数据成熟度模型：五个阶段、一次自评和先修什么

成熟度模型只有在告诉你下一步修什么时才有用。本文列出五个阶段和各自的瓶颈，把六个维度分开打分，并走一遍一次自评：平均分说是「第 2 阶段」，真正的发现却是工具（3 分）跑在了治理（1 分）前面，这让整个计划完全不同。

什么是数据成熟度模型？

数据成熟度模型（Data Maturity Model）描述一个组织在采集、管理和使用数据上逐步进步要经历的阶段：从散落的表格，到数据左右日常决策和产品。它给出一套共同语言，说明你现在在哪里，帮你找出最薄弱的环节，并给出接下来先改什么的顺序。

版本有很多：Davenport 和 Harris 的「分析竞争力五阶段」、Gartner 的分析成熟度等级、TDWI 的评估，以及 CMMI 研究院的数据管理成熟度模型。叫法不同，方向一致：从临时拼凑，到成体系，再到融入日常。

五个阶段

阶段是累积的：一家有机器学习模型、却没有统一「活跃用户」口径的公司，不在第 4 阶段，而是带着昂贵工具的第 2 阶段。

阶段是累积的。

要评估的六个维度

成熟度往往参差不齐，每个维度分开打分：

1. 战略和目标： 有没有和业务目标挂钩的数据战略？
2. 采集和质量： 有没有埋点方案，数据问题能不能在进报表之前被发现？
3. 工具和架构： 数据能不能从来源流到需要它的人手里？
4. 技能： 有多少人能自己回答自己的问题？
5. 治理： 有没有负责人、口径、权限规则和隐私控制？见数据治理。
6. 文化和决策： 是先看数据再做决定，还是做了决定再拿数据找理由？

计算示例：一次自评

某 150 人的 SaaS 公司召集产品、市场、销售和财务的负责人开了一次研讨会，给每个维度打 1–5 分（示例数据）：

怎么读结果。 平均分说明处在「第 2 阶段：报表」。更有用的是分数的差距：工具 3 分，治理只有 1 分。公司在基础还没打好时就先买了工具；再加一个 BI 工具只会让问题更糟，冒出更多数字互相矛盾的看板。

接下来两个季度的计划针对最弱的两个维度：

• 治理 1 → 3： 给 15 个核心指标指定负责人，写进数据字典，每个团队认证一个看板，见单一事实来源。
• 采集和质量 2 → 3： 写埋点方案，合并重复事件，加上数据质量告警。
• 技能 2 → 3 会顺势提升：口径可信之后，培训产品经理自己建漏斗和留存报表，见数据民主化。

六个月后，用同一批人、同一套问题再打一次分。

自评问题

常见错误

• 想用工具跳过阶段。 在不可靠的数据上做机器学习，会得出信心满满的错误答案。
• 全公司只打一个分。 市场可能在第 4 阶段，财务还在第 2 阶段。
• 把成熟度当成目标。 目标是更好的决策，成熟度只是找出阻碍的办法。
• 自己给自己打分。 数据团队自评，往往高估工具、低估文化问题。
• 从不复评。 没有第二次测量，就无法判断计划有没有用。

用 TapCub 往上走一个阶段

在第 2、3 阶段，产品这一侧的成熟度主要靠可信的采集和统一的口径。TapCub 提供事件收件箱和埋点方案、数据质量页、在各报表间共享的自定义指标、用户分群和自助的漏斗。到了第 4 阶段，可以把原始事件导出到数仓，或者通过 AI 助手提问。

参考资料

• Davenport, T. H. (2006). Competing on analytics. Harvard Business Review, January 2006.
• Davenport, T. H. and Harris, J. G. (2017). Competing on Analytics, updated ed. Harvard Business Review Press.
• CMMI Institute (2014). Data Management Maturity (DMM) Model.