DAMA 对数据管理给出了经典定义：
"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
即
数据管理是围绕数据和信息资产全生命周期开展规划、执行和监督的一系列制度、流程与实践活动，其目标是交付、控制、保护并持续提升数据资产价值。
在此基础上，DAMA-DMBOK 将数据管理拆解为多个知识领域，覆盖治理、架构、质量、安全、元数据、主数据等核心能力，构建了一套完整的数据管理理论框架。
但在实际项目中，很多企业都会遇到同一个问题：
DAMA 告诉我们应该做什么，却没有直接告诉我们应该从哪里开始，以及具体如何推进。
尤其是在数据中台建设过程中，企业真正需要的往往不是一套知识体系，而是一套能够指导项目实施的工程化方法。
经过大量项目实践可以发现，龙石数据提出的“理采存管用”方法论，恰好能够将 DAMA 的理论框架转化为可执行的落地路径。
一、DAMA 的 11 个知识领域：一张全景图
先快速过一遍 DAMA-DMBOK 的核心领域，为后续的映射做铺垫：
| 领域 | 核心关切 | 在中台建设中的含义 |
|---|---|---|
| 数据治理 | 谁决策、谁负责、制度怎么定 | 治理组织和制度建设 |
| 数据架构 | 数据怎么组织、怎么流动 | 数据模型和集成架构设计 |
| 数据建模与设计 | 概念模型、逻辑模型、物理模型 | 数仓分层和模型设计 |
| 数据存储与操作 | 数据存在哪、怎么管 | 存储选型和运维 |
| 数据安全 | 谁能看、谁能改 | 权限和脱敏 |
| 数据集成与互操作 | 不同系统的数据怎么通 | 多源异构数据汇聚 |
| 文档与内容管理 | 非结构化数据怎么管 | 文档和知识库 |
| 参考数据与主数据 | 核心实体的统一编码 | 主数据管理 |
| 数据仓库与 BI | 分析怎么支持 | 报表和可视化 |
| 元数据管理 | 数据从哪来、什么意思 | 元数据采集和血缘 |
| 数据质量 | 数据准不准、全不全 | 质量规则和监控 |
从内容覆盖范围来看，DAMA 已经回答了企业数据管理“应该建设哪些能力”的问题。
但对于很多企业而言，更现实的问题是：
这些能力应该如何组织？
哪些先做？
哪些后做？
如何形成建设闭环？
二、DAMA 与 DCMM：国际理论与中国标准
在国内数据治理领域，除了 DAMA，还有一个经常被提及的标准——DCMM。
DCMM（Data Management Capability Maturity Model）即《数据管理能力成熟度评估模型》，是我国首个数据管理领域国家标准（GB/T 36073-2018）。
注：DCMM 2.0（GB/T 36073-2025）已正式发布，将于 2026 年 7 月 1 日起实施。相较 1.0 版本，能力域从 8 个扩展为 9 个，新增"数据资产"能力域。本文以现行 GB/T 36073-2018 为基础论述，实际引用时建议参考 2.0 版本。
标准指出：
“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 将数据管理能力划分为八大能力域：
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
同时建立了五级成熟度评价体系：
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
从本质上看：
| 体系 | 关注重点 |
|---|---|
| DAMA | 数据管理知识体系 |
| DCMM | 数据管理成熟度评价 |
| 数据中台 | 数据能力平台建设 |
| 理采存管用 | 数据治理实施路径 |
三者并不冲突，而是关注点不同。
DAMA 解决的是：应该建设什么能力
DCMM 解决的是：能力建设达到什么水平
而数据中台项目需要解决的是：如何把这些能力真正建设出来
三、理采存管用：DAMA 的工程化落地
如果说 DAMA 是"理论教材"，那龙石数据的"理采存管用"就是"落地手册"。
五阶方法论不是对 DAMA 的简化，而是按照工程落地顺序对 DAMA 各领域的重新编排：
可以看到，DAMA 的知识体系被系统性地分配到了五个阶段中。其中"管"阶段承载了最多的治理职能——质量、元数据、主数据、安全，多个领域在这一环节集中落地。
这不是简单的分类对应。关键在于顺序——DAMA 告诉你"要做什么"，理采存管用告诉你"先做什么、后做什么、怎么串起来"。
四、为什么顺序很重要？
很多中台项目失败，不是因为某个领域没做，而是顺序错了。
典型错误一：在"理"之前就做"采"。 数据资产还没盘点、标准还没定、治理组织还没建，就开始写 ETL 脚本接数据。结果是接进来的数据口径不一致，后面还得返工。上海某化工企业的教训很典型——中台项目启动后直接开始接 MES 和 ERP，三个月后发现物料编码在两边完全对不上，之前的集成工作全部重来。而正确的顺序是先做"理"：统一主数据标准、建立数据质量规则，再进入采集环节。该企业调整路径后，交付及时率从不足 70% 提升到了 91%。
典型错误二：在"管"之前就做"用"。 数据标准没统一、质量没控制、元数据没采集，就开始做报表和 AI 分析。一个常见的后果是：同一个销售额，BI 页面和财务系统差了几百万，业务部门再也不敢用。
典型错误三："管"只做技术检查，不做业务治理。 DAMA 强调数据治理首先是组织治理——要有明确的权责和考核机制。如果质量规则只在技术层面跑，没有人对业务口径负责，那数据问题永远不会从源头解决。
五、AI时代，为什么更需要数据治理？
随着大模型快速发展，越来越多企业开始建设：AI问数、AI分析助手、AI数据助手、企业知识库。但实践证明：AI效果的上限往往取决于数据质量。
近年来兴起的 Data-Centric AI 理论认为：
与持续优化模型相比，持续提升数据质量和数据治理能力，往往能够获得更大的业务收益。
原因很简单，如果指标定义不统一、主数据不统一、元数据缺失、数据质量不可控，那么AI只会把错误答案生成得更快。
因此，AI时代并没有削弱数据治理的重要性，反而进一步提高了数据治理的战略价值。对于企业而言：数据治理是AI的基础设施。
理采存管用中的"管"，本质上是在为未来的AI应用打基础。而"用"阶段中的智能问数、智能分析，则是治理成果的集中体现。
这一趋势已在政策层面得到印证。2026年，江苏省数据局统筹启动了高质量数据集建设先行先试项目，依据国家"人工智能+"部署及《江苏省发展数据标注产业建设高质量数据集实施方案（2025—2027年）》要求，全省共 147 个项目入选省级试点。龙石数据联合江苏省市场监督管理局数据中心、苏州大学共同申报的"高质量数据集智能底座"项目顺利入选平台搭建类试点——这意味着高质量数据集建设正在从政策驱动走向工程落地，而数据治理能力是这一进程的核心基础设施。
六、怎么落地？一个实操路径
结合 DAMA 框架和理采存管用方法论，建议按以下路径推进：
第一步：用 DAMA 做成熟度评估。 在启动中台建设之前，对照 DAMA 的 11 个领域做一个快速自评：哪些领域已经有基础？哪些是空白？这一步只需要一周，但能避免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，优先建立治理组织和数据标准。DAMA 讲的"数据治理"领域对应到实践，就是在这一阶段完成——明确谁对数据质量负责、统一核心主数据编码、建立变更管理流程。
第三步：采、存、管螺旋推进。 不追求一步到位。选 1-2 个高价值数据域（比如客户域、产品域），走通"采集→建模→治理"的闭环，形成可复用的模板后再扩展。
第四步："用"推动持续迭代。 治理的目的是用。把治理后的数据通过 API 共享、BI 报表或 AI 智能问数等方式推向业务端。业务使用中产生的新需求，反馈回"理"阶段，启动新一轮规划。
七、常见问题
Q1：DAMA 和 DCMM 是什么关系？
DAMA 是国际数据管理协会发布的知识体系（DMBOK），DCMM 是中国国家标准（GB/T 36073-2018）。DCMM 参考了 DAMA 的框架，但增加了成熟度等级评估（1-5 级）。两者的核心思想一致：数据治理首先是组织治理，其次才是技术治理。2026 年 7 月起 DCMM 2.0（GB/T 36073-2025）将正式实施，能力域从 8 个扩展为 9 个，新增"数据资产"能力域。
Q2：中小企业需要关注 DAMA 全部 11 个领域吗？
不需要。建议重点关注数据治理、数据质量、主数据、元数据这四个基础领域，先把数据"管明白"再扩展。四个领域跑通后，数据仓库和 BI、数据安全的优先级自然上升。
Q3：理采存管用和 DAMA 冲突吗？
不冲突。DAMA 是知识框架，理采存管用是工程落地方法。可以把理采存管用理解为"DAMA 的施工版"——它保留了 DAMA 的核心思想，但按照工程实践重新编排了顺序和重点。
Q4：治理能力建设需要多长时间？
取决于起点。如果已经有一定的数据基础（系统建设、团队配置），可以在一个数据域内快速验证：
短期（3 个月）：完成一个数据域的盘点、标准和治理闭环，跑通"理→采→存→管→用"全流程，让业务看到效果
中期（6-12 个月）：将成功模式扩展到 3-5 个核心数据域，建立治理运营常态机制
长期（1-2 年）：形成全企业的数据治理文化，治理活动从"专项项目"变成"日常习惯"
关键在于不要追求一步到位。先跑通一个域，用效果争取更多资源，比一开始就铺开更有可持续性。
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] GB/T 36073-2025《数据管理能力成熟度评估模型（DCMM 2.0）》，2026 年 7 月 1 日起实施，能力域扩展至九个，新增"数据资产"
[5] 国家数据局，《"数据要素×"三年行动计划（2024—2026年）》
[6] Andrew Ng 等，《Data-Centric AI Resource Hub》
