《数据治理实务_数据资产管理质量管控与DCMM认证》1.5天

《数据治理实务：数据资产管理、质量管控与DCMM认证》

主讲：韩迎娣老师

【课程背景】

数据已成为企业核心生产要素，但多数企业在数据治理落地中面临共性问题：数据资产目录建了但没人维护、数据质量问题反复出现却找不到责任方、跨部门数据争议缺乏统一标准、DCMM认证准备无从下手。数据治理不是IT部门的事，业务部门才是数据的主人，也是数据治理的真正主体。

本次课程将以企业数据治理实务：数据资产管理、质量管控与DCMM为核心，聚焦数据治理中最核心的五个实务模块：数据资产目录维护、数据质量管控、数据标准与争议解决、DCMM3级认证准备、数据治理与AI融合。课程设计以业务视角出发，帮助学员认知数据治理的关键环节有哪些？主要价值体现在哪些⽅⾯？数据治理与数据资产关系是什么？DCMM评估模型，核心能力域与能力项分别是什么？DCMM评估标准，评估等级与评估流程是什么？使学员学之解惑，学之能⽤。

【课程收益】

掌握数据资产目录全生命周期管理方法，明确业务负责人在目录建设中的职责与审核要点

学会业务视角的数据质量问题识别方法与稽核规则设计方法，建立自查自纠长效机制

掌握跨部门数据争议的标准化解决流程与协调技巧，减少内耗

清晰理解DCMM3级认证要求，明确本部门在认证中的核心工作任务

了解AI赋能数据治理的实操场景，掌握业务人员配合AI应用的关键动作

【课程特色】

业务视角：所有内容从业务部门实操角度出发

方法导向：每个模块都给出可落地的方法、流程和工具模板

案例驱动：结合实际业务场景讲解，学完即用

认证对接：DCMM3级认证要求拆解到各部门具体任务

【课程对象】

各业务部门数据负责人、数据资产管理人员、数据质量管理人员、各部门管理干部

【课程时间】

1.5天

【课程大纲】

一、数据资产目录维护方法及实操要点

1. 数据资产目录建设目的、架构与管理要求

为什么要建数据资产目录：从「数据在哪」到「数据能用」的核心桥梁

数据资产目录整体架构：业务域→数据域→数据项的三层分类逻辑

目录管理的三项基本要求：完整性（该进的都进了）、准确性（描述和实际一致）、时效性（变更及时同步）

目录与数据资产的关系：目录是资产的「货架」，没有目录就没有资产管理

案例：某企业目录建设走了弯路——建完没人用，问题出在哪

2. 数据资产目录全生命周期管理流程

新增流程：业务部门发起、数据资产认定、目录信息填报、审核入库，每一步该提交什么、谁审批

修订流程：哪些情况需要修订（字段变更、业务口径调整、归属关系变化）、修订审批流程与版本管理

废弃流程：数据下线的判断标准、废弃前的影响评估（下游谁在用）、废弃操作规范

实操要点：目录信息填报的常见错误与避坑指南——字段命名不规范、业务口径描述模糊、责任人缺失

工具模板：目录新增/修订/废弃申请表模板，可直接带回使用

3. 数据业务负责人的职责定位与审核要点

角色定位：数据业务负责人是数据资产的「第一责任人」，不是IT，不是数据部门

核心职责三件事：确保目录信息准确完整、定期巡检所负责数据域、推动数据质量问题整改

审核要点清单：业务口径是否清晰可理解、数据分类是否合理、数据安全等级标注是否正确、责任人是否到位

巡检机制：建议的巡检频率、巡检内容清单、发现问题后的处理路径

案例：某业务部门数据负责人如何把所辖数据域目录完整度从60%提升到95%

二、数据质量

1. 业务部门识别数据质量问题的方法

业务人员是数据质量问题的第一发现人：哪些日常工作场景最容易发现问题

五类常见数据质量问题的识别信号：完整性缺失、一致性冲突、时效性滞后、准确性偏差、规范性不足

快速判断方法：报表数据对不上、系统间数据打架、关键字段为空、数据更新不及时——遇到这些情况怎么初步判断是数据质量问题

问题记录规范：发现问题后如何规范记录（时间、数据项、问题表现、影响范围），避免一句话描述无法定位

2. 数据质量稽核规则的实操设计方法

为什么业务人员是稽核规则制定的主体：技术部门不懂业务逻辑，规则必须由业务定义

稽核规则设计四步法：梳理业务场景→识别关键数据项→定义质量规则→设定阈值与告警

实操示范：以「客户信息完整性」为例，从业务规则到稽核规则的完整设计过程

实操示范：以「交易数据一致性」为例，跨系统数据校验规则的设计方法

规则分级：核心规则（必须100%通过）vs 一般规则（允许合理偏差），避免规则过多导致「全部告警等于没有告警」

3. 数据质量问题整改闭环流程与责任分工

整改闭环五步：发现、记录、分派、整改、验证，每步谁负责、产出什么

责任分工矩阵：业务部门、数据管理部门、IT部门在整改中各自承担什么

整改超时升级机制：超时未处理的自动升级路径，确保问题不被搁置

整改效果验证：怎么确认问题真的解决了，不是「改了但没完全改」

案例：一个跨三个部门的数据质量问题，从发现到关闭的完整闭环过程

4. 数据质量自查、自纠、自改长效管控机制

自查机制：业务部门定期数据质量自检清单与执行频率

自纠机制：发现问题后的快速纠正流程，小问题不过夜

自改机制：从「救火」到「防火」——通过根因分析推动源头整改

长效机制三要素：考核挂钩（数据质量纳入部门KPI）、定期通报（月度数据质量报告）、持续改进（季度复盘优化规则）

工具模板：数据质量月度自检报告模板、根因分析表模板

三、数据标准

1. 常见跨部门数据争议类型

口径之争：同一个指标，不同部门的计算方式不一样（如「活跃用户」的定义）

归属之争：一份数据到底归哪个部门管，谁来维护、谁来负责

标准之争：字段命名不统一、编码规则不一致，系统间对不上

优先级之争：多个部门都要改同一份数据，谁先谁后、谁说了算

质量之争：数据出了问题，各部门互相甩锅，找不到责任方

2. 解决跨部门数据争议的标准流程

第一步：争议发起方提交书面争议申请（争议内容、影响范围、诉求）

第二步：数据管理部门组织双方沟通会，明确争议焦点

第三步：依据数据标准和管理规范进行裁定，形成会议纪要

第四步：裁定结果执行，相关系统/流程限期整改

第五步：争议归档，形成争议处理案例库，避免同类问题反复争论

流程关键：每个环节有时限要求，超时未达成共识自动升级到决策层

3. 数据争议协调的沟通原则与证据要求

沟通三原则：对事不对人、以数据标准为准不以部门权力为准、以业务影响为优先级排序依据

证据材料要求：争议双方需提供哪些材料（数据来源说明、口径定义文档、历史处理记录、系统截图/日志）

协调技巧：如何把「我觉得应该是这样」变成「根据数据标准第X条，应该这样」

常见协调失败原因：证据不充分、各方立场固化、缺乏权威裁定方

4. 典型数据争议案例解析

案例一：「收入」口径之争——财务部、销售部、运营部三个口径，最终如何通过数据标准统一

案例二：客户数据归属之争——客户信息归市场部还是销售部，拆解判定逻辑

案例三：主数据标准不统一导致系统对接失败——编码规则争议的解决过程

案例复盘要点：每个争议的根本原因是什么、解决路径是什么、可以沉淀什么规则防止复发

四、DCMM3级认证解读

1. DCMM数据管理能力成熟度模型整体框架解读

DCMM是什么：国家标准GB/T36073-2018，企业数据管理能力的「体检标准」

模型整体框架：8大核心能力域

五个成熟度等级：初始级、受管理级、稳健级、量化管理级、优化级，3级（稳健级）意味着什么

28个能力项概览

3级认证的关键要求

3级认证评估流程

2. 结合企业实际：各部门在DCMM3级认证中的核心工作任务

数据战略域：战略规划部门需要提供什么——数据战略文档、与经营战略的关联证明

数据治理域：数据管理牵头部门需要做什么——组织架构、制度体系、沟通协调机制

数据架构域：IT/技术部门需要准备什么——数据模型文档、数据流图、架构变更记录

数据质量域：业务部门需要准备什么——质量规则文档、质检报告、整改记录

数据标准域：各业务部门需要准备什么——数据标准文档、标准执行记录、争议处理记录

数据安全域：安全/合规部门需要准备什么——安全分级、权限管理、审计日志

数据生存周期域：各系统负责人需要准备什么——数据生命周期管理记录、归档与销毁记录

认证准备自查清单：各部门需要提交的材料清单与时间节点

五、数据治理与AI融合实操场景

1. 数据治理与AI融合的总体思路与价值

为什么现在要谈AI+数据治理

融合思路：AI不是替代数据治理，而是让数据治理从「人工巡检」升级到「智能监控+人工决策」

价值量化：AI辅助数据质量监控可提升检出率3-5倍，AI辅助数据标准匹配可节省60%人工比对时间

落地原则：先解决最痛的点，不搞大而全；先做辅助，再做自动化

2. AI在数据质量检测中的实操场景

场景一：AI自动识别数据异常值

场景二：AI辅助跨系统数据一致性校验

场景三：AI生成数据质量报告

实操演示：用AI工具对一份示例数据进行质量异常检测，展示从输入到输出的完整过程

3. AI在数据关系挖掘中的实操场景

场景一：AI自动发现数据实体间的关联关系

场景二：AI辅助识别重复数据和冗余字段

场景三：AI辅助数据分类分级

实操演示：用AI工具对一组业务数据进行关系挖掘，展示自动发现的数据关联

4. 企业内部可落地的轻量化AI赋能数据治理应用

轻量化应用的三个特征：不需要大投入、不需要专业AI团队、快速见效

推荐场景一：AI辅助数据标准文档编写

推荐场景二：AI辅助数据质量问题分类

推荐场景三：AI辅助数据资产目录信息补全

落地建议：从1-2个场景试点，验证效果后逐步推广；选择国产AI工具，确保数据安全合规

5. 业务人员如何配合AI应用，提供高质量数据支撑

AI的输出质量取决于输入质量：业务人员是「喂」给AI的数据的源头

关键动作一：确保录入数据的准确性和完整性——垃圾进垃圾出，AI不会帮你纠错

关键动作二：规范填写业务描述和备注——结构化、标准化的描述AI才能有效利用

关键动作三：及时反馈AI输出的错误——你的反馈是优化AI模型的宝贵素材

关键动作四：参与AI应用场景的需求定义——你最懂业务，AI该怎么用你最有发言权

总结：AI是工具，人是核心；数据治理与AI融合的关键是「人用好了AI」而不是「AI替代了人」