从信息时代到数字时代，数据由记录业务逐渐转变为智能决策，成为了组织持续发展的核心引擎。从数据采集到数据管理，再数据资产的形成，数据资产管理将朝着统一化、专业化、敏捷化的方向发展，提高数据资产管理效率，主动赋能业务，推动数据资产安全有序流通，持续运营数据资产，充分的发挥数据资产的社会与经济价值。

  数据已经与土地、劳动力、资本、技术并称为五种生产要素，数据的价值是毋庸置疑的。数据甚至成为了国家的基础性战略资源，数字化的经济也正在成为经济稳步的增长的强大创新动力。那么——

  长期以来，对数据的定义强调了它在反映客观事实方面的作用。在信息技术中，数据也被理解为以数字形式存储的信息。

  大多数人认为数据代表事实，数据是这样一个世界中与某个事实结合在一起的一种真实表达。但“事实”并不总是简单或直接的。数据是一种表示方法，它代表的是除自身以外的事物。数据既是对其所代表对象的解释，也是必须解释的对象。这是人们需要语境或上下文使数据有意义的另一种说法。语境可被视为数据的表示系统，该系统包括了一个公共词汇表和一系列组件之间的关系，如果知道这样一个系统的约定，就可解释其中的数据。这一些数据通常记录为一种特殊的数据类型——元数据。

  元数据最常见的定义是“关于数据的数据”。它描述了数据本身（如数据库、数据元素、数据模型），数据表示的概念（如业务流程、应用系统、软件代码、技术基础设施）， 数据与概念之间的联系。

  元数据能够在一定程度上帮助组织理解其自身的数据、系统和流程，同时帮助用户评估数据质量，对数据库与其他应用程序的管理来说是不可或缺的。它有助于处理、维护、集成、保护和治理其他数据。

  元数据对于数据质量至关重要。数据的质量取决于它如何满足数据消费者的需求。元数据定义数据所代表的内容，拥有一个强大的数据定义流程，有助于组织正式确定和记录用于衡量数据质量的标准和要求。数据质量是为满足预期，而元数据是阐明期望的主要手段。

  主数据是以与业务活动相关的通用和抽象概念形式来提供业务活动语境的数据，包括了业务交易中涉及的内部和外部对象的详情信息，尤其是定义和标识符，如客户、产品、雇员、供应商与受控域（代码值）等等。

  主数据需要为概念实体（如产品、地点、账户、个人或组织）的每个实例识别并开发可信的版本，并维护该版本的时效性。成功的参考数据或主数据管理规划包含了完整的数据管理职能（数据治理、数据质量、元数据管理、数据整合等）。

  关于数据和信息的描述早已汗牛充栋。数据被称为“信息的原材料”，而信息则被称为“在上下文语境中的数据”。

  企业内部在数据和信息之间画一条线，可能有助于清晰地沟通 同利益相关方对不同用途的需求和期望，例如“这是上季度的销售报告” （信息），它基于数据仓库中的数据（数据）。认识到要为不同的目的准备数据和信息，将使数据管理形成一个核心原则：数据和信息都需要被管理；如果再将两者的使用和客户的需求结合在一起来管理，则两者应具有更高的质量。

  数据管理（Data Management）是为了交付、控制、保护并提升数 据和信息资产的价值，在其整个生命周期中制订计划、制度、规程和实践活动，并执行和监督的过程。

  管理数据意味着对数据的质量来管理，需要元数据和主数据的规划，进而驱动信息技术的决策。数据管理是跨职能的工作，需要企业级视角等多角度进行思考。数据管理需要全生命周期的管理，不一样数据有不同的生命周期特征，需要纳入与数据相关的风险。

  数据战略应该包括使用信息以获得竞争优势和支持企业目标的业务计划。数据战略必须来自对业务战略固有数据需求的理解：组织要说明数据，如何获取数据，如何管理数据并确保其可靠性以及如何利用数据。

  通常，数据战略需要一个支持性的数据管理战略，这是一个维护和改进数据质量、数据完整性、访问和安全性的规划，同时降低已知和隐含的风险。该战略还一定要解决与数据管理相关的已知挑战。

  战略一致性模型抽象了各种数据管理方法的基本驱动因素，模型的中心是数据和信息之间的关系。信息通常与业务战略和数据的操作使用相关。数据与信息技术和流程相关联，这些技术和过程支持可访问数据的物理系统。围绕这一概念的是战略选择的4个基本领域：业务战略、IT战略、组织和流程以及信息系统。

  数据治理包括定义策略、标准和企业架构，还包括问题管理和升级保护，以及服务与管理责任。为更好地管理风险，多数组织采用了典型的数据治理形式，以便能够听取所有利益相关方的意见。

  数据治理的目的是为了最大化地释放数据价值，使数据能更好地被组织所利用和变现，是实现数据资源到资产化，提升数据价值的重要过程。

  数据架构是数据管理的基础。由于大多数组织拥有的数据超出了个人能够理解的范围，因此有必要在不同抽象层级上描述组织的数据，以便更好地了解数据，帮助管理层做出决策。

  数据架构的构件包括了当前状态的描述、数据需求的定义、数据整合的指引以及数据管控策略中要求的数据管理规范。组织的数据架构是指不同抽象层级主要设计文档的集合，其中最重要的包含数据的收 集、存储、规划、使用和删除等标准。这是按照数据的生命周期来对数据架构中的内容做定义和范围界定，同时也可根据数据在组织系统中所存储的容器和路径来进行定义和确定范围。

  资产是一种经济资源，能被拥有或控制、持有或产生价值，资产可以转化为货币。而“数据资产”一词，于1974 年首次由美国学者理查德·彼得斯（Richard Peterson）提出，结合信息资源和数据资源的概念逐渐演变而来。2021 年在GB/T 40685-2021 国家标准中将数据资产定义为：数据资产是合法拥有或控制的，能进行计量的，为组织带来经济和社会价值的数据资源。

  一般地，数据资产（Data Asset）是指由组织合法拥有或控制的数据，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与社会效益。

  数据治理与运营是数据资产形成的重要手段，是数据可变现的必然过程。多数组织由于缺乏数据治理能力，导致数据质量普遍不高、数据接口不统一且无法融合，没办法形成有价值的数据资源， 直接影响了数据资产的价值最大化。

  数据资源是可以被控制并具有价值的数据集。满足了数据可变现、可控制后，基于资产的经济属性，数据资源要想转化为资产，还需满足可以用货币的方式衡量数据资产价值的条件，即数据资产可被计量。

  数据资源化通过将原始数据转变数据资源，使数据具备一定的潜在价值，是数据资产化的必要前提。数据资产化是通过将数据资源转变为数据资产，使数据资源的潜在价值得以充分释放。

  尽管数据的价值经常跟着时间的推移而变化，但它是持久且不会磨损的。数据非常容易被复制和传输，但它一旦被丢失或销毁，就不容易重新产生了。数据价值需要首先计算在组织内部持续付出的一般性成本和各类收益。数据的价值是上下文相关的 ，对一个组织有价值的东西可能对另一个组织没有价值，而且往往是暂时的，昨天有价值的东西今天可能没价值。

  数据资产估值（Data Asset Valuation）是一个理解和计算数据对组织的经济价值的过程。因为数据、信息甚至商务智能都是抽象概念， 人们很难将它们与经济影响联系起来。理解数据价值的关键是理解怎么样去使用它以及它的使用带来的价值。

  数据资产价值的评估，不仅是财务测算的过程，数据质量的技术评价也具有特殊的重要性。一般而言，数据资产价值的常用评估方法有综合成本法、收益法和市场法三种基本方法及其衍生方法。考虑数据自身特性，一般会构建包含内在价值、成本价值、经济价值、市场价值四个维度的数据价值评估体系。

  内在价值是指数据本身所蕴含的潜在价值，通过数据规模、数据质量等指标进行衡量。评估数据资产内在价值是评估数据资产能力的基础，对于数据资产其他维度价值评估具有指导作用。

  核心计算公式：内在价值 =( 数据质量评分 + 服务的品质评分 + 使用频度评分 )/3* 数据规模。

  数据质量评分是从数据的完整性、准确性、规范性等质量维度统计数据，服务质量评分是从 业务角度统计数据覆盖度和使用友好性，使用频度评分是统计数据资产的使用频度情况，数据规模是统计企业累计数据资产的总量。

  数据资产的成本价值指数据获取、加工、维护和管理所需的财务开销。数据资产的成本价值包括获取成本、 加工成本、运维成本、管理成本、风险成本等。评估数据资产成本价值可用于优化数据成本管理方案，有效控制数据成本。

  核心计算公式：成本价值 = 获取成本 + 加工成本 + 运维成本 + 管理成本 + 风险成本

  获取成本是指数据采集、传输、购买的投入成本；加工成本是指数据清洗、校验、整合等环节的投入成本；运维成本是指数据存储、备份、迁移、数据维护与 IT 建设的投入成本；管理成本是指围绕数据管理的投入成本；风险成本是指因数据问题造成数据泄露或外部监管处罚所带来的风险损失。

  数据资产的成本价值评估以数据项目为单元做核算，数据资产成本价值评估各项指标可能与传统项目成本或 IT 成本有所重叠，因此，可参考数据资产管理的标准化流程，进一步界定成本价值评估各类指标的数据资产贡献比例，提升成本价值评估的准确性。

  数据资产经济价值指对数据资产的运用所产生的直接或间接的经济收益。此方法通过货币化方式计量数据 资产为企业做出的贡献。

  业务总收益是指提升营业收入和降低经营成本。由于“数据资产贡献比例”的计算存在一定难度，可考虑利用业务流和价值流对业务总效益进行拆解，并对应数据流，进一步界定该业务价值环节的数据资产贡献比例。

  市场价值是指在公开市场上售卖数据产品所产生的经济收益，由市场供给决定数据资产价值。随着数据产品需求的增加以及数据交易市场规则的建立，该方法可行性与准确性逐步提升。

  由于数据资产具有传统资产所不具备的其它特征，因此，其价值的评估和计量并不完全遵从既有的会计、经济相关准则与标准，仍需要结合实践经验进行不断的探索和创新。

  数据资产的价值实现对企业内部而言是业务数据化，对企业外部而言是数据业务化。

  “业务数据化”主要是指企业将组织、生产、运营过程中产生的数据来进行收集整理分析，使业务数据知识化，不断的提高数据的价值质量，拓宽数据应用场 景，深挖数据价值，让数据价值化为知识为业务赋能，驱动业务的自我成长、 自我迭代并应用于服务自身经营决策、业务流程，以此来实现企业的业务增值。实现数据资产价值的主要路径包括：

  数据业务化是通过深度挖掘数据价值，并通过运营管理将这一些数据形成可 对外实现经济价值的产品或服务。企业对外实现数据资产价值的主要路径包括 但不限于：

  隐私计算是目前促进数据资产实现价值的重要技术之一，其对于数据资产的价值实现提供了强大的安全流通保障，组织对外数据业务化，很多场景需要依赖隐私计算得以实现。实际上，隐私计算可以让组织间的数据 资产提供至第三方使用或采购使用后，其资产状态不因使用而遭受形态变化或价值减损。

  数据资产管理（Data Asset Management）是指对数据资产进行规划、控制和供给的一组活动职能，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。

  数据资产管理面临一系列的问题和挑战，涉及数据资产管理的理念、效率、技术、安全等方面，阻碍了组织数据资产能力的持续提升。数据资产管理实践的一般流程如下：

  数据资产管理第一阶段是统筹规划，包括评估管理能力、发布数据战略、建立组织责任体系三个步骤，为后续数据资产管理和运营锚定方向并奠定基础。

  数据资产管理实施第二阶段的工作目标主要是通过建立数据资产管理的规则体系，依托数据资产管理平台工具，以数据生命周期为主线，全方面开展数据资产管理各项活动，以推动第一阶段成果落地，最重要的包含建立规范体系、搭建管理平台、全流程管理、创新数据应用四个步骤。

  第二阶段基本完成了由原始数据到数据资源的转变，第三阶段稽核检查关注于如何评价数据资源化成果并改进管理方法，该阶段的主要目标是根据既定标准规范，适应业务和数据的变化，通过对数据资源化过程与成果开展常态化检查，优化数据资产管理模式与方法。

  经历了前三个阶段，组织一般就具备向数据资产转变的基础。数据资产管理的第四个阶段是资产运营阶段，该阶段的主要目标是通过构建数据价值评估体系与运营策略，促进数据内外部流通，建立管理方与使用方的反馈与激励机制，推动数据资产价值释放。

  从信息时代到数字时代，数据由记录业务逐渐转变为智能决策，成为了组织持续发展的核心引擎。从数据采集到数据管理，再数据资产的形成，数据资产管理将朝着统一化、专业化、敏捷化的方向发展，提高数据资产管理效率，主动赋能业务，推动数据资产安全有序流通，持续运营数据资产，充分的发挥数据资产的社会与经济价值。

  数据管理实践是一项有既有挑战又有意义的工作，而且要一直持续优化，它即是一门科学，更是一门艺术，我们要深入学习以上“道”，“法”，“术”，“器”的方法论，再结合工作中的具体场景，不断深耕实践，让运维之手和运维之眼有数可依，更高效、从容地实现自动化、智能化运维，全面实现科技赋能。我们将踔厉奋发、笃行不怠，持续推动数字化转型工作更...

  2015年7月17日，首届以“数据资产管理”为主题的《2015数据资产管理大会》在上海富豪环球东亚酒店圆满举办。这场大数据的饕餮盛宴以“数据资产”为主线，彰显了企业提现数据价值的目标己任，聚焦了大数据行业顶尖企业和领军人才，展示了大数据产业和科技的成果与技术，并深入探讨了大数据未来的发展的新趋势。