软信天成：数字化转型之前，你的企业需要做一次数据管理能力成熟度评估

近年来国家对企业数字化转型提出了更加具体的要求，据国务院印发的《关于加快推进国有企业数字化转型工作的通知》指出：数据治理是企业数字化转型的必经之路。一时间，各地方政府相继出台相关政策，纷纷聚焦数据管理领域。

要想做好数据管理，首先需要选择一套能够正确指导企业开展数字化建设的指导框架，进行相应的数据管理能力成熟度评估。数据管理成熟度评估是了解企业当前环境的一个有用工具，可用于全面评估数据管理情况，帮助弥合业务部门和IT部门在数据管理实践的健康状况和有效性方面的观念冲突，为组织提供可根据战略优先事项进行调整的基于现阶段的改进路径，为后续的工作建议提供帮助。一般来讲，各组织进行能力成熟度评估大多由业务驱动，具体可分为如下维度：

• 监管层面：监管对数据管理奠定了最低成熟度水平的要求。
• 数据治理层面：处于规划与合规性目的，数据治理需要进行成熟度评估。
• 发展改进层面：组织认识到要改进其实践过程应从评估其当前状态开始。
• 组织变更层面：由组织变更（如合并）带来的数据管理新挑战。
• 新技术层面：技术的进步提供了更多管理和使用数据的新方法。
• 数据管理问题层面：面临数据质量问题或其他数据管理挑战时，希望重新评估，以更好实施变更。

盘点现有的数据管理成熟度评估框架

众所周知，有效的数据治理是获得高质量数据的核心控制规程，可用于管理、使用、改进和保护企业数据加工过程中的数据质量，促进跨组织间的协调与决策、增强企业数据的可用、可信、可管、可控。为获得有效的数据治理，许多企业通过学习、培训和借鉴经验，开始从自身实际出发，通过寻找行业基准和通用框架建立实施方法论。

谈及能力成熟度模型，最早起源于CMM，后发展为CMMI（软件能力成熟度模型），是一套对组织在软件定义、实施、度量、控制和改善其软件过程的实践中各个发展阶段的描述形成的标准。2014年，卡耐基-梅隆大学旗下的CMMI协会在CMMI模型基础上发布了数据管理领域能力成熟度评估模型CMMI-DMM，成为了业界权威模型。后续时间里，许多供应商都开发了自己的数据管理成熟度评估模型，目前，我国市面上主要分为如下几类。

1、CMMI数据管理成熟度模型（DMM）

CMMI-DMM数据管理成熟度模型用25个过程域（涵盖20个数据管理过程域和5个支持过程域），为数据管理领域提供了包括数据管理策略、数据治理、数据质量、平台与架构、数据操作、支持流程等在内的6个评估标准，能清楚描述企业数据管理建立的各项能力，帮助组织有效开展数据管理过程建设，提升数据管理水平。

2、数据管理能力成熟度评估模型（DCMM）国家标准

2018年3月15日，国家标准化管理委员会发布《GB/T36073-2018数据管理能力成熟度评估模型》，同年10月1日全面实施。该数据管理能力成熟度评估模型（简称DCMM）是我国首个数据管理领域的国家标准，旨在为我国数据管理体系建设、企业数据管理能力提升提供标准化支撑。

据悉，DCMM结合数据生命周期管理各阶段的特征，按照组织、制度、流程、技术对数据管理能力进行了分析总结，提炼出覆盖数据战略、数据治理、数据框架、数据标准、数据质量、数据安全、数据应用以及数据生存周期的8个数据管理能力域，并对每项能力域进行了二级过程项（28个过程项）和发展等级的划分（5个等级）以及相关功能介绍和评定指标（441项指标）的制定。数据能力成熟度划分上，DCMM模型共设置初始级、受管理级、稳健级、量化管理级和优化级共5个发展等级，整套标准适用于信息系统的建设单位、应用单位等进行数据管理时的规划、设计和评估环节，可作为针对信息系统建设状况的指导、监督和检查的依据。

3、EDM委员会数据管理能力成熟度模型（DCAM）

DCAM模型是由总部位于美国的研究金融行业数据管理的公益性组织——企业数据管理委员会（EDM）开发的，描述了与可持续数据管理项目开发相关的37项能力和115个子能力，其中DCAM2.0模型包含了数据管理战略与业务案例、数据管理流程与资金、数据架构、技术架构、数据质量管理、数据治理、数据操作等7大组件。评估重点关注利益相关方的参与程度、流程形式及展示能力。

4、IBM数据治理委员会成熟度评估模型

IBM模型既是一个成熟度框架也是为了成熟度分级而构造出的一组有答案的评估问题，高阶能力体现在成效、支持要素、核心准则、支撑准则四个方面，旨在通过经验证的业务技术、协作方法和最佳时间，帮助组织构建治理中的一致性和质量控制，通过成熟度级别、业务实践和组织活动等要素，准确度量组织数据治理成熟度，开展整体的数据治理能力提升。

5、Gartner的企业信息管理成熟度模型

Gartner的企业信息管理成熟度模型将企业信息管理分为无意识阶段、意识阶段、被动式阶段、主动式阶段、托管管理阶段和有效管理阶段等5个阶段，通过建立评估愿景、战略、度量、治理、角色和责任、生命周期和基础架构等维度的标准，帮助企业快速找到自身信息管理能力所处的位置。

6、斯坦福数据治理成熟度模型

斯坦福大学的数据治理成熟度模型侧重关注数据治理，可为全面评估数据管理奠定基础，分为以意识、形式化、元数据为主的基础部分和以数据管理、数据质量、主数据为主的项目部分，每个部分清晰阐明人员、政策和能力的驱动因素，明确“由谁负责（Who）、涉及哪些制度（What）、如何从技术上解决（How）”三大问题，详细描述各个成熟度级别特征，为每个级别提供定性和定量测量。

---

大部分情况下，数据管理能力成熟度评估可分为组织自评和第三方评估，为寻求更客观中立的评估效果，企业多由第三方评估为主，自评为辅。评估过程中，企业可适当根据自身情况选择评估范围和评估频率，值得注意的是，合适的数据管理成熟度框架能让企业数据成熟度评估事半功倍。因此，在选用框架模型时，软信天成建议企业从以下方面进行考量：

• 易用性：实践活动是否以非技术性术语来描述，能否传达活动的功能本质。
• 全面性：模型是否涉及广泛的数据管理活动，包括业务参与而不单纯是IT过程。
• 可扩展性和灵活性：模型结构能否支持增强行业特定或附加的规程，并根据组织的需要全部或部分使用。
• 内置的未来演进路径：模型是否能适应不同组织确定的优先级，并描述每个功能逻辑前进的方式。
• 行业不可知论与行业特定论：模型是否遵循垂直领域的数据管理最佳实践。
• 抽象或详细程度：实践和评估标准是否表达详细以确保他们指导相关执行工作。
• 非规定性：模型是否描述了需要执行的内容，而不是必须如何执行。
• 按主题组织：模型是否将数据管理活动计划在合适的场景中，使每个活动都能单独评估，同时又可识别依赖关系。
• 可重复：模型能否得到一致的解释，支持可重复的结果以便将一个组织与其行业中的其他组织进行比较，并跟踪其进展情况。
• 由中立的独立组织支持：模型是否由中立的供应商提供，具备最佳实践的广泛代表性。
• 技术中立：模型的重点聚焦实践上，而不是工具上。
• 培训支持：该模型是否有全面的培训支撑，使专业人员能够掌握框架并优化其使用方法。

对于企业而言，数据管理能力成熟度评估模型只是开展数据管理工作的一个工具，开展评估只是起点不是终点，企业需要根据自身实际需求对其进行个性化定制，明确盘查出自家数据管理过程中的不足和优势，真正发现问题、找出差距、提出改进方案和最佳路径，才能更好的管理和应用好数据，从而支撑企业数字化转型。