大咖分享｜姚秀清：数据资产管理平台如何建设？
讲师介绍
姚秀清（秀清） 华南交付中心负责人&数据专家。10余年行业数据经验，擅长为企业数字化转型提供专业的技术方案和实施服务，帮助企业高效的建立数据中台，提高企业数据资产的使用效率。曾服务客户主要集中在制造业、交通、地产、公安、政务、财政等领域，主导建业数字大脑项目、广州好莱客数据治理项目，建设数据治理体系，提升全流程数据质量，支撑企业数字化运营。
以下内容为秀清分享内容整理而成
一、数据资产管理概述
1. 什么是数据资产？
由企业过去的交易或事项形成的，由企业合法拥有或控制，且预期在未来一定时期内能为企业带来经济利益的，以电子方式记录的数据资源。
2. 数据资产管理哪些数据？
- “企业过去的交易或事项形成”是指必须是现实存在的数据，未来预期产生或获取的数据是不能被划分为数据资产的。
- “由企业合法拥有或控制”，是指数据来源及出处必须合法合规，企业以不正当手段非法获取的、有产权争议的、无法控制的数据资源不能确认为数据资产。
- “预期在未来一定时期内为企业带来经济利益”是指在未来一段时间内，通过直接或间接方式为企业带来持续经济效益的数据，没有经济价值或在现有的技术条件下无法确定未来经济利益的数据，以及不能反复连续使用的数据，都不能被划分为数据资产。
- “电子记录”是指能够通过盘点、注册等管理手段，对数据资产进行识别、记录及计量。手工记录的数据不纳入数据资产范围。
3. 为什么要做数据资产管理？
原因一：数据资产管理推动企业数据生态发展。
数据成为企业发展数字经济的重要抓手。良好的数据资产是释放数据价值，推动数据市场发展的前提与基础。
原因二：数据资产管理助力企业数字化转型。
1）企业数字化转型通过优化企业数据资源的获取和数据资源的配置，提高企业市场竞争力。
2）通过数据资产管理提高业务数据化效率，推动数据业务化，加速企业数字化转型。
经历业务数据化-数据资源化-数据资产化-数据生态化四个阶段：
- 业务数据化：通过信息系统的建设实现数据电子化、无纸化。企业利用数据库进行数据存储，能够出具简单的统计报表，能够满足基本报表和分析需求。
- 数据资源化：建立数据管理专业化组织，通过数据仓库（与集市）、数据治理两大体系的建设，实现企业的数据资源整合与标准化，消除数据孤岛，支持各个业务条线及监管和审计工作。
- 数据资产化：通过数据中台、数据资产管理体系的建设，实现企业内从数据资源开发、治理到数据资产的沉淀、流通与共享，利用数据中台化的能力，高效地支撑企业各个业务条线与技术条线全面开展不同层次的数据分析，形成数据湖上数据资产价值不断从低到高的提炼过程。
- 数据生态化阶段：在地区与行业形成平衡的数据生态。数据资产可以在大数据交易所或者企业内部定价、确权、交易等、成为企业数字经济的关键生产要素。
二、数据资产管理框架
1. 数据资产管理发展历程
数据资产框架的从信息化时代到数据要素化时代，数据资产管理的重要性日益凸显，数据资产管理理论框架逐步成熟，行业间、企业间呈现差异化分布。
- 信息化时代：数据具备业务含义；可解决计算机系统中数据的存储和访问；与业务系统（ERP、CRM等）的建设相结合；
- 大数据时代：数据管理推动业务发展；数据资源集中存储和管理；
- 数据要素化时代：数据是资产已成为共识；以释放数据资产价值为核心目标，赋能业务创新与发展
2. 数据资产管理发展现状
行业间数据资产管理能力差异分布显著，企业间数据资产管理实践模式有所不同，同时评估数据资产价值成为企业关注焦点。
3. 数据资产管理包含哪些内容？
数据资产管理包含数据资源化和数据资产化两个环节。它主要是将“无序”的原始数据，变为“有序”的数据资源，进一步将数据资源加工为数据资产，提供数据服务，释放数据资产的价值。
数据资产管理是指对数据资产规划和控制提供的一组活动职能，包括开发、执行和监督有关数据的政策、方案、项目、流程，从而控制、保护、交付和提高数据资产的价值。
4. 数据资产管理过程中存在哪些问题？
这里可以从数据资源化和资产化两个方面进行总结。
- 数据资源化过程中存在的问题：
第一：底层建设的严重匮乏。高价值的数据难以产生，当前数据业务价值低，导致数据资产管理率不足。
第二：业务越向前数据越不精准，数据管理与业务发展存在割裂。
第三：数据孤岛阻碍数据内部共享。
第四：数据口径不统一、数据定义不清晰、数据视角不一致、数据质量难以满足业务预期。
……
- 数据资产化过程中存在的问题：
第一：数据资产类型多样、无法有效统一管控。
第二：数据平台流通效率不高，跨机构、跨平台的数据资产管理和评估难以高效进行。
第三：数据资产意识淡薄，对其拥有的数据资源置之不理，对数据主权和隐私重要性认识不足。
第四：缺乏数据资产管理框架和体系，大部分企业没有能力构建。
……
5. 数据资产管理框架？
数据资产管理框架可分成三横四纵：
1、三横：
1）底层为数据治理体系：包含数据集成、数据标准、数据开发、数据质量、元数据、数据服务等；
2）中间为数据资产管理的核心，数据资产管控、应用和运营；
3）上层为数据应用产品：包含决策支持、创新应用、数据开放等；
数据的安全级别并不是一成不变的，在数据流转、传递、使用过程中，可能会因业务需求、数据处理、数据生命周期的不同而不同。如：进行了数据汇聚，数据泄露所造成的危害必然会增大，此时数据安全等级应该上升，而数据进行脱敏后使用、传输和存储，其安全等级则相应下降。
2、四纵：
1）数据资源分析：数据采集-数据梳理分类-数据融合治理，对高价值数据进行评估
2）数据资产管控：使得企业的数据能够变得更加准确、一致、安全，由此降低数据使用的成本。
3）数据资产应用：使得企业数据的使用更加人性化、快捷，从而帮助企业管理层和业务人员利用数据做出业务决策。
4）数据资产运营：帮助企业建立数据资产对外服务的能力，构建数据资产管理的生态体系，促进数据资产的价值实现。
6. 数据资产管理保障措施？
数据资产管理，是一项长期性的体系化的工作，需要一定的保障措施，主要分成两个方面：
一是长效保障措施，包含战略管理、组织架构、制度体系、平台工具、长效机制。
二是PDCA方法论，通过闭合管理提升数据资产管理的质量。
三、数据资产管理活动职能
1. 数据资产管理的主要模式和实施步骤
数据资产管理基本遵循统筹规划、管理实施、稽核检查、资产运营的通用实施步骤。
不同企业结合自身情况在各阶段制定合适的实施步骤。可分为整体规划模式、面向面向业务分析模式、企业级应用建设模式、数据管理平台（中台）模式四大策略。
1）整体规划模式的策略：规划先行，基础先行，最后根据应用需求，进行针对性的专项补充，是企业级层面的建设。
优点：是真正意义上的企业级数据资产管理，成果相对稳定、全面，有利于未来的维护与应用等
难点：牵涉的业务与部门广，需要领导有较强的推动力，建设周期长，过程需协调部门多等
适用客户：大、中型客户，侧重于数据管控的全局性、整体性、长期的效果。
2）面向业务分析模式的策略：从某个特定的应用作为切入点，借助应用项目作为契机，以特定领域数据的需求为输入进行建设。
优点：解决特定的业务需求，易于体现价值等
难点：满足特定主体需求，没有企业级应用的需求，往往难以在其他系统及应用中推动落地/产出成果具有局限性，后期维护工作较多等。
适用客户：小型企业，侧重于短期见效。
3）企业级应用建设模式的策略：从大型项目入手，借助项目建设契机，建立该应用领域数据的企业级管理。
优点：建设即落地，容易体现资产管理效果与价值。
难点：前期基础性工作较多，对项目进度及资源是一种挑战。
适用客户：大、中型客户，进行企业级、大型的生产系统/项目群建设
4）数据管理平台（中台）模式：以数据管理平台作为切入点，对企业级的数据资产进行数据管控、应用和运营等工作。
优点：利用数据平台整合数据的优势，基本覆盖企业的主要业务系统，能实现一定程度上的企业内数据统一与一致等
难点：资产管理范围有限，要上升为企业级，需要在后期进行补充与完善工作。/因为涉及多个系统，有一定的协调工作等
适用客户：大、中型客户，对数据资产管理工作的全面性与整体业务的价值都有要求的一个相对平衡点。
2. 数据资产管理实施之数据资产管控
数据资产管控是数据资产管理的基础，而数据治理又是数据资产管控的核心。从原始数据到数据资源再到部分数据资产，数据治理起到承上启下的作用，基本遵循现状分析、蓝图规划、线路图规划的实践步骤。
其关键点在于将原始数据转变为数据资源，使数据具备一定的潜在价值。
3. 数据资产管控实施之数据组织架构
合理的数据组织架构是数据治理工作的前提，常见的数据治理组织架构包括：决策层（数据治理委员会）、管理层（数据治理办公室）、执行层（数据管理工作小组）
以建立数据治理的决策、沟通和考核机制；推动数据治理工作的落地；建立培训和推广的机制；培养数据治理文化等内容为目标。
另外还需要通过政策、制度与指引、细则与规范等数据治理制度对数据治理落地执行进行保障。
4. 数据资产管控实施之数据标准管理
数据标准管理是数据治理的前提。常见的数据标准建设流程，落地步骤和执行步骤如下（领取回放视频可了解更多内容）
1）数据标准管理专项任务：构建数据标准体系框架、制定数据标准实施线路图、制定各主题数据标准、确定数据标准落地方案……等共9项关键任务
2）数据标准建设流程
机制搭建及体系建议——标准定义——标准落地——标准维护/复审
3）数据标准落地步骤
现状分析——定义初稿——意见征询——标准发布
5. 数据资产管控之数据质量管理
数据质量管理是数据治理的核心。常见的数据质量建设流程，落地步骤和执行步骤如下（领取回放视频观看详细内容）
1）数据质量管理专项任务：
完善数据质量管理机制、发现数据质量问题并进行汇报、分析评估数据质量问题、完善数据质量检查规则和核验方法……等共7项任务
2）数据质量建设流程：
建立合理的组织架构——梳理流程机制——采购合适的管理工具——结合平台形成闭环
3）数据质量落地步骤：
梳理监控点——问题类别与管控方法——梳理监控对象——确定监控对象适用的规则——质量问题剖析与高效运维
6. 数据资产管控实施之元数据管理
元数据管理是数据治理的基础。
利用统一的企业级元数据模型，为数据标准、数据质量、数据模型、数据资产管理等数据资产管理专题提供技术扩展支持。企业级元数据的管理水平，直接影响数据治理的成熟度和价值体现。
7. 数据资产管控实施之数据资产应用
资产应用更易凸显数据资产管理的价值，按照应用用途的分类可分为数据服务和数据管理。
1、数据服务价值：
1）建立全数字化转型、数据价值的衡量体系，为数据资产实现最优配置打下基础；
2）提升数据资产在不同分析场景的使用效能，最大化数据资产价值；
3）为数据开放、培育数据要素市场做铺垫。
2、数据管理价值：
1）提升数据资产全生命周期管理能力，持续沉淀数据资产，优化数据生产者的资源配置；
2）推进企业数据认责与确权，形成有保障、可流通、可共享的数据资产内部生态；
3、赋能场景
TOB业务：经营分析、纳税分析、客户体验优化、精细化运营、战略分析等
TOG业务：环保监测、食品溯源、地震勘探、物联网等
8. 数据资产管控实施之数据资产运营
数据资产运营使数据资产管理形成闭环。当数据集满足：权属明确、可获取、有价值、成本或价值可被计量。那么就可以认为该数据集是数据资产。
如果该数据集还满足3个额外的条件：具备良好的数据质量、合理的计价与评估方法、折旧和增值规则，那么这个企业就可以管理和运营这些数据资产。
四、如何保证数据资产可运营？
1. 数据资源确权
数据资产化第一步是拥有合法的数据集。数据权属问题是数据资产化过程中的关键，确定数据资产权属有利于提高企业内资产交易的积极性，降低资产流通的合规风险，推动数据要素市场进程。现阶段，数据资产的权属确认问题对于企业来说比较困难。
数据所有权的困难在于流转过程中的多方参与的权属的确认，较为复杂。
数据使用权的困难在于数据所有方授权只拥有一次的使用权，不允许二次授权。
明确数据主体权益可以缓解以上两点困难。
2. 数据质量监控
数据质量的高低直接影响数据价值的大小。数据质量管控的流程主要包括分析数据质量的过程和根据分析结果进行优化的过程。
具体步骤：
对于已确权的数据集，开展数据质量识别工作，掌握数据集的基本情况及可能出现的情况。
根据数据识别的结果，对数据质量的标准进行设定，对目标进行量化，给出数据质量的维度、评估指标和度量的方法，以便开展后续的数据质量评估工作。
明确数据质量规则，并对数据集的计算口径是否符合规则进行监控。如发现数据集不满足要求，则及时向数据责任部门和同事发出数据质量问题告警。同时建立缺陷数据纠错机制，完善并实施数据质量规则，以达到最好的预期。
通过数据集成流程来集成数据质量规则和活动，这对提高数据资产的准确度和价值至关重要。
检查、分析数据质量的异常情况，并对规则进行验证，并确定、评估数据质量的服务水平，根据评估结果完善规则。
对照目标，监测数据质量，并形成报告。管理监控数据质量，与预设目标进行对比，并形成数据质量报告，使数据责任部门的同事能够及时掌握数据的质量问题。
3. 数据规范管理
规范数据管理，也是确定数据资产的计量机制的前提。
1、在这个阶段：
1）需要完成原始数据格式转换，根据设置的约束条件对数据进行格式化封装。同时确定数据封装单元的计量机制；
2）数据封装完毕后，数据资产就有了计量单位，从而得以被准确计算。
计量单位举例：
1）北大的DRs：相当于原油的交易单位“桶”，让数据确权与流通更简单、可行。以数据有效字段为1个DRs，让数据的计量更为简单、精准、无误，可以有效简化数据流通的计量成本，提高服务效率。
2）复旦的数据盒：数据盒是数据自治开放的基本单元，包括数据描述、数据操作和约束等基本、要素，并通过在数据盒中封装数据防泄露和数据权益保护等机制，使之具有独立性、可用性、可控性，使得数据拥有者在数据开放的同时又能保证数据隐私不泄露，并且不影响现有系统，能有效支持数据自治开放。
2、建立数据资产目录，并对其进行入库管理。明确数据资产类别，登记资产名目，界定管理范围，有利于数据拥有者或管理者对数据资产进行入库后的检索、获取、盘点、使用、处置等管理工作
4. 数据资产价值评估
数据资产的价值确认可以通过评估的方式给出，数据资产价值评估可以帮助企业发现数据中心潜在的价值。资产评估方法主要包括市场法、成本法、收益法。
1、市场法：
对于已形成公开交易行情，市场化充分，交易环境良好的数据资产，可以采用该方法对数据资产进行评估。
2、成本法：
采用成本法进行数据资产价值评估，方法简单易懂，更多的是从数据资产出售方的角度出发，需要对数据资产的特征、结构、功能等各方面有充分的认识和掌握，但是全面估算其价值贬损存在一定难度。
3、收益法：
指通过测算被评估资产未来预期收益值并折算成现值，进而确定被评估资产价值的资产评估方法。使用收益法进行资产评估时，需要被评估资产的未来收益、带来的未来风险及预期获利年限可以预测或计量。
5. 数据资产的折旧与增值
随着企业数据越积越多，在这些数据里很可能蕴藏着未被挖掘和发现的价值，很可能会给数据拥有者或管理者带来新的业务增长点，甚至形成新的业态。在这种情况下，数据资产不仅不会出现价值减损的情况，反而可能出现增值的情况。
总结
目前数澜科技在地产、制造、时尚传媒、金融等行业都已落地数据治理或数据资产管理项目，了解某制造业公司的数据规范化项目、某地产公司的数据资产门户项目可点击下方链接，详细观看课程回放。
点击此处领取完整ppt与直播回放
数澜科技官网_让数据用起来