数据资产管理体系大揭秘，企业该选择哪个模型？

这个问题，足够让一个不爱说话的CIO，滔滔不绝起来。

流过的汗和泪里全都是数据资产管理的不易和自己曾经踩过的坑。

那到底有没有可供企业借鉴和参考的，对自身进行数据资产管理进行指导框架或者成熟度评估模型呢?

有的，国内国外都有。

外国的月亮会不会比较圆?

国际上，跟数据资产管理相关的是数据能力成熟度评估模型的研究，比较著名的是美国卡耐基梅隆大学软件工程研究所(Software Engineering Institute，SEI)发布的数据能力成熟度模型(DMM)。

这个机构就是推出软件能力成熟度模型集成(Capability Maturity Model Integration For Software，CMMI)的那个，当时他们组织了全世界软件过程改进和软件开发管理方面的专家历时四年进行CMMI模型的开发，以用于指导软件开发过程的改进和进行软件开发能力评估。而这个模型在全世界进行推广实施和改进后，极大地促进了软件生产率的提高和软件质量的提高，为软件产业的发展和壮大做出了巨大的贡献。

也正是因此，2014年8月这家机构对外发布DMM模型时引起了各方的广泛关注，这个模型同样也花费了巨大的人力物力，由50多位业内专家从300多个项目实践和经验中进行提炼总结然后进行编写出来的，历经3.5年，经过70多名的同行评审才正式对外推出。

DMM模型能够为企业提供评估其当前数据管理能力状态，包括但不限于能力成熟度、识别差距和纳入改进指南等，并根据评价结果，为企业定制一个数据管理的实施路线图，来提高企业数据管理能力。包括25个过程域，由20个数据管理过程域和5个支持过程域组成，按管控维度不同分为：数据战略、数据治理、数据质量、数据运营、平台与架构、支撑流程6个类型。

企业在进行数据管理规划和设计的时候，可以根据企业所处的行业特点并结合自身的需求对25个过程进行裁剪。当前已经在国际上培训了一批评估师，包括中国、巴西、美国等，并且在房地美(美国联邦住宅贷款抵押公司)、微软等公司进行了模型验证。但是，DMM虽然定义了有效数据管理的需求和活动，但它并没有告诉企业应该如何实现这些能力。而且，DMM只能对企业的数据管理水平给出基本的度量，并没有给出明确的改进或提升的方法。

国内相关的评价体系怎么样?

在国内，目前在数据资产管理方面，有两个比较著名的框架或者说是评估模型。一个是由中国信通院推出的数据资产管理框架;另一个是数据能力成熟度评价模型。

数据资产管理框架

2018年，由中国信息通信研究院云计算与大数据研究所牵头，与其他TC601成员单位共同编写了《数据资产管理实践白皮书》，在白皮书里面就归纳和总结了数字资产管理框架雏形版本，并经过多次的修改和完善，形成了现在的包含8个管理职能和5个保障措施的4.0版本，描述了数据资产管理的主要管理职能和保障措施。

其中8个管理职能为数据标准管理、数据模型管理、元数据管理、主数据管理、数据质量管理、数据安全管理、数据价值管理以及数据共享管理。5个保障措施为战略规划、组织架构、制度体系、审计制度和培训宣贯。

这套框架提出的时间较短，所以经过的企业验证还很少。某位业内人士在接受记者采访时也表示，“目前业内对于这套框架还处于很浅层面的了解阶段，至于深入研究和验证还需要一定的时间。”

数据管理能力成熟度模型(data management capability maturity model，DCMM)

全国信息技术标准化技术委员于2014年会启动了《数据管理能力成熟度评价模型》(Data Capability Maturity Model 简称DCMM)的制定工作，联合人民大学、清华大学、建设银行、光大银行、华为、御数坊、阿里巴巴等单位共同起草，推出了数据管理能力成熟度模型。该模型在制定过程中充分吸取了国内先进行业的发展经验(以金融业为主)，结合了国际上DAMA(国际数据管理协会)《数据管理知识体系指南DMBOK》中的内容。

DCMM结合数据生命周期管理各个阶段的特征，对数据管理能力进行了分析、总结，提炼出组织数据管理的八大能力，定义了数据能力成熟度评价的八大能力域：数据战略、数据治理、数据架构、数据标准、数据质量、数据安全、数据应用、数据生命周期管理。

DCMM参考了DAMA-DMBOK的先进经验和方法，并结合了国内数据管理整体的水平和现状，是国内企业进行数据管理的一个参照型标准。某业内人士认为，该标准的发布对于规范行业数据的管理，促进数据产业的发展有着重要的意义。

国内外数据管理标准体系的差异点在哪里?

通过对比国内和国外的标准体系，我们能够明显的发现几个不同。

第一是，国内对于对于数据标准非常看重，这点就与国外有很大的不同。不论是前面所谈到的DMM还是国外其它的相关体系比如DCAM等文件中都没有关于数据标准的内容，而在国内恰恰相反，在国内很多行业，特别是银行、政府等行业在开展数据治理的过程中，往往会首先制定各自的数据标准。某位业内人士告诉记者，“强调数据标准就是强调夯实数据的基础。”

第二点不同是，国内的标准体系几乎都提到了数据安全。笔者认为这与现阶段国家对于数据安全方面的看重不无关系，特别是随着《中华人民共和国网络安全法》的发布和执行，数据安全和隐私的保护也引起了大部分单位的重视，国家也在制定数据安全相关的标准。为此，国内的标准体系普遍也把数据安全作为数据能力的一个重要维度，意图通过评估来提升各单位的数据安全能力状况，也是意料之中。

最后一点不同是，国内的标准体系中有数据应用这一类别，这与中国企业本身所具备的特点不无关系。第一层原因是数据应用是数据资产价值体现的重要方式，也是数据管理的重要目标。第二层原因是国内很多单位把数据管理和数据应用放在统一的团队中进行开展，因此，将数据应用放入标准体系中，能够通过数据应用来保证数据管理工作的针对性，更利于体现数据管理工作的价值。

企业如何在这些体系中进行选择呢?

对于中国企业来说，在进行数据资产管理的时候，会遇到很多难点。这些难点有来自历史发展所造成的遗留问题，也有新时代新技术带来的新困扰。比如，企业在进行自己的信息系统建设时，可能并没有一个统一的规划，不仅不同系统建设的时间不同，负责的部门可能也不同，有的是外包出去的有的直接购买成形的软件有的则是自己内部开发。这也就造成了系统之间的不一致和隔阂，系统内部数据没有参考统一的规范，集成难度高。

同时，数据形态复杂，结构不一，体量庞大，散落在企业信息系统的各处。很多企业连最基础的数据字典都没有。有些企业业务系统后台的表结构由于长时间的维护不规范，导致大量的垃圾数据存在。

这些都是数据资产管理工作所面临的困难。

而这也就是数据资产管理体系存在的原因，模型和框架是数据管理和应用的基础。体系化的方式可以帮助企业更好的梳理自身的所处的阶段，帮助企业进行整体的规划和查漏补缺，更好的进行数据资产管理。实现数据的可得、可用、好用，用较小的数据成本获得较大的数据收益。

但最重要的是，企业在进行数据资产管理时要明白，不论建立什么样的数据管理体系、采用什么样的技术，其目的都是实现数据资产管理的目标：通过有效的手段，对数据进行管理和控制，以提升数据质量进而实现数据变现。所有的框架和模型，只是企业在进行数据资产管理时的一个参考，切忌生搬硬套，更不能为了框架而框架。