数据资产管理方法论.docx

数据资产管理方法论.docx

《数据资产管理方法论.docx》由会员分享，可在线阅读，更多相关《数据资产管理方法论.docx（10页珍藏版）》请在冰豆网上搜索。

数据资产管理方法论

数据资产管理方法论

前沿

当前数字化转型大背景下，许多企业都在全力推动数据资产的落地实施，逐步开始汇聚数据、管理数据、利用数据、运营数据，创造数据价值。

一、数据资产现状及演变发展

当前数字化时代已至，各行业的企业内外部环境正在悄然改变。

然而持续推动数字化转型依然是传统企业在竞争中取得优势的最佳路径。

分别从以下5个方面进行现状解读：

市场：

由卖方向买方转化，消费主导权转移到需求端，客户已崛起为重要的市场力量，平台化、数据化与普惠化成为数字经济的重要特征。

客户：

客户预期与客户行为已开始全面数字化，期待数字化的产品、服务，期待全渠道、无缝用户体验。

新技术：

大数据、区块链、AI等数字技术赋能企业转型，技术革新推动各产业由单纯的产品经济进入服务经济。

政策监管：

政府放宽监管、鼓励企业转型试水，政策红利推动数字化企业发展迅猛。

商业模式：

数字化企业积极布局生态系统，各行业价值链经历营收与利润的彻底变革，传统企业从核心业务出发向相关产品与服务拓展。

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。

”这反映了随着经济活动数字化转型的加快，数据对提高生产效率的乘数作用凸显，成为最具时代特征的新生产要素。

从70年代的信息资源计算机科学快速发展到90年代的数据资源政府和企业数字化转型再到新世纪的数据资产BigTech兴起。

再到2017年中国信通院在《数据资产管理实践白皮书》重新定义数据资产。

数据资产化的步伐正在稳步推进。

与此同时，各行各业正在各行业积极践行数据资产管理（DAM）。

从发展阶段来看，分别有：

报表分析阶段：

为生产企业报表，并解决经营分析的准确性；

初步治理阶段：

为提升数据质量，主要开展数据标准管理和数据质量管理；

平台管理阶段：

为管理和共享数据，数据汇聚到大数据平台，开展元数据管理、主数据管理和数据安全管理；

资产运营阶段：

数据成为企业核心生产要素，不仅满足企业内部业务创新，更成为服务企业外部的数据产品；

例如在公共数据领域，政府进行DAM实践取得明显成效，公共数据治理总体思路是：

对公共数据实行统一目录管理，市级责任部门编制本系统公共数据资源目录，区主管部门可以编制本区公共数据资源补充目录。

公共管理和服务机构根据各自职责明确需求清单、责任清单、负面清单。

分别从善政和惠民的立足点出发，在数据共享协同、城市科学决策、城市高效运行、数字经济赋能等方面发力，进行数据资产落地实践。

在金融证券领域，早期由上级监管单位强制推动数据治理，现在数据治理已经作为金融证券行业常规的日常管理工作。

数据治理作为数据资产化过程的基础步骤，目的是通过业务角度的自上而下演绎和数据角度的自下而上归纳对数据资产进行盘点，形成数据资产地图并实现对数据价值的服务化。

目前正在实现从数据治理到数据资产化的演进。

其实从数据治理到数据资产化，不仅仅是概念的延伸，更是体系化的提升，是指规划、控制和提供数据及信息资产的一组业务职能，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。

更包括了元数据、数据质量管理、数据标准管理、数据模型管理、数据共享管理、数据安全管理等数据管理域的智能协同。

二、不同行业的数据资产

实施路径和工具选择

那么不同行业的数据资产管理都分别具有什么样的特点特色呢？

体量不同、行业不同、组织架构不同的企业又该如何选择适合自己的实施抓手呢？

不同行业的最佳实践，作为建设路径的参照

以下不同行业的数据资产实施实践，分别从建设策略、实施难点、实施优点、适用对象等4个维度出发，对应整体规划模式、业务分析集市模式、数据平台模式（DW/大数据平台/数据中台）、大型生产系统开发建设模式、老旧系统升级改造模式、主数据建设模式、数据资源目录模式等不同模式的实施需求进行分析，作为建设路径的参照参考。

二、不同行业数据资产实施路径

以下不同行业的数据资产实施实践，分别从建设策略、实施难点、实施优点、适用对象等4个维度出发，对应整体规划模式、业务分析集市模式、数据平台模式（DW/大数据平台/数据中台）、大型生产系统开发建设模式、老旧系统升级改造模式、主数据建设模式、数据资源目录模式等不同模式的实施需求进行分析，作为建设路径的参照参考。

以数据资产为核心，构建全生命周期的全面管理能力

实施思路是以数据资产为核心，通过数据资源化、赋能资产化、资产服务化三步骤，构建全生命周期的全面管理能力。

数据资源化：

元数据是资源管理的抓手，借助元数据等技术手段对数据资源的统一发现、集中管理；

赋能资产化：

通过赋能将资源转化为资产。

将资源赋予质量保障、安全保障、流程保障、服务能力保障，是数据资产化管理的基础；

资产服务化：

结合资产应用场景，在管理上形成从标准-发现-监控-盘点的闭环；在应用上以服务化方式支持标签等价值应用。

同时利用数据资产管理工具完成数据资产管理的两大核心工作，分别是数据治理工作和数据运营工作。

在数据治理方面，平台主要实现数据的标准化、数据质量的提升，并理清

数据之间的关联关系。

在数据运营方面，平台主要通过汇聚数据、明确数据分布，提升数据获取的效率，并评估和运营数据资产的价值，最终实现数据的保值和增值。

数据资产管理平台实现数据治理:

数据资产管理平台将业务数据化，并开展数据标准化

数据资产管理平台清理垃圾数据，提升数据质量

数据资产管理平台理清数据关联关系

数据资产管理平台运营数据资产:

数据资产管理平台汇聚全局数据，明确数据分布

数据资产管理平台提供数据服务，共享数据

数据资产管理平台评估数据资产，实现数据价值增值

所以说数据资产管理工具是数据资产管理工作落地的重要手段，因大数据技术栈开源软件的缺失，给各个商业软件厂商提供了差异化竞争的良好条件。

然而作为数据资产管理工具的集成平台，将各类工具以模块化的方式嵌入平台，并通过对各模块建立关联，实现数据的全流程和多维度管理是管理工具实施的关键。

同时各个细分专业工具都将向智能化、敏捷化的方向发展。

其中元数据管理工具、数据标准管理工具、数据质量管理工具是数据资产管理工具的核心，数据价值工具是数据资产化的有力保障，主数据管理工具、数据模型管理工具覆盖率较低，低于20%。

以成熟产品序列，构建数据资产管理平台套件建议以成熟产品序列，构建数据资产管理平台套件。

产品套件应包含：

元数据、数据标准、数据质量、模型、安全管理、数据共享、数据标签等产品。

每个产品需要体现智能与自动化，比如元数据智能发现，数据质量智能核检，数据模型智能比对，数据标准智能判别，数据安全智能识别与自动处理，数据标签自动匹配与智能检索等。

根据不同的实施背景选择适合的解决方案

根据不同的需求场景，可泛化为几个通用的场景进行解决方案适配，对相应的管理工具进行选择实施：

基本的治理型需求：

适应于条件不具备，初步尝试进行治理改造机构和企业。

建议选择实施元数据+数据质量。

初步的资产管理需求：

适合于有一定的治理基础，或在某一单一领域内进行资产化管理。

建议选择实施元数据+数据质量+数据资产+数据模型+数据标准。

全面的资产化需求：

适合于大型企业或机构建设企业级平台。

建议选择实施元数据+数据质量+数据安全+数据模型+数据标准+主数据+数据共享。

三、数据资产实施落地方法论

1.实施分析

数据资产管理项目实施的特点各有不同，以下从3方面对进行分析：

项目建设周期：

与传统数据应用项目不同，数据资产管理项目是长期、持续的实施项目。

其管理的对象业务复杂度不断提高、范围不断扩大的挑战，必须建立迭代目标。

项目启动方式：

数据资产管理涉及到各个业务板块的核心，在管理上涉及各个业务板块的利益再分配，必须依赖于机构最高决策层的重视和推动，必须纳入企业管理整体机制。

与数据治理的差异：

数据资产管理包含数据治理。

数据治理的目标相对静态，数据资产管理以资产价值化管理为目标，是相对动态的。

2.实施愿景

建立符合业务特点的可迭代体系是实施愿景，从工作机制、技术平台全面改善数据资产的六性：

可知性、可控性、可信性、可用性、可取性、安全性。

3.实施原则

数据资产管理体系是企业面向数据化转型中，实现内外部业务协同、数据共享交换、提升数据质量、发挥数据价值潜力的基础，其中数据资产管理体系的实施原则如下：

全局意识：

数据资产管理体系是企业实现数字化转型的基础。

其成功需要企业跨业务条线、跨部门、跨地域、跨系统的整体协调配合，必须具备全局意识和相应组织来统筹管理和推进;

业务为本：

实现企业内部对业务和数据统一共识是数据资产管理的核心目标。

体系的建设，应以业务为本，从业务中产生，服务于业务，把提升业务的规范性和全局的业务协同能力作为重点;

质量为核：

良好的数据质量是数据资产管理的主要目标。

资产管理的建设应以提升数据质量为核心诉求，大力推行数据标准落地，解决数据质量源头问题;

分步演进：

数据资产管理体系的建设是企业的长期任务。

企业应从自身的战略、业务、机构和人员、管理流程等方面，综合评估，并根据各个阶段的业务目标，分步建设数据资产管理体系;

局部执行：

企业应结合自身业务现状和问题，有针对性制定工作计划。

在建设初期，应选择合适的落地切入点，通过“局部执行，快速见效”策略，以点带面，推动数据资产管理体系的逐步完善。