【大鱼提醒：公众号推送规则变了，如果您想及时收到推送，麻烦点个在看，或者把本号置顶】
正文开始
今天想再次跟大家聊一聊关于数据治理能力成熟度评估模型的事，这次要聊的这个模型是DCMM。根据国务院国资委印发的《关于加快推进国有企业数字化转型工作的通知》要求，明确指出了数据治理是国企数字化转型的必经之路。国企数字化转型方兴未艾，数据治理也被推向了“风口浪尖”。企业亟需一套符合中国国情，符合中国企业文化，并且能够指导企业开展数字化“基础设施”建设的参考框架，而DCMM（数据管理能力成熟度评估模型）或许就是一个合适的参考框架。
对于能力成熟度模型最早起源于CMM，现在发展成大家熟知的CMMI模型（软件能力成熟度模型），它是一种对组织在软件定义、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。CMMI模型是由卡耐基-梅隆大学旗下的CMMI协会开发的，2014年，CMMI协会在CMMI模型基础之上，开发并发布了数据管理领域的能力成熟度评估模型：CMMI-DMM。CMMI-DMM模型是业界比较权威的数据管理能力成熟度评估模型，我们今天分享DCMM模型在一定程度上也参考了DMM模型的一些内容，包括整体模型框架，过程域以及能力等级的划分等。在数据治理/数据管理领域，其实有很多能力成熟度模型可供参考，如下：CMMI-DMM数据管理能力成熟度评估模型。DMM模型用25个过程域（20个数据管理过程域和5个支持过程域），描述了企业数据管理应建立的各项能力，帮助组织开展数据管理过程实践，提升其数据管理的成熟度。Gartner企业信息管理成熟度模型。将企业信息管理分为了0-5个阶段，分别是：0无意识阶段，1意识阶段，2被动式阶段，3主动式阶段，4托管管理阶段，5有效管理阶段，帮助企业找到信息管理能力所处的位置。
©Gartner
EDM-DCAM 数据管理能力成熟度模型。DCAM模型由企业数据管理协会（EDM Council--北美的一家研究金融行业数据管理的公益性组织）开发，目前已经发布了两个版本（这两个版本的模型在本公众号之前的文章中都有分享）。DCAM2.0模型包含了7大组件，分别是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。
©EDM Council
另外，除了Gartner、CMMI-DMM、EDM-DCAM，你可能还听过：
MD3M 主数据管理成熟度模型——源自荷兰乌得勒支大学的一篇硕士论文。
DataFlux 主数据管理成熟度模型——由BI软件SAS公司旗下的DataFlux公司提出。
Oracle MDM主数据管理能力成熟度模型——由甲骨文（Oracle ）公司提出。
- IBM 数据治理能力成熟度模型——由IBM公司提出。
以上模型，在笔者之前的文章中也做过相关的解读和分享，有兴趣的可以在本公众号的历史文章中查找。
而我们今天要分享的DCMM模型——这个我国首个数据管理领域的国家标准，在之前的文章中也有过介绍，距离上次的分享已经有1年半的时间了，过去了这么久，我又有了一些新的思考，迫不及待的想分享给大家。DCMM（Data Management Capability Maturity Assessment Model，数据管理能力成熟度评估模型）是由全国信标委大数据标准工作组（国家工信部信软司主导，多家企业和研究机构共同组成）研发，并于2018年3月15日正式发布，是我国数据管理领域最佳实践的总结和提升。
DCMM模型是一个整合了标准规范、管理方法论、评估模型等多方面内容的综合框架，他将组织内部数据能力划分为八个重要组成部分，描述了每个组成部分的定义、功能、目标和标准。该标准适用于组织在进行数据管理时候的规划，设计和评估，也可以作为针对信息系统建设状况的指导、监督和检查的依据。
DCMM模型，按照组织、制度、流程、技术对数据管理能力进行了分析、总结，提炼出组织数据管理的八大过程域，即：数据战略、数据治理、数据架构、数据应用、数据安全、数据质量管理、数据标准、数据生命周期。这八个过程域共包含28个过程项，441项评价指标。数据战略：数据战略规划、数据战略实施、数据战略评估数据治理：数据治理组织、数据制度建设、数据治理沟通数据架构：数据模型、数据分布、数据集成与共享、元数据管理数据安全：数据安全策略、数据安全管理、数据安全审计数据质量：数据质量需求、数据质量检查、数据质量分析、数据质量提升数据标准：业务数据、参考数据和主数据、数据元、指标数据数据生存周期：数据需求、数据设计和开放、数据运维、数据退役与CMMI类似，DCMM模型将组织的数据能力成熟度划分为初始级、受管理级、稳健级、量化管理级和优化级共5个发展等级，帮助组织进行数据管理能力成熟度的评价。
DCMM与国外的数据管理能力成熟度模型相比，DCMM是具有中国特色的数据管理模型。
首先，从研制单位来讲，国外的数据管理成熟度模型要么是数据管理研究的相关协会，要么是咨询公司，要么是数据产品的供应商，都属于民间组织，而DCMM是由国家工信部信软司主导，数据管理领域的国家级标准。有个问题大家共同思考下：为什么国外的模型框架来自民间，而我国的模型框架出自官方？笔者理解：直接原因是只有官方（国家标准化管理委员会）才能发布国家标准。深层次上来讲，与中国传统文化有关，“官方”自古以来代表的都是权威，官方发布的内容具有公信度。第二，DCMM强调数据战略和数据标准，这是与DAMA-DMBOK中的数据管理框架以及CMMI-DMM模型是有所不同的。我们中国人做人做事讲求“无规矩不成方圆”，“规矩”就是做事的总则，规范和标准。在DCMM模型中，数据战略就是组织数据管理的最高总则，为组织的数据管理提供方向指引；数据标准是具体数据管理实践的执行规范，为组织的数据管理提供操作指导。第三，DCMM模型的数据治理过程域中的二级过程项“数据治理沟通”，这个是DCMM的一个亮点。个人认为：从数据治理战略的制定到落地执行都离不开沟通，沟通连接着数据治理各个环节，放在数据治理中可能更合适些。首先，启动数据治理项目，就必须说服高层领导，获得领导的支持，这需要沟通；其次，数据治理不是一个人或一个部门的事情，需要企业各部门的协调和配合，这需要沟通；第三，数据治理需要IT与业务的融合，让业务认可、让领导重视，这需要沟通；第四，落地数据标准、执行数据规范、培养数据思维，建立数据文化，这都需要沟通。因此，沟通应该是贯穿整个数据治理全周期、全过程的一项重要活动。最后，DCMM模型还重点强调数据应用，他将数据应用独立是其八大过程域之一，数据应用过程域包含了数据分析、数据开放共享、数据服务。所以严格意义上讲，DCMM模型评估的不单纯是组织的数据管理能力，还包括组织的数据应用能力。这在其他的数据管理成熟度模型中是看不到的。当然，也有人认为数据管理、数据应用是两个维度，甚至是两个专业领域的事情，放在一起评估不合适。我倒是认为，这没什么不妥的，数据治理的本质是为数据应用服务的，核心目标是为了让数据产生价值，离开这个目标搞数据治理，那就是典型的“为了治理而治理了”。但这里，我也有个小的疑问：为什么不把“数据集成共享”这个子项放在“数据应用”过程域中，而是放在了“数据架构”过程中？“数据集成共享”，我理解就是企业内部各系统或部门之间的数据交换共享，解决的是业务协同问题，应该放在“数据应用”似乎更合适吧？为促进标准落地应用，2018年成立中国电子工业标准化技术协会数据管理应用推进分会，在工信部信软司的指导下，不断丰富完善并建立了 DCMM 评估体系。DCMM的评估是在工信部信软司的指导下，由中国电子信息行业联合会统一组织，包括：评估机构选取、评估项目实施、优秀标杆评选、DCMM证书发放等。评估机构需要通过官方认证，才具有为企事业单位进行DCMM评估的资格。根据中国电子信息行业联合会的公开资料，DCMM评估分为以下四个阶段：
准备阶段：收集及分析评估材料，确定评估的范围，成立评估小组并明确项目团队的各方职责。实施阶段：召开DCMM评估启动会，DCMM模型宣贯，开展现场评估。制定报告：形成DCMM评估结果，明确各过程域存在的问题和不足，指明改进方向。评审发布：提交报告及发放证书等。
与欧美国家相比，在数据管理领域我国一直缺乏完善的数据管理成熟度体系的研究，DCMM填补了这一空白，为国内组织的数据管理的能力的建设和发展提供了方向性指导。
DCMM国家标准的发布对促进我国数据产业的发展有着重要的意义。通过DCMM评估，有利于帮助企业更加熟练地管理数据资产，增强数据管理和应用的能力，并提供一致和可比较的基准，以衡量一段时间内的进展。
通过DCMM评估，有利于帮助企业理清数据管理能力的长处和不足在哪里，帮助企业确定选择治理的优先顺序、治理范围和内容，更有效地管理和使用数据。
通过DCMM评估，有利于帮助企业建立与企业发展战略相匹配的数据管理能力体系，包含组织体系、制度体系、标准体系以及工具和技术体系等。
- 通过DCMM评估，有利于帮助企业建立数据管理和应用的队伍，培养数字化人才，有利于推动数据思维和数据意识的建立。
个人认为：DCMM可以作为企业数据管理能力建设的指导性工具，也仅是一个工具，能否有助于实现上文描述的“四个有利于”，关键要看怎么用。DCMM评估，你是用它来获取高级别的认证，还是真正的寻找和改进企业数据管理和应用方面不足，这是两个层面的出发点，出发点不同结果是显而易见的。笔者经常讲企业做数据治理一定要想好数据治理的目标，不要“为了治理而治理”。
DCMM评估也一样，一定要想清楚：Why——为什么评估。评估是为了找到数据管理中的实际问题、不足，或优势，是为了更好的管理和应用好数据，从而为企业的数字化提供更好的支撑。
数据管理能力成熟度的评估不是为了更“别人”争长短、较高低，不要为了获得更高的评价等级，将其作为一场“政治”竞赛。要通过数据管理成熟度的评估，真正发现问题、找到差距、提出改进方案和最佳路径，帮助企业实现数字化转型。
—————— / END / ——————
分析最新的数据思想，与百万数据从业者一起成长
从数据资源到数据资产的路有多长？
数据治理框架解读分析
数据资产的价值如何评估？
如何成功打造一个数据治理项目？
“一平台、两体系、三性特征、四个统一、五个超越、六类服务 ”一篇读懂数据治理、共享和应用（值得收藏）