数据治理技术架构图要回答三个问题:数据从哪里来,经过哪些组件,在哪些节点被治理规则约束。图上的方框代表组件,箭头代表数据流,虚线代表标准、质量、安全和元数据要求如何作用到数据链路。
一张好用的图不需要画满所有系统。它要让架构、开发和业务在评审时看到同一件事:每个组件有明确职责,每段数据流有方向和输入输出,每个治理动作有落点。 如果还在确认治理范围、组织角色和总体框架,可以先看数据治理。
画法可以先记住一条主线:先按数据链路分层,再把治理组件挂到实际生效的节点,最后用数据流、控制流、反馈流三类箭头把关系画出来。 下面按组件分工、数据流向、绘制步骤和裁剪方法展开。
一、数据治理技术架构图到底画什么
数据治理技术架构图是对数据治理技术支撑体系的层次化表达。它把采集、存储、加工、服务等处理组件,与标准、质量、元数据、安全等治理组件放在同一张图里,并标出数据流和控制关系。
它常和另外三类图混在一起。下面这张表可以帮助区分。
| 图类型 | 回答的问题 | 主要元素 | 不该出现的内容 |
|---|---|---|---|
| 数据治理技术架构图 | 组件如何分工,数据如何流动,规则在哪里生效 | 分层、组件、接口、数据流、控制流 | 汇报线、会议机制 |
| 组织架构图 | 谁决策、谁执行、谁监督 | 部门、角色、汇报关系 | 表、字段、加工任务 |
| 流程图 | 一项工作按什么顺序完成 | 步骤、判断、责任人 | 系统分层 |
| 数据架构图 | 数据如何建模、分布、存储和追溯 | 主题域、模型、实体关系、分层 | 平台运维细节 |
国家标准 GB/T 34960.5-2018 于 2019 年 1 月 1 日实施,它把数据治理要求分为顶层设计、治理环境、治理域和治理过程四部分。技术架构图主要承接治理域中的标准、质量、安全、元数据和生命周期要求,以及治理过程中的监控与改进。组织决策和制度流程仍要由治理架构和组织架构表达。
一张可复用的图,通常包含四类信息。
- 分层与边界:哪些系统在图内,哪些暂不纳入。
- 关键组件:每层放能力组件,不把所有产品功能铺上去。
- 三类流向:数据流、控制流、反馈流。
- 责任与证据:关键节点由谁负责,用什么结果验收。
组件名称可以不同,分层和控制点不能缺。 行业里没有一张统一模板,不同框架、厂商和行业的组件命名有差异。照搬某张图容易出现组件对不上现状的问题,可以复用的是分层方法、控制点和接口关系。
二、五层组件怎么分工
下面这套五层分工可以作为底图。企业按现有系统增删组件,层的顺序和接口关系不要省。数据治理组件分布在处理链路的不同位置,治理能力层是集中管理界面。
| 层级 | 常见组件 | 主要职责 | 关键输出 |
|---|---|---|---|
| 数据源层 | 业务库、日志、埋点、第三方接口、文件、消息队列 | 提供原始数据和变更 | 数据源清单、变更方式 |
| 接入与集成层 | 批量同步、变更捕获、实时接入、文件传输、API 采集、调度 | 把数据稳定搬到湖仓,做格式转换和初步校验 | 接入任务、脏数据记录、延迟监控 |
| 存储与计算层 | 数据湖、数据仓库、湖仓、计算引擎、调度 | 分层存储和加工 | ODS、DWD、DWS、ADS 表 |
| 治理能力层 | 元数据、血缘、标准、质量、主数据、安全、生命周期、资产目录 | 把规则变成配置、校验和记录 | 标准卡、质量结果、血缘图、权限策略、资产条目 |
| 服务与应用层 | BI、指标平台、标签、数据 API、分析 Agent | 把数据变成报表、接口和洞察 | 报表、指标、标签、API、分析结果 |

图 1:四层数据链路 + 右侧治理能力带,虚线为治理规则的生效点(通用示意,不代表特定厂商)。
1. 数据源层:先盘清有什么、怎么变
数据源层包括业务库、日志、埋点、第三方接口、文件和消息队列。画图前先确认四件事:主键、更新方式、时间口径、数据量与责任人。源系统说不清变更方式,后面的增量同步和质量校验容易返工。 常见缺口是字段没有说明、删除操作没有被捕获、不同系统时区不一致。
2. 接入与集成层:决定数据能否按时到达
接入层负责批量同步、变更捕获、实时消息订阅、文件传输和 API 采集。选择方式看三个条件:业务能接受的延迟、源系统的压力、是否需要捕获更新和删除。报表和月度经营分析走批量链路更稳定,风控、实时推荐和异常告警才需要实时链路。
这一层的控制点包括表结构变更告警、断点续传、脏数据归档、延迟监控和失败重跑。任务有负责人、延迟可监控、失败可重跑,接入层才算可运维。
3. 存储与计算层:把原始数据加工成可复用模型
常见分层是贴源层 ODS、明细层 DWD、汇总层 DWS 和应用层 ADS,不同企业的命名和层数会有差异。标准在建模时落地,包括命名、字段类型、主键、分区、更新策略和指标口径。血缘在加工任务运行时采集,记录表与字段的来源和去向。
实时链路可以和批量链路并行,共用同一套标准和元数据。核心表要有主题域、有血缘、有生命周期策略,缺一项,问题排查时都容易卡住。
4. 治理能力层:规则进入链路的控制点
治理能力层由多组组件构成,每组组件都要找到进入数据链路的节点。下面的分工可以作为组件清单。
| 治理组件 | 主要作用 | 进入链路的位置 | 留下的证据 |
|---|---|---|---|
| 元数据与血缘 | 记录表、字段、任务、指标的含义和关系 | 接入、开发、发布、变更 | 元数据版本、血缘图、影响分析记录 |
| 数据标准 | 统一命名、类型、编码和指标口径 | 建模、开发、指标定义 | 标准卡、落标检查结果 |
| 数据质量 | 按规则校验完整性、唯一性、及时性等 | 接入后、加工后、服务前 | 校验结果、告警、整改工单 |
| 主数据 | 维护客户、产品、组织等共享实体 | 跨系统整合、服务调用 | 主数据编码、映射关系 |
| 数据安全 | 分类分级、权限、脱敏、审计 | 接入、存储、查询、导出 | 分级标签、授权记录、审计日志 |
| 生命周期 | 定义归档、保留和删除 | 表设计、上线、下线 | 保留策略、归档记录 |
| 资产目录 | 登记可复用资产和责任人 | 发布、服务 | 资产卡片、责任人、使用记录 |
元数据管理负责记录表、字段、任务和指标的含义与关系,血缘是其中的关系视图。数据质量管理负责把完整性、唯一性、及时性等要求变成可执行的规则。两项能力都需要在开发流程里自动采集和校验,靠人工填表很难持续。
以华为云 DataArts Studio 为例,它的功能划分为管理中心、数据集成、数据架构、数据开发、数据质量、数据目录、数据服务、数据安全,数据质量检查覆盖完整性、有效性、及时性、一致性、准确性、唯一性六个维度。这类划分可以作为组件对照,实际采用哪些模块取决于企业现有平台和治理范围。标准、质量、安全、元数据和资产目录的协同方式,可以参考治理架构的协同接口。
5. 服务应用层:治理结果要被使用
服务层包括 BI 报表、指标平台、标签、数据 API 和 AI 分析应用。它承担两件事:把治理后的数据交付给业务,把使用中的问题反馈回治理层。同一指标在报表、接口和 AI 问数中结果一致,是服务层最直接的验收信号。
服务目录要写清数据范围、更新频率、责任人和授权方式。缺少这些信息,服务层会退化成取数窗口。调度、监控和审计跨越多层,画图时可以用纵向条带表示,不必为每个任务单独设层。
三、数据从源系统到应用怎么流
把箭头走一遍,才能发现组件之间的接口是否闭合。数据流向要从源系统一直走到应用出口,下面用订单支付数据举例,换成用户行为、库存或财务数据,路径相同。
- 产生:业务系统写入订单支付记录,同时产生操作日志或消息。
- 接入:批量任务或变更捕获把记录抽到 ODS,记录源表、批次、抽取时间和责任人。
- 校验:接入后检查非空、主键唯一、金额范围、时间延迟;不合格数据进入脏数据区,不直接覆盖主表。
- 标准化:清洗、去重、类型转换、编码映射,落到 DWD;字段命名和取值按标准卡执行。
- 汇总:按主题建模,生成 DWS 汇总表,指标口径在指标层统一定义。
- 服务:发布为报表、API 或标签,按角色授权,敏感字段脱敏,调用留下日志。
- 反馈:业务发现问题后开工单,用血缘定位源表和任务,整改结果回到标准、质量规则或接入配置。
治理动作要跟数据动作成对出现。 数据每前进一段,图上就应有一个对应的校验、记录或授权动作;只有组件没有动作,图就只是系统清单。
| 阶段 | 数据动作 | 治理动作 | 留下的证据 |
|---|---|---|---|
| 产生 | 业务写入 | 指定数据负责人、做分类分级 | 源系统登记 |
| 接入 | 抽取、加载 | 接入规范、延迟和完整性检查 | 任务日志、脏数据记录 |
| 加工 | 清洗、建模 | 标准落标、质量规则、血缘采集 | 标准卡、校验结果、血缘图 |
| 服务 | 发布 API、报表 | 权限、脱敏、服务目录 | 授权记录、调用日志 |
| 使用 | 分析、决策 | 问题工单、口径复盘 | 工单、复盘记录、版本变更 |
图上的流向建议分三种。
- 数据流用实线箭头,从源系统指向服务出口。
- 控制流用虚线,从治理组件指向真正生效的处理节点。
- 反馈流用点线,从质量结果、监控和审计回到治理运营。
三种流混成一条,读者就看不出规则在哪里生效。
实时链路只覆盖需要秒级响应的场景,比如风控、实时推荐和异常告警。报表和月度经营分析走批量链路,稳定性和成本更容易控制。两条链路可以共用治理组件,不必各建一套标准和质量规则。
四、图例、连线和节点怎么画
画图顺序建议从数据流开始,再补治理控制点,最后补责任和证据。
| 步骤 | 要做的事 | 完成信号 |
|---|---|---|
| 1 定边界 | 写清主题域、系统范围和数据截止时间 | 读者知道哪些系统在图内、哪些不在 |
| 2 画层 | 画出源、接入、存储计算、治理、服务五层 | 层间接口尽量不超过三类 |
| 3 放组件 | 每层放 2 到 5 个能力组件 | 每个组件能用一句话说清职责 |
| 4 连数据流 | 主链路用实线箭头标方向 | 从任一数据源能走到至少一个应用 |
| 5 加控制流 | 用虚线把治理组件连到生效节点 | 每条规则能找到落点和证据 |
| 6 补节点卡 | 写输入、输出、责任角色和验收信号 | 评审时不用再问谁负责 |
| 7 做图例 | 标图形含义、版本号和维护人 | 其他人能独立读图 |
节点卡是把图从示意变成可评审材料的关键。 关键组件至少写清下面几项。
| 字段 | 示例写法 |
|---|---|
| 组件名 | 实时接入 |
| 职责 | 把订单库变更在约定延迟内送入 ODS |
| 输入 | 订单库变更日志 |
| 输出 | ods_order_change 表 |
| 责任角色 | 数据平台接入组 |
| 控制点 | 结构变更告警、延迟监控、主键唯一校验 |
| 验收信号 | 延迟达标、失败可重跑、脏数据可查 |
示例中的延迟按企业自己的服务等级填写,不需要照搬固定数字。
画图时还有几条约定值得固定下来。颜色只区分层或流类型,并在图例中说明,不用颜色暗示成熟度或优先级。组件名用动词加对象,比如接入、清洗、建模、服务,避免只写产品名。总图放能力组件,产品名和版本放节点卡。目标架构和现状架构分开画,或者在同一张图上明确标注。图和正文使用同一套术语。
五、不同企业怎么裁剪这张图
五层是底图,企业不必一次建全。裁剪看三个条件:数据规模与时效、现有平台、治理问题的集中点。
| 企业阶段 | 先保留 | 可以后补 | 判断条件 |
|---|---|---|---|
| 起步期 | 源、接入、存储计算、一个报表出口、基础质量校验 | 主数据、资产目录、自动血缘 | 问题集中在取数慢、口径不一致 |
| 成长期 | 增加元数据、血缘、标准、质量、权限 | 生命周期自动化、服务目录 | 多系统复用增加,问题定位依赖人工 |
| 集团多组织 | 增加多租户、多集群、统一目录、分级授权 | 按域细化模型和规则 | 总部要统一口径,业务线要属地管理 |
| 实时业务 | 在接入和计算增加实时链路 | 实时质量规则逐步补齐 | 延迟直接影响收入、风险或用户体验 |
起步期先把一条链路画通,比把五层画满更有用。选一个主题域,明确源表、ODS、DWD、指标和报表,配上三项质量检查和一份标准卡。图上每个节点都能找到负责人,这张图就能进入评审。治理范围、组织与路线怎么排,可以参考数据治理架构规划。
已有数仓的企业不必推倒重建。ThinkingAI 的 ThinkingEngine 提供数据开发、分析以及元数据、血缘、质量、安全等治理组件,跨源映射可以连接现有数据源,减少推倒重建。服务全球 1500 家企业、接入超 8000 款产品的背景,也意味着存量系统差异很大,架构图要按现状裁剪,不能照搬厂商的标准图。具体组件范围和部署方式,以当前版本和实际环境为准。
组织和制度底座怎么搭,可以参考企业级数据治理体系。
AI 分析场景要补语义层。分析 Agent 需要的不只是表结构,还需要指标定义、业务规则和权限边界。语义层要和指标、主数据、元数据共用一套定义,否则同一个问题会得到不同答案。ThinkingAI 的企业级知识库用 SSOT 机制保证同一概念只有一处定义,用 ChangeSet 记录变更,适合把口径同步给多个 Agent 的团队。具体怎么建,可以参考Agent 语义层建设指南。
六、常见错误与检查清单
| 常见错误 | 表现 | 修正 |
|---|---|---|
| 把组织架构当技术架构 | 图上是部门和汇报线 | 技术图画组件和流向,组织关系放节点卡 |
| 只有组件没有流向 | 方框很多,箭头很少 | 每条主链路至少画到一个应用出口 |
| 治理层悬空 | 标准、质量单独一列,不连到任何节点 | 用虚线连到建模、接入、服务节点 |
| 组件粒度过细 | 每个产品功能都画上去 | 总图按能力分组,产品名放节点卡 |
| 没有责任和证据 | 评审时问谁负责、怎么验收 | 每个关键节点补责任角色和验收信号 |
| 图和现状不一致 | 图画的是目标,文字说的是现状 | 标注版本,目标图和现状图分开 |
交稿前可以用下面八项自查。
- 图的主题域和边界写清了吗?
- 从任一数据源到应用,主链路能走通吗?
- 每个治理组件是否找到了生效节点?
- 每个关键节点是否有负责人和验收信号?
- 实时和批量链路是否分开表达?
- 权限、脱敏和审计是否覆盖服务层?
- 图例、版本号和维护人是否齐全?
- 图上的产品名、版本和来源是否可核验?
常见问题
数据治理技术架构图和组织架构图有什么区别?
技术架构图回答组件如何分工、数据如何流动、规则在哪里生效。组织架构图回答谁决策、谁执行、谁监督。两张图都需要,不建议合并。组织角色可以写进关键节点的责任卡,汇报关系留在组织架构图里。
数据治理技术架构图和数据架构图有什么区别?
数据架构图重点画主题域、数据模型、分布、集成和血缘。数据治理技术架构图重点画治理组件和控制点,以及它们如何作用到数据链路。两者在标准、元数据和血缘处重叠,可以画成两张图,也可以在一张图上用纵向治理带区分。
最少要画哪些组件?
至少要有数据源、接入、存储与计算、一个服务出口,以及元数据、质量和安全三组控制点。只做一个主题域时,一份标准卡和三项质量检查就能支撑起步。组件数量没有统一门槛,能把主链路和治理动作说清即可。
没有数据中台能画吗?
可以。现有数仓、BI、业务系统和脚本都能承载治理动作。平台化程度影响自动化和规模化,不影响这张图是否需要画。先用现有系统画清责任、规则和证据,再决定补哪些平台能力。
图要画到字段级吗?
总图画到能力组件和接口,字段级内容放到分域详图或节点卡。总图塞入大量字段会看不清主链路,评审时也很难发现接口缺口。核心指标可以单独做一张链路图,从源字段追到报表。
AI Agent 接入后要补什么?
补语义层、知识版本、权限审计和结果溯源。Agent 需要可检索、可追溯的业务定义,涉及敏感数据或写操作时要有授权和人工确认。原有五层结构仍然适用,治理层要增加语义和知识治理,服务层要增加对 Agent 调用的审计。
这张图多久更新一次?
发生数据源新增、主题域调整、平台替换、指标口径变更或组织责任变化时更新。即使没有大变化,也建议每季度检查一次,每年做一次完整复审。图上的版本号和维护人要能被找到。
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》,2018-06-07 发布,2019-01-01 实施。






