数据治理流程模型,是一套把治理工作组织成可重复运行的结构。它写清一件事从哪个业务问题发起,经过哪些阶段,谁在什么节点做决定,用什么交付物交接,又用什么指标判断这一轮是否有效。流程图只画出先后顺序,流程模型还要把责任、规则、证据和反馈一起装进去。
如果一个模型只能说明先做什么后做什么,遇到口径冲突仍然靠临时协调,它还没有覆盖流程模型的完整范围。数据治理的整体范围、组织保障和实施路径,可以看数据治理。
一、数据治理流程模型是什么
数据治理流程模型,是一套把治理工作组织成可重复运行的结构,写清触发问题、阶段交付、角色决策、规则标准、度量证据和反馈调整。公开方法论没有给出唯一强制的流程模型。IBM 的数据治理统一流程、华为云的数据治理实施方法、DAMA 的框架,都在回答同一个问题,治理工作如何从问题识别走到结果复核,再回到下一轮目标和规则。步骤数量不同,组织逻辑可以互相参照。不同框架的对象和适用范围差异,可以参考数据治理模型有哪些。
1. 它描述治理工作如何从问题走到关闭
一个能指导日常运行的模型,通常包含六个要素。少一项,流程就可能在某个交接处停住。
| 要素 | 要写清什么 | 缺失后的表现 |
|---|---|---|
| 触发问题 | 哪个业务问题启动这一轮治理,影响哪些使用者和决策 | 目标写成提升数据质量,业务不参与 |
| 阶段与交付物 | 分几个阶段,每个阶段产出什么,由谁验收 | 工作做了很多,无法判断是否完成 |
| 角色与决策权 | 谁提议、谁执行、谁拍板、争议升级到谁 | 委员会只开会,问题无人认领 |
| 规则与标准 | 术语、口径、质量规则、权限要求如何定义和发布 | 同一指标多个算法,跨部门各说各话 |
| 度量与证据 | 用什么指标、什么数据、什么周期判断变化 | 复盘靠印象,结论无法比较 |
| 反馈与调整 | 结果如何回到目标、规则、计划和资源安排 | 循环箭头画了,下一轮照旧 |
这六个要素里,角色与决策权最容易被写漏。很多流程图把数据治理委员会画成一个框,却没有写清它决定什么、多久开一次会、争议升级到谁。流程看起来完整,遇到口径冲突仍然靠临时协调。
这里的业务 Owner 指对数据口径、使用规则和优先级负责的业务负责人;技术管家负责采集、加工、监控和问题修复。两类角色的责任写进流程,交接才有落点。
判断一个模型是否可用,可以看三个问题。一个具体问题能否找到入口;每个阶段是否有明确交付物和验收人;结果能否回到目标、规则或资源安排。三个问题都答得出来,模型才具备运行条件。
2. 流程模型与成熟度模型有什么区别
两者经常被混在一起。流程模型管运行,成熟度模型管测量。
| 维度 | 流程模型 | 成熟度模型 |
|---|---|---|
| 回答的问题 | 工作怎么走、谁决定、如何反馈 | 当前能力处在什么水平、差距在哪 |
| 时间视角 | 持续运行,按周期迭代 | 在某个时间点做评估 |
| 典型输出 | 阶段、责任、交付物、问题单、复盘结论 | 等级、评分、差距清单 |
| 使用方式 | 指导日常协作和资源安排 | 设定目标、比较现状、支持规划 |
| 在治理中的位置 | 运行机制 | 评估工具,可以作为流程中的一个环节 |
我国的数据管理能力成熟度评估模型 DCMM,对应国家标准 GB/T 36073-2025。中国标网的标准信息页显示,这份标准在 2025 年 12 月 31 日发布,2026 年 7 月 1 日实施,模型由能力域、能力项和成熟度等级组成,规定五个等级的能力标准,可用于自评估或第三方评估。它回答能力水平问题,不规定企业每周怎么开例会、问题单怎么流转。
IBM 的数据治理统一流程把成熟度评估放在第 3 步,评估结果要进入路线图,再通过度量结果回到下一轮。成熟度评估是流程中的一个动作,报告出来只完成了一半,后面还要接目标和资源。
二、常见的流程骨架怎么组织
公开方法论的步骤数量不同。据 DAMA 中国 2023 年 7 月转载的 IBM 数据治理统一流程说明,这套流程有 14 个主要步骤,其中 10 个必需步骤、4 个可选专题,最后要定期度量结果并回到高层支持者。
华为云帮助中心的《数据治理实施方法论》把过程概括为成熟度评估,评估现状、确定目标、分析差距,计划制定与执行,持续监测度量演进,并按 PDCA 循环运行,也就是计划、执行、检查、处理四个动作反复迭代。
步骤数量可以不同,阶段之间的输入输出和反馈关系需要完整。下面这套七环节骨架来自对上述方法的整理,可以作为设计企业自己的流程模型时的参照。
1. 从业务问题到下一轮目标
七个环节分别回答不同问题,也各自留下可检查的交付物。
| 环节 | 核心问题 | 主要交付物 | 常见失败 |
|---|---|---|---|
| 1 定义业务问题与范围 | 哪个业务决策受到影响 | 问题说明、范围边界、成功标准 | 目标写成提升数据质量,业务不参与 |
| 2 评估现状与差距 | 现在缺什么 | 现状基线、差距清单、优先级 | 只做问卷,不看数据 |
| 3 定目标与路线图 | 未来一段时间改变什么 | 目标状态、里程碑、资源计划 | 目标过大,没有近期价值 |
| 4 建组织与规则 | 谁决定、谁执行 | 章程、责任矩阵、标准与术语 | 委员会开会,没人负责 |
| 5 执行治理动作 | 这一轮改什么 | 问题单、清洗与改造记录、标准落标记录 | 只买工具,不改流程 |
| 6 度量与复核 | 是否变好 | 指标报表、复盘结论、审计记录 | 指标口径常变 |
| 7 调整并进入下一轮 | 下一轮改什么 | 更新后的目标、规则、计划 | 复盘不改变资源 |
这七个环节不要求严格单向,也不构成行业强制标准。实际治理常常从任一环节进入,发现问题后回到前一个环节修正。关键是每次返工都有记录,知道为什么返工、改了哪条规则。
2. 阶段之间靠什么衔接
流程断掉,常发生在交接处。上一阶段做完,下一阶段不知道拿什么继续,或者问题被留在某个部门。设计衔接时,至少写清四件事。
- 输入输出契约。 每个阶段说明接收什么、产出什么、由谁验收。
- 决策门。 列出必须拍板的事项,例如范围变更、标准发布、高风险问题处置、资源追加。
- 问题单贯穿。 问题从发现到关闭使用同一编号,跨阶段不重新开单。
- 返工路径。 写清结果不达标时回到哪一步,由谁决定返工。
这四件事不需要复杂工具才能开始。一张表、一个共享问题清单、一份会议决定记录,就能把大部分交接说清。
三、闭环为什么经常断
闭环指结果能回到目标和规则,并改变下一轮行动。很多企业画了循环箭头,运行起来仍然断。常见断点有四个。
1. 四个断点与修复动作
| 断点 | 典型信号 | 先修什么 |
|---|---|---|
| 目标断点 | 治理目标与业务决策无关,业务负责人不参加 | 每个治理项目写清影响的业务动作和验收标准 |
| 责任断点 | 有委员会,没有数据 Owner,问题无人认领 | 每个数据域指定业务 Owner 和技术管家,明确升级路径 |
| 证据断点 | 指标靠手工填,口径常变,季度之间不可比 | 指标定义卡、固定分母、自动采集、版本管理 |
| 行动断点 | 复盘只通报,不调整计划和资源 | 每次复盘产出继续、调整、停止、加资源四类决定 |
四个断点里,行动断点最容易被忽略。会议开完,问题清单还在,预算、人员、优先级没有变化,下一轮大概率重复上一轮。判断复盘是否有效,看会后有没有出现具体的计划变更、责任调整或资源追加。
数据治理项目有起点和终点,治理运行没有。项目结束后的责任、标准、质量规则和平台权限如何交接,决定了闭环能不能继续。这部分可以参考数据治理与数据治理项目有什么区别。
四、如何形成持续改进的闭环
闭环靠三件事维持。节奏决定什么时候看,问题单决定看完做什么,指标决定判断是否有变化。
1. 用两级节奏把评估和日常问题连起来
华为云在数据治理实施方法中采用两个时间尺度。企业整体每年做一次成熟度评估,各业务和 IT 部门每季度用评分卡打分。年度评估看能力结构,季度评分卡看执行情况,两者共同推动各部门提升。
在此基础上,企业可以补齐周度监控和月度复盘,让日常问题进入同一个循环。
| 周期 | 主要动作 | 输出 | 主要参与角色 |
|---|---|---|---|
| 周 | 质量监控、异常告警、问题分派 | 新增问题单、临时处置记录 | 技术管家、值班人员 |
| 月 | 问题复盘、根因分析、规则调整 | 根因结论、规则变更、培训事项 | 数据 Owner、业务与技术人员 |
| 季 | 部门评分卡、跨部门治理例会 | 评分、资源与优先级调整 | 治理工作组、部门负责人 |
| 年 | 企业级成熟度评估、目标与路线图更新 | 成熟度报告、下一轮路线图 | 治理委员会、高层支持者 |

图:年度评估、季度评分卡、月度复盘、周度监控构成闭环,复盘结论回到年度目标与季度评分卡。
节奏不是越密越好。问题量大、风险高的数据域可以每周复盘,稳定的域按月看即可。关键是每个周期都有固定输入和明确输出,会议结束能回答下一步谁做什么。
2. 问题闭环要记录到什么程度
问题单是闭环最小的运行单元。字段不完整,复盘就会变成印象讨论。一张可运行的问题单至少记录以下内容。
- 现象与影响,包括受影响的报表、流程或决策
- 发现方式,来自监控、审计、使用方反馈还是专项检查
- 涉及的数据域、系统和责任人
- 根因分类,便于后续统计重复问题
- 修复动作、完成期限和验证方式
- 验证结果,以及使用方是否确认可用
- 相关规则、标准或检查项是否需要回写
- 是否复发,复发时是否升级处理
根因分类建议固定,例如源头录入、业务口径、流程缺失、系统缺陷、权限与安全。固定分类的好处是可以统计哪类问题反复出现,而不是每次重新描述。
关闭条件要写清。常见的最低要求是数据验证通过、使用方确认结果可用、相关规则或检查项已经回写。只把工单状态改成已解决,不算完成闭环。
3. 指标怎么设才支持改进
指标少而稳定,比数量多更有用。可以分三层设计。
| 层级 | 回答什么 | 示例 |
|---|---|---|
| 结果指标 | 数据是否更可信、更可用 | 核心报表口径一致率、关键字段完整率、审计发现数量 |
| 过程指标 | 治理动作是否按计划发生 | 标准覆盖率、元数据完整率、血缘覆盖率、问题按期关闭率 |
| 控制指标 | 问题是否重复、风险是否收敛 | 重复问题占比、高风险问题平均关闭时长、变更影响分析覆盖率 |
每个指标要有定义卡,写清分子、分母、统计周期、数据来源和责任人。分母不固定,季度之间就不可比。指标也不要只挂在一个部门头上,业务 Owner 对口径和源头质量负责,技术团队对采集、加工和监控负责。
指标如何与业务结果连成一条链,可以参考数据治理成效怎么衡量。
4. 小团队怎么裁剪
小团队不需要照搬完整委员会和复杂评分卡。先选一个业务问题和一个数据域,跑通一轮,保留四个最小要素。
- 一张问题清单,写清影响、责任人和期限
- 一个业务 Owner,能对口径和优先级拍板
- 一套验收标准,数据验证和使用方确认都通过才关闭
- 一次季度复盘,决定下一轮做什么、停什么
出现跨部门口径冲突反复发生、问题量超出单个团队处理能力、对外审计或监管报送要求提高时,再增加委员会、评分卡和专职角色。扩围的依据是协作复杂度上升。流程看起来更完整,不能作为扩围理由。
五、工具和 Agent 在流程中承担什么
工具的价值在于把流程中的记录、校验和追踪固定下来。元数据目录回答数据在哪、由谁维护,血缘回答影响谁,质量规则负责发现异常,工单承接分派和关闭,权限与审计留下证据,指标平台固定口径并生成评分卡。
AI Agent 指能按目标调用工具并执行任务的智能体,适合承接重复且规则清楚的动作。例如按规则巡检、聚合异常、根据血缘生成影响清单、起草问题单、跟踪临期事项、汇总复盘材料。标准制定、优先级排序、风险接受和跨部门取舍仍需要人拍板。把判断权交出去,流程会更快,但责任也会变模糊。
ThinkingAI 在数据智能领域有十年积累,服务全球超 1500 家企业,接入产品超 8000 款。Agentic Engine 支持私有化部署和多 Agent 协作。对治理流程来说,私有化部署、权限控制与运行监控以及执行记录,是把 Agent 放进生产流程的前提。
工具上线不等于流程运行。没有责任人和验收标准,系统只会更快地产生更多问题单。
常见问题
数据治理流程模型有唯一标准吗?
没有唯一强制模型。IBM、华为云、DAMA 等给出的步骤和组织方式不同,企业可以按业务问题、组织复杂度和现有系统选择。判断模型是否合适,看它能否支持问题识别、责任落实、结果度量和下一轮调整,不按步骤数量多少判断。
流程模型和流程图有什么区别?
流程图展示先后顺序,流程模型还要说明角色、决策权、交付物、规则、指标和反馈。流程图可以用来讲解,流程模型要能指导日常运行。只有箭头,没有责任人和验收标准的图,遇到争议时帮不上忙。
闭环多久复盘一次?
按问题量和风险定。常见的组合是周度监控、月度问题复盘、季度评分卡、年度成熟度评估。华为云的做法是年度企业整体评估加季度部门评分卡,其他节奏按企业需要补充。问题多、风险高的数据域可以加密,稳定的域可以放宽。
成熟度评估多久做一次?
IBM 在统一流程中建议最好每年评估一次,目标状态通常设在 12 到 18 个月后。间隔要足够长,能产生结果,也要足够短,能维持关键利益相关者的支持。评估频率不必机械统一,监管要求高或变化快的行业可以缩短。
小企业需要做完整流程吗?
不需要。先保留问题清单、业务 Owner、验收标准和季度复盘四个要素,在一个数据域里跑通。跨部门冲突增多、审计要求提高或问题量超出团队处理能力时,再增加委员会、评分卡和专职角色。
流程跑了半年没效果,先查什么?
先查目标是否对应具体业务决策。再看每个问题是否有责任人和验收标准。最后查复盘有没有改变计划、责任或资源。工具和指标放在后面查。前三个问题不解决,换工具通常只会换一种方式重复原来的问题。






