本篇对企业数据管理能力成熟度模型总结

  • 数据管理能力成熟度总结
  • 相关数据管理能力成熟度模型精要

数据管理能力成熟度小结

数据管理能力成熟度是数据治理中关键环节，它有助于理解组织利益相关者找到数据战略聚焦点，帮助组织获得当前数据资产管理现状，识别数据管理能力不足，找准关键问题和度量差距，提出数据管理能力改进建议和方向，规划未来数据管理路线图，是组织数字化转型迷途中的“引路人” 。

DMM

金融危机以来，数据管理进入关键时期，如何在海量增长数据、风险控制和战略快速转型下，获得有效数据能力的支撑，是每个组织需要考虑的现实问题。组织开展数据管理的模式和最佳实践的有效性是DMM的诞生的源泉。DMM由EDM理事会和卡内基梅隆大学合作，对数据管理能力评估模型和成熟度提出标准。

DMM数据管理能力成熟度模型为组织提供了一套评估数据管理能力标准，准确获得组织的数据管理能力成熟度和提出符合组织特定环境下的数据管理提升路线图，是当前企业数字化转型背景下的迫切需求。

DMM框架模型由5大核心域及20个数据管理过程域构成，并通过与基础设施及支持流程的综合运用，形成完整的数据管理能力成熟度模型。5大核心域是数据战略、数据质量、数据运营、平台和架构、数据治理。

DCMM

国标《GB/36073-2018数据管理能力成熟度评估模型》是一套整合了标准规范、管理方法论、数据管理模型、成熟度等多方面内容的综合框架。

帮助组织发现自身数据管理存在的问题，标杆行业最佳实践差距，识别自身优势和劣势，为未来提出数据管理能力提升路线图。

DCMM数据管理能力成熟度评估模型定义了以组织、制度、流程和技术为核心维度和数据战略、数据治理、数据架构、数据应用、数据安全、数据质量、数据标准和数据生存周期8个核心能力域及28个过程域的评估体系。

DCAM

DCAM 数据管理能力评估模型是 EDM 企业数据管理理事会基于全球领先企业/组织的最佳实践，综合跨企业数据管理经验形成。DCAM 数据管理能力评估模型定义并发布了企业所需的数据管理能力，强调以数据战略和数据治理驱动开展数据管理在技术和规程最佳实践，基于业务价值和业务目标实现，开展数据管理的基本原则。

DCAM 强调八个核心域及36个过程域、112项子功能、306项指标。核心域包括数据战略、业务案例、流程保障、数据治理、数据架构、技术架构、数据质量和数据生命周期环境。

斯坦福

斯坦福需要通过可靠的数据治理定性和成熟度定量工具，确保数据治理工作持续开展，推动相关数据管理项目获得支持，并向利益相关者提供可信的的组织成熟度状态。

数据治理成熟度关注数据治理在基础组件和项目组件方面的成熟度，基础组件方面考虑数据思维、数据文化、元数据方面的培养；项目组件方面考虑管理职责、数据质量和主数据。强调三个核心维度：人、政策和能力。成熟度等级方面参考软件工程研究所（SEI）—能力成熟度模型（CMM）框架。

联邦政府

联邦政府数据成熟度模型由六个方面和五个阶段构成，六个方面包括：决策分析能力、数据文化、数据管理、数据团队、系统/技术以及数据治理；成熟度则是通过对企业数据环境细节的理解，建立数据管理最佳实践者对成熟度阶段化的共识。
首先，成熟度模型为组织/企业提供当前数据能力和支持过程的高级评估，通过模型框架理解和获得数据成熟度现状，帮助组织/企业确立数据战略的愿景、蓝图规划和演进路线。

其次，该模型有助于CDO首席数据官与组织/企业高层机构领导之间建立统一的战略共识，利于数据战略的实施和评估改进。

最后，该模型提供了共识化的理解和框架，帮助联邦政府机构之间发布共同的数据管理解决方案和最佳实践，以促进数据驱动的决策。

DataFlux

DataFlux数据治理需要从企业整体角度开展，好处是使高质量数据在组织各个层次上驱动更有效的决策，通过统筹的方法，从企业高层和管理者制定数据管理政策，其本质是企业一项战略决策。考虑三方面核心要素：人、政策、技术。

强调有效的数据管理实践，并不仅是提出高层级的顶层蓝图，需要实时结合实际开展现状，形成可识别的、可监控的数据治理洞察，确保未来增长的匹配性和战略一致性。尽管从单一的视角入手开展工作，仍立足统筹企业的全局性管理渐进推进。

微软

微软IT转型考虑方面有:IT战略、组织数字化能力、变革管理和IT执行力；强调：快速响应业务的IT转化和数据管理（IDM），核心工作内容包括：组织治理、客户关系、业务流程管理、数据管理、价值导向的过程化服务。

通过对整个企业业务、IT、数据的一致性快速响应，匹配和对齐企业的产品、服务和完整数据视图。

MD3M 主数据

MD3M 主数据管理能力成熟度模型关注企业在数据密集关键部位获得高质量数据的能力，强调组织内关键环节员工的高效协同迭代；MD3M定义了5个关键主题，13个核心域及65项成熟度功能；提供一个主数据管理成熟度评估基准的工具，帮助组织获得自身的MDM成熟度，并参考比较不同企业/组织间的主数据管理状态基准，提出改进建议。

MD3M关注五个主题：数据模型、数据质量、数据认责、数据安全、数据运营，以及13个核心域。

Oracle

多数企业仍然对自身的客户、产品、供应商等缺乏有效的管理，也很难获得可信的、真实的库存和财务状况。虽然这些企业在信息化建设方面投入了基于业务运营的系统应用，但仍无法有效对业务生成的数据集中管理。事实上，这些基于业务的应用系统常常产生不一致、甚至冲突的数据。主数据管理（MDM）可以有效帮助企业解决这些数据问题。

Oracle Insight团队创建了MDM主数据成熟度模型，可以帮助企业了解自身的MDM发展成熟度。该模型基于Oracle Insight 与全球各地公司的合作，具体体现在五个关键领域：数据源分析、主数据战略、主数据整合、主数据维护、主数据利用。

IBM

IBM 数据治理成熟度模型是由55人专家组成的专家委员会，通过计划、设计、实施、验证阶段开展数据治理业务、技术、方法和最佳实践，提出通过数据治理获得一致性和高质量数据的成熟度模型，帮助组织有效改善数据管理环境，进而有效利用数据。

IBM 数据治理委员会提出数据治理能力成熟度模型，高阶能力体现在四个方面：成效、支持要素、核心准则、支撑准则。

DSMM

国标《GB/T 数据安全能力成熟度模型》作为企业数据资产管理在数据安全能力成熟度方面的反映，重点考虑数据生命周期安全下的数据安全能力成熟度建设。在标准建设中考虑核心标准、配套标准、衍生标准、行业应用四个方面。

成熟度模型借鉴CMM思想，以CMM的通用实践衡量成熟度等级，以《信息安全技术 大数据服务安全能力要求》中相关安全要求为基础，指导组织持续提升数据安全能力，覆盖数据生命周期（数据采集、数据存储、数据传输、数据处理、数据交换、数据销毁）过程，明确各阶段数据安全能力及成熟度，获得组织整体数据安全能力。