ThinkingAI Logo
返回博客列表

数据治理标准有哪些?如何用于企业内部治理?

数据治理标准既包括企业内部的治理制度、数据标准、质量与安全规则,也包括国家标准和国际框架。文章拆解四类规则、六类参照标准和五个落地判断点,并说明 AI Agent 时代标准为什么必须能被机器执行。

2026-11-1312分钟
数据治理标准有哪些?如何用于企业内部治理?

数据治理标准为治理活动提供共同参照;企业内部规则则把适用要求细化到具体的数据、岗位和流程。外部参照可能来自国家标准、国际标准和行业标准,内部文件可能包括制度、数据定义和质量检查规则。引用时应分别说明名称、适用范围和依据,不能将它们视为效力相同的文件。

如果只把标准理解成一份文档,很容易出现一种情况:制度发了几十页,报表里的同一个指标还是有三个数。标准要进入系统、进入流程、进入责任,才算落地。 企业内部的规则怎么落到字段、事件和指标,数据标准怎么制定和执行给了更细的步骤,下面先把数据治理标准这个概念和边界讲清楚。

选择数据治理标准时,先按用途区分:治理框架用于明确组织与过程,成熟度模型用于评估能力,质量评价标准用于设计检查,企业内部规则用于落实具体数据对象。查阅时同时记录标准名称、编号、版本、生效时间和适用范围;国家标准、行业或团体标准、企业制度应分别标注,不能混成同一种效力的要求。

一、数据治理标准是什么

数据治理标准有两层含义。

一层是企业内部的规则集。它规定数据怎么定义、怎么命名、怎么编码、怎么计算、质量到什么程度、谁能改、改完怎么通知下游。常见交付物包括数据治理章程、职责矩阵、业务术语表、主数据标准、指标标准、质量规则和变更流程。

另一层是外部参照系。国家标准、国际标准、行业监管要求提供一套共同语言和检查框架,帮助企业判断自己的治理体系缺什么。外部标准不能直接替代企业内部标准,因为每家企业的业务定义、系统结构和责任边界不同。

要把这两个层面分开看。外部标准回答一个完整的治理体系应该覆盖哪些方面,内部标准回答在我们公司这个字段怎么定义、这个指标怎么算。 只有外部框架,没有内部规则,治理容易停在评估报告里;只有内部规则,没有外部参照,容易漏掉组织、安全、生命周期等基础能力。

1. 数据治理标准和数据标准有什么区别

数据标准是数据治理标准的一部分,主要管数据的定义、格式、编码和口径。数据治理标准的范围更大,除了数据标准,还包括治理组织、职责分工、决策流程、质量管理、安全合规和考核机制。

也可以用一句话区分:数据标准管数据长什么样,数据治理标准管谁来定、怎么执行、执行得怎么样。两者不能互相替代。指标标准写得再细,如果没有责任人、变更流程和质量检查,执行一段时间后仍会走样。

2. 数据治理和数据管理是什么关系

DAMA-DMBOK 把数据治理定义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。数据管理覆盖采集、存储、加工、共享、应用和销毁等具体工作。数据治理为这些工作定方向、定权责、定规则,数据管理负责把规则执行到位。

这个区分对落地很重要。治理会议解决的是跨部门的口径争议、标准审批和重大变更,不替代数据团队做日常清洗和系统改造。把两者混在一起,容易出现两种结果:治理会开成取数协调会,或者数据团队被迫承担业务定义的责任。

二、为什么标准写了,口径还是对不上

常见原因有四个。

第一,标准没有责任人。文件由数据团队起草,业务部门没有签字,遇到边界条件仍然各解释各的。第二,定义不可计算。指标只写名称和一句解释,没有写统计周期、分子分母和排除条件,开发只能猜。第三,标准没有进入系统。字段、事件、指标没有映射表,新系统继续按旧习惯建设。第四,变更没有记录。口径改了,报表、接口和下游模型没有同步,历史数据也没有标注版本。

跨系统口径对不上时,再发一份制度往往解决不了问题。可以按数据孤岛怎么打通里的接口、身份、口径三类断点逐项排查,先确认问题出在数据没打通、主体没统一,还是定义本身有分歧。三类问题的处理方式不同,混在一起改,很容易越改越乱。

三、数据治理标准通常包含四类规则

一套能运行的数据治理标准,通常不止数据标准一类。下面四类规则分别解决不同问题。

规则类型回答的问题典型交付物
治理制度谁决策、谁负责、争议怎么裁决治理章程、职责矩阵、议事规则、考核办法
数据标准叫什么、怎么定义、怎么编码、怎么算业务术语表、主数据标准、数据元标准、指标标准
质量标准什么算合格、谁来检、发现问题怎么修质量规则、校验任务、质量报告、整改工单
安全合规标准哪些数据敏感、谁能看、怎么留痕分类分级清单、权限矩阵、脱敏规则、审计记录

1. 治理制度标准

治理制度要回答三个问题:谁对数据负责,谁有权批准变更,出现争议由谁裁决。常见做法是设数据治理委员会、数据治理办公室、数据所有者和数据管家。委员会管跨部门争议和重大变更,数据所有者管业务定义,数据管家管标准卡、版本和日常维护。

制度不必写得很厚,但每个角色要落到具体的人或岗位,不能只写部门。没有明确责任人,标准执行到边界条件时就会停住。

2. 数据标准

DCMM 的数据标准能力域通常拆成四类:业务术语、参考数据和主数据、数据元、指标数据。业务术语统一业务概念,参考数据和主数据统一编码与核心实体,数据元统一字段的定义、类型和值域,指标数据统一计算口径。

这四类标准要分开维护。业务术语解决这个词是什么意思,数据元解决这个字段怎么存,指标数据解决这个数怎么算。用一张模板管四类对象,评审时很容易出现业务、开发和分析各说一段,最后没有人对完整链路负责。

3. 质量标准

质量标准要把合格写成可检查的规则。常用维度包括完整性、准确性、一致性、及时性、唯一性和有效性。每个维度都要落到具体对象和阈值,例如订单表的主键唯一、支付金额不能为负、核心报表要在每天九点前完成更新。

GB/T 36344-2018《信息技术 数据质量评价指标》规定了数据质量评价指标的框架和说明,适用于数据生存周期各个阶段的数据质量评价。企业可以把它作为设计质量指标的参照,具体阈值仍要按业务影响来定。

4. 安全合规标准

安全合规标准要接住法律和监管的底线。《数据安全法》自 2021 年 9 月 1 日起施行,《个人信息保护法》自 2021 年 11 月 1 日起施行。落到企业内部,通常要形成数据分类分级清单、权限矩阵、脱敏规则、访问审计和跨境流动评估。

安全标准不能只在制度里写原则。哪些字段属于敏感数据,哪些角色可以访问,导出和共享要不要审批,这些要写到系统和流程里,才能被检查。

四、哪些数据治理标准值得参考

外部标准各有分工,不能用一个框架覆盖所有问题。下面几类是常见参照。

标准或框架主要管什么适合怎么用
GB/T 34960.5-2018 数据治理规范数据治理的总则和框架,包括顶层设计、治理环境、治理域和治理过程建治理体系、做现状自评、明确治理域和过程
GB/T 36073-2025 数据管理能力成熟度评估模型数据管理能力的 9 个能力域和 5 个成熟度等级评估能力短板,制定分阶段改进计划
GB/T 36344-2018 数据质量评价指标数据质量评价指标的框架和说明设计质量指标、检查规则和评价口径
ISO/IEC 38505-1把 ISO/IEC 38500 的治理原则和模型应用到数据治理管理层明确数据治理责任、监督机制和问责边界
DAMA-DMBOK数据管理知识体系,数据治理统领数据架构、质量、安全等职能建立共同语言,设计治理职能和角色
数据安全法、个人信息保护法数据处理和个人信息保护的强制底线划定合规边界,转化为内部制度和系统控制

1. 国家标准怎么选

如果企业要建治理体系,先看 GB/T 34960.5-2018。它提出了数据治理的总则和框架,规定了顶层设计、治理环境、治理域和治理过程的要求,可用于自评、体系建立、方案选型和第三方评价。

如果企业要做能力评估或应对 DCMM 贯标,重点看 GB/T 36073-2025。它在 2025 年 12 月 31 日发布,2026 年 7 月 1 日实施,替代 2018 版。新版的一级能力域由 8 个增至 9 个,二级能力项由 28 个增至 33 个,覆盖数据战略、数据治理、数据架构、数据资产、数据标准、数据质量、数据安全、数据生存周期和数据应用流通。DCMM 是评估模型,不能替代企业内部标准。 它可以告诉你哪些能力缺失,不能替你决定指标口径。

如果企业要设计质量指标,GB/T 36344-2018 更直接。它管的是数据质量评价指标的框架和说明,适合用来统一质量报告的口径。

2. 国际标准怎么用

ISO/IEC 38505-1 把 ISO/IEC 38500 的治理原则和模型应用到数据治理,面向组织的治理机构,帮助他们评估、指导和监督数据的使用与保护。2026 年更新后的版本仍然延续这一思路。它适合管理层用来明确责任和监督机制,不直接提供字段级标准。

DAMA-DMBOK 更适合作为共同语言。它把数据治理放在数据管理知识体系的中心,统领数据架构、数据质量、数据安全等职能。企业可以用它设计治理职能和角色,再结合国内标准和自身业务落到具体规则。

五、一套标准有没有落地,看五个判断点

判断一套数据治理标准是否有效,不看文档厚度,看它能不能被使用、被检查、被追溯。

  • 有没有唯一责任人。 每个核心数据对象都要有一个业务责任人,能解释含义、边界和例外。写成部门不算,部门里没有具体的人,边界条件仍然没人拍板。
  • 定义能不能被计算。 指标标准要写清分子、分母、统计周期、时间窗口和排除条件。只写名称和一句解释,开发仍然只能猜。
  • 有没有系统映射。 标准要能对应到具体字段、事件、指标和下游报表。没有映射表,标准变化时无法判断哪些系统需要改。
  • 有没有变更记录。 每次变更要留下原因、影响范围、生效日期、迁移方案和批准人。破坏性变更还要做双轨运行或历史数据标注。
  • 有没有用结果检验。 可以看标准覆盖率、落标率、校验通过率和口径争议修复时长。四个指标一起看,才能区分文档发了和系统已经执行了。

这五个判断点也可以当作验收清单。新标准发布前逐项检查,缺哪一项就补哪一项,比继续扩标准范围更有用。

使用外部标准时,可以先做三项核对,再转成内部要求。

  • 核对适用对象。确认标准针对哪些组织、数据或业务,不把其他行业的要求直接套用。
  • 核对版本与状态。区分已发布、现行、即将实施和废止;目录页能核对名称与状态,具体要求仍需查相应条文。
  • 落实内部执行。明确哪些岗位执行、哪些系统检查,以及出现例外时如何审批和记录。

标准编号本身不能代替业务判断。是否适用、怎样执行,应当能够追溯到具体依据。

六、AI 时代,标准为什么还要能被机器执行

大模型和数据分析 Agent 进入日常取数后,标准多了一个使用方:机器。人可以根据上下文猜出活跃用户大概指什么,Agent 不会。 它会把指标定义、维度、时间窗口和权限当成输入,定义有歧义,输出就会跟着偏。

这带来三个要求。指标和业务术语要有唯一来源,不能同一概念在多个文档里各写一版。定义要能被结构化调用,不能只存在于 Word 或会议纪要里。变更要可追溯,Agent 引用了旧口径时,团队能查到版本和影响范围。

以 ThinkingAI 企业级知识库为例,它把业务术语、指标定义、口径说明和变更记录加工成 Agent 可调用的知识,用 SSOT 保证同一概念在全系统只有一处定义,用 ChangeSet 记录每次更新,支持对比和回滚。它适合解决口径分散、版本难追溯的问题;字段级落标、系统改造和质量监控仍要配合元数据、质量规则和研发流程。ThinkingAI 已服务全球超过 1500 家企业、接入产品超过 8000 款,这类规模下,口径维护很难只靠人工。

如果企业正在建设面向 Agent 的语义层,可以参考Agent 语义层建设指南里的分层方法。先把指标、实体、维度和权限定义清楚,再让 Agent 调用,比先上工具再补定义更稳。

常见问题

1. 数据治理标准是一份文件吗

它可以表现为一套文件,但要能运行,至少还要有责任人、系统映射、质量检查、变更流程和考核指标。只有文件,没有执行机制,标准很难持续。

2. 数据治理标准和数据标准有什么区别

数据标准是数据治理标准的一个组成部分,管数据的定义、格式、编码和口径。数据治理标准还包括治理组织、职责分工、决策流程、质量管理、安全合规和考核机制。

3. 企业一定要按 DCMM 建标准吗

不一定。DCMM 是数据管理能力成熟度评估模型,适合用来找能力短板和制定改进计划。企业内部标准仍要按业务定义、系统结构和责任边界来定。把 DCMM 的条款直接抄成制度,容易出现文件和实际两张皮。

4. 中小企业需要做数据治理标准吗

需要,范围可以更小。先统一核心指标和跨系统复用的主数据,明确一个业务责任人、一张标准卡、一份系统映射和一条变更流程。系统少的时候建立标准成本更低,等系统增多再补,改造代价更高。

5. 标准制定后执行不下去怎么办

先查三个关口:需求评审有没有标准检查,开发有没有映射和校验,上线有没有验收。三个关口都缺失时,先选一个影响经营决策的对象跑通闭环,不要继续扩标准范围。再确认业务责任人是否实际参与,标准是否写到了可计算的程度。

参考资料

推荐文章

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