2018年3月，我国首个数据管理领域的国家标准《数据管理能力成熟度评估模型》（GB/T 36073-2018，简称DCMM）正式发布，并同步开展贯标和推广工作。这一标准的出台，为企业数据管理提供了多维度的框架，从根本上改变了企业对数据管理的认知和实践方式。但与此同时，企业在借助DCMM推动高质量数据集建设的过程中，也面临着标准落地差异、数据安全与开放矛盾、技术支撑不足以及人才缺口等诸多问题。基于此，深入探究DCMM 推动企业高质量数据集建设的现状、问题，并提出针对性建议，对于进一步发挥DCMM的赋能作用，助力企业在数字化时代实现高质量发展具有重要意义。

文/李玮

围绕DCMM（《数据管理能力成熟度评估模型》）对企业高质量数据集建设的推动作用展开研究。首先阐述了DCMM 推动企业高质量数据集建设的现状和成绩，包括促使企业提高对数据管理的认知，使其认识到数据管理是系统性工程，建立“数据资产”意识；通过规范数据全生命周期管理流程提升数据质量，为高质量数据集建设奠定基础；推动企业开放和服务数据，让高质量数据集在应用中创造价值。

接着分析了这一过程中面临的问题，如不同企业对DCMM 标准的理解和执行存在差异，数据安全与开放之间的矛盾突出，技术支撑能力不足以及复合型人才缺口明显等。

最后，针对这些问题提出了相应的建议，包括借DCMM 修订契机增加对高质量数据集的要求，企业协同推进DCMM 贯标和高质量数据集建设工作，以及地区和行业协同开展相关工作等，旨在为DCMM 更好地赋能企业高质量数据集建设提供参考。

一、DCMM推动企业高质量数据集建设的现状和成绩

（一）DCMM推动企业提高对数据管理的认知，为高质量数据集建设提供前提

在数字化转型浪潮下，国家发布《促进大数据发展行动纲要》《大数据产业发展规划（2016-2020年）》等政策文件以来，数据作为核心生产要素的价值日益凸显。但是，许多企业对数据管理缺乏系统认知，将其视为技术部门的辅助工作，当作信息化建设工作的一部分。

2018年3月，《数据管理能力成熟度评估模型》（GB/T 36073-2018），我国首个数据管理领域正式发布的国家标准发布以来，同步开展数据管理能力成熟度评估和推广，从根本上改变了这一局面。DCMM以成熟度评估模型为框架，清晰界定了数据管理的战略、组织、制度、流程等多维度内容，让企业逐步认识到数据管理是覆盖全业务流程、涉及多部门协同的系统性工程，推动企业开展数据管理人员、体系和平台建设。

截止到2025年7月，已经有7768家企业通过贯标。通过DCMM贯标，企业逐步建立起“数据资产”意识。A企业在引入DCMM前，数据分散在生产、销售、研发等多个系统中，部门间数据壁垒严重，管理层对数据价值的认知停留在“记录信息”层面。经过DCMM贯标、评估与整改，企业成立了专门的数据管理委员会，高层牵头制定数据战略，将数据管理纳入企业发展规划。员工也通过DCMM培训了解到数据质量对生产效率、产品质量的直接影响，主动参与数据标准化工作。DCMM贯标为企业提供了高质量数据集提供了组织保障和技术基础，使数据管理从被动执行转向主动规划。

（二）DCMM推动企业提升数据质量，直接促进企业高质量数据集建设

数据质量是高质量数据集的核心，而DCMM通过规范数据全生命周期管理流程，为企业提升数据质量提供了可操作的路径。DCMM中有数据质量能力的评估要求占到整个评估内容的1/8，要求企业从数据采集、存储、处理到应用的每个环节建立质量管控标准，明确数据质量责任主体，形成“源头防控、过程监控、问题追溯”的闭环管理机制。

B企业在DCMM贯标过程中，针对客户信息数据集存在的重复录入、字段缺失、格式混乱等问题，按照DCMM数据质量域要求，重构了数据采集流程，开发了自动化校验工具，对关键字段设置校验规则，实时拦截错误数据。同时，建立数据质量评分体系，定期发布数据质量报告，推动业务部门与技术部门协同整改。经过DCMM贯标，B企业客户信息数据集的准确率从78%提升至96%，完整性从65%提升至92%，为精准风控、个性化服务提供了可靠的数据支撑。DCMM通过标准化的数据质量管理，直接推动了企业高质量数据集的落地。

（三）DCMM推动企业开放数据和服务，为高质量数据集的应用赋能

高质量数据集的价值不仅在于存储，更在于使用。DCMM强调数据的开放共享与服务化，引导企业打破内部数据孤岛，建立数据服务体系，让数据在流通中创造价值。通过DCMM评估，企业逐步构建起数据开放目录、数据API等共享机制，使数据集能够高效支撑业务创新与决策。

C企业借助DCMM贯标，整合了用户行为、商品库存、物流信息等多源数据集，建立了统一的数据服务平台。业务部门通过平台快速获取所需数据，开发出智能推荐系统，根据用户浏览历史和消费偏好精准推送商品，使转化率提升30%；供应链部门利用库存与物流数据优化配送路线，降低物流成本15%。同时，部分企业在DCMM指引下，探索数据对外服务模式，如将脱敏后的行业数据共享给合作伙伴，共同开发创新产品，形成数据价值共创生态。可以说，DCMM推动的数据开放与服务化，让高质量数据集真正成为企业发展的“助推器”。

二、DCMM推动企业高质量数据集建设面临的问题

企业依据DCMM贯标建设高质量数据集的过程中，面临着多重挑战：一是标准落地存在差异，不同行业、规模的企业对DCMM的理解和执行深度不一，部分中小企业因资源有限，仅满足基础评估要求，难以依据高等级要求深入推进高质量数据集建设；二是数据安全与开放矛盾突出。DCMM贯标鼓励数据开放，但企业在高质量数据集共享过程中，对隐私保护、数据泄露风险的担忧加剧，导致开放范围受限；三是技术支撑能力不足，构建高质量数据集需要数据治理工具、算力、人力等支撑，部分企业技术投入不足，难以满足DCMM对数据处理、分析的高阶要求；四是人才缺口明显，既懂DCMM标准又精通数据管理的复合型人才稀缺，导致企业在数据集建设中缺乏专业指导，影响推进效率。

三、DCMM推动企业高质量数据集建设的建议

（一）借DCMM修订契机，增加对高质量数据集的要求

DCMM自实施以来，已经过去7年时间，数据管理行业技术飞速迭代，多模态、大模型、数据编制等技术不断演进。DCMM标准修订恰逢其时，DCMM应结合行业实践动态优化，在修订中增加对高质量数据集的具体要求。一是细化数据集的质量指标，明确高质量数据集建设要求、分级分类和评估标准等，细化不同成熟度等级对应的数据集建设标准。二是以DCMM标准为基础，制定高质量数据集建设系列标准，形成“标准集群”，增加数据血缘、数据溯源等技术标准要求，确保数据集的可追溯性。三是将数据集的建设和应用能力纳入DCMM贯标体系，进一步推动企业从建数据集向用数据集转型，推动高质量数据集用于人工智能模型开发训练，提升模型性能。四是针对具身智能、人形机器人、低空经济等新兴领域，细化DCMM贯标要求，使DCMM更贴合企业实际需求，为高质量数据集建设提供更精准的指引。

（二）企业协同推进DCMM贯标和高质量数据集建设工作

企业应积极推动DCMM贯标与高质量数据集建设的深度融合，通过整合数据管理资源和优化业务流程，制定出协同推进方案，以实现数据治理能力的全面提升和业务价值最大化。一是以DCMM为框架，在公司战略中明确数据集建设目标和路径，将数据集建设指标纳入绩效考核，形成全员参与的责任体系。二是借助DCMM贯标过程中的诊断结果和评估报告，针对性地补齐数据集短板，针对数据孤岛等问题，同步推进数据整合与共享机制建设。三是引入专业的第三方服务机构，结合DCMM贯标与数据集建设需求，提供定制化解决方案，降低实施难度，确保贯标和建设工作相互促进、高效落地。

（三）地区和行业协同开展DCMM贯标与高质量数据集建设

选择国家人工智能创新应用先导区、数字产业集群、中小企业特色产业集群等基础较好的地区和金融、能源和运营商等行业开展试点，形成示范效应。一是推动相关地区出台政策，构建跨行业的产学研用平台，对开展DCMM贯标和高质量数据集建设的企业给予优惠政策；二是行业协会结合DCMM标准牵头制定本领域高质量数据集建设指南，明确行业特色要求。三是通过试点示范等工作总结可复制的经验，如跨企业数据共享模式、数据集质量管控最佳实践等，发布DCMM贯标与高质量数据集建设典型案例，逐步向全国推广，推动DCMM与高质量数据集建设在更大范围形成合力。

（作者单位：国家工业信息安全发展研究中心）

审核：刘    坤

责编：王世明

编辑：刘    彬