随着云计算、物联网、移动计算、大数据、人工智能等新一代信息技术的兴起和制造业向数字化、网络化、智能化的持续大力推进，大数据在工业领域的应用引发了制造行业的普遍关注。最近，德勤资产评估与阿里研究院共同推出《数据资产化之路——数据资产的估值与行业实践》，“数据管理”这个沉寂了几十年的管理领域重新被重视起来，“数据资产化”为大数据厂商、各大企业所津津乐道。

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。首先，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;其次，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;再者，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。

执行数据资产管理是为了利用数据创建价值。数据资产管理需要资源，但是如果不利用数据资产，或者如果数据的价值不超过投入的成本，则此过程不值得付出努力，否则就是资源浪费。为了成为一个数据驱动的企业，应该知道数据是如何被使用的，价值是什么。

获取数据并形成资产的途径

企业或组织若想数据形成资产并价值化，首先需要通过先进的技术工具把价值数据汇聚并管理起来形成初步的数据资产，然后利用有效的途径转化这些数据直接或间接获利，真正把数据变成资产。以下归纳几个数据资产化形成的途径：

数据助力企业提升产品竞争力

数据助力企业产品，数据本身不产生价值，但通过数据作用于其他产品，使其可以在创造收益、降低成本上有更好的表现，这是一种挖掘数据价值的方式。即一般在企业内部发生，将生产经营中产生的数据进行收集、整理、分析，用于服务自身经营决策、业务流程，从而提升企业业绩。

数据助力企业或组织融入业务场景

数据在不同的业务背景下有不同的处理方式，同样是电商交易数据，有人会关注其购买内容以研究不同商品间的关联关系，以用于进行商品推荐。有人会关注下单流程，以研究人的决策过程及其影响因素。因此，数据的收集、处理、输出过程，必须基于特定的业务问题出发，将数据融入业务问题的解决过程，才能真正将数据发挥价值。

数据作为核心服务构建业务应用

数据经过清洗、分类、治理后，会得到高质量的数据集，可以通过数据特色构建业务应用，实现数据资产价值化。

对于数据资产的3点管理建议

通过量化数据管理过程所提供的价值，定期评估数据资产的价值，如果维护数据资源的收益没有超过投入的成本，那么最好尽快停止这项工作。

在企业内部网上创建一个专门的页面，展示价值案例。页面可以包含一个结构化列表，其中包含基于价值案例精心编制的故事。使用商业智能仪表板也可以显示价值，页面上可以提供指向这些交互式报告的链接。这样，企业中的任何人都可以从数据中获得灵感，但也可以看到他们贡献的数据是用来做什么的，员工会更存在感和价值感。

与信息价值链中的不同利益相关者就数据应用场景进行头脑风暴，与利益相关者一起创建项目计划，并成立一个团队来实施高级分析项目。所以数据资产梳理是非常重要的一步：这样你才会知道，企业究竟有多少数据、这些数据在哪里、有哪些类型的数据、有哪些是敏感数据，这些数据的敏感等级分别是什么?

数据资产管理4点心得体会

数据资产管理需要转变观念

数据治理是管控数据资产的一种有效的方法，但它需要被组织所重视。有些企业建立了相应的管控机制，但是人们并不愿意按照预期的那样将精力投入到管理机制中。如果不努力创建高质量的数据，如果不提出数据质量问题，或者如果人们不愿意使用公认的数据源，则此机制将不起作用。这个机制取决于所做的努力，因此有效地实施数据管理需要转变观念。

标准化是控制数据资产的重要组成部分

达成共识是有效利用数据资产的重要一步。庞大的组织规模和各种不同的业务活动为不同的工作方式和不同的术语提出了挑战。组织内部需要术语和定义的标准化，需要能够将数据资产联系在一起。就关键的数据资产定义达成一致是必要的，以便弥合业务和IT之间的术语鸿沟。确定共同的权威数据源是公认的高质量数据的关键。

数据资产的价值是使用

数据资产管理最重要的是有人对数据负责。应该有人负责决定数据应该是什么样子，质量问题是如何解决的，以及它与其他数据集的关系。如果数据只是由组织中没有任何治理的人员使用，则不会有任何变化。数据资产认责是提高数据质量的第一步，也是最重要的一步，从长远来看，这意味着更好地使用数据。

可追溯性是数据资产价值创造的关键

随着组织数据资产的规模越来越大，导致了不同的数据定义和源格式。再加上数据质量问题，很难将数据源彼此连接起来。连接数据源、可追溯性的能力可以转化为价值，例如，增加控制和启用高级分析。可追溯性和血缘关系并不是一回事，数据血缘主要描述单个数据源如何通过流程流进行转换，但数据可追溯性是指映射不同数据源之间的关系。数据血缘侧重于数据生命周期，而可追溯性描述了数据源相互引用的情况。