数据治理成熟度模型：DCMM、DAMA-DMBOK 与评估方法

聊数据治理，绕不开一个灵魂拷问：我们公司到底处在什么水平？

我见过太多团队，一上来就照着行业标杆抄作业。结果呢？流程建了一堆，工具买了一大堆，最后发现根本跑不动。为什么？因为你的成熟度还没到那个阶段。

这一章，我们就来拆解成熟度模型。我会把 DCMM、DAMA-DMBOK 这些概念掰开揉碎，再结合我踩过的坑，告诉你到底怎么选、怎么用。

DCMM 模型：中国自己的数据管理成熟度标准

DCMM，全称是《数据管理能力成熟度评估模型》。这是咱们国家自己出的标准，GB/T 36073-2018。说实话，我最早接触 DCMM 是在给一家国企做咨询的时候，甲方明确要求必须参照这个标准。

DCMM 把数据管理能力拆成了 8 个能力域，每个域下面还有更细的能力项。这 8 个域分别是：

• 数据战略 —— 规划、愿景、路线图
• 数据治理 —— 组织、制度、沟通
• 数据架构 —— 模型、分布、集成
• 数据标准 —— 元数据、主数据、参考数据
• 数据质量 —— 质量规则、监控、改进
• 数据安全 —— 分级分类、权限、审计
• 数据应用 —— 分析、服务、共享
• 数据生命周期 —— 产生、存储、归档、销毁

每个能力域又划分了 5 个成熟度等级：

等级	名称	核心特征
L1	初始级	凭经验做事，没有规范流程
L2	受管理级	有制度，但执行靠个人
L3	稳健级	流程标准化，有专人负责
L4	量化管理级	用数据说话，有量化指标
L5	优化级	持续改进，驱动业务创新

DAMA-DMBOK：国际通行的知识框架

DAMA-DMBOK，全称是 The Data Management Body of Knowledge。这是国际数据管理协会（DAMA）出的。说白了，它更像一本「百科全书」，告诉你数据管理应该包含哪些内容。

DMBOK 把数据管理分成 11 个知识领域：

1. 数据治理
2. 数据架构
3. 数据建模与设计
4. 数据存储与操作
5. 数据安全
6. 数据集成与互操作
7. 文档与内容管理
8. 参考数据与主数据
9. 数据仓库与商务智能
10. 元数据
11. 数据质量

和 DCMM 不一样，DMBOK 没有给出具体的成熟度等级。它更像是一个「能力地图」，告诉你应该关注哪些方面。我个人习惯把 DMBOK 当作「体检清单」，用来检查有没有遗漏的治理领域。

成熟度评估方法：到底怎么评？

评估方法，说白了就三种路子：

• 自评问卷 —— 快，但主观性强。适合摸底。
• 专家访谈 —— 深，但费时间。适合关键域。
• 证据评审 —— 准，但成本高。适合正式评估。

我建议的做法是：先自评，再抽几个关键域做访谈，最后用证据验证。 别一上来就搞全量证据评审，团队会崩溃的。

举个例子，评估「数据质量」这个域：

评估方式	具体操作	产出
自评问卷	问「是否有数据质量规则？」	是/否/部分
专家访谈	问「规则怎么定义的？谁来执行？」	定性描述
证据评审	看规则文档、监控截图、问题工单	量化证据

如何选择适合企业的成熟度模型？

这个问题，我每次被问到都会反问三个问题：

1. 你们是什么行业？ —— 金融、电信、政务，DCMM 更对口。外企或出海业务，DMBOK 更通用。
2. 你们多少人？ —— 小团队别搞大框架，先抓数据质量和安全两个域就够了。
3. 你们最痛的点是什么？ —— 如果天天被监管罚款，先做安全评估。如果报表对不上，先做质量评估。

我个人的建议是：用 DCMM 的等级体系，结合 DMBOK 的知识领域，自己拼一个「定制版」评估模型。 别死磕某一个标准，标准是工具，不是枷锁。

举个例子，一家 200 人的互联网公司，最痛的是数据质量。那评估模型可以简化成：

• 数据质量（DCMM L1-L5）
• 数据架构（DCMM L1-L3，够用就行）
• 数据安全（DCMM L1-L3，合规底线）
• 其他域（暂不评估）

这样既聚焦，又不会把团队累垮。