导语
2026 年 7 月 1 日，GB/T 36073-2025《数据管理能力成熟度评估模型》正式实施。这意味着自 2018 年发布、运行了八年的 DCMM 1.0 就此退出历史舞台——取而代之的是一套能力域更广、指标更细、评估门槛更高的 2.0 体系。
对许多企业来说，这个变化来得并不突然，但准备起来并不轻松。一位正在筹备 DCMM 评估的企业数据治理负责人描述了这样的困境：2025 年底前按 1.0 标准整理了制度文档、搭建了数据平台，却在 2026 年初被告知——2.0 版即将生效，能力域从 8 个扩展到了 9 个，评估指标翻了一倍。评估师不再满足于"有制度""有平台"，而是追问"执行记录在哪""能不能量化""能复验吗"。
截至 2025 年 11 月，全国已有 10,448 家完成 DCMM 贯标评估的企业，它们都面临着从 1.0 到 2.0 的过渡。DCMM 2.0 到底变了什么？486 项量化指标应该如何理解、怎么准备？本文从架构与工程落地视角展开分析。
一、DCMM 2.0 全景：九大能力域与四个核心变化
DCMM 2.0 最直观的变化是能力域的扩展。1.0 的八大能力域在 2.0 中重组为九个，新增"数据资产"域，并对"数据安全""数据应用流通"等域进行了实质性升级。
1.0 → 2.0 演进对照
| 维度 | 1.0（GB/T 36073-2018） | 2.0（GB/T 36073-2025） |
|---|---|---|
| 能力域数量 | 8 个 | 9 个 |
| 新增能力域 | — | 数据资产（权属管理/价值评估/资产运营） |
| 更名 | 数据应用 | 数据应用流通（新增外部数据管理能力项） |
| 能力项数量 | 28 个 | 33 个 |
| 评估指标数 | 441 项 | 486 项 |
| 评估基准 | 无明确规定 | L2 受管理级 |
| AI 要求 | 无 | L4 量化管理级引入人工智能等先进技术 |
九大能力域速览
| 能力域 | 类别 | 核心考察方向 |
|---|---|---|
| 数据战略 | 战略 | 是否有数据战略规划、实施路径和评估机制 |
| 数据治理 | 组织 | 是否建立了治理组织架构、制度体系和文化氛围 |
| 数据架构 | 设计 | 数据模型是否规范、分布是否清晰、集成与共享是否有序 |
| 数据资产 ⭐ | 价值 | 数据权属是否明确、价值是否可评估、资产能否运营 |
| 数据标准 | 执行 | 业务术语、主数据、参考数据、数据元、指标数据是否标准化 |
| 数据质量 | 执行 | 质量需求是否明确、检查和提升是否形成闭环 |
| 数据安全 | 管控 | 合规管理是否到位、安全防护是否有效、审计是否可追溯 |
| 数据生存周期 | 管理 | 从数据需求到设计开发、运维到退役的全过程管理 |
| 数据应用流通 | 价值 | 数据应用效果、外部数据管理、开放共享和服务化程度 |
在这九个能力域背后，是四个深层次的结构性变化：
变化一：从定性判断到量化度量。 DCMM 1.0 的评估主要依赖评估师对制度文档和访谈结果的主观判断。2.0 将 486 项指标分布在 9 大能力域、33 个能力项中，每一项都有明确的达标条件——不是"质量管理做得不错"，而是"数据问题平均修复时长 ≤2 小时""关键数据标准覆盖率 ≥95%"。评估从"给人感觉做到了"升级为"能用数据证明做到了"。
变化二：数据资产独立成域。 这是 2.0 最具标志性的变化。新增的数据资产域包含权属管理、价值评估和资产运营三个能力项，回应了数据资产入表（财会〔2023〕11 号）的政策需求——企业需要回答"数据资产在哪里、值多少、能不能用"，而不再只是"数据有没有被管起来"。
变化三：安全合规要求显著增强。 安全域的能力项从 1.0 的策略、管理、审计，升级为数据合规管理、数据安全防护和数据安全审计。这不是简单的更名——合规管理要求企业能够对标《数据安全法》等法规要求，安全防护要求具备分类分级、权限管控、脱敏加密等技术手段，审计则要求完整的操作留痕和可追溯机制。
变化四：L4 以上拥抱人工智能。 DCMM 2.0 在 L4 量化管理级中明确要求"引入人工智能等先进技术，全面提升数据管理工作效率"。这意味着 AI 辅助数据管理——自动发现元数据与血缘、智能推荐质量规则、自动识别业务语义——不仅是锦上添花的能力，而是 L4 评估的门槛条件。
二、486 项量化指标分布：从架构视角理解指标层次
486 项量化指标是 DCMM 2.0 最引人注目也最容易引发焦虑的数字。从架构视角看，这些指标本质上是对数据管理能力的四个层次度量。
指标的四种形态。 486 项指标不是简单的"486 条检查项"，而是分布在四个层次的度量体系：
| 指标层次 | 含义 | 典型示例 |
|---|---|---|
| 能力存在性 | 有没有做 | 是否建立了数据标准管理制度 |
| 能力覆盖面 | 覆盖到什么范围 | 数据标准在核心业务系统的覆盖率 |
| 能力持续性 | 是否持续运行 | 质量标准每年至少评审一次、评审记录可查 |
| 能力量化度 | 能否被度量 | 数据问题平均修复时长、关键数据标准落标率 |
不同成熟度等级对应不同层次的指标组合。L2 主要考察"存在性"和基础"覆盖面"，L3 要求"覆盖面"和"持续性"并举，L4 以上则必须覆盖全部四个层次。从架构设计角度看，这意味着评估平台不仅要提供功能模块，更需要在四个层次上提供可度量的证据输出。
指标在各能力域的分布。 486 项指标按 33 个能力项平均分配约每项 14-15 项，但实际上各域的指标密度并不均衡。数据质量域的指标密度最高——需要覆盖完整性、准确性、一致性、及时性、唯一性、可访问性六个维度，并形成从需求定义到检查、分析、提升的闭环验证链条。新设立的数据资产域，权属管理、价值评估和资产运营三项能力都是全新的指标群，没有历史对标可参考。数据安全域经过重组后，合规管理、安全防护和审计三大能力项对技术手段和过程证据的要求显著提升。
五级成熟度与指标达标线。 不同等级之间的差异不是模糊的"做得更好"，而是通过具体指标数量和达标比例的差异来判定：
| 等级 | 名称 | 指标要求特征 |
|---|---|---|
| L1 | 初始级 | DCMM 2.0 不再接受该等级申报 |
| L2 | 受管理级 | 项目级管理，基本制度覆盖和书面记录 |
| L3 | 稳健级 | 组织级标准化，至少 6 个能力域达到该级别 |
| L4 | 量化管理级 | 建立量化指标体系，引入人工智能等先进技术 |
| L5 | 优化级 | 持续优化，数据驱动决策，行业标杆 |
关键事实是：486 项指标并非要求企业逐项达标。不同等级考察的指标子集不同，企业应根据目标等级聚焦对应级别的关键指标群——L2 看基本面，L3 看覆盖面和组织化程度，L4 看量化能力和 AI 应用，L5 看持续优化和数据驱动。
DCMM 2.0 的五级成熟度模型是一个递进的评估架构。初始级（L1）为数据管理完全无序状态，2.0 已不再接受该等级申报；受管理级（L2）要求在项目级建立基本制度和流程；稳健级（L3）要求至少 6 个能力域达到组织级标准化；量化管理级（L4）要求建立完整的量化指标体系并引入 AI 技术；优化级（L5）则为行业引领者级别，要求治理规则自优化和数据驱动决策。从架构演进的角度看，每一级都是对前一级的增量扩展，而非独立的技术栈。
三、五级成熟度详解：每一级的架构含义
L2 受管理级：从无序到有序的第一步。 DCMM 2.0 将评估基准从 L1 提升至 L2，意味着企业至少需要在项目级建立正式的数据管理流程。不是"我们知道要治理"，而是"我们有制度、有记录、有人负责"。一家华东某大型化工企业在 DCMM 评估筹备过程中的做法具有参考意义：成立数据管理部、设立数据管家岗位、将数据治理纳入绩效考核体系——这些组织层面的动作本身就是评估中的得分项。L2 的核心不在于平台功能多强大，而在于管理是否制度化、执行是否有记录。
L3 稳健级：从量变到质变的规模化阶段。 L2 到 L3 的关键跳跃在于"组织级标准化"——标准不只是"写出来"，而是"跑起来"；质量不只是"查问题"，而是"闭环修"。以一家服务十余套业务系统的省级国控集团为例，其质量稽核体系覆盖了完整性、准确性、一致性、及时性和唯一性五类规则，形成了从自动检测到告警、定位、修复、复验的完整闭环。另一家华东某市级市场监督管理局则建立了统一的数据标准体系，通过对核心业务数据的标准落标和跨系统关联比对，将标准化从制度层面推进到了执行层面。L3 要求至少 6 个能力域达到该级别，这意味着企业不能只在个别域"出挑"，而需要整体能力的均衡提升。
L4 量化管理级：可度量的数据管理能力。 DCMM 2.0 对 L4 的要求不再停留于"质量管理运行良好"的描述性判断，而是要求用量化指标来证明——数据问题修复时长、关键标准覆盖率、资产使用率等。更具挑战性的是，L4 首次引入人工智能等先进技术作为评估条件。从技术架构角度看，这意味着 L4 评估需要在平台层面同时具备量化指标采集能力和 AI 能力集成点。
L5 优化级：行业引领者。 全国仅有极少数企业达到该等级（国家电网为首个 DCMM 5 级认证企业）。L5 的核心特征是治理规则自优化、AI 辅助决策和数据能力成为核心竞争力。对于绝大多数企业而言，L5 更多是方向性指引而非短期目标。
四、评估方法四维度：评估师的交叉验证逻辑
DCMM 2.0 的评估并非"交材料打分"，而是通过四个维度的交叉验证来形成最终结论。理解评估方法，是企业准备评估证据的关键。
| 评估维度 | 查什么 | 典型追问 | 企业需要准备什么 |
|---|---|---|---|
| 文档审查 | 制度体系是否完整 | "数据标准管理制度覆盖了哪些数据域？最近一次更新是什么时候？" | 制度文件、管理办法、规范文档 |
| 人员访谈 | 组织机制是否运行 | "数据 Owner 多久参加一次评审会？上次会议纪要能看一下吗？" | 治理组织架构、责任人任命、会议纪要 |
| 系统演示 | 平台能力是否在用 | "现场走一遍数据质量从发现到修复的完整流程" | 平台环境、真实数据、完整链路 |
| 抽样验证 | 执行记录是否真实 | "随机抽 5 张表，看标准落标率是否和报告一致" | 系统留痕、执行记录、统计数据 |
四个维度中，最容易被低估的是"系统演示"和"抽样验证"。文档和访谈可以提前准备，但系统演示需要平台真实承载能力，抽样验证需要完整的执行留痕——两者都无法临时突击。
四类最容易卡住的证据
标准执行证据。 仅有标准文档是不够的，评估师要看的不是"标准写得好不好"，而是"标准有没有在实际系统中执行"。标准自动落标记录——包括已落标字段数、落标率、未落标字段清单——是比制度文件更有说服力的证据。
质量闭环证据。 质量管理的证据链不能断在任何一环。发现数据问题后的处理流程需要完整的工单记录：谁发现问题、谁确认、谁修复、修复后谁复验。仅展示质量规则数量而无法提供闭环执行记录的，在这一维度难以拿到较好分数。
元数据与血缘证据。 元数据的采集方式和血缘的覆盖范围是关键。手动维护的元数据文档在评估中说服力有限——自动采集的元数据（表结构、字段信息、变更历史）和自动发现的字段级血缘关系才是评估师认可的证据形式。
资产使用证据。 DCMM 2.0 新增的数据资产域不仅考察资产目录是否建立，还考察资产是否被实际使用。数据资产的使用申请、审批记录、API 调用统计等，是资产域评估中难以回避的证据项。
从架构设计角度看，一个能够支撑 DCMM 2.0 评估的数据平台需要具备以下能力架构：底层是元数据自动采集和血缘解析引擎（支撑数据架构和数据资产域），中间层是标准落标引擎和质量规则引擎（支撑数据标准域和数据质量域），上层是资产目录和 API 服务网关（支撑数据资产域和数据应用流通域），贯穿全链路的是安全管控和审计追踪（支撑数据安全域）。评估师在做系统演示时，关注的不是单个模块的功能完整性，而是从元数据采集、标准落标、质量监控到资产发布的全链路闭环能力。
五、贯标自评表设计思路：从评估要求倒推架构差距
企业筹备 DCMM 评估的常见误区是"先全面铺开建设，再去对标准"。更有效率的方式是先做自评摸底——对照评估要求，逐域检查差距。
自评表设计原则。 自评表的目的不是追求"满分"，而是让企业看清楚"在哪里、差多少、先补哪"。一张实用的自评表应该覆盖四个层次：制度有没有、组织有没有、平台有没有、执行记录有没有。以下是按九大能力域设计的自评框架：
| 能力域 | 制度 | 组织 | 平台 | 执行记录 | 自评 |
|---|---|---|---|---|---|
| 数据战略 | □有规划 | □有责任人 | — | □有评审记录 | /5 |
| 数据治理 | □有章程 | □治理委员会+数据管家 | — | □有会议纪要 | /5 |
| 数据架构 | □有模型规范 | □架构评审机制 | ▶中台承载 | □模型评审记录 | /5 |
| 数据资产⭐ | □资产管理办法 | □资产责任矩阵 | ▶资产目录 | □盘点报告+使用统计 | /5 |
| 数据标准 | □标准管理制度 | □标准评审组 | ▶自动落标 | □覆盖率统计+稽核记录 | /5 |
| 数据质量 | □质量管理办法 | □质量 Owner+数据管家 | ▶规则+工单 | □闭环执行记录+复验台账 | /5 |
| 数据安全 | □分类分级制度 | □安全责任人 | ▶权限+脱敏 | □审计日志+合规报告 | /5 |
| 数据生存周期 | □归档销毁制度 | □数据 Owner | — | □归档记录 | /5 |
| 数据应用流通 | □共享制度 | □服务运营团队 | ▶API+门户 | □调用统计+用户反馈 | /5 |
使用方式。 先用"制度/组织/平台/执行记录"四列逐域摸底——回答"有没有"；再用"自评"列对标五级成熟度——回答"做到什么程度"；最后在差距栏标注最需要补强的域。在实际操作中，多数企业会发现制度层面的差距相对可控（可以在短期内补齐文档），但平台承载能力和执行记录的差距往往需要更长的建设周期——这也恰好对应了 DCMM 2.0"量化度量"导向所强调的核心：真正的评估对象不是制度和文档，而是运行中的管理能力。
六、从评估到建设：工程化落地路径与架构设计原则
DCMM 定目标，但具体怎么建，需要一条工程化的落地路径。在工程实践中，"理采存管用"五阶段方法论为 DCMM 评估后的能力建设提供了清晰的分层架构。
对应关系示意
| 理采存管用 | 侧重能力域 | 平台支撑要点 |
|---|---|---|
| 理 | 数据战略、数据治理、数据资产 | 资产目录初稿、组织和标准框架 |
| 采 | 数据架构、数据生存周期 | 多源异构数据集成、全量/增量同步 |
| 存 | 数据架构、数据标准 | 分层模型、主题库建设、统一数据口径 |
| 管 | 数据标准、数据质量、数据安全 | 元数据管理、质量规则引擎、分类分级管控 |
| 用 | 数据资产、数据应用流通 | 资产目录发布、API 共享、AI 用数智能体 |
注释：上表是工程落地视角下的对应关系示意，并非 DCMM 能力域与理采存管用阶段的严格一一对应。"理"侧重战略规划、组织建设、制度设计和家底盘点，不只是运营保障；"存"侧重数据模型和数仓分层建设，也不等同于资产管理。企业在应用时应根据自身评估差距灵活调整各阶段的侧重点。
在评估数据平台时，可以将方法论成熟度作为架构完整性的一个参考维度。一个方法论驱动的平台通常具备更清晰的架构分层——例如基于"理采存管用"五阶段方法论构建的平台，其架构天然映射为五个子系统：治理域（理）、集成域（采）、存储域（存）、管理域（管）、应用域（用），各子系统通过定义良好的接口耦合而非紧密集成。
这种架构模式有几个工程优势：模块可按需独立部署（从最紧迫的模块起步）、质量管控支持旁路监测架构（不侵入数据主链路）、原生支持多租户工作空间模型（适配集团管控场景的治理组织分层）。
治理模块的架构设计原则
从技术架构角度看，支撑 DCMM 2.0 评估的数据治理平台，其治理模块需要满足以下设计原则：
治理模块应与平台核心解耦。 数据标准管理、质量稽核、元数据管理、资产目录等治理能力，应作为独立的服务模块存在，通过标准化的 API 接口与数据采集、存储、计算等核心链路交互，而非以硬编码方式嵌入数据处理主流程。这种解耦设计一方面避免了治理逻辑升级对业务链路的侵入性影响，另一方面也使得评估时的证据采集可以在治理模块内独立完成，不依赖业务系统的改造。
质量校验应采用旁路监测架构。 数据正常流转入库，质量稽核并行扫描，发现问题自动记录标记、生成告警，不阻塞数据链路。旁路架构的核心价值在于：业务不会因质检而中断，但每一笔数据流转的质量状态都是可追溯、可审计的。对于 DCMM 评估中的"系统演示"和"抽样验证"维度，旁路架构天然提供了完整的执行留痕。
治理规则应嵌入数据管道而非事后外挂。 数据从源头采集到入仓的每一个环节，质量校验和标准匹配都应作为数据管道的内置步骤——标准在数据接入时自动关联校验，质量规则在数据落仓时自动执行，血缘关系在数据流转中自动采集。事后补录的治理证据在评估中说服力有限，内嵌于数据管道中的治理规则才能产生真正的可复验证据。
三阶段建设路径
评估只是起点，建设才是目的。从多数已完成 DCMM 贯标的企业经验来看，建设可以分为三个阶段推进：
| 阶段 | 周期 | 核心任务 | 关键产出 |
|---|---|---|---|
| 理清基线 | 4-6 周 | 资产盘点、标准梳理、质量基线摸底 | 资产清单、标准清单、质量报告 |
| 跑通闭环 | 6-8 周 | 选 1-2 个核心数据域跑通采存管用全链路 | 样板数据域、可复用流程模板 |
| 扩展运营 | 持续 | 横向扩业务域覆盖、纵向提能力等级 | 常态化运营机制、持续改进闭环 |
第一阶段的核心产出是"知道差在哪"——资产盘点摸清家底，标准梳理理清规范需求，质量基线给出当前水平。第二阶段选择 1-2 个数据域（如客户域、订单域）跑通从采集到使用的完整链路，形成可复用的建设和评估模板。第三阶段将样板域的流程扩展到全业务范围，同时在质量、安全、资产等高权重域持续提升能力水平。
平台选型要点。 DCMM 评估中，数据架构、数据资产、数据标准、数据质量和数据应用流通这五个能力域高度依赖技术平台的承载。没有平台支撑，标准执行难以自动化，质量闭环难以追溯，资产使用难以量化。对于准备 DCMM 评估的企业而言，选型时不应只看功能模块数量，更应验证平台能否跑通从标准落标、质量扫描、问题定位、工单修复到资产发布、业务使用的完整闭环。在工程实践中，方法论驱动的平台通常会将这些能力整合在一个统一的治理框架下，通过模块化架构实现按需部署和渐进式扩展。
七、常见问题
Q1：DCMM 2.0 和 1.0 的核心区别是什么？企业现在应该按哪个版本准备？
DCMM 2.0（GB/T 36073-2025）于 2026 年 7 月 1 日起正式实施。核心变化包括：能力域从 8 个扩展到 9 个（新增"数据资产"域），能力项从 28 个增加到 33 个，评估指标从 441 项增至 486 项，评估基准提升至 L2 受管理级，L4 量化管理级引入人工智能等先进技术，安全域能力项重组为合规管理/安全防护/安全审计。当前阶段建议直接按 2.0 准备——新增的"数据资产"域涉及权属管理、价值评估和资产运营，建设周期较长，不适合短期突击。
Q2：486 项指标是不是每项都要达标？
不是。486 项指标分布在 9 大能力域和 5 个成熟度等级中，不同等级考察的指标子集不同。L2 主要考察制度覆盖和书面记录，L3 要求至少 6 个域达到组织级标准化，L4 建立量化指标体系，L5 要求持续优化。企业应根据目标等级，聚焦对应级别的关键指标群，而非盲目追求"项项满分"。
Q3：L4 量化管理级引入人工智能技术，具体指什么？
DCMM 2.0 在 L4 成熟度等级描述中明确将"引入人工智能等先进技术"作为提升数据管理工作效率的手段。在评估实践中，这通常包括：AI 辅助自动发现元数据与血缘关系、AI 智能推荐数据质量规则、AI 自动识别业务语义（如同义词映射）、AI 辅助数据资产权属梳理等。对尚未部署 AI 能力的企业而言，L4 评估需要在平台选型和能力建设阶段同步考虑 AI 能力的集成。
Q4：DCMM 贯标和数据资产入表是什么关系？
两者的交集在 DCMM 2.0 新增的"数据资产"域。数据资产入表（财会〔2023〕11 号）是财务侧的合规动作，DCMM 2.0"数据资产"域考察权属管理、价值评估和资产运营，恰好是入表的前置能力条件。一家福建某交通投资集团的做法可作为参照：先完成全量数据资产的权属梳理和标准化目录，通过质量评价达到 99.53 分的资产质量标准，再进行合规审查，最终完成首批数据资产入表。DCMM 评估可以为企业数据资产入表提供"数据是否达到资产标准"的能力验证。
Q5：评估方法中的"系统演示"和"抽样验证"怎么准备？
这两项是多数企业评估中的主要失分维度。"系统演示"建议用一条真实数据链路做 POC 验证——从数据接入、标准关联、质量监测、问题定位到资产发布、业务使用，能跑通一条完整闭环比展示功能清单更有说服力。"抽样验证"则需要确保平台有完整的执行留痕——标准落标记录、质量规则运行日志、问题工单和复验台账等。如果平台只能展示当前状态但无法追溯历史过程，这一维度的得分会受到较大影响。
Q6：没有数据中台的企业能做 DCMM 评估吗？
可以，但在数据架构、数据资产、数据标准、数据质量和数据应用流通这五个平台承载度较高的能力域，获得高分的难度会显著增加。评估师在这些域通常会追问"标准在哪执行""质量问题怎么追溯""资产使用如何统计"——没有平台支撑，这些问题的回答往往只能依靠人工解释，难以形成可复验、可追溯的证据链。比较务实的做法是，在启动评估筹备的同时，以评估要求为需求输入来推进平台选型和建设，将评估与建设作为互相促进的两个并行事项。
八、结语
DCMM 2.0 将数据管理能力评估从"有没有"升级为"做到什么程度"。486 项量化指标是这个转变的具体载体——每一级成熟度的差异不再依靠评估师的主观判断，而是通过具体指标数量和达标比例的差异来呈现。
评估本身不是终点。真正有价值的是通过评估看清楚企业数据管理能力所处的阶段，找到最需要补齐的能力域，然后有路径、有方法、有节奏地推进建设。DCMM 定目标，工程化方法论定路径，数据中台定落地——三者的协同，是数据管理能力从合规达标走向竞争优势的底层逻辑。
企业数据能力的竞争，正在从"谁有数据"转向"谁能把数据管好、用好"。DCMM 2.0 的量化评估体系，为这个转变提供了一个可以度量、可以对比、可以持续改进的标尺。
