ThinkingAI Logo
返回博客列表

数据治理模型有哪些?常见框架与适用范围

数据治理模型没有统一数量。本文按治理组织、参考框架、成熟度评估和数据建模四类,说明集中式、联邦式、DAMA-DMBOK、DGI、DCAM、DCMM 2.0 的对象与适用条件,并给出组合选型顺序和 AI Agent 治理补充。

2026-11-1717分钟
数据治理模型有哪些?常见框架与适用范围

数据治理模型没有统一数量。企业搜索这个问题,常会看到几种互不等同的答案:按组织决策权分,是集中式、联邦式和混合式;按参考框架分,是 DAMA-DMBOK、DGI、DCAM;按成熟度评估分,是 DCMM,DCAM 也常用于能力评估;再加上范式建模、维度建模和 Data Vault。名称都带“模型”,对象却不同。

更实用的分法是按用途归为四类。 它们分别回答谁决策、按什么范围做、做到什么程度、数据怎么组织。企业落地时通常选一个组织模型,配一个参考框架,用成熟度模型做基线,再用数据建模方法落数据结构。如果还在梳理治理目标、范围和职责,可以先读什么是数据治理,把整体框架放回业务上下文。

一、数据治理模型分几类?先看它回答什么问题

数据治理领域主要有什么模型,取决于按什么维度分类。把名称放在一边,先看每一类模型解决什么问题,选择会清楚很多。

类别回答的问题常见代表主要产出
治理组织模型谁拍板、谁负责、跨部门怎么协作集中式、联邦式、混合式决策权、责任矩阵、议事与升级机制
治理参考框架治理覆盖哪些领域、按什么流程做DAMA-DMBOK、DGI、DCAM能力地图、治理组件、评估维度
成熟度评估模型当前做到什么程度、下一步补什么DCMM 2.0、DCAM能力基线、差距清单、改进路线
数据建模方法数据如何组织、如何支持分析和集成范式建模、维度建模、Data Vault概念模型、逻辑模型、物理模型

先确定模型要回答的问题,再比较名称。 同一家企业可能同时需要组织模型、参考框架和评估模型,它们处在不同层次。数据治理组织模型决定决策权,参考框架决定治理范围,成熟度模型决定评估标尺,数据建模方法决定数据结构。

数据治理模型有几种?这个问题没有统一答案,原因有三个。

  • 统计口径不同。 2020 年发表于《文献与数据学报》的一项研究比较了 8 种数据治理模型,这只说明该研究的纳入范围,不代表行业只有 8 种。不同论文的对象和比较维度并不一致。
  • 名称经常混用。 模型、框架、方法论、成熟度模型在厂商资料和项目文档里常被交替使用。
  • 商业语境不同。 咨询公司、标准组织、软件厂商和学术研究关注的治理对象不同,给出的清单自然不同。

数据治理是什么模型,答案要分两层看。治理机制层面,它是一套对数据资产行使决策权和控制权的制度安排;落地层面,才借助组织模型、参考框架、评估模型和数据建模方法。问有几种,不如问要解决哪一类问题。下面的分类覆盖企业最常用的选项,不追求穷举。

二、治理组织模型:集中式、联邦式和混合式怎么选

组织模型决定数据相关决策放在哪里。Journal of Accountancy 2026 年 8 月刊的一篇文章把常见做法归纳为三类,并指出选择取决于组织规模、系统复杂度、监管暴露和报表义务。

1. 三种模型的决策权怎么分

集中式由专门的数据办公室或高管数据职能集中掌握治理权,统一制定并执行标准、政策和数据管家要求。它的优势是口径统一、监督清晰,适合系统和报表要求相对标准化的组织。代价是中央团队容易成为瓶颈,业务域对数据的归属感较弱。

联邦式数据治理把责任分散到业务域。各业务域保留数据所有权,在共享的企业标准、政策和监督机制下运作。这种安排贴近数据在业务中产生、管理和理解的实际情况,适合多业务域、数据分散在各部门的企业。风险在于标准可能停在纸面,域内没有稳定的数据管家投入,协调成本也会上升。

混合式把企业级政策和标准留在中央,把执行、数据管家机制和运营责任放回业务单元。强监管数据可以集中控制,其他数据由业务域按统一规则自治。它适合多系统、强监管、集团与业务单元并存的组织,难点是中央与业务域的职责边界容易模糊。

2. 适用条件对比

模型决策权主要优势主要风险更适合
集中式中央数据办公室或高管数据职能口径统一、监督清晰、推进快中央成为瓶颈,业务归属感弱系统与报表相对标准、治理刚起步、需要全公司统一
联邦式业务域,在共享标准下执行贴近业务、域内响应快标准停在纸面,协调成本高多业务域、数据在域内产生、需要共享口径
混合式中央与业务域共担监管数据集中,其他域自治职责边界容易模糊多系统、强监管、集团与业务单元并存

3. 选组织模型时看四个变量

  • 组织规模。 小组织用集中式更省协调成本;大集团业务域多,联邦式或混合式更贴近实际。
  • 系统复杂度。 系统多、数据源多、跨域流转多,中央很难包办所有决策,联邦式或混合式更合适。
  • 监管暴露。 监管报送、审计和跨境合规要求高的数据,需要更集中的控制;其他数据可以交给业务域。
  • 报表义务。 对外报表和审计责任越重,越需要明确数据负责人、定义审批和升级路径。

华为云在数据治理组织说明中采用集中化全时投入与虚拟化部分投入混合的模式,把专职治理人员与熟悉业务、IT 系统的现有人员组合起来。这类做法说明组织模型可以混合,不必在集中和分散之间二选一。

组织模型的选择,先看决策权放在哪里。 如果关键口径必须全公司统一、业务单元能力较弱,集中式更稳;如果数据在域内产生、域团队有能力承担责任,联邦式更贴近实际;如果监管数据和业务数据的要求明显不同,混合式更容易兼顾。

如果要把组织、制度和执行流程放在一张图里设计,可以参考企业级数据治理体系怎么搭。

三、治理参考框架:DAMA-DMBOK、DGI 和 DCAM

数据治理框架提供治理的范围、组件和方法。它们不替你决定组织架构,也不保证某种实施效果。选框架时,先看它的对象和你的问题是否对得上。

1. DAMA-DMBOK:用 11 个知识领域建立共同语言

DAMA 国际的 DMBOK 把数据管理划分为 11 个知识领域,包括数据治理、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。数据治理位于中心,连接其他领域。

DMBOK 的定位是参考框架,说明需要关注什么,不规定每家企业具体怎么做。它适合用来统一术语、梳理治理范围、制定能力建设路线,也常作为数据管理培训和认证的参考。DAMA 正在推进 DMBOK 3.0,当前公开版本仍以 2.0 为主。

使用 DMBOK 时容易犯一个错误:把 11 个领域当成 11 个同时开工的项目。更现实的做法是先选与当前问题最相关的两三个领域,例如数据治理、数据标准、数据质量,做出结果后再扩展。

2. DGI:把决策权、责任和规则说清楚

DGI 的数据治理框架把治理活动组织成 10 个通用组件,按为什么做、做什么、谁参与、怎么做四个问题展开。组件包括使命与价值、受益者、数据产品、控制、责任、决策权、政策与规则、流程工具与沟通、治理工作项目、参与角色。数据治理办公室负责推动工作项目,决策委员会、数据管家和业务受益者共同参与。

DGI 的强项在治理机制。它适合决策权不清、跨部门冲突多、规则制定了却执行不下去的组织。框架会追问谁有权做哪类决定、谁对结果负责、例外如何升级。小组织可以简化组件,但决策权、责任和升级路径这三件事不能省。

3. DCAM:用能力评估找差距和对标

DCAM 是 EDM Council 维护的数据管理能力评估模型。DCAM v3 包含 8 个组成部分、34 项能力和 101 项子能力,用评分矩阵结合可审计证据评估数据管理能力。企业可以自评,也可以与授权伙伴合作评估,框架本身只对 EDM Council 会员开放。

DCAM 覆盖数据管理项目、政策标准、架构、业务数据知识、治理、质量、控制环境和运营等范围,也关注云原生架构、AI 与机器学习、隐私保护以及 BCBS 239、GDPR 等监管要求。它适合已经启动数据管理项目、需要外部对标和差距分析的企业,在金融和强监管行业使用较多。刚起步、预算有限的团队直接上 DCAM,成本和准备度都可能不够。

4. 三个框架怎么分工

框架主要对象适合解决的问题使用边界
DAMA-DMBOK数据管理知识范围与共同语言统一术语、梳理治理范围、制定路线不直接提供实施步骤
DGI决策权、责任、规则、控制跨部门决策、责任不清、规则难执行不替代数据架构和数据建模
DCAM数据管理能力与成熟度评估现状、对标、找差距会员制,起步阶段成本较高

三个框架的对象不同,可以组合,不必只选一个。 常见做法是用 DAMA-DMBOK 画治理范围,用 DGI 定决策权和责任,用 DCAM 做能力评估。框架之间会有重叠,选一个主框架,其他按需借用,比同时铺开三套更容易落地。

四、成熟度模型:DCMM 2.0 和 DCAM 怎么用

成熟度模型把能力分成等级,用来做基线、比较和改进。它回答现在在哪,不回答具体怎么建。

1. DCMM 2.0:国标评估,适合做基线和贯标

DCMM 的全称是数据管理能力成熟度评估模型,现行国家标准为 GB/T 36073-2025,2025 年 12 月 31 日发布,2026 年 7 月 1 日实施,代替 GB/T 36073-2018。新版常被称为 DCMM 2.0。

与 2018 版相比,DCMM 2.0 的一级能力域由 8 个增加到 9 个,二级能力项由 28 个增加到 33 个,新增数据资产管理域。标准还强化了多模态数据治理和人工智能训练数据质量的要求,并把隐私计算、区块链等可信技术纳入数据流通框架。五个成熟度等级的结构保留。

DCMM 2.0 适合国内企业做贯标、政策申报、集团统一评估和能力基线。它的价值在于用统一标尺把数据战略、治理、架构、应用、安全、质量、标准、生存周期和数据资产等能力放在一起看,找出短板。评估本身不等于建设,拿到等级也不等于数据已经可用。评估范围、证据口径和评估机构的能力都会影响结果,跨集团和单法人比较时尤其要谨慎。

2. DCAM:国际对标,适合已经启动的项目

DCAM 既能当能力清单,也能当评估工具。它更适合已经有一定数据管理基础、希望与同行对标或接受外部评估的企业。自评可以做初筛,正式评估通常需要授权伙伴和更完整的证据。

DCAM 和 DCMM 都能给出成熟度判断,区别在语境。DCMM 2.0 是国内国家标准,适合贯标和国内政策环境;DCAM 是 EDM Council 的框架,在国际对标、金融监管和跨境业务场景中常被提及。两者不必二选一,集团可以用 DCMM 做统一基线,用 DCAM 做重点领域的外部对标。

3. 成熟度评估的三个边界

  • 评级是起点。 评估后要落到负责人、预算、时间表和改进项目,否则容易变成一次性报告。
  • 范围要一致。 集团整体、单法人、重点数据域的评估结果不能直接比较。
  • 问卷不能代替证据。 制度文件、流程记录、系统截图和数据质量结果,比自评分数更能说明能力。

五、数据建模方法:范式建模、维度建模和 Data Vault

搜索数据治理都有哪些数据模型时,很多结果给的是数据建模方法。它们很重要,但对象是数据结构,不是治理决策。

1. 三种常见方法各自解决什么

方法核心思路更适合需要配合
范式建模按规范化原则组织实体与关系,减少冗余,强调一致性与集成企业级数据仓库、核心业务数据整合、需要长期稳定结构分析层和维度建模
维度建模用事实表和维度表组织分析主题,常见星型或雪花结构,贴近业务提问分析型数据集市、BI、指标与报表多源集成与历史追踪
Data Vault用中心表、链接表、卫星表分离业务键、关系与描述属性,强调可扩展、可审计、增量集成多源异构、频繁变化、需要历史追踪的企业数据仓库业务语义层和维度建模

2. 为什么容易把数据建模当成治理模型

数据建模和治理都涉及模型、标准、架构这些词,项目里又常由同一批人负责,边界容易混。区分方法很简单:数据治理模型管规则和决策,数据模型管结构和关系。

同一个指标在两个部门算法不同,换一种建模方法不一定能解决。需要先明确指标负责人、统一业务定义、规定变更流程,再让数据模型和报表按同一口径实现。治理负责谁来定、怎么改、谁监督,建模负责表怎么建、关系怎么连、历史怎么留。两者都需要,但不能互相替代。

六、企业怎么选:组合顺序与场景示例

选型顺序从治理问题倒推,不从框架名称开始。 下面五步可以作为项目启动时的讨论框架。

1. 明确要解决的治理问题

先写下当前最痛的两三个问题,例如同一指标多个口径、监管报送反复对账、跨部门取数依赖少数分析师、Agent 输出无法追溯。问题不同,模型组合不同。把建设数据治理体系当成目标,范围容易失控。

2. 定组织模型

关键口径需要全公司统一、业务单元能力较弱,优先考虑集中式。数据在业务域产生、域团队有能力承担责任,优先考虑联邦式。监管数据和业务数据要求差异大,优先考虑混合式。组织模型定不下来,后面的框架和工具很难落地。

3. 选参考框架定范围

需要一张完整的治理地图,用 DAMA-DMBOK。需要把决策权、责任和规则说清楚,用 DGI。需要评估现有数据管理能力、做外部对标,用 DCAM。选一个主框架,其他按需借用,避免同时铺开多套方法。

4. 用成熟度模型做基线

国内企业可以先做 DCMM 2.0 自评,再决定是否申请正式评估。有国际对标需求的企业可以了解 DCAM。评估前把范围、证据和参与角色定清楚,评估结果才有比较价值。

5. 用数据建模方法落数据结构

分析型场景优先考虑维度建模,企业级整合和核心业务数据优先考虑范式建模,多源异构、频繁变化、需要历史追踪的场景可以考虑 Data Vault。建模方法服务分析和集成目标,治理模型负责定义、审批、变更和监督。

6. 常见场景的组合示例

场景组织模型参考框架成熟度评估数据建模说明
集团多业务、数据分散联邦式或混合式DAMA-DMBOK 为主,DGI 补决策权DCMM 2.0 自评或正式评估维度建模加 Data Vault先统一关键指标和主数据,再扩域
强监管金融混合式DCAM 加 DGIDCAM 评估或 DCMM 2.0范式建模加 Data Vault监管数据集中,业务域保留执行责任
单一大中台、分析驱动集中式DAMA-DMBOKDCMM 2.0 自评维度建模先把指标、维度、事实表统一
中小企业刚起步集中式或轻量混合DGI 的决策权与责任思路DCMM 2.0 自评可选维度建模先定负责人、关键指标、少量标准
并购或多源异构联邦式或混合式DAMA-DMBOKDCAM 或 DCMM 2.0Data Vault 加维度建模先做集成与历史追踪,再做分析层

这些组合是起点。实际选择还要看数据规模、监管要求、组织能力、预算和现有系统。小步验证比一次性全覆盖更容易持续。

七、AI Agent 进入后,治理模型要多回答三个问题

当分析 Agent 直接取数、生成 SQL、写报告,治理对象会从表和数据标准扩展到指标定义、业务语义、知识库和 Agent 权限。Agent 让指标定义、业务知识和权限成为新的治理对象。

企业需要多回答三个问题:

  • 同一指标是否只有一处定义?
  • 定义和知识变更是否可追溯、可回滚?
  • Agent 回答时引用的是哪一版定义?

这三个问题没有答案,Agent 的输出越流畅,业务越难信任。治理模型中的决策权、责任和标准仍然有效,只是执行方式要从文档和会议延伸到系统、接口和 Agent 运行时。

ThinkingAI 的企业级知识库是 Agentic Engine 的基础设施层,把企业文档、报表等知识源加工成结构化、关联化、版本化的知识,通过统一接口提供给不同 Agent。它用单一事实来源原则保证同一概念在全系统只有一处定义,通过 ChangeSet 变更集机制让每次更新可追溯、可对比、可回滚。ThinkingAI 已服务全球超 1500 家企业,接入产品超 8000 款。这类能力把治理制度和标准变成 Agent 可调用、可追溯的知识,组织模型和治理制度仍然是前提。

如果企业正在建设 Agent 语义层,可以先从Agent 语义层建设指南梳理指标和业务知识的统一表达。

Agent 的权限、审计和运行监控则需要另一套机制,企业级 AI Agent 安全与治理给出了更完整的检查范围。

常见问题

数据治理模型有几种?

没有统一数字。按用途通常分为四类:治理组织模型、治理参考框架、成熟度评估模型、数据建模方法。每类下面有不同的代表,企业按问题组合使用。

数据治理模型和数据治理框架有什么区别?

模型强调要素、关系和决策机制,框架强调结构化的能力范围、组件和方法。实际使用中两个词经常混用。选型时看它能不能回答你要解决的问题,名称不必纠结。

中小企业适合哪种数据治理模型?

轻量集中式或混合式更容易起步。先指定数据负责人,统一关键指标和少数核心标准,再考虑 DCMM 2.0 自评或 DGI 的决策权设计。没有必要一开始就上全套 DAMA-DMBOK 或 DCAM。

DCMM 和 DAMA-DMBOK 哪个更适合中国企业?

两者用途不同。DCMM 2.0 是国家标准,适合做能力基线、贯标和评估;DAMA-DMBOK 是知识框架,适合统一语言、梳理范围和制定路线。常见做法是用 DAMA 做规划,用 DCMM 做评估。

数据治理模型和数据模型是一回事吗?

两者对象不同。数据治理模型管决策权、责任、规则和监督,数据模型管数据结构、关系和存储方式。数据模型是治理对象之一,治理模型不能替代数据建模。

数据治理一定要成立独立的数据治理部门吗?

不一定。可以设专职数据治理办公室,也可以由现有角色兼任,通过委员会、数据负责人和数据管家形成虚拟组织。关键是决策权、责任和升级路径清楚,组织形式可以随规模调整。

参考资料

  • DAMA International 的 DAMA-DMBOK 框架页,https://www.damadmbok.org/dmbok-framework。
  • 数据治理研究所 DGI 的治理框架页,https://datagovernance.com/the-dgi-data-governance-framework/。
  • EDM Council 的 DCAM 页面,https://edmcouncil.org/page/DCAM。
  • 国家标准全文公开系统的 GB/T 36073-2025 页面,https://openstd.samr.gov.cn/bzgk/std/newGbInfo?hcno=22559F9C7BF9EAC6A3927223FE33CE20,2025 年 12 月 31 日发布,2026 年 7 月 1 日实施。
  • 中国日报网 2026 年 1 月 15 日报道《标准发布,新版DCMM国标7月1日实施!》,https://tech.chinadaily.com.cn/a/202601/15/WS69685b52a310942cc499b55f.html。
  • Journal of Accountancy 2026 年 8 月刊数据治理文章,https://www.journalofaccountancy.com/issues/2026/aug/data-governance-how-finance-builds-trust-in-the-numbers/。
  • 《文献与数据学报》2020 年第 2 期肖洁琼、奉国和论文《国内外数据治理模型对比分析》,https://wxysjxb.ajcass.com/Magazine/Show?id=75602。
  • IEEE Xplore 2016 年数据仓库建模方法比较论文,https://ieeexplore.ieee.org/document/7815845。
  • 华为云数据治理组织架构框架页面,https://support.huaweicloud.com/dgm-dataartsstudio/dataartsstudio_09_0008.html。

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