数据资产是指由组织（政府机构、企事业单位等）合法拥有或控制的数据资源，以电子或其他方式记录，例如文本、图像、语音、视频、网页、数据库、传感信号等结构化或非结构化数据，可进行计量或交易，能直接或间接带来经济效益和社会效益。
数据资产管理是指对数据资产进行规划、控制和提供的一组活动职能，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。数据资产管理须充分融合政策、管理、业务、技术和服务，确保数据资产保值增值。
数据资产化是企业数字化转型的基石，是把数据原矿提纯为数据金子的必经之路。
那么为了完成从原矿到金子的转变，企业数据应该向什么方向发展以实现数据资产化？以消费者数据资产为例，我们有四个评价指标：
即能通过数据提炼出形象的标签，例如消费者的性别、品牌偏好等。这种标签是概括性的、易懂的，而非绝对值指标。
如果数据只能告诉我「这个消费者，昨天花了100多元钱，买了一只某品牌、草莓红的口红」，那不是标签化。需要将统计数据标签化，比如此消费者对口红的偏好是「中端、某品牌、草莓红」，才是标签化。
指已对原始数据进行了清洗、治理、提炼，转化为可衡量的数据，基于这个数据可推导转化为GMV。比如掌握了100万消费者资产，其中有1万是铁杆粉丝，每年复购3次，每次客单100元，那么单铁杆粉丝的价值就是1万*3*100元=300万元，其他的忠诚度不高的用户以此方法类推。
做数据看板算不算完成了数据资产化？不算。
数据不止是用来「看」的，而需要面向效果运营，最终可转化为服务并支持变现，为企业带来看得见的效益。例如，把消费者数据运用到广告投放中，提升广告的触达和转化；基于对消费者的偏好数据，对产品研发做下一步的升级等等。
这里指的是数据需要保持新鲜度，并源源不断地注入新的数据，是「活水」。
打个比方，短短一个月内，消费者的消费偏好就可能发生改变，譬如受到怀孕的影响，从偏好美妆类产品转为天然护肤类产品，开始关注孕妇养护和婴幼儿的产品。有的用户本来可能买东西前要看小红书，直播风起后，很快转为直播购物，购物习惯都发生了改变，流量渠道也会发生变化。
拿旧的消费者数据，一定不能指导现在的市场活动。
数据需要标签化、价值化、可持续、可应用，才是「数据资产」，才可以说企业真正拥有数据主权。
数据资产管理框架包含数据标准管理、数据模型管理、元数据管理、主数据管理、数据质量管理、数据安全管理、数据价值管理、数据共享管理等8个管理职能及战略规划、组织架构、制度体系、审计制度、宣贯培训等5个保障措施。
是指保障数据内外部使用和交换一致性和准确性、规范性的约束，数据标准管理关键活动的第一个是理解数据标准化的需求，即任何一个管理活动都要和企业的战略规划、企业的需求紧密地结合。数据标准管理的第二个关键活动就是制定数据标准的体系与规范，第三个是制定相应的管理办法以及实施流程要求，第四个是建立一些数据标准的管理工具。
数据模型是现实世界数据特征的抽象。数据模型包括三个：
概念模型，概念模型是面向用户与客观实践的，构建概念模型的本身与数据库或者数据仓库的架构搭建没有特别多的关系。
在建立了概念模型的基础之上可以构建逻辑模型，逻辑模型是面向业务的，用于指导一些数据库系统的实现。
物理模型，物理模型是基于逻辑模型，面向计算机物理表示，考虑了操作系统、硬件模型等等，描述数据在存储介质上的结构。
元数据管理，以二维表为例，想描述一个二维表信息的话，可以描述它每一行、每一页，也可以提取这个表中的一些抽象化或者是更高层次的信息，比如说这些表的字段或者表的结构以及表的大小等等，这样就对这个表格进行了数据的描述。可以帮助实现关键信息的追踪与记录，快速掌握元数据的变化可能带来的风险。元数据非常关键的运用是进行血缘分析和影响分析，通过进行血缘分析和影响分析可以了解数据走向，知道数据是从哪里来到哪里去，也可以构建数据地图和数据目录自动提取元数据信息，了解这个企业目前拥有数据资产情况。
主数据管理，比如说供应商数据、物料数据、客户数据、员工数据。主数据管理可以使企业跨系统使用一致的和共享的数据，从而可以降低成本和复杂度，来支撑跨部门、跨系统数据融合的应用。主数据的关键活动包括识别主数据、定义和维护主数据的架构以及实现数据库与主数据库的同步。主数据管理在很多行业成为企业开展数据资产管理的切入点。通过对主数据的梳理和管理，将建立数据的一个参考，为数据标准后期的管理节约很多很的人力和物力。
数据质量管理，可以帮助企业获得一些干净以及结构清晰的数据，进而可以提高数据应用和服务的水平。数据质量好坏的衡量指标一般包括完整性、规范性、一致性、准确性、唯一性、时效性。在定义数据质量管理时应该将管理过程中成本考虑进去。同样还需要和企业的业务需求紧密结合找到平衡点。数据质量管理其他的关键活动包括持续的测量、监控数据的质量、分析数据质量产生问题的根本原因，以及制定数据质量的改善方案，监控数据质量管理操作和绩效等等。
数据安全管理，主要是对数据设定一些安全等级来评估数据的安全风险，来完善数据安全管理相关的技术规范，通过对数据进行全生命周期的安全管控，包括数据的生成、存储、使用、共享、销毁等实现事中前可管、事中可控、事后可查。
数据价值管理，通过从数据的成本和数据的应用价值两个方面的度量，使企业能够最优化、最大化释放数据的价值。成本价值计量可以从采集、存储、计算成本进行评估，也可以从运维成本评估，还可以从数据的活性以及数据质量应用场景的经济性等角度进行评估。数据的成本和数据价值的评估维度主要和自己的应用场景和业务需求挂钩即可。数据成本与数据价值典型评价方法包括成本法、收益法和市场化。
数据共享管理，包括数据内部共享、外部流通、对外开放。数据共享管理的关键活动就是包括定义数据资产运营指标、设计管理方案等。
一是制定战略规划，就是将数据资产管理战略纳入企业战略规划，成为其中的一部分。
二是完善组织架构，明确数据资产管理各个角色相应的职能。
三是建立制度体系，形成覆盖数据资产全生命周期的一些管理规范。
四是设立审计制度。
五是开展培训宣贯，通过安排员工参加一些课程以及培训来实现数据资产管理的更加专业化。
从方法论上讲，企业管理数据资产要经历这5个步骤：
上文已经谈到，业务数据化是企业数字化转型的第一步，也是数据资产化的前提。
例如，零售企业需要围绕人、货、场，构建能落数据的业务系统，把物理世界的业务放到数字世界上，把数据攒起来，这是开采原始的金矿。
同实体，融通多源数据，从而发挥最大价值。
例如，在不同平台，同一用户可能有不同的id，积累了不同标签的数据，至少要打通一个手机号关联的数据，才能让用户形象更加丰满，从而去做有针对性的服务。在阿里的数据中台体系里，这方面叫OneID，对应的技术是ID-Mapping。
数据资产化在上文也谈到了，简单来说就是「把数据原矿提纯为数据金子」，把数据标签化、价值化，让数据可持续、可应用。
在这里，我们也需要注意一个问题，数据量越来越大，有些领域已经步入了指数级增长，不得不面对一笔不小的数据存储开支。降低成本，让数据成为资产并尽快发挥价值，成为企业必要的课题。
技术底层透明化，把数据提供给各个业务单元去调用，业务单元只需要从业务的角度出发使用数据服务，无需考虑底层数据技术。
数据一定要用起来，去服务业务，为企业带来降本增效。在这个过程中，数据中台（或企业的信息数据部门）也就实现了从成本中心到利润中心的转变。
在管理数据资产的过程中，有六大要素需要企业去重视：
有一个平台某数据口径为A，另一个平台某数据口径为B，这个A和B指向同一个内容吗？那到底是以谁为准呢？正如秦始皇统一文字度量衡，统筹企业数据，标准化很重要。
具体来说，有数据同步标准、数据建模标准、数据规范定义、元数据标准、数据服务标准等五大类标准。
数据建模标准、数据规范定义的两大核心要点
库里那么多数据，可能针对一个用户一个指标都有好几个不同数据，哪个数据是真实的呢？是否存在很多错漏数据呢？例如我们曾经遇到过，一个女鞋品牌里的消费者数据，曾经有一大串都是「男性」，后来发现是之前的运营人员「图方便」随便选择了一个值，这就影响到了数据的健康分。
我们从准确性、完整性、一致性、及时性等四大标准定义来理解数据资产的健康度。像给数据资产体检一样，通过对每一项检查，都有一个标准，建立健康体系，达标了100分，不达标扣分，最终可以得出一个数据资产总的健康分，去提醒数据运营管理人员不断地完善资产质量。
100万的用户数据，到底是「值」一个亿还是两个亿？如何评估数据能为企业带来的价值？
我们从覆盖率、健康度、调用度、业务效果、业务依赖等五个角度，去评估数据资产的价值。
最直接可衡量价值的指标就是GMV，比如前面说到的消费者数据资产，掌握了多少消费者，就掌握了多少GMV资产。
上文我们也谈到了，存储数据成本不菲。在发挥数据价值的同时，也需要降低存储数据原矿石的成本。同样是这么多数据，有人投入100台机器，有人只需要投入10台机器，这就有了巨大的ROI差别。
数据资产不仅要衡量价值，也要衡量成本。在企业数字化转型的进程中，需要不断去权衡，做到价值与成本的平衡（资产价值>计算成本+存储成本+其他成本…），才可以称为合格的「数据资产」。
数据既然成为资产，安全自然非常重要，包括数据安全（高危告警、数据脱敏、数据分级等）及系统安全（传输加密、防篡改、防入侵等）。
还是这个老例子，对于人力资产，我们有HR体系去保障；对于物质资产，我们有财务、采购等部门去保障；那么对于DT时代极为核心的数据资产，组织保障自然不可缺失。
一方面，需要有数据平台团队（或请外部服务商支持配合）来完成一系列的数据工作，另一方面，也需要有一系列的规范机制去保障数据管理的正常运行。
数据资产管理可参照“统筹规划→管理实施→稽核检查→资产运营”四个阶段的方法策略执行。以业务应用目标为指引，企业可以按照自身数据及管理情况定制不同的实施步骤。
统筹规划过程涉及建立数据资产管理组织和制度作为保障措施，盘点数据资产，制定数据资产标准规范等，该阶段成果是后续工作的基础。第一步是建立组织责任体系，根据自身情况，制定数据资产管理制度规范。第二步是结合业务盘点数据资产，需要盘点企业内外部数据现状，确立数据资产管理的目标，并逐步实施各项前期任务。第三步是制定数据资产相关的标准规范，标准规范包括元数据标准、核心业务指标、业务系统数据模型标准、主数据标准、关键业务稽核规则等。
首先，在搭建大数据管理平台、完成数据汇聚工作的基础上，根据企业自 身存量数据基础和增量数据预估，建设或采购必要的数据资产管理平台或引入第三方工具以支撑管理工作，切实建立起企业数据资产管理能力。
其次，要建立安全管理体系，防范数据安全隐患，执行数据安全管理职能。再次，还需要制定和管理主数据，以明确企业核心业务实体的数据，如客 户、合作伙伴、员工、产品、物料单、账户等，从而自动、准确、及时地 分发和分析整个企业中的数据，并对数据进行验证。
稽核检查阶段是保障数据资产管理实施阶段涉及各管理职能有效落地执行的重要一环。这个阶段包括检查数据标准执行情况、稽核数据质量、监管数据生命周期等具体任务。努力实现三个常态化：
一是数据标准执行情况检查的常态化数据标准管理是企业数据资产管理的基础性工作，通过数据标准管理的实施，企业可实现对大数据平台全网数据的统一 运营管理。
二是灵活配置数据存储策略的常态化
数据生命周期管理，其目标是以完全支持企业业务目标和服务水平的需求，根据数据对企业的价值进行分类分级，形成数据资产目录，然后制定相应的策略。
三是数据质量稽核的常态化
应对数据质量问题，首先要提升数据质量意识，数据质量意识包括能够将数据质量问题与其实质影响联系起来，同时传达一种“数据质量问题不能仅仅依靠技术语段解决”的理念。其次为数据质量建立一系列流程和程序。
通过前三个阶段，企业已经能够建立基本的数据资产管理能力，在此基础上，还需要具备以实现业务价值为导向，以用户为中心，为企业内外部不同层面用户提供数据价值的能力。资产运营阶段是数据资产管理实现价值的最终阶段，该阶段包括开展数据资产价值评估、数据资产运营流通等。数据资产运营主要是实现数据资产价值的社会化，需要从数据安全管理及合规性、数据资产成本及价值创造、组织结构优化、数据质量提升等方面进行规划并不断迭代，持续优化数据资产管理能力。
附：《数据资产管理实践白皮书（4.0版）》解读PPT
1
本文地址：http://lianchengexpo.xrbh.cn/quote/7015.html
迅博思语资讯 http://lianchengexpo.xrbh.cn/ , 查看更多
