本文一共提供了CMM、DMM、DCMM、DCAM、MD3M、DataFlux、IBMMMI、DSMM、IOMM、中新聯團標、畢馬威&阿里數智化轉型框架、普華永道企業數字化成熟度評估架構、華為ODMM共13個評估模型。
近兩年數字化轉型非常熱，大家關注的問題都集中在：有哪些數字化轉型的方法和技術?企業如何成功實現數字化轉型?數字化轉型過程如何避免踩坑?數字化轉型有沒有捷徑?數字化轉型到底該從哪里開始?……
說實話，這些問題根本沒有答案。
雖然目前很多企業都已啟動了數字化轉型戰略，但對大多數企業而言，數字化轉型都是“摸著石頭過河”，根本沒有可供借鑒的經驗。即便是具有數據基因的科技互聯網巨頭，他們也在談數字化轉型，也就是說科技公司也不能說自己是數字化企業。而對于那些號稱是成功轉型的企業，其實也只是比其他企業多走了一步。
01、如何界定數字化轉型是否成功？
麥肯錫的一份報告指出：企業數字化轉型成功率僅為20%。
也就是說，80%的企業數字化轉型都失敗了。
數字化轉型成功或失敗，不好界定!
如何定義數字化成功?可能不同的人會有不同的理解。
完成了數字化的績效目標，算轉型成功嗎?即使沒有建立數據思維、缺少數字文化。
建立了數字化組織，配置了數字化人才，培育了數字化文化，算轉型成功嗎?即使數字化戰略目標沒有實現。
搭建了數字化基礎環境，使用了數字化技術(如云計算、大數據、AI等)，算轉型成功嗎?即便業務決策用到了數據。
數字化成功或失敗，不能從一個維度考量!
在筆者看來：企業數字化轉型不是從0到1.而是從1到100.轉型是一個過程，場景從簡單到復雜，應用從局部到廣泛，持續優化、逐步成長。
也就是說，雖然不好界定數字化轉型的成功或失敗，但是數字化是有成長周期的，是一個從萌芽，不斷生長，不斷成熟的過程。而企業數字化成熟度的評估，就是幫助企業找到數字化到底位于何處，還有哪些不足，應該從哪里改進等問題的答案。
02、CMMI成熟度評估模型
提到“成熟度評估模型”，不得不提一下能力成熟度模型的鼻祖——CMM。可以說，幾乎所有成熟度模型都借鑒了CMM的思路，基本都是將所涉及的能力(例如：軟件能力、數據治理能力、數字化能力)劃分為多個領域，每個領域又可以劃分多個子領域，每個子領域又可以分為多個評估指標。然后綜合這些評標進行評估，從而得到該領域的成熟度情況。而所謂成熟度就是幾個可以逐步提升的等級(CMM示例)，如下圖所示：
能力成熟度模型集成(CMMI)
03、DMM 數據管理能力成熟度等級
1. Performed（已執行級）
主要特點：數據作為項目實施的需求進行管理。
解讀分析：這個階段，企業和組織的數據管理過程是臨時性的，主要在項目級別執行。沒有形成跨業務領域數據管理流程，數據管理過程是被動的，例如，對于數據質量的修復。關于數據管理的基本改進可能存在，但改進尚未在企業或組織范圍內進行明確、宣貫和推廣。
2. Managed（可管理級）
主要特點：企業意識到數據作為企業關鍵資產的重要性，局部實現了常態化管理。
解讀分析：這個階段，數據資產化的觀念被企業或組織所認可，企業嘗試并開展了數據管理的相關工作。按照企業的目標制定了相關政策和執行過程，雇傭有專業知識的數據管理人員來對數據進行管理，使得核心數據能夠受控輸出;數據管理在企業局部范圍開展，涉及部分業務部門或利益相關者;部分數據開始進行數據的監控、控制和過程審查，估過程是否符合其數據管理的要求。
3. Defined （可定義級）
主要特點：數據在組織級被視為關鍵生產要素。
解讀分析：隨著時間的推移，數據已經被企業視為除了人員、資金和物資的第四種生產要素。企業內部已經建立和改進了一些數據管理的流程，改進了數據質量。根據企業的數據戰略和指導方針，從一組標準的數據管理過程中能夠定制滿足企業特定需求的數據管理方法，并賦以執行。
4. Measured （可度量級）
主要特點：數據被視為競爭優勢的來源分析。
解讀分析：這個階段，企業已基本建立起可預測和度量數據的指標體系，以提升數據質量。對不不同類別的數據啟動有差異的管理流程，企業使用了元數據管理、數據質量管理、主數據管理等應用，對數據的業務含義、業務規則、質量規則進行了統一的描述，在公司范圍內形成一致性的理解，并在整個數據的生命周期中進行管理。
5. Optimized（優化管理級）
主要特點：在一個充滿活力和競爭的市場中，數據被視為生存的關鍵，持續提升和優化。
解讀分析：通過創新性的改進，企業數據管理能力不斷提高。通過數據管理能力的增強反饋用于推動業務增長和決策能力的提升，企業的數據管理能力已經發展成為行業的標桿，可以在整個行業內進行先進經驗的分享。
（4）DMM 架構和過程域
DMM模型提供了數據管理的最佳實踐路線圖，幫助組企業構建、改進和衡量其企業數據管理能力。該模型圍繞著數據管理成熟度(DMM)模型展開，該模型是一個綜合的數據管理實踐框架，分為六個關鍵類別，幫助組織對其能力進行基準評測，找出優勢和差距，并利用其數據資產提高業務績效。
DMM模型包括25個過程域，由20個數據管理過程域和5個支持過程域組成，按管控維度不同分為：數據戰略、數據治理、數據質量、數據運營、平臺與架構、支撐流程6個類型，如下圖所示：
04、DCMM數據管理能力成熟度評估模型
DCMM模型，按照組織、制度、流程、技術對數據管理能力進行了分析、總結，提煉出組織數據管理的八大過程域，即：數據戰略、數據治理、數據架構、數據應用、數據安全、數據質量管理、數據標準、數據生命周期。這八個過程域共包含28個過程項，441項評價指標。
數據戰略：數據戰略規劃、數據戰略實施、數據戰略評估
數據治理：數據治理組織、數據制度建設、數據治理溝通
數據架構：數據模型、數據分布、數據集成與共享、元數據管理
數據應用：數據分析、數據開放共享、數據服務
數據安全：數據安全策略、數據安全管理、數據安全審計
數據質量：數據質量需求、數據質量檢查、數據質量分析、數據質量提升
數據標準：業務數據、參考數據和主數據、數據元、指標數據
數據生存周期：數據需求、數據設計和開放、數據運維、數據退役
DCMM的能力等級劃分
與CMMI類似，DCMM模型將組織的數據能力成熟度劃分為初始級、受管理級、穩健級、量化管理級和優化級共5個發展等級，幫助組織進行數據管理能力成熟度的評價。
DCMM與國外的數據管理能力成熟度模型相比，DCMM是具有中國特色的數據管理模型。
DCMM建設概念圖
如果你的企業要做DCMM評估，可以找國家工業信息安全發展研究中心，是全國僅有的6家擁有DCMM評估資質的單位。
05、DCAM 數據管理能力評價模型
數據管理能力評價模型(datamanagement capability assessment model，DCAM)是由EDM主導，組織金融行業企業參與編制和驗證，基于眾多實際案例的經驗總結來進行編寫的。DCAM首先定義了數據能力成熟度評估涉及的能力范圍和評估的準則，然后從戰略、組織、技術和操作的最佳實踐等方面描述了如何成功地進行數據管理。最后，又結合數據的業務價值和數據操作的實際情況定義數據管理的原則。
在DCAM1.0中，主要將數據管理能力劃分為八個職能域：
數據管理策略
數據管理業務案例
數據管理程序
數據治理
數據架構
技術架構
數據質量
數據操作
DCAM2.0 框架
如上圖所示，在DCAM2.0中，主要強調團隊協作(流程)、標準執行和資金支持，DCAM2.0 分為以下職能域(7大組件)：
數據管理戰略與業務案例
數據管理流程與資金
數據架構
技術架構
數據質量管理
數據治理
數據操作
06、MD3M 主數據管理能力成熟度模型
MD3M成熟度模型參考了COBIT(IT成熟度標準)、Oracle、DataFlux等已有模型，將主數據管理的成熟度劃分為5級，如圖：
說明：以下是對MD3M成熟度等級的解讀，期間為了便于大家更好的理解，會引用一些真實的“微案例”。“微案例”涉及的客戶名稱已做了相關脫敏，請看到的老板不要對號入座。
1、Initial 初始級
處于初始級的企業，主數據問題早已存在并且在企業里被提出，但是企業沒有認意識到要進行主數據管理，或者不知道該如何管理主數據。當然也有一部分企業的員工甚至不知道主數據是個啥。
2、Repeatable 應用級
企業已經認識到了主數據的重要性，并且開始在項目中進行主數據的治理。但是這種管理只是在個別項目中進行，沒有推廣應用到其他部門或系統中。這種情況在很多企業普遍存在，例如：X企業上了一套CRM，只是在CRM中將客戶主數據進行了整理和清洗，并且用一定流程管理起來了，但是CRM的客戶數據并沒有與財務系統、ERP系統等系統打通。
3、defined process 已定義級
企業充分認識到了主數據的問題、影響和價值，并對主數據管理第一次在企業戰略層面提出，企業開始積極的思考主數據該如何管理，并引入主數據管理工具，進行主數據的試點應用。筆者接觸了很多主數據的客戶，部分客戶是已經處于第三級的。筆者發現，處于這個層級的客戶有一個共同點，就是對于主數據比較迷茫。正如Y企業CIO吐槽：“我們都認識到了主數據的重要性，并且主數據系統已經運行了3年，但是主數據的價值好像并沒有發揮出來。還有就是我們主數據平臺剛上的時候，主數據質量還行，但是現在去看已經和3年前沒太大差別了”
4、managed and measurable 管理和度量級
企業制定了一套主數據管理的最佳實踐，主數據被企業的核心資產進行管理，對于主數據的申請、審批、采集、分發制定了明確的流程和規范，對于主數據的數據質量有著明確的度量標準和考核制度。這里，我們分析下上述案例Y企業CIO的迷茫，Y企業之所以存在對主數據的困惑，一方面是認知問題，關于主數據重要性只是局部認知，比如：領導認識到了、員工沒有認識到;IT人員認識到、業務人員沒認識到;CIO認識到了，CEO沒有認識到……;另一方面，主數據管理并不是上一個系統就能萬事大吉的，是需要企業持續的運營才能見效的，配套的標準、流程、制度、考核是必不可少的。
5、optimized 優化級
該層級稱為：持續優化級。主數據管理是一個持續提升的過程，不可一蹴而就。我們看到主數據做的非常成功的企業，都有兩個特點：1)再一開始做主數據的時候，企業對要實現的業務目標和管理的主數據范圍就十分明確，一般都是選1~2個核心主數據進行試點實施。2)試點實施階段企業會建立起一整套的主數據實施最近實踐(組織的建設、數據標準、管理流程和制度、運維規范、運營及考核)，試點成功再將這套最佳實踐復制到企業的其他業務域，實現主數據全域覆蓋。主數據的實施過程是企業數據戰略落地的過程，絕對不是購買一套工具就能解決的問題，方法、組織、標準、制度、流程、技術與工具樣樣不可缺少。我們看到，有的企業實施主數據借助了外部咨詢公司的力量，由咨詢公司幫助規劃實施范圍、建立制度和流程、制定實施路線圖等，取得了不錯的效果。【有需要做數字化咨詢的老板請找羅百輝老師】
關鍵主題和重點領域
MD3M采用自下而上的方法制定了主數據管理能力成熟度評估的5個關鍵主題和13重點領域，見下圖：
與我們之前分享的DMM模型不同的是，MD3M更關注于主題，而不是過程。因為不同公司的流程可能不同，如果MD3M過于專注于流程，它將不再是通用的。MD3M模型基本涵蓋了主數據管理的所有方面，適用于管理主數據的所有公司，尤其是大型公司。對于小型企業來說，實施精心設計的MDM方法的所需的成本可能將被夸大。
07、DataFlux 主數據管理成熟度模型
該模型源自《DataFlux White Paper-MDM-Components-Maturity-Model》，本白皮書探討了基于提供MDM服務的能力的成熟度級別，通過根據MDM相關組件層的成熟度來表示它們，企業管理層可以針對所需的MDM成熟度級別，設計開發一個主數據管理的實施路線圖，用于指導企業主數據管理的實施和成功落地。DataFlux模型從數據架構、數據治理、數據管理、數據識別、數據整合、業務流程管理六個層面定義了主數據管理成熟度的核心影響要素，如下圖所示：
1、體系結構
MDM體系結構包含三層，即：主數據模型、MDM系統架構和MDM服務架構。
（1）主數據模型
要創建主數據時，需要將企業中相關實體存在的各種不同格式和結構的所有數據元素合并到一個能夠適應這些差異的集中資源中，然后反饋到這些不同的表示中。這意味著必須有一個統一的主模型來充當核心存儲庫。數據模型是MDM工作的復雜但不可分割的一部分，需要將異構系統間的相關關鍵元素合并到一個模型中，主數據模型要能夠適應相關異構系統的不同應用需求。推薦的做法是取各個系統主數據元素的交集部分 主數據的自然屬性形成主數據模型。
（2）MDM系統架構
貫穿于主數據管理的整個生命周期(創建、變更、訪問、注銷)，為主數據提供基礎的管理和維護功能，可以針對特定的場景或應用(例如：產品或客戶的管理)設置增強性功能。例如，某些屬性信息可以在不同的時間通過不同的應用系統收集，如果允許不同的應用系統有數據的創建權限，則可以為每個應用系統調整創建服務以獲取主數據所需的內容。這涉及多源頭數據的歸集，操作上需要慎重。我一般建議將主數據源頭統一，如果實在統一不了，可以通過系統自動提取 人工干預的方式完成主數據屬性的整合，形成完整數據視圖。
（3）MDM服務架構
異構應用系統使用所需的數據對象服務可能會有一定的差異，所需的數據服務也有進一步的要求，例如同步、序列化訪問控制、集成與整合、數據訪問。通過部署可重用并且與業務流程關聯的主數據服務，將業務應用系統分層到數據對象服務層，并對數據服務進行權限的劃分。主數據服務架構關鍵點在于流程驅動、按屬性授權。主數據管理本身也是一項業務活動，需要根據相應的業務規則按順序流轉;權限劃分是指不同流程節點可以配置不同的數據屬性，并且這些屬性可以分配給不同的角色/崗位進行管理。
2、數據治理
DataFlux 認為數據的治理和監督應當作為企業千年發展目標的政策。由于MDM是一項企業倡議，因此必須保證利益相關者將遵守、管理、參與主數據的治理和數據共享。跨不同業務域應用的主數據管理將解決數據管理、所有權、合規性、隱私、數據風險、數據敏感性、元數據管理、主數據管理以及數據安全等問題。這些問題中的每一個都側重于將數據技術和管理監督結合起來，確保組織遵守定義的制度和政策。
（1）數據標準化
對企業數據元的標準化定義，明確數據語義、取值。評估組織數據元素信息并將這些信息編制成業務元數據，形成了最終驅動和控制主數據對象的模型。有了這些數據元標準化定義，組織就了解了如何將這些定義解析為主數據的唯一視圖。
（2）元數據管理
識別數據元名稱、定義和其他相關屬性的過程，除了收集有關潛在可用的大量數據元素的標準技術細節外，企業還需要確定： 每個數據元的業務用途， 哪些數據元定義涉及相同的概念， 不同應用程序如何創建、讀取、修改或失效每個數據元，業務流程中的數據質量特征、檢查和監控位置，等等這一系列的過程都是元數據管理。主數據管理的各個過程都是圍繞元數據模型開展的。
（3）數據質量
業務績效和運營生產力依賴于高質量的數據——在組織層面——成為任何MDM計劃的核心能力。MDM的成功依賴于數據治理，但治理可以跨不同的業務域應用，為企業范圍的部署提供規模經濟。治理的各個方面至關重要，因為所有權模型和監督機制確保MDM環境中的參與者意識到信息的質量得到了積極管理。
3、數據管理
（1）唯一身份識別
每一個主數據對象類型都對應與真實世界的一個實體對象，每個實體對象都有一個唯一識別的身份，這意味著在主數據資源庫中，需要為每個主數據對象提供相應的標識信息，用來識別和標識數據對象的唯一性。
（2）數據關系
主數據系統應具備數據關系管理的能力，例如：客戶之間的關聯關系，供應商與所提供產品的關系等等。這些關系反映在鏈接層次結構中，并提供支持這些連接管理的服務組件。筆者認為：“關系型主數據將在主數據管理中扮演越來越重要的角色”。
（3）遷移管理
與業務應用系統不同，主數據的集成、上線是一個需要過渡的過程。無論是逐步的過渡還是徹底的使用新標準、新體系，數據遷移計劃通常都會使舊體系版本與標準化后的版本同時運行一段時間，以確保對新版本正確地滿足業務需求的提高信心。
4、主數據建立
（1）標識解析
標識解析是指能夠將兩個或多個數據元素表示可以解析為唯一對象的一個表示，即：通過一定的數據元素的組合進行主數據的唯一性識別。標識解析是一項重要的主數據管理技術，目前該技術已被成功應用到國家工業互聯網的戰略布局中，通過將標識解析與互聯網相結合，通過為每個機器、產品、零部件設置網絡虛擬“身份證”，支持通過“身份證號”實現物料追溯、產品追蹤，從而實現跨地域、跨行業、跨企業的信息共享。
（2）數據規則
在確定了數據的解析標識后，數據的規則算法就被應用到大量的記錄中。 有一些規則可以被視為自動匹配，這些規則不僅依賴于相似性的量化，而且必須根據應用程序定義，數據規則用于數據的建立和數據的整合過程。
（3）查重與合并
使用標識解析來檢查企業數據集，以區分表示唯一實體的記錄，然后將其加載到規范表示中。應用數據規則尋找相似的數據記錄，類似的記錄要通過算法來鑒定每個數據屬性中的值的相似度，為主數據的查重和合并過程鋪平了道路。
5、主數據整合
主數據的目標不僅在于支持多個應用系統的集成，還能夠為數據分析提供高質量的主數據。MDM系統建立數據服務層的核心主實體為建立一組分層的信息服務提供基礎，以支持業務應用的快速和高效的開發。
（1）與數據源的集成
建立一個MDM系統將主數據統一管理起來，實現單一源頭的主數據管理，而不使用這些數據是沒有意義的，建立單一數據源的一個驅動因素是建立一個可以在整個企業中共享的高質量數據資產。這個目標需要雙向數據流：主數據必須很容易地進入主數據庫，并且企業應用程序也必須同樣容易地訪問這些數據。MDM系統必須以最小破壞性的方式適應現有的應用程序基礎架構，同時提供一個標準化的路徑，進行數據的轉換和同步，為應用系統提供數據服務。
（2）主數據集成服務
隨著MDM的深入應用，新的應用程序越來越多地依賴主數據對象及其相應功能的來支持新的業務體系結構設計。標準化的主數據減少了對傳統面向數據的問題(例如，數據訪問和操作、安全和訪問控制或策略管理)，使用MDM服務層整合應用系統，被越來越多的企業所青睞，這種方法還將為現有系統的整合和未來系統的設計提供額外的價值。
6、業務流程管理
基于業務流程驅動的主數據管理是MDM的主要手段。MDM系統設計中的一個關鍵因素是確保系統是業務驅動的，盡管MDM是一種技術，但人們普遍認為，在不將主數據管理的功能組件鏈接到相應的業務流程模型的情況下實施主數據管理是一種無用的活動，進一步強調了“流程驅動”在主數據管理中的重要性。
（1）流程模型
業務流程模型是一種邏輯表示，它以一種方式描述業務流程，并在適當的時間將適當的細節傳達給適當的人。通常列舉所涉及的過程、流程的輸入、控制過程等方面、作為過程結果出現的事件以及過程的預期輸出。本質上MDM也是一項業務活動，不同的主數據需要在不同的時間、由不同的人維護和管理不同的數據元素，而這個過程是依靠流程模型來驅動的。
（2）業務規則
在任何業務流程模型中，用于執行特定操作的邏輯將主數據對象的值的評估和定義的控件結合在一起。檢查這些值以確定要采取的操作，這些操作將創建新值并觸發新控件。
（3）MDM業務組件層
在通過業務流程建模和集成組件的定義和需求以及通過基于規則的系統實現業務規則的基礎上，是業務組件層。在這一層，我們可以開始創建更復雜的可重用業務服務，包含數據的映射、轉換、同步、訪問等。
三、DataFlux 定義的主數據管理能力等級
DataFlux定義成熟度模型的目的并不是提供一個基準來衡量所有MDM成熟度能力。相反，許多組織已經設計、架構和部署了所描述功能的相關版本。因此，成熟度級別描述了如何為主數據的存儲和利用已部署的組件或服務。同時，它還指出了促進更復雜的應用系統對主數據依賴所需的功能和組件。
DataFlux模型將組織的主數據管理成熟度劃分為5級，分別是：
1. 初始級
主要特點：缺乏對主數據管理目標和價值的認證，未開展主數據管理活動。
解讀分析：在初始級，利用主數據的可能性是有限的，但是有某種程度的認識到某些數據集存在多個副本，并與多個應用系統相關聯。部分業務或技術人員準備探索整合數據集以實現某些應用集成或數據分析的目的。
2. 反應級
主要特點：企業充分認識到了主數據多副本的問題，并正在嘗試解決這一問題。
解讀分析：企業對多個異構系統之間的信息孤島問題、數據不一致問題有了深刻的認知，并且這些問題對企業造成了一定的困擾，企業正在嘗試通過一定的管理或技術手段解決這一問題。企業購買了一些軟件和工具，嘗試進行將不同應用系統間元數據的整合。
3. 被動管理級
主要特點：通過主數據管理解決了單一領域和單一業務的數據問題。
解讀分析：對于主數據的管理重點可能集中在單個領域，解決特定的問題，實現了單一業務線條的數據統一。管理級還允許企業對新應用程序和現有應用程序的數據進行整合，整合和同步成為了主數據的重要特點。
4. 主動管理級
主要特點：自動化的流程驅動數據管理，應用系統通過服務層與主數據庫集成，如標識解析、層次結構管理、映射管理、轉換管理。
解讀分析：隨著組織建立起相應的主數據模型和數據服務體系結構，在減少單個應用系統對復制數據的依賴方面變得更加熟練。主動式管理能夠更好地在客戶、供應商和供應商級別建立關系，基于匯總和整合數據的完整數據模型作為核心企業資源進行管理，數據治理在整個組織中有效，對業務和管理都起到了一定的支撐作用。
5. 戰略績效級
主要特點：MDM與面向服務體系架構相結合，為企業應用系統的操作和分析需求的提供高質量的數據保障。
解讀分析：處于該層次的主數據管理結合了先進的技術，與商務智能分析形成雙向互補機制，主數據為商務智能提供可靠的數據，商務智能的相關分析結果可以作為主數據對象進行管理，從而為用戶提供更有效和一致的預測分析，為降低企業成本、提升企業績效提供支撐。
08、IBM：數據治理框架
BM數據治理模型分為目標、支持條件、核心規程和支持規程四個層次，如下圖：
目標。目標是數據治理計劃的預期結果，通常致力于降低風險和價值創造。數據風險管理和規格性是用來確定數據治理與風險管理的關聯度及合規性，用來量化、跟蹤、避免或轉移風險。價值創造是通過有效的數據治理，實現數據資產化幫助組織創造更大的價值。
支持條件。組織機構與意識，數據治理需要建立相應的組織機構(例如：數據治理委員會、數據治理工作組等)，并安排的全職的人員開展數據治理工作，同時，需要建立起數據治理的相關制度并且獲得高管的重視。管理工作，制定數據質量控制的規程和制度，用來管理數據以實現數據資產的增值和風險控制。策略，組織應在數據戰略層面設置明確的目標的方向。
核心規程。數據質量管理，提升數據質量，保障數據的一致性、準確性和完整性的各種方法。信息生命周期管理，對各種類型數據，如：結構化數據、非結構化數據、半結構化數據全生命周期管理的相關策略、流程和分類。信息安全與隱私，在數據資產包含，減低數據安全風險的各種策略、實踐和控制方法。
支持規程。數據架構，指系統體系結構設計，支持向適當的用戶提供和分配數據。分類與元數據，通過元數據的技術，對組織的業務元數據、技術元數據進行梳理，形成數據資產的統一資源目錄。審計記錄與報告，指數據合規性、內部控制、數據管理審計相關的一系列管理流程和應用。
IBM數據治理能力成熟度評估模型借鑒了，能力成熟度模型CMM(Capability Maturity Model)，將數據治理的成熟度描述了五個等級的成熟度路徑：
Level 1 初始化：工作通常是臨時的，環境也不穩定，反映組織內個人能力，而不作為成熟度管理。該階段盡管組織內會生成產品和服務，但往往會超出預算和項目時間;
Level 2 已管理：基于項目或單業務職能的有效管理，能夠跟蹤成本和時間表，可以基于項目實踐的計劃和執行的經驗開展復用，但仍缺乏組織內整體的管理，仍然存在預算超支和實踐逾期等風險;
Level 3 已定義：組織內形成覆蓋整個組織的標準、流程和規程管理，能夠適應組織內業務職能或項目;
Level 4 量化管理：組織通過統計技術和量化分析，對所開展的質量目標進行量化管理;
Level 5 持續改進：量化的目標被明確建立且持續修訂反映業務目標的變化。
IBM：數據治理流程
IBM 數據治理統一流程列出了這 14 個主要的10個必需步驟和 4 個可選專題，以及支持有效的數據治理計劃的相關IBM 軟件工具和最佳實踐。
10 個必需步驟是為有效的企業治理計劃奠定基礎所不可或缺的。
4 個可選專題是主數據治理、分析治理、安全和隱私以及信息生命周期治理。
（1）定義業務問題
數據治理計劃失敗的主要原因是：它們無法識別實際的業務問題。組織亟需圍繞一個特定的業務問題，比如失敗的審計、數據破壞或出于風險管理用途對改進的數據質量的需要，定義數據治理計劃的初始范圍。一旦數據治理計劃開始解決已識別的問題
（2）獲取高層支持
得到關鍵 IT 和業務高層對數據治理計劃的支持很重要。獲得此支持的最佳方式是以業務案例和“快捷區域”的形式建立價值。例如：業務案例可以專注于一客戶名稱匹配，改進數據的質量以支持客戶中心性計劃。
（3）執行成熟度評估
每個組織需要對其數據治理成熟度執行一項評估，最好每年執行一次。數據治理組織需要評估組織當前的成熟度水平，當前狀態和想要的未來成熟度水平，這通常在12到18 個月后。這段時間必須長到足夠生成結果，短到確保關鍵利益相關者的持續支持。
（4）創建路線圖
數據治理組織需要開發一個路線圖來填補 11 個數據治理成熟度類別的當前狀態與想要的未來狀態之間的空白。例如：數據治理組織
可以檢查“照管”的成熟度空白，確定企業需要任命數據照管人來專門負責目標主題區域，比如客戶、供應商和產品。數據治理計劃也需要包含“快捷區域”——計劃可帶來近期業務價值的區域。
（5）建立組織藍圖
數據治理組織需要建立一種章程來治理其操作，確保它擁有足夠的成熟度來在關鍵形勢下擔當決勝者。數據治理組織最好在一種 3 層架構下操作。頂層是數據治理委員會，它由依靠數據作為企業資產的關鍵職能和業務領導組成。中間層是數據治理工作組，它由經常會面的中層經理組成。最后一層由數據管理員組成，它負責每天的數據質量。
（6）創建數據字典
業務詞匯的有效管理可幫助確保相同的描述性語言適用于整個組織。數據字典或業務術語庫是一個存儲庫，包含關鍵詞匯的定義。它用于在組織的技術和業務端之間實現一致性和達成一致。例如：“客戶”的定義是什么，客戶是某個進行購買的人還是某個考慮購買的人，前員工是否仍然分類為“員工”，詞匯“合作伙伴”和“經銷商”是否同義，這些問題可通過創建一個通用的數據字典來回答。一旦實現，數據字典可應用到整個組織，確保業務詞匯通過元數據與技術詞匯相關聯，而且組織擁有單一、共同的理解。
（7）理解數據
有人曾經說過：“您無法控制您還未理解的東西。”如今很少有應用程序是獨立存在的。它們由系統和“系統的系統”組成，包含散落在
企業各個角落但整合或至少相互關聯的應用程序和數據庫。關系數據庫模型實際上使情況更糟了，它使業務實體的存儲分散化。但是所有一切是如何關聯的，數據治理團隊需要發現整個企業中關鍵的數據關系。
（8）創建元數據存儲庫
元數據是關于數據的數據。它是有關任何數據工件，比如其技術名稱、業務名稱、位置、被認為的重要性和與企業中其他數據工件的
關系的特征的信息。在查詢階段，數據治理計劃將從數據字典生成大量業務元數據和大量技術元數據。此元數據需要存儲在一個存
儲庫中，所以它可以在多個項目之間共享和利用。
（9）定義度量指標
數據治理需要擁有可靠的度量指標來度量和跟蹤進度。數據治理團隊必須認識到當您度量某個東西時，性能就會改進。因此，數據治理團隊必須挑選一些關鍵性能指標 (KPI) 來度量計劃的持續性能。例如：一家銀行將希望評估行業的整體信貸風險。在這種情況下，數據治理計劃可以選擇空的標準行業分類 (SIC) 代碼的百分比作為 KPI跟蹤風險管理信息的質量。
前9個步驟是企業數據治理的基本流程，第10步需要企業在 4 個可選的數據治理專題(主數據治理、分析治理、安全和隱私以及信息生命周期治理)中至少選擇一個。
（10）治理主數據
企業內最有價值的信息(與客戶、產品、材料、供應商和帳戶相關的關鍵數據)統稱為主數據。盡管它很重要，主數據常常是重復的并分散在整個企業的各種業務流程、系統和應用程序中。治理主數據是一種持續的實踐，其中業務領導為實現業務目標而定義準則、策略、流程、業務規則和度量指標，管理他們的主數據的質量。
（11）數據分析治理
企業已投入了巨額資金建立數據倉庫來獲取競爭洞察。但是，這些投資并不總是得到了結果，導致企業越來越多地審查其對分析的投
資。“分析治理”專題定義為設置更好地協調業務用戶與對分析基礎架構的投資的策略和過程。
（12）管理安全和隱私
數據治理領導(尤其是向首席信息安全官報告的領導)常常必須處理圍繞數據安全和隱私的問題采用相應的策略和措施。
（13）治理信息生命周期
非結構化內容占典型企業中的數據的 80% 以上。隨著組織從數據治理轉向信息治理，他們開始考慮這種非結構化內容的治理。
（14）度量結果
數據治理組織必須通過不斷監控度量指標來確保持續改進。在第9 步中，數據治理團隊設置度量指標。在此步驟中，數據治理團隊依據這些度量指標向來自 IT 和業務部門的高層利益相關者報告進度。
整個數據治理統一流程需要以持續循環的形式操作。該流程需要度量結果并循環回到高層支持者，以獲得數據治理計劃的持續支持。
09
DSMM模型簡介
數據安全能力成熟度模型(DS-CMM，或DSMM)是由是阿里巴巴和中國電子技術標準化研究院在大量實踐和研究的基礎上，聯合三十多家企事業單位共同研究制定的。DSMM一份關于數據安全管理的標準，目前是報批稿狀態，即將成為國家標準。
DSMM借鑒能力成熟度模型(CMM)的思想，將數據按照其生命周期分階段采用不同的能力評估等級，分為數據采集安全、數據傳輸安全、數據存儲安全、數據處理安全、數據交換安全、數據銷毀安全六個階段。DSMM從組織建設、制度流程、技術工具、人員能力四個安全能力維度的建設進行綜合考量。DSMM將數據安全成熟度劃分成了1-5個等級，依次為非正式執行級、計劃跟蹤級、充分定義級、量化控制級、持續優化級，形成一個三維立體模型，全方面對數據安全進行能力建設。
注：該標準還在進一步修訂中，未正式發布，供參考。需要請見文末。
能力成熟度等級
1級（非正式執行）
主要特點：數據安全工作是隨機、無序、被動執行的，依賴與個人，經驗無法復制。
組織在數據安全領域未執行有效的相關工作，僅在部分場景或項目的臨時需求執行相關工作，未形成成熟的機制，來保障數據安全相關工作的持續開展。
2級（計劃跟蹤）
主要特點：在項目級別主動實現了安全過程的計劃與執行，沒有形成體系化。
規劃執行，對數據安全過程進行規劃，提前分配資源和責任;
規范化執行，對安全過程進行控制，使用安全執行計劃，執行相關標準和程序的過程，對數據安全過程實施配置管理;
驗證執行，確認過程按照預定的方式執行，驗證執行過程與可應用的計劃是一致的，對數據安全過程進行審計;
跟蹤執行，控制數據安全項目的進展，通過可測量的計劃跟蹤過程執行，當過程實踐與計劃產生重大的偏離時采取修正行動。
3級（充分定義）
主要特點：在組織級別實現了安全過程的規范定義和執行。
定義標準過程，組織對標準過程進行制度化，形成標準化過程文檔，為滿足特定用途對標準過程進行裁剪;
執行已定義的過程，充分定義的過程可重復執行，針對有缺陷的過程結果和安全實踐的核查，使用過程執行的結果數據;
協調安全實踐，對業務系統和組織的協調，確定業務系統內，各業務系統之間、組織外部活動的協調機制。
4級（量化控制）
主要特點：建立了量化目標，安全過程可量化度量和預測。
建立可測的目標，為組織數據安全建立可測量的目標;
客觀的管理執行，確定過程能力的量化測量來管理安全過程，以量化測量作為修正行動的基礎。
5級（持續優化）
主要特點：根據組織的整理戰略和目標，不斷改進和優化數據安全過程。
改進組織能力，在整個組織范圍內的標準過程使用情況進行比較，尋找改進標準過程的機會，分析對標準過程的可能變更。
改進過程有效性，制定處于連續受控改進狀態下的標準過程，提出消除標準過程產生缺陷的原因和持續改進的標準過程。
數據生命周期安全
DSMM模型將數據生命周期分為了數據采集、數據傳輸、數據存儲、數據處理、數據交換和數據銷毀六大階段，40個過程域(PA)，其中包含16個通用安全過程域，和24個數據生命周期各階段安全過程域，如下圖所示：
數據安全能力構成
1、組織建設
—— 數據安全組織架構對組織業務的適應性;
—— 數據安全組織架構承擔的工作職責的明確性;
—— 數據安全組織架構運作、協調、溝通的有效性;
2、制度流程
—— 數據生命周期的關鍵控制節點授權審批流程的明確性;
—— 相關流程、制度的制定、發布、修訂的規范性;
—— 安全要求及落地執行的一致性和有效性。
3、技術與工具
—— 數據安全技術在數據全生命周期過程中的使用情況，針對數據安全風險的檢測及相應能力;
—— 利用技術工具對數據安全工作的自動化和持續支持能力，對數據安全制度流程的固化執行能力。
4、人員能力
—— 數據安全人員所具備的安全技能是否能滿足復合型能力要求;
—— 數據安全人員的數據安全意識以及關鍵數據安全崗位員工的數據安全能力培養。
其實，之所以分享數據治理成熟度模型，是因為在筆者看來所有的成熟度評估的套路都是一樣的，掌握了數據治理能力成熟的評估，則會更加容易理解數字化轉型成熟度模型。
看到這里，你可能不禁要問：數據治理成熟度評估的模型這么多，那數字化轉型的評估模型都有哪些呢?
在研究數字化轉型評估模型的組織也不少，羅百輝老師推薦的有中國信通院、中信聯、普華永道、畢馬威、阿里、華為……
10、信通院：企業IT數字化能力和運營效果成熟度模型
針對不同行業數字化轉型的需求，中國信通院云大所推出了企業數字化轉型IOMM(Enterprise Digital Infrastructure Operation Maturity Module)標準，其中I代表數字基礎設施，是標準的第一部分;O代表企業整體經營，是標準的第二部分。
目前發布的是標準的第一部分，《企業數字基礎設施云化管理和服務運營能力成熟度模型》，共分為五類能力成熟度階段，分別是基礎保障類、業務支撐類、平臺服務類、客戶運營類和創新引領類，每個類別都有合理的階段和適用單位，將對相應階段的能力進行評估定位水平，并以價值分數進行效果驗證。
來源：栗蔚《企業IT數字化能力和運營效果成熟度模型》 和《數字化可信服務》系列標準解讀
IOMM標準體系針對不同行業、不同規模企業制定面向平臺IT和業務IT的五類成熟度，每個類別都對相應能力進行評估，定位水平，并以價值分數進行效果驗證。適用于企業數字化轉型發展過程中的相關領導者和相關人員，梳理、定位自身數字化轉型能力水平，計劃未來發展方向。IOMM整體框架包括兩大領域、四大象限、六大能力、六大價值，從能力和價值角度全面衡量企業數字基礎設施建設的能力和體現出的價值。
來源：栗蔚《企業IT數字化能力和運營效果成熟度模型》 和《數字化可信服務》系列標準解讀
11、中信聯：團體標準—數字化轉型 新型能力體系建設指南
數字化轉型新型能力體系建設總體框架，主要包括新型能力的識別、新型能力的分解與組合、能力單元的建設、新型能力的分級建設等內容，系統闡釋新型能力體系建設的主要方法。
新型能力的建設是一個循序漸進、持續迭代的過程，對照T/ AIITRE 10001—2020提出的數 )字化轉型五個發展階段，將新型能力的等級由低到高劃分為 CL1(初始級 )、CL2(單元級 )、CL3(流程級)、CL4(網絡級)和 CL5(生態級)等五個等級，不同等級能力呈現不同的狀態特征以及能力單元/能力模塊的過程維、要素維、管理維的不同建設重點 ，如下圖所示：
來源：團體標準 T/AIITRE 20001—2020《數字化轉型 新型能力體系建設指南》
CL1初始級：總體處于尚未有效建成主營業務范圍內的新型能力 ，初步建立了兩化融合管理體系。
CL2單元級：形成工具級數字化的系統性解決方案，覆蓋數據、技術、流程和組織等四要素，支持特定領域或業務環節數字化。
CL3流程級：聚焦跨部門或跨業務環節， 建成支持主營業務集成協同的流程級能力，支持過程管理動態優化;實現現有業務效率提升、成本降低 、質量提高等預期價值效益目標，并有效拓展延伸業務。
CL4網絡級：聚焦組織全員、全要素和全過程，建成支持組織( 企業)全局優化的網絡級能力;能夠按需開展數據驅動型的能力打造過程管理;實現與產品 /服務的創新， 并有效開展業態轉變，培育發展數字業務。
CL5生態級：聚焦跨組織(企業 )生態合作伙伴、用戶等，建成支持價值共創的生態級能力，全面實現與業態轉變相關的用戶/生態合作伙伴連接與賦能、數字新業務、綠色可持續發展等價值效益目標。
12、畢馬威&阿里：消費品生態全鏈路數智化轉型框架
中國商業正在由“消費紅利”經濟向“數智創新”經濟進化，發展思路從單節點成本和效率提升，進化為消費品全生態重塑增長方式，數智技術觸發了商業生態的全鏈路數智化轉型。阿里聯合畢馬威提出了基礎設施云化、觸點數字化、業務在線化、運營數據化、決策智能化五部曲賦能產業全鏈路價值重構的消費品生態全鏈路數智化轉型框架。該框架包含五項一級能力，25個核心二級能力指標為評價數智化成熟度和指明未來建設方向提供衡量工具，如下圖：
來源：畢馬威&阿里《2020消費品生態全鏈路數智化轉型白皮書》
基礎設施云化：構建企業的”數智大腦”是企業數智化轉型的重要方向。基于復雜智能算法的推薦、預測、決策等結果，企業在系統層級直接采取相應行動并根據數據不斷的完善和補充。企業的智能化場景會日益豐富，智能化決策通過對大數據進行不斷的訓練與學習，從而做出更加智能的決策，形成良性的學習反饋閉環，最終幫助企業實現全鏈路的高效決策。
觸點數字化：企業在數智化時代需要啟動和激活數據的商業價值，充分挖掘自身高價值的“小數據”并充分結合生態的“大數據”，實現數據驅動業務，進而形成分析和洞察驅動型的企業文化。通過完善的數據體系，數智化企業可以利用數據洞察賦能企業的全價值鏈，為企業的員工和合作伙伴提供運營指導，實現降本增效，同時，提高合作伙伴之間協同效率，改善消費者體驗。
業務在線化：企業通過業務能力服務化的方式幫助企業完成業務流程的數字化和業務價值的提升。一方面，企業需要快速響應來自各觸點的變化，對業務流程進行重塑與優化，實現組織溝通與協同的效率提升;另一方面，為了應對日益復雜的業務場景與需求，企業需要對全鏈路數字化業務系統進行升級，通過不斷的業務服務重構來實現業務共享和創新，促進生態之間的開放與協同。
運營數據化：企業借助AIOT、移動互聯網等技術，保持與消費者、員工、商品、合作伙伴等全鏈路的連接。觸點數字化反映了企業數智化轉型過程中，企業與各方交互觸點數智化水平的成熟度。數智化的觸點主要通過各個觸點的數字化、移動化、智能化達到多維度的消費者行為感知、員工和組織感知、商品狀態感知、合作伙伴和生態感知，使得企業在全鏈路保持連接和數據獲取能力。
決策智能化：基礎設施云化程度反映了企業數智化轉型的基本技術能力。云計算除了為企業數智化轉型提供了算力基礎外，還涵蓋到支撐企業智能運算的算法模型能力、數據存儲能力、數據之間傳輸的網絡連通能力、敏感數據的安全能力以及對數據實時和離線處理的能力等。此外，企業同樣需要一個敏捷的、連續穩定的、成本優化的、安全和風險可控的智能運算環境。
13、普華永道：企業數字化成熟度評估架構
企業推進數字化轉型的過程中，業務應用、IT架構、組織機制建設等工作環環相扣。企業要分清哪是因、哪是果，建立多維度的企業數字化成熟度評估體系，用于判斷企業所處的數字化階段，找出推進不利的可能原因，以及相應需要采取的措施。
普華永道企業數字化成熟度評估框架從戰略引領、業務應用結果、技術能力支撐、數據能力支撐、組織能力支撐，以及數字化變革6個維度對企業的數字化成熟度進行評估(如下圖)。普華永道認為：引領性指標是第一點“數字化戰略”，業務應用結果性指標是第二點“數字化業務應用”，其余4個維度(3~6)是支撐性要素，每個維度又可以細分為若干子維度。
1. 數字化戰略：從企業的戰略規劃和投資等角度，衡量企業推行數字化的決心和力度;
2. 數字化業務應用：從各個業務條線最終使用數字化的深淺程度，來衡量企業數字化轉型的成果。業務條線包括衡量價值鏈環節的研發、采購、生產、營銷、客服等，也包括內部管理條線，如戰略、人力、財務、IT等;
3. 數字化技術能力：是否具備先進的、支撐企業未來數字化應用的IT架構的，以及相應的技術組織能力，比如新技術人員、數字技術、組織結構和運作方式等;
4. 數據能力：企業能夠應用數據分析進行業務決策的程度，包括數據可得性以及數據分析能力兩個方面。打造強有力的數據能力涉及數據戰略、數據架構、數據治理、數據安全、人員技能等多個方面;
5. 數字組織能力：企業采取怎樣的組織機制/流程/文化/員工技能等，來支持企業數字化轉型和運營工作;
6. 變革管理：企業推進數字化轉型的機制是否成熟，比如數字化治理模式、變革管理人員技能等。
14、華為：開放數字化成熟度模型ODMM
華為提出了一個數字化成熟度模型來度量一個公司的數字化程度，這個模型叫ODMM(Open Digital Maturity Model)，該模型把數字化分成了戰略決心，以客戶為中心，數字文化、人才和技能，創新與精益交付，大數據與人工智能，以及技術領先等6大評估維度，如下圖所示：
戰略方面：主要考量對行業和生態的貢獻程度，業務和技術的協同程度，對新的機會和業務的投資程度。
客戶方面：主要考量口碑粘性和口碑傳播的能力;客戶體驗管理和度量;客戶通過線上渠道和你互動的活躍度。
組織方面：主要考量跨團隊協同和主動創新的能力;利用外部資源和社會化資源的能力;團隊持續學習和數字化能力建設的能力。
創新與精益：主要考量應用設計思維的能力;持續交付的能力;應對變化的能力。
數據與智能：主要考量關鍵數據的元數據管理能力;數據集成和互操作能力;數據科學與人工智能，比如智能客服解答客戶問題的成功率。
技術領先：主要考量數據安全與風險控制;API First與微服務的架構;基于RPA(Robotic Process Automation)的流程自動化。
ODMM模型目前已更新到了6.0版本，其將企業的數字化成熟度評估劃分為為4個層次，6個評估維度，18個評估子維度，174個評估指標。如下圖：
純“打分”的數字成熟度評分對企業并沒有太大幫助，而ODMM旨在為企業的數字化轉型創建一個可行的計劃。ODMM在成熟度模型中獨樹一幟的地方在于，它是根據企業的數字化成熟度與其期望的理想狀態之間的差距來確定數字化成熟度得分，從而為企業的數字化改進方向提供更有價值的參考。
戰略維度這一維度評估用于評估企業如何基于清晰的企業愿景和一系列目標來定義和實施有效的數字化戰略。這個維度包括數字戰略，金融投資模式，業務敏捷性等三個子維度，每個子維度關注的三級要素及評估內容如下表。
1、數字戰略
|
三級要素 |
評估的具體方面 |
|
目的明確 |
該企業是否概述了數字愿景和戰略，并闡明了它打算在數字生態系統中扮演的角色？ |
|
追求新價值 |
高級管理層是否對現有產品和服務的業務潛力有現實的看法，他們是否制定了一個協調一致、考慮周全的計劃，以便在必要時轉向新的平臺或服務模式？ |
|
跨行業參與 |
該企業是否采用開放和擴展的方法與傳統關系之外的新參與者接觸，以支持其整體企業戰略？ |
2、金融投資模式
|
三級要素 |
評估的具體方面 |
|
財務戰略 |
企業的財務戰略是否支持長期的、有時風險更大的戰略投資，以支持企業整體愿景的實現？ |
|
投資預算 |
企業是否采用靈活的預算流程，以便及時評估和資助數字化計劃，確保可能的收益與企業的戰略相一致？ |
3、業務敏捷性
|
三級要素 |
評估的具體方面 |
|
協調能力 |
企業能否有效地協調資源、流程和結構，以便快速有效地實施其戰略？ |
|
戰略投資組合管理 |
企業是否決定并應用適當的投資政策來有效管理數字服務組合，以加速采用數字實踐和技術？ |
|
綜合數字化運營 |
數字化能力是否適當地、全面地整合到企業的戰略中，同時與必要的傳統做法保持一致？ |
以客戶為中心此維度評估企業如何積極利用客戶洞察為其客戶提供個性化道路體驗。ODMM假設最好的數字企業通過關注品牌、由外而內的客戶體驗和體驗治理來做到這一點。以客戶為中心包含以下子維度：
1、品牌信任
|
三級要素 |
評估的具體方面 |
|
品牌承諾 |
組織是否在所有業務活動中清楚地表達了一個經過深思熟慮、清晰一致的品牌承諾，該承諾與客戶和員工的需求以及相關愿望保持一致？ |
|
品牌定位 |
公司提供和提供的服務和體驗是否支持并在理想情況下加強了品牌宣傳？ |
|
品牌信任 |
品牌是否受到所有利益相關者和支持者的信任？ |
2、客戶體驗
|
三級要素 |
評估的具體方面 |
|
個性化和主動性 |
產品和服務是否根據個人/企業實體的需求主動定制、提供和交付？ |
|
客戶可視性和控制 |
客戶能否輕松訪問和控制所接受服務的各個方面？ |
|
在線社交 |
客戶是否使用社交渠道和社區與企業及其其他客戶接觸，以獲得和提供幫助和支持、宣傳、發現新產品并提供反饋？ |
|
結構性和額外價值 |
是否為客戶提供了額外的價值和便利來阻止客戶流失？ |
3、管理經驗
|
三級要素 |
評估的具體方面 |
|
跨職能部門問責 |
組織內的所有職能部門是否都非常重視客戶體驗并努力改進？ |
|
經驗驅動設計 |
向最終用戶提供的端到端體驗是設計和引入新產品和服務的關鍵因素嗎？ |
|
全渠道管理 |
全渠道管理是否被視為調整和合理化客戶接觸點的工具，以及持續提高所有接觸點的客戶體驗水平？ |
|
客戶體驗測量 |
組織是否能夠接觸到客戶之聲提供的反饋，并根據反饋采取行動？ |
|
單一客戶視圖 |
組織是否對每個客戶的狀態和行為有一個單一的全面的看法？ |
|
合作伙伴協調 |
組織的合作伙伴是否有類似的客戶體驗管理實踐和標準？ |
數字文化、人才和技能
這一維度衡量了增強數字化勞動力所需的工具、技能和流程，評估了一個組織如何招聘、保留和激勵其團隊成員。
1、數字文化
|
三級要素 |
評估的具體方面 |
|
數字化領導力 |
組織是否鼓勵和展示數字化領導的特征和行為，如仆人領導和循證管理？ |
|
適應心態與集體 習慣 |
組織如何利用數字連接和資源來創造鼓勵創新和創造共同集體文化的工作環境？ |
|
團隊敏捷性和賦權 |
組織如何提供和激勵由不同技能、職能和地域組成的團隊（“變形蟲運動”）？具體措施包括社會化共同目標和共同責任，為他們提供實時管理和跟蹤可交付成果所需的數字工具和資源。 |
|
數字化工作場所 經驗 |
工作的設計，工作環境和相關的政策是否能帶來良好的員工體驗？ |
|
社會化媒體互連性 |
員工是否通過社交媒體參與內部活動？ |
2、組織數字人才
|
三級要素 |
評估的具體方面 |
|
人才獲取 |
組織在吸引、招聘和留住最佳數字人才方面做得如何？ |
|
擴展勞動力 |
是否利用了眾包和全球信息柵格等非傳統人力資源提供的機會？ |
|
動機和成就 |
員工的積極性和成就感如何？ |
3、持續學習
|
三級要素 |
評估的具體方面 |
|
在職結構化學習 |
學習是否被視為一種持續的活動，并作為商業運作的一部分受到積極的鼓勵和促進？ |
|
組織知識管理 |
知識在整個組織中的獲取和共享情況如何？ |
|
數字化學習交付 |
組織是否充分利用數字化方法來規劃、提供和跟蹤個人培訓和發展需求？ |
|
資格和認證 |
組織是否通過認證來培養人才，提高員工的整體數字技能？ |
創新與精益交付該維度評估組織與合作伙伴生態系統一起快速高效地創建和交付創新數字產品和服務的能力。
1、規模創新
|
三級要素 |
評估的具體方面 |
|
創新范圍和準備程度 |
組織是否在明確界定的范圍內創新？ |
|
參與生態系統 |
組織是否與生態系統合作伙伴有效合作以推動創新？ |
|
設計思維實踐 |
設計思維是否在組織內廣泛實踐，以支持以人為中心的想法和解決方案的生成？ |
|
業務推廣 |
是否制定了有效引入和推動快速采用新數字服務的流程？ |
|
生命周期管理 |
基于真實世界數據的定義良好的流程是否控制著數字服務/產品的整個產品生命周期？ |
2、精益交付
|
三級要素 |
評估的具體方面 |
|
敏捷開發 |
在服務/產品開發過程中，需求和解決方案是否通過自組織和跨職能團隊及其客戶/最終用戶的協作而演變？ |
|
全棧監控 |
是否集成了來自各個監控解決方案的數據以創建一個完整的堆棧監控顯示？ |
|
反饋和基于分析的響應 |
真實世界的生產信息和反饋是否被用作運營和服務管理的基礎？ |
|
持續交付 |
開發團隊是否在短周期內生產服務/產品，確保服務/產品可以在任何時候可靠地發布給客戶/最終用戶？ |
3、按需供應鏈
|
三級要素 |
評估的具體方面 |
|
回應變化 |
供應鏈是否與無摩擦的信息共享緊密結合，以及作為一個整體快速響應不斷變化的環境所需的靈活性？ |
|
延伸價值鏈 |
合作伙伴的優化設計價值鏈是否用于為客戶提供最大價值？ |
大數據與人工智能
該維度評估組織通過提高運營效率和降低成本以及通過增加收入來利用數據創造業務價值的程度。
1、數據治理
|
三級要素 |
評估的具體方面 |
|
元數據管理 |
組織是否通過提供元數據、業務上下文、標記、關系、數據質量和使用的全面、統一的視圖，通過業務分析和數據治理最大化信息資產的業務價值？ |
|
主數據管理 |
管理共享數據是否可以降低與數據冗余相關的風險，確保更高的質量，并降低數據集成的成本？ |
|
數據質量 |
組織是否將質量管理技術應用于數據，以確保數據適合消費并滿足數據消費者的需求？ |
|
數據戰略和政策 |
是否制定了數據資產管理的策略和政策，包括相關決策權的確定和執行？ |
|
數據安全和隱私 |
組織如何規劃、制定和執行安全政策和程序，以提供數據和信息資產的適當身份驗證、授權、訪問和審計？ |
2、數據利用
|
三級要素 |
評估的具體方面 |
|
數據驅動決策 |
業務決策是否基于相關數據，而不僅僅是直覺，并由此帶來可量化的運營績效改進？ |
|
數據貨幣化 |
是否通過更個性化的營銷和銷售以及改進業務流程和決策產生額外收入？信息是否與新的和現有的客戶和合作伙伴進行了外部貨幣化？ |
|
數據科學與人工智能 |
組織是否擁有強大的分析（機器學習/數據科學）能力來描述、預測和改進業務績效？ |
|
數據可視化 |
數據的圖片和圖形表示是否用于幫助解釋概念、想法和事實？ |
3、數據工程
|
三級要素 |
評估的具體方面 |
|
數據集成和 互操作性 |
應用程序和組織內部及之間的數據移動和整合是否得到良好管理？ |
|
數據倉庫和數據存儲 |
規劃、實施和控制過程是否到位，以支持快速方便的報告、查詢和分析的方式存儲數據？ |
|
數據架構和建模 |
是否確定了組織的數據需求，并制定了主架構（architecture）藍圖以滿足這些需求？這包括確定數據需求的范圍和在綜合數據模型中捕獲這些需求。 |
技術的先進性這一維度評估了組織在多大程度上能夠采用新的數字技術以及定義明確、有效的治理，以提供完全自動化、可擴展和可靠的運營。
1、技術治理
|
三級元素 |
評估的具體方面 |
|
網絡安全和數字風險管理 |
該組織是否有一個強有力和有效的網絡安全政策和實踐，以確保其信息和通信技術資產的安全，同時實現業務目標？ |
|
開放標準 |
組織如何有效地利用開放源代碼、開放標準和開放平臺實現ICT敏捷性？ |
|
技術政策和路線圖 |
組織如何定義和實施其技術戰略、治理、架構和路線圖，以實現敏捷性，同時確保規模上的協調？ |
|
環境影響和成本 |
組織如何管理其環境影響，包括能源消耗？ |
2、技術操作
|
三級元素 |
評估的具體方面 |
|
服務編排 |
是否有一個完全自動化、自我修復、可擴展和可靠的操作環境？ |
|
可靠性工程 |
軟件工程實踐和技術是否應用于云級操作以實現更高級別的可靠性和可恢復性？ |
|
開發平臺和工具鏈 |
組織是否擁有所需的開發平臺和支持應用程序，以便使用最合適的技術高效地開發新的應用程序和服務？ |
|
智能自動化 |
組織是否對過程自動化解決方案，特別是RPA進行了適當的調查和投資？ |
3、基礎技術
|
三級元素 |
評估的具體方面 |
|
云計算 |
組織是否充分有效地利用了云計算和相關的現代基礎設施實踐？ |
|
API和微服務 |
數字服務在多大程度上是使用基于微服務的體系結構和API連接實現的？ |
|
網絡虛擬化 |
網絡功能是否作為一個在標準硬件上運行的基于軟件的實體來實現？ |
|
千兆連接、視頻和物聯網 |
該組織在多大程度上采用了最新的無線、固話、物聯網和邊緣計算技術來提供數字服務？ |
|
新興的技術 |
組織在多大程度上保持對新興技術的認識和利用？ |
企業數字化轉型是一個從1到100的持續過程，這個過程必然會經歷從起步到成熟等多個階段。
數字化能力成熟度評估，將有助于幫助企業厘清當前所處的數字化位置，并對數字化轉型的路徑有個清晰的認知，為后續制定適合企業的數字化轉型戰略和可行的行動計劃提供參考和決策依據。
中企檢測認證網提供iso體系認證機構查詢，檢驗檢測、認證認可、資質資格、計量校準、知識產權貫標一站式行業企業服務平臺。中企檢測認證網為檢測行業相關檢驗、檢測、認證、計量、校準機構，儀器設備、耗材、配件、試劑、標準品供應商，法規咨詢、標準服務、實驗室軟件提供商提供包括品牌宣傳、產品展示、技術交流、新品推薦等全方位推廣服務。這個問題就給大家解答到這里了，如還需要了解更多專業性問題可以撥打中企檢測認證網在線客服13550333441。為您提供全面檢測、認證、商標、專利、知識產權、版權法律法規知識資訊，包括商標注冊、食品檢測、第三方檢測機構、網絡信息技術檢測、環境檢測、管理體系認證、服務體系認證、產品認證、版權登記、專利申請、知識產權、檢測法、認證標準等信息，中企檢測認證網為檢測認證商標專利從業者提供多種檢測、認證、知識產權、版權、商標、專利的轉讓代理查詢法律法規，咨詢輔導等知識。
本文內容整合網站：百度百科、搜狗百科、360百科、知乎、市場監督總局 、國家認證認可監督管理委員會、質量認證中心
免責聲明：本文部分內容根據網絡信息整理，文章版權歸原作者所有。向原作者致敬！發布旨在積善利他，如涉及作品內容、版權和其它問題，請跟我們聯系刪除并致歉！
