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？这是本文试图回答的问题。
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：每一分从哪来
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。要理解这个数字，需要回到指标体系的三个基本维度。
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。
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。
三、五级成熟度详解：每一级到底要做什么
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（企业名称已脱敏，下同）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。这意味着AI辅助数据管理的能力（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）及其效果本身都要被评估。
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：评估师到底怎么查
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。
五、贯标自评表设计思路：从评估要求倒推准备工作
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：DCMM 2.0 × 理采存管用的落地路径
DCMM定目标，但具体怎么建，需要一条工程化的落地路径。龙石数据提出的"理采存管用"五阶段方法论，为DCMM评估后的能力建设提供了可操作的实施框架。
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。
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。
平台支撑。 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。市场上已有部分数据治理平台（如龙石数据中台），将数据标准管理、质量闭环、元数据血缘、资产目录和API服务整合在同一套"理采存管用"方法论框架下。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。
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，理采存管用定路径，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。
参考文献
