下载掌阅APP，畅读海量书库
立即打开
正如前文所述，数字经济正在迅速发展，数据已成为推动经济发展的关键要素之一。政府和企业都越来越认识到数据资产的价值，并积极投入到数据资产运营工作中。数据资产运营的制度体系、法律体系、标准体系在逐步成熟，数据资产运营的实践和方法论体系也将得到进一步发展。
数据资产运营框架是一个涉及多领域协同的复杂框架体系，它不仅要求企业在战略层面有清晰的规划，还需要在执行层面实现各个组成部分的有效协同。我们认为数据资产运营框架由数据战略模块、核心运营模块、基础支持模块三部分组成，如图1-3所示。
● 数据战略模块的重点是数据战略的执行和运营，它体现了数据战略作为企业战略的核心组成部分，在数据确权和合规体系的支撑下，为整个数据资产运营的核心运营模块提供指导。
● 核心运营模块包括数据资源化、数据产品化、数据资产化3个功能组的运营。
● 基础支持模块的重点是企业数据素养，包括数据人才、数据技术、数据平台和数据安全4个功能组的运营。
数据战略处于数据资产运营框架的顶层位置，它一方面承接和转化企业业务战略对数据的诉求，另一方面指导着整个数据资产运营体系的执行。
图1-3 数据资产运营框架
数据战略不只关注数据资产运营的短期目标，更重要的是指导着数据资产运营的全局性、长远性的关键决策。在数字时代，数据资产管理水平往往决定着一家企业的核心竞争力。实现数据价值的最大化，不仅能够驱动企业业务增长、优化企业经营，更是提升企业洞察力和决策能力的基础。因此，制定一个明确的数据战略是非常重要的，它决定了企业在数据资产领域的技术投资方向和资源布局，决定了企业数据治理体系和数据产品体系的具体行动策略，决定了建立数据驱动文化和提高企业数据素养的方式。
我们需要为数据战略设定一个具体和可衡量的目标，例如通过数据汇聚不断提升企业的数据资源规模，通过数据治理体系不断提升企业的数据质量，通过数据产品不断赋能内部业务经营和外部流通交易，通过数据管理体系让企业数据资产更合规、更安全，通过培训和实践体系不断提升数据人才能力和组织数据素养。
DAMA（国际数据管理协会）的知识体系曾经提到制定数据战略的七要素，即数据愿景、数据文化、业务场景、数据能力、数据底座、数据组织、实施路线图。而在数据资产化趋势下，数据战略还要在DAMA之前的思考范围中增加一个重要使命—指导数据资产运营的方向。当然，这与DAMA提出的数据战略实施“Y型路径”并不矛盾，只是在业务需求侧，除了内部业务需求之外，还增加了数据资产化和数据产品化方向的业务需求，这将极大丰富数据的业务需求内涵，提升企业数据资产运营的能力。
数据战略的实施更为关键，这需要我们制定详细的路线图，明确实现数据愿景和目标的步骤、时间表和关键里程碑，明确实现数据目标所需的资源（包括资金、技术和人力），指定责任人，建立监测机制并定期评估数据战略的实施效果，以确保目标的实现。
数据资源化是数据资产运营的基础，它主要是通过标准化、结构化的方式处理原始数据，整合出高质量、有潜力的数据。这一过程使得无序、混乱的数据转变为有序的“数据集合”，并为后续的数据资产化运营奠定基础。数据资源化有助于数据的可采、可见、可信、标准、互通，从而实现数据的有效管理、存储和共享。只有经过治理的高质量数据资源，才能够激发数据驱动的业务洞察和创新，促进优化运营效率，开发出有价值的数据产品。
企业数字化转型的过程即产业数字化的过程，产业数字化不仅是技术层面的更新，更是对传统产业进行全方位、全角度、全链路的变革，释放数据对实体产业的发展放大、叠加、倍增的作用和价值。产业数字化是当前经济发展的核心趋势之一，如何通过云计算、大数据、人工智能等新一代数字技术实现降本增效创收，是全球企业都在探索和实践的课题。推动产业数字化是数据资源化的前提，产业数字化过程为企业提供了源源不断的数据资源，这也是企业数据资源逐步积累形成的过程。
数据资源化运营过程有以下几个关键步骤。
（1）数据汇聚
企业要特别重视在合法合规的前提下，汇聚来自不同源头的数据，包括来自内部系统、外部合作伙伴、公共数据集的数据，以及从数据交易场所或第三方数据服务商购买的数据等。这些数据包括结构化数据、半结构化数据和非结构化数据。
数据汇聚的常见方法如下：
● 批量汇聚：定期将数据从各种源系统复制到一个中央数据仓库中，通常通过批量处理作业的方式完成。
● 实时汇聚：通过实时或近实时的方式，不断将数据源的变化同步到中央系统。
● 基于事件的汇聚：通过特定事件触发数据的汇聚动作，如交易完成时同步数据。
● 数据联邦：数据留在源系统中，通过查询跨多个系统汇聚数据，提供一个统一的数据视图。
● ETL汇聚：这是一种经典的数据汇聚方式，从源系统提取数据、转换数据格式和清洗数据，然后加载到目标数据仓库中。
（2）数据加工
数据加工是一个复杂的数据处理过程，包括数据清洗、数据转换、数据整合、数据建模和分析等环节。
● 数据清洗：首先要检查数据的准确性和完整性，然后填补缺失的数据，删除错误和不一致的数据，去除数据噪声，识别和删除重复的数据，确保数据遵循业务规则和数据模型的设计原则。
● 数据转换：数据的标准化、归一化、离散化处理，将数据转换成统一的格式，甚至基于现有特征创建新的特征。
● 数据整合：构建数据仓库来存储从不同来源汇聚来的数据，建立数据湖来支持非结构化和半结构化数据的存储与分析。
● 数据建模和分析：包括描述性分析、诊断性分析、预测性分析、指导性分析等。
（3）资源目录
资源目录是以数据湖仓或者数据平台为基础，以元数据为核心，建立起来的组织内外部数据资源的索引和描述。它有助于我们对数据资产进行更加透明的管理和利用，提高数据的可发现性、可访问性和可用性。资源目录一般包括以下内容：
● 数据元信息：描述数据的基本信息，如数据的名称、来源、类型、大小、创建时间、更新频率等。
● 数据质量信息：包含数据的准确性、完整性、一致性、可靠性等质量指标。
● 数据所有者和责任人：记录数据的所有者、责任人和联系方式，确保数据的管理和使用有明确的责任归属。
● 数据访问和使用规则：包括数据的访问权限、共享政策、使用限制和合规要求等。
● 数据血缘：描述数据的来源、流经路径及被转换和使用的过程。
（4）数据治理体系
数据治理体系是一套确保数据质量、合规性和有效利用的管理机制。我们认为，卓越的数据治理体系应具备三个特点：其一，确保与业务体系的一致性；其二，做好了变革和协作的准备；其三，可以基于数据管理成熟度进行规范和度量。实施数据治理至少应包括以下三个方面：
● 数据治理组织体系；
● 数据治理流程和制度体系；
● 数据治理执行体系。
很多企业做了数据治理的咨询项目或者启动了数据治理工程，但最终成效甚微，主要原因是执行体系不到位。
1）数据治理组织体系：数据治理组织扮演着制定数据治理策略和监督实施的角色，有效的组织体系能够确保数据治理活动的执行。例如：设置数据治理委员会，由其负责制定数据治理的高层策略和指导原则；设置数据管理办公室（Data Management Office，DMO），由其负责日常数据治理的执行和协调，DMO通常由首席数据官来领导。当然在这个组织体系中，也要设立数据管理员（Data Steward）、数据所有者（Data Owner）等岗位和成员。
2）数据治理流程和制度体系：数据治理流程和制度体系是数据治理体系的重要组成部分，是组织内部为了确保数据质量、安全性、合规性以及有效利用而建立的一系列规范和程序，其建立和维护是一个动态的过程，需要组织内部不同部门的协作。这些流程和体系通常包含以下几个关键组成部分：
● 明确数据治理策略。在明确数据治理组织的基础上，定义组织的数据治理目标、原则和范围，确定数据治理的角色和责任。
● 明确数据标准和数据质量。阐述数据格式、命名规则、编码标准等数据标准，以及确保数据的准确性、完整性和一致性等数据质量的控制流程。
● 明确数据生命周期的治理要求。说明从数据的创建、存储、使用、共享、归档到销毁等不同阶段的治理要求。
● 明确安全合规要求。制定数据安全政策，保护数据免受未授权访问、泄露或破坏；遵守数据相关的法律、法规、标准，确保数据的合法收集和使用。
● 明确数据访问权限。制定数据访问策略，根据用户的角色和需求分配数据访问权限；实施权限控制机制，确保数据的安全访问。
● 明确数据治理流程。制定数据治理的具体流程，包括数据问题解决、数据质量改进、数据审计等，确保数据治理活动有序进行。
● 明确数据治理绩效和评估。定期评估数据治理的效果，包括数据质量、数据使用效率等，并根据评估结果调整和持续改进数据治理策略。
3）数据治理执行体系：数据治理执行体系是数据治理过程中决定成败的部分。它包括对数据治理相关人才的培养，提供先进的数据治理工具和技术，推动数据质量改进、数据分类、数据清理和数据维护等日常数据治理活动的有序进行。定期检查数据治理活动的效果、报告数据治理的进展也是很有必要的。
数据产品化主要是指将数据资源转化为可供内部或外部客户使用的数据产品的过程，是数据资源创造价值中最为重要的环节。数据产品化是本书论述的核心，本书第二篇将系统介绍数据产品的开发策略、设计方法、开发方法、运营方法，第三篇将从数据产品、数据要素型企业、数商型企业多个视角深度阐述数据产品开发的实践案例。
数据产品化是数字产业化的重要抓手，无论是在企业内部实现数据驱动，还是对外提供数据服务、实现数据的流通交易，核心载体都是数据产品。数字产业化也是促进数据产品化的重要技术支撑和市场基础，有助于构建企业完整的数据产品体系，推进数据要素×应用场景的落地。
（1）数据产品的分类维度
1）从数据转化过程的角度划分：从数据转化过程的角度，依据DIKW模型可以将数据产品分为数据类、信息类、知识类、智慧类4种类型，如表1-2所示。
表1-2 按DIKW模型对数据产品进行分类
2）从用户获取数据产品服务方式的角度划分：从用户获取数据产品服务方式的角度，可以将数据产品分为资源型、服务型、工具型3种类型，如表1-3所示。每种类型的数据产品为用户提供不同层次的价值，并要求用户有不同程度的参与和操作。资源型数据产品适用于那些希望获得数据并自行分析的用户；工具型数据产品适用于那些希望参与数据处理过程但不希望编写代码的用户；服务型数据产品则适用于那些期望直接获得答案或见解，不愿意或无须了解背后数据处理细节的用户。这样的分类有助于提供更有针对性的解决方案，更好地满足不同客户的需求。
表1-3 按用户获取数据产品服务的方式对数据产品进行分类
3）从应用场景的角度划分：从应用场景的角度，可以将数据产品分为企业级、行业级、领域级3种类型，如表1-4所示。不同应用场景的考虑因素、功能需求、用户群体可能有很大差别。
表1-4 按应用场景对数据产品进行分类
（续）
（2）数据产品化的关键要素
数据产品化是指将数据转化为产品或服务，以满足用户需求并创造商业价值。第8章将以一家金融科技企业为例，阐述其在数据产品开发领域的最佳实践。我们认为，在数据产品化的过程中，有5个关键要素需要着重考虑和实施，以确保数据产品的成功和可持续发展。
1）数据产品原料：在数据产品化的过程中，首先要确保数据产品原料的质量，高质量的数据产品原料应具备准确性、完整性、一致性、及时性和可信度等特征；其次必须确保数据产品原料遵守相关的数据保护法规和隐私政策，这包括数据来源、数据内容、数据处理及数据管理的合规等多个方面。数据产品原料是数据资源化的成果，第2章将对数据资源治理进行详细描述。
2）数据产品策略：采取卓有成效的数据产品策略是数据产品化的基础。第4章将基于高速动车组模型深入阐述价值牵引、场景驱动、合规支撑三大策略。价值牵引是动车组的“操控手柄”，代表数据产品开发以价值为导向；场景驱动是动车组的“动力引擎”，代表数据产品开发的动力来源于特定用户在特定场景的特定需求；合规支撑是动车组的“无砟轨道”，代表数据产品开发必须在合法合规的基础上进行。例如找到能够释放数据价值的实际应用场景是数据产品化的关键要素之一，应用场景要切换到合适的颗粒度，场景越聚焦越有助于定义问题和痛点，也越有利于提升用户体验。
3）数据产品设计：数据产品设计是数据产品化的核心。第5章创新性地提出“场景设计、价值设计、构件设计、交付与运营、安全合规设计”的数据产品设计五步法。这一方法论以用户为中心，强调场景驱动和价值导向，力求在每一个设计环节中都能体现数据产品化的应用价值。
4）数据产品开发：数据产品开发既是一个数据产品化价值形成的过程，也是一个持续迭代和优化的过程。第6章将从数据产品开发全景图出发，描述关键技术、数据平台、开发策略等数据产品开发基础，说明分别基于数据仓库、数据平台、DataOps的3种数据开发方式，重点阐述资源型、服务型、智能化等不同类型数据产品的开发方法。
5）数据产品运营：数据产品运营将在第7章中阐述。在这个阶段，数据产品的发布和推广、用户反馈的收集、产品功能迭代和维护、产品的定价和收益分析、对应的培训等看似基础性的工作，却是决定着数据产品化成功与否的关键环节。数据产品既强调场景驱动，也强调运营驱动，我们认为构建增长飞轮和客户成功体系至关重要。
此外，聚焦数据产品的价值释放和变现，围绕数据产品的商品化、资本化，本书第四篇将展开对数据产品经营的介绍，与上述数据产品化关键要素一起，共同诠释数据产品全生命周期的价值增长和变现路线。
（3）数据产品体系
构建数据产品体系，可以从两个维度来思考，侧重点有所不同。
第一，数据要素型企业的数据产品体系。
数据要素型企业是指以数据作为关键生产要素，通过对企业生产经营过程中产生的数据进行开发利用，提升企业自身的生产经营能力、实现数据要素价值充分释放的主体。数据要素型企业往往持有大量有价值的数据资源，其数据产品通常包括两部分：首先，聚焦于数据资源的收集、处理、存储、安全以及外部数据资源的购买，通过数据产品对数据资源的开发利用，赋能主营业务的经营决策和降本增效；其次，通过数据资产化实现数据资产的保值增值，例如开发可以对外流通交易的数据产品。第9章将以两个数据要素型企业为例，全面讲述其数据产品体系的实践。
第二，数据服务商（也称为数商型企业）的数据产品体系。
数据服务商是指以助力实现数据要素价值释放作为核心能力，提供各类数据产品服务、数据技术服务和其他第三方专业服务的经济主体。数据服务商一般专注于数据资产运营相关的服务，例如进行数据处理、提供数据开发工具、提供数据服务等。数据服务商既可以面向数据要素型企业提供服务，也可以合法采购并利用数据资源开发出各种数据产品和服务，以实现商业化目标。数据服务商的数据产品体系需要建立更为严格的数据安全和隐私保护机制，以确保客户数据的安全，建立数据产品服务的长期稳定的信任关系。第10章将以两个数据服务商为例，讲述数据服务商在数据产品体系上的探索和实践。
如表1-5所示，数据产品体系设计可以从6个方面展开：
1）产品定位：数据产品体系首先要对数据产品进行定位。对于数据要素型企业来说，数据产品主要服务于内部业务需求，同时也可能对外进行数据流通和交易。而数据服务商与数据要素型企业不同，它主要专注于对外提供数据产品和相关服务。产品定位上的差异，会影响两者采取不同的产品开发策略和产品管理方式。
2）产品组合：数据要素型企业的数据产品往往是资源型和服务型产品，更侧重于数据产品与其他内部系统的集成能力。数据服务商的数据产品则包含资源型、服务型和工具型3种类型，且更需要数据产品具有完整闭环能力和集成能力，同时更注重技术的通用性和适应性，以便为不同客户提供服务。
3）产品服务：数据要素型企业的数据产品要与企业的主营业务深度融合，所以更倾向于私有化部署和支持定制化。而数据服务商则更倾向于提供标准化的产品服务，并通过公有云的方式实现低成本的快速交付，对于数据产品的安全性、灵活性、快速响应能力有更高的要求。
4）产品运营：数据要素型企业的数据产品运营更多聚焦于内部用户的产品服务闭环，确保产品在组织内部形成有效的使用和反馈机制。数据服务商要建立数据产品的核心竞争力，就必须建立起数据产品的客户成功体系，确保客户能够有效使用数据产品并持续实现价值。
5）产品创新迭代：任何数据产品都需要保持对数据智能相关技术的持续跟踪和创新，保持新技术的快速升级，以适应市场变化和用户需求。数据产品团队要保持对数据技术的研究，跟踪最新的数据科学、人工智能和机器学习算法，探索它们在数据产品中的应用潜力，并通过技术创新的机制和文化来驱动数据产品创新，也可以通过跨界合作、联合创新等方式实现数据产品的迭代。但需要保持一定的风险意识，提高技术创新的价值，降低技术创新的成本。
6）产品合规遵从：数据要素型企业一般比较注重数据质量、安全合规和伦理标准，确保数据处理和使用的合法性和道德性。而数据服务商往往会处理来自不同客户的数据，因而需要更加关注数据安全和隐私保护的风险，这需要其投入更多的资源来构建数据产品的隐私和安全防护措施。
表1-5 数据要素型企业和数据服务商的数据产品体系对比
数据资产化是数据资产运营的核心，它通过将数据与劳动力、资本、技术等其他生产要素结合，实现数据的商业价值和社会价值。数据资产化使得数据成为一种可以量化、可以变现的资产，为企业带来直接的经济利益，并在财务报表中体现其价值。第12章将对数据资产运营展开详细论述。
数据资产化是一个多维度、跨学科的领域，涉及法律、经济、技术等多个方面。截至目前，数据资产化的方法体系包括数据产品流通交易、数据资源入表、数据资产价值评估、数据资产融资授信、数据资产作价入股，以及数据资本创新等。
（1）数据产品流通交易
数据产品流通交易是数据要素市场化配置的关键环节，涉及将数据作为商品或服务在市场参与者之间进行交换，也是数据资产化的过程。数据产品流通交易的前提是对数据产品拥有相应的权利并确保其合法合规性。数据产品的流通交易是一个生态体系，包括数据交易场所、数据服务商、第三方专业服务机构等。
数据交易场所作为第三方，通过提供新型交易技术和固定数据交易证据等方式增进买卖双方的信任，减少争议，从而最大限度地发现数据的公允价值。同时，数据交易场所便于追溯和监管，具有场外交易不可比拟的优势。
数据服务商作为数据要素价值的发现者和赋能者，为数据交易双方提供数据产品开发、发布、承销，以及数据资产的合规化、标准化、增值化服务。
第三方专业服务机构为数据产品交易提供评估认证、安全保障等服务，包括数据经纪、合规认证、安全审计、数据公证、数据保险、数据托管、资产评估、争议仲裁、风险评估、人才培训等。
在数据产品流通交易的过程中，还需要构建起全国互联互通的数据市场和数据基础设施，以支撑数据、算法、算力等核心资源的一体化流通，为场内集中交易和场外分散交易提供低成本、高效率、可信赖的流通环境。第11章将从数据交易市场、数据产品交易模式、数据产品交易技术以及数据产品交易平台4个方面进行详细描述。
（2）数据资源入表
财政部印发《企业数据资源相关会计处理暂行规定》，为数据资源作为企业的资产在财务报表中体现提供了重要指引。企业数据资源入表也是数据资产化的过程，这个过程通常包括以下几个步骤：
1）数据资源盘点：数据资源盘点即数据资源的识别与分类。首先确定哪些数据资源可以作为资产入表，这将基于会计准则中对资产的定义进行确认；再根据数据资源的特性和用途，将其分类为无形资产、存货或其他适合的会计科目。
2）合规性与确权：企业需要明确数据资源的所有权和使用权，确保其对数据资源拥有合法的控制权，以及确保数据资源在收集、存储、处理和使用过程中符合相关法律法规，特别是数据隐私保护等法规。
3）数据资源的评估与计量：对数据资源的评估可以分成两个部分，一个是质量评估，另一个是价值评估，但评估一般并不作为数据资源入表的必要环节。数据资源成本的可靠计量是入表的必要环节，目前主要通过成本法来确定数据资源在财务报表中的账面价值。
4）数据资源的会计处理：根据企业会计准则，对满足资产确认条件的数据资源进行初始确认，对已确认的数据资源进行摊销、减值测试等后续计量。
5）数据资源的披露：企业应根据会计准则和监管要求，在财务报表中披露数据资源的相关信息。除了满足披露要求外，企业还可以根据实际情况自愿披露更多关于数据资源的信息，以增强企业数据资源的透明度和投资者信心。
（3）数据资产价值评估
数据资产价值评估是对数据资产的经济价值进行量化分析的过程，是数据资产化过程中的一个重要环节。根据中国资产评估协会发布的《数据资产评估指导意见》，目前主要的数据资产价值评估方法包括成本法、收益法、市场法以及相关的衍生评估方法。
1）成本法：成本法是一种基于数据资产的生命周期成本来估算其价值的方法。它考虑了从数据采集、存储、处理、分析到维护等各个阶段的成本，通常适用于数据资产的初始价值评估，尤其是在数据资产没有明显市场价值或者收益模式不明确的情况下。
2）收益法：收益法是一种基于对数据资产未来收益的预测来估算其价值的方法。它假设数据资产的价值取决于其未来能够为所有者带来的经济利益，通常适用于那些能够直接或间接产生经济收益的数据资产，如数据驱动的产品和服务、数据支持的决策优化等。
3）市场法：市场法是一种基于市场上类似数据资产的交易价格来估算目标数据资产价值的方法。它假设在自由市场条件下类似资产的交易价格可以作为评估参考，通常适用于那些在市场上有明确交易记录和可比性的数据资产。
（4）数据资产融资授信
数据资产融资授信是指使用数据资产作为担保或信用基础来获取融资的过程。数据资产融资授信属于一种新兴的金融服务模式，与传统的以实物资产或信用为基础的融资方式不同，数据资产融资更侧重于数据的潜在经济价值。一些以数据为驱动的数据服务商（例如大数据服务企业、互联网平台企业等），以及数据要素型企业（例如金融、医疗、电信等行业企业）本身业务经营过程中就会产生大量高价值数据，更有可能进行数据资产融资授信。
从操作流程上来看，一般先由专业的资产评估机构来对数据资产的价值进行评估，可能采用成本法、收益法或市场法等，然后对数据资产的潜在风险进行评估。基于数据资产评估和风险评估的结果，金融机构决定是否授信以及授信额度。截至目前，已有大量通过数据资产获得融资的案例，其授信额度一般在500万～1000万元人民币。
（5）数据资产作价入股
数据资产作价入股指股东将合法拥有的数据资产经过评估后作价，以此作为出资，投入到企业中作为股份的一种方式。这种方式体现了数据资产的经济价值，并允许其作为企业资本的一部分。
数据资产作为非货币财产出资入股，需要满足会计准则中对资产的定义。能够作价入股的数据资产应是企业合法拥有或控制的，预期能带来经济利益的数据资源，并且数据资产价值要能够通过某种方法进行货币化评估，数据资产的全生命周期合法合规，权属清晰。据新浪财经报道，在“2023智能要素流通论坛暨第三届DataX大会”上，青岛华通智能科技研究院有限公司、青岛北岸数字科技集团有限公司、翼方健数（山东）信息科技有限公司三方举行了数据资产作价投资入股签约仪式，约定青岛华通智能科技研究院有限公司把基于医疗数据开发的数据保险箱（医疗）产品，以作价100万元入股的方式，与青岛北岸数字科技集团有限公司、翼方健数（山东）信息科技有限公司组建成立新公司。
（6）数据资本创新
数据不仅仅是信息载体，它已经逐渐具备资产属性，并蜕变为一种资本。数据资本的核心在于通过金融创新和技术手段，有效利用数据资产，将其转化为具有实际经济价值的资本，并在资本市场上实现保值、增值与流通。在数据资本化的过程中，数据不再只是资源或产品，还成为可以交易、投资、增值的重要经济要素。数据资本的核心在于实现数据的可量化和可货币化，使其具备经济价值并推动企业业务增长。
第13章将从数据资本的概念开始，全面剖析数据资本化的过程，探讨数据资本估值、数据资产并购、市值管理、数据投行、数据资产通证化和证券化等前沿话题。
数据素养是企业数据资产运营的基础支持，这里指的是企业在数据领域所拥有的4项核心能力，包括数据人才、数据技术、数据平台和数据安全。只有建立健全的数据素养体系，不断提升企业在数据领域的基础能力，才能更好地实现数据资产运营的价值最大化，推动企业持续发展和创新。
在数据资产运营过程中，企业需要拥有具备数据素养和专业技能的数据人才团队。通过培养和招聘具备数据分析、数据挖掘、数据科学等专业技能的人才，企业可以更好地挖掘和利用数据，推动数据驱动的业务发展，实现企业的数字化转型和创新发展。
在数据资产运营过程中，企业需要具备先进的数据技术能力，并通过掌握最新的数据技术工具和方法，更高效地管理和利用数据，实现数据驱动的业务决策和创新。例如：数据采集技术，能有效、准确地收集不同来源和格式的数据；数据存储技术，采用合适的数据库和存储解决方案，确保数据的可访问性和持久性，以及具有一定的成本优势；数据处理技术，进行数据清洗、转换、整合等操作，以提高数据质量；数据挖掘技术，运用统计学、机器学习等方法对数据进行深入分析，挖掘数据的潜在价值；数据可视化技术，将复杂数据转换为直观的图表和报告，帮助理解数据和做出决策。
在数据资产运营过程中，企业需要一个强大的数据平台，包括数据仓库、数据湖、数据集市和数据可视化等组件。通过建设统一的数据平台，企业可以实现数据的集中管理和共享，提升数据的可访问性和可用性，支持企业各部门的数据需求和业务应用。同时，一个强大的数据平台还应具备良好的可扩展性，支持多种数据格式和协议，具备异构数据资源集成能力、易于用户使用的数据民主化能力等，有的数据平台还具有DataOps能力。
企业在数据资产运营过程中，需要特别重视数据安全，在数据收集、存储、传输和使用过程中确保数据的机密性、完整性和可靠性。建立健全数据安全策略和控制措施，做到有效防范数据的未授权访问、泄露、篡改或丢失，并形成数据备份和恢复、数据监控和安全审计等能力，可以有效提升企业在数据资产安全方面的风险防范水平。
数据素养的提升是一个持续的过程，需要企业在战略层面给予重视，并在组织文化、技术工具、培训资源等多方面进行投入和支持。通过提升自身数据素养，企业可以更好地开展数据资产运营工作。