下载掌阅APP，畅读海量书库
立即打开
传统生产要素以具有物理性质的实体资源为主，比如矿石、农作物、石油等，具有如下五大特点。
● 稀缺性。许多实体资源都是不可再生、稀缺的。企业和个人要想获得这些生产要素是很困难的。
● 壁垒性。实体资源的生产加工对生产设备和生产工艺要求很高，技术和流程具有很高的壁垒，因此非本行业的企业和个人难以掌握，比如没有现代化的大型设备是无法采矿的。在实体经济时代，企业间以抢占优质资源为核心布局，行业壁垒清晰，跨行业竞争困难。
● 地域性。实体资源具有很强的地域局限性，受地理位置和自然条件的影响很大，并且地域是天然形成的，不可复制和移动的。
● 封闭性。实体资源的流动性很差，大多数不具备流动性，一旦某些企业率先掌握该资源，其他企业获取就非常困难。掌握资源的企业容易形成封闭性优势，成为垄断型企业。
● 固定性。实体资源通常都有边界，如一块矿石、一口油井、一棵树，因此我们能清晰地界定这些资源的拥有者。在实体经济时代，每一个生产要素都是固定资产。
数字经济是以数据为生产要素、打造以数据产品为核心的经济模式。数据生产要素有以下六大特点。
● 泛生性。数据是企业和个人随时随地产生的一种资源，是人类各项生产和生活活动的数字化描述形式。数据天生具有泛生性，拥有很强的二次生产和传播属性，不像实体资源不可再生。我们平常看到的短视频，很多都是对原始内容数据进行传播和二次加工形成的，也就是泛生的。很多时候，数据与数据之间存在关联性，不像实体资源一样边界清晰。
● 开放性。数据资源天生具有很强的开放性，互联网上每时每刻都在产生海量的数据。对于这些数据，拥有网络和计算终端的组织或者个体都可以很容易地访问。
● 易获取。单一的数据通常不具备业务价值，必须与其他数据融合集成。因此，相对于实体资源的稀缺性和壁垒性，数据资源是非常开放和容易获取的。
● 流动性。数据资源具有极强的流动性，一条信息可以在1s内跨越地球最远的距离进行传递，一个短视频可以同时分发给上亿观众。与需要通过陆运、海运或者空运才能移动的实体资源相比，数据资源具有极强的流动性。
● 普惠性。数据资源的泛生性、开放性和流动性决定了它拥有比实体资源更强的普惠性。数据资源的生产加工比实体资源要容易很多，只要有手机就可以对文字、图片、视频进行加工，生成新的短视频；只要有电脑就可以编程处理多样化的数据，并不需要购买工艺复杂、价格昂贵的工业设备。数据能够为广大的中小型企业和个体提供更实在的帮助，比如将手工抄表变成自动化抄表，通过Excel进行计算和统计以提升分析效率等。
● 虚拟性。与实体资源的固定性不同，数据资源具有虚拟性。对于同一个数据，不同用户看到的业务属性和价值是不同的；对数据进行加工组合，产生的产品形态也是千变万化的。
回顾国内企业数字化历程，我们用20年的时间走完了西方国家80年的道路，从大型机走向了云计算、大数据的数字化时代，这期间经历了4个阶段，如图1-6所示。
图1-6 数据要素赋能业务的4个阶段
在我们今天的语境中，数据是伴随着软件的出现而产生的。最早的企业管理软件是单机版的，那时IT部门被称为“网络部”或“计算机部”，通常隶属于财务部。当时，某些计算量大的岗位很奢侈地配置一台计算机，安装单机应用软件，且只有具有特殊权限的工作人员才能访问。
这种软件会帮助业务人员处理人工所不能完成的工作，比如财务记账、库存管理等。这时，软件使用过程中的很多数据不会被记录和保存，只有少量业务结果数据会被计入纸质档案或保存在昂贵的硬盘中。
在这个阶段，数据是软件应用过程中的副产品，大量其他数据仍在纸质表单和档案中，没有被电子化和存储。
随着网络的诞生，企业应用从单机软件走向网络应用，进入我们常说的信息化建设初期。典型的情况是，各种应用系统在各个部门和业务条线中林立，包括财务、人力资源、生产、制造、设备管理、运维管理等，每个部门和业务条线都有自己的业务系统来支撑日常运营。
随着互联网的出现，企业的技术架构也逐渐从客户端—服务器架构转向客户端—服务器—数据库架构。与此同时，随着存储技术的发展，数据存储成本也越来越低。以DB2和Oracle为代表的关系型数据库，为大量数据的结构化存储和查询提供了核心能力。
在这个阶段，大量业务数据、流程过程数据和处理结果数据独立于应用被保存在关系型数据库中。基本上，每一个应用软件都包含一个查询统计模块，对这些数据进行查询统计。
在这个阶段，数据的价值逐渐显现出来，许多固定格式的报表被业务人员使用。然而此时，企业仍然以部门或业务条线数据为单位进行分析，跨系统的集成数据分析并不多。这个阶段的数据是基于业务架构、应用架构和技术架构建模后产生的，数据的核心是准确和安全。由于这一阶段企业的运营数据相对标准且静态，且集成分析的复杂度并不高，所以数据的准确性是可以保证的。
第三阶段是跨度最长的一个时期，也是数字化转型的起始阶段。
随着ERP（企业资源计划系统）的出现，人财物的全面集成产生了大量经营数据，数据组合加工分析、不同的维度口径随之涌现。企业管理者也从追求规模化的粗放式发展逐渐走向精细化运营，希望打通业务壁垒、部门壁垒、数据孤岛，获取全面集成的数据。这一阶段有两个里程碑。
第一个里程碑是商务智能（Business Intelligence，BI）系统和数据仓库的出现。
在第二阶段的信息化建设过程中，大量关系型数据库存储了不同业务应用生成的数据。BI系统基于数据仓库，将各个不同业务系统的数据分层汇总，通过统一的数据分析挖掘，形成报表、看板、管理驾驶舱等形式的数据洞察，并提供给管理者，帮助他们做出更精准的决策。
在这个过程中，数据质量逐渐受到关注，因为人们发现不同报表的计算口径不一致、维度不一致，根本原因是一些数据源头不正确，所以主数据管理应运而生。这时的主数据管理主要关注相对静态的公共数据，如用户基本信息、会计科目、企业组织结构等。
第二个里程碑是大数据的出现。
移动互联网和物联网的出现扩大了企业的运营范围。企业可以直接触达客户并获取用户的行为数据，从生产设备中采集设备的状态信息和运行信息等，这加速了数据量的爆发，因此大数据的概念也快速升温。行业里所讲的大数据，主要是指3V（Volume，数据量大；Velocity，数据传输速度快；Variety，数据形态多变）。大数据的出现，加速了企业数据价值的挖掘，也催生了很多新技术，如实时计算、内存计算、内存数据库、批流一体等。
在第三个阶段中，核心价值是对业务数字化产生的数据进行挖掘，形成业务洞察，辅助制定更全面、精准的业务和管理决策。
国内大量的企业正处在这个阶段，这个阶段有两个典型挑战。
第一个挑战是数据海量增长，没有任何企业能够全量采集和存储与业务相关的所有数据。因此，如何选择有针对性、能够创造业务价值的数据进行存储、加工、分析和利用，成为每个企业必须跨越的鸿沟。好的应用场景能够让数据快速发挥价值，不准确的应用场景则往往带来无效的投入成本和对数字化转型失去信心的迷茫。
第二个挑战是数据质量问题，所以数据治理成了很多企业非常关注的关键问题。如何让数据治理直接带来业务价值，并且持续落地，成为这一阶段需要摸索和探讨的话题。
对于这个阶段，笔者称其为“数据觉醒阶段”。越来越多的企业意识到了数据的价值，对数据的投资也越来越大，但往往由于场景不准确，出现了许多成效不大的投资。
随着人工智能技术的快速发展，特别是2023年大模型技术的浪潮，数据的应用正在迈向智能化阶段。企业不再满足于报表、看板这些辅助分析决策手段，更希望能基于数据做出智能化决策，逐渐替代人工决策，直接驱动业务流程和自动化设备的行为。
智能化决策和数字化洞察的最大差异在于最大限度降低决策的不确定性，从全量数据中找到全局最优解，并直接用模型和算法驱动业务，因此也可以称为“数据驱动”。
发达国家的数据主要被互联网巨头和产业大鳄垄断，推行数据模式创新阻力重重。早在十年前，许多国家已经提出国家数据战略，但尚未有具体的国家级行动举措落地，各国都在摸索中。
究其原因，数据要素价值流通共享面临4个主要挑战，如图1-7所示。
图1-7 数据要素价值流通共享的4个挑战
数据不同于实物主体，具有独特的属性，比如非标准化、高度依赖使用场景、取之不尽用之不竭、规模收益递增等。这给数据要素价值流通共享的众多环节带来了传统生产要素从未面对的问题，使数据资源的确权、价值评估、交易定价及全链路合规保障面临极其复杂的挑战。
数据要素的属性特点给其价值流通共享带来了以下几方面挑战。
● 数据安全和隐私保护方面：数据要素的共享性和产权属性使数据的流通共享更加复杂。在数据流通共享过程中，数据安全和隐私需要保护，防止被泄露和滥用。例如，在医疗领域，患者的个人信息和医疗记录需要严格保护，以防数据被泄露和滥用。
● 数据质量和可信度方面：数据要素的共享性和生产力使得数据的质量和可信度成为重要问题。在数据要素价值流通共享过程中，数据的准确性、完整性和可信度需要保障，以免数据被误导和决策失误。例如，在金融领域，数据的质量和可信度对于投资决策和风险管理至关重要。
● 数据治理和监管方面：数据要素的共享性和产权属性使数据治理和监管更加困难。在数据要素价值流通共享过程中，建立有效的数据治理机制，以确保数据的合法使用。例如，在政务领域，制定数据共享和开放的法律法规和政策，以促进数据流通共享和价值创造。
● 数据标准化和互操作性方面：数据要素的共享性使数据标准化和互操作性成为重要问题。在数据要素价值流通共享过程中，确保数据标准化和互操作性，以免数据孤岛和系统重复建设。例如，在工业领域，建立统一的数据标准和接口，以促进不同系统之间的数据共享和协同工作。
● 数据确权方面：数据要素的共享性和产权属性使数据的确权更加复杂。在数据要素价值流通共享过程中，确定数据的所有权和使用权，以免数据侵权和滥用。例如，在医疗领域，患者的个人信息和医疗记录需要明确归属，以保护患者的隐私和权益。
● 数据价值评估方面：数据要素的共享性使数据的价值评估更加困难。在数据要素价值流通共享过程中，建立有效的数据价值评估机制，以确定数据的价值和交易价格。例如，在金融领域，对金融数据进行价值评估，以确定金融数据的交易价格和使用价值。
● 数据定价方面：数据要素的共享性和产权属性使数据定价更加复杂。在数据要素价值流通共享过程中，确定数据定价机制，以确保数据公平交易和价值创造。例如，在广告领域，对广告数据定价，以确定广告数据的交易价格和使用价值。
● 数据合规保障方面：数据要素的共享性和产权属性使数据合规保障更加困难。在数据要素价值流通共享过程中，确保数据合规使用，以免数据侵权和滥用。例如，在政务领域，制定数据共享和开放的法律法规和政策，以促进数据流通共享和价值创造。
所有人都意识到了数据的重要性，因此在没有公平、公正、统一、安全的机制保障下，所有的数据持有者、相关方对于数据的共享和流通都非常谨慎，甚至不愿意共享，数据孤岛现象非常普遍。数据孤岛给数据要素的流通和交易带来了以下挑战。
● 数据难以共享。不同部门或组织的数据存储在不同系统中，这些系统之间缺乏有效连接和沟通，导致数据难以共享。例如，医疗机构之间的数据无法互通，使得患者的医疗记录无法在不同医疗机构之间共享，这给医疗服务的协同和连续性带来了挑战。
● 数据质量问题。由于数据孤岛的存在，不同系统之间的数据格式、标准和定义可能不同，从而影响数据的质量。例如，在金融领域，不同银行之间的数据格式和定义可能存在差异，给金融数据的整合和分析带来挑战。
● 数据重复采集和处理。由于数据孤岛的存在，不同部门或组织可能需要重复采集和处理相同的数据，这不仅浪费了资源，还可能产生数据不一致问题。例如，企业不同部门可能需要重复采集和处理基本信息，这不仅浪费了资源，还可能导致信息的不一致。
● 数据安全和隐私问题。数据孤岛可能导致数据安全和隐私问题。由于不同系统之间的数据缺乏有效的连接和沟通，数据更容易被窃取或篡改。例如，在电子商务领域，不同电商平台之间的数据可能存在安全漏洞，这可能导致用户的个人信息被窃取或篡改。
当前，数据主要用于企业内部的生产经营管理，属于数字化转型范畴，辅助提升业务价值，距离成为企业直接收入、资产等经营指标还有差距，且这一目标达成相对复杂，不确定性较高。这是许多企业在数字化转型推进中的重要阻力。
（1）数据价值认知不一致，不够重视
● 数据价值难以量化。不同企业和组织对数据的价值认知存在差异，有些企业无法清晰量化数据带来的直接经济效益，因此对数据的重视程度不够。
● 数据驱动的商业模式不成熟。一些传统行业对数据的潜在价值缺乏深刻理解，尚未建立以数据为核心的业务模型，因此对数据的收集、分析和共享动力不足。
● 缺乏成功案例。缺少数据共享带来显著收益的实例，导致许多企业对数据共享的实际效果持怀疑态度，不愿投入资源进行数据共享和流通。
（2）缺少基础机制保障
● 权利归属不清。在数据共享过程中，数据的归属权不明确，容易引发数据所有权和使用权的争议。例如，当多个主体共同拥有数据时，如何界定每个主体的权利是一个复杂的问题。一家医院和一家制药公司合作进行医疗研究，过程中产生了大量患者数据。医院认为这些数据属于它们，因为数据是从它们的患者那里收集的；制药公司则认为这些数据属于它们，因为它们在研究中投入了大量资源。权利归属的不明确导致双方在数据共享时产生矛盾。
● 利益分配机制不完善。数据共享带来的收益如何在各参与方之间分配缺乏明确的机制，这导致企业在进行数据共享时担心自身利益受损，降低了数据共享的积极性。例如，在一个智慧城市建设项目中，不同领域企业（如交通、环保、能源等领域企业）采集和分享数据是常见的。然而，如果交通领域企业分享的数据被用来优化能源，如何合理分配因此产生的经济效益就成为一个问题。由于缺乏明确的利益分配机制，交通领域企业可能不愿意共享它们的数据。
● 安全合规风险。数据共享涉及大量的隐私和敏感信息，存在数据泄露和滥用的风险。许多企业担心在数据共享过程中会违反数据保护法律法规（如GDPR等），因此对数据共享持谨慎态度。例如，一家电商公司希望与合作伙伴共享用户购买行为数据，以便进行更精准的广告投放。但如果这些数据共享不当，可能会违反用户隐私保护法律，导致法律风险和声誉损失。这样的风险让企业对数据共享更加谨慎。
● 技术和标准的不统一。不同企业和组织在数据存储格式、数据接口、数据质量等方面存在差异，缺乏统一的技术标准和规范。这增加了数据共享的难度和成本。
数据共享和流通动力不足是一个复杂的问题，涉及认知、机制、安全等多个层面。要解决这些问题，我们需要从提高数据价值认知、建立健全的权利归属和利益分配机制、确保数据安全和合规、统一技术和标准等方面入手。
数据和信息安全一直被企业关注和重视。如何保证数据在流通和共享中的安全合规，降低和规避风险，是大家关注的问题。数据流通安全和合规是一个巨大的挑战，主要体现在以下几方面。
（1）数据隐私保护
● 个人隐私泄露。数据流通涉及大量个人信息，若处理不当，可能导致个人隐私泄露。例如，医疗数据、金融数据等都包含高度敏感的个人信息。一家金融机构与合作伙伴共享用户的交易数据，用于信用评估。如果在数据共享过程中没有做好隐私保护，用户交易数据可能会被第三方滥用，造成严重的隐私泄露问题。2017年，Equifax数据泄露事件导致1.43亿人的信息（包括社会保障号码、出生日期等）被泄露，直接影响了数据流通的安全性，带来了巨大的法律和经济后果。
● 匿名化和去识别化不足。尽管数据在共享前进行了匿名化处理，但如果处理不当或技术不过关，仍可能通过数据重组或关联分析重新识别出个人信息。
（2）数据安全防护
● 数据泄露。数据传输和存储过程中可能会遭遇黑客攻击或内部人员操作不当，导致数据被泄露。尤其是在跨组织的数据流通中，安全漏洞更加难以控制。
● 数据篡改和伪造。数据在流通过程中缺乏有效的防护机制，可能会被恶意篡改或伪造，影响真实性和可靠性。
（3）合规风险
● 法律法规的不确定性。各国关于数据保护的法律法规不同，而且不断更新。例如，欧盟的《通用数据保护条例》（GDPR）和中国的《中华人民共和国个人信息保护法》（PIPL）对数据跨境流通有严格规定。这些法律法规的复杂性增加了合规难度。
● 合规成本高。为了满足法律法规的要求，企业需要投入大量资源进行合规管理（如数据保护措施的实施、合规培训、审计等），增加了数据流通的成本。跨国公司在进行数据流通时，必须同时遵守多个国家的法律法规。例如，GDPR对数据跨境传输有严格规定，要求企业数据在跨境传输中符合规定，否则可能面临高额罚款。
（4）技术挑战
● 数据加密和传输安全。确保数据在传输过程中的安全是一个技术难题，特别是在大规模数据流通中，平衡加密强度与传输效率是一个关键问题。
● 区块链技术应用。虽然区块链技术可以实现安全、透明的数据流通，但其实现和应用仍面临技术复杂性和性能问题的挑战。
党和国家通过持续探索和实践，构建了数据要素市场的蓝图，创新性地走出了全球数据要素发展的开拓性步伐（见图1-8）。
通过对图1-8所列的部分数据要素相关文件进行学习和理解，笔者清晰地看到了中国特色数据要素市场发展的4个阶段。
自2014年3月大数据首次写入政府工作报告以来，从中共中央政治局到各基层机构，全面展开了大数据学习、数字素养培养，并发布了多个数据发展、大数据战略相关的重要文件，从而全面统一数据认知，统一思想。
通过全面的学习和培训，建立起全民对数字化和大数据的认知，统一思想和认知，是数据要素价值化蓝图构建的第一步。
图1-8 中国数据要素发展的4个阶段
数据要素市场的建立是实现数字经济最终目标的关键，这是数据要素价值蓝图实现的第二步。2019年10月十九届四中全会首次提出“数据可作为生产要素按贡献参与分配”，2020年4月发布的《关于构建更加完善的要素市场化配置体制机制的意见》提出将数据正式列为生产要素，2020年5月发布的《关于新时代加快完善社会主义市场经济体制的意见》提出“加快培育数据要素市场”。经过多年发展，数据要素从一个支撑性、辅助性的角色逐渐成为直接生产要素，参与价值创造和贡献分配。
在2021年3月，《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》（简称“十四五”规划）发布，这是纲领性文件。其中，第五篇“加快数字化发展 建设数字中国”详细阐述了数据要素市场发展的目标和方向。
“十四五”规划明确指出，要激活数据要素潜能，推进网络强国建设，实现生产要素（数据）和生产力（网络算力）的升级，驱动数字经济、数字社会和数字政府的变革。为实现目标，我们需要营造良好的数字生态，包括建立健全的数据要素市场规则，营造规范有序的政策环境，加强网络安全管理，推动构建网络空间命运共同体。
“十四五”规划出台之后，又出台了一系列文件，包括《“十四五”大数据产业发展规划》《“十四五”数字经济发展规划》《关于加快建设全国统一大市场的意见》等。2022年12月份发布的《关于构建数据基础制度更好发挥数据要素作用的意见》俗称“数据二十条”，作为数据基础制度基础建设的指导性文件。
“数据二十条”包括五项工作原则、四类数据基础制度、四大保障体系，为数字经济和数据要素市场指明建设原则，提出保障要求，从而让相关部门加快推进，在推进过程中有章可循，有制度可依，有具体原则可以遵守。
五项工作原则为遵循发展规律，创新制度安排；坚持共享共用，释放价值红利；强化优质供给，促进合规流通；完善治理体系，保障安全发展；深化开放合作，实现互利共赢。首要引导是开放、共享、公用、创造价值、互利共赢，以发展为主干道，同时完善治理体系，保障安全发展。
四类数据基础制度包括数据产权制度、数据要素流通和交易制度、数据要素收益分配制度和数据要素治理制度。通过数据产权、流通交易、收益分配和安全治理4个方面基础制度的部署，首次明确了数据要素贡献的价值属性。
四大保障措施包括切实加强组织领导、加大政策支持力度、积极鼓励试验探索和稳步推进制度建设。这些措施为后续数据要素落地的具体细则指明了方向。
财政部于2023年出台了《企业数据资源相关会计处理暂行规定》（简称《暂行规定》），进一步落实了“十四五”规划发展数字经济的决策部署的具体举措。《暂行规定》明确了数据资源可以被确认为无形资产或存货计入相关会计报表。
《暂行规定》是一个非常重要的抓手性文件，为企业提供了最直接、最强劲的动力来加工和利用数据。虽然数据资源入表还存在很多问题和挑战，但《暂行规定》一出台，将数据从企业CIO关心的技术层面一下子提升到企业CFO/CEO关心的业务战略层面，为企业数字化转型注入了强心剂，赋予了数字化转型确定性的商业价值。
“数据二十条”奠定了制度基础，《暂行规定》为企业提供了直接的数据价值化通道，国家数据局也于2023年挂牌成立，万事俱备，进入全面落地执行阶段。
2024年1月，国家数据局等17部门联合发布了《“数据要素×”三年行动计划（2024—2026年）》（以下简称《三年行动计划》），全面定量、定性地制定了构建以数据为关键要素的数字经济，推动高质量发展的行动规划。
该《行动计划》细化了落地执行的颗粒度，4个“统一”的数据要素宏伟蓝图徐徐展开。
在信息化时代，以应用为第一优先级，主要是将线下的业务和流程通过软件应用转到计算机和软件处理，从而提升效率，但业务本质没有发生变化。
在数字化时代，企业的业务大部分已经线上化，希望通过对数据的融合和洞察，发现新的业务模式，优化业务流程，这是对业务的重构和升级。为了达成这一目标，处在数字化转型时期的企业最重要的就是充分利用数据，从数据中挖掘价值。所以，大量头部企业的架构核心正在从应用优先转向数据优先。
在数据优先的模式下，数据架构不再是辅助角色，成为企业决策、优化和创新过程中的核心。企业通过数据分析获得业务洞察，利用人工智能等技术深入解析数据，从而指导业务决策，提高效率和竞争力。
企业的数据旅程可以划分为以下4个阶段，反映了对数据价值认识的深化和数据利用方式的演变。
● 第一个阶段：数据作为业务应用的副产品被保存和使用。
● 第二个阶段：通过数据融合和商务智能，数据开始被系统管理和分析。
● 第三个阶段：大规模获取和分析数据，数据成为重要的资产和决策基础。
● 第四个阶段：利用人工智能等前沿技术深度挖掘数据价值，以数据驱动企业的管理和运营。
在这四个阶段中，企业对数据的需求从简单的记录和查询发展到复杂的分析和预测，管理方法也从基本的存储和访问发展到集成、大数据处理和智能化分析。随着企业对数据依赖的加深，数据管理的策略和技术也在不断进化，以适应更高级别的数据需求和利用目标。
在第一到第三阶段，企业以信息管理为主；到了第四阶段，数据已经成为业务的存在形式，每个企业都需要建立与业务战略匹配的数据战略。企业信息管理与数字化时代数据战略相比具有五大区别，如图1-9所示。
图1-9 企业信息管理与数据战略的五大区别
从资源到资产，从辅助业务决策到成为业务的数字化呈现形式，数据已经成为企业向前发展的战略资源和关键手段。在新阶段，如何让数据发挥作用已经成为国家和企业都在研究和实践的课题。为了解决这一问题，利用数据产生业务价值成为每个组织首先要做的事情。企业在制定数据战略之前，需要明确数据战略的目标。
在数字化时代，企业面临更复杂、更混沌、更不确定的业务问题，如何充分发挥数据要素的资产属性并创造业务价值是数据战略涉及的问题。精益数据方法认为，要发挥数据的作用，企业的数据战略要对齐6个目标，如图1-10所示。
对于企业来说，管理数据、分析数据不是真正的目的，真正的目的是用数据创造业务价值。数据战略要服务于业务价值，从数据管理走向价值创造。因此，数据战略要从业务问题出发，而不是从数据问题出发。
图1-10 企业数据战略的6个目标
定义问题永远是解决问题的前提，定义好数据要素发挥作用的价值场景是创造业务价值的关键。因此，制定企业的业务场景蓝图是数据战略规划的核心工作。传统的数据战略以数据需求为出发点，往往是解决业务人员提出对数据的需求。这些需求往往不是业务需求，而是在现有的业务场景和流程基础上对数据的管理需求。在数字化时代，数据战略应该识别出服务于业务目标的业务场景。
数据资产的形成要经历4个主要阶段、5个关键步骤，如图1-11所示。
图1-11 数据资产形成的4个阶段
这四个阶段中的每一个阶段都需要花费时间，因此在传统业务的数据生产模式下，数据必然滞后于实际业务。此外，工作人员在执行不同步骤时，对前一步骤的理解是局部的，很难将前一步骤的所有内容完全复制到新的设计中。最终，形成的业务数据在大多数情况下与真实的业务情况存在一定的偏差。为弥补这些差距，企业在制定数据战略时需要规划数据资产蓝图，并在数据生成前就用该蓝图指导业务数据化的实现。具体而言，企业应在转型初期描绘出业务在某个阶段结束时的数据资产全貌，并以此为框架规划应用系统的建设，同时根据该蓝图设计应用系统之间的数据共享、集成和协作，以免数据孤岛的形成。
在数字化时代，一切应用系统服务于数据的生产和利用，应用架构会经历快速迭代，甚至完全重构，数据作为业务的数字化存在形式则会持续存在，所以应先于业务应用进行规划。
数据战略应从业务价值出发，根据业务场景提出对企业数字化技术能力的需求，指导和牵引技术平台建设及新技术应用。企业的数字化技术蓝图应清晰描述在某一阶段建设价值场景、数据资产所需的技术及其服务方式。数字化技术蓝图能准确、有效地指导企业技术能力建设，最大化技术资源的投入产出比。每个企业需要制定自己的数字化技术蓝图，以指导内部技术能力建设和工具平台搭建。
新时代的数据战略应将规划与落地有机结合，既要制定蓝图、指明方向，又要聚焦关键问题，提供执行路径。只有这样，该战略才能快速启动实施。企业需要梳理价值场景、数据资产和数字化技术之间的联系，导出它们之间的解码关系，基于这些关系规划数字化转型落地的举措，以更贴近业务并迅速产生价值。
外部环境和用户关注点都是变化的。为了始终有效地服务业务，数据战略需持续迭代。精益数据方法认为，制定数据战略首先要构建反馈闭环，获取新的用户数据，分析这些数据以洞察市场与用户需求的变化，然后快速调整和优化，并持续进行下去。