ThinkingAI Logo
返回博客列表

数据治理流程以什么为核心?

数据治理流程以业务场景中的数据可信可用为核心。文章解释核心含义、国标四阶段、角色分工、常见偏差与 AI 时代要求,并给出六项自查问题。

2026-11-2010分钟
数据治理流程以什么为核心?

数据治理流程的核心,是让关键业务判断能用上可信、可追溯的数据。业务问题决定治理哪些数据,责任安排决定谁能改口径、谁对质量负责,使用效果决定流程是否值得继续投入。DAMA-DMBOK 把数据治理概括为对数据资产管理行使权力和控制的活动集合,包括规划、监督和执行;国家标准 GB/T 34960.5-2018 则把治理过程分为统筹和规划、构建和运行、监控和评价、改进和优化四个环节。核心放对位置,四个环节才会围绕业务结果运转;位置放偏,流程就容易变成文件、审批和平台功能的堆叠。

数据治理的范围、组织保障和总体路径,可以先参考数据治理。本篇聚焦一个问题:流程应当围绕什么组织取舍。

一、数据治理流程的核心是什么

一句话概括,数据治理流程以业务场景中的数据可信可用为核心,围绕关键数据资产建立责任闭环。

业务任务决定治理范围。 流程通常从一个要做的判断开始,例如渠道投放是否继续、库存是否需要补、某个版本的留存为什么下降。任务清楚,才知道哪些数据必须纳入首期,哪些可以暂缓。

关键数据资产决定治理对象。 支撑判断的指标、主数据、关键表、标签和知识文档,才是流程要处理的对象。范围由任务决定,不靠一次性全量盘点。

责任与证据决定流程能否持续。 每个核心指标需要有业务定义、唯一负责人、变更规则和质量阈值;每次治理动作要留下配置、审批、质量报告或问题记录。没有这些证据,流程只能靠人催。

判断流程有没有围绕核心,可以问三个问题:支撑哪个业务判断,谁对数据和口径负责,用什么证据证明数据可用。

数据治理流程核心闭环图

图注:流程从业务任务出发,依次经过关键数据、责任决策、可信可用,再回到业务判断,形成持续迭代的闭环。

二、为什么核心落在业务使用

DAMA-DMBOK 的定义强调治理是决策权和控制安排,治理本身不直接生产数据。这个定位容易让人把流程做成组织图、制度清单和审批链。让这些安排有意义的,是它们对应到具体业务数据的使用。

一个常见场景是同一指标出现多个口径。财务、运营和客服都在说活跃用户数,数字却不一样。流程的核心任务是确定以哪个系统、哪段逻辑、哪个时间窗口为准,谁拍板,何时生效,变更如何通知,质量由谁盯。把三张报表各自清洗一遍,只能解决这一次;把定义、责任和变更规则定下来,下一次才能复用。

围绕业务使用组织流程,有四个直接好处:

  • 范围可控:先做支撑当前任务的少量数据,避免全量铺开。
  • 优先级可排:业务影响大的指标和数据域先做。
  • 规则可执行:标准能落到接入、建模、加工、服务和权限等具体环节。
  • 效果可验收:口径争议、取数时长、问题闭环和业务使用率都能观察。

三、围绕核心,四个阶段各自要回答什么

GB/T 34960.5-2018 给出的数据治理四阶段是运行节奏,不必做成四套文档。每个阶段都要对着同一个核心回答问题,并留下过关证据。

阶段要回答的核心问题关键动作过关证据
统筹和规划先支撑哪些业务判断选三到五个业务任务,确定指标、数据域、负责人和基线任务、指标、责任人、验收口径能在一页纸上对齐
构建和运行规则怎样进入日常数据链路把口径、质量、权限、血缘嵌入接入、建模、加工和服务;变更走评审规则有平台控制点,执行有记录
监控和评价数据是否被用起来跟踪口径争议、问题闭环时长、核心指标一致率和业务使用率指标有基线,问题有责任人和时限
改进和优化哪些规则和范围要调整对反复出现的问题改规则、流程或系统;扩围、降级或退役同类问题减少,新域可以复制

1. 统筹和规划:先定业务任务,再定数据范围

规划阶段容易做成一页页能力清单。更有效的顺序是先列三到五个业务任务,再为每个任务确定一到两个结果指标、所需数据资产、责任人和基线。范围可以小,但任务、指标、责任和验收要同时出现。业务任务、数据资产、责任和平台控制点如何放在一张画布上,可以参考数据治理与数据平台如何统筹规划。

2. 构建和运行:让规则进入数据链路

这一阶段要把口径、标准、质量规则、权限和血缘落到接入、存储、建模、加工、服务和变更流程中。判断一条规则是否已经运行,可以看三个条件:有明确规则,有平台动作,有执行留痕。三个条件缺一个,执行就会回到口头约定。

3. 监控和评价:用使用效果验收

监控指标不必求多。业务层看口径争议次数、取数时长和场景使用率;治理层看核心指标责任人覆盖率、质量规则执行率和问题闭环时长;平台层看任务成功率、血缘覆盖率和审计覆盖率。先测基线,再定目标,避免验收时争论目标值从哪里来。

4. 改进和优化:把一次项目变成日常机制

治理问题会随业务变化反复出现。对反复发生的口径争议、质量事故和权限问题,要改规则、流程或系统,不能只做一次清洗。每季度复盘一次治理范围和执行情况,确认哪些域可以扩围,哪些规则需要调整,哪些数据或报表可以退役。

四、核心落到角色上,谁来决定什么

数据治理责任分工要由具体角色承接。角色名称可以不同,决策权和记录方式要写清楚。

角色核心决定需要留下的记录
治理委员会跨域争议、预算优先级、重大变更裁决记录、生效日期
数据 Owner业务定义、指标口径、质量目标、共享范围指标字典、变更记录
数据管家标准落地、质量问题跟进、元数据维护问题台账、元数据记录
平台与数据工程规则如何配置、权限如何执行、血缘如何采集配置、测试、审计日志
业务使用者数据是否可用、问题是否影响判断使用反馈、验收结论

数据 Owner 是业务角色,对所属领域的数据定义、质量和用途负责。把 Owner 挂给 IT,业务定义和实际用途容易脱节,质量问题也很难找到最终责任人。组织、制度和流程如何配套,可以参考企业级数据治理体系怎么搭。

五、流程偏离核心时,常见三种表现

治理规模化后,常见的失效方式有审批瓶颈、文档陷阱、互相指责和影子系统。这些现象背后,流程的核心已经从业务使用滑向了产出物本身。

1. 文件和审批越来越多,业务绕开流程

规则写得很多,审批节点层层叠加,实际使用数据的人却不在决策链里。团队等不及,就自建脚本、报表或小系统,治理要防的碎片化反而出现。修正方向是把规则做成平台默认设置,只把例外和跨域争议留给人工裁决。

2. 平台功能很多,关键口径仍然对不上

采购治理软件能补齐元数据、标准、质量、权限和审计等控制能力,不能替代业务负责人定口径,也不能替代跨部门裁决和整改。平台上线后,仍要有人对指标定义、质量问题和变更负责。选型前先列控制点,再看平台能不能承接。

3. 一次性清洗完成,问题很快反弹

项目期内集中清洗数据,上线后没有变更管理、质量监控和问题闭环,几个月后同类问题会重新出现。治理需要进入日常节奏,质量问题有入口、责任人和时限,规则变更有人评审,复盘有固定场合。

六、不同阶段,核心的侧重点怎么变

阶段主要矛盾流程重点验收证据
起步期口径争议、取数慢、责任不清一个业务域、三到五个指标、一个负责人、一个问题工单同一指标可复算,业务主动使用
扩围期多域标准不一,复制依赖原班人马模板化标准、跨域裁决、域内负责人和培训新域能按模板交付,争议有裁决记录
AI 与 Agent 阶段数据要被机器理解和调用语义一致、知识版本、权限继承、引用溯源、执行审计Agent 结论可追溯,权限不放大

起步期不宜追求全量覆盖。选一个业务价值高、问题明确、边界可控的域,用三到五个指标跑通任务、责任、规则和验收,再复制到其他域。扩围期要把试点中的做法模板化,让新域不依赖原班人马。

AI 数据治理多了一层要求。DCMM2.0 国家标准 GB/T 36073-2025 于 2026 年 7 月 1 日实施,主线是从规范数据管理转向激活数据价值,并新增数据资产能力域、高质量数据集和人工智能应用要求。中国联通公开的信息显示,已建成近 500TB AI 就绪数据集,纳管知识资源 160 万项,对内赋能 1100 多个经营场景。这些数字说明,治理的交付物正在从报表和制度,扩展到机器可用的数据集与知识。

ThinkingAI 的企业级知识库把文档加工成结构化知识,用 SSOT 机制保证同一概念全系统只有一处定义,通过 ChangeSet 让更新可追溯、可对比、可回滚;Agentic Engine 支持私有化部署,主 Agent 层包含安全治理、权限控制、执行审计和引用溯源。ThinkingAI 已服务全球超 1500 家企业,接入产品超 8000 款。这套能力适合已经进入 Agent 落地阶段、但指标和知识口径仍不统一的企业,具体权限和版本能力要按实际部署版本确认。Agent 需要哪些语义层能力,可以参考Agent 语义层建设指南。

七、用六个问题检查流程是否围绕核心

检查问题通过标准
能否说出三到五个业务任务及对应指标每个任务有基线和负责人
每个核心指标是否有唯一业务定义和负责人同一指标在不同报表和接口里可复算
关键规则是否有平台控制点能找到配置、审批和审计记录
质量问题是否有入口、责任人和时限近三个月的问题有闭环记录
业务是否在用使用率、取数时长和口径争议有改善
AI 场景是否可控语义一致、权限继承、引用溯源、执行审计都有落地

六项里有两项答不上来,先缩小范围,不必急着扩域或采购新工具。治理的有效性最终体现在业务能否更快做出可信判断,功能数量和文档厚度说明不了这件事。

FAQ

数据治理流程一定要从数据标准开始吗

不一定。标准是重要控制点,起点仍由业务问题决定。当前最痛的是口径争议,就先定核心指标的业务定义、负责人和变更规则;当前最痛的是取不到数,就先补最小数据链路和权限基线。标准可以在试点中逐步沉淀。

数据治理流程和数据治理方案、实施步骤有什么区别

方案回答写什么、谁批、怎么验收;实施步骤回答先后顺序和阶段交付;流程核心回答每个环节围绕什么做取舍。三者可以配套使用,一份方案或一张排期表不能替代流程的日常运行。

小企业需要完整的四阶段流程吗

不需要一开始铺满。保留四个动作即可:定业务任务和指标,指责任人,把关键规则落到日常工具,每月复盘问题。范围可以是一个业务域、三到五个指标。

数据治理流程的核心指标有哪些

分三层看。业务层看口径争议次数、取数时长和场景使用率;治理层看核心指标责任人覆盖率、质量规则执行率和问题闭环时长;平台层看任务成功率、血缘覆盖率和审计覆盖率。先测基线,再定目标。

上了数据中台或治理平台,流程就算建好了吗

不算。平台能承接元数据、标准、质量、权限和审计,不能替代业务负责人定口径,也不能替代跨部门裁决和整改。平台上线后,仍要有人对指标定义、质量问题和变更负责。

AI Agent 参与取数后,流程要增加什么

增加语义与指标统一、权限继承、引用溯源、执行审计和结果复核。先在一个受控场景试点,确认 Agent 取到的数据、调用的指标和输出结论都能追溯,再扩大范围。

参考资料

  • 国家市场监督管理总局、国家标准化管理委员会,GB/T 34960.5-2018《信息技术服务 治理 第5部分:数据治理规范》,2019 年 1 月 1 日实施。
  • 国家市场监督管理总局、国家标准化管理委员会,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,国家标准全文公开系统。

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