【摘要】
数据管理能力成熟度评估模型（DCMM）是我国数据管理领域的首个国家标准，即 GB/T 36073—2018《数据管理能力成熟度评估模型》。它以五个成熟度等级、八个能力域、二十八个能力项为框架，系统评价组织的数据管理能力水平。随着”数据要素×”行动的推进和企业数字化转型的深入，DCMM 贯标与评估正从”可选项”变成企业数据治理能力的”通用语言”。
对企业而言，DCMM 评估有两个现实价值：一是有助于争取地方对数据管理能力建设的支持政策；二是为数据资产入表、数据知识产权登记、数据要素流通等新兴工作打下治理基础。 本文拆解五级模型、八大能力域、评估流程与贯标路径。
一、五级成熟度：从”初始级”到”优化级”
| 等级 | 名称 | 核心特征 |
|---|---|---|
| 一级 | 初始级 | 数据管理处于被动、分散状态，缺乏统一制度与组织 |
| 二级 | 受管理级 | 意识到数据管理的价值，建立了部分制度，在个别领域开展管理 |
| 三级 | 稳健级 | 将数据视为实现组织目标的重要资源，建立标准化、规范化的数据管理体系 |
| 四级 | 量化管理级 | 数据作为获取竞争优势的重要资源，能量化管理过程与绩效 |
| 五级 | 优化级 | 数据被视为组织生存和发展的基础，能持续优化与创新 |
与 CMMM 类似，DCMM 同样遵循”整体达标”的逻辑：某一能力域严重滞后，会拉低整体等级判断。因此企业的贯标工作要均衡推进，不能只做”好看”的部分。
二、八大能力域与二十八个能力项
DCMM 把数据管理拆解为八个能力域：
| 序号 | 能力域 | 关注点 |
|---|---|---|
| 1 | 数据战略 | 数据管理的愿景、目标、组织与实施路径 |
| 2 | 数据治理 | 数据管理的组织、制度、流程与沟通 |
| 3 | 数据架构 | 数据模型、数据分布、数据集成与共享 |
| 4 | 数据应用 | 数据分析、数据开放共享、数据服务 |
| 5 | 数据安全 | 数据安全策略、管理与审计 |
| 6 | 数据质量 | 质量需求、检查、分析与提升 |
| 7 | 数据标准 | 业务术语、参考数据、主数据、数据元 |
| 8 | 数据生存周期 | 数据需求、设计与开发、运维、退役 |
八个能力域中，”数据治理”和”数据标准”是很多企业的软肋。 前者关乎”有没有人、有没有制度来管数据”，后者关乎”全公司说不说同一种数据语言”。这两块不解决，数据应用就只能停留在报表层面。
三、评估方式与流程
| 环节 | 内容 |
|---|---|
| 确定评估范围 | 明确参评的法人主体与业务范围 |
| 选择评估机构 | 由具备相应能力的评估机构实施 |
| 资料准备与预审 | 提交制度、流程、系统、案例等材料 |
| 现场评估 | 访谈、文档审查、系统查看、数据抽样 |
| 形成结论 | 给出成熟度等级与改进建议 |
| 结果应用 | 用于政策申报、数据治理规划、对外合作 |
评估不是一次性动作。 建议企业将 DCMM 评估与年度数据治理规划结合，形成”评估—改进—再评估”的循环，才能体现成熟度的持续提升。
四、DCMM 与其他数据类工作的衔接
DCMM 的价值不止于一张证书，它更是多项数据类工作的治理底座：
| 衔接对象 | 衔接逻辑 |
|---|---|
| 数据知识产权登记 | 需要有清晰的数据来源、处理与权属管理能力 |
| 数据资产入表（会计处理） | 需要对数据资源的确认、计量与披露具备治理基础 |
| 数据要素×相关申报 | 需要体现数据治理与数据应用能力 |
| 数字化转型贯标/评估 | 数据管理能力是核心维度之一 |
| 网络安全与数据合规 | 数据安全能力域与合规要求高度重合 |
一句话：DCMM 做扎实，后面所有”数据”相关的申报与合规工作都会顺畅很多。
五、地方支持政策：企业最关心的现实问题
多个省市已出台对企业开展 DCMM 贯标与评估的支持措施，常见形式包括：
| 支持形式 | 说明 |
|---|---|
| 评估费用补贴 | 对通过一定等级评估的企业给予部分费用补助 |
| 等级奖励 | 对达到二级及以上等级的企业给予奖励 |
| 纳入数字经济发展政策 | 作为数字化转型相关政策支持的参考条件 |
| 优先推荐 | 在相关评优、示范遴选中优先 |
重要提醒：地方政策的补贴标准、申报条件与时间每年可能调整，企业务必以当地工信、数据管理或大数据主管部门发布的最新通知为准，不要以网络流传的旧政策为准。 湖南企业可关注省工信厅、省数据局（大数据中心）等部门的公开通知。
六、FAQ
Q1：DCMM 评估谁可以做？
应由具备相应能力的评估机构实施。企业在选择机构时，应核实其资质与过往案例，避免”花钱买证”式的低质量评估。
Q2：中小企业有必要做 DCMM 吗？
数据管理能力并非大企业专属。中小企业的务实做法是：先以”二级（受管理级）”为目标，建立基本的数据管理制度与数据标准，把主数据管理起来，再逐步提升。
Q3：DCMM 与 ISO 27001 等安全认证是一回事吗？
不是。ISO 27001 侧重信息安全管理体系，DCMM 覆盖数据管理的八个能力域，安全只是其中之一。两者可以并行，侧重点不同。
Q4：评估结果有有效期吗？
成熟度评估结论反映的是评估时点的状态，通常具有一定时效。企业在申报政策或对外披露时，应使用近期评估结论，具体有效期以主管部门与评估机构的规定为准。
七、行动建议
DCMM 贯标是一项“打地基”的工作，短期看不出直接收益，但长期价值巨大。建议企业分三步推进：①先做一次现状诊断，明确当前处于哪一级、短板在哪个能力域；②优先补齐”数据治理”与”数据标准”两块基础；③在达到目标等级后开展正式评估，并同步关注地方支持政策。 把数据管理能力建设与业务数字化同步推进，比单独”为评估而评估”更有效。
八、DCMM 贯标的四步实施路径
DCMM 不是”评估一次就完事”，而是一套可持续的贯标工作。建议按四步推进：
| 步骤 | 核心工作 | 关键产出 |
|---|---|---|
| 第一步：现状诊断 | 对照八大能力域逐项自评，识别差距 | 差距分析报告 |
| 第二步：体系设计 | 制定数据战略、数据管理制度、数据标准 | 数据管理组织与制度文件 |
| 第三步：落地运行 | 建设数据管理平台、开展数据治理项目 | 运行记录、治理成果 |
| 第四步：评估认证 | 委托评估机构开展正式评估 | 成熟度评估结论 |
其中”第三步落地运行”是最容易被跳过的环节。 有些企业直接跳到评估，结果现场评估时拿不出运行记录，只能得到很低的等级。数据治理必须”做过、留痕、可核查”。
九、常见误区与答疑补充
| 误区 | 纠正 |
|---|---|
| DCMM 是 IT 部门的事 | 数据管理是业务与IT共建，需管理层牵头 |
| 先把数据平台建起来再谈治理 | 没有战略与标准，平台只会沉淀混乱数据 |
| 等级越高越好 | 应匹配合适等级并持续保持，盲目冲高难以维持 |
| 评估通过就等于数据管好了 | 评估是节点判断，数据管理是持续过程 |
关于”谁来牵头”这个问题：数据管理涉及业务、IT、法务、财务等多个部门，单靠 IT 部门无法推动。建议设立由企业分管领导牵头的数据治理委员会或类似机制，把数据管理上升为跨部门工作。
十、数据治理与业务价值的关联
数据管理能力最终要服务于业务价值。企业可以把 DCMM 的能力域与业务收益对应起来理解：
| 能力域 | 可产生的业务价值 |
|---|---|
| 数据战略 | 明确数据投入方向，避免重复建设 |
| 数据治理 | 降低沟通成本，提升决策效率 |
| 数据架构 | 打通系统孤岛，支撑跨业务分析 |
| 数据应用 | 支撑精准营销、智能排产、风险预警 |
| 数据安全 | 降低合规风险与数据泄露损失 |
| 数据质量 | 提升报表可信度，减少决策失误 |
| 数据标准 | 统一业务语言，提升协同效率 |
| 数据生存周期 | 降低存储与运维成本 |
把这张表拿给管理层看，比讲”我们要做DCMM贯标”有说服力得多。 数据管理是投入，业务价值是回报，讲清回报才能获得资源。
十一、与数字化申报的联动建议
| 申报场景 | DCMM 的作用 |
|---|---|
| 数字化转型试点/服务商遴选 | 体现企业数据治理能力 |
| 数据要素相关项目 | 证明数据管理基础扎实 |
| 数据知识产权登记 | 支撑数据来源与权属管理 |
| 数字化转型贯标评估 | 数据能力是重要维度 |
| 地方数字经济专项 | 常作为支持条件的参考 |
建议企业把 DCMM 评估结论作为”数据能力”的通用证明材料，在多个申报场景中复用，避免重复投入。
十二、行动建议
DCMM 的价值在于把数据从”资源”变成”资产”。建议企业按年度推进：第一年做现状诊断与体系设计；第二年落地运行并完成首次评估；第三年针对短板提升等级并复用评估结论申报政策。 数据管理能力的建设没有捷径，但有明确的路径。
十三、从 DCMM 到数据资产化：更长远的延伸
DCMM 贯标的意义，正处于一个特殊的时代节点上。随着数据被明确为生产要素，企业的数据工作正在从”IT 支撑”走向”资产管理”，DCMM 正是这条路径的起点：
| 延伸方向 | 与 DCMM 的关系 |
|---|---|
| 数据资产入表 | 需具备数据资源确认、计量能力，依赖数据治理基础 |
| 数据知识产权登记 | 需清晰的数据来源、加工与权属管理 |
| 数据交易与流通 | 需标准化的数据产品与质量保证能力 |
| 数据要素相关项目申报 | 数据管理能力是核心评价维度 |
| 数据安全合规 | 数据安全能力域与监管要求直接对应 |
一句话理解：DCMM 解决的是”能不能管好数据”，数据资产化解决的是”数据能不能变成钱”。 前者是后者的必要条件，没有治理基础的数据资产化，风险极高。
十四、给不同类型企业的差异化建议
| 企业类型 | 数据管理成熟度目标 | 优先事项 |
|---|---|---|
| 初创/小微企业 | 二级（受管理级） | 建立基本数据制度与主数据管理 |
| 成长型企业 | 三级（稳健级） | 建立数据标准体系，打通业务系统 |
| 行业骨干企业 | 四级（量化管理级） | 数据驱动的量化管理与绩效体系 |
| 龙头企业/集团 | 五级（优化级） | 数据驱动的持续优化与生态协同 |
差异化是关键。 一家百人企业与一家万人集团，不可能用同一套数据治理方案。企业应当根据自身规模、业务复杂度与战略目标，确定务实的目标等级，而不是盲目对标头部企业。
十五、常见问答补充
| 问题 | 简要回答 |
|---|---|
| DCMM 评估一般需要多久？ | 从准备到出结论通常数周至数月，取决于范围与机构安排 |
| 评估费用大概多少？ | 由评估机构按范围报价，部分地方给予补贴，以地方政策为准 |
| 二级到三级要多久？ | 通常需要1—2年的体系建设与运行积累，取决于基础 |
| 不做评估，只做贯标可以吗？ | 贯标与评估可以分开，但评估结论是政策申报常用材料 |
| 数据管理归哪个部门管？ | 建议由分管领导牵头、业务与IT共建 |
十六、结语
数据管理能力成熟度评估（DCMM），本质上是一场企业数据意识的普及运动。它的价值不在于那张等级证书，而在于让企业第一次系统地回答：我们的数据从哪来、谁负责、怎么用、安全吗、质量如何。
在数据要素时代，数据管理能力正在成为企业的基础竞争力。早一步建立规范的数据治理体系，就早一步具备把数据转化为资产的能力。这份能力不会立刻变现，但它决定了企业在未来五到十年能走多远。
十七、行动清单
| 序号 | 行动 | 完成标志 | 建议周期 |
|---|---|---|---|
| 1 | 开展现状诊断 | 差距分析报告 | 4周 |
| 2 | 制定数据战略与制度 | 制度文件 | 6周 |
| 3 | 建设数据标准与主数据 | 数据标准文档 | 3—6个月 |
| 4 | 落地数据治理项目 | 运行记录 | 6—12个月 |
| 5 | 委托评估并出具结论 | 评估报告 | 按机构安排 |