下载掌阅APP，畅读海量书库
立即打开
数据应用成熟度模型是一个集成的混合成熟度模型，它在已有权威的成熟度模型基础上，结合数据实践，对数字化发展规律进行总结，为组织的数字能力建设和数字化转型提供方法论。
伴随着大数据技术和智能技术的普及，企业或其他组织都需要具备数据能力并基于数据提升业务水平，充分发挥数据的作用，才能在数据时代的竞争中胜出。本模型可以用于指导组织如何逐步扎实地进行数字化转型，评估自身所处的数据应用成熟度阶段，进一步提升并晋级到更高阶的成熟度阶段。
可以从两方面来衡量一个组织的数据应用成熟度：一是要看数据应用的层次水平，即数据价值的开发深度和广度；二是要看数据能力的水平，即是否有足够的保障去持续、稳定地生产高质量数据，并有效地利用数据创造价值。如果基础能力不扎实，即使应用创新跑得快，也很容易失败，难以有很好的效果甚至难以持续。如果基础能力建设再好，但应用创新找不到突破点，则创造不了价值，造成大量投资浪费。对于要实现数字化转型的组织来说，二者相辅相成，缺一不可。
因此，数据应用成熟度模型，是从一个发展维度（数据应用）和两个能力维度（数据工程、数据治理）对组织进行评价。针对数据应用维度，组织可以使用发展成熟度模型进行评价；针对数据工程、数据治理这两个能力维度，可以基于已有的能力成熟度模型进行评价；此外，还可以在三个维度的基础上进行综合数据应用成熟度水平的评估。
数据应用、数据工程、数据治理三个维度是紧密结合的，就像立体空间的三个维度，任何一个维度有短板，都会导致组织缺乏竞争力，难以发挥数据的威力。因此三个维度的综合水平才是一个组织的数据应用成熟度水平。数据应用成熟度模型框架如图3-1所示。
图3-1 数据应用成熟度模型框架
模型当前划分为四个成熟度阶段，包含三个核心维度，每个维度的成熟度评价可以划分为五个等级。
数据应用成熟度阶段（Level）分为四个阶段：
数据应用成熟度阶段是包含能力水平的发展阶段，是对行业发展过程与先进实践的客观总结。数据应用成熟度阶段既代表了组织数据能力的高低，又代表了组织利用数据创造价值的水平。组织在每个阶段中不断发展，不断提高，实现能力增强和价值提升，且没有天花板式的发展限制，可以持续增长。成熟度阶段是通过数据应用、数据工程和数据治理多个维度去综合评估的。数据应用成熟度模型未设置详细的打分机制，后面3.3.5节提供了一个基于发展特征标志与能力成熟度等级的综合评价表，读者可自行参考。随着技术和行业实践的发展，成熟度阶段会继续向上扩展，例如未来可能会出现组织全域智能化的阶段，使得整个组织运行的方方面面都实现数字化和智能化。
数据应用水平越先进，说明数据可创造的价值越多，组织可向用户提供的价值越多，组织自身获得的收益也会越多，进而形成良性的竞争优势，所以数据应用的发展是数字化组织发展的最终目的。
数据应用过程是组织利用机器规模化扩展能力实现效益规模化的过程，因此数据应用的水平可以从机器替代人的程度，以及数据特点、业务发展驱动力、数据产品形态等方面的发展来判断和评估。从电子计算机诞生开始，机器经历了从替代人进行科学计算、分析到决策的过程。进入信息化时代后，数据应用层次深度（水平）逐步发展，包括经营分析、决策支持、数据驱动、数据服务、数据智能五个层次，且数据利用的程度随层次逐步深入、价值加大。
数据工程是一个数字化组织的核心数据能力维度。最初数据工程相对软件工程的复杂度较低，随着大数据技术的广泛应用，大型数据工程的要求已与软件工程相当。大量的数据处理与数据服务要求保证时间效率、成本效率、质量与效果，对技术先进性和工程复杂度要求很高，需要优秀的技术团队和成熟的工程管理能力，否则一切的数据应用都是空中楼阁。
数据工程过程与软件工程过程类似，但具体执行内容又有所区别。数据工程过程可分为数据理解过程、数据设计过程、数据处理过程、数据部署过程、数据运营过程，以及数据工程支持过程。这些过程形成一个过程优化闭环，其中每个过程还会细分为子过程、输入输出及操作项，这些会在后续的章节详细阐述。
数据治理（包括数据管理）维度是指一些贯穿于数据应用全过程的数据管理活动。数据治理是一个组织的数据质量和数据价值的最大保障，是组织的核心数据能力之一。
数据治理需要在不同层面展开，包括战略和管理机制层面、核心数据管理层面、技术和操作层面，其中最主要的维度是核心数据管理层面中的元数据管理、数据质量管理、数据安全管理、数据标准管理等维度，后面会详细介绍。