数据治理总是推不动？DCMM 2.0 给出的七步落地路径（附自评速查表）

一、先建平台还是先做治理？卡住的从来不是技术

很多做数据方向的技术同学应该都经历过类似场景：管理层要求对标DCMM启动数据治理，业务部门主张先把数据平台搭起来，"有了平台数据自然就通了"；技术团队则认为得先梳理数据标准，"标准没统一，接再多数据也是乱的"。项目卡在"先做什么"上，一拖就是大半年。

一家中型制造企业的CIO最近就困在这个局面里：上级要求年内启动数据治理、对标DCMM，预算批了，但第一步到底该做什么，他始终无法拍板——团队内部的两种声音谁也说服不了谁。

这并非个例。过去几年，不少企业在这件事上走了弯路：一种是花大价钱采购了数据平台，部署完却发现数据还是乱的、标准还是散的、跨部门协调还是推不动，平台有了、治理没跟上；另一种是长期停留在"准备"状态，做规划、写制度、梳理需求，却始终没有启动一个真正可落地的场景，投入看不到产出，耐心逐渐耗尽。

两种困境都指向同一个问题：数据治理的起点到底在哪？DCMM 2.0（GB/T 36073-2025）的发布，给出了一套系统的参考框架，它回答了企业"应该具备哪些能力"，但要把这些能力从纸面标准变成日常实践，还需要一条清晰的实施路径。本文基于DCMM 2.0框架，梳理了一条七步落地路径，供参考。

二、前置认知：DCMM 2.0的核心变化与落地逻辑

2.1 DCMM 2.0速览

2025年12月31日，国家市场监督管理总局、国家标准化管理委员会正式发布了GB/T 36073-2025《数据管理能力成熟度评估模型》（即DCMM 2.0），于2026年7月1日起实施，替代此前已运行七年的GB/T 36073-2018（DCMM 1.0）[1]。

相比1.0版本，DCMM 2.0有四个值得关注的变化：

从八域到九域。 DCMM 2.0将能力域从8个扩展为9个，新增"数据资产"域，形成数据战略、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、数据应用流通九大能力域的完整框架，下设33个能力项、486项评估指标[1]。

数据资产独立成域。 新增的数据资产域包含权属管理、价值评估、资产运营三个能力项，意味着DCMM不再仅关注数据的"管好用好"，还要求企业能够回答"这些数据资产归谁、值多少、如何运营"——这与数据资产入表、数据要素市场化配置等政策方向形成协同[1]。

安全要求实质性升级。 安全域的能力项从1.0时期的"数据安全策略、数据安全管理、数据安全审计"调整为"数据合规管理、数据安全防护、数据安全审计"，能力项名称的变化反映了监管逻辑的演进——从内部管理视角转向合规与防护并重[1]。

量化管理引入AI。 L4量化管理级的特征描述中明确提到"引入人工智能等先进技术，全面提升数据管理工作效率"[1]。这不是强制要求，但释放了一个明确的信号：AI能力正在成为数据管理高级成熟度的关键支撑。

截至2025年11月，全国DCMM贯标企业总数已达10,448家，其中达到最高等级DCMM 5级的企业全国共33家[2]。

2.2 落地不始于建平台

上述变化让DCMM 2.0的标准框架更加完整，但也更容易让企业产生一种误判：既然标准要求覆盖九个能力域，是不是应该先把数据治理平台建全了再说？

DCMM评估的是"数据管理能力"，而不是"有没有对应系统"。在九个能力域中，数据战略、数据治理、数据标准等"软能力"占据了相当重要的位置——这与DAMA数据管理知识体系（DMBOK 2.0）对数据治理组织与制度建设的强调是一致的[4]。而这些能力的建立并不依赖平台——战略规划需要管理层共识，治理制度需要跨部门协同，数据标准需要业务和技术团队对齐口径。平台可以固化这些流程、提升执行效率，但不能替代组织的认知对齐和制度建立。

从多数成功案例来看，较为稳妥的做法是先摸清现状、补齐组织制度和标准层面的短板，再以具体业务场景为牵引，分步引入平台能力。平台是能力落地的手段，不是起点。

三、七步落地路径：从评估到规模化推广

说明：以下七步是基于DCMM 2.0框架和企业实践总结的实施路径参考，企业可根据自身现状和业务优先级调整顺序和深度。这不是国家标准规定的唯一流程。

3.1 第一步：评估现状——用DCMM做一次"体检"

不一定要立即启动正式贯标评估。对大多数企业来说，更高效的做法是先按照DCMM 2.0的九大能力域框架，做一次内部自评。

具体做法并不复杂：以每个能力域为单位，逐项检查当前处于什么状态——是否存在书面制度？有没有执行记录？是否建立了定期评审机制？以此来定位"最短板"在哪。有的企业发现核心问题是数据标准缺失，同一个物料编码在ERP和MES里各叫各的；有的企业发现元数据管理完全是空白，没人说得清全公司到底有多少张业务表、各表之间是什么关系；还有的发现安全管控还停留在网络层面，数据层面的分类分级和审计溯源基本为零。

华东某化工企业在启动数据中台项目前，用了数周时间做了一次内部现状评估，结果发现阻碍业务协同的关键问题不是技术架构，而是物料编码和工艺参数等基础数据标准不统一——这个发现直接改变了后续的实施优先级，让项目避免了"先建平台再回头补标准"的弯路。

3.2 第二步：组织保障——先有"人管"，才有"数管"

DCMM 2.0的数据治理域要求企业建立数据治理组织、数据制度建设和数据文化建设三项能力[1]。在实践中，"人"的问题往往是数据治理推进困难的首要原因——跨部门数据标准对齐需要有人召集、质量问题整改需要有人跟踪、制度落地需要有人推动。

不需要一开始就设专职的大规模数据治理团队。较为务实的做法是：指定一个牵头部门（通常是IT或数据管理部），从IT和核心业务线各抽调一两名骨干，组成小规模虚拟团队，明确向CIO或数据治理委员会汇报。这个团队的初期职责不是"管数据"，而是"推治理"——组织评估、协调资源、跟踪进展。

上述华东化工企业在启动阶段的做法比较有参考价值：从IT部门和核心业务线抽调人员成立了数据管理部，直接向CIO汇报。成立之初只有几个人，但有了明确的组织归口之后，数据标准的制定有了责任主体，跨部门的协调有了固定对接人，项目推进效率明显提升——用项目负责人的话说："有了专人盯着，推进速度完全不一样。"

3.3 第三步：选高价值场景——场景牵引，不做大而全

评估做完了，组织有了，接下来要选第一个落地场景。这一步的选择很大程度上决定了整个项目的早期成败。

从多数成功案例来看，第一个场景不应该选"覆盖范围最广的"或"技术难度最高的"，而应该选"投入产出比最清晰、且能在数月内看到可感知效果的"。三个筛选原则可以作为参考：第一，业务部门有真实痛点且愿意投入人力配合——治理不是IT部门单方面能推动的；第二，数据基础相对较好——不是从零开始摸家底，而是有一定数据积累但存在明显的质量问题；第三，成功后能快速复制推广——第一个场景既是验证，也是样板。

不同行业、不同规模的企业，可选的切入点各有不同。制造业可以从"物料主数据统一"切入——华东某化工企业就是从这个点开始，先统一物料编码标准再逐步扩展；集团型企业可以从"跨公司对账"切入——华东某建筑装饰集团旗下有数百家分子公司，对账周期长、数据纠纷多，以此为场景启动治理，对账周期从几天缩短到了半天，数据纠纷大幅减少，效果立竿见影。

3.4 第四步：建立基线——"理"：定战略、建体系、摸家底

选定场景后，不要急着接数据。先对这个场景涉及的数据做一次全面盘点和基线建立。

这一阶段对应"理、采、存、管、用"五字方法中的"理"——具体包括三项工作：一是定战略，明确这个场景的治理目标是什么（不只是"数据质量好一点"，而是可量化的目标，比如"跨系统对账数据差异率降到X%以下"）；二是建体系，梳理涉及哪些业务系统、哪些表、哪些关键字段、谁对数据质量负责；三是摸家底，形成三份基础产出——数据资产清单（有哪些表/字段/系统）、数据标准草稿（业务术语统一/编码规范）、数据质量基线（当前问题量/问题类型分布）。

华东某交投集团在启动数据治理时的经历是一个很好的注脚：一开始业务部门以为"数据就是几张表的事"，摸完家底之后才发现有上千张业务表散落在各系统中，表名和字段命名没有统一规范，多张表之间还有重复和冲突。这个发现虽然"不好看"，但恰恰是治理的起点——后续所有的数据标准制定、质量规则配置、建模设计都建立在这个基线上。

3.5 第五步：数据归集与治理——"采存管"：聚数据、绘模型、管数据

基线建立之后，进入工程实施阶段，对应"理、采、存、管、用"中的"采""存""管"三个环节。

采——聚数据。 打通选定场景涉及的业务系统数据通道，支持数据库直连、API接入、文件导入等多种方式，按增量或全量策略将数据接入平台。

存——绘模型。 将接入的数据按标准化分层模型组织：贴源层保留原始数据形态，治理层进行标准化转换和数据清洗，应用层按业务需求构建分析模型。

管——管数据。 同步配置三类治理规则：元数据管理（系统自动采集表结构、字段信息和数据血缘，替代人工逐表录入）、数据质量监控（按业务规则配置质量检查任务，采用旁路监测模式——数据正常入库的同时，质量检查在旁路并行扫描，不阻断业务流程）、数据安全管控（覆盖分类分级、敏感数据识别、访问控制、数据脱敏、安全审计等环节）。

一个常被忽视的关键点是：不要等所有数据接入完毕再开始配置治理规则。较为高效的做法是"边接边治"——每接入一个系统的数据，同步完成元数据采集和质量规则配置。部分成熟的数据治理平台已将旁路监测、自动化落标稽核等能力内置在治理模块中，数据进入平台的同时，标准符合性检查和基础质量规则即可自动运行。

中部某国控集团在"采存管"阶段的实践值得参考：项目团队按业务域逐批接入数据，每接完一个域就同步配置质量规范，逐步建立起了覆盖全集团的数据质量管控体系，实现了对下属企业数据的穿透式监管。

3.6 第六步：场景验证——"用"：跑通一个业务闭环

数据接好了、治理规则跑起来了，现在回到最初选定的那个业务场景——让业务部门真的用起来，验证三件事：

数据能查到吗？ 业务人员能否通过资产目录或数据检索快速定位所需数据，无需再逐系统翻找？查到的数据准吗？ 质量评测结果是否达到了3.4步设定的基线目标——比如对账数据差异率是否降到了目标范围？数据能用起来吗？ 是否已形成可消费的数据服务——API接口、BI报表、数据查询页面，支撑了实际业务决策？

场景验证通过的标准不是"平台上线了"，而是"业务部门反馈有效果"。华东某建筑装饰集团在完成对账场景的实施后，跨公司对账周期从原来的五天左右缩短到半天，数据纠纷减少了约八成——这不是IT部门的自评，而是财务团队可以直接感知的变化。华东某化工企业的产销协同场景跑通后，报表生成时间大幅提前，库存周转率提升了28个百分点。从业务部门能感受到的具体变化来验证，比任何技术指标都更有说服力。

3.7 第七步：扩展推广——从单场景到全域覆盖

第一个场景跑通之后，容易产生的冲动是"全面铺开"。但从多数项目实践来看，更为稳妥的节奏是先停下来做两件事：

复盘沉淀。 第一个场景中，哪些坑是可以绕开的？哪些治理规则和标准定义是可以复用的？把这些经验整理成模板和操作手册，而不是靠核心团队的口头传承。

培训复制。 让第一个场景的核心成员成为"内部教练"，带领其他业务线的团队复制流程。这种"老带新"的模式，比外部顾问直接下场推进效率更高——内部团队更了解本企业的业务语境和组织文化。

从实践来看，第二个场景的实施周期通常比第一个明显缩短。因为数据标准、质量规则模板、平台配置基线都已经建立，新场景只需在既有框架上适配扩展。业界通行的"产品+培训+陪跑"交付模式，也是帮助企业在场景验证和扩展推广这两个环节完成能力转移——第一个场景由外部团队指导、内部团队执行，后续场景由企业自主推进。

四、附：DCMM 2.0自评速查表

上文梳理的七步路径覆盖了从评估现状到规模化推广的全过程。在实际使用时，可以对照下表快速定位企业当前所处的阶段和下一步关键动作：

五、收尾

DCMM 2.0的九大能力域为企业提供了完整的数据管理能力坐标系，但能力建设不是一次性工程，而是一个螺旋迭代的过程。每一次从评估到场景验证的闭环，既拉高了当前场景的数据成熟度，也沉淀了可供复用的组织经验和平台能力。

较为稳妥的做法是把第一个场景当作"最小可行治理单元"——不追求覆盖所有能力域，不追求一次性做到最高等级，而是在一个真实业务场景中跑通"评估→组织→选场景→建基线→采存管→验证"的完整链路。跑通了，证明这条路在企业里走得通；有产出了，推动下一步才有说服力。

数据治理的成熟，从来不是靠一个平台的上线来宣告完成的，而是在一个个具体场景的落地中，逐步积累起来的组织能力。

参考来源

[1] 全国信息技术标准化技术委员会，《数据管理能力成熟度评估模型》（GB/T 36073-2025），2025年12月31日发布，2026年7月1日实施

[2] 中国电子信息行业联合会，第四届数据治理年会报告（2025年11月16日），全国DCMM贯标企业10,448家，DCMM 5级企业33家

[3] 国家发展改革委、国家数据局，《"数据要素×"三年行动计划（2024-2026年）》，数据资产管理与流通政策框架

[4] DAMA International，《DAMA数据管理知识体系指南》（DMBOK 2.0），数据治理实施框架章节