聊聊数据治理考核，怎么落地？

王建峰·2026年08月21日 11:11

考核空转四种死法、三层指标体系、三个设计关键、落地四件套

—— 考核不是打分，是让治理转起来的那根发条

很多企业的数据治理，制度建了、标准发了、平台上了，最后却停在一个尴尬的地方：文件都在柜子里，数据还是老样子。缺的是什么？是考核。准确地说，是能落地、能兑现、能改变行为的考核。但考核这件事，做对了是发条，做错了是形式主义。

先看两个真实的对照案例。

某集团数据治理办公室，年初发了红头文件《数据治理考核管理办法》，每季度组织一次打分。两年下来，各部门平均分都在90以上，皆大欢喜。可年底一盘点：核心字段空值率纹丝不动，重复客户照旧，报表还是月月打架。考核成了互相给面子的仪式。

另一家股份制银行，只做了一件事：把客户信息准确率与网点柜员的绩效直接挂钩，准确率不达标扣减绩效。结果呢？三个月，客户信息准确率从88%提升到99.2%。

同样是考核，一个空转，一个见效。差别不在文件写得多漂亮，而在四个字：怎么落地。今天就把这件事拆开讲透。

一、先看反面：考核空转的四种死法

在设计怎么考之前，先搞清楚大多数企业的考核是怎么死的。总结下来，就四种典型死法：

死法一：只考IT，不考业务

最常见的错位。数据是业务部门录入的、是业务流程产生的，但考核的板子却打在IT身上。业务部门该填的不填、该改的不改，考核结果却是IT部门背锅——IT既没有权力管业务，却要为业务的数据质量兜底。结果就是IT疲于奔命地"洗数据"，源头脏数据源源不断。

死法二：只扣分，不加分

考核表清一色的扣分项：出一例问题扣1分，影响范围大扣25分。逻辑上没毛病，但组织行为学告诉我们：只罚不奖的考核，教给组织的第一课是"别被发现"。于是数据问题被层层隐瞒，报喜不报忧，治理团队最后连真实的问题清单都拿不到——你连敌人在哪都不知道，还打什么仗？

死法三：指标拍脑袋

指标不从基线出发，领导一拍脑袋："今年数据质量要达到98%！"没人知道现在是多少，没人论证98%需要什么投入，甚至要求"指标只能上升不能下降"。基层怎么办？要么躺平认罚，要么在数字上做文章。脱离基线的指标，逼出来的不是改进，是造假。

死法四：考完没下文

季度打分轰轰烈烈，打完分往系统一存，就结束了。考核结果不和绩效奖金挂钩、不和部门预算挂钩、不和干部晋升挂钩——不兑现的考核，本质上是一份昂贵的问卷调查。银保监会在《银行业金融机构数据治理指引》第34条里写得很直白：数据质量考核结果要纳入本机构绩效考核体系。监管都替你把话说明白了。

一句话总结：考核空转的根子，不是指标不够多，而是考错了人、用错了方式、兑现不了结果。

二、考什么：三层指标体系

指标不是越多越好，而是要分层。一套能落地的考核指标体系，应该分三层，回答三个递进的问题：

第一层：治理过程层——活干了没有？

这一层考核治理动作的执行深度。最有代表性的指标是落标率——已发布的数据标准在实际系统字段中落地执行的比例。

赣州银行的案例很说明问题：引入AI治理工具之前，他们面对61个存量系统、8个数据主题、1244条标准、7000多个关键字段的落标评估，人工根本推不动，落标率只有20%。系统性治理之后，落标率提升到85%。这个从20%到85%的跨度，说明落标率真实反映治理深度——标准制定了但没落下去，等于白做。

第二层：数据质量层——数据有没有变好？

这是治理效果最直观的体现。核心指标包括：完整性（关键字段空值率）、准确性（质检问题发现与修复）、一致性（跨系统同一指标口径差异）、及时性（问题响应时长）。

第三层：业务价值层——治理换来了什么？

最难设定但最重要的一层。报表错误率、数据需求响应时效、AI项目受数据问题阻碍的比例……这一层指标回答的是"业务到底感知到了什么"。

关键方法论：这一层不要设绝对值，要用基线法。选取5-10张核心报表，从本月开始记录每月退回次数，连续记录3个月建立基线，之后看趋势是否收窄。起点各不相同，比绝对值没有意义，比变化趋势才有说服力。

三、怎么考：三个关键设计

设计一：分层分类，谁干什么考什么

前面说了，只考IT必死。正确的做法是把考核对象分层，各考各的：

数据是业务生产的，源头质量就必须由业务负责；工具是IT建的，支撑能力就由IT负责。谁的责任田，谁来交粮。

设计二：扣分与加分双轨并行

某电力企业的考核设计值得参考：数据质量问题的个数和影响范围是扣分项（权重60分），但"规定时间内处理完成一例问题，加1分"是加分项（权重35分）。这意味着发现问题不是罪，藏着问题才是罪；主动解决问题，考核上会得到回报。

这套设计的高明之处在于改变了博弈结构：过去隐瞒问题是最优策略，现在及时修复才是最优策略。组织行为跟着考核指挥棒走，这就是机制设计的力量。

设计三：指标要SMART，不要口号

"提升数据质量"不是指标，是愿望。SMART原则在数据治理考核里同样适用：

具体：不说"提升数据质量"，说"客户地址字段完整率≥95%"；可量化：通过质量监控平台自动采集，不靠人工填报；可实现：初期目标贴合实际，逐步加码；相关性：电商企业重点考订单一致性，制造企业重点考主数据准确率；有时限：明确季度或年度改进节点。

另外强调一句：指标数据尽量从系统自动抓取——数据中台、质量探针、工单系统取数。人工填报的考核数据，天然带水分。

四、怎么用：考核落地四件套

考完之后怎么办，才是"落地"两个字的全部含义。四件套缺一不可：

第一件：绩效挂钩，真金白银

考核结果必须和部门预算、个人绩效奖金、干部晋升直接挂钩。开头那家银行的案例之所以三个月见效，就是因为柜员的准确率直接决定他的绩效工资。同样是考核，挂在钱上和挂在墙上，是两种命运。

第二件：红黄牌问责，划出底线

对数据造假、瞒报重大质量问题、整改拖延的行为，要有明确的红黄牌机制。有制造企业的做法是：连续两个季度未达标的部门，启动治理审计。问责不是目的，但没问责托底的考核，等于没有裁判的比赛。

第三件：月度质量复盘会，形成闭环

由治理专项小组牵头，每月组织各部门复盘：通报质量问题处理结果，分享优秀案例（比如某网点数据准确率100%的实操方法），对共性难题共同研讨方案。机制上形成"发现问题—解决问题—总结优化"的循环。考核提供压力，复盘会提供方法，光有压力没有方法，压力会变成怨气。

第四件：正向激励，让人愿意干

除了扣分，还要给甜头。设立"数据质量标兵""数据治理创新奖"等专项激励；有央企的积分制做法更成熟：2000多个核心字段建数据责任矩阵，配合积分制考核，达标率从58%提升到92%，一年节省成本约2000万。员工提出有效优化建议可兑换培训资源、纳入晋升评价——让参与治理的人有获得感，治理才有人气。