下载掌阅APP，畅读海量书库
立即打开
1）数据资产管理的定义
数据资产（Data Asset）是指由企业拥有或者控制的，能够为企业带来未来经济利益的，以物理或电子的方式记录的数据资源，如文件资料、电子数据等。在企业中，并非所有的数据都构成数据资产，数据资产是能够为企业产生价值的数据资源。
2）数据资产的属性
数据资产具有无形资产的属性，从这个角度出发，我们可以发现数据资产主要有无消耗性、增值性、依附性、价值易变性、战略性。
（1）无消耗性：数据资产的每次使用只需要花费很低的成本，不会因为使用频率的增加而磨损、消耗，与其他传统无形资产有相似性。
（2）增值性：企业通过稳定发展，会促使数据资产在原有的基础上，不断积累数据规模和数据维度，整体价值进一步提升。
（3）依附性：与其他无形资产类似，数据资产不能独立发挥作用，其发挥作用和效应往往依附于相应的软件、硬件。
（4）价值易变性：数据资产时刻受到数据容量、数据时效程度、应用场景等因素的影响，与其他无形资产相比，其价值更易发生变化。
（5）战略性：一切数据业务化，一切业务数据化，具有战略性。
3）数据资产管理概念
数据资产管理（Data Asset Management）是指规划、控制和提供数据及信息资产的一组业务职能，包括开发、执行和监督有关数据的计划、政策、方案、项目、流程、方法和程序，从而控制、保护、交付和提高数据资产的价值。数据资产管理需要充分融合业务、技术和管理，以确保数据资产保值增值。
数据资产管理（Data Asset Management）一般来说包括统筹规划、管理实施、稽核检查和资产运营4个主要阶段，贯穿数据采集、存储、应用和销毁整个生命周期全过程。企业管理数据资产就是对数据进行全生命周期的资产化管理，促进数据在“内增值，外增效”两方面的价值变现，同时控制数据在整个管理流程中的成本消耗。
数据资产管理（Data Asset Management）包括两个重要方面，一是数据资产管理的核心管理职能；二是确保这些管理职能落地实施的保障措施，包括战略规划、组织架构、制度体系等。
4）数据资产内涵
在数据资产化的大背景下，数据资产管理是在数据管理基础上的进一步发展，可以视作数据管理的升级版，主要区别在以下三个方面。
一是数据管理的视角不同，数据资产管理强调数据是一种资产，基于数据资产的价值、成本、收益开展全生命周期的管理。
二是管理职能有所不同，数据资产管理包含数据模型、元数据、数据质量、参考数据和主数据、数据安全等传统数据管理职能，同时整合数据架构、数据存储与操作等内容，将数据标准管理纳入管理职能，并针对当下应用场景、平台建设情况，增加了数据价值管理职能。
三是管理要求有所升级，在“数据资源管理转向数据资产管理”的理念的影响下，相应的组织架构和管理制度也有所变化，需要有更专业的管理队伍和更细致的管理制度来确保数据资产管理的流程性、安全性和有效性。
国外对“数据资产管理”的定义为：数据资产管理（Data asset management简称DAM）是规划、控制和提供数据及信息资产的一组业务职能，包括开发、执行和监督有关数据的计划、政策、方案、项目、流程、方法和程序，从而控制、保护、交付和提高数据资产的价值。大数据时代之下，数据就是资产，“数据即资产”这一概念已经被广泛认可。数据就像企业的根基，是各企业尚待发掘的财富，即将被企业广泛应用。大数据是企业资产，那就必须被纳入企业的资产管理中，同时，大数据资产又不是企业传统意义上的资产，因此，大数据资产管理又不同于企业的传统资产管理。
日常生活中，数据无处不在，但并不是所有的数据都可以成为资产。数据作为资产需要具有以下特性：可控制、可量化、可变现。所以数据资产一般具备如下特点：虚拟性、共享性、时效性、安全性、交换性和规模性。
大数据最重要的发展方向是“数据驱动”，即在任何情况下，可以通过数据本身的统计和分析结果来获得相关目标的决策或行为，从而构成一个整体高效的运营系统。
大数据的发展包括了三个层次，自下而上依次为大数据处理能力、数据资产管理、业务价值实现。随着大数据技术发展的日新月异，大数据处理能力不仅包括了目前技术领域所关注的海量数据采集、存储、分布式计算、突发事件应对等，而且已经具备对各种格式、类型的数据进行加工、处理、识别、解析等能力。数据资产管理所起到的作用就是把在各种大数据处理平台上获得的数据资产有效地管理起来，并且围绕它支持创造业务价值目标，
更好的流动、加工、分析、应用，甚至是数据的开放、连接、整合、嫁接等一系列过程，围绕数据资产本身建立起一个可靠可信的管理机制。能够通过数据资产管理清晰地知道相关数据的定义、数据之间的血缘关系，并可以验证数据的有效性、合理性等数据质量指标。大数据资产管理总体功能框架如图3-7所示。
图3-7 数据资产管理总体功能框架图
1）数据资产管理的必要性
伴随着大数据时代支撑数据交换共享和数据服务应用的相关技术的不断发展，不断积淀的数据开始逐渐发挥它的价值，因此，将数据作为一项资产，“盘活”数据将充分释放其附加价值。事实上，由于各种原因，数据资产管理面临诸多挑战。
首先，大部分企业和政府部门的数据基础还很薄弱，存在数据标准混乱、数据质量参差不齐、各条块之间数据孤岛化严重等现象，阻碍了数据的共享应用。其次，受限于数据规模和数据源种类的丰富程度，多数企业的数据应用刚刚起步，主要集中在精准营销、舆情感知和风险控制等有限场景，应用深度不够，应用空间亟待开拓。再次，由于数据的价值很难评估，企业难以对数据的成本以及其对业务的贡献进行评估，从而难以像运营有形资产一样管理数据资产。
而数据资产管理是充分发挥数据价值的必经之路。通过解决释放数据价值过程中面临的诸多问题，以体系化的方式实现数据的可得、可用、好用，用较小的数据成本获得较大的数据收益，具体体现在以下6个方面。
一是全面掌握数据资产现状。数据资产管理的切入点是对数据进行全面盘点，形成数据地图，为业务应用和数据获取夯实基础。数据地图作为数据资产盘点的输出物之一，可以帮助业务人员快速精确地查找他们想要的数据，帮助数据开发者和数据使用者了解数据，并成为对数据资产管理进行有效监控的手段。
二是提升数据质量。强调高质量的数据在发挥数据价值中的重要性。数据资产管理通过建立一套切实可行的数据质量监控体系，设计数据质量稽核规则，加强从数据源头控制数据质量，形成覆盖数据全生命周期的数据质量管理，实现数据向优质资产的转变。
三是实现数据互联互通。数据资产管理通过制定企业内部统一的数据标准，建立数据共享制度，完善数据登记、数据申请、数据审批、数据传输、数据使用等数据共享相关流程规范，打破数据孤岛，实现企业内数据高效共享。同时搭建数据流通开放平台，增强数据的可得性，促进数据的交换流通，提升数据的服务应用能力。
四是提高数据获取效率。数据资产管理通过搭建数据管理平台，采取机器学习等相关自动化技术，将大量前期的数据准备时间和交付项目的时间缩短，提升数据的获取和服务效率，让数据随时快速有效就绪，缩短数据分析人员和数据科学家的数据准备时间，加快数据价值的释放过程。
五是保障数据安全合规。保障安全是数据资产管理的底线，数据资产管理通过制定完善的数据安全策略、建立体系化的数据安全措施、执行数据安全审计，全方位进行安全管控，确保数据获取和使用合法合规，为数据价值的充分挖掘提供了安全可靠的环境。
六是数据价值持续释放。存储和管理数据的最终目的是实现数据的价值，数据资产管理将数据作为一项资产，并通过持续、动态的全生命周期管理过程，使数据资产能够为企业数字化转型提供源源不断的动力。管理方面，建立一套符合数据驱动的组织管理制度流程和价值评估体系。技术方面，建设现代化数据平台、引入智能化技术，确保数据资产管理系统平台持续、健康地为数据资产管理体系服务。
2）数据管理、数据资源管理和数据资产管理的关系
数据管理指利用计算机硬件和软件技术对数据进行有效的收集、存储、处理和应用的过程。数据管理的目标在于充分有效地发挥数据的作用。
数据资源管理致力于发展处理企业数据生命周期的适当的建构、策略、实践和程序。数据资源的目标是去寻找手段，以有效地控制数据资源，并提升数据资源的利用率。
数据资产管理的核心思路是把数据对象作为一种全新的资产形态，并且以资产管理的标准和要求来加强相关体制和手段。从经济角度，满足对资产运营的各类管理要求。
3）数据资产管理的重要性
进入大数据时代，数据作为第五生产要素，越来越受到企业的重视，尽快对数据进行精细化管理已成为许多企业的共识。从最开始的大型企业主导，到如今中小型企业相继探索尝试，数据资产管理的重要性可见一斑。究其原因，是因为高效的数据资产管理可以解决企业数据的大部分痛点。
（1）数据价值难以评估。多数企业的数据评价体系处于初级阶段，数据资产化程度不高，因此要对数据进行较为准确的估值衡量有一定难度。
（2）数据缺乏统一的标准。只有统一的标准才能保证信息流动畅通，然而很多企业尚未建立统一的数据标准，无法在数据登记盘点流程中有效避免数据混乱、数据冲突、一数多源等问题。
（3）数据质量参差不齐。数据冗余、数据缺值、数据冲突等数据质量问题不能被及时发现和有效解决。需要建立规范的数据治理流程和考核机制等途径加以完善。
（4）数据处理效率低下。由于方法不够便捷，无法快速挖掘岀完善优质的数据供分析应用，导致开发及治理效率不高和整个工作周期拉长。
（5）数据垃圾大量留存。大量的历史留存冷数据无法被有效识别及处理，形成数据“包袱”。这些数据“包袱”不仅难以转化为有价值的数据资产，还会挤占存储空间，浪费成本。
（6）数据不能及时满足业务需要。数据需求、数据质量、数据应用等问题的管理和解决分散在不同部门，各部门之间缺乏清晰的协调机制和统一的数据管理渠道，导致业务不能及时、按需获得数据支持。
（7）安全监管形势严峻。技术的发展对数据安全提出了更艰巨的挑战，企业缺乏有效的数据安全管理机制，以防范数据泄露带来的潜在的声誉和法律风险。
数据资产管理是企业数字化转型的必修课，有力推动我国大数据与实体经济深度融合、经济转向高质量发展阶段。
4）数据资产管理的三个关键变革
数据与企业设备、软件、人才一样成为企业的重要资产，可以从多个角度和多个层面为企业带来价值收益。
数据资产管理除了包含传统以数据质量提升为目标的数据治理外，还包括挖掘数据价值的数据运营。
数据资产管理不能仅仅依靠信息部门开展，还需要企业自上而下各个部门之间的分工协作。
数据治理并不等同于数据管理。数据管理指规划、控制和提供数据和信息资产，发挥数据和信息资产的价值，强调在企业或企业内部进行。数据治理是对数据资产管理活动行使权力和控制的活动集合（规划、监控和执行）。数据治理制定正确的原则、政策、流程、操作规程，确保以正确的方式对数据和信息进行管理。
数据资产治理和管控是业务部门和IT部门的共同职责，需要由业务部门和IT部门分别或共同制定相关决策，如业务运营模型、数据治理模型、企业信息模型、业务规范、信息规范、数据库架构、数据仓库/商务智能架构、元数据架构、技术元数据、数据安全管理等。
数据资产治理和管控的方法主要面向数据的生命周期，从空间视角和时间视角实现治理和管控。
从空间视角上看，因为数据在不同业务、不同系统中流动，因此数据治理必须实现跨系统、跨业务的，端到端治理，需要有机构统筹规划与决策、协调与推进。
从时间视角上看，企业管理数据资产，就是管理数据的生命周期。数据首先被创建或获得，然后被存储、维护和使用，最终被销毁。因而有效的数据管理，开始于数据获取之前，企业先期制定数据规划、定义数据规范，以期获得实现数据采集、交付、存储和控制所需的技术能力。
1）构建数据体系
构建企业数据体系之前，需要先梳理清楚企业数据资源管理的业务体系，才能保证数据来源的可靠性。
2）建立数据标准体系
梳理汇总企业现有的各类业务的数据标准后，筛选出可直接参考和使用的标准，并与行业标准相互结合，制定出新的数据标准体系，形成一套标准化的数据规范，对具体数据项的定义、口径、格式、取值、单位等进行规范说明，提升数据质量，最终实现企业数据资源的统一管理和展现。
3）数据资源整合
通过汇集企业全域级数据，做数据资源整合，为业务融合提供有力支撑。
（1）构建数据画像，理清数据脉络
数据分类：基于业务体系进行数据分类，建立数据资源目录，对各类数据进行相应的描述。
数据关系：明确数据之间的流转关系，设计出合理的数据流路径，统一数据的口径。
责任主体：确定数据生命周期中每个阶段数据的责任主体和归属状态。
（2）构建数据管理，规范数据秩序
数据存储管理：基于集中统一共享，分层分级管理的思路原则，对于不同类型的数据，采用不同的数据存储方式。
数据规整入库：对已存入数据库中的数据、未建库的数据以及各种纸质/电子文档数据进行统一规整，建立数据入库标准与秩序，保证数据有序存储和使用的便捷性。
数据更新管理：在机制和工具上设置双重保障的前提下，保障数据更新管理的规范性、安全性和隐私性。建立完善的动态更新机制和操作规范流程，对数据进行统一管理，为数据入库更新提供有效的支持；同时，结合数据库更新管理系统对数据进行安全检测、入库更新、数据导出，提供全链路的保障机制。
（3）提供数据内外共享服务
在确保数据安全和数据隐私的前提下，设计合理的数据共享与数据服务。