数据资产管理的演变过程及未来发展趋势

数据是资产的概念已经成为行业共识。然而现实中，对数据资产的管理和应用往往还处于摸索阶段，数据资产管理面临诸多挑战。主要分为以下三点：

1、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、数据质量层次不齐、系统间数据孤岛化严重等现象，阻碍了数据的共享应用；

2、受限于数据规模参差不齐和数据源种类庞杂，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；

3、由于数据的价值很难评估，企业或组织难以对数据的成本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。

那如何解决数据资产管理难题，让我们数据资产管理的定义说起。

数据资产管理的定义
“数据资产”一词于1974年由Peters提及，由信息资源和数据资源的概念逐渐演变而来，并随着数据管理、数据应用和数字经济的发展而普及。中国信通院将其定义为“由企业拥有或者控制的，能够为企业带来未来经济利益的，以一定方式记录的数据资源”。在企业中，并非所有的数据都构成数据资产，可明确作为“资产”的数据资源，表现为以下两种形式：可帮助现有产品实现收益的增长；数据本身可产生价值。

数据资产管理的演变过程及未来发展趋势
而数据资产管理，就是针对上述“数据资产”进行管理，主要内容包括以下三大方面。

数据资产治理：让企业数更加准确、一致、完整、安全，降低IT成本。

数据资产应用：使企业数据的使用过程更为人性、快捷、只能，从而提升管理决策水平。

数据资产运营：支持企业数据资产的分发、开放、交易等数据嫁接的实现，从而促进数据资产的价值实现。

数据资产管理的演变
数据管理的概念是伴随上世纪八十年代数据随机存储技术和数据库技术的使用，计算机系统中的数据可以方便地存储和访问而提出的。国际数据管理协会（DAMA）数据管理体系将数据管理划分为 10 个领域，分别是数据治理、数据架构管理、数据开发、数据操作管理、数据安全管理、参考数据和主数据管理、数据仓库和商务智能管理、文档和内容管理、元数据管理和数据质量管理。2015 年，DAMA 在DBMOK2.0 知识领域将其扩展为11 个管理职能，分别是数据架构、数据模型与设计、数据存储与操作、数据安全、数据集成与互操作性、文件和内容、参考数据和主数据、数据仓库和商务智能（BI，Business Intelligence）、元数据、数据质量等。

两者的主要区别可以从以下3个方面看：

数据管理的视角不同 在数据资产管理的概念下，强调的是紧紧围绕着把数据作为一种资产，基于数据资产的价值、成本、收益开展全生命周期的管理。
管理职能有所调整 和 2015 年 DAMA的管理职能相比，数据资产管理延用数据模型、元数据、数据质量、参考数据和主数据、数据安全等内容，整合数据架构、数据存储与操作等内容，将数据标准管理、数据生命周期管理纳入管理职能，还针对当下应用场景、平台建设情况，将传统数据管理职能的具体内容进行了升级，增加了数据资产价值评估、数据资产运营流通两个管理职能。
管理要求有所升级 在“数据资源管理转向数据资产管理”的理念影响下，管理制度和组织架构也要有相应的变化，需要有更细致的管理制度和更专业的管理队伍来确保数据资产管理的流程性、严谨性和安全性。

如何实践数据资产管理
数据作为越来越重要的生产要素，将成为比土地、石油、煤矿等更为核心的生产资源，如何加工利用数据，释放数据价值，实现企业的数字化转型，是各行业和企业面临的重要课题，然而数据的价值发挥面临重重困难。企业的数据资源散落在多个业务系统中，企业主和业务人员无法及时感知到数据的分布与更新情况，也无法进一步开展对数据加工工作。数据标准不统一，数据孤岛普遍存在导致业务系统之间的数据无法共享，资源利用率降低，降低了数据的可得性。标准缺失、数据录入不规范导致数据质量差，垃圾数据增多，数据不可用。数据安全意识不够、安全防护不足导致了数据泄露事件频发，危害了企业经营和用户利益。为了解决解决数据面临的诸多问题，充分释放数据价值。

给大家推荐一款非常好用的数据资产管理工具——睿治。睿治平台是目前国内功能最全的数据治理产品，完全覆盖了元数据、数据标准、数据质量、数据集成、主数据、数据资产、数据交换、生命周期、数据安全9大领域。并且采用微服务架构，既可以和企业已建系统高度融合，也可以随着未来信息化发展，而无限延展。也实现了全角色的可视化，包括领导、技术管理、业务管理、都能通过平台清晰的了解数据治理的过程和结果，从而保证数据治理的落地，产生积极的推动作用。

睿治数据治理平台自发布以来，已经依托产品已为金融、法检、税务、大企业等行业的国内外用户提供量身定制的信息系统，并且凭借打造的招商租赁数据治理及数据综合服务平台，斩获了星河奖优秀数据资产管理实践奖。