软信天成：你知道主流数据资产管理理论框架有哪些吗？

随着近年来数据的体量和复杂性的快速增加，企业管理层和业务层对数据需求的重视程度不断提高，数据管理中的“数据”和“管理”的内涵和外延都发生了巨大改变。面对当前大环境的变化，企业需要充分了解和借鉴国内外先进的数据管理理论，同时对标行业最佳实践经验，为企业自身数据资产规划设计提供科学且坚实的理论基础。以下是软信天成对业内主流数据管理理论框架的总体盘点：

DAMA—DMBOK理论框架

2009年由数据管理专业人士组成的、独立于厂商的国际性非盈利会员组织——DAMA国际通过对业界数据管理最佳实践的分析总结，在全球范围内首次提出数据管理知识体系DAMA-DMBOK，为数据管理理论的产生和发展提供了重要的理论基础。

DAMA强调“数据”作为企业资产的重要性，认为数据管理（DM）是针对企业数据资产的一组业务职能，包括开发、执行和监督企业数据的政策、规划、方案、项目、流程、方法和程序，目的在于提高企业数据资产的利用价值。

  图 DAMA数据管理职能框架

DAMA—DMBOK理论框架通过数据的全生命周期管理描述了数据资产的管理过程。根据不同业务对数据的不同需求，把数据管理主要职能划分为数据治理、数据架构管理、数据开发、数据操作管理、数据安全管理、数据质量管理、参考数据和主数据管理、数据仓库和商务智能管理、文档和内容管理、元数据管理10大职能领域，领域间关系可理解为一个统筹工作、3个核心工作、3个数据特性、3个综合方案；并通过 7 个环境元素对每个职能进行描述：目标与原则、组织与文化、工具、活动、角色和职责、交付成果、技术。

 图 数据管理职能间的关系 

尽管DAMA数据管理知识体系能够提供一套完整的数据管理领域的理论框架，但在实践中仍存在以下不足：

• 数据战略内容不明显，企业战略对数据管理工作的指导作用不突出；

• 由于阐述较多孤立的数据管理能力建设，数据价值在业务价值方面的体现不明显；

• 数据管理10个职能域内容全面，但是缺乏不同企业的典型场景的实践原则和建议方案，在实践层面无法判断数据管理体系建设的范围、职能域建设的优先级；

• DAMA中的知识体系各部分描述较为理论化，缺乏示例说明，理解有一定难度。

DCMM理论框架

由全国信标委大数据标准工作组牵头组织编制的《数据管理能力成熟度评价模型》（GB/T 36073-2018）（英文全称Data Management Capability Maturity Assessment Model，简称：DCMM），是一套涵盖综合标准规范、管理方法论、评估模型等多方面内容的综合框架，目标是提供一个全方位的组织数据管理能力评估的模型，将组织数据管理能力划分为数据战略、数据治理、数据架构、数据标准、数据质量、数据安全、数据应用、数据生命周期等八个重要组成部分主题域，并描述了每个组成部分的定义、功能、目标和等级评估标准。

 图 DCMM数据管理能力成熟度模型

数据管理能力成熟度评价划分为5个等级：初始级、受管理级、已定义级、量化管理级和优化级，并在此基础上，确定每个层级的基本特征。

 图 数据管理能力成熟度评价等级

DCMM数据管理能力成熟度评估模型在实践中存在下述弊端：

• 未体现业务范围、组织范围、管理范围和系统范围。

• 未明确数据管理能力的相关构建方法。

• 未明确数据管理能力的实施路径。

DGI理论框架

2004年数据治理研究院（The Data Governance Institute, DGI）发布了DGI数据治理框架，为了帮助数据领导层、数据治理专业人士、业务人员和IT人员共同制定决策，实现数据价值、最小化数据成本和复杂度、管理风险、确保满足日益增长的业务需求和法规监管需求。

 

DGI数据治理框架总体定位于“狭义”数据治理，主要探讨数据管理工作涉及的“方向、组织、责权、流程”等问题，将数据治理分为10个组成部分，并给出以下数据治理工作的6个关注领域（即：数据治理工作所服务的6个工作领域）。

• 政策、标准和战略制定；

• 数据质量提升；

• 隐私、合规和安全管理；

• 架构和集成；

• 数据仓库和BI建设；

• 管理支持（涉及需要多方共同决策）；

相较其他数据治理及管理模型，DGI数据治理框架主要存在两方面不足：

• 仅专注于“狭义”数据治理领域，未对其他宏观数据管理工作职能进行阐述。对数据治理机制的设计有参考意义，但对于数据质量管理、数据仓库建设等数据管理工作职能，则无法进行指导。

• 关注数据治理领域的组成要素，而非严格定义每个组成要素的具体内容和开展方式。框架中界定数据治理工作应该由哪些组成部分，但对于每个组成部分的具体实践方式方法并不做说明和分析，因此对于进行数据治理体系的具体设计，指导深度不够。

综上所述， 企业在普遍的数据治理项目实践中，往往过于注重数据治理本身流程的设计，忽视了识别与数据相关的业务与IT流程，造成数据治理流程相对孤立、无法有效融入企业日常工作流程中。因此，在实际数据治理项目中，需要企业结合自身实际情况进行具体的顶层设计、详细规划和实施控制，稳步实现数据治理的业务与战略目标，全面赋能企业数字化转型进程。