ThinkingAI Logo
返回博客列表

数据治理服务包括哪些内容?交付物与责任边界

数据治理服务通常分为咨询规划、实施落地和持续运营三类。本文拆解各类服务的工作内容、典型交付物与项目阶段,说明服务商、企业与业务部门的责任边界,并给出验收指标、合同条款和 AI 场景下的新增交付要求。

2026-11-1618分钟
数据治理服务包括哪些内容?交付物与责任边界

数据治理服务是企业围绕数据标准、质量、安全、权限和运营采购的专业服务,内容包括规则设计、系统落地和持续运营支持。按交付形态,通常分为咨询规划、实施落地和持续运营三类。

咨询解决治什么、先治哪;实施把标准、质量规则和权限落到系统;运营负责上线后的巡检、问题闭环和变更。三类工作可以分开采购,也可以组合成一个项目。数据治理的整体概念、治理域和常见误区,可以先看《什么是数据治理?2026企业数据治理完整指南》。

企业容易出问题的地方,常常在边界。合同只写“数据治理服务”,没有写清服务对象、交付物颗粒度、双方配合事项和验收证据,项目后期就容易在“这算不算范围内”上反复拉扯。

下面按服务内容、项目阶段、交付物、责任边界和验收顺序拆开讲。

一、数据治理服务通常包括哪几类工作

把公开的服务说明放在一起看,名称很多,交付形态大致有三类。

服务形态解决什么问题常见工作交付重心
咨询规划方向、范围、规则调研诊断、成熟度评估、治理蓝图、组织制度、数据标准、指标口径、架构设计报告、制度、标准、路线图
实施落地规则进入系统平台部署、数据集成、标准落标、质量规则配置、元数据与血缘、主数据、权限、数据服务配置、脚本、接口、测试报告
持续运营上线后持续运转质量巡检、问题派单与闭环、变更管理、培训、运营报告、SLA 管理运营记录、月报、SLA 记录、交接材料

GB/T 34960.5-2018 把数据治理框架分为顶层设计、治理环境、治理域和治理过程四部分,治理域又分为数据管理体系与数据价值体系。这个框架适合做覆盖检查,具体项目再按交付形态组合。

1. 咨询、实施、运营可以组合,责任要分开写

数据治理项目常见“咨询加实施”或“实施加运营”的组合。组合本身没有问题,问题在于把三类工作压成一个总体验收节点。咨询报告没有通过评审,实施就已经开始;实施配置还没跑稳,运营已经接手,后面很难判断问题出在哪一环。

比较稳妥的做法是分阶段设置出口。咨询阶段交付路线图、标准和制度,企业确认后再进入实施;实施阶段完成配置、测试和试运行,确认系统可用后再进入运营;运营阶段按 SLA 和问题闭环记录考核。每个出口都对应具体交付物和签字人。

只做咨询时,路线图要能指导后续排期、预算和资源投入。只做实施时,数据标准、指标口径和质量规则不能缺,否则平台只能承载数据,无法统一口径。只做运营时,交接清单、历史问题台账和权限说明不能缺,否则运营团队接不住。

2. 治理对象决定专项内容

数据治理服务的内容还取决于治理对象。常见对象有六类,每一类对应的服务动作和交付物不同。

  • 数据标准:统一数据元、编码、命名和值域,通常交付数据标准、数据字典和标准落地清单。
  • 数据质量:定义完整性、准确性、一致性、及时性等规则,通常交付质量规则库、监控配置和质量报告。
  • 元数据与血缘:采集技术元数据、业务元数据和操作元数据,通常交付数据资产目录、数据地图和血缘图。
  • 主数据:统一客户、供应商、物料、组织等核心实体的来源和匹配规则,通常交付主数据标准、主数据模型和管理流程。
  • 数据安全:做分类分级、权限、脱敏、审计和合规映射,通常交付分类分级清单、权限矩阵和安全规范。
  • 数据生命周期:覆盖采集、存储、使用、归档和销毁,通常交付保留策略、归档清单和销毁记录。

这些对象不必一次全做。先选与业务问题直接相关的两三项,其他纳入路线图,项目更容易在可控范围内跑通。

3. 同一名称的服务,报价为什么差很多

数据治理服务没有统一价目表。同样叫“数据治理咨询”,报价差异可能很大,常见原因有六项。这一节看报价构成上的差异;项目范围如何改变工作量,留到“六、哪些因素会改变服务范围和报价”对照。

  • 服务对象不同:一个数据域和全集团所有业务域,工作量不在一个量级。
  • 系统数量不同:跨云、跨网、跨系统的数据接入,权限和接口协调成本更高。
  • 交付物颗粒度不同:只交框架报告,和交到字段级标准、质量规则、映射表,工作量差别很大。
  • 标准产品与定制开发比例不同:定制报表、接口和流程越多,投入越高。
  • 驻场与远程比例不同:长期驻场、现场调研和培训会增加成本。
  • 结果承诺不同:只对交付件负责,和对约定质量指标负责,风险定价不同。

比较报价时,先对齐交付物颗粒度、定制比例、驻场方式和结果承诺,再看总价。

二、数据治理服务项目怎么推进

服务项目通常按阶段推进。每个阶段都要有明确出口,否则问题会滚到验收阶段。

阶段服务商主要工作企业必须投入阶段出口
立项与范围需求访谈、范围建议、实施方案与计划明确目标、预算、决策人、数据 Owner工作说明书、里程碑、验收口径
现状诊断资料收集、访谈、数据抽样、成熟度评估开放系统与数据权限、安排业务访谈现状报告、问题清单、优先级
方案设计目标架构、标准与指标、制度流程、实施计划业务口径确认、跨部门评审设计报告、标准清单、评审记录
实施配置平台部署、数据集成、规则配置、接口开发环境、权限、测试人员、业务样例配置清单、脚本、接口文档、测试用例
试运行问题跟踪、性能与质量观察、调整真实业务试用、问题反馈试运行报告、问题闭环记录
验收与移交交付件整理、培训、运维交接组织验收、签字确认、指定接收人验收报告、培训记录、移交清单
持续运营巡检、质量报告、变更、支持指定运营负责人、审批变更运营月报、SLA 记录、复盘

1. 启动阶段先把范围和验收口径定下来

工作说明书至少要写清六件事:服务对象是哪些系统和数据域;治理范围包含哪些标准、指标、表或主题库;交付物有哪些、到什么颗粒度;双方各自负责什么;哪些工作不包含;验收用什么证据。

范围写到可计数、可抽样、可复核,后续才有讨论基础。例如可以把“完成核心指标口径统一”写成“完成 30 个核心指标的业务定义、计算逻辑、统计范围、数据来源和负责人确认,并抽检 10 个指标从源表到报表的一致性”。越靠近可验证的动作,越不容易在验收时产生分歧。

2. 诊断和设计阶段要拿到业务确认

诊断报告不能只有访谈纪要。至少要写清问题现象、影响范围、数据证据、优先级和建议动作。成熟度评估要说明用了哪套模型、评了哪些能力域、评分依据是什么。

成熟度诊断常参考 DCMM。现行版本是 DCMM 2.0,已于 2026 年 7 月 1 日实施,能力框架覆盖数据资源化、资产化、要素化。服务商如果仍按旧版清单评估,报告里要说明版本差异和适用范围。

设计阶段的交付物包括组织职责、制度流程、数据标准、指标口径和架构方案。这些内容需要业务部门确认,不能只由 IT 或服务商定稿。服务商可以提供方法和候选方案,业务口径、数据归属和优先级要由企业确认。

3. 实施和试运行阶段要留下可复核记录

实施阶段最容易出现“文档写得完整,系统没有实际运行”的情况。验收时要看配置导出、脚本、测试用例、接口联调记录、权限验证结果和问题台账,不能只看截图和汇报材料。

质量规则要能跑、能告警、能生成报告,还要有人处理。元数据和血缘要能追到字段级,至少覆盖核心指标链路。权限要按角色配置,敏感数据要可见可控,操作要留痕。数据服务接口要能被调用,接口清单、参数、返回字段和权限边界要写清。

试运行阶段要用真实业务样例验证。选两三个核心场景,从源表追到指标,再追到报表或接口,确认同一业务含义、版本和统计条件下的结果一致。

4. 验收和移交阶段要完成知识转移

验收不只是签字。企业要拿到完整文档、配置说明、账号权限、问题台账、运维手册和培训记录,还要指定后续接收人。交接完成的标准是企业的接收人能在没有服务商驻场的情况下处理日常问题。

如果项目包含运营,移交还要包括运营流程、例会机制、SLA 计算方式、升级路径和联系人。只交文档、不交运行机制,运营接手后很容易重新回到人工救火。

三、数据治理交付物具体有哪些

交付物可以分五类。名称会因服务商和项目范围不同而变化,验收时要看它回答什么问题、拿什么证据证明。

交付类别典型交付物回答什么问题验收证据
诊断评估现状调研报告、成熟度诊断报告、问题与优先级清单、实施路线图现在差在哪、先做什么数据抽样、访谈记录、评分依据、评审记录
制度与标准组织职责矩阵、管理制度与流程、数据标准、指标口径、质量规则、安全规范谁定规则、按什么规则做业务确认记录、版本记录、发布记录
架构与模型数据资产目录、数据入湖清单、逻辑模型、数据 Mapping 表、接口清单数据在哪、怎么流转目录覆盖清单、模型评审、映射抽样
实施与配置平台环境、集成作业、ETL 脚本、质量规则配置、元数据与血缘、权限矩阵、数据服务接口规则是否在系统中运行配置导出、测试用例与结果、权限验证、接口联调记录
运营与验收试运行报告、验收报告、培训材料、运维手册、问题台账、运营月报上线后谁来接、怎么持续签字验收、培训签到、问题闭环记录、SLA 统计

以华为云公开的数据治理服务说明为例,典型交付件包括数据资产目录、数据入湖清单、数据标准、逻辑模型设计、数据 Mapping 表、业务指标清单、数据质量规则清单、数据服务接口清单、ETL 脚本和测试报告。这些名称可以作为对照,具体清单仍要以项目范围为准。

1. 交付物要写到什么颗粒度

判断交付物能不能验收,可以看它是否写到可执行、可抽检、可追责的程度。

  • 数据标准:写清业务定义、技术定义、值域、负责人和版本。
  • 指标口径:写清业务含义、计算公式、统计范围、时间窗口、数据来源和负责人。
  • 质量规则:写清检核对象、质量维度、阈值、检核频率、告警方式和处理人。
  • 权限矩阵:写清角色、数据范围、操作类型、审批人和回收机制。
  • 数据服务接口:写清消费方、字段、刷新频率、SLA、权限边界和版本。

写到这个程度,交付物才能被业务人员理解、被技术人员执行、被审计人员复核。

2. 哪些交付物不能只交文档

治理规则要进入系统,才算完成落地。数据标准要落标到字段和模型;质量规则要配置到监控任务;元数据和血缘要采集到平台;权限要按角色生效;数据服务接口要能被调用;测试报告要能对应到测试用例和结果。

验收时要看配置和运行记录,文档只能说明设计意图。只交文档不交配置,项目看起来完成了,治理并没有开始运转。

四、数据治理责任边界怎么划

责任边界要回答三个问题:谁决定、谁执行、谁验收。三项都写清,项目才有稳定的协作基础。

1. 服务商负责方法与交付,企业负责目标与决策

服务商通常负责方法论、项目管理、方案设计、约定范围内的实施、交付物整理、培训和缺陷修复。企业通常负责目标、优先级、预算、决策人、数据 Owner、业务定义、内部审批、系统权限和验收。

服务商可以建议指标口径,不能替业务部门拍板。企业可以要求结果,不能把数据源改造、业务执行和合规审查全部转移给服务商。责任边界清晰,双方才能在同一个问题上讨论,减少互相等待。

2. 业务部门和数据 Owner 不能缺席

数据治理天然跨部门。只有 IT 部门参加,标准和口径很难得到业务确认,上线后容易回到人工对口径。

常见角色可以这样分。数据 Owner 通常由业务负责人担任,对所属数据的业务含义、质量要求、访问授权和争议裁决负责。数据管家通常由业务骨干兼任,负责标准执行、元数据维护、质量问题跟踪和整改协调。数据架构师负责数据模型、标准和规则在系统中的技术实现。数据治理委员会或领导小组负责跨部门决策、资源协调和重大争议处理。

角色名称可以不同,职责要落到人。项目启动时就要明确谁有权确认口径、谁审批共享、谁处理质量事件、谁参加验收。

3. 六类常见不包含项要提前写清

服务合同最容易产生争议的地方,是“以为包含、实际不包含”的工作。以下六类在公开服务说明中常被列为不覆盖范围。

  • 客户侧业务应用系统的开发与集成。
  • 数据采集所需的硬件设备和网络环境搭建。
  • 第三方软件、工具或平台的采购与授权。
  • 客户自有数据的合规性审查及版权授权。
  • 超出约定服务规格的定制开发。
  • 差旅、住宿、加班等额外费用。

公开的云厂商服务说明中,前五类被列为不覆盖范围;另一份服务说明书也说明,超出工作说明书范围的服务需要额外付费。不同服务商的清单不同,思路可以借鉴:把不包含项逐条列出,比只写一句“其他不在范围内”更清楚。

4. 用 RACI 把每项工作落到人

RACI 是责任分工工具,用执行负责、最终审批、事先咨询、结果知情四类角色,把跨部门工作分到具体岗位。下面是一张常见分工表,具体角色名称要按企业实际调整。

工作服务商企业项目负责人业务部门或数据 Owner
目标与范围提供建议决策提出业务需求
现状调研主导协调资源提供业务解释
标准与口径提出方案组织评审确认并签字
实施配置主导提供环境与权限参与测试
上线验收配合组织验收确认业务可用
持续运营按 SLA 执行监督使用与反馈

公开的云厂商责任矩阵中,启动、调研、架构设计、实施和试运行由服务商主导、客户配合,上线验收阶段转为客户主导、服务商配合。这个变化值得写进合同:交付完成不等于验收完成,验收责任在企业。

5. 合同里还要补六类条款

  • 服务对象与工作量:系统、数据域、指标或主题库数量、环境数量、用户范围。
  • 交付物与验收标准:名称、格式、颗粒度、版本、评审轮次和反馈时限。
  • 客户配合义务:人员、权限、数据、环境、评审时间;配合延迟如何处理。
  • 变更机制:范围变更的评估方式、费用、排期和审批流程。
  • 知识转移与退出:培训、文档、账号、配置归属、过渡期支持和退出交接。
  • 数据安全与合规:访问控制、脱敏、审计、数据销毁和违规处理。

这些条款不需要写得很长,但要能回答“谁做、做到什么程度、什么时候完成、没完成怎么办”。涉及敏感数据或跨境外包时,还要约定访问方式、脱敏要求、审计日志和数据销毁;有数据主权要求的企业,可以评估私有化部署方案。

五、数据治理服务怎么验收

验收通常分两层:交付件验收和效果验收。两层要分开写,避免用效果争议掩盖交付件缺失,也避免用文档齐全代替实际可用。

1. 交付件验收看内容、证据和一致性

交付件验收要看实质内容,不被格式和页数左右。评审时重点检查三件事:文档与系统是否一致,数据与标准是否一致,责任与运营能否接住。

可以选两三个核心场景做穿行测试。从源表追到指标,再追到报表或接口;同时检查资产目录、血缘和质量报告能不能对应到同一条链路。发现不一致时,要求服务商说明原因、修复范围和时间。

评审轮次和反馈时限要在合同里约定。一份公开服务说明中的做法是,客户对交付件评审,服务商在约定工作日内修改;超过约定轮次仍未完成,双方协商处理;客户在规定时间内没有书面反馈,视为接受。这类条款可以借鉴,具体天数要按项目约定,不能直接照搬。

2. 效果验收先有基线,再谈提升

效果验收要先有基线。基线包括指标定义、数据来源、计算方式、统计周期和责任人。没有基线,后面的提升数字很难解释。

常用指标包括核心指标口径统一率、关键表质量规则覆盖率、数据问题闭环率、数据资产目录覆盖率、数据服务调用量和使用部门数。指标要写清分子分母、统计范围、观察周期和异常处理。

效果指标受业务使用、源系统改造、组织配合影响,不宜全部写成服务商的单方承诺。可以设共同目标,并写清数据来源、统计周期和归因方式。服务商能对约定范围内的规则设计、实施和缺陷修复负责,难以单独保证业务结果。

3. 验收后的责任期与缺陷修复

验收后通常还有责任期。责任期内发现的问题,要先判断类型:交付缺陷、范围外新增,还是业务变化导致的新需求。三类问题的处理方式和费用不同。

交付缺陷由服务商按约定修复;范围外新增按变更机制评估;业务变化导致的新需求重新排期和计价。责任期长度、响应时间、修复时限和升级路径要写进合同。

退出也要提前约定。服务商退出时,要交回文档、配置、账号、问题台账和未完成事项;企业要确认自身团队能接住日常运营。没有退出安排,合作关系变化时容易产生额外成本。

六、哪些因素会改变服务范围和报价

上一节讲报价构成的差异,这一节从项目范围看工作量。影响范围的因素通常有七项。

因素会扩大的情况控制范围的做法
数据基础源系统多、历史数据乱、口径冲突多先做数据盘点,按业务域分批
治理域数量标准、质量、主数据、安全一次全做选两三个与业务问题直接相关的域
系统与权限跨云、跨网、权限审批复杂提前列系统清单和接入方式
组织配合数据 Owner 不明确、评审链长立项时指定决策人和接口人
合规要求个人信息、跨境、行业监管单独做合规评估,明确责任
定制程度大量非标报表、接口、流程先用标准能力,定制单独估算
运营周期长期驻场、全天候支持用 SLA 分级,按服务级别计价

比较报价时,要求服务商列出工作量假设、交付物清单、不包含项和变更计价方式。只比较总价,容易忽略范围差异。同一份预算,可以买到一套平台,也可以买到诊断、标准和实施,关键看企业当前缺什么。

七、AI 与 Agent 场景,责任边界多了什么

Agent 使用数据时,治理对象从表、字段和报表,扩展到指标语义、知识文档、权限和评测。服务内容和责任边界也要相应补充。

1. 语义和指标由谁定

Agent 要回答业务问题,先要理解指标、维度、实体和业务规则。语义层把这些内容组织成机器可读的结构,让同一个问题在不同 Agent、不同报表里得到同一个口径。

常见交付物包括指标字典、语义模型、实体关系、映射规则和口径变更流程。服务商可以搭建语义层、配置校验工具、做一致性测试;指标的业务含义、适用条件和变更审批仍要由企业数据 Owner 确认。

统一指标口径的方法,可以参考《Agent 语义层建设指南》。语义层解决的是机器怎么理解,口径治理解决的是业务怎么定义,两者要一起做。

2. 知识和权限由谁管

Agent 使用的知识来自文档、制度、报表、工单和业务规则。知识库要把这些内容加工成可检索、可追溯、可版本化的形态,还要控制哪些 Agent 能访问哪些知识。

ThinkingAI 的企业级知识库采用 Schema-first 模式,先把原始知识结构化成实体图谱,通过统一接口对外提供检索和查询;以单一事实来源 SSOT 让同一概念在全系统只有一处定义,通过变更集 ChangeSet 让知识更新可追溯、可对比、可回滚。Agentic Engine 支持私有化部署和多 Agent 协作,对数据主权和权限控制有要求的企业可以重点评估。ThinkingAI 已服务全球超 1500 家企业,接入产品超 8000 款。

平台提供机制,知识和权限的规则要由企业定。哪些知识可以入库、哪些内容需要定期失效、哪些 Agent 可以访问哪些数据、敏感信息如何脱敏,都要在服务方案里写清。服务商负责把知识加工和权限配置做到可运行,企业负责确认知识和数据的适用范围。

3. Agent 答错了由谁处理

Agent 给出错误答案时,要先定位原因。常见原因有四类:知识缺失、知识过期、指标口径错误、权限配置不当。不同原因对应不同责任方。

业务部门负责确认正确答案和业务规则;服务商负责知识加工、检索配置、权限配置和缺陷修复;平台厂商负责产品缺陷和版本问题;运营团队负责问题受理、分级和跟踪。上线前要约定评测集、抽检比例和升级路径,上线后要保留引用来源和调用日志。

没有评测和日志,错误答案只能靠用户反馈发现,责任也很难界定。权限审计和可追溯机制,可以参考《企业级 AI Agent 安全与治理》。

4. 新增交付物要写进服务范围

AI 场景下的数据治理服务,通常要增加以下几类交付物。

  • 指标字典与语义模型。
  • 知识分类、入库规范和版本记录。
  • 知识库及检索配置。
  • 权限矩阵与审计日志。
  • 评测集、评测报告和回归机制。
  • Agent 可调用的数据服务接口清单。
  • 错误处理与升级流程。

这些交付物要写进服务范围,不能默认包含在平台产品里。平台能提供能力,服务和运营仍要负责把规则定义清楚、配置到位、持续维护。

数据治理服务常见问题

数据治理服务就是买一套数据治理平台吗?

平台是承载工具。完整的数据治理服务还包括诊断、标准、实施和运营。只买平台,规则、责任和运营没人接,平台很难持续发挥作用。企业可以先判断自己缺的是方向、规则、系统,还是运营人手,再决定买什么。

数据治理咨询和实施有什么区别?

咨询交付报告、制度、标准和路线图,验收看结论能否指导后续建设。实施交付配置、脚本、接口和测试,验收看系统和规则是否按标准运行。两类工作可以由同一家服务商完成,但要分开设里程碑和验收标准。

服务商能保证数据质量提升多少吗?

数据质量受源系统、业务流程和使用方式影响。服务商可以对约定范围内的规则设计、实施和缺陷修复负责,难以单独保证业务结果。效果目标可以设为共同目标,写清基线、口径、统计周期和归因方式。

数据治理项目一般做多久?

没有统一周期。范围、系统数量、数据基础、组织配合和审批效率都会影响进度。建议按阶段设里程碑,先做诊断和首批场景,再逐步推广,不把全部范围压在一次上线里。

没有专职数据团队,能做数据治理吗?

可以启动,但要有业务负责人和数据 Owner 参与。服务商可以承担方法、工具和实施,口径、优先级和责任人仍要企业确认。运营阶段至少要有人接住例会、需求和质量问题。

服务结束后,企业内部要保留什么能力?

至少保留标准与指标的维护、质量规则和问题闭环、权限审批、运营例会和变更管理。交接时要拿到文档、配置、账号、问题台账和培训记录。企业可以在服务期内安排联合运营,逐步把能力接过来。

数据治理服务通常怎么计价?

常见按服务规格、治理域数量、系统数量、实施工作量、运营周期和 SLA 计价。不同服务商口径不同,比较前先统一范围和不包含项。要求对方提供工作量拆解和样例交付物,比只看总价更有判断依据。

怎么判断报价里有没有隐藏工作?

看工作量假设、交付物清单、客户配合事项、变更计价和验收方式。要求服务商说明哪些工作由客户完成、哪些需要额外付费、变更如何评估。把这些写进合同,比口头承诺可靠。

参考资料

  • 中国标准在线服务网:GB/T 34960.5-2018《信息技术服务 治理 第5部分:数据治理规范》,2018-06-07 发布,2019-01-01 实施。标准信息
  • 中国网、科技日报:《国家标准〈数据管理能力成熟度评估模型〉GB/T 36073-2025 正式发布》,2026-01-16。链接
  • ThinkingAI:《什么是数据治理?2026企业数据治理完整指南》。

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