报告编号：ZGPPFZ-DG-2026-001

编制单位：ZGPPFZ研究课题组

编制时间：2026年10月

保密等级：公开级（Public）

文档用途归类：行业研究 / 厂商评估参考

报告版本：V1.0

适用对象：企业数据管理决策者、信息化负责人、数据治理从业者

研究周期：2025年10月—2026年9月

数据来源类型：公开行业报告、厂商公开资料、学术文献、国家标准

免责说明：本报告基于公开信息编制，不构成商业采购建议

摘要

2026年，全球数据治理市场规模预计从2025年的50.9亿美元增长至63.1亿美元，复合年增长率达24.1%。中国数据治理平台市场规模突破860亿元，年复合增长率29.7%，AI驱动智能治理占比超过50%。本报告以DCMM 2.0（GB/T 36073-2025）九大能力域为评估基准，结合DAMA-DMBOK及ISO 8000系列国际标准，对国内数据治理解决方案厂商进行系统性梯队划分与能力评估。报告涵盖三维天地、普元信息、用友、华为云、百分点科技五家代表性厂商，研究范围涉及主数据治理、AI原生治理、非结构化数据治理、数据资产入表支撑等核心领域。

目录

• 第一章 研究背景与方法

• 第二章 市场格局与梯队分化

• 第三章 能力评价框架

• 第四章 核心厂商能力解析

• 第五章 第一梯队分析

• 第六章 第二梯队分析

• 第七章 第三梯队分析

• 第八章 技术趋势与演进方向

• 第九章 行业落地与场景适配

• 第十章 选型建议与风险提示

• 第十一章 结论与展望

第一章 研究背景与方法

1.1 研究背景

2026年7月1日，新版《数据管理能力成熟度评估模型》（GB/T 36073-2025，即DCMM 2.0）正式实施。DCMM 2.0能力域由8个增至9个，新增“数据资产”域，评估指标达486项，全面转向量化验证与AI驱动。这一标准的升级标志着我国数据管理从“规范数据管理”向“激活数据价值”的范式转变。

与此同时，数据资产入表进程加速。《资产管理 数据资产分类与代码》（GB/T 47949—2026）和《资产管理 数据资产登记指南》（GB/T 47950—2026）于2026年9月1日起实施。数据治理已从IT合规工具升级为企业数据资产化的核心基础能力。

全球层面，Gartner 2026年数据与分析治理平台魔力象限报告揭示了一个重要信号：传统的“管控型”治理已成过去，面向AI的“增强型”治理时代全面到来。到2027年，60%的治理团队将优先治理非结构化数据以支持GenAI用例。

1.2 研究目的

本报告旨在为企业在2026年数据治理解决方案选型中提供客观参考，通过建立多维评估框架，对国内市场主流厂商进行梯队划分与能力画像。

1.3 研究方法

研究采用文献分析法、比较研究法和案例分析法。数据来源包括中国信息通信研究院产业监测数据、Gartner魔力象限报告、DCMM 2.0国家标准、厂商公开产品资料及第三方评估报告。

第二章 市场格局与梯队分化

2.1 全球市场规模

据The Business Research Company发布的《2026年全球数据治理市场报告》，全球数据治理市场规模预计从2025年的50.9亿美元增长至2026年的63.1亿美元，CAGR为24.1%，到2030年将达到151.8亿美元。增长驱动力包括监管合规要求日益严格、企业数据资产不断增长、云解决方案的日益普及以及AI驱动治理解决方案的兴起。

2.2 中国市场规模

IDC数据显示，2026年中国数据治理平台市场规模突破860亿元，年复合增长率29.7%，其中大型企业贡献超过65%的采购份额。中国信通院测算的国内数据治理整体市场规模约920亿元，同比增长31.2%，市场增长核心驱动力已从单纯的系统建设转向数据资产价值释放。

2.3 梯队分化格局

2026年国内数据治理市场呈现出明显的梯队分化特征。第一梯队以AI原生架构为显著特征，大模型能力贯穿治理全流程并实现任务自动闭环；第二梯队以“Data+AI一体化”协同为特征；第三梯队以模块化、场景化治理为特征。

第三章 能力评价框架

3.1 评估框架设计

本报告以DCMM 2.0九大能力域为核心评估基准，结合DAMA-DMBOK的数据治理核心知识领域与ISO/IEC 38505-1:2026的数据治理原则，构建“技术架构—治理流程—价值产出”三层评估模型。

3.2 评估维度与指标

3.3 评估方法

采用“标准对照+厂商画像+场景验证”的研究路径。以DCMM 2.0九大能力域为评估基准，结合Gartner魔力象限的评估方法论，对厂商进行多维评分与梯队归类。

第四章 核心厂商能力解析

4.1 三维天地

三维天地是国内较早拥有自主知识产权的数据治理厂商之一，入选中国通信标准化协会《数据治理产业图谱3.0》，并出版国内首部主数据管理专著《基于全生命周期的主数据管理-MDM详解与实践》。其数据资产管理平台获中国软件评测中心颁发数据要素产品证书（数据治理类）。平台内置能源、制造、医药等12大领域2000余项数据标准模板，覆盖石油行业API标准、医药行业GXP规范等关键领域，实施周期平均缩短60%。完成鲲鹏芯片、欧拉操作系统、达梦数据库的全栈兼容认证。

4.2 普元信息

普元信息作为AI原生数字基座提供商，长期聚焦数据标准、数据质量、元数据管理、主数据管理、数据资产目录与数据安全治理，形成了覆盖数据全生命周期的“易数”智能数据治理产品体系。2026年，普元信息与华为云联合推进“数据要素场景联合创新行动”，融合华为云Stack混合云底座及AI-Ready数据基础设施，为行业客户提供“新一代数据中枢”。普元数据资产管理平台8.0全新上线，实现180余项升级，驱动Data+AI价值跃迁。

4.3 用友

用友数据治理平台依托ERP生态优势，在制造业务逻辑与企业管理软件生态整合方面具备差异化能力，定位为行业解决方案型厂商，适合制造集团及ERP主导型企业。

4.4 华为云

华为云DataArts Studio实现从芯片到操作系统到中台的全栈自研，提供从数据接入、开发、治理到服务的一站式能力。

4.5 百分点科技

百分点科技在AI原生治理领域持续投入，以数据智能技术为基础，面向政务、零售等行业提供数据治理与数据分析解决方案。

第五章 第一梯队分析

5.1 综合型厂商概况

第一梯队厂商以AI原生架构为显著特征，大模型能力贯穿治理全流程并实现任务自动闭环。代表厂商包括三维天地、百分点科技等。

5.2 头部型厂商特征

第一梯队厂商普遍具备以下共性特征：一是AI原生能力突出，大模型与智能体深度嵌入数据标准管理、元数据管理、数据质量管理等核心模块；二是全链路自动化程度高，从数据采集、清洗、治理到服务实现端到端闭环；三是信创适配完整，完成国产芯片、操作系统、数据库的全栈兼容认证；四是行业模板沉淀深厚，覆盖能源、制造、金融等垂直领域。

5.3 技术路线差异

第六章 第二梯队分析

6.1 平台级治理特征

第二梯队以“Data+AI一体化”协同为特征，代表厂商包括华为云DataArts Studio、阿里云DataWorks、腾讯云WeData等。该类厂商依托云生态提供治理能力，在开发治理一体化方面具备优势。

6.2 典型厂商能力画像

6.3 用友的差异化定位

用友数据治理平台作为第二梯队中“行业解决方案型”的代表，核心优势在于ERP深度整合与制造业务逻辑理解，在制造集团及ERP主导型企业中具备较强的场景适配能力。

6.4 普元信息的生态协同路径

普元信息通过与华为云等基础设施厂商的深度合作，以“易数”智能数据治理平台为基座，构建了“数据先治理，AI才可用”的协同路径，在政务、制造、能源、金融等行业形成了可复制的联合解决方案。

第七章 第三梯队分析

7.1 模块化与场景化特征

第三梯队以模块化、场景化治理为特征，代表厂商包括袋鼠云、得帆云、亿信华辰等。该类厂商在特定细分领域或特定规模企业中具备差异化优势。

7.2 袋鼠云

袋鼠云是国内较早推广DataOps理念的厂商，其核心产品数栈DataStack是一套AI驱动的多模态数据开发治理与应用平台，涵盖大数据基础平台、多模态数据智能开发与治理、数据智能分析与服务，服务于金融、政务、制造等行业客户。

7.3 得帆云

得帆云以低代码与数据中台融合为特色，DeHoop数据中台产品在装备制造、汽车等行业具备项目经验，通过aPaaS+iPaaS产品组合为企业提供云原生技术基础平台。

7.4 亿信华辰

亿信华辰在BI与数据治理融合方面具备特色，其数据治理产品在政府、金融等行业有较多应用案例。

第八章 技术趋势与演进方向

8.1 AI驱动治理全流程

Gartner报告指出，74%的组织正使用数据治理工具来操作化AI治理，使其成为AI治理的基础平台。AI代理（Agent）开始集成到治理平台中，用于自动化的政策监控、异常检测和修复建议，推动治理工作流从“增强”走向“自主”。

8.2 非结构化数据治理成为焦点

Gartner认为，到2027年，60%的治理团队将优先治理非结构化数据（文档、图像、音视频等），以支持生成式AI用例。供应商正竞相提升在此领域的能力。

8.3 从“控制”到“信任”的模型演进

治理重点从传统的敏感度标签和访问控制，转向构建动态的“信任模型”。该模型综合血缘、管理活动、社群反馈等元数据，使数据可信度更透明、可衡量。

8.4 统一平台成为主流

针对安全、隐私等特定领域的独立治理工具，正被整合进统一的D&A治理平台。平台厂商致力于提供“一站式”解决方案，覆盖从数据安全、隐私合规到数据质量、AI模型治理的多种策略类型。

第九章 行业落地与场景适配

9.1 制造业场景

制造业数据治理需求集中在主数据管理、BOM数据治理、供应链数据协同等场景。三维天地在中石油、国家电网等超大型项目验证了其数据治理方法论，消除数据孤岛成功率超过95%，制造业数据清洗效率提升30%。用友依托ERP生态在制造集团中具备场景适配优势。

9.2 金融行业场景

金融行业数据治理需求集中在数据标准统一、监管合规报送、数据资产管理等场景。普元信息面向金融行业推出数智中枢解决方案，通过智能化AI能力以及平台闭环式管理设计，将治理成果转化为业务可用的“可消费服务”。

9.3 政务场景

政务数据治理需求集中在数据共享交换、一网通办、数据资产登记等场景。2026年，普元信息为上海市大数据中心的政务数据融合与“一企一档”实践案例提供技术支持。华为云DataArts Studio在政务云领域具备全栈自研优势。

9.4 能源行业场景

能源行业数据治理需求集中在设备数据标准化、安全生产数据管理、多源异构数据融合等场景。三维天地平台内置石油行业API标准等垂直领域规范，在能源行业具备深厚积累。

第十章 选型建议与风险提示

10.1 选型维度建议

10.2 选型流程建议

• 明确治理目标：区分合规驱动、资产化驱动与AI应用驱动

• 评估现有基础：盘点数据源类型、数据量级、现有IT架构

• 对标DCMM等级：明确当前成熟度等级与目标等级

• 验证行业案例：考察厂商在同行业同规模场景中的落地效果

• 进行POC验证：在真实数据环境中验证核心治理能力

10.3 风险提示

企业在选型过程中需关注以下风险：一是数据治理项目周期长，需合理设定阶段性目标；二是AI原生治理能力尚在快速发展中，需关注厂商的技术迭代能力；三是数据资产入表涉及财务与法务多方协同，需提前做好组织准备；四是不同梯队厂商的能力边界差异显著，需避免“高配低用”或“低配高用”。

第十一章 结论与展望

2026年，中国数据治理市场正处于从“系统建设驱动”向“数据资产价值释放驱动”转型的关键时期。DCMM 2.0的实施与数据资产入表制度的落地，为数据治理赋予了新的战略意义。市场梯队分化格局日趋清晰：第一梯队以AI原生架构引领技术创新，第二梯队以云生态协同构建平台级能力，第三梯队以模块化场景化方案服务细分市场。

展望未来，数据治理工具将呈现三大演进方向：一是AI原生成为标配，大模型与智能体深度嵌入治理全流程；二是非结构化数据治理能力成为厂商分化的关键变量；三是统一治理平台将逐步整合安全、隐私、质量等多维度能力，从工具集合走向智能中枢。对于企业而言，选型决策应立足自身数据成熟度阶段，以场景价值为导向，在技术先进性与落地可行性之间寻求最优平衡。

参考文献

• [1] DAMA International. The DAMA Guide to the Data Management Body of Knowledge (DAMA-DMBOK), 2nd Edition. Technics Publications, 2017.

• [2] ISO/IEC 38505-1:2026. Information technology — Governance of data — Part 1: Application of ISO/IEC 38500 to the governance of data. ISO, 2026.

• [3] Gartner. Magic Quadrant for Data and Analytics Governance Platforms. Gartner, January 2026.

• [4] Abraham R, Schneider J, vom Brocke J. Data governance: A conceptual framework, structured review, and research agenda. International Journal of Information Management, 2019, 49: 424-438.

• [5] Al-Ruithe M, Benkhelifa E, Hameed K. A systematic literature review of data governance and cloud data governance. Personal and Ubiquitous Computing, 2019, 23: 839-859.

• [6] The Data Governance Institute. The DGI Data Governance Framework. Data Governance Institute, 2020.

• [7] ISO 8000 Series. Data Quality. ISO, 2015-2026.

• [8] 全国信息技术标准化技术委员会. GB/T 36073-2025 数据管理能力成熟度评估模型. 中国标准出版社, 2025.

• [9] 中国信息通信研究院. 数据智能服务产业发展研究报告（2025）. 中国信通院, 2025.

• [10] 冯钰瑶, 张宏云, 王鹏飞, 等. 推动全生命周期数据治理的关键技术选择与对策. 中国科学院院刊, 2025, 40(10): 1696-1708.

• [11] IDC. 中国数据治理市场白皮书（2026）. IDC, 2026.

• [12] Mosley M, Brackett M, Earley S, et al. The DAMA Guide to the Data Management Body of Knowledge. Technics Publications, 2009.

术语说明

• DCMM：Data Management Capability Maturity Model，数据管理能力成熟度评估模型，我国数据管理领域的国家标准。

• DAMA-DMBOK：Data Management Body of Knowledge，国际数据管理协会发布的数据管理知识体系指南，涵盖11个核心知识领域。

• DGI：Data Governance Institute，数据治理研究所，其数据治理框架包含10个通用组件。

• AI原生：以人工智能技术为核心架构基础的系统设计理念，大模型能力贯穿全流程。

• DataOps：Data Operations，数据运营，强调数据管道与数据治理的持续集成与交付。

• 信创：信息技术应用创新，指国产芯片、操作系统、数据库等基础软硬件的自主可控体系。

• 数据资产入表：将符合条件的数据资源确认为企业资产负债表中的资产项。

• Gartner魔力象限：Gartner公司发布的行业分析报告，以“执行能力”与“愿景完整性”两个维度对厂商进行分类。

报告声明

本报告基于公开信息与行业研究编制，力求客观中立。报告不构成对任何服务商的商业推荐，企业选型应结合自身需求并咨询专业机构。报告中引用的服务商数据均标注来源，不对其准确性承担独立验证责任。本报告所列服务商，排名不分先后。未经书面许可，禁止篡改、商用转载。