互联网

互联网数据资产化的发展与挑战

2019/12/20 9:07:00

我国大数据产业蓬勃发展,融合应用不断深化,数字经济量质提升,“数据资产化”的概念被愈加重视。在中国共产党十九届四中全会上,中央首次公开提出“健全劳动、资本、土地、知识、技术、管理和数据等生产要素按贡献参与分配的机制。”这是中央首次在公开场合提出数据可作为生产要素按贡献参与分配,反映了随着经济活动数字化转型加快,数据对提高生产效率的乘数作用凸显,成为最具时代特征新生产要素的重要变化

 

数据:从资源到资产

 

“数据资产”这一概念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”。这一概念强调了数据具备的“预期给会计主体带来经济利益”的资产特征。而在企业中,数据资产的概念边界随着数据管理技术的变化而不断拓展,在大数据阶段,随着分布式存储、分布式计算以及多种 AI 技术的应用,结构化数据之外的数据也被纳入到数据资产的范畴,数据资产边界拓展到了海量的标签库、企业级知识图谱、文档、图片、视频等内容。

 

与数据资产同步发展的还有“数据资产管理 理论体系 ”,在数据资产化背景下,数据资产管理是在数据管理基础上的进一步发展,可以视作数据管理的“升级版”。主要区别表现为以下三方面:一是管理视角不同,数据管理主要关注的是如何解决问题数据带来的损失,而数据资产管理则关注如何利用数据资产为企业带来价值,需要基于数据资产的成本、收益来开展数据价值管理;二是管理职能不同,传统数据管理的管理职能包含数据标准管理、数据质量管理、元数据管理、主数据管理、数据模型管理、数据安全管理等,而数据资产管理针对不同的应用场景和大数据平台建设情况,增加了数据价值管理和数据共享管理等职能;三是组织架构不同,在“数据资源管理转向数据资产管理”的理念影响下,相应的组织架构和管理制度也有所变化,需要有更专业的管理队伍和更细致的管理制度来确保数据资产管理的流程性、安全性和有效性。

 

目前,各行业积极实践数据资产管理,普遍经历三至四个阶段。最初,行业数据资产管理主要是为了解决报表和经营分析的准确性,并通过建立数据仓库实现。随后,行业数据资产管理的目的是治理数据,管理对象由分析域延伸到生产域,并在数据库中开展数据标准管理和数据质量管理。随着大数据技术的发展,企业数据逐步汇总到大数据平台,形成了数据采集、计算、加工、分析等配套工具,建立了元数据管理、数据共享、数据安全保护等机制,并开展了数据创新应用。而目前,许多行业的数据资产管理已经进入到数据资产运营阶段,数据成为了企业核心的生产要素,不仅满足企业内部各项业务创新,还逐渐成为服务企业外部的数据产品。企业也积极开展如数据管理能力成熟度模型(DCMM)等数据管理能力评估工作,不断提升数据资产管理能力

 

如,金融、电信等行业普遍在2000年至2010年间就开始了数仓建设,并将数据治理范围逐步扩展到生产域,建立了比较完善的数据治理体系。2010 年后通过引入大数据平台,企业实现了数据的汇聚,并逐渐向数据湖发展,内部的数据应用较为完善,不少企业逐渐在探索数据对外运营和服务。四大国有银行都单独成立了主管数据的一级部门(管理信息部或数据管理部),负责数据资产管理与应用、监管数据报送和外部数据的合作等工作。其它银行的数据管理工作多数由科技部门负责,部分由业务部门负责。2018 年银保监会发布的《银行业金融机构数据治理指引》,强化了银行业数据治理和数据资产管理的工作力度。三大电信运营商在信息化部下成立了数据中心部门来统一数据能力的建设,近年来,除了满足内部的数据应用外,还积极向外拓展,电信和联通都成立了专业的数据对外服务的公司,通过开放平台和数据产品来服务外部客户。

 

数据资产化的挑战

 

目前,在数据资产管理的技术发展方面,由于大数据技术栈中开源软件的缺失,数据资产管理的技术发展没有可参考的模板,工具开发者多从数据资产管理实践与项目中设计工具架构,各企业数据资产管理需求的差异化等各类多原因,使得数据资产管理工具的形态各异,呈现百花齐放的状态。随着数据量的增加和数据应用场景的丰富,数据间的关系变得更加复杂,问题数据也隐藏于数据湖中难以被发觉。智能化的探索梳理结构化数据间、非结构化数据间的关系将节省巨大的人力,快速发现并处理问题数据也将极大的提升数据的可用性。在数据交易市场尚未成熟的情况下,通过扩展数据使用者的范围,提升数据使用者挖掘数据价值的能力,将最大限度地开发和释放数据价值。

 

尽管工具众多且智能化程度不断提升,但目前数据资产化仍旧面临着以下相关问题——

 

l  问题一:数据确权困难

明确数据权属是数据资产化的前提,但目前在数据权利主体以及权力分配上存在诸多争议。数据权不同于传统物权。物权的重要特征之一是对物的直接支配,但数据权在数据的全生命周期中有不同的支配主体,有的数据产生之初由其提供者支配,有的产生之初便被数据收集人支配(如微信聊天内容、电商消费数据、物流数据等);在数据处理阶段被各类数据主体所支配。原始数据只是大数据产业的基础,其价值属性远低于集合数据为代表的增值数据所产生的价值。因此,法律专家们倾向于将数的权属分开,即不探讨整体数据权,而是从管理权、使用权、所有权等维度进行探讨。而由于数据从法律上目前尚没有被赋予资产的属性,所以数据所有权、使用权、管理权、交易权等权益没有被相关的法律充分认同和明确界定。数据也尚未像商标、专利一样,有明确的权利申请途径、权利保护方式等,对于数据的法定权利,尚未有完整的法律保护体系。

 

l  问题二:数据估值困难

影响数据资产价值的因素主要有质量、应用和风险三个维度 。质量是决定数据资产价值的基础,合理评估数据的质量水平,才能对数据的应用价值进行准确预测;应用是数据资产形成价值的方式,数据与应用场景结合才能贡献经济价值;风险则是指法律和道德等方面存在的限制。目前常用的数据资产估值方法主要有成本法、收益法和市场法三类。成本法从资产的重置角度出发,重点考虑资产价值与重新获取或建立该资产所需成本之间的相关程度;收益法基于目标资产的预期应用场景,通过未来产生的经济效益的折现来反映数据资产在投入使用后的收益能力,而根据衡量无形资产经济效益的不同方法又可具体分为权利金节省法、多期超额收益法和增量收益法;市场法则是在相同或相似资产的市场可比案例的交易价格的基础上,对差异因素进行调整,以此反映数据资产的市场价值。

 

l  问题三:数据交易市场尚未成熟

2014 年以来,国内出现了一批数据交易平台,各地方政府也成立了数据交易机构,包括贵阳大数据交易所、长江大数据交易中心、上海数据交易中心等。同时,互联网领军企业也在积极探索新的数据流通机制,提供了行业洞察、营销支持、舆情分析、引擎推荐、API数据市场等数据服务,并针对不同的行业提出了相应的解决方案。但是,由于数据权属和数据估值的限制,以及数据交易政策和监管的缺失等因素,目前国内的数据交易市场尽管在数据服务方式上有所丰富,却发展依然面临诸多困难,阻碍了数据资产化的进程。主要体现在如下两点。一是市场缺乏信任机制,技术服务方、数据提供商、数据交易中介等可能会私下缓存并对外共享、交易数据,数据使用企业不按协议要求私自留存、复制甚至转卖数据的现象普遍存在。二是缺乏良性互动的数据交易生态体系。数据交易中所涉及的采集、传输、汇聚活动日益频繁,相应的,个人隐私、商业机密等一系列安全问题也日益突出,亟需建立包括监管机构和社会组织等多方参与的,法律法规和技术标准多要素协同的,覆盖数据生产流通全过程和数据全生命周期管理的数据交易生态体系。

 

当前,数据资产化过程中仍有关于产权、价值、交易等重要问题等待解决,但随着数据资源越来越丰富,数据资产化正在成为企业提高核心竞争力、抢占市场先机的关键,这些问题也将随着资产化的进程逐渐明晰。


版权声明
本文仅代表作者观点,不代表艾瑞立场。本文系作者授权艾瑞专栏发表,未经许可,不得转载。
  • 合作伙伴

  • 官方微信
    官方微信

    新浪微博
    邮件订阅
    第一时间获取最新行业数据、研究成果、产业报告、活动峰会等信息。
     关于艾瑞| 业务体系| 加入艾瑞| 服务声明| 信息反馈| 联系我们| 合作伙伴| 友情链接

Copyright© 沪公网安备 31010402000581号沪ICP备15021772号-10

扫一扫,或长按识别二维码

关注艾瑞网官方微信公众号