数据要素在当前不仅能够推动各自行业的发展,还能促进跨行业的融合与创新,提升行业整体的数字化水平,未来将对整个社会经济的高质量发展产生深远的影响。《2024 全国总决赛路演在即 浅谈数据要素×产业链应用趋势》这篇为我们打开思路,《深挖 666 个大赛入围项目 万字解析“数据要素×”实践和优势》,更让我们认识到,数据要素在产业创新和升级中正起到举足轻重的作用,不仅显著增强企业的竞争力和环境责任感,还提升了各行业的生产效率和安全水平,以及产业链的智能化和绿色化整体水平,促进数字化转型和可持续发展目标的实现。
资源化:多个项目涉及到了数据的收集、整合和处理,体现了数据作为资源被广泛应用于各行各业,推动了产业创新和效率提升。
资产化:有的项目明确提到了数据资产的管理和运营,表明数据不仅被视为资源,还被进一步转化为具有经济价值的资产,通过平台化运营实现了数据的价值最大化。
要素化:不少项目更强调了数据作为生产要素的重要性,反映了数据在产业链中的核心地位,以及它在企业转型和产业升级中的关键作用。
一、“资源化”-“资产化”-“要素化”正确路径
此前在《商业银行要让“数尽其用” 从图说数治金字塔 1.0 开始》一篇中引入主编黄荣楠提出的数治金字塔 1.0 模型,来全面理解数据要素在数字经济的核心推动作用。
其中,数据历经“资源化”-“资产化”-“要素化”为新质生产力形成注入创新动力,各行业企业在“数据驱动”-“敏捷运营”-“数字创新”三步转型中逐渐步入未来产业,促使数字经济在双螺旋结构中循环上升。具体表现和阐述如下:
数据资源化
数据资源化是指将原始数据转化为有价值的信息资源。数据首先被采集、归类、加工和管理,以形成资产。这一过程涉及到数据的盘点、确权估值、入表运营等核心维度。数据与新兴技术同源共生,新兴技术的深化应用不断催生数据喷井式爆发增长,确立了数据作为生产要素参与资源分配的重要地位。
数据资产化
数据资产化是指将数据作为一种资产进行管理,使其能够为企业创造经济价值。数据被加工成产品,并在大数据交易所等平台申请数据知识产权登记。这有助于明确企业数据资源的标准,并帮助企业获得银行融资授信,同时探索相关的数据应用场景。
数据要素化
数据要素化是指将数据作为一种生产要素,参与到生产、分配、交换和消费等社会经济活动中。数据作为生产要素,在会计领域得到确认,通过规模化流通和价值释放,预期能够产生经济效益。同时结合企业对数据价值和应用场景的认知提升,使得数据资产可以被准确客观地评估。
数据要素化正在成为推进新质生产力形成的重要动力,为经济社会发展注入新的活力。在实际体现和运用中,例如在金融领域,金融机构用户率先完成了可信隐私保护技术的基础设施和平台建设,进行数据流通应用的探索和实践。在交通运输领域,通过深入场景,关联电力、支付情况、园区车辆数量、停车时段等维度数据,精细化预判区域内所需新能源充电桩数量。
二、向数据驱动型转变的落地方式
企业在业务数据化到数据业务化过程中向数据驱动型转变,数据同时资源化;在入表、登记后资产化,通过敏捷运营能够要素化进行共享流通,从而推进产业数字化到数字产业化,最终实现数字创新。
这一过程中,企业在进行数字化转型和智能化升级时,从服务规划、实施策略以及应用实践到模式创新可以通过以下10个方面落地:
- 数据业务化服务
企业提供数据业务化服务,如数据咨询、数据集成、数据治理、数据安全等,帮助企业将数据转化为实际的业务价值。
- 数据战略咨询与规划
企业通过数据战略咨询与规划,明确数据要素的价值,制定数据资产化与智能应用的战略,确保数据在企业业务中的核心地位。
- 数据治理与监管
企业建立数据治理与监管体系,确保数据的合规性、一致性和可用性,提升数据质量。
- 数据安全与隐私保护
企业在数据业务化的过程中,注重数据的安全与隐私保护,采用多方安全计算、可信执行环境等技术,确保数据在流动过程中的安全性。
- 数据平台服务
企业提供数据平台服务,包括数据仓库、数据湖、数据中台等,为数据的高效存储、处理和分析提供支持。
企业采用“五步走”实施策略,包括数据资产化、数据确权、数据价值评估、数据财务核算、数据资产管理等,确保数据在业务流程中的顺畅流通。
- 数据资产化与智能应用
企业将数据视为资产进行管理,通过数据采集、数据治理、数据可视化、数据分析与挖掘等手段,实现数据的价值最大化。
- 数据价值评估与计量
企业采用科学的方法对数据资产进行评估与计量,确保数据价值的准确性和客观性。
- 数据交易与流通
企业参与数据交易与流通,通过数据交易所等平台,实现数据资产的市场化配置,促进数据资源的有效利用。
- 数据应用场景的实践
企业在实际业务中,不断探索数据应用场景,如城市治理、智慧双碳、智能办公等,实现数据价值的倍增和放大。
- 数据驱动的商业模式创新
企业通过数据驱动的商业模式创新,探索新的业务模式和市场机会,如数据驱动的营销、风控等场景应用。
就如软通咨询基于多年服务客户的经验优势,确定了以“1357”的架构搭建数据价值化管理体系,即以数据要素价值发挥为核心目标,从“数据”、“技术”、“业务”三个方面进行分析与挖掘,建立“规划、战略、架构、治理、评估”五种方法模型,通过“梳、理、定、查、治、放、用”七个具体行动来实现数据要素价值的全面释放。
三、数据要素流通中的资产评估
在数据要素流通中离不开资产评估,它的重要性在于通过对数据资产进行评估,可以确定其价值,这对于数据资源的有效配置和利用至关重要。合理的资产评估可以帮助企业和个人了解数据资产的实际价值,从而在数据交易、数据共享等活动中做出更明智的决策。此外,资产评估还有助于确保数据资产的所有权和使用权得到合法保护,避免因数据价值评估不当而引发的纠纷。
由于数据资产的特殊性,其价值评估往往比较困难,需要采用合适的评估方法和工具。数据资产也可能存在各种风险,需要进行有效的风险管理。数据资产交易过程中还可能存在不规范的行为,需要进行规范的管理和监督。
1、资产评估的基本步骤
- 数据资产盘点:首先,对数据资产进行全面的盘点,包括数据的类型、数量、质量、来源等信息。
- 数据价值评估:根据数据资产的特点和市场需求,采用适当的评估方法(如成本法、市场法、收益法等)对数据资产的价值进行评估。
- 数据风险评估:分析数据资产可能存在的风险,如数据泄露、数据质量不稳定等,并对这些风险进行评估。
- 数据资产定价:根据数据价值评估和风险评估的结果,确定数据资产的定价。
2、确保资产评估准确性
- 选择专业的评估机构:选择具有丰富经验和专业知识的评估机构进行资产评估。
- 采用科学的评估方法:采用科学合理的评估方法,确保评估结果的准确性和可靠性。
- 进行充分的市场调研:进行充分的市场调研,了解市场对数据资产的需求和价格,以确保评估结果的合理性。
- 进行风险评估:对数据资产进行风险评估,确保评估结果能够反映数据资产的实际价值。
如在《案例手册全国首发 带你详解数据资产和评估》中所提的手册,基于具体案例开展数据资产评估分析工作,从评估目的、行业应用场景、评估价值类型、评估方法等几个方面提供了数据资产场景化评估的具体操作指引。而在《细数银行业数据资产估值指标体系和过程》中发布的《指南》,更构建了全面而实用的数据资产估值框架,涵盖数据资产的识别、评估、管理到价值提升等关键环节,为全面构建我国金融领域数据资产估值体系提供了有益参考。
四、行业面临的挑战及未来发展
金融行业对数据的需求巨大,包括客户信息、交易数据、市场数据等,数据要素可以帮助金融机构提升风险管理能力、优化产品设计、提高客户服务效率。医疗数据蕴含着丰富的患者信息和疾病知识,数据要素可以推动医疗服务的个性化和精准化,提高医疗质量和效率。
交通运输数据涉及车辆行驶轨迹、路况信息、乘客需求等,数据要素可以优化交通调度、提升运输效率、降低运输成本。能源数据包括能源消费情况、能源产量数据、能源设施状态等,数据要素可以助力能源行业的智能化管理、节能减排和能源安全。
数据要素流通行业在快速发展的同时,也面临着多方面的挑战,需要多方共同努力,通过技术创新和政策引导,推动行业的健康发展。
1、面临的挑战
首要应对数据质量参差不齐的问题,可以通过以下几个方面来解决:
首先,加强数据质量管理是关键。这包括建立严格的数据质量管理体系,制定数据质量标准,并对数据进行定期的质量检查和评估。同时,采用数据清洗和整理技术,以提高数据的准确性和完整性。
其次,提升数据治理能力也是必不可少的。这涉及到完善数据治理组织架构,明确数据治理的标准和流程,并加强数据治理人员的培训和技能提升。
此外,推动数据资产入表和估值实践也是解决数据质量问题的一种方式。通过数据资产入表,企业可以对数据进行更准确的评估和价值衡量,从而促进数据的高质量流通和应用。
最后,加强多方协同也是提高数据质量的有效途径。这包括政府、企业、科研机构等多方共同参与数据质量管理,形成数据质量管理的合力。
2、未来发展趋势
- 监管引导与产业生态协同并进
政策工具的多维创新:监管与政策持续推出多政策工具,激活数据要素,鼓励创新技术探索应用,引导、培育并不断壮大数据要素产业生态。
区域间数据交互和业务互通:各省市持续“因地制宜”,结合自身资源禀赋及当地优势,在应用模型建设、平台共建、合规全流程查验、沙箱机制等模式不断探索,促进区域间数据交互和业务互通,降低合规成本。
- 多参与方的不断加入
市场主体与产业生态的丰富:除了政府、行政事业单位等所持有的公共数据授权运营体系化建设、合规体系、收益分配机制等环节不断完善,促进数据流通,还不断有不同类型的数据提供方、需求方以及新模式的数据交易平台等参与主体进入市场。
- 学术研究与产业实践的结合
行业标准的制定:学术界、行业协会与相关组织通过牵头行业内部前瞻参与者进行交流和探讨,共同开展关于产业链环节、技术实践与应用等多个标准和规范,建立标准体系。
- 多技术融合赋能产业场景应用
新型基础设施和解决方案:AI、区块链、隐私计算等新兴技术的不断深化,基于新技术和产品进行整合与重新塑造,新型的基础设施和解决方案将为数据资产化提供支撑。
- 业务系统互联互通
数据要素全面化建设的重要考量方向:如何匹配已有内部业务管理系统与新建的数据要素平台,成为当前建设与管理过程中重要考量因素之一。
- 数据安全、隐私保护及合规体系建设
长期关注方向:随着数据相关的各类应用相互交织,关联甚广并不断深化,数据安全与合规保障议题的重要性日渐凸显。
3、新应用场景
金融领域除了传统的风控和营销场景,还可以扩展到贷款审批、信用评估、投资决策等更多细分场景。在医疗领域可以应用于疾病预测、药物研发、个性化治疗等,利用数据分析和机器学习技术提升医疗服务的效率和质量。在交通运输领域可以用于交通流量预测、路线规划、智能交通管理等,提高交通运输的效率和安全性。而在能源领域可以应用于能源消耗预测、能源调度优化、新能源发电预测等,助力能源行业的智能化和可持续发展。
最后,如《数据治理跨企业、行业及产业递进 让数据成链》此篇中提出的,随着数据二十条的颁布与全国数据要素市场的建设与发展,数据的资产属性、要素属性不断被挖掘、激发,以数据要素在产业层面的顺畅流通和价值释放为最终导向,开展建设政策法规、建立协同组织、完善监督、管理与执行机制、创新技术支撑等体系化工作。
我们可以预见,立足于产业级视角,为数据要素市场构建、产业数字化转型、数字经济发展提供“底座式”的支撑,起到破除阻碍数据要素供给、流通、使用的障碍,推动大规模、跨领域数据的价值再提升、再创造的作用。
来源:2024年中国数据要素流通行业研究报告,艾瑞咨询,本篇针对全文由生成式 AI 做出的核心摘要和解答,仅作为参考,请以原文为准。
在此声明以上观点和内容,仅代表原作者和出处,与数治网DTZed 无关,如有出错或侵害到相关合法权益,请通过电邮与我们联系:cs@dtzed.com。
欢迎领取数字人才中国方案,一起产研内训、知识平台共建!请在我们的微信公众号“idtzed”对话框内,发送“入”添加老邪企业微信获取。