数据是资产的概念已经成为行业共识，然而现实中，数据资产管理面临诸多挑战。从了解数据资产管理的概述，到变革中的数据资产管理呈现出来的特征趋势，以及实践中数据资产管理的主要内容与经验等等内容，正在被越来越多的企业重视。

“数据资产”的管理必要

伴随着大数据时代支撑数据交换共享和数据服务应用的技术发展，不断积淀的数据开始逐渐发挥它的价值，因此，将数据作为一项资产，“盘活”数据将充分释放其附加价值。但是事实上，由于各种原因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、各条块之间数据孤岛化严重等现象，阻碍了数据的共享应用。其次，受限于数据规模和数据源种类的丰富程度，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。再次，由于数据的价值很难评估，企业难以对数据的成本以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。

而数据资产管理是充分发挥数据价值的必经之路。通过解决释放数据价值过程中面临的诸多问题，以体系化的方式实现数据的可得、可用、好用，用较小的数据成本获得较大的数据收益，具体体现在以下六个方面——

l  一是全面掌握数据资产现状。数据资产管理的切入点是对数据家当进行全面盘点，形成数据地图，为业务应用和数据获取夯实基础。数据地图作为数据资产盘点的输出物之一，可以帮助业务人员快速精确查找他们想要的数据，帮助数据开发者和数据使用者了解数据，并成为对数据资产管理进行有效监控的手段。

l  二是提升数据质量。强调高质量的数据在发挥数据价值中的重要性。数据资产管理通过建立一套切实可行的数据质量监控体系，设计数据质量稽核规则，加强从数据源头控制数据质量，形成覆盖数据全生命周期的数据质量管理，实现数据向优质资产的转变。

l  三是实现数据互联互通。数据资产管理通过制定企业内部统一的数据标准，建立数据共享制度，完善数据登记、数据申请、数据审批、数据传输、数据使用等数据共享相关流程规范，打破数据孤岛，实现企业内数据高效共享。同时搭建数据流通开放平台，增强数据的可得性，促进数据的交换流通，提升数据的服务应用能力。

l  四是提高数据获取效率。数据资产管理通过搭建数据管理平台，采取机器学习等相关自动化技术，将大量前期的数据准备时间和交付项目的时间缩短，提升数据的获取和服务效率，让数据随时快速有效就绪，缩短数据分析人员和数据科学家的数据准备时间，加快数据价值的释放过程。

l  五是保障数据安全合规。保障安全是数据资产管理的底线，数据资产管理通过制定完善的数据安全策略、建立体系化的数据安全措施、执行数据安全审计，全方位进行安全管控，确保数据获取和使用合法合规，为数据价值的充分挖掘提供了安全可靠的环境。

l  六是数据价值持续释放。存储和管理数据的最终目的是实现数据的价值，数据资产管理将数据作为一项资产，并通过持续、动态的全生命周期管理过程，使数据资产能够为企业数字化转型提供源源不断的动力。管理方面，建立一套符合数据驱动的组织管理制度流程和价值评估体系。技术方面，建设现代化数据平台、引入智能化技术，确保数据资产管理系统平台持续、健康地为数据资产管理体系服务。

行业现状及趋势

随着管理数据对象越发复杂，数据处理技术越发成熟，数据应用范围越发广泛，数据资产管理在数据处理架构、组织职能、管理手段等方面逐渐呈现了一些新的特点和发展趋势。

首先是数据管理对象的变化。数据作为数据资产管理的对象，在近些年体现出规模海量、来源多样、格式繁杂、采集实时等特征。在数据量方面，单一机构的数据规模由以前的 GB 级上升到 TB 级，甚至 PB 级、EB 级，数据增速快。在数据格式种类方面，除传统的结构化数据之外，文本数据、图像数据、语音数据、视频数据等半结构化数据或非结构化数据占比越来越大，种类日益丰富。在数据来源方面，数据既包括内部数据，也包括来自第三方的外部数据，既包括传统业务处理采集的业务数据，也包括手机终端、传感器、机器设备、网站网络、日志等技术产生的数据。同时，由于秒级或者毫秒级的响应将帮助企业更快地洞察与分析数据，实时数据正在成为企业数据重要的管理对象，目前实时数据采集和处理已广泛应用于互联网、零售、电力、交通等多个行业，利用物联网、实时数据库等技术实现交易实时处理、生产实时监控、交通实时调控等。

其次是处理架构的更新换代。处理架构的更新换代体现以下几个方面。一是数据处理的底层架构向云平台和分布式系统迁移。Gartner 在 2018 年针对数据和分析采用方式的调查结果表明，63%企业目前使用最普遍的信息基础架构技术为“基于云平台的数据存储”。同时以 Hadoop、Spark 等分布式技术和组件为核心的“计算&存储混搭”的数据处理架构，能够支持批量和实时的数据加载以及灵活的业务需求。二是数据的预处理流程正在从传统的 ETL 结构向 ELT 转变。传统的数据集成处理架构是 ETL 结构，这是构建数据仓库的重要一环，即用户从数据源抽取出所需的数据，经过数据清洗，将数据加载到数据仓库中去。而大数据背景下的架构体系是 ELT 结构，其根据上层的应用需求，随时从数据湖中抽取想要的原始数据进行建模分析。

再次是管理手段自动智能，依靠“手工人力”的电子表格数据治理模式即将被“自动智能”的“专业工具”取代，越来越多的数据管理员、业务分析师和数据领导者采用“平台工具”增强企业的数据管理能力，包括梳理元数据、管理主数据，优化数据集成、提升数据质量等。具体来说，机器学习和人工智能通过自动提取元数据，将不同的数据进行关联并分析；通过配置和优化主数据，使主数据的管理更加便捷和准确；通过语义分析实现相同数据源的连接，简化数据集成流程；通过增强数据的分析、清理和识别，提升数据质量。同时，随着智能优化技术不断引入到数据管理活动中，数据间的多维关系将被自动化识别和可视化展现，帮助用户高效探索数据和分析数据，降低数据使用门槛，有助于非专业人士成为数据科学家，扩大数据的使用对象和应用范围。

最后是应用范围不断扩大。数据资产管理的使用不仅仅局限于拥有海量数据或强大数据处理能力的机构，任何一个机构都可以成为数据资产化管理的实践者。选择一个小型且效果明显的项目实施数据资产管理，也可以成为逐步构建完整数据资产管理体系的良好开端。此外，数据资产的应用范围已经从传统的企业内部应用为主发展为支撑内部和服务外部并重，数据资产应用和服务范围的扩大成为企业战略发展的一部分，实现数据资产保值到增值的跨越。

“数据已经产生了新的基础设施、商业领域、垄断机构、政治理论，最关键的是，还产生了一种新经济。数据信息不像过去的其他资源，它采用不同的方式提取、加工、估值和交易。它改变了市场规则，要求使用新的管理方式。”作为日益重要的战略资源，数据需要更加完善的管理体系和保障措施。