更。血缘覆盖表、字段、指标和报表,能回答一个数从哪里来、经过哪些加工、影响了谁。
分析链路长、监管审计要求高、AI 取数场景多的企业,应优先补这条能力。元数据采集率可以作为过程指标,不能替代可用性。关键链路能解释清楚,比全量采集但没人维护更有价值。
原则六:标准、质量、安全规则嵌入执行点。 数据标准落到模型字段和接口参数,质量规则挂在采集、加工、服务节点,分类分级和权限在设计阶段确定。规则要能自动校验,或者有明确的人工检查点和留痕。
所有进入共享和分析的数据都适用这条原则。探索性数据可以先做来源登记和敏感识别,再逐步补标准和规则。涉及个人信息、重要数据或对外提供的场景,合规要求优先,不能以探索为由跳过。
五类内容怎么区分
实际设计中,数据标准、质量规则、指标口径、数据分布和元数据经常被混为一谈。可以用一个问题区分它们,再决定变更时该改哪里。CRUD 指对数据的创建、读取、更新和删除操作,矩阵用来说明哪个系统或角色拥有哪类权限。
| 内容 | 回答的问题 | 典型内容 | 放在哪 |
|---|---|---|---|
| 数据标准 | 应该是什么样 | 业务定义、命名、类型、允许值、权威源 | 标准库,关联模型字段和接口 |
| 数据质量规则 | 是否符合标准 | 完整性、唯一性、及时性、一致性、有效性检查 | 质量规则库,挂到采集、加工或服务节点 |
| 指标口径 | 这个数怎么算 | 统计对象、公式、范围、时间窗口、数据来源 | 指标字典,关联报表和接口 |
| 数据分布 | 数据在哪里、怎么流动 | 权威源、复制关系、流转路径、CRUD 矩阵 | 数据分布图,关联系统和模型 |
| 元数据 | 上述内容的属性和关系是什么 | 技术元数据、业务元数据、管理元数据、血缘 | 元数据仓库,向目录和治理平台供数 |
变更时先看这张表。标准变了要评估字段和接口,口径变了要评估报表和指标,分布变了要评估血缘和权限。把五类内容混在一个表格里,变更时就很难找到影响范围。
4. 演进与运营
原则七:按域试点,用最小闭环扩围。 先选一个业务域,挑十到二十个关键对象或指标,跑通登记、定义、落标、监控、授权、审计六个动作。验证后再复制到相邻业务域。
第一次做治理信息架构的团队,适合从这里起步。试点要有验收标准和退出条件,避免做成无限期项目。涉及跨域主数据或监管报送时,范围可以扩大,但仍要保留明确的阶段边界。
四、数据治理信息架构的七个设计步骤
下面七步按依赖关系排列。每一步给出产出和成功信号,方便在项目例会上检查进度,而不是只看文档写了多少页。
1. 定范围和业务问题
选一个业务域,列三到五个具体决策、报表或指标,写清当前问题和成功标准。产出范围清单,包含纳入对象、排除对象、参与部门和验收人。
判断标准是业务负责人认可问题描述,愿意派出对接人。业务不参与的范围,后面很难确认责任和口径。
2. 盘点对象和现状
盘点系统、表、接口、指标、主数据、标签和非结构化内容,记录来源、责任人、更新频率、敏感级别和使用情况。产出资产盘点表、问题清单、系统与对象映射。
盘点完成的标志是关键对象有明确来源和临时责任人,重复对象和缺失责任的对象被标出来。盘点阶段不追求一次全量,先把试点范围内的对象查清。
3. 建立分类框架和目录层级
确定业务域、主题域、业务对象、逻辑实体、属性的层级,确定主数据、参考数据、指标、标签挂在哪一层,保留部门视图的映射。产出分类框架、目录结构、命名和编号规则。
验收时看同一对象是否只有一个主路径,业务人员能否用熟悉词找到对象。目录里的分类名称要贴近业务语言,纯技术缩写适合放在技术视图,不适合作为主目录。
4. 设计四类核心制品
四类制品是信息架构的主干。每类只保留支撑使用和治理的最小字段,避免一开始就做成大表格。
- 数据资产目录:对象名称、业务定义、Owner、来源系统、敏感级别、更新频率、使用入口、申请方式。
- 数据模型:概念模型、逻辑模型、物理模型的层级和命名规范;模型与系统、接口的映射;变更记录。
- 数据标准:业务术语、数据元、参考数据、主数据、指标定义;标准与字段、接口的关联。
- 数据分布:权威源、复制关系、流转路径、CRUD 矩阵;关键数据元素的部署位置。
这四类制品对应信息架构要维护的四个要素。实际落地时,可以按企业成熟度调整颗粒度,但不能缺项。缺目录,业务找不到;缺模型,标准落不下去;缺标准,口径无法统一;缺分布,血缘和权限没有依据。
5. 补齐治理规则
为关键对象补元数据、血缘、质量规则、分类分级、生命周期和变更流程,为每条规则指定承载点和责任人。产出规则清单、规则与对象或节点的关联表、例外处理流程。
这一步的成功信号是每条规则能在平台或流程里找到执行位置,无法自动执行的规则有明确检查人和记录方式。规则挂不上执行点,就要回到设计阶段重新确认,不要留到上线后靠人工提醒。
6. 明确责任和流程
建立 Owner、Steward、技术负责人清单,定义新增、变更、发布、申请、争议升级和下线的流程,把治理动作嵌入需求评审、开发、上线和复盘。产出责任矩阵、流程说明、升级路径和服务时限。
责任流程是否可用,看一个跨部门争议能否在约定时限内找到裁决人,变更能否追溯到申请、评估、批准和发布记录。如果企业还没有完整的治理组织,可以先参考《企业级数据治理体系怎么搭?》理清组织、制度和流程的关系,再回到信息架构落对象和责任。
7. 选域试点并验收
用一个业务域跑通完整链路,用第五部分的检查表验收,记录问题和修订,决定扩围或暂停。产出试点报告、问题清单、修订后的架构和扩围计划。
试点完成的标志是业务能自助找到并申请数据,数据团队能追溯来源和影响,关键指标口径一致,权限和审计记录可查。四项里有任何一项依赖私人关系或临时查库,试点就还没有完成。
五、数据治理信息架构的检查要点
检查表用于设计评审和试点验收。每一项都要有证据,不能只问有没有。
| 检查维度 | 要确认的问题 | 通过信号 | 常见失败信号 |
|---|---|---|---|
| 覆盖性 | 核心业务对象、指标、主数据是否登记,关键数据是否知道在哪 | 试点范围清单完整,来源和责任明确 | 目录只收录好拿的数据,关键报表数据不在册 |
| 一致性 | 同一对象或指标是否只有一个权威定义,命名、类型、取值是否统一 | 重复对象有合并或映射,指标口径唯一 | 两个部门各有一套客户定义,报表各算各的 |
| 可追溯 | 来源、加工、血缘、变更是否可查,能否做影响分析 | 任选一个指标能反查到源表和加工逻辑 | 只有结果表,没有加工记录,变更靠人问 |
| 可执行 | 标准是否落到字段或接口,质量规则是否在节点执行,权限申请是否有流程 | 规则有承载点、责任人和执行记录 | 标准在文档里,字段命名仍随意 |
| 安全合规 | 分类分级是否覆盖,敏感数据是否有访问控制、脱敏和审计,生命周期是否有归档和删除 | 敏感对象有级别、权限和审计记录 | 目录公开敏感字段,权限靠口头约定 |
| 可运营 | 是否有 Owner、例会和问题闭环,目录更新是否有时效要求,是否有度量指标 | 问题有记录、责任人和关闭时间,目录更新有服务时限 | 项目结束即停更,问题无人跟进 |
| AI 可用性 | Agent 能否拿到授权内的语义、指标和知识,引用是否可溯源,写操作是否有人类确认和审计 | 语义、权限、审计链路完整 | Agent 直接读全库,回答无来源,写操作无记录 |
1. 最小验收场景
选一个经营指标,从业务问题开始,走到数据源、口径、责任人、权限申请和审计记录。中间任何一环需要靠私人关系或临时查库才能完成,架构就还有缺口。
这个场景比逐项打分更能暴露问题。它同时检验目录、模型、标准、分布、元数据和权限是否连成一条链路,也检验责任分工是否真的能运行。
六、AI Agent 接入后要补什么
AI Agent 让信息架构多了一层使用方式。Agent 会读目录、查指标、调接口、生成结论,信息架构要让它知道什么能用、怎么用、用完留下什么记录。
1. 语义层怎么建
业务术语、指标口径、实体关系、同义词和时间范围要结构化。只写给人看的自然语言定义不够,Agent 需要能匹配到对象、字段和计算逻辑。语义层可以独立建设,也可以挂在指标平台或知识库上,关键是唯一来源和版本管理。
2. 知识边界怎么划
哪些文档、指标、规则可以被检索,哪些只对特定角色开放,哪些已经失效,都要在知识库或权限系统里标出来。Agent 引用过期制度或错误口径,比查不到更危险。
3. 权限边界怎么分
读、写、导出是不同的权限。Agent 继承用户身份,按最小必要授权;敏感数据脱敏;涉及资金、合同、对外发布等高风险动作,要有人类确认和操作记录。权限设计要跟信息架构里的分类分级对齐,不能另建一套口径。
4. 审计记录怎么留
记录 Agent 用了哪些数据、哪条规则、哪个版本,结论能否复算,异常能否定位到数据、口径还是权限问题。没有这些记录,Agent 的输出很难进入正式决策。
ThinkingAI 的企业级 Agent 平台 Agentic Engine 支持私有化部署和多 Agent 协作,提供知识记忆、资产库、安全治理、权限控制、执行审计和引用溯源等能力。对于已经把数据治理信息架构搭起来的企业,这些能力可以承接语义、权限和审计要求;架构本身仍然要先把对象、标准、责任和分布定义清楚。ThinkingAI 已服务全球超 1500 家企业,接入产品超 8000 款,这些实践覆盖游戏、泛娱乐、零售、电商等场景,治理架构仍需按企业自身的数据分布和合规要求设计。
可以把 Agent 看成信息架构的又一个使用者。它和业务人员、数据分析师一样,需要目录、定义、权限和审计。区别在于调用频率更高、链路更长,对语义一致性和权限边界的要求更严。
常见问题
数据治理信息架构和数据架构有什么区别?
数据架构描述数据的结构、分布和接口,关注数据怎么组织和流转;数据治理信息架构在此基础上增加对象归属、标准、责任、权限和审计,关注数据怎么被治理和使用。两者共用模型和目录,设计时要对齐,交付物不同。
先做数据目录还是先做数据标准?
先做能支撑当前业务问题的部分。业务找不到数据,先做目录和责任人;同一指标反复对不上,先做指标口径和标准。多数情况下可以并行:目录先登记对象和责任人,标准按试点范围逐步补齐。不要等标准全部完成再开放目录。
没有专职数据团队,怎么开始?
先指定兼职 Owner 和 Steward,选一个业务域做最小闭环。把范围压到十到二十个关键对象或指标,优先解决一个可感知的问题,比如报表找不到、口径不一致或权限审批慢。工具可以先用现有平台,不必等新系统。
信息架构多久更新一次?
对象、标准、责任和分布发生变化时就要更新。建议设固定节奏:目录按月检查,标准和指标按变更流程更新,架构评审按季度或半年一次。关键是变更有人发起、有人评估、有人批准、有记录,而不是只定一个更新周期。
数据治理平台能替代信息架构设计吗?
不能。平台承载目录、标准、质量、权限和审计能力,但对象怎么分类、责任怎么分、标准怎么定、规则挂在哪里,仍要企业自己设计。平台可以降低执行成本,不能替企业做治理决策。
中小企业要做到什么程度?
先把关键对象、责任人、指标口径和权限管起来。分类层级可以简化,目录可以先覆盖核心业务,元数据和血缘先覆盖关键报表。等业务复杂度上升,再补标准和自动化。治理范围跟业务问题走,不必照搬大企业的全套架构。
参考资料
- GB/T 34960.5-2018《信息技术服务 治理 第5部分:数据治理规范》,国家标准全文公开系统,现行,2019-01-01 实施。
- GB/T 36073-2025《数据管理能力成熟度评估模型》,国家标准全文公开系统,现行,2025-12-31 发布,2026-07-01 实施。
- 《数据使能信息架构与业务架构设计》,华为云帮助中心,2024-04-23 更新。
- DAMA-DMBOK Framework,DAMA International,11 个核心知识域。
- Agentic Engine 产品介绍,ThinkingAI。






