近年来，企业逐步由数据资源化阶段迈向数据资产化阶段，并伴随着数据要素市场日新月异的发展，探索适合自身需求的数据资产化路径，呈现出精细化、协作化、智能化、开放化、增值化的特点。《数据资产管理实践指南（7.0版）》由CCSA TC601大数据技术标准推进委员会发布，旨在指导企业构建数据资产化的价值基线，在数字经济时代有效管理和利用数据资产，推动企业数字化转型和数据要素市场的发展。
良好的数据资产管理是促进数据要素价值释放的基础，涵盖数据资源化和数据资产化两个阶段。其中，数据研发运营一体化（DataOps）和数据架构全景管理是现阶段企业数据资源化的管理模式，数据价值评估、数据资产流通和运营是数据资产化阶段的关键实践路径。数据资产管理保障措施包括战略管理、组织架构、制度体系、平台工具和长效机制。未来，数据资产管理将朝着统一化、专业化、敏捷化的方向发展，推动数据资产安全有序流通，持续运营数据资产，充分发挥数据资产的经济价值和社会价值。
一、数据资产管理概述
1. 数据资产管理的必要性
数据成为国家基础性战略资源，数字经济在国民经济中的地位和作用进一步凸显。2022年12月，中共中央国务院发布《关于构建数据基础制度更好发挥数据要素作用的意见》，提出构建数据基础制度体系。
图 1 ：数据资产管理助力企业数字化转型
2. 数据资产管理概念内涵
数据资产是指由组织合法拥有或控制的数据，可进行计量、应用与交易，能直接或间接带来经济效益和社会效益。数据资产管理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。数据资产管理包括数据资源化和数据资产化两个环节。
3. 数据资产管理发展现状
政策环境和标准体系持续优化，金融、通信、制造、能源等行业相继出台相关政策，推动全行业提高数据资产管理能力。根据中国电子信息行业联合会发布的《2024中国数据管理报告》，企业逐渐夯实数据资产管理基础能力。数据产业规模和服务质量稳步提升，预估到2029年，数据产业规模年均复合增长率超过15%。
4. 数据资产管理主要难点
企业数据资产管理内驱动力不足，缺乏有效的价值评估体系和激励机制，导致管理层难以明确数据资产管理的价值贡献。数据资产管理效率存在瓶颈，企业内部信息化建设缺乏统一规划，导致数据标准不一、共享效率低，阻碍了数据资产的内部流动和共享应用。数据应用缺乏效果评价，数据资产收益难以评估，影响了数据应用的持续完善。
数据权属和定价仍是难题，阻碍了数据对外流通。目前数据要素市场处于发展初期，尚未建立明确的数据确权和定价机制。数据安全合规管理机制难以适应数据要素新形势的变化与要求，企业数据安全合规的规范内容不清，数据安全合规管理与传统信息安全存在工作交叉导致组织体系建设混乱。
二、数据资源化阶段
1. 主要活动职能
数据模型管理、数据标准管理、数据质量管理、主数据管理、元数据管理、数据开发管理和数据安全管理，包括设计和管理数据模型，确保数据模型的准确性和一致性；制定和发布数据标准，推动数据的标准化；运用相关技术来衡量、提高和确保数据质量；管理和协调与企业的核心业务实体相关的系统记录数据；定义元数据类型，并对元数据进行收集、整理、存储、维护以及利用；建立开发管理规范与管理机制，监控与管控开发过程；确保数据处于有效保护和合法利用的状态。
2. DataOps新模式
通过构建高效协同机制，建立精细化数据运营体系，实现数据产品高质量与高效率地交付。
- 研发治理一体化：将数据治理工作融入到研发运营管理的流水线中，形成“先设计、后开发、先标准、后建模”的模式，在研发阶段对数据的质量和安全等问题进行有效管控。
- 自动化测试流水线：通过使用测试工具进行自动化测试，减少人工测试过程中的错误和疏漏。将自动化测试融入持续集成和持续交付流程中，实时监控数据流水线的运行状态，发现问题并及时反馈给研发团队。
- 全链路数据可观测能力：实现数据研发运营管理全生命周期的效能、资源、质量、成本等方面进行系统性的监测与度量，帮助企业全面掌握数据研发运营的各环节情况，及时发现问题、反馈问题、处理问题，进而不断优化数据开发全流程。
- 自助服务：主动利用数据资产，提高用数效率。随着企业数据文化氛围的形成，员工数据能力的不断提升，数据需求方可以主动利用自助分析平台进行数据指标、报表、驾驶舱等任务的开发，快速满足自身需求。
图 2 ：DataOps框架
3. 数据架构全景视图
立足于企业全局视角，对全量数据资源的基本特性进行描述和管理，确保数据资源与业务活动全面对齐。
- 企业数据架构从根本上决定了企业数据管理体系的层次、边界和颗粒度。
- 描述和管理数据资源的静态属性和动态特性，提供全面、融合的、变化的数据资源全景视图。
三、数据资产化阶段
1. 数据价值评估
通过构建价值评估体系，计量数据的经济效益、业务效益、投入成本等活动。核心方法是成本法、收益法和市场法。
- 成本法：明确数据成本分类，核算全部投入和分摊成本。
- 收益法：以数据应用场景为抓手，识别数据赋能收益价值。
- 市场法：指导数据产品合理定价，打造企业数据核心竞争力。
图 3 ：数据资源收益测算思路
2. 数据资产流通
确认数据权属是数据资产交易流通关键一步，数据确权的核心是构建完善的数据产权制度。
- 构建完善的数据产权制度，确保数据有序流通利用。
- 数据交易场所在积极投入建设和运营，推动数据资产化。
- 金融、互联网等行业深化数据交易合作，推动数据交易产业发展。
3. 数据资产运营
通过对数据服务、数据流通情况进行持续跟踪和分析，以数据价值管理为参考，建立科学的正向反馈和闭环管理机制，促进数据资产的迭代和完善。
- 建立可共享可复用的数据资产体系，构建多层级数据资产目录。
- 丰富数据服务形式，满足数据使用方需求。
- 分析数据成本结构，优化数据投入方向，开展常态化数据资产价值评估。
图 4 ：南方电网数据产品运营服务示意图
四、数据资产管理保障措施
通过对数据战略进行规划、执行、评估，确立数据资产管理的中长期目标和管理活动优先级。建立全方位、跨部门、跨层级的数据资产管理组织架构，是实施组织级统一化、专业化数据资产管理的基础。
图 5 ：数据战略管理流程与要点
数据资产管理制度体系通常分层次设计，依据管理的颗粒度，制度体系可划分为组织级数据资产管理总体规定、管理办法、实施细则和操作规范四个层次。
图 6 ：数据资产管理制度体系架构
DataOps平台工具和数据运营平台帮助企业在数据资产化阶段实现以价值为导向的管理。
图 7 ：数据运营平台功能框架图
培训宣贯、绩效考核、激励机制、审计机制、数据文化培养等长效机制，是数据资产管理活动持续高效运行的重要保障。
图 8 ：数据资产管理长效机制
- 培训宣贯：通过安排员工参与数据资产管理培训、课程，加深行业内、外部单位优秀经验沟通与交流。
- 绩效考核：建立数据资产管理考核机制，确保数据资产管理各项工作落实到位。
- 激励机制：建立员工职业发展通道，设立数据资产管理相关奖项。
- 审计机制：组建审计团队，引入第三方审计机构，依托相关审计平台，对岗位职责、制度体系、管理活动开展审计。
- 数据文化培养：优化数据服务方式，降低数据资产管理参与门槛，开展多类型数据技能培训和比赛。
五、数据资产管理发展趋势
企业应将数据视为一种宝贵的资产，通过深入挖掘数据的内在价值，为企业的战略决策、业务优化与创新发展提供有力支撑。企业需要将数据融入各领域的业务环节，构建数据应用闭环管理体系，建立一套完善的数据反馈与优化机制。企业需要将数据视为一种可度量的资产，通过建立科学的数据价值评估体系，衡量数据在提升运营效率、优化决策质量、增强市场竞争力等应用场景的具体贡献。
企业将业务运营、数据管理与财务管理紧密结合，形成一个有机整体，打通数据中台、业务中台和财务中台，实现数据项目跟业务需求走、项目管理跟财会管理走的协同模式。企业通过引入DataOps平台、数据资产运营平台、AI等技术工具，实现对数据资产的智能化管理，提高数据处理的准确性和效率。企业构建多元数据生态，参与数据要素市场建设，通过引入多维度数据、多类参与方、多种产品形态，进一步拓展数据应用场景和数据合作方式。
六、热点问题关注
1、数据资产化阶段的数据价值评估有哪些具体方法？
数据资产化阶段的数据价值评估主要有以下三种方法：
- 成本法：明确数据成本分类，核算全部投入和分摊成本。数据全部投入成本包括数据类成本（数据采集成本、数据建设成本、数据管理成本）、数据相关软件摊销费用和数据相关硬件折旧费用。将总成本分摊至数据集，通过假定一系列数据表的总成本固定，利用上游依赖节点和下游节点的血缘关系作为分摊因子，实现各数据表的成本计量。
- 收益法：以数据应用场景为抓手，识别数据赋能收益价值。通过构建数据经济价值测算模型，量化数据应用前后的业务表现变化，进而对数据经济价值进行估算。数据应用场景包括精准营销、存量经营、网络规划建设、网络故障监控和网络运营优化等。
- 市场法：指导数据产品合理定价，打造企业数据核心竞争力。根据相同或者相似的数据产品近期或者往期成交价格，及数据产品异同区别的情况下，完成企业内同类别数据的价值评估工作。企业需要在内部建立标准化的定价体系，理解自身数据交易流通的收益模式，并结合市场法估值的本质，打造并发展数据要素核心竞争力。
2、DataOps新模式与传统数据资源化管理有何不同？
DataOps新模式与传统数据资源化管理的不同主要体现在以下几个方面：
- 活动职能整合：DataOps将数据质量管理、数据标准管理、数据模型管理等职能整合到一个框架下，形成高效协同机制。
- 流程优化：通过自动化测试流水线、全链路数据可观测能力等手段，提升数据开发和交付的效率。
- 以用数为导向：DataOps强调自助服务，鼓励数据需求方主动利用数据资产，提高用数效率。
- 敏捷开发：采用敏捷开发方法，将数据处理流程划分为多个小部分，快速响应需求变化。
3、数据架构全景视图在企业中的应用有哪些具体实例？
数据架构全景视图在企业中的应用实例包括：
- 中国移动：通过数据架构全景视图，中国移动实现了数据资源的高效管理和应用，提升了数据开发效率和需求交付速率。
- 中国电信：中国电信利用数据架构全景视图，构建了开放共享的可信数据空间，提供了数据要素全链条的服务。
- 南方电网：南方电网通过数据架构全景视图，实现了数据产品的精准营销和价值评估，推动了数据资产的市场化运营。
2024年是大数据技术标准推进委员会连续发布《数据资产管理实践指南》的第八年。本报告指导企业构建数据资产化的价值基线，扩大数据资产应用的广度和深度，引导以实现数据资产价值最大化为目标，回归数据资产管理的本质。
赋能业务发展的“风向标” 数据资产管理实践白皮书（6.0版）正式发布（附下载）
本白皮书结合企业数据资产管理典型方法和实践案例，重点讨论数据资产管理的活动职能、保障措施、实践步骤等，并对数据资产管理发展进行总结与展望。
而在《国企加速盘活“沉睡”数据资产的“三三”阶段模式（附政策回顾）》、《数据资产入表及金融价值实现的挑战和三个层面建议》两篇中，小编汇总2024年以来政策和热门内容，从数据资产入表认识、合规问题拆解、关键步骤详述，到评估指标体系和系统建设、医疗金融等行业举例以及趋势展望等，希望再次能有个全面回顾和深刻理解。
来源：数据资产管理实践指南（7.0版），CCSA TC601 大数据技术标准推进委员会。下载文档请在数治网微信公众号对话框发送“241220”获取链接。
