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。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？企业的数据资产实施演进一般具有哪些发展阶段呢？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？以下内容将为大家呈现不一样的解答。
目录：
1.数据资产实施领域现状以及演进发展
2.不同行业的数据资产实施路径和工具选择
3.数据资产之不同抓手的实施落地方法论
4.数据资产之实施价值体现参考
一、数据资产实施领域
现状以及演进发展
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。
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、数据资产之不同抓手的
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。
4. 实施步骤
1) 实施指导总体路线
实施指导总体路线图Roadmap分为5部分，相互依存相互配合：
管理制度：
- 建立数据资产管理决策机制
- 制定管理制度和流程
资产盘点：
- 管理对象定期清点
- 资产问题合规清理
资产发现:
- 现网运行系统的清查纳入
- 对数据资产管理对象进行自动发现、自动对标
资产监控:
- 按照管理标准进行质量、安全、合规等方面的监控
资产服务:
- 对数据资产进行服务发布
- 形成规范的资产申请使用流程
2) 总体路线选择
根据3类不同实施基础与要求，进行对应的需求适配和迭代,选择不同的抓手开始实施落地。
- 达成管理共识，有对应的组织和高层重视；大型企业或平行启动数据平台建设的机构，建议实施路线为：管理制度-->资产发现-->资产监控-->资产盘点-->资产服务
- 历史负担重，尚未形成组织能力的机构；非头部行业或非头部机构，建议实施路线为：资产盘点-->管理制度-->资产发现-->资产监控-->资产服务；
- 数据化完善，治理难度大的互联网企业；业务主体在线上，有很好的数据运营基础的，建议实施路线为：资产发现-->资产服务-->资产监控-->资产盘点-->管理制度。
5. 实施内容
1) 管理制度
资产管理制度是组织决策力的体现，可以具体落地到以下3方面：
- 组织机构：保证数据资产管理工作开展的必要组织和人员角色，在数据资产过程中涉及对数据结构和源数据信息补充，需要高层领导支持；
- 管理办法：为持续开展数据资产工作，制定数据资产管理、数据质量、元数据、数据标准工作流程，规范企业数据管理工作，指导公司数据资产工作开展；
- 技术标准：数据资源和资产在各个处理环节和不同条件下，需要遵循的技术标准和要求。
2) 资产盘点
数据资产盘点是执行力的载体，也是长期化常态化的管理行为。数据资产盘点一般由业务主管部门和IT部门共同配合进行，是对管理能力的落地和执行。开展数据资产盘点是一项长期和基础性工作，摸底是完成冷启动，多次迭代是常态。包括并不局限于以下4类盘点目标：
- 摸清数据家底、搞准现状：理清公司各业务系统现状，梳理数据分布流向，了解业务需求；为企业各级人员提供统一信息视图，减少了企业内的信息孤岛；
- 可视化数据资产展现：可视化展现数据资产内容，建立企业数据资产展现平台，提高数据资产可视化程度；
- 提升数据整合、开放效率：为企业系统开展高效数据整合提供辅助服务，并促进数据开放水平；
- 推广数据治理、资产共享：通过数据资产盘点，推广数据治理，提高数据管控能力，服务于内外部数据资产共享。
数据资产盘点的价值在于目标共识。企业数据资产管理的核心是对数据资源的价值管理。类比于设备与资产定义，对企业数据进行描述、分类、计算、标准化，实现数据资源化过程；再对数据资源进行价值管理，从而形成企业数据资产。其关键在于业务与技术在资产价值定义上达成共识。
先通过数据资源化过程：对数据（数据即：信息系统、Excel、文档、视频、社交媒体等等）进行分类、描述、计算、标准化等，将数据转化为资源（资源即：具备业务含义（描述业务运转），技术定义（格式、结构等）以及管理意义（质量、安全等）的数据）；
再通过数据资产化过程：对以创造价值为根本出发点，将资源转化为资产（资产即：体现数据价值，提升运营效率、降低管理成本、开拓业务范围、支撑产业创新）。
数据资产盘点原则包括：
先“源头”、后“下游”：资产盘点和评估的对象从“源”系统扩展到下游系统。
先“核心”、后“外围”：选择相对核心的系统，具有较高的重要程度，核心系统的数据较为全面，元数据较完备，而且一般具备较高的数据质量，可用性较高。
先“开放”、后“封闭”：选择通用的、开放的、标准化的系统，可访问性较高。
先“详整”、后“散乱”：选择系统材料完整度较高，包含数据字典、需求说明书、接口规范等内容的系统进行前期开展。
数据资产盘点方式分为：
系统盘点：针对业务系统调研，达到获知所有系统信息的目标，实现企业所有信息系统资产了解级。对选定的核心系统做进一步的系统级访问和调研，掌握系统功能、业务功能、数据流、接口关系和数据字典等内容信息。
数据盘点：对核心系统的数据选定实体表范围，获取表结构、表定义、表关系、参考数据、存储周期、属性字段等内容信息，达到实体表资产掌握级。
数据资产盘点实施流程如下：
- 明确领域范围：基于组织管理的战略性要求输入，业务部门与IT共同确定盘点的业务领域范围。
- 盘点资源价值：IT确定所需要盘点的数据资源相关模板和技术准备。
- 调研资产需求：共同调研资产化需求，包括调用方式、服务要求、安全性要求等。
- 组织资产报告：分析盘点工作成果，提炼出关键的资产化内容、要求和挑战、并制定行动计划。
- 发布资产报告：输出数据资产盘点成果、固定为标准，并执行落地。
其中最典型的盘点过程就是：各厂商/大数据中心、各业务/支撑部门依照（准备阶段、系统级盘点、表级盘点、字段级盘点、盘点总结）几个核心步骤，对数据资产进行分级梳理和逐层细化：
3) 资产发现
资产发现是依托数据标准化工作和IT工具进行IT实施落地。由IT技术部门进行主导，业务部门配合。需要按照资产化共识进行优化与提升，完成领域内的数据资源资产化。
资产发现实施包括：
数据资源管理实施：基于产品套件中元数据、数据标准、数据模型的IT实施；
数据安全实施：包括各管控对象的安全处理与安全处理与提升；
数据质量实施：包括各管控对象的质量评估与提升；
数据服务实施：包括数据对象服务化改造与发布；
资产发现要从不同的角度不同的维度进行资产化实施和评估：例如从整理分析看，数据资产有哪些（要素、标签等）；从存储看，数据资产如何分布；以及从整理分析看，数据资产有哪些（专题）。
4) 资产服务
资产服务是基于IT实现的服务化前提，提供各种数据管理服务，如质量、元数据、标准、监控、发布共享的服务。关键是拓展渠道，将原有数据服务模型更新为基于服务的模式，并进行服务治理和优化。是资产运营基础，价值显性化的重要前提环节。
资产服务的实施内容主要包括：
符合标准规程、标准流程的服务发布；
实现从需求--> 设计-->开发-->发布的闭环管理的5大过程：
1、根据业务需要，查找现有数据服务；
2、提交数据服务使用申请；
3、数据服务审核，保证数据安全；
4、如果申请的数据服务是新服务，采用自动化数据服务生成 自助化数据服务开发；
5、服务发布，实现数据共享应用。
5) 资产监控
对数据资产进行全生命周期监控，形成管理闭环。基于数据资产地图，对数据资产全链条各环节设置监控规则和监控指标，及时定位数据质量问题至具体环节。一方面，对于数据从产生到使用的各个过程环节设置监控规则，建立核查模板，对数据资产进行全过程监控，及时定位数据问题并整改，保障数据资产及时可靠的流转和使用；另一方面，通过建立闭环的数据问题跟踪管理流程，对于无法立即解决，需由相关各方协同解决的问题，由专人负责提交、沟通、跟踪和关闭，从而确保数据资产的质量和效率。
监控报告与分析属于数据资产监控的主要工作内容，包括以下5个监控内容：模型变更监控、变更影响监控、关键数据监控、资产完整性监控、服务健康度监控。而决策力支持是数据资产监控工作另一部分主要内容，包括有：
数据总体概况：全方位、多角度、全景展现数据的总体概况；
数据使用概况：实时的展现数据平台使用情况的指标，帮助信息部门领导、平台的使用人员掌握数据当前的使用情况；
数据规范遵循概况：数据资产全生命周期规范化管理，掌握不同阶段数据模型的真实落地情况；
数据质量概况：数据平台数据质量多角度统计监控，确保数据质量稳步提升；
四、数据资产之实施价值体现参考
数据资产实施的价值总结是数据资产实施工作的难点之一，怎样才能清晰有力的向上级领导汇报实施价值呢，以下作为各行业典型的简单参考。
金融行业：建立了金融业大数据治理体系架构，包括组织体系、管理体系、技术体系和执行体系。实现了业务价值包括标准规范、质量检查以及规范流程管理等。重点实施了元数据、大数据质量、大数据标准。
电信行业：构建了以治理为基础的数据资产共享发布体系，包括数据服务共享发布平台、数据超市、互联网能力开放等共享体系。实现了业务价值包括能力开放、资产管理以及数据变现等。重点实施了元数据、大数据质量、大数据资产化、大数据共享发布。
制造业：构建了数据集成体系，提高数据质量，有效管理主数据。实现了业务价值包括主数据例如零配件的全周期管理等。重点实施了元数据、主数据、大数据质量和大数据交换与集成。
政府机构：构建了元数据驱动的服务目录与数据交换体系，实现了业务价值包括数据交换、服务目录以及数据共享等。重点实施了元数据、大数据标准、共享发布和大数据交换与集成。
电力行业：打造基于全生命周期的常态化数据资产管理与运营体系, 实现了从数据管理到BI商业智能再到洞察与行动的企业数据资产管理价值链。实现了业务价值包括数据运维以及资产全周期管理等。重点实施了元数据、数据质量、大数据资产化和大数据交换与集成。
最后，要打好企业数字化转型中最关键的数字赋能攻坚战，持续不懈的数据资产运营是必备的基础。任何两个组织的数据都不可能是一模一样的，不论企业当前处于在哪个发展阶段，如何打造一套适合自己的可持续发展的数据资产运营体系，都需要在实践中找到答案。
纸上得来终觉浅，绝知此事要躬行。
关于作者：觉浅，普元数据领域资深顾问，拥有IT行业15年以上、数据管理领域8年以上从业经验，长期参与燃气、电力、水务、公安等行业的大型企事业单位的数据管理项目的规划与实施，在本领域拥有扎实的理论和实践经验。
