我们真的需要数据中台吗？——从DAMA体系出发，用“理采存管用”重新审视数据价值流

摘要：本文从DAMA-DMBOK知识体系与DCMM国家标准的比较分析切入，系统论证了数据中台建设中知识框架向工程化能力转化的架构路径。以"理采存管用"五阶段方法论为核心桥梁，揭示了数据治理能力建设必须遵循"梳理规划先行、采集建模次之、治理管控贯穿、价值释放驱动迭代"的架构时序。同时指出，在AI时代数据治理已从辅助性职能上升为智能化应用的基础设施，其战略价值被显著放大。本文最后提出了基于成熟度评估、螺旋推进、以用促治的可落地实施路径。

国际数据管理协会（DAMA International）是全球数据管理领域最具影响力的专业组织之一。其发布的《DAMA-DMBOK（Data Management Body of Knowledge）》1被广泛视为数据管理学科的基础知识体系，为全球企业数据管理实践提供了系统性理论框架。

DAMA 对数据管理给出了经典定义[1]：

"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、主数据等核心能力域，构建了一套完备的数据管理理论框架[2]。

然而，在工程项目实践中，多数企业会面临一个共性问题：

DAMA 界定了数据管理"应该建设哪些能力"，但未直接给出"从何处启动、按何种顺序推进"的工程实施路径。

尤其在数据中台建设语境下，企业真正需要的并非一套静态知识体系，而是一套能指导项目实施全过程的工程化方法论。经大量项目实践验证，"理采存管用"五阶段方法论（由龙石数据提出）恰好能够将 DAMA 的理论框架转化为可执行的落地路径，实现从知识到工程的映射。

一、DAMA 的 11 个知识领域：全景架构

为给后续的领域映射建立基础认知，本节先对 DAMA-DMBOK 的核心知识领域做一全景概览[2]：

从覆盖范围看，DAMA 已系统性地回答了企业数据管理"应建设哪些能力"的问题。然而对于大多数企业而言，更具现实紧迫性的问题在于：

这些能力域应如何组织编排？ 哪些应优先建设？ 哪些需在基础夯实后推进？ 如何形成可持续的建设闭环？

这些问题指向的正是从知识体系到工程实践的"转化鸿沟"。

二、DAMA 与 DCMM：国际理论框架与中国标准体系

在国内数据治理领域，除 DAMA 之外，DCMM（Data Management Capability Maturity Model）是另一个高引用频率的标准框架。

DCMM 即《数据管理能力成熟度评估模型》，是我国数据管理领域首个国家标准（GB/T 36073-2018）3。DCMM 2.0（GB/T 36073-2025）将于 2026 年 7 月 1 日起正式实施，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 为基础展开分析。该标准指出：

"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。"[3]

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

并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

从架构层面审视，三者之间的关系可归纳为：

三者并非竞争或替代关系，而是分别聚焦于数据管理生命周期的不同层面：DAMA 定义能力域，DCMM 评估能力等级，而数据中台项目需要的则是将这些能力从纸面规范转化为可运行的平台能力——这是工程化方法的核心使命。

三、理采存管用：DAMA 知识体系的工程化落地

如果说 DAMA 提供的是一套"理论教材"，那么"理采存管用"五阶段方法论（由龙石数据提出）则是一份"施工手册"。

该方法论不是对 DAMA 的简化裁剪，而是按照工程建设的内在逻辑和时序约束，对 DAMA 各知识领域进行的工程化重新编排：

由上表可见，DAMA 的 11 个知识领域被系统性地分配至五个工程阶段。其中"管"阶段承载了最为集中的治理职能——数据质量、元数据、主数据、数据安全等多个领域在这一环节集中落地，形成治理能力的密集交付区间。

这里的关键不在于简单的分类映射，而在于时序编排——DAMA 界定了"要建设什么"，理采存管用则给出了"先建设什么、后建设什么、各环节如何衔接形成闭环"。这种时序逻辑正是工程化方法与知识框架之间的本质差异。

四、建设时序的架构意义

大量数据中台项目未能达到预期目标，根本原因往往不在于某个能力领域的缺失，而在于建设时序的系统性错误。

错误模式一：在"理"之前执行"采"。 数据资产尚未盘点、标准体系尚未建立、治理组织尚未就位，即启动 ETL 管道开发与数据接入。其后果是多源数据口径不一致、主数据编码冲突，后续不得不大规模返工。某化工企业的案例具有典型性——中台项目启动后直接接入 MES 与 ERP 系统，三个月后发现物料编码在两套系统中完全无法对应，先期集成工作几乎全部废弃。在调整路径、遵循"先理后采"的时序后——统一主数据标准、建立质量规则、再进入采集环节——该企业交付及时率从不达 70% 提升至 91%。

错误模式二：在"管"之前执行"用"。 数据标准未统一、质量未受控、元数据未采集，即开始构建报表与 AI 分析应用。一个常见的后果是：同一业务指标（如销售额）在 BI 页面与财务系统中相差数百万元量级，业务部门对数据可信度丧失信心，分析应用形同虚设。

错误模式三："管"仅停留在技术层面，未触及业务治理。 DAMA 强调数据治理的本质首先在于组织治理——须建立清晰的数据权责归属与考核机制[2]。如果质量规则仅在技术层面运行，没有业务侧对数据口径负责，数据问题便永远不会在源头得到解决。

上述三种模式揭示了一条架构原则：数据中台建设必须遵循治理先行的时序约束。 这不是方法论偏好，而是由数据资产的"网络效应"决定的——上游环节的质量缺陷会在下游被逐级放大，修复成本呈指数增长。

五、AI 时代的数据治理：从辅助职能到基础设施

随着大语言模型与生成式 AI 的快速发展，企业 AI 应用场景迅速扩展：AI 智能问数、AI 分析助手、企业知识库等已成为常见建设需求。然而实践表明：AI 应用效果的上限，往往由底层数据质量决定[5]。

近年来兴起的 Data-Centric AI 理论[5]指出：

相较于持续优化模型架构与参数，系统性地提升数据质量与数据治理能力，往往能带来更显著的业务收益。

这一论断的逻辑基础在于：若指标定义不统一、主数据标准缺失、元数据断层、数据质量不可控，则 AI 系统只是以更高的计算效率生成错误答案。换言之，治理缺失的数据输入 AI 系统，不是产生价值，而是以更低的边际成本产生风险。

因此，AI 时代非但没有削弱数据治理的必要性，反而将其战略地位从辅助性职能提升至 AI 基础设施层面。对企业而言，数据治理即 AI 基础设施。

理采存管用中的"管"阶段，本质上是在为未来的 AI 应用构建数据可信基座；而"用"阶段中的智能问数、智能分析，则是治理成果的集中价值释放。

这一趋势已在政策层面获得印证。2026 年，江苏省数据局依据国家"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，统筹启动了高质量数据集建设先行先试项目[4]，全省共 147 个项目入选省级试点。其中，江苏省市场监督管理局数据中心联合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——这一案例表明，高质量数据集建设正从政策驱动走向工程落地，而数据治理能力正是这一进程的核心基础设施。

六、落地实践路径：从评估到闭环

综合 DAMA 框架[2]与理采存管用方法论，建议企业按以下四阶段路径推进：

第一步：基于 DAMA 的成熟度评估。 在中台建设启动前，对照 DAMA 的 11 个知识领域开展快速自评[2]：哪些领域已有基础积累？哪些尚属空白？评估周期通常不超过一周，但能避免后续数月的方向性偏差。此阶段可辅以 DCMM 的五级成熟度模型对标，形成定量的能力基线。

第二步：以"理"阶段构建治理基础。 依据评估结果，优先建立治理组织架构与数据标准体系。DAMA"数据治理"知识领域在工程实践中的映射，即在此阶段完成：明确数据质量的责任归属、统一核心主数据编码体系、建立变更管理流程与审批机制。

第三步：采、存、管螺旋推进。 避免"一步到位"的瀑布式建设思路。选取 1-2 个高价值数据域（如客户域、产品域）作为试点，走通"采集→建模→治理"的完整闭环，沉淀可复用的实施模板后再横向扩展至其他域。这种螺旋模式有效控制了前期投入风险，同时为后续规模化积累了实证经验。

第四步：以"用"驱动持续迭代。 治理的最终目的是数据价值释放。将治理后的数据资产通过 API 服务、BI 报表或 AI 智能问数等渠道推向业务端。业务使用过程中产生的新需求（新的分析维度、新的数据源、新的质量要求）反馈至"理"阶段，启动新一轮规划周期，形成"理→采→存→管→用→理"的持续演进闭环。

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通用知识体系（DMBOK）1，DCMM 是中国国家标准（GB/T 36073-2018）[3]，后者在参考 DAMA 框架的基础上增加了五级成熟度评估体系。DCMM 2.0（GB/T 36073-2025）将于 2026 年 7 月 1 日实施，能力域扩展至 9 个，新增"数据资产"能力域。两者的核心思想一致：数据治理的根基在于组织治理，技术治理是组织治理的工程化延伸。

Q2：中小企业需要完整覆盖 DAMA 全部 11 个领域吗？

无需一步到位。建议优先聚焦数据治理、数据质量、主数据、元数据四个基础领域，先将核心数据"管明白"再逐步扩展。四个基础领域跑通后，数据仓库与 BI、数据安全的建设优先级自然上升。

Q3：理采存管用与 DAMA 是否存在冲突？

不存在冲突。DAMA 是知识框架，理采存管用是工程落地方法。可以将理采存管用理解为"DAMA 的工程实施版"——它完整保留了 DAMA 的核心思想，但按照工程实践的时序逻辑重新编排了建设顺序与实施重点。

Q4：治理能力建设需要多长时间？

取决于企业起点。若已具备一定的数据基础（系统建设、团队配置），可在一个数据域内快速验证：

• 短期（3 个月）：完成一个数据域的资产盘点、标准制定与治理闭环，跑通"理→采→存→管→用"全流程，实现业务可感知的效果
• 中期（6-12 个月）：将验证模式扩展至 3-5 个核心数据域，建立治理运营常态化机制
• 长期（1-2 年）：形成企业级数据治理文化，治理活动从"专项项目"模式转变为"日常运营"模式

核心策略是：不追求一步到位。先在一个域跑通闭环，以实证效果争取更广泛的资源支持，比全面铺开更具可持续性。

参考文献

[1] DAMA International. What is Data Management?. https://www.dama.org

[2] DAMA International. DAMA-DMBOK2: Data Management Body of Knowledge. 2nd Edition. Technics Publications, 2017.

[3] GB/T 36073-2018. 数据管理能力成熟度评估模型（DCMM）. 国家市场监督管理总局, 中国国家标准化管理委员会, 2018.

[4] 国家数据局. "数据要素×"三年行动计划（2024—2026年）. 2024.

[5] Ng, A. et al. Data-Centric AI Resource Hub. https://datacentricai.org

[6] 中国电子信息行业联合会. DCMM 标准解读与实施指南. 2021.

架构启示：数据中台建设本质上是一项将知识体系转化为工程能力的系统性架构工程——其成功与否不取决于技术工具的完备程度，而取决于是否遵从"理—采—存—管—用"的治理时序并构建可持续的反馈闭环。治理先行而非事后补救，方能使数据资产从成本中心转化为价值引擎。