：DCMM 2.0（GB/T 36073-2025）[1]于2025年12月31日发布、2026年7月1日实施，能力域从8个扩展到9个、能力项增至33个、评估指标升级到486项。本文对九大能力域逐一深度解读，结合五级成熟度阶梯、486项量化指标和企业落地实践，为CDO和数据治理负责人提供一份从标准到实施的参考框架。
一、为什么 DCMM 2.0 是一次"代际升级"
DCMM 2.0不是"改了个版本号"那么简单。
三股力量正在同时推动企业数据管理能力的升级。第一股是政策倒逼——《企业数据资源相关会计处理暂行规定》[2]已将数据资产入表从概念推入实操，企业不能再说"我们的数据值多少钱说不清楚"。第二股是标准升级——DCMM 2.0（GB/T 36073-2025）[1]新增"数据资产"能力域，能力域从8个扩展到9个，能力项从28个增至33个，评估指标从441项升级到486项。这是对整个评估体系的一次重构。第三股是竞争压力——截至2025年11月，全国已有10,448家企业完成DCMM贯标评估，DCMM 5级（最高等级）企业已达33家。当越来越多的同行开始用同一把尺子衡量数据能力时，还没有上桌的企业，差距不是"分数高低"的问题，而是"有没有入场资格"的问题。
DCMM 2.0的核心变化可以归纳为五个方面：
能力域 8→9：新增"数据资产"能力域（排第4位），能力项为权属管理、价值评估、资产运营。这不是简单"加一个域"，而是把数据管理的终点从"建好平台"推到了"产生资产价值"。
能力项 28→33、评估指标 441→486：评估体系从"有没有"升级为"做到了什么程度"。
安全要求较1.0显著增强：安全域能力项从旧版的"数据安全策略/数据安全管理/数据安全审计"变更为"数据合规管理/数据安全防护/数据安全审计"——这是一次能力结构的重组和合规要求的升级，而非简单的"权重要求提高"。
L4量化管理级引入人工智能技术：DCMM 2.0首次将AI应用作为能力要求写入标准——L4级明确要求"引入人工智能等先进技术，全面提升数据管理工作效率"。
评估基准等级为L2受管理级：L1初始级不可申报评估。
综合来看，DCMM 2.0做了一件事：把评估焦点从"有没有治理"升级为"能不能资产化、能不能AI化"。这是一个从"过程导向"到"结果导向"的范式升级。
二、九大能力域速览：一张全景地图
在深入每个域之前，先建立一张全景地图。DCMM 2.0的九个能力域覆盖了数据管理的全生命周期，按组织属性可以大致分为战略层、设计层、执行层和价值层：
| 能力域 | 核心考察 | 属性 | 中台承载度 |
|---|---|---|---|
| 数据战略 | 是否有中长期规划、愿景目标和路线图 | 战略 | 低 |
| 数据治理 | 是否有治理组织、制度体系和沟通机制 | 组织 | 中 |
| 数据架构 | 数据模型、分布、流转是否清晰统一 | 设计 | 高 |
| 数据资产 ⭐ | 数据是否可盘点、可评估、可入表 | 价值 | 高 |
| 数据标准 | 标准是否制定、发布并在系统中执行 | 执行 | 高 |
| 数据质量 | 是否有质量需求定义和闭环管理机制 | 执行 | 高 |
| 数据安全 | 分类分级、权限控制、加密脱敏、审计溯源 | 管控 | 中 |
| 数据生命周期 | 创建→采集→存储→使用→归档→销毁全流程 | 管理 | 中 |
| 数据应用 | 数据是否被共享、使用、产生业务价值 | 价值 | 高 |
这张表透露出一个重要信息：九个能力域中，"高承载度"的五个域（数据架构、数据资产、数据标准、数据质量、数据应用）的执行层面都绕不开数据中台。DCMM考察的虽然是管理能力，但大部分能力域的技术落地必须依赖一个标准化的数据基础设施——从这个意义上说，数据中台不是DCMM评估的"加分项"，而是"必答题"。
新增的"数据资产"域被放在第4位——介于"数据架构"和"数据标准"之间——这个排位本身就有深意：资产化不是治理完成后的"最后一公里"，而是贯穿整个数据管理体系的内核。
三、五级成熟度：企业在哪个位置
DCMM 2.0的五级成熟度框架没有变，但每个等级的评判标准变得更加量化。以下是一个速览对照：
| 等级 | 名称 | 核心特征 | 典型企业画像 | DCMM 2.0 关键要求 |
|---|---|---|---|---|
| L1 | 初始级 | 无正式数据管理流程 | 数据散落各部门，手工出报表 | 2.0不可申报 |
| L2 | 受管理级 | 项目级管理 | 数据接进来了，有基础治理但使用率低 | 2.0评估基准等级 |
| L3 | 稳健级 | 组织级标准化管理 | 治理形成闭环，业务开始用数据 | 至少6个域达标 |
| L4 | 量化管理级 | 量化指标体系 | 可量化评估（如修复时长≤2h，标准覆盖率≥95%） | 引入人工智能技术 |
| L5 | 优化级 | 数据驱动持续优化 | 治理规则自优化、AI辅助决策 | 行业标杆级 |
L3→L4是关键跃迁。从标准化到量化管理，从人工执行到自动监控——这个转变不只是技术升级，更是组织习惯的改变。从项目统计来看，多数建了数据中台的企业目前在L2-L3区间，通往L4通常需要12到24个月。
L4的AI门槛尤其值得注意。DCMM 2.0首次将AI应用写入标准要求——这意味着企业在数据管理上不仅要"管得好"，还要"用AI管"。从比较务实的角度来看，AI用数能力建立在数据治理到位的基础上：如果元数据没有讲清字段含义、标准没有统一业务术语，AI来了也读不懂数据。
数据中台不是项目，是能力——从L2走到L4的过程，本质上是这个能力从"能跑"到"能量化"再到"能自优化"的过程。
四、486项评估指标：从定性描述到量化体系
DCMM 1.0时代的评估以定性描述为主——"有没有制度""有没有流程""做还是没做"。这种方式的天然局限是：企业可以"搭个架子"拿出书面制度来应对评估，但制度是否真正执行、执行效果如何，很难验证。
DCMM 2.0将评估指标从441项扩展到486项，核心变化不是多了45项数字，而是评估逻辑从"有没有"升级为"做到了什么程度"。
486项指标大致可以归为四类：
制度类：有没有书面制度？是否定期评审和更新？制度覆盖哪些业务范围？
执行类：标准覆盖率多少？质量规则启用率多少？问题修复及时率多少？这些不是看"有没有做"，而是看"做了多少、做得多快"。
效果类：数据质量趋势是向好还是恶化？业务部门的数据使用率在上升还是下降？已修复的问题复发率多少？
AI类（L4+新增）：AI辅助治理的覆盖率？智能推荐的采纳率？自动化的数据分类分级比例？
对企业来说，486项指标意味着什么？最直接的影响是：不能再"建一个平台、写几份制度"就期望通过评估。DCMM 2.0要求的是持续的执行记录和可量化的效果数据——系统里有没有实际运行的规则、质量问题的修复有没有时间戳、标准的覆盖和落标有没有统计数字。这些都需要一个真正在运转的数据治理平台，而不是一堆架在文档服务器上的制度文件。
五、数据战略：评估不是考PPT，是考"路径"
数据战略是DCMM 2.0的第一个能力域，也是很多企业最容易"应付"的一个。它的三个能力项——数据战略规划、数据战略实施、数据战略评估——逐层递进，本质上是追问企业一个问题：你的数据投入有没有清晰的方向和可验证的进度？
常见的问题是：战略在PPT里，规划在架子上，和实际建设脱节。许多企业的数据战略可以概括为"我们要成为数据驱动型企业"——这句话放在任何行业、任何规模的企业都能用，但既没有明确数据要支撑哪些业务目标，也没有倒推需要什么能力、怎么分阶段投入。
DCMM 2.0对数据战略的评估，考的其实是"路径"——你能不能把愿景拆解为三个可执行的动作：第一，明确当前业务最需要数据解决什么问题；第二，倒推解决这些问题需要什么数据能力；第三，制定分阶段的投入计划、资源保障和效果度量方式。如果战略评估发现一年前的战略目标和今天的实际建设之间没有关联，那说明战略本身没有起到"导航"作用。
理采存管用方法论从"理"阶段切入——梳理业务流程、盘点数据资源、明确数据权责——本质上就是在帮助企业把数据战略从一份PPT文档转化为一套可执行的工作计划。
六、数据治理：先解决"谁来管"，再谈"怎么管"
数据治理域的三个能力项——数据治理组织、数据制度建设、数据文化建设——在DCMM 2.0中的排列顺序本身就说明了优先级：先有组织，再有制度，最后才形成文化。
这与行业中的一个共识高度一致：数据治理首先是组织治理，其次才是技术治理。 很多企业的数据治理推进困难，不是因为缺平台、缺工具，而是因为"谁来管"这个问题一直没有被真正解决。以下三个误区反复出现：
误区一："建了中台=治理到位"。 平台是治理的技术载体，但平台不会自动产生治理。如果没有明确的治理组织、岗位职责和决策机制，中台只是一个数据存放系统——DCMM评估考的是"组织有没有建立跨部门的治理委员会""数据Owner有没有被任命并实际履行职责"。
误区二："这是IT部门的事"。 数据治理表面上看涉及模型设计、质量规则、元数据管理，好像都是IT工作。但数据标准的定义需要业务部门参与——"客户"是什么口径、哪个系统的"销售额"算数——这些问题IT部门回答不了。没有业务参与，标准推不动，质量闭环形不成。
误区三："任命了CDO就算有组织了"。 DCMM 2.0要求的是实体岗位和虚拟组织相结合的治理架构——CDO或数据管理部门是实体岗位，跨部门的数据治理委员会是虚拟组织，数据Owner和数据管家是业务侧的具体责任人。三者缺一不可。
从落地实践来看，上海某化工企业（企业名称已脱敏，下同）的做法值得参考：该企业成立了数据管理部并设立数据管家岗位，将数据治理纳入绩效考核——治理从"项目驱动"转变为"机制驱动"，从"IT部门的任务"转变为"各部门的日常工作"。数据中台工作空间模型支持的"一集团一中台、一公司一空间"的多组织适配，在技术层面为这种治理组织的落地提供了支撑。
七、数据架构：模型要在系统里"跑"，不只在文档里"存"
数据架构域四个能力项——数据模型、数据分布、数据集成与共享、元数据管理——核心考察的不是"模型文档写得有多详细"，而是"模型有没有在系统中落地执行"。
一个典型的失分场景：企业的数据架构设计文档非常完整，ER图、分层架构、数据流转图一应俱全。但实际去看数据仓库——ODS层、DW层、ADS层混在一起，跨层引用随处可见，当初精心设计的主题域模型被后来不断接入的新系统打破，没有人维护也没有人更新。模型在文档里"存"着，但在系统里并没有"跑"起来。
DCMM 2.0对数据架构的评估，关注的是架构的"可执行性"和"可维护性"——数据模型是否经过了评审和版本管理？数据分布是否能够展示核心业务数据在哪些系统中？数据集成是否规范统一而非每次临时写脚本？元数据是否被持续采集和维护？
江西某国控集团（企业名称已脱敏，下同）在数据中台建设过程中，将10余个系统的数据进行整合，统一构建了十大主题库，形成分类明确、来源权威的数据仓库。这个过程的关键不是"把数据搬过来"，而是通过统一的数据架构设计，让分散在不同业务系统中的数据有了统一的结构和语义——这是DCMM数据架构域考察的核心能力。
数据中台的数据规划模块支持从模型设计到物理落地的全链路管理，数据底座实现ODS-DW-ADS分层架构——这些技术能力确保了架构设计不会停留在纸面上。
八、数据资产：从"管数据"到"管资产"
这是DCMM 2.0最重要的新增域。三个能力项——权属管理、价值评估、资产运营——各自对应数据资产化的三个核心问题：数据是谁的？值多少钱？怎么用起来？
要理解这个域为什么在DCMM 2.0中单独成域，需要看三件事的时间线：2023年《企业数据资源相关会计处理暂行规定》发布，数据资产入表从学术讨论进入政策实操；2024年数据要素市场建设加速，各地数据交易所陆续开业；2025年DCMM 2.0发布，新增"数据资产"能力域。这三件事不是巧合——标准的升级是政策落地的配套动作，DCMM 2.0新增这一域，是在问企业一个尖锐的问题：你把数据管理起来了，但你知不知道自己的数据资产在哪里、值多少、能不能用？
从工程落地的视角来看，数据资产域的能力建设可以拆为四步：
第一步：资产盘点。 全量扫描企业的数据资源——不是简单的"有多少张表"，而是识别哪些数据是核心业务依赖的、哪些有对外流通价值、哪些属于高价值但利用率低的数据。这一步的产物是数据资产目录的初稿。
第二步：质量保障。 对拟入表或拟流通的数据进行质量评价。这里涉及GB/T 36344-2018《信息技术 数据质量评价指标》[3]的六个维度——完整性、一致性、准确性、唯一性、时效性、可访问性。六个维度除可访问性外，其余五个直接影响数据资产的价值可评估性。
第三步：价值评估。 从成本法或收益法切入，协同律所完成合规审核、协同会计师事务所完成会计确认。
第四步：资产运营。 资产目录发布→业务申请使用→使用情况统计→目录持续迭代——这是一个持续运营的过程，不是一次性的盘点项目。
福建某交投集团（企业名称已脱敏，下同）的实践提供了一个完整的参考样本：该企业面对上千张表"家底不清"的现状，从数据确权入手，经过合规审核、质量评价（最终得分99.53分）、估值到入表，完成了首批数据资产的入表工作。这个案例说明，数据资产域不是理论上的"加分项"，而是已经走通的企业实践路径。
从行业趋势来看，数据资产化是数据治理的终极目标——DCMM 2.0新增这一域，本质上是在用标准的语言告诉企业：数据管理的终点，是让数据成为可计量、可运营、可产生财务价值的资产。
九、数据标准：从"写出来"到"跑起来"
数据标准域五个能力项——业务术语、主数据、参考数据、数据元、指标数据——覆盖了企业数据标准化的完整范围。DCMM 2.0考察的不是"有没有标准文档"，而是"标准有没有在系统中被执行"。
这是很多企业数据治理中最大的断层。标准体系文件可能有上百页，业务术语、代码集、指标口径都定义得清清楚楚。但新系统接入时，开发人员还是按照自己的习惯命名字段——"customer_id"、"cust_id"、"c_id"三张表是同一个意思，但系统不知道，人也不知道。标准"写出来"了但没有"跑起来"，问题的根因在于：标准文档没有和实际的数据管理平台打通。
落地的关键在于"在线管理+自动落标"三个环节：数据元、代码集、指标口径在数据管理平台中在线定义和发布；标准发布后与物理表的字段自动关联；数据接入时平台自动校验合规性——违规字段被标记、通知责任人、限期整改。
上海某化工企业的实践提供了典型场景：该企业统一了物料编码、业务术语和指标口径，解决了长期困扰的经营分析"口径不一"问题——销售部门报的"销售额"和财务部门的"收入确认"在统一标准后终于对应上了。数据中台标准管理模块支持从标准制定、发布、关联到落标校验的完整流程，让标准从"写在纸上"变成"跑在平台上"。
十、数据质量：形成"发现→定位→修复→复验"闭环
数据质量域四个能力项——数据质量需求、数据质量检查、数据质量分析、数据质量提升——构成了一个完整的质量闭环。DCMM 2.0在这里追问的，不是"你配了几条质量规则"，而是"问题发现之后谁来修？修了有没有验证？同类问题的复发率是多少？"
理解DCMM数据质量域，可以用一个"双框架"思路来定位：
DCMM管能力成熟度：质量管理的流程是否闭环、是否有持续提升机制——这是"能力"视角。
GB/T 36344-2018管指标维度：从完整性、一致性、准确性、唯一性、时效性、可访问性六个维度定义具体查什么——这是"指标"视角。
两个框架互补——DCMM告诉你质量管理的流程应该长什么样，GB/T 36344告诉你质量检查的具体维度应该覆盖哪些方面。
从实践角度看，数据质量管理有两种技术模式：
强校验模式：在关键业务链路上前置拦截，数据不合规不入库。适合对数据准确性要求极高的核心业务系统（如财务核算、合规报送）。
旁路监测模式：数据正常入仓，质量检查在旁路并行扫描，发现问题打标记、生成告警、创建工单——不阻断正常的数据流转和业务使用。这种模式更适合多源归集和公共数据场景，因为不同来源的数据质量参差不齐，在入口处强拦会导致大量数据堵在管道里。
江西某国控集团的实践展示了质量闭环的效果：通过自动化质量稽核，核心数据质量问题从"人工发现→层层上报→跨部门协调→手动修复"的漫长流程，转变为"系统自动检测→告警推送责任人→修复后系统复验"的闭环，问题的修复周期从两周缩短到了两天。数据中台质量管理模块支持旁路监测模式和12类规则的可视化配置，覆盖从问题发现、标记、告警、工单到复验的完整闭环。
十一、数据安全：显著增强的分量
DCMM 2.0的安全域有三个实际变化值得关注。第一，能力项名称变更：从旧版的"数据安全策略/数据安全管理/数据安全审计"变更为"数据合规管理/数据安全防护/数据安全审计"——这不是换了个说法，"策略"变成"合规管理"意味着从内部管控视角转向外部法规遵从视角，"管理"变成"防护"意味着从制度要求转向技术执行——防御能力要可验证。第二，安全域的评估要求较DCMM 1.0显著增强，与《数据安全法》[4]和《个人信息保护法》[5]的合规要求对齐。第三，新增了外部数据流通中的数据安全考量——这与"数据应用流通"域的外部数据管理能力项形成呼应。
安全域的落地通常分三个层次：
第一层：分类分级。 首先要搞清楚敏感数据在哪里、什么级别。这一步是后续所有安全管控措施的基础——不知道数据敏感级别，加密和脱敏都是"盲打"。
第二层：权限管控。 谁能看、谁能改、谁能导出——基于数据分类分级的精细化权限控制，而不是"有账号就能看到所有数据"的粗放模式。
第三层：审计溯源。 谁在什么时间、什么IP、对什么数据做了什么操作——记录完整、可追溯、可举证。这一步看似是事后管控，但它的震慑作用往往比前面的防护措施更强——知道"被盯着"，行为自然会收敛。
数据中台的安全防护能力支持分类分级打标、敏感数据自动识别、动态脱敏和完整的审计日志功能，在技术层面为企业满足DCMM安全域要求提供了基础。
十二、数据生命周期：不只是"归档"那么简单
数据生命周期域（DCMM 2.0中称为"数据生存周期"）四个能力项——数据需求、数据设计与开发、数据运维、数据退役——覆盖了数据从"诞生"到"消亡"的全过程。
很多企业最容易忽略的是最后一个环节：数据退役。数据量在爆炸式增长——业务系统持续产生数据、数仓持续归集数据、分析层持续派生数据——如果没有生命周期策略，数据湖最终会变成数据沼泽。存储成本持续走高，查询性能持续下降，而大部分历史数据可能再也不会被访问。
DCMM 2.0对数据生命周期域的评估，关注的是企业有没有清晰的策略：数据的保留期限如何定义？热数据、温数据、冷数据如何分层存储？数据的归档和销毁有没有审批流程和执行记录？这些看似是运维层面的工作，但如果在平台建设初期没有纳入设计考量，后期补课的成本会很高。
数据中台的数据生命周期管理能力需要从"采"和"存"两个阶段就纳入设计——数据归集时标注数据源和时效性，数仓分层时明确各层的数据保留策略，确保数据在生命周期各阶段都是可管理的。
十三、数据应用：最终目的是"让数据被用起来"
数据应用流通域四个能力项——数据应用、外部数据管理、数据开放、数据服务——覆盖了数据价值释放的完整路径。DCMM 2.0考察的不是"你有没有BI报表"，而是"数据是否被业务部门实际使用并产生可衡量的业务价值"。
从企业数据应用的演进来看，大致可以分为三个阶段：
1.0 报表阶段：IT部门出报表，业务部门看报表。数据的使用是单向的、被动的，业务的用数需求需要排期、等待IT资源。
2.0 自助阶段：业务人员通过数据资产门户自主找数据、申请数据、使用数据。数据目录让业务知道"有什么数据"，API共享让业务接入数据的过程从"提需求→排期→开发"缩短为"申请→审批→调用"。
3.0 智能阶段：AI用数——用自然语言提问，系统自动转换为SQL查询并返回图表结果。这是DCMM 2.0 L4引入人工智能技术应用的技术落脚点之一：AI用数不是替代BI，而是降低用数门槛——让不懂SQL的业务人员也能直接向数据提问。
江西某国控集团的实践展示了数据应用释放价值的具体路径：通过API共享平台，数据快速赋能财务监管、科创数转等业务场景，业务人员的数据获取工作量减少了60%以上。DCMM 2.0 L4引入人工智能技术应用，意味着企业不仅要让数据能被用起来，还要让数据能被"智能地用起来"——AI用数智能体支持自然语言查询、无需SQL，是这一技术趋势的工程化回应。
十四、常见误区：DCMM贯标中最容易踩的五个坑
| 误区 | 实际情况 |
|---|---|
| "建了数据中台=DCMM自然高分" | DCMM考察的是数据管理能力，不是平台本身。有平台不等于有能力——平台是载体，治理组织、制度体系、闭环流程才是能力的内核。 |
| "DCMM是IT部门的事" | 数据战略和治理组织都是跨部门的事。从数据战略的制定到数据标准的落地，没有业务部门参与，推进难度会成倍增加。 |
| "过了评估就万事大吉" | DCMM是持续的能力建设，不是一次考试。尤其是数据资产域，资产目录需要持续运营、价值评估需要定期更新——"过了"只是开始。 |
| "我们数据量不大，不需要DCMM" | DCMM考察的是管理成熟度，和数据量大小没有直接关系。中小企业一样可以用DCMM框架建立规范的数据管理流程——规模小不代表不需要标准化。 |
| "先买平台再做DCMM" | 顺序反了。DCMM的框架告诉你应该具备什么能力，再据此评估需要什么平台。先做能力规划再匹配工具——"需要什么"比"买什么"更优先。 |
十五、从标准文本到企业落地："理采存管用"如何承载DCMM 2.0
DCMM 2.0搭建了评估框架，但标准本身回答的是"应该具备什么能力"，而不是"怎么一步步建起来"。在企业落地实践中，有三个框架常常同时出现，各自的角色定位不同：
| 框架 | 角色 | 一句话定位 |
|---|---|---|
| DCMM 2.0 | 评估标尺 | 告诉企业数据管理能力到了什么水平 |
| DAMA-DMBOK[6] | 知识体系 | 告诉企业数据全生命周期中应该管理什么 |
| 理采存管用 | 工程路径 | 告诉企业从哪开始、按什么顺序、分几步走到资产化 |
三个框架不是替代关系，而是逐层递进——DCMM说目标、DAMA说范围、理采存管用说路径。
理采存管用与DCMM 2.0九大能力域在工程落地层面的对应关系如下：
| 理采存管用 | 对应 DCMM 2.0 能力域 | 中台动作 |
|---|---|---|
| 理 | 数据战略 → 数据治理 → 数据架构 | 梳理业务流程、盘点数据资源、建立治理组织 |
| 采 | 数据架构 → 数据生命周期 | 打通多源异构系统、流批一体数据归集 |
| 存 | 数据架构 → 数据标准 | 数仓分层建模、统一数据模型 |
| 管 | 数据治理/标准/质量/安全 | 元数据+主数据、质量规则配置、分类分级 |
| 用 | 数据资产 → 数据应用 | 资产目录发布、API共享、AI智能用数 |
说明：上表为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。例如，"理"侧重战略、组织、制度与路线规划，而不仅是运营保障层面；"存"更侧重数仓开发和模型管理，与资产层各有侧重。
市场上已有部分数据中台产品将"理采存管用"方法论作为产品设计的底层逻辑。以龙石数据中台为例，从"理"阶段的数据资产权属梳理和标准规划，到"采"阶段的异构系统对接，再到"存"阶段的数仓分层建模、"管"阶段的元数据/标准/质量/安全一体化管控，直到"用"阶段的资产目录、API共享和AI智能用数——五个阶段对应DCMM 2.0九大能力域，形成"国标定目标、方法论定路径、产品定落地"的三层映射。龙石作为中国信通院《数据治理产业图谱3.0》[7]入选厂商和DCMM标准工作组成员单位，其方法论与产品设计本身就是对DCMM 2.0要求的工程化回应。
十六、企业贯标自查清单
以下检查清单按DCMM 2.0的九个能力域和三档目标等级给出关键自查项，企业可根据自身目标定位对照评估：
| 能力域 | L2（受管理级）自查 | L3（稳健级）自查 | L4（量化管理级）自查 |
|---|---|---|---|
| 数据战略 | 有书面数据规划？ | 规划定期更新？有投资保障？ | 战略执行效果可量化评估？ |
| 数据治理 | 有数据管理岗位？ | 有治理委员会？制度覆盖核心域？ | 治理效能有指标可查？ |
| 数据架构 | 核心系统有数据模型？ | 模型统一管理？有数据分布图？ | 架构变更影响可预判？ |
| 数据资产 | —（新增域起步） | 有资产目录？知道核心数据在哪？ | 资产价值可评估？可入表？ |
| 数据标准 | 核心字段有标准？ | 标准在系统中执行？有落标记录？ | 标准覆盖率≥95%？ |
| 数据质量 | 有质量问题记录？ | 有质量闭环（发现→修复→复验）？ | 修复时长≤2小时？复发率可查？ |
| 数据安全 | 有数据安全制度？ | 完成分类分级？有审计日志？ | 安全事件可举证可追溯？ |
| 数据生命周期 | 有备份策略？ | 有归档/销毁流程？ | 生命周期策略自动执行？ |
| 数据应用 | 有BI报表？ | 业务部门能自助找数用数？ | 已部署AI用数能力？ |
起步建议：从较为稳妥的做法来看，通常先锚定一个高价值数据域（如客户域、财务域），用3到6个月跑通"标准→质量→资产目录"的最小闭环，验证效果后再横向扩展到其他域。
十七、FAQ
Q1：DCMM 2.0 和 1.0 的核心区别是什么？之前的评估结果怎么办？
最重要的变化是新增了"数据资产"能力域（排第4位），能力域从8个变成9个，评估指标升级到486项。安全要求较1.0显著增强，L4量化管理级引入人工智能技术，L2为新的评估基准等级。DCMM 2.0（GB/T 36073-2025）于2026年7月1日实施后，旧版标准（GB/T 36073-2018）已废止。此前按1.0完成的评估结果，在新版评估中需按2.0框架重新对标。
Q2：企业数据量不大，DCMM评估有必要吗？
DCMM评估考察的是数据管理能力的成熟度，和企业数据量大小没有直接关系。即使是中小企业，也可以用DCMM框架建立规范的数据管理流程——规模小不代表不需要标准化。DCMM 2.0的L2评估基准等级对企业的起步要求也相对友好。
Q3：L4引入AI技术应用，目前没有AI能力怎么办？
这是DCMM 2.0让不少企业感受到压力的一个变化。从项目统计来看，多数建了数据中台的企业目前在L2-L3区间，距离L4通常需要12到24个月。比较稳妥的做法是先在L3阶段把数据底座夯实——标准、质量、元数据——同时评估AI应用场景。AI用数能力建立在数据治理到位的基础上：元数据没有讲清字段含义、标准没有统一业务术语，AI来了也读不懂数据。
Q4：九个能力域应该从哪个开始做？
从DCMM 2.0各能力域之间的依赖关系来看，数据治理和数据架构是两个基础域——治理回答了"谁来管"，架构回答了"数据怎么放"。然后数据标准→数据质量→数据安全是三个执行域。数据资产域依赖前面几个域的基础能力——没搞清楚有什么数据、数据质量不可信，资产化就缺乏根基。数据应用是最终价值出口。不过，企业在实践中通常不需要等所有域都建完再推进下一个域——可以从当前最突出的问题域入手，同时在低投入的域（如数据战略梳理）上同步启动。
Q5：理采存管用和DCMM 2.0九大能力域怎么对应？
理→战略/治理/架构（规划和组织），采→架构/生命周期（数据归集），存→架构/标准（模型设计），管→治理/标准/质量/安全（全域管控），用→资产/应用（价值释放）。详见第十五节的对照表和三层映射图——工程落地层面的大致对应关系，不是严格一一映射。
参考来源
[1] GB/T 36073-2025《数据管理能力成熟度评估模型》（DCMM 2.0），国家市场监督管理总局、国家标准化管理委员会，2025年12月31日发布 —
[2] 财政部，《企业数据资源相关会计处理暂行规定》（财会〔2023〕11号），2023年8月 —
[3] GB/T 36344-2018《信息技术 数据质量评价指标》，国家市场监督管理总局、国家标准化管理委员会，2018年6月 —
[4] 《中华人民共和国数据安全法》，全国人民代表大会常务委员会，2021年6月10日通过，2021年9月1日起施行 —
[5] 《中华人民共和国个人信息保护法》，全国人民代表大会常务委员会，2021年8月20日通过，2021年11月1日起施行 —
[6] DAMA International，《DAMA数据管理知识体系指南（DAMA-DMBOK2）》（第二版），机械工业出版社，2020年
[7] 中国信息通信研究院，《数据治理产业图谱3.0》，2024年12月
作者注：本文基于DCMM 2.0（GB/T 36073-2025）标准框架和行业公开数据编写，案例均来自已脱敏的企业实践（企业名称已脱敏，下同）。文中产品相关内容仅为说明方法论落地方式，不代表任何商业推荐。
