数据治理的对象,可以先分成三层来看:被治理的数据对象,承载数据流转的过程对象,以及负责决策和执行的组织制度对象。从表和字段入手是常见的起点,做到后面往往会遇到指标口径、业务术语、责任人和审批流程的问题。
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》把数据治理域分为数据管理体系和数据价值体系。前者关注标准、质量、安全等基础管控,后者关注共享、服务、洞察等价值转化。这个划分说明,治理对象既包括数据本身,也包括让数据可管、可用、可追责的机制。数据治理的整体框架和推进路径,已在什么是数据治理中展开。
下面按三层展开,再说明相近概念的区别,以及不同阶段先治理哪些对象。
一、数据治理的对象分三层
| 层级 | 治理对象 | 回答的问题 |
|---|---|---|
| 数据对象层 | 主数据、参考数据、元数据、数据标准、业务术语、指标、数据模型、质量规则、敏感数据、数据资产、非结构化内容 | 治理哪些数据 |
| 过程对象层 | 采集、接入、清洗、转换、存储、加工、共享、服务、使用、归档、销毁 | 在哪些环节治理 |
| 组织制度层 | 治理组织、角色职责、制度流程、考核机制 | 谁来治理,按什么规则治理 |
三层的关系可以这样理解:数据对象是核心,过程对象决定治理在哪里发生,组织制度决定治理能否持续。 只列数据对象,容易做成一份资产清单;只改流程,不落到具体对象,又会变成空转。

图:数据治理对象的三层结构。
DAMA-DMBOK 的 11 个知识领域里,元数据管理、参考数据与主数据管理、数据质量、文档与内容管理都对应具体的治理对象。2026 年 7 月实施的 GB/T 36073-2025 把数据资产纳入能力域,治理对象也从数据管理延伸到资产运营。
二、数据对象层包括哪些数据
以下是企业常见的治理对象,不必一次全部铺开。每一类都可以独立设治理范围,也可以按业务主题组合。
1. 主数据与参考数据
主数据是描述核心业务实体的数据,例如客户、产品、员工、供应商、门店、账户。它在多个系统里被重复使用,需要唯一标识和统一视图。主数据治理的目标,是让不同系统对同一个客户、同一个产品说同一件事。
参考数据是用于分类和取值的码表,例如地区、行业、币种、订单状态、渠道类型。它决定字段可以取哪些值,以及这些值代表什么。主数据和参考数据经常一起治理,区别在于前者管实体,后者管取值范围。
2. 元数据
元数据是描述数据的数据,常见内容包括表名、字段、数据类型、业务含义、来源系统、加工逻辑、更新频率、血缘关系和责任人。技术元数据描述存储和加工,业务元数据描述含义和用途,管理元数据记录权限、质量和使用情况。
元数据治理的价值在于可追溯。数据出错时能找到上游,改口径时能评估影响范围,交接时不用靠人解释。
3. 数据标准与业务术语
数据标准规定字段应该怎么表达,包括命名、类型、长度、业务含义、计算口径、取值范围和归属部门。它回答的是应该长什么样。
业务术语规定业务概念叫什么、指什么,例如活跃用户、有效订单、新增客户。它回答的是说的是不是同一件事。术语先统一,标准才有稳定的对象;标准落地后,术语才不会停留在文档里。
4. 指标与数据模型
指标是治理对象里最容易被低估的一类。一个指标至少要有名称、定义、统计口径、计算逻辑、统计周期、适用维度、数据来源和负责人;比率类指标还要明确分子、分母及其范围,金额或计数类指标则需明确汇总、去重等适用规则。缺少相应定义,跨部门对数时就容易各说各话。
数据模型包括概念模型、逻辑模型和物理模型,以及数仓分层、主题域划分和表之间的关联。模型治理关注结构是否稳定、命名是否一致、变更是否可控。
指标口径统一之后,Agent 语义层才有稳定的输入。 企业可以把指标定义、维度、计算逻辑和负责人放进同一套语义层,供报表、分析和 Agent 共同使用。
5. 数据质量规则
质量治理的对象包括规则、检核结果、问题记录和整改过程。常见维度有完整性、准确性、一致性、及时性、唯一性和有效性。规则要写清楚检核对象、判断条件、执行频率、责任人和异常处理方式。
只建规则不做闭环,质量报告会越积越多,问题却没有人处理。把问题单、整改记录和复盘纳入治理对象,质量治理才有结果。
6. 数据安全与敏感数据
安全治理的对象包括数据分类分级、敏感字段、访问权限、脱敏规则、共享审批、操作审计和脱敏后的使用记录。安全既是独立对象,也贯穿主数据、指标、元数据和数据服务。
涉及个人信息、重要数据或对外共享时,分类分级和权限边界要先于分析需求确定。否则数据一旦扩散,后续补救成本很高。到了 Agent 阶段,Agent 安全与治理还要覆盖工具调用权限、运行记录和引用溯源。
7. 数据资产与数据服务
本文从治理和运营视角讨论数据资产,即能够被识别、管理、复用并产生价值的数据集合,不等同于已满足财务入表条件。涉及入表时,还需另行核对合法拥有或控制、经济利益及相关会计确认条件,目录化本身不代表已确认为财务资产。治理对象包括资产目录、数据集、报表、标签、接口和指标服务。资产目录要回答三个问题:有什么、在哪里、谁能用。
数据服务把治理后的数据以接口、报表或数据集的形式提供出去。服务治理关注版本、调用权限、服务质量和下线机制。资产目录与服务清单保持一致,读者才不会找到一份已经停用的数据。
8. 非结构化内容与知识
文档、合同、工单、图片、音视频也属于数据治理对象。DAMA-DMBOK 把文档与内容管理列为独立的知识领域,原因是非结构化内容同样需要分类、权限、版本和生命周期管理。
到了 AI 应用阶段,知识条目、业务术语、指标解释、FAQ 和文档切片会成为 Agent 直接使用的对象。它们需要有唯一来源、版本记录和更新责任人,否则模型会把过期内容当成当前事实。
三、过程对象层包括哪些环节
治理不只发生在数据表上,也发生在数据流转的每个环节。把过程列为对象,适合排查问题出在哪一步。
| 环节 | 治理对象 | 常见检查点 |
|---|---|---|
| 采集与接入 | 埋点方案、接口、采集字段、上报规范 | 字段是否齐全、是否重复上报、是否含敏感信息 |
| 清洗与转换 | 清洗规则、映射关系、转换逻辑 | 规则是否可追溯、异常值如何处理 |
| 存储 | 存储分层、保留周期、备份策略 | 热温冷数据是否分开、备份是否可恢复 |
| 加工与建模 | 任务依赖、加工逻辑、模型变更 | 变更是否评审、下游影响是否评估 |
| 共享与服务 | 接口、数据集、报表、权限 | 申请是否有审批、使用是否可审计 |
| 使用 | 分析口径、引用来源、使用记录 | 结论是否标注口径、是否可复算 |
| 归档与销毁 | 归档规则、销毁审批、销毁记录 | 到期数据是否处理、销毁是否留痕 |
采集与接入决定多源数据融合的质量,加工与建模决定口径能否稳定复现,共享与服务决定数据能不能被正确使用。数据对不上时,先定位是采集、转换、加工还是口径问题,比一开始就重做平台更容易收敛。
四、组织与制度层包括哪些对象
数据治理对象如果没有责任人,清单很快会过期。组织层的治理对象包括数据治理委员会、归口管理部门、数据 Owner、数据 Steward、业务接口人和技术执行团队。不同企业的组织名称可以不同,职责要能落到具体角色。
制度层的对象包括数据标准管理办法、指标管理规范、数据质量管理办法、数据安全与共享审批流程、变更管理流程、问题升级机制和考核办法。制度要说明适用范围、审批节点、处理时限和例外情况,否则执行时仍然靠协调。
GB/T 34960.5-2018 把顶层设计、治理环境和治理过程纳入框架。顶层设计中的战略规划、组织构建和架构设计,决定了治理对象能覆盖到哪里;治理环境中的内外部要求和促成因素,决定了治理能推进到什么程度。
考核层可以选少量能反映治理状态的指标,例如核心指标口径一致率、质量问题闭环率、主数据覆盖率、敏感数据授权合规率。指标不在多,关键是能定期取数、能定位责任、能推动改进。对象清单要能落到人、规则和审批,否则只是一份目录。
五、按业务主题域列对象
从抽象分类直接列清单,容易漏项。按业务主题域展开,再补充跨主题的公共对象,通常更接近企业实际。
| 主题域 | 常见治理对象 | 典型问题 |
|---|---|---|
| 客户域 | 客户、会员、用户标签、One ID、联系方式 | 同一用户多账号、重复计数、标签口径不一致 |
| 产品域 | 产品、SKU、道具、版本、类目 | 命名不统一、类目重复、上下架状态不一致 |
| 交易域 | 订单、支付、退款、合同、发票 | 金额口径不一致、状态流转对不上 |
| 营销域 | 渠道、活动、优惠券、归因规则 | 渠道重复计算、活动成本口径不一致 |
| 供应链域 | 供应商、物料、库存、物流 | 物料编码不统一、库存口径不一致 |
| 组织人员域 | 员工、组织、岗位、权限 | 组织调整后权限未同步、历史归属混乱 |
| 财务域 | 科目、成本、收入、预算 | 财务口径与业务口径对不上 |
游戏、内容或电商企业还可以增加对应的主题域,例如游戏里的用户、角色、区服、道具、订单和渠道。主题域怎么划分没有统一答案,关键是覆盖主要业务实体,并让每个对象只有一个权威来源。
六、几个容易混淆的对象怎么区分
| 容易混淆 | 区别 | 判断方法 |
|---|---|---|
| 治理对象与治理任务 | 对象回答治理谁,任务回答做什么 | 对象是名词,任务是动词;主数据是对象,主数据管理是任务 |
| 主数据与参考数据 | 主数据是业务实体,参考数据是分类和取值范围 | 客户、产品是主数据,地区、币种、状态是参考数据 |
| 元数据与数据标准 | 元数据描述现状,数据标准规定应然 | 元数据记录字段现在是什么,标准规定字段应该是什么 |
| 指标与数据标准 | 指标是业务度量口径,标准是字段级规范 | 指标回答业务怎么算,标准回答字段怎么存 |
| 数据资源与数据资产 | 资源强调拥有,治理运营视角的资产强调可识别、可管理、可复用与价值 | 目录化、授权和服务能力是治理检查点,不等于财务入表;入表需另核对合法拥有或控制及会计确认条件 |
| 数据安全与数据治理 | 安全是治理的一个域,同时贯穿其他对象 | 安全管谁能看、怎么用,治理还管标准、质量、主数据和生命周期 |
辨析这些概念的目的,是避免在方案里把不同层级的东西混在一张清单上。对象、任务、组织、制度分开列,责任和交付物才容易对应。
七、不同阶段先治理哪些对象
治理对象可以很多,起步阶段要选影响面大、问题频率高、合规风险高的部分。下面按常见阶段给一个优先级参考。
1. 起步阶段先解决对账和口径
优先治理主数据、核心指标和关键报表质量。客户、产品、组织等主数据不统一,跨系统分析就对不上;核心指标口径不统一,经营会无法形成一致结论。这一阶段不必急着铺全量元数据和数据标准,先把影响决策的对象管住。
2. 系统扩张阶段补标准和血缘
系统增多后,同一字段在不同系统有不同叫法,同一指标有不同算法。此时优先补业务术语、数据标准、元数据血缘和质量规则。标准要能落到开发规范,血缘要能支撑问题定位,质量规则要挂在数据链路里。
3. 强监管与共享阶段补安全和生命周期
涉及个人信息、重要数据、对外共享或跨主体流通时,优先补分类分级、权限审批、脱敏规则、操作审计、归档和销毁。对数据主权要求高的企业,通常会把私有化部署作为前置条件。这个阶段的对象清单要和合规要求逐条对应,不能只停留在制度文件。
4. AI 与 Agent 阶段补知识资产和可追溯
Agent 使用数据时,治理对象会多出一层:业务术语、指标解释、知识条目、文档切片、可调用的数据接口和权限。它们决定 Agent 回答得准不准,也决定答案能不能追溯。
ThinkingAI 的企业级知识库把这层对象作为 Agent 的基础设施来管理。它用 SSOT 保证同一概念在全系统只有一处定义,也就是单一事实来源;用 ChangeSet 记录每次变更,也就是变更集,支持追溯、对比和回滚,再把治理后的知识通过统一接口提供给各类 Agent。对于指标口径经常冲突的企业,这种做法比给每个场景单独建一套知识库更容易维护。
八、怎么列出一份可执行的治理对象清单
- 按主题域列实体和指标。先把客户、产品、订单、渠道、组织等主要对象列出来,再补每类对象下的指标和报表。
- 标出四类高优先对象。跨系统共享的、影响核心报表的、对外报送的、涉及敏感信息的,优先进入清单。
- 给每个对象补四项信息。负责人、权威来源、质量规则、使用权限。缺任何一项,对象都很难真正被治理。
- 排优先级。按影响面、问题频率、合规风险排序,先做能影响经营决策和合规底线的对象。
- 固化到工具和流程。对象清单要能落到元数据目录、指标平台、知识库和审批流程里,并约定复盘周期。
清单不需要一次做全。能持续更新、有人负责、能支撑决策的清单,比一份覆盖所有字段但没人维护的清单更有用。
常见问题
数据治理的对象只是数据吗?
不只。数据对象是核心,过程和组织制度同样是治理对象。只治理数据、不管流程和责任,问题会反复出现;只改流程、不落到具体数据对象,治理又很难验收。GB/T 34960.5-2018 把数据管理体系和数据价值体系都纳入治理域,也说明了这一点。
数据治理对象和数据治理范围有什么区别?
对象回答治理谁,范围回答这次治理覆盖到哪里。对象清单可以是全量的,范围要按阶段选择。例如企业可以把客户、产品、订单都列为治理对象,但第一期只覆盖客户主数据和三个核心指标。
小企业需要治理哪些对象?
先管主数据、核心指标、关键报表质量和访问权限。元数据、数据标准、生命周期管理可以随着系统数量和数据规模逐步补齐。小企业的优势是对象少、决策链短,先把口径和责任定清楚,比照搬大企业全套体系更有效。
数据治理的对象越多越好吗?
对象多不等于治理好。对象越多,责任、规则和维护成本越高。可行的做法是按影响面、问题频率和合规风险排序,先覆盖关键对象,再逐步扩展。清单要能维护,才有治理价值。
数据治理和数据质量管理是什么关系?
数据质量是数据治理的一个域。治理还包括数据标准、元数据、主数据、数据安全、数据生命周期和组织制度。质量治理解决数据能不能用,治理体系解决谁来定规则、谁来负责、出了问题怎么改。
AI Agent 时代多了哪些治理对象?
多的是知识类对象和调用类对象。知识类包括业务术语、指标解释、文档切片、FAQ 和语义标签;调用类包括数据接口、权限、Agent 使用记录和引用来源。它们和传统数据对象一样,需要唯一来源、版本、责任人和审计记录。
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,中国标准在线服务网,https://www.spc.org.cn/online/95de64bf5247e483c3bff7b88e0ae061.html
- 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,https://openstd.samr.gov.cn/bzgk/std/newGbInfo?hcno=22559F9C7BF9EAC6A3927223FE33CE20
- DAMA-DMBOK 核心知识领域,DAMA International,https://www.damadmbok.org/dmbok-framework
- 数据治理的变革与创新,亿信华辰,https://www.esensoft.com/industry-news/data-governance-29517.html
- 医院数据治理的五大重点问题,惠每科技,https://www.huimei.com/news/1629196216667.html






