ThinkingAI Logo
返回博客列表

数据治理分几层?不同分层框架怎么理解?

数据治理没有统一层数。本文拆开组织、制度、技术、能力域与成熟度五类框架,说明各自层数、适用条件和常见误用,并给出可落地的五层治理蓝图与 AI 时代的知识治理方法。

2026-11-1612分钟
数据治理分几层?不同分层框架怎么理解?

输入数据治理分层一共分几层,常会看到三种、四种、五种等不同答案。它们看似冲突,原因在于多数说法把不同对象都叫成了层。数据治理没有一套所有企业都必须遵守的固定层数,先确认这个框架在分什么,再判断它该有几层。

组织分层回答谁决策、谁执行;制度分层回答按什么规则做;技术承接分层回答规则在哪里执行;能力域回答管哪些能力;成熟度等级回答做到什么程度。把这五类分开,三层组织、四层制度、五层蓝图可以同时成立。

数据治理的整体范围和目标,可以先看《什么是数据治理?2026企业数据治理完整指南》。本文继续回答分层问题,重点放在不同框架的适用条件和常见误用。

一、数据治理分几层?先看层在描述什么

判断一个数据治理框架是不是在分层,先看两层之间有没有责任传递或先后依赖。组织层有上下级,制度层有从原则到操作的递进,技术层有数据流顺序;能力域和成熟度等级属于分类和标尺,层与层之间没有上下级。

常见说法它实际在分什么常见数量适用场景
三层组织架构谁决策、谁管理、谁执行3 层,部分企业增加监督层跨部门治理、明确责任
四层制度文件政策、制度、标准、流程3 到 4 层制度冲突、规则落不了地
技术承接分层规则在数据流哪些环节执行3 段平台选型、架构评审
DAMA 知识域数据管理包含哪些能力11 个知识域盘点能力覆盖
DCMM 成熟度数据管理能力处于什么阶段5 个等级评估现状、设定目标
数仓分层数据模型如何组织常见 5 层数据开发、模型设计

业界还有一种常见的五大体系说法,指组织、标准、流程、技术、评价五类工作。它更像工作域清单,和三层组织不是一回事。

这张表最有用的一列是它实际在分什么。层与层之间通常有责任传递或先后依赖;能力域和成熟度等级是分类与标尺。把后者画成一摞,就会产生层数之争。

二、组织分层:决策、管理、执行

数据治理组织架构最常见的是三层,决策、管理、执行。华为云 DataArts Studio 文档给出的三层工作组织是数据治理领导组、数据治理委员会、各领域数据治理工作组。

层级主要职责典型产出
数据治理领导组定战略、批预算、裁决跨部门争议、监督绩效治理战略、年度优先级、争议裁决
数据治理委员会建流程、定方法、维护工具平台、度量汇报制度流程、方法总则、跨域决策
各领域数据治理工作组管领域数据资产、标准元数据、质量改进领域标准、质量规则、问题闭环

数据治理领导组由数据治理发起人和各部门负责人组成,负责战略方向、政策推广、争议裁决、绩效监督和预算支持。数据治理委员会由数据治理负责人、数据治理专家和数据架构专家团组成,负责流程、方法、工具平台、跨域决策和度量汇报。各领域工作组负责本领域的数据资产、标准、元数据和数据质量。

工作组内常见五类角色。数据 Owner 是领域数据治理工作的责任人,定目标、排优先级、裁决争议;数据代表把目标拆成计划和执行;数据管家维护流程、元数据和标准;数据专员提供专项技能;数据架构师负责 IT 系统落地。

适用条件:业务域多、系统多、跨部门争议多的企业。小团队可以一人多岗,决策权、业务责任和技术执行要分开。委员会只挂名、Owner 没有裁决权、IT 替业务背口径责任,这三种情况都会让三层架构停在图上。

如果要把组织、制度和执行串起来,可以参考《企业级数据治理体系怎么搭?》。

三、制度与流程分层:政策、制度、标准、流程

制度分层回答按什么规则做。企业里常见的四层是政策、制度、标准、流程。

层级回答的问题例子谁批准
政策为什么治理、治理权威来自哪里数据治理总政策、数据安全方针最高管理层或董事会
制度谁负责、管什么、怎么问责数据分类分级管理办法、数据质量管理办法治理委员会
标准具体定义、口径和规则是什么客户主数据标准、指标命名规范、质量规则归口部门或标准委员会
流程一步步怎么做、用什么表单和系统分类分级打标流程、质量问题闭环流程业务或数据管理部门

以数据分类分级为例。政策明确敏感数据必须分级保护;制度明确谁提出分级、谁审批、谁复核;标准明确公开、内部、敏感、核心的判定条件和字段规则;流程明确在哪个系统打标、多久复核、异常怎么升级。四层缺一层,落地就会断。只有政策没有标准,业务不知道怎么判;只有标准没有流程,标准停在文档里;只有流程没有 Owner,出了问题找不到人。

DAMA-DMBOK 对数据治理的说明也围绕政策、角色和标准展开,治理要建立管理数据资产的规则、责任和一致性机制。

适用条件:制度冲突、审计要求高、跨部门口径不一致时,先把四层写清楚。不是每个数据域都要写全四层文件,先从核心指标、主数据和敏感数据开始,其他域复用模板。

判断一份文件有没有用,看一个没参与讨论的人能否据此做出同样的判断。写满原则但无法判断的文件,执行时还会回到口头协调。

四、技术承接分层:规则进入数据流的三个环节

技术承接分层回答规则在哪里执行。它按数据从源头到使用经过的环节划分,和部门边界无关。常见三段是接入与源头、加工与资产、服务与应用。

环节治理动作证据
接入与源头数据源登记、Owner 确认、分类分级、入湖前质量评估数据源清单、Owner 记录、分级标签、质量评估报告
加工与资产标准落模型、元数据采集、血缘、质量监控、主数据数据标准映射、元数据目录、血缘图、质量规则
服务与应用权限控制、脱敏、访问审计、指标口径、Agent 知识权限矩阵、访问日志、指标字典、知识版本

Microsoft 在 Azure Databricks 的数据和 AI 治理原则中提出三条。统一数据和 AI 管理,建立统一目录、元数据和血缘;统一数据和 AI 安全,明确谁有权访问、谁访问过;建立数据质量标准,覆盖完整性、准确性、有效性和一致性。这三条适合当作技术承接的检查表,它们属于治理原则,不是组织层级。

数仓分层是另一个概念。阿里云 DataWorks 默认提供 ODS、DIM、DWD、DWS、ADS 五层,分别承担数据引入、公共维度、明细、汇总和应用数据。它回答数据怎么存、怎么加工;数据治理分层回答谁负责、按什么规则、在哪里执行。

技术承接的检验标准只有一条:每条治理规则都要有执行点和证据。敏感数据脱敏的执行点在查询网关或视图,证据是权限配置和访问日志;如果只有制度文件,没有系统控制点,这条规则还没有进入技术层。

五、能力域与成熟度等级为什么不是层

能力域和成熟度等级也常被画成分层图,但它们不是上下级关系。

DAMA-DMBOK 框架列出 11 个知识领域:数据治理、数据架构、数据建模与设计、数据存储与操作、数据安全、数据集成与互操作、文档与内容管理、参考数据与主数据、数据仓库与商业智能、元数据管理、数据质量管理。数据治理是其中一个知识领域,负责建立政策、角色和标准,为其他领域提供统筹。它们是能力域,不是 11 层。正确用法是覆盖检查:每个领域有没有明确 Owner、标准、工具和度量。

GB/T 36073-2025《数据管理能力成熟度评估模型》于 2025 年 12 月 31 日发布,2026 年 7 月 1 日实施。标准建立由能力域、能力项和成熟度等级组成的评估模型,成熟度分五个等级:初始级、受管理级、稳健级、量化管理级、优化级。等级回答能力到了什么阶段,不回答组织里谁管谁。把五级画成五层组织,会把评估语言变成汇报语言。

DCMM 的能力域划分和评估方式,可参考《DCMM是什么?数据管理能力成熟度评估模型详解》。

正确用法:能力域用来查漏,成熟度用来定目标。例如今年把数据标准和数据质量从临时管理推到组织级,明年再冲量化管理;这比笼统说做到五级更能指导资源分配。

六、五层治理蓝图:把不同框架放到一张图上

如果要把不同框架放进同一张图,可以用下面这个五层治理蓝图。它是本文的综合视图,不是国家标准,也不是唯一答案。

层回答的问题主要产出可对接的框架
目标与范围为什么治理、先治什么治理目标、范围、优先级、成功标准数据战略、DCMM 数据战略域
组织与责任谁决策、谁负责、谁执行组织架构、责任矩阵、数据 Owner华为云三层组织
制度与标准按什么规则做政策、制度、标准、流程模板DAMA 治理域、DCMM 数据治理域
技术承接与执行规则在哪里执行平台控制点、元数据与血缘、权限与审计Microsoft 治理原则、DataWorks
度量与改进怎么证明有效指标、审计记录、问题闭环、复盘机制DCMM 成熟度等级

裁剪方法分三步。

  • 选一个高价值范围,比如核心指标、主数据、敏感数据或某个业务域,不要一上来全量铺开。
  • 每层指定一个负责人和一个可验收产出。目标层看有没有批准的范围和优先级;组织层看有没有 Owner 和决策记录;制度层看有没有可执行的标准;技术层看有没有控制点和日志;度量层看有没有指标和复盘。
  • 合并没有独立价值的层。每层至少要有独立决策权、交付物或证据之一,否则合并到相邻层。层数多不等于治理完整,多出来的层常常只是多一轮汇报。

对董事会讲组织和责任,对业务讲制度和标准,对 IT 讲技术承接,对评估机构讲能力域和成熟度。三套语言可以并存,关键是不要拿一套的层数去否定另一套。

七、AI Agent 时代的知识与语义治理

AI Agent 进入数据链路后,治理对象从表、指标、报表扩展到知识、语义和工具调用。技术承接层里需要增加知识与语义治理环节。

Agent 要回答同一个指标,需要知道指标的唯一口径;要执行动作,需要知道权限边界;要给出结论,需要能追溯到数据源和知识版本。基础治理缺失时,Agent 会把旧口径、越权取数和无法复核的答案放大。

这一层通常包括四件事:统一概念和指标定义;管理实体关系和知识结构;记录版本变更和来源;控制 Agent 可访问的数据与工具范围。关于统一指标口径和业务知识库的建设方法,可以参考 Agent 语义层建设指南。

ThinkingAI 的企业级知识库是这类治理的一个执行层例子。它作为 Agentic Engine 的基础设施层,把企业内部文档、报表等信息源加工成结构化、关联化、版本化的知识;用 SSOT 保证同一概念只有一处定义;用 ChangeSet 记录变更,支持追溯、对比和回滚;通过统一接口向不同 Agent 提供检索和查询。它解决的是知识口径混乱、版本不清和引用不可追溯的问题,适合已经准备把分析、客服或 SQL 生成交给 Agent 的企业。

ThinkingAI 已服务全球 1500 家企业,接入产品超过 8000 款,这些实践主要来自数据智能和 Agent 落地场景。对数据不出企业的场景,Agentic Engine 支持私有化部署。Agent 的权限边界和审计要求,可以进一步参考《企业级 AI Agent 安全与治理》。

如果基础指标字典和权限体系还没有建立,先补治理基础,再上知识层。顺序反了,旧问题会被复制给 Agent。

常见问题

数据治理一般分几层?

没有统一层数。常见有三层组织、四层制度、五层实施蓝图;它们分别回答谁负责、按什么规则、在哪里执行。先确认框架对象,再谈层数。

数据治理三层组织架构是哪三层?

决策层、管理层、执行层。华为云的具体做法是数据治理领导组、数据治理委员会、各领域数据治理工作组;部分企业会增加监督层。

数据仓库的 ODS、DWD、DWS、ADS 是数据治理分层吗?

不是。它们是数据模型的层次,用来组织原始数据、明细、汇总和应用数据。数据治理分层回答责任、规则和执行;数据表放在哪一层属于数仓建模。

DAMA 的 11 个知识域是 11 层吗?

不是。它们是数据管理的 11 个能力领域,数据治理在其中起统筹作用。可以用它们做覆盖检查,不能按 11 层做组织汇报。

DCMM 的五个等级是五层吗?

不是。五个等级是成熟度阶段,用来评估组织数据管理能力到了哪一步。等级高不等于组织层级多,也不等于可以跳过基础治理。

小企业需要几层?

通常两层到三层就够:一个能拍板的负责人,一个对数据质量负责的业务 Owner,再加上平台和流程的执行人。角色可以合并,但责任不能空。

数据治理分层越多越好吗?

不是。每增加一层,都应该多一个明确的决策权、交付物或证据;如果只是多一层汇报,就合并。

AI Agent 的数据治理要加哪一层?

在技术承接层里增加知识与语义治理:统一指标和概念、管理知识版本和来源、控制数据与工具权限、保留调用和回答的审计记录。它属于执行层的新对象,不新增组织层级。

参考资料

  • 华为云 DataArts Studio 数据治理组织职责:https://support.huaweicloud.com/dgm-dataartsstudio/dataartsstudio_09_0009.html
  • Microsoft Learn 数据和 AI 治理原则:https://learn.microsoft.com/zh-cn/azure/databricks/lakehouse-architecture/data-governance/
  • DAMA-DMBOK Framework:https://www.damadmbok.org/dmbok-framework
  • 国家标准 GB/T 36073-2025《数据管理能力成熟度评估模型》:https://openstd.samr.gov.cn/bzgk/std/newGbInfo?hcno=22559F9C7BF9EAC6A3927223FE33CE20
  • 阿里云 DataWorks 数仓分层:https://help.aliyun.com/zh/dataworks/user-guide/data-warehouse-layering

推荐文章

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