DAMA 那套理论，到底怎么在数据中台落地？

搞数据的同学大概都翻过 DAMA-DMBOK。

国际数据管理协会（DAMA International）出的这本「数据管理知识体系指南」，基本上是这个领域的「圣经」级读物。

DAMA 给数据管理下了个经典定义：

"Data Management is the development, execution, and supervision of plans, policies, programs, and practices that deliver, control, protect, and enhance the value of data and information assets throughout their lifecycles."

—— DAMA International

翻译成人话就是：

数据管理 = 围绕数据全生命周期，定规划、建制度、跑流程、做实践，目标是让数据资产持续保值增值。

DAMA-DMBOK 把数据管理拆成了多个知识领域——治理、架构、质量、安全、元数据、主数据……基本覆盖了你做数据能遇到的方方面面。

但现实很骨感。

DAMA 告诉你「应该做什么」，没告诉你「从哪开始、怎么推」。

尤其在数据中台项目里，你要的不是一本教科书，而是一套能指导施工的工程方法。

龙石数据提出的 「理采存管用」 方法论——它正好能把 DAMA 的理论转成可执行的落地路径。

下面聊聊怎么用。

一、DAMA 的 11 个知识领域：先看一眼全景

做映射之前，先把 DAMA 的核心领域快速过一遍：

覆盖很全。DAMA 确实回答了「应该建设哪些能力」。

但更现实的问题是：

• 这些能力怎么组织？
• 哪些先做、哪些后做？
• 怎么形成建设闭环？

二、DAMA vs DCMM：国际理论 + 中国标准

国内做数据治理，除了 DAMA，还有一个绕不开的东西——DCMM。

DCMM（数据管理能力成熟度评估模型）是我国首个数据管理国家标准（GB/T 36073-2018）。DCMM 2.0（GB/T 36073-2025，2026年7月实施）能力域已扩展至 9 个，新增"数据资产"。

标准原文是这么说的：

"帮助组织运用先进的数据管理理念和方法，建立和评价自身数据管理能力，持续完善数据管理组织、程序和制度，充分发挥数据在促进组织战略达成方面的价值。"

DCMM 把数据管理能力拆成 8 大能力域：

• 数据战略
• 数据治理
• 数据架构
• 数据标准
• 数据质量
• 数据应用
• 数据安全
• 数据生命周期

外加 5 级成熟度：

• 一级：初始级
• 二级：受管理级
• 三级：稳健级
• 四级：量化管理级
• 五级：优化级

三者关系可以这么看：

不冲突，只是分工不同：

• DAMA → 建设什么能力
• DCMM → 能力到哪个水平
• 数据中台 → 怎么把这些能力真正建出来

三、理采存管用：DAMA 的施工版

如果 DAMA 是「教材」，那龙石数据的「理采存管用」就是「施工手册」。

五阶方法论不是对 DAMA 的裁剪，而是按工程顺序重新编排：

DAMA 的 11 个领域被系统性地分配到了 5 个阶段。

其中「管」阶段承载最多——质量、元数据、主数据、安全全部在这个环节集中落地。

关键不是分类，是顺序。

DAMA：要做什么。
理采存管用：先做什么、后做什么、怎么串起来。

四、顺序错了，项目基本就翻了

很多中台项目崩掉，不是某个领域没做，而是做早了。

错误一：没「理」就先「采」。

资产没盘点、标准没定、治理组织没建——就开始写 ETL 脚本接数据。

结果？数据口径对不上，后面全返工。

上海某化工企业就是典型：项目启动后直接接 MES 和 ERP，三个月后发现物料编码两边完全不同，之前的工作白干。

正确姿势：先「理」——统一主数据标准、建质量规则，再进采集。调整后，交付及时率从不到 70% 拉到 91%。

错误二：没「管」就先「用」。

标准没统一、质量没控住、元数据没采——就开始做报表和 AI。

常见后果：同一个销售额，BI 页面和财务系统差几百万，业务再也不敢碰中台。

错误三：「管」只做技术检查，不做业务治理。

DAMA 一直强调：数据治理首先是组织治理——要有明确的权责和考核。

质量规则只跑在技术层，没人为业务口径负责，那问题永远不会从源头消失。

五、AI 时代，治理不是变弱了，是更强了

大模型火了之后，企业都在搞：AI 问数、AI 分析助手、企业知识库。

但踩过坑的都知道——AI 的天花板，是数据质量。

这两年有个趋势叫 Data-Centric AI，核心观点很简单：

与其死磕模型调参，不如把数据质量和治理做好，ROI 更高。

逻辑不难理解：如果指标定义不统一、主数据混乱、元数据缺失——AI 只会更快地给你错误答案。

所以 AI 时代没有削弱数据治理，反而把它提到了基础设施的地位。

「理采存管用」里的「管」，本质是在给未来的 AI 铺路。

「用」阶段里的智能问数、智能分析，就是治理成果的集中兑现。

政策层面也在验证这个趋势。2026 年江苏省数据局启动了高质量数据集建设试点，全省 147 个项目入选。其中「高质量数据集智能底座」项目入选平台搭建类试点——高质量数据集建设正在从政策走向工程，而数据治理是这一切的底座。

六、实操路径：四步走

结合 DAMA 框架 + 理采存管用，建议这样推：

第一步：用 DAMA 做快速自评。

启动中台前，对照 11 个领域过一遍：哪些有基础？哪些是空白？

一周就能做完。但它能帮你躲开后面几个月的方向性错误。

第二步：用「理」阶段建治理基础。

根据评估结果，优先建治理组织和数据标准。

DAMA 的「数据治理」领域落到实践里就是这一步——明确谁对数据质量负责、统一主数据编码、建立变更流程。

第三步：采、存、管螺旋推进。

别追求一步到位。选 1-2 个高价值数据域（客户域、产品域），跑通「采集→建模→治理」闭环。

形成可复用模板后，再横向扩展。

第四步：「用」驱动迭代。

治理是为了用。把治理后的数据通过 API、BI、AI 问数推给业务端。

业务使用中产生的新需求，反馈回「理」阶段，启动下一轮。

闭环就转起来了。

七、常见问题

Q1：DAMA 和 DCMM 什么关系？

DAMA 是国际知识体系（DMBOK），DCMM 是中国国标（GB/T 36073-2018）。DCMM 2.0（GB/T 36073-2025，2026年7月实施）能力域扩展至 9 个，新增"数据资产"。

DCMM 参考了 DAMA 的框架，但加了成熟度等级评估（1-5 级）。

核心思想一致：数据治理首先是组织治理，其次才是技术治理。

Q2：中小企业需要搞完 11 个领域吗？

不用。优先干这四个：数据治理、数据质量、主数据、元数据。

先把数据「管明白」，四个跑通了，数据仓库和 BI、安全的优先级自然上来。

Q3：理采存管用和 DAMA 冲突吗？

不冲突。DAMA 是知识框架，理采存管用是施工方法。

可以理解成「DAMA 的工程版」——保留核心思想，按实践重新编排了顺序和重点。

Q4：治理能力建设要多久？

看起点。如果已有一定数据基础，可以单域快速验证：

• 短期（3 个月）：跑通一个数据域的「理→采→存→管→用」全流程，让业务看到效果
• 中期（6-12 个月）：扩展到 3-5 个核心域，建立治理运营常态机制
• 长期（1-2 年）：治理变成日常习惯而非专项项目

核心心法：别想一步到位。先跑通一个域，用效果换资源，比一上来就铺开靠谱得多。

参考来源

[1] DAMA International，《What is Data Management?》

[2] DAMA International，《DAMA-DMBOK2 Data Management Body of Knowledge》

[3] GB/T 36073-2018《数据管理能力成熟度评估模型（DCMM）》

[4] 国家数据局，《"数据要素×"三年行动计划（2024—2026年）》

[5] Andrew Ng 等，《Data-Centric AI Resource Hub》

[6] 中国电子信息行业联合会，《DCMM标准解读与实施指南》