数据治理规则库是企业集中管理数据约束的一套受控规则资产。每条规则说明管什么数据、约束什么、由谁负责、怎么检查、异常怎么处理、何时生效或失效,并保留版本、状态、审批和执行记录。它把散落在制度文档、SQL脚本、质量任务、权限配置和个人经验里的约定,收拢成一份可以检索、可以执行、可以追溯的清单。
不同厂商和企业的用法并不完全一致。本文采用这个工作定义,重点讨论企业自建或选型时会用到的规则分类、条目字段、建设顺序和维护机制。如果你需要先建立数据治理的整体框架,可以参考《什么是数据治理?2026企业数据治理完整指南》。
当企业出现同一指标多个算法、质量脚本重复建设、敏感数据访问说不清依据、业务规则变了旧检查还在跑等情况,规则库通常值得优先建设。它属于数据治理体系里的执行层,负责把原则和制度转成可检查的约定。
一、数据治理规则库是什么
数据治理规则是什么?可以把它理解为一组关于数据的约束和判断标准:数据叫什么、从哪里来、要满足什么质量条件、谁能访问、保存多久、出现异常怎么处理。单条规则回答一个具体问题,规则库负责把这些回答集中管理,并让它们在系统里执行。
规则库的基本单位是规则条目,条目把业务要求、责任、执行方式和记录放在一起。 一个条目通常包含规则名称、业务定义、适用范围、判断逻辑、责任角色、执行频率、状态、版本和异常处理。规则库则在这些条目之上,提供分类、编号、权限、评审、发布、变更和审计。
规则库容易和几个相邻概念混淆,边界可以这样看:
| 对象 | 主要回答 | 与规则库的关系 |
|---|---|---|
| 单条数据治理规则 | 这条数据要满足什么条件 | 规则库的基本单元 |
| 制度文件 | 原则、职责、流程和授权 | 规则库把制度拆成可执行条目 |
| 数据标准库 | 叫什么、什么格式、什么口径 | 标准可以转化为规则,规则库引用标准 |
| 数据质量规则库 | 数据是否完整、准确、一致等 | 质量规则是规则库的一个子集 |
| 数据目录 | 有什么数据、在哪里、谁负责 | 目录提供资产上下文,规则库提供约束 |
数据目录回答有什么数据、在哪里、谁负责;规则库回答数据要满足什么约束。 规则库也不负责存储数据,不替代数据平台的计算和调度。它可以先用表格维护,等规则数量、执行频率和跨系统引用增加后,再迁到平台上。
1. 规则库在数据治理体系中的位置
国家标准 GB/T 36073-2025《数据管理能力成熟度评估模型》,也就是常说的DCMM 2.0,于2025年12月31日发布,2026年7月1日实施,设置了9个能力域和33个能力项,数据治理是其中一个能力域。规则库可以看作数据治理能力落到日常执行的一种载体。治理组织、制度和数据文化决定规则由谁定、怎么审;数据标准、元数据、数据质量和数据安全提供规则所需的定义、上下文和执行手段。
2. 什么情况下需要建规则库
出现下面这些信号时,可以考虑启动规则库建设:
- 同一指标在不同报表里算法不同,找不到统一口径
- 质量检查散落在多个脚本,重复定义,没人知道哪条还在用
- 敏感数据访问靠口头约定,审计时拿不出审批和记录
- 业务规则变了,旧检查还在跑,误报越来越多
- 准备让AI Agent取数或执行操作,需要明确的权限和边界
二、一个可用的规则库包含什么
一个可用的规则库,至少要让读者知道规则管什么、怎么执行、出了问题找谁。把规则条目、责任和执行记录放在一起,检索和追溯才有基础。
规则可以按治理对象分类:
| 规则类别 | 主要约束 | 示例 |
|---|---|---|
| 数据标准与指标口径 | 命名、格式、编码、统计口径 | 客户ID全局唯一;成交金额按下单时间统计 |
| 数据质量 | 完整性、准确性、一致性、及时性、唯一性、有效性 | 订单金额不为空;支付流水合计等于订单应付金额 |
| 数据安全与权限 | 分类分级、访问、脱敏、共享、审计 | 手机号仅客服主管可见;导出敏感数据需审批 |
| 数据生命周期 | 保留、归档、销毁、冷热分层 | 临时表30天清理;归档数据按制度保留 |
| 主数据与参考数据 | 唯一来源、码值、跨系统一致 | 客户主数据以客户关系管理系统为唯一来源;地区码采用统一码表 |
| 数据使用与共享 | 申请、授权、用途、再分发 | 外部合作方只能使用聚合结果,不能回传明细 |
一条规则至少要写清五件事:管什么、怎么判断、谁负责、怎么执行、异常怎么办。 下面这些字段可以作为起步模板:
| 字段 | 作用 |
|---|---|
| 规则编号 | 唯一标识,便于引用、检索和追溯 |
| 规则名称 | 说明约束对象和目的 |
| 业务定义 | 用业务语言写清要满足什么 |
| 适用范围 | 数据域、系统、表、字段、时间范围 |
| 规则类型 | 标准、质量、安全、生命周期等 |
| 判断逻辑或阈值 | 业务规则写条件,技术规则写SQL、正则、值域等实现 |
| 严重级别 | 阻断、告警、记录 |
| 责任角色 | 业务Owner、数据管家、技术Owner |
| 执行方式与频率 | 实时、批量、每日、每周 |
| 状态与版本 | 草稿、待审批、生效、停用、废弃;版本号 |
| 关联资产 | 标准、指标、表、字段、报表、API、Agent |
| 审批与变更记录 | 谁在何时因何修改,依据是什么 |
| 异常处理 | 告警去向、工单、修复时限、复验人 |
字段不必一次设计到最全。先满足能执行、能追溯,再根据实际使用补充。字段太多、没人填,规则库会很快退化成一张空表。
规则可以分成两层。模板层复用检查表达方式,例如非空、值域、唯一性、正则、跨表比对;实例层把模板绑定到具体表、字段、数据源和阈值。业务规则说明要满足什么,技术规则说明怎么检查。两层分开后,新增一条规则通常只需要选模板、填参数、绑定资产,维护成本会低很多。
规则的状态要能说明它现在处于什么阶段。常见状态包括草稿、待审批、生效、已驳回、已停用和已废弃。在受控的规则库里,只有审批通过的版本可以进入执行;被驳回的规则回到起草人修改;停用和废弃保留编号与历史版本,避免引用断链。
| 状态 | 含义 | 允许的动作 |
|---|---|---|
| 草稿 | 正在编写,尚未提交 | 编辑、提交审批、删除 |
| 待审批 | 已提交,等待评审 | 审批通过、驳回 |
| 生效 | 已发布,可被执行 | 执行、发起变更、停用 |
| 已驳回 | 评审未通过 | 修改后重新提交 |
| 已停用 | 暂停执行,保留记录 | 恢复、废弃 |
| 已废弃 | 不再使用 | 查询历史、保留引用 |
如果从零开始,最小可用版本可以只有一张规则清单、一个编号规则、一个责任人和一个状态字段。先让规则能被找到、被引用、被更新,再补模板、权限和审批。
三、如何建设数据治理规则库
数据治理规则库怎么建设,下面按六个步骤展开。先从一个小范围跑通,再按数据域扩展。 一次性铺开全企业的规则,常见结果是规则数量上去了,执行和责任跟不上。如果企业还在搭治理组织与制度,可以先看《企业级数据治理体系怎么搭?》。
1. 选首批范围
选一个数据域和两三个高价值问题,例如客户主数据、订单金额、敏感数据访问。目标要可验证,例如减少重复规则、缩短问题修复时间、满足一次审计要求。首批范围还要明确参与角色和决策人。
产出包括范围说明、目标和参与角色清单。
2. 盘点现有规则
收集制度、标准、指标口径、质量SQL、权限策略、历史问题和审计发现。建一份台账,标注重叠、冲突、失效、无主和无法执行的规则。盘点时先记录现状,不用急着修改。
产出包括规则清单和问题清单。
3. 设计分类和元数据
确定分类、编号规则、必填字段、状态机、权限和模板。字段先满足能执行、能追溯,不必一次设计到最全。编号要稳定,规则停用后保留编号,避免下游引用找不到对象。
产出包括规则库结构说明、模板和编号规则。
4. 编写首批规则
业务Owner写业务定义、适用范围、阈值和例外;技术团队写技术实现;安全或合规审核分类分级、权限、共享和保留要求。每条规则都要有责任人和异常处理路径。
产出包括首批规则条目。
5. 评审、发布和试点
业务、技术、安全或合规一起评审,重点看定义是否有歧义、阈值是否合理、异常是否有处理路径。按状态机发布,先在1到2个系统试点,观察误报、漏报和执行成本。
产出包括评审记录、发布清单和试点报告。
6. 用执行结果扩围
看规则是否按计划执行、问题是否闭环、误报是否可接受,再决定扩展到下一个数据域。扩围时先复用模板,只补差异,避免每个域重新造一套。
产出包括扩展计划和复盘记录。
如果从零开始,可以先选20到30条规则,覆盖一个核心数据域。规则数量少但每条都能执行、有责任人、有记录,比一次登记几百条更有用。
四、如何维护数据治理规则库
数据治理规则库如何维护,下面从责任分工、变更、版本、复核、依赖和退役、效果度量六个方面说明。规则库的维护工作,重点是让规则跟得上业务变化,并且能解释每一次变化。规则建完不更新,执行结果会逐渐失去可信度。
1. 责任分工
规则库需要几类角色共同维护:
| 角色 | 主要职责 |
|---|---|
| 数据治理委员会 | 审议制度和高影响规则,裁决跨部门争议 |
| 规则Owner | 业务侧对规则定义、阈值和例外负责 |
| 数据管家 | 维护条目、组织评审、跟踪问题闭环 |
| 技术Owner | 实现技术规则、接入执行、处理失败和性能问题 |
| 安全与合规 | 审核分类分级、权限、共享和保留要求 |
| 审计或内审 | 抽查执行记录、变更记录和例外审批 |
角色可以由同一人兼任,但责任要写清楚。规则Owner缺位时,规则很容易变成技术团队的独角戏,业务不认,执行也会走样。
2. 变更管理
规则变更前先做影响分析,变更后保留旧版本。 比较稳妥的流程是:
- 提出变更,写清原因、影响范围和期望生效时间。
- 做影响分析,查规则被哪些技术规则、任务、报表、API和Agent引用,评估下游影响。
- 按影响级别评审审批,高影响规则提交治理委员会。
- 生成变更副本,审批通过后替换生产版本,必要时先试点再全量。
- 通知使用方,更新文档和任务配置。
- 归档旧版本,记录变更依据,观察一段时间的效果。
一些数据治理工具会把已发布规则的编辑保存为变更副本,审批通过后才覆盖原规则;规则被技术规则引用时,目录和类型不能随意修改;存在关联内容的规则不能直接废弃。这些限制会增加操作步骤,也能保护下游引用。
3. 版本和状态
版本号可以采用简单规则:首次发布为v1.0,修改阈值或描述为v1.1,改变判断逻辑或适用范围为v2.0。比较稳妥的做法是同一时间只保留一个生效版本,历史版本可查。停用规则保留编号,废弃规则说明替代关系。
4. 定期复核
复核周期按规则风险设置。安全、合规和对外共享规则随法规或合同变化及时复核;核心指标口径按季度复核;质量规则按月或按季度看误报和漏报;生命周期规则按年复核。系统升级、数据源变更、业务规则调整、监管新规和Agent新场景,都可以触发临时复核。
复核时重点看四件事:规则是否仍然有效、阈值是否合理、责任人是否在岗、引用它的下游是否还在使用。
5. 依赖和退役
规则被技术规则、调度任务、报表、API或Agent引用时,变更前要做影响分析。存在关联内容的规则,先处理依赖再废弃。退役时保留编号、历史版本和最后执行记录,说明替代规则,避免下游引用悬空。
6. 用指标判断维护效果
可以用下面几类指标判断规则库是否在工作:
- 规则覆盖率:核心数据域和核心表中,有规则覆盖的比例
- 规则启用率:已发布规则中实际在执行的比例
- 执行成功率:按计划完成检查的比例
- 问题闭环率、平均修复时长、复发率
- 规则引用次数:被报表、API、Agent等引用的次数
- 误报率和漏报率:通过抽样复盘或人工确认得到
这些指标用于判断规则库是否在工作,规则条数本身说明不了问题。规则数量增长很快、执行率和闭环率很低时,优先清理无效规则,再谈扩围。
数据治理规则管理是一项持续工作,建议把复核和复盘排进月度或季度节奏。
五、一条规则从创建到退役
以下示例用于说明机制,不对应真实客户数据。
某游戏公司的交易域有一条规则,编号为DQ-ORDER-001,名称是“支付流水合计与订单应付金额一致”。这条规则从草稿提交评审,审批通过后发布v1.0,状态变为生效。
| 项目 | 内容 |
|---|---|
| 规则编号 | DQ-ORDER-001 |
| 规则名称 | 支付流水合计与订单应付金额一致 |
| 业务定义 | 订单全额支付成功后,支付流水金额合计应等于订单应付金额;退款金额不得超过原支付金额 |
| 适用范围 | 订单库的订单主表和支付流水表,第二天检查前一天的数据 |
| 责任角色 | 交易域数据Owner、数据平台技术Owner、数据管家 |
| 技术规则 | v1.0按订单号汇总截至检查时点的成功支付流水,与订单应付金额比对,差异超过0.01元触发告警;实现时遗漏了全额支付成功的状态条件,误把尚待付尾款的预售订单也纳入检查 |
| 执行与异常 | 每日02:00执行,异常生成工单给交易系统负责人,24小时内处理,复验后关闭 |
上线一段时间后,业务发现预售订单先付定金、后付尾款。原规则虽然已按订单号汇总,但未过滤待付尾款状态:例如订单应付100元,截至当日02:00只支付20元定金、尾款尚未到期,仍被当成80元差额告警。业务Owner提出变更,明确v2.0仅对前一天进入全额支付成功状态的订单,在次日02:00汇总截至检查时点的定金和尾款成功流水,与应付金额比对,差异超过0.01元才告警;待付尾款订单不参与该金额一致性检查,逾期未付由单独的超时规则处理。退款金额不超过原支付金额的约束保持不变。数据管家做影响分析,发现2张报表和1个分析Agent引用该规则。此次改变了判断逻辑和适用范围,评审通过后发布v2.0,先试点一周,再全量;同步更新下游引用并将v1.0归档。
规则库留下的不只是规则文本,还有当时的责任人、执行结果和变更依据。 出问题时能查到当时用的是哪一版,谁批准的,影响了哪些下游。这比在聊天记录里找依据更可靠。
六、AI Agent 时代,规则库要多做哪几件事
AI Agent 取数、分析和执行操作时,会把规则库从给人看的文档,变成机器也要读的约束层。规则条目需要更结构化,责任和权限要更明确。
Agent需要的不只是规则内容,还有规则的适用范围、权限和审计记录。 企业可以重点补五件事:
- 规则要能被机器读取。业务定义、适用范围、判断逻辑、阈值、状态和版本分开存放,Agent才能判断某条规则是否适用于当前问题。
- 规则要关联语义。字段含义、指标口径、数据血缘、敏感等级要能顺着规则查到;否则Agent可能用对规则、读错字段。
- 权限要写进规则。哪些角色、哪些Agent、在什么场景下可以访问哪些数据,是否需要脱敏,是否需要人工确认。
- 执行要留痕。Agent调用了哪条规则、读了哪些数据、输出了什么结果、引用了哪些来源,都要能追溯。
- 变更要考虑Agent影响。规则变更前查引用,避免正在运行的Agent继续使用旧阈值或旧口径。
ThinkingAI 的 Agentic Engine 在平台层面提供知识记忆、资产库、安全治理、权限控制、执行审计和引用溯源等能力。企业在建设规则库时,可以把这些能力纳入整体设计,让Agent在明确的权限和口径下取数、分析。ThinkingAI 已服务全球超1500家企业,接入产品超8000款。
接入Agent之前,先把规则定义、责任人和版本理清。规则含糊、责任不明、版本混乱时,Agent会把这些问题放大。比较稳妥的顺序是,先让Agent读规则和元数据,做只读分析;验证后再开放有限的执行动作;高风险操作保留人工确认。
常见问题
数据治理规则是什么意思?和规则库有什么区别?
数据治理规则是对数据的一条具体约束或判断标准,例如客户ID必须唯一、支付金额不能为空。规则库是这些规则的集中管理方式,除了规则本身,还包括分类、责任人、适用范围、版本、状态和执行记录。
数据治理规则库和数据质量规则库有什么区别?
数据质量规则库是数据治理规则库的一个子集,重点管完整性、准确性、一致性、及时性、唯一性和有效性。数据治理规则库的范围更宽,还会管数据标准、指标口径、安全权限、生命周期和共享使用。企业可以先建质量规则库,再逐步扩展到其他规则类型。
小企业需要建规则库吗?一定要买平台吗?
需要,但可以从轻量方式开始。先用表格维护20到30条高价值规则,写清编号、定义、适用范围、责任人、执行方式和版本。规则数量增加、跨系统引用变多、审计要求提高后,再考虑上平台。判断是否需要更正式的工具,看规则是否经常重复、冲突、找不到责任人,或者执行记录无法追溯。
规则由业务还是IT制定?
业务Owner负责定义规则要满足什么、阈值是否合理、例外怎么处理;技术团队负责把业务要求落成可执行的检查;安全或合规团队审核分类分级、权限、共享和保留要求。缺少业务确认的规则,容易出现误报,也容易被绕过。
规则太多执行不过来怎么办?
按影响分级。高影响规则可以阻断或强告警,中影响规则告警,低影响规则先记录。优先覆盖核心数据域、关键报表和对外共享场景,定期清理长期没有发现问题、也没有被引用的规则。规则库的价值在于约束有效,规则数量多不代表治理做得好。
AI Agent会取代规则库吗?
Agent可以辅助生成规则、定位问题、执行检查,规则库仍然是它需要的约束来源。Agent要判断能不能访问、用得对不对、结果能不能信,需要规则库提供适用范围、权限、口径和审计依据。规则的责任、例外和变更审批,仍然需要人来确认。
参考资料
- IBM,什么是数据治理,https://www.ibm.com/cn-zh/think/topics/data-governance
- Oracle,Data Quality Framework User Guide,DQ Rules Summary,https://docs.oracle.com/en/industries/financial-services/ofs-analytical-applications/infrastructure-common/23.12.01/dqfug/dq-rules-summary.html
- Datablau,维护规则模板与业务规则,https://help.datablau.cn/zh-CN/dam/data-quality/business-rules
- Microsoft,Fabric adoption roadmap,Governance,https://learn.microsoft.com/en-us/power-bi/guidance/fabric-adoption-roadmap-governance
- Actian,An Example of a Data Governance Framework,https://www.actian.com/blog/data-governance/an-example-of-a-data-governance-framework/
- 中国日报网,新版DCMM国标7月1日实施,https://tech.chinadaily.com.cn/a/202601/15/WS69685b52a310942cc499b55f.html
- 国家标准全文公开系统,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






