本文基于数据管理成熟度评估模型(以下简称DCMM)，聚焦于大型钢铁企业，结合某钢铁集团全流程数据治理实践，旨在探索并建立一套符合钢铁行业特性的具有可操作性和可复制性的全流程数据治理体系，以提升钢铁企业的数据管理能力，促进数字化转型，推动行业的高质量发展。

1 研究现状

中国钢铁行业近年来经历了深刻的调整和变革。从2022年开始，钢铁行业利润出现滑坡，2023年行业经营形势未见根本好转，钢材售价持续走低，而铁矿石、焦煤等原材料成本却居高不下，双重压力之下，企业利润空间被极度压缩。2023年，钢材价格同比下降，中国钢铁行业展现出“需求减弱、价格下降、成本高企、利润下滑”的态势，同时受严控产能、绿色转型、碳达峰等政策管控，处于结构转型的关键期。面对严峻挑战，在产业数据驱动协同发展、供应链管理优化、产能优化与降本增效、预测与需求响应等方面都有着强烈的需求，急需构建新型竞争力，全流程数据治理体系为钢铁行业转型升级提供了新机遇。

1．1 DCMM概述

DCMM是由全国信息技术标准化技术委员发布的我国首个数据管理国家标准(GB/T36073－2018)，旨在帮助企业利用先进的数据管理理念和方法，建立和评价自身数据管理能力，持续完善数据管理组织、程序和制度，充分发挥数据在促进企业向信息化、数字化、智能化发展方面的价值。其定义了数据战略、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，细分为28个过程域和445条能力等级标准。DCMM将数据管理能力成熟度划分为五个等级，自低向高依次为初始级(1级)、受管理级(2级)、稳健级(3级)、量化管理级(4级)和优化级(5级)，不同等级代表企业数据管理和应用的成熟度水平。

1．2 中国钢铁企业数据管理现状概述

钢铁行业作为传统的制造业，在数字化方面较数字化原生企业等企业起步较晚。虽然起步晚，但近年来中国钢铁工业两化融合指数、关键工序数控化率、生产设备数字化率等指标在不断提升，显示出钢铁行业对数据要素的需求和重视。同时吸取其他行业成功和失败经验，依托于领先企业实践，在管理理念、技术选择、数字应用等方面形成成熟方案，为实现弯道超车提供机遇。

中国钢铁企业近年来在DCMM体系认证中呈现“分层推进、标杆引领”的特点，领先企业(如宝武集团、鞍钢集团、宝钢股份、本钢集团)已迈入量化级或以上阶段，而中小型企业则加速基础能力建设。企业正普遍将DCMM认证与数字化转型结合，通过有效的数据治理，企业能够将业务与数据相互打通，逻辑理顺，从而让数字化真正内嵌于企业本身，释放企业数字化建设的最大价值，形成“数据驱动竞争力”的新格局。

2 全流程数据治理体系设计与实施

2．1 设计原则

坚持顶层设计原则。数据治理体系与企业战略深度绑定融合，确保数据治理体系不仅服务于当前业务需求，更要与企业长远发展战略相契合，将数据治理的各项措施、流程和机制都能与企业战略目标保持一致，助力企业实现可持续发展。坚持数据协同原则。不只追求单点效益，更强调“全局最优”，覆盖企业的核心业务链条和层级，从高层决策到基层操作，确保数据的完整性、一致性和准确性，从而发挥数据协同和数据复用价值。

坚持价值导向原则。强调紧密围绕企业的核心价值创造过程，注重数据在业务决策和价值创造中的应用效果，确保数据治理的投入能够支撑企业的提质降本增效。

坚持同步治理原则。数智化新建项目同步数据治理，确保新建项目在规划、设计、建设和运行的全生命周期中，数据治理工作能够同步进行，避免未来回过头补充建设，确保数据的标准化、规范化和可管理性，为企业的数字化转型提供坚实的基础。

坚持源头治理原则。按照“源头治理、综合治理”原则，对重要业务系统数据、数据中心汇聚数据实施综合治理，保证数据标准统一、数出一源，保证数据的及时性、准确性、可靠性、完整性，明确关键数据来源。

坚持人才为本原则。重视数据治理人才的培养，建立一支治数、管数、用数的复合型人才队伍。通过培训、交流和激励等措施，不断提升团队成员的数据治理能力和水平，确保数据治理工作的顺利推进和数据价值加速释放。

2．2 全流程数据治理体系

基于DCMM管理体系，承接集团大数据管理体系，开展组织体系、制度体系、工作机制、人才体系等建设。

图 1 组织体系架构

2．2．1 组织体系

组织体系建立决策层、管理层、执行层三层数据治理的组织架构。决策层为数据管理委员会，由企业总经理等高层挂帅，企业各职能部门、直属单位、子企业和技术团队等为成员单位，负责企业数据管理重大决策、重大问题协调以及考评等工作。管理层为数据管理办公室，设在数智化管理部门，是数据管理归口部门，全权负责数据管理委员会日常工作，统筹数据管理体系和数据资产建设等。

执行层为数据管理办公室内设的数据管理体系组(以下简称“体系组”)及数据管理资产组(以下简称“资产组”)，按照业务领域划分成立数据域，根据实际需要选调各单位相关人员矩阵式管理，分别从体系管理和业务专业管理角度，推进数据管理体系和各数据域数据资产的建设与管理工作，推动数据应用创新，赋能业务。

同时，结合各单位实际，以《岗位说明书》的方式，详细描述了各职位的任职资格、岗位职责、岗位绩效指标、合规管理等内容，设置了数据应用工程师、数据安全工程师、数据质量工程师等岗位。确定数据安全事件数量、数据质量问题解决率、数据治理培训完成率等年度业绩指标表，全面、准确地评价相关人员的数据工作的效果。

2．2．2 制度体系

制度体系建设参考外部合规监管方面、集团大数据体系要求，构建“1+7+N”三层制度框架。其中，第一层为数据管理总纲，第二层为数据管理办法，第三层为细则文件。

数据管理总纲:明确数据管理组织架构、各方职责、管理范围等。遵循“共建、共治、共享”一贯性原则、“业务谁主管、数据谁负责”认责原则和“源头治理、综合治理”原则。

管理办法涵盖数据战略、架构、安全、标准、应用、质量、生存周期管理办法。

数据战略:明确数据战略规划流程，保证数据战略规划的质量，并监控规划的实施。涵盖数据战略规划的内容、编制、审批、变更管理，数据战略任务派发、监控、调整、汇报等数据战略实施管理，数据战略评估等管理内容。

数据架构:保证数据架构统一和数据集成共享规范性。涵盖大数据中心管理，数据资产目录建设、变更和发布管理，数据模型建立、维护、变更和规范管理，数据分布管理，数据集成和共享机制、标准、技术和流通管理，元数据创建、存储、整合、变更管理等管理内容。

数据应用:加强数据应用能力，促进数据价值挖掘、数据跨组织流转和最终数据资产价值变现。涵盖指标应用、自主分析、大数据应用系统建设等数据分析与应用管理，数据内外部共享与服务的机制流程等管理内容。

数据安全:建立数据安全策略和安全标准，分析数据安全管理需求和风险，规范数据安全保护的控制措施，使数据安全可用。涵盖数据安全分级标准和对应管理策略，从数据采集、传输、存储、处理、交换、退役等数据生存周期的数据安全管控，数据安全审计等管理内容。

数据标准:统一数据语言，使得对数据理解的一致，促进数据内外流通共享。涵盖标准框架、标准属性、分类分级等数据标准规划、制定、维护和应用等管理内容。

数据质量:以业务数据质量需求为驱动，建立数据管理和监控机制，通过PDCA的循环在数据源头、数据开发过程中对数据质量进行持续的评估和提升。涵盖数据质量需求提出、检查、分析、改进、考核等管理内容。

数据生命周期:从数据的产生、采集、存储、加工、应用、运维、退役进行全过程规范管理。涵盖数据需求的收集、分析、评审、变更管理，数据设计的方案编制、评审、数据开发管理，数据采集、数据处理、数据存储等数据运维管理，数据退役管理等管理内容。

细则文件涵盖数据分类指南、开发规范及各业务数据管理细则。

同时制定了有效需求数量、需求采纳数量、制度修订占比，业务方参与率、业务领域覆盖率等指标评价体系，旨在管理、业务和技术三方形成工作合力，提升制度建设效率和质量。

2．2．3 数据治理沟通

制定了从上至下和从下至上的沟通渠道，确保组织内外全部利益相关者都能及时知悉相关政策、标准、流程、角色、职责、计划、方案、措施、进展、问题、工作交办等最新情况，以提升跨组织的内外沟通效率。其中:从上至下的沟通采取工作宣贯、月例会、会议纪要、任务督办单、双周通报、意见征集等形式，从下至上的沟通采取专题汇报、工作报告、问题反馈、需求申请等形式，通过会议、文件、邮件、通知等载体进行沟通。

2．2．4 工作机制

按照“集团统筹推进，业务主导负责”工作原则，依托数据管理委员会，将管理、业务和技术人员矩阵式管理。严格遵循工作责任到人、列入年度重点工作计划、制定专项工作推进方案、双周通报、专题会议、月例会、会议纪要制、任务督办单、里程碑节点考核等工作机制，促进管理、业务和技术人员之间的紧密合作，提高工作效率和协同效果。

强化责任意识，坚持落实“一把手工程”和“要重视、要懂、要组织推进”三要理念，压实各层级领导和骨干人员责任，积极组织推进，确保各项任务落实。

强化协同意识，在守住数据安全底线的基础上，进一步加强数据内外部流通共享。面向购销两端，积极与上下游供应链建立紧密的数据联系，推动数据资源在供应链和产业链中的高效流通，从而提升整体协同效率和市场竞争力。

强化效果意识，持续聚焦生产经营“提质降本增效”实际问题，明确数据应用的具体目标和预期效果，用数据支撑业务进一步查找管理、业务问题，为决策提供基础保障。同时加强数据应用案例的总结和推广，激发数据更大价值。

2．2．5 人才培养

围绕“聚焦转型升级，实现数字化人才赋能”人才培养主题计划，数据管理委员会联合组织组织管理部门、绩效考核管理部门、数智化管理部门，从管理、专业、业务三个维度设计人才体系并制定培养路线和激励政策，采取灵活多样的方式培养复合型人才。

走出去:数据管理办公室组织内部单位积极参与国家级、行业级、协会级举办的各类赛事、会议和交流等，与行业内外领先企业和专家同频同行。

请进来:数据管理办公室聘请外部专家团对企业进行诊断，面向企业高层、中层领导、基层骨干分层次开展管理导入、行业标杆案例等专题培训以及共研共创等。

以干代培:资产组结合企业实际业务场景，通过数据治理工作推进，让员工在解决实际问题的过程中不断学习、成长，实现员工技能与业务需求的精准对接，促进人才快速成长。

专项计划:数据管理办公室制定数据治理千人计划，明确人才标准，设计金牌讲师、核心骨干和数据分析师三个层级的人才梯队，组织管理部门建立人才库并组织人才认证。建立培训基地，设计DCMM体系解读、企业数据战略解读、企业数据管理制度宣贯、各数据域数据治理实务等一系列课程体系。对每个数据域，集团统一培养至少一名金牌讲师，各金牌讲师结合本数据域业务特点，对整个体系进行消化、转化、输出和传递，与核心骨干结对培训;核心骨干发挥纽带作用，传帮带本单位数据分析师。

数据文化:通过人才认证推动、骨干人员拉动、案例分享互动、树立典型带动、应用创新撬动、技能竞赛鼓动，正向激励驱动等方式，持续建设企业“让数据说话”的企业文化。

2．3 数据治理实施

基于全流程数据治理体系提供的组织保证、制度保障、机制保障和人才保障，面向钢铁企业采购、销售、物流、制造、成本、财务、设备、工程、科研、炼铁、炼钢、轧钢等生产经营全链条，开展全流程数据治理实施。

2．3．1 数据战略

围绕企业战略，企业中高层管理人员共研共创，制定数据战略，从管理体系、数据平台、数据资产和数据应用四方面绘制蓝图，明确以“数据治理体系化、数据管理平台化、数据资产化、数据应用价值化，数据运营可持续”的“四化一可”为总体目标;以“建设1套治理体系、1个大数据平台、1套数据资产目录、催生N个有价值的大数据创新应用和数字化创新人才”为总体任务，聚焦战略绩效、精益成本、透明工厂等数据赋能价值高的典型业务场景，依据评估准则开展战略评估，并依托数据管理委员会评审、决策和发布数据战略。

2．3．2 数据架构

基于“统一框架，分域建设”的原则，依据数据架构管理流程，建立大数据中心统一数据架构。通过数据资源盘点，结合钢铁企业整体业务流程、职责分担、系统功能和数据分布，进行标准化处理，由体系组和资产组共同构建覆盖采购、销售、物流、制造、成本、财务、设备、工程、科研、炼铁、炼钢、轧钢等全域数据资产目录，数据管理办公室组织评审并发布。旨在按照业务视角组织目录内容，统一按照“一级主题域－二级主题域－业务对象－逻辑模型－物理模型”的目录架构进行管理，清晰明确地展示全域数据资产的分类分级、业务分布、数据关系、物理存储等情况，保障业务人员能够好找和好用数据资产。

同时围绕生产经营核心业务，以关键业务对象开展数据集成、建模与共享，形成横向拉通各专业，纵向穿透集团－基地－产线－现场的统一的可复用的高质量的数据网络。围绕企业采购、销售、物流、制造、设备、工程、财务、成本、科研、能源、炼铁、炼钢和轧钢等核心业务链条，组织大数据中心数据架构统一设计与实施。数据模型采用典型的ODS贴源层、CDM公共层和ADS应用层三层数仓设计模型。数据架构经评审发布后，大数据中心新建数据应用须遵循统一数据架构管理。

2．3．3 数据标准

建立以业务术语、数据元、指标数据等为核心标准体系，建立引用率、引用一致率、新建项使用率等评价指标，跟踪和优化数据标准管理，以业务方为责任主体的标准管理机制，按照共建共享的原则，推进数据标准的建设与管理，为高质量数据及数据流通共享、互通互融、跨系统、跨平台等奠定基础。数据标准经数据管理办公室评审、发布后，大数据中心新建数据应用须遵循统一数据标准管理。

指标标准围绕企业采购、销售、物流、制造、设备、工程、财务、成本、科研、能源、炼铁、炼钢和轧钢等业务的KPI指标/重点管控指标，建立面向生产经营的全域指标体系，以支持业务生产经营决策。一是由体系组、资产组和技术实施团队共同定义指标标准，包括业务说明、统计口径、计算逻辑、所属数据分类、制定单位、评价对象、数据来源、统计时点、评价维度、指标单位、小数位数等信息;二是对资产组按分析维度对业务指标进行拆解，技术团队在大数据中心指标建模，构建维度模型、事实模型、原子指标、派生指标和复合指标。数据元标准由管理属性、业务属性和技术属性构成。管理属性由体系组和资产组共同定义，业务属性由资产组定义，技术属性由技术团队定义。其中:管理属性包括数据Owner、数据来源、安全等级、共享类型，业务属性包括业务定义、获取方式、采购来源、产生性质，技术属性包括数据源系统、更新频率等。

2．3．4 数据安全

依据数据安全管理办法，建立数据安全管理体系，定义数据分级标准和管控策略，依规完成数据分类分级、数据安全审计等工作，通信创国产化设备实现字段级数据加密、脱敏。分级标准参考国家标准GB/T43697－2024《数据安全技术数据分类分级规则》，包括核心数据、重要数据、一般数据(一般敏感数据、一般内部受限、一般内部公开、一般公开数据)。依据分类标准和分级标准，资产组与体系组共同对数据资产进行分类与定级，经评审后实施相应的授权、加密、脱敏、审计等数据安全管控策略。

2．3．5 数据质量

围绕数据质量唯一性、完整性、准确性、一致性、有效性和及时性，通过责任体系、源头治理、数据血缘和数据质量管理流程，以及设计监控覆盖率、监控数据正确率、问题数据整改率、整改数据复发率等评价指标，从质量需求、检查、分析和提升等方面建立了一套全面的PDCA数据质量管控体系，发生质量问题时可溯源、可定位、可评价、可追责。各单位作为数据的生产者和使用者，对其产生和使用加工的数据质量负责，各数据域建立持续更新的数据质量规则库，并依据企业统一的数据质量检查计划，开展数据质量问题分析，制定、实施数据质量改进方案，并对数据质量管理过程和方法进行优化，从而持续提升数据质量。

2．3．6 数据应用

从“建系统、用系统”向“治数据、用数据”转变，基于数据治理的同时注重应用成效，聚焦企业生产经营提质、降本、增效实际问题，通过自主分析、可视化应用、智能应用、可交易数据产品等多种数据应用方式，形成了一系列数据赋能场景。

自主分析是指利用大数据中心BI功能，基于指标治理和数据融合，各数据域业务人员开展的自制报表、报告和报屏等。大数据中心已形成支撑各业务会议线上化、绩效考核、采购制定采购策略、营销市场分析、物流降库存，制造重点直供户跟踪、炼铁鱼雷罐跟踪、炼钢日常质量控制等自主分析应用案例上千个。

可视化应用是指将治理后的数据利用可视化技术进行展示，形成铁水成本穿透、原品种一次合格率穿透、盈利能力分析、日清日结、决策系统、驾驶舱、供应链协同等一系列可视化应用，助力协同，帮助企业快速洞察数据背后业务趋势和问题。智能应用是指利用AI+数据治理，通过机器学习算法等技术，对制造、设备、能源、物流、销售等数据进行深度挖掘和智能分析，形成质量一贯制、销售价格预测、设备监诊、智能问数等一系列智能应用，助力企业实现高端化、智能化、绿色化。

可交易数据产品是指基于数据治理成果，通过深度加工和挖掘，形成供应链风险评估报告等具有明确价值和应用场景的数据资产，探索和实践数据资产入表，并完成数据产品交易。

3 效果分析

经过数据治理体系构建与实践，企业在数据管理方面达到量化级。制定了企业数据管理组织和管理办法，明确了各方利益相关者的权责利、流程、机制、规范等，设计了数据资产化率、应用数量、访问数量、排行榜、质量监控覆盖率和解决率等量化评价指标34个，实现数据管理过程的量化管理，全面提升数据从产生、采集、存储、加工、应用、运维和退役全生命周期过程中的数据管理和运营能力。同时，员工治数、用数、管数综合能力得到提升，认证了18名金牌讲师和500余名的核心骨干、数据分析师，为数据价值发挥提供人才保障。

构建了企业统一的、权威的、可信的全域数据资产目录，一级主题域、二级主题域和业务对象800余个，让业务“找得到、看得懂、用得着、管的住”数据，基于数据资产目录开展数据标准、质量、安全等管理、数据流通和数据自主分析等工作，提升企业数据管理能力。

通过数据分类分级、确权认责和业务化，数据资产化率达80%，将数据管理起来，为数据资产流通共享和财务并表奠定管理基础。通过数据分类分级，业务能够更好地理解数据价值和用途，并实现对不同重要度/敏感度数据的差异化管理，有效提高数据安全性和合规性。

指标治理构建了全域指标体系，治理指标1000余个，解决了指标定义含糊不清，取数不明，口径没有标准，数据缺乏可信等问题，精准指导业务决策和管理优化。

数据融合打通部门墙、业务墙、系统墙，构建横向拉通供应链、专业、工序，纵向穿透集团－基地－产线－现场的统一的可复用的高质量的数据网络，构建数据分析模型800余个，业务自主分析案例1500余个。

数据治理体系的实施促进了数据价值的充分发挥，各类数据应用支撑企业创效累计上亿元，工作效率节约500余人日/月，助力企业实现高端化、智能化、绿色化发展。

综上所述，全流程数据治理体系的构建与实践在大型钢铁企业中取得了显著成效。企业在数据管理、数据质量和数据应用等生命周期各方面均实现了全面提升，为企业的数字化转型和高质量发展奠定了坚实基础。

4 结论和展望

本文大型钢铁企业全流程数据治理体系的构建与实践，通过运行实施，企业在数据管理方面已到到量化管理级。但是对标DCMM最高等级标准，在量化级能力深化和优化级行业标杆等方面还存在一些不足。后续在实施过程中将不断迭代和优化，持续提升数据管理能力和水平。特别是在数据治理体系的深化应用、数据资产的进一步挖掘和利用、供应链和产业链协同赋能，将加大投入和力度，以更好地支撑企业的数字化转型和高质量发展。

《冶金自动化》2025 年增刊 作者：高秀敏 姜君龙 佟姣