数据运营推动入表的六大主要活动体现下

数据运营以充分释放数据价值、探索数据资产入表为目标，通过构建良性闭环的运营体系，丰富数据应用场景，充分赋能业务发展，优化数据产品体系，构建数据生态。

接续《数据运营推动入表的六大主要活动体现上》，企业通过构建数据管理能力，实现了理清数据分布、提升数据质量、确保数据安全、数据共享交换、数据分析挖掘等，为进一步深化数据应用、赋能业务发展奠定了基础。未来，伴随着数据要素市场逐渐成熟，企业更聚焦于持续优化数据管理能力，形成数据供需闭环，丰富数据应用场景，充分赋能业务发展，有效管控成本，精细化管理数据价值。

四、数据动态优化

数据动态优化是指通过核验数据的准确性、规范性、应用量、投入产出比等信息，对不一致、性价比低的数据进行变更或处置，优化数据配置的过程。数据动态优化主要包括数据核验、数据变更、数据处置等内容，建立对数据目录、数据内容以及数据访问权限的规范化维护流程，实现数据动态更新，对数据持续升级优化。

数据需要根据数据使用情况和业务发展情况进行动态优化，以提升数据供需两端的适配性。一方面，构建一套完整的数据核验机制，对数据的定义、内容、结构、权限进行持续核验，以保证数据信息的完整可信。另一方面，建立数据应用分析机制，持续跟进数据应用情况，通过评估分析，触发数据的迭代优化，保障数据建有所用、用有所得。

中国移动在数据运营过程中对数据订购情况、数据更新情况等进行持续跟踪和分析，重点关注长期无订购无授权的数据以及个性定制化数据需求涉及的数据，提升数据价值密度。长期无订购无授权的数据无法产生数据价值，同时长期消耗昂贵的大数据储算资源，所以企业会在评估其影响后对将其下线处理，结束数据生命周期，或者对数据模型进行重构优化改造后再上架开放。个性定制化数据的复用度低，价值密度低，数据开放和服务周期长，通过对定制化数据进行分析，评估其潜在共享价值，提炼和沉淀共性数据内容，进行共性、标准化改造后补增入数据开放清单。

交通银行在数字化营销等过程中应用了海量标签数据，为进一步提炼萃取高价值标签，实现标签资产的“优进劣汰”，交行以元数据为依托，以血缘及应用端埋点数据为数据基础，对标签资产从质量、共享及应用三个维度进行多维度分析统计，实现持续的标签价值量化与识别分类，指导对标签资产开展下线、推广、促活、迭代等一系列优化运营活动，包括高价值标签资产质量监控、中低价值标签资产使用促活、下线低价值/无价值标签等。

构建多维度场景化数据使用评价体系是提升用户体验的依据。中国联通实现数据服务运营全流程闭环可视评估评价，建立场景化“数据好用”评价体系，建立面向共性数据/能力使用和总部省分两级生产线落地标准的指标评价体系并持续跟踪。中国移动构建价值化数据价值评估模型量化数据，基于四象限矩阵价值划分准则，制定层级式资产价值化运营策略，通过数据生命周期管理流程促进数据“优胜劣汰”，形成良性的数据内循环。

图 8 数据使用评价体系

五、数据成本管理

数据成本管理是指对于企业内部数据资源所产生的各项成本明细开展规划、梳理、运营等管理活动的过程。企业开展数据成本管理的关键目标在于“厘清、算清、管清”与数据相关的各项成本数据。

“厘清”数据成本要求企业从数据生命周期的视角，逐一识别每阶段产生的数据成本类型。数据生命周期通常分为数据采集、数据传输、数据存储、数据处理、数据应用、数据销毁等阶段，同时还有数据管理、数据运维等横跨所有阶段的管理及运维活动。不同阶段由于涉及不同的数据活动，进而会产生不同的成本类型。例如数据采集阶段通常包含企业数据采集工具、采集人员、采集系统以及外部数据采购等成本，数据处理阶段包含企业数据分析人员、数据处理平台、数据加工处理项目等成本类型。因此，企业应结合自身数据生命周期特点具象化每个阶段所参与数据活动的对象与要素，进而识别出对应的成本内容。

总体来看，目前企业内与数据相关的成本类型主要可以分为以下四类，分别是与数据相关的人力成本、数据采购成本、软件成本和硬件成本。其中，数据采购成本最为清晰且直接，应以企业对外采购数据的合同金额为成本梳理的核心依据，软件及硬件成本需要企业按照财务处理要求计算好每年所产生的摊销或折旧金额。从成本内容来看，与数据相关的人力成本可区分为企业从外部采购的人力服务成本和企业内部投入的自有人员成本，而从成本形式来看，则可分为以项目制建设数据的项目成本和负责日常生产运营的人力成本。

“算清” 数据成本是指企业应根据识别的数据成本类型，整理相应的成本采集依据，为数据成本核算提供合规、可用的成本整合依据。例如，企业数据类项目建设成本信息，需要企业整合规定期限内的相关项目合同信息，包括项目内容、项目金额等；企业数据相关的人力成本信息，需要企业留存相关类型人员在处理数据工作时所留存的工时记录、对应人员的薪酬信息等内容；企业数据相关的系统或平台工具信息，则要梳理系统、平台或工具等建设时所投入的成本信息，并按照财务的摊销费用处理要求，识别每年度产生的相关成本费用。

在企业开展成本梳理及核算工作时，主要面临如下难点与挑战。第一，与数据相关的成本存在杂糅、不易区分的情况。在数据资源入表背景下，数据建设成本和软件建设成本将分别归入企业“无形资产-数据资源”和“无形资产-计算机软件”科目下，且不同科目成本的会计处理要求也有差异。因此，需要企业开展数据成本核算工作时，能够有效区分与数据建设和软件建设的成本内容。但由于企业在过去开展数据建设工作时，主要以项目制的方式推进建设，项目通常同时包含数据加工和软件开发的成本费用，在梳理项目时难以有效对两类成本进行有效的识别与拆分，进而影响数据成本核算工作，未来企业可尝试在立项阶段对数据类和软件类项目加以区分。

第二，数据成本难以合理的分摊至某一数据场景下的数据集。在数据应用赋能过程中，数据通常以数据集、数据表乃至字段粒度的形式参与到应用过程中，如果仅从数据规模的角度对总成本进行均摊处理将无法客观反应企业过往对不同类型数据投入的事实现状。因此，企业应首先识别并定义内部数据资源的形态类别，并建立起不同形态数据资源所关联的成本项，再考虑成本分摊的处理动作，避免成本分摊结果与数据实际投入的差异失真。

“管清”数据成本是指企业应针对最终核算的数据成本结果，常态化开展数据成本运营分析、成本决策优化等管理运营活动。企业在过去投入了大量的资源以完成数字化转型、数据管理体系等内容的基础建设工作，目前企业已经从过去的高速发展期逐步迈入科学管理阶段。因此，企业在未来开展数据投资建设工作时，应逐步从原来人员主观经验判断转向量化管理数据决策，利用客观、多维、清晰的数据管理数据指导企业开展数据投资建设工作。

六、数据价值评估

数据价值评估主要从数据成本投入、收益获取和市场供需的角度考虑，根据评估目的选择合适的评估方法。《资产评估专家指引第9号—数据评估》、《数据评估指导意见》 (中评协(2023) 17号) 针对满足数据资产定义的数据，在传统三类资产评估方法（成本法、收益法和市场法）的基础上提出了数据价值评估方法。目前，由于数据要素市场正处于初期的快速发展阶段，在具体估值过程中，市场法指标的采集来源可能会因此受限。因此，企业在当前阶段可结合数据应用、数据成本管理等工作成果，优先围绕成本法、收益法开展数据价值评估工作，探索企业数据价值评估实践路径。

现阶段，企业可以以数据价值评估为起点，将“价值管理”作为数据运营的目标之一，明确数据价值构成，形成数据价值链，理清数据预期经济收益的范围和来源，并为深化数据赋能业务、产品定价、数据入表、交易流通奠定基础。

图 9 数据价值管理体系

透过企业内外部数据应用的关键环节和链路，形成数据价值链，指导明确数据估值的范围和对象。在数据开始建设阶段，数据首先展现其固有的价值属性，包括数据规模和数据质量等方面；在数据投入使用后，数据将展现对企业人员和组织的支持价值，包括数据使用频率和用户满意度等方面；随着数据应用逐渐明确其具体的业务需求和支持目标，不同的应用场景将呈现出不同的业务价值类型，可以结合不同业务的KPI指标进行评估，如用户参与率和投诉率等；最终，随着数据在业务运营中的作用不断加深，数据价值最终将以提升企业社会影响力、降本增效等结果形式进行展现。

图 10 数据价值传导链路

数据内在价值与运营价值是伴随数据生产及使用过程所带来的固有属性，因此企业应围绕上述两类价值开展常态化的运营检测工作，及时检测、监管数据的生产和运营使用状态，确保数据后续应用过程的稳定运行。由于不同数据应用场景所实现的具体业务目标、经济目标或社会目标均有差异，因此数据的业务价值、社会价值和经济价值则需要企业根据不同数据所服务数据应用场景的具体目标来进行个性化的评价（其中经济价值评估可主要结合数据价值评估的收益法进行测算），进而帮助企业主动的识别自身优势的数据应用能力。

图 11 数据价值评估核心指标

北京电力针对关键电力数据开展了数据资产价值评估实践。依据“流通应用度最高、推广认可度最高、社会关注度最高”原则，选择两项优质评估对象。一是11张基础数据表（以下简称“11张表”），包括数据中台汇聚的被各类应用广泛调用的基础数据；二是“海淀智慧能源城市大脑”数据产品（以下简称“城市大脑”），包括电力看经济、电力看民生等大数据应用场景，该产品已在公司系统全面推广，广泛服务于各地推进城市治理工作。主要思路是在北京国际大数据交易所完成数据资产登记，分别由中国信息通信研究院完成数据质量评估，由北京中华同资产评估有限公司和北京中企华大数据科技有限公司完成价值评估。

南方电网以电力数据为样本，结合具体目的、针对特定对象、建立科学合理的方法，构建“目的-对象-方法”的评估框架。针对数据生产、处理、分析、价值提升全链条，按照价值管理和价值创造两条主线，构建价值发现、内部增效、成本优化、外部增值、社会责任、会计计量6个评估模型与方法，发布《电力数据要素价值评估白皮书》，提高电力数据的价值管理能力、加速数据的市场化流通。

从《暂行规定》的适用范围看，两种类型的数据资源可以推进入表，第一种是满足资产确认条件，可以确认为无形资产或存货的数据资源，可以纳入资产负债表；第二种是不满足资产确认条件，但企业拥有或控制、预期能给企业带来经济利益流入的数据资源，可以在企业财务报告中予以披露。数据价值评估一定程度为数据入表提供了过程依据和结果参考。

一是企业可以结合数据价值评估成本法的工作成果，梳理成本采集依据，核算数据全部投入，以确保数据成本的可靠计量。
二是结合收益法估值工作成果，探索、论证数据在企业内已经达到使用或出售的“可行性、意图、有用性”的证据证明。
三是依据数据血缘脉络关系，从数据应用场景出发，清晰展示每一项数据从源端直至应用过程中成本积累过程，为科学、合理的成本分摊奠定基础。
四是数据估值所采集的数据规模、数据分布、数据质量、应用效益、数据产品等信息，可纳入披露范畴。

数据估值结果为数据定价提供策略依据。一般来说，影响定价的因素较多，包括产品的市场供需状况、产品成本、竞争状况、政府对价格的干预等。数据估值结果为数据定价提供策略依据，包括理清相关数据产品的投入成本，明确该类数据产品的高价值场景和潜在需求方，便于在一定交易场景下获得议价优势。同时，综合考虑企业的品牌策略、渠道策略、营销策略，以及市场竞争程度等因素，指导企业在不同环境下形成合理的定价策略。

本文摘编自CCSA TC601大数据技术标准推进委员会发布的《数据运营实践白皮书》，全文下载：