1引言在数字经济时代，数据正在成为企业极其重要的战略性资产。Tallon认为数据是一种特殊的资产，尽管在资产负债表中没有显示数据的价值计量，但数据的管理成本和价 值创造却是明显的。数据之父维克托迈尔舍恩伯格最先对大数据展开研究，在其著 作中提出，将数据资产(data asset)列入资产负债表不是能否问题，是早晚问题。 Pushpak Sarkar (2016年)调查发现，Google公司凭借其企业特有优势，收集了大 量用户的信息，合法利用这些信息促进企业的营业收入增长，其所获收入占营业收入 之比高达90%。Sunil关于欧洲某公用服务公司实施数据管理的案例中显示，针对电器智能仪表的数据管理可能带来的年度节约资金为1 209万美元。众多企业在大数据时代开启了数据资产化的探索之路，利用大数据技术改善企业信息系统，利用数据挖掘 和机器学习开发数据应用，但是良好的技术并不能保证IT系统中的数据被高效地组织和管理，单个数据应用并不意味着数据可以作为企业发展的核心生产要素。多数企 业仍然处于数据资产管理(data asset management)的初期，面临着如下问题：一是 缺乏完整的数据资产管理体系，难以从宏观和全局视角规划数据资产管理工作；二是 缺少数据资产管理实践路径以及阶段性产出的指导；三是削弱了数据价值作为数据资 产管理的动力，难以推动数据运营和业务创新的良性循环。本文对数据资产管理进行 了概述，介绍了数据资产管理的相关概念，阐述了面向价值实现的数据资产管理体系 的设计思路和主要内容，梳理了基于数据资产管理体系的实践路径，分析了数据资产 管理的发展趋势。2数据资产管理的概念与内涵数据资产是指由企业拥有或者控制的、能够为企业带来未来经济利益的、以一定的方 式记录的数据资源。在企业中，并非所有的数据都是数据资产，只有能够为企业产生 价值的数据资源才被称为数据资产。目前，业界对数据资产的定义多是强调数据能够 给会计主体带来利益，部分学者研究了数据资产的其他会计属性，包括数据资产权属 和数据资产计量。“数据资产”这一概念是由信息资源和数据资源的概念逐渐演变而来 的。信息资源是在20世纪70年代计算机科学快速发展的背景下产生的，信息被视为 与人力资源、物质资源、财务资源和自然资源同等重要的资源，高效、经济地管理组 织中的信息资源是非常必要的。数据资源的概念是在20世纪90年代伴随着政府和企 业的数字化转型而产生的，数据资源是有含义的数据集结到一定规模后形成的资源。数据资产的概念在21世纪初大数据技术兴起的背景下产生，并随着数据管理、数据 应用和数字经济的发展而普及。数据资产管理是指规划、控制和提供数据及信息资产 的一组业务职能。数据资产管理的职能通常包括开发、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，通过这些职能达到控制、保护、交付和提高 数据资产价值的目的。数据资产管理需要充分融合业务、技术和管理，以确保数据资 产保值增值。数据资产管理概念由数据管理的概念演变而来，并从理论体系、管理视 角、管理职能和组织体系等方面发展了数据管理概念。目前，数据管理形成了以国际 数据管理协会(Data Governance Institute，DAMA)、国际商业机器公司(International Business Machines Corporation ， IBM)和数据治理协会(Data Governance Institute ， DGI)这3个流派为代表的理论体系，但数据管理理论体系作为数据时代之前的产物， 其视角仍是将数据作为信息管理，并未关注数据资产管理和数据价值释放，更多地是 为了满足监管要求和企业考核。在数据资产化背景下，数据资产管理在数据管理的基 础上进一步发展，主要表现为以下 3个方面：一是管理视角，数据管理主要关注的是 如何解决问题数据带来的损失，而数据资产管理则是基于数据资产的成本、收益开展 数据价值管理；二是管理职能，数据资产管理针对不同的应用场景和大数据平台建设 情况，相较于传统的数据管理职能（包括元数据管理、主数据管理、数据标准管理数据模型管理等），增加了数据价值管理和数据共享管理等职能；三是组织体系，数 据资产管理相对数据管理来说，对组织体系和管理制度进行了一定程度的调整，主要 从建立更专业的管理队伍和更完善的管理制度层面保障数据资产管理的实施。随着数据资产管理政策环境和数据资产管理理念技术的阶段性发展，数据资产管理通常经历数据报表阶段、数据管理阶段、数据运营阶段和数据资产评估阶段4个阶段。在数据报表阶段，企业开展数据资产管理的主要目的是提高经营分析的准确性，并通过建立 数据仓库实现。在数据管理阶段，随着数据来源和数据总量的增加，数据资产管理的 目标转变为数据治理，管理对象由分析域延伸到生产域，并通过在数据库中开展数据 标准管理和数据质量管理实现。在数据运营阶段，随着大数据技术的发展，企业数据 逐步被汇总到大数据平台，形成了数据采集、计算、加工、分析等配套工具，并开展 了以数据为核心生产要素的创新应用，不仅推动了企业内部业务的发展，也逐渐成为 服务企业外部的数据产品。在数据资产评估阶段，随着数据资产管理能力的进步，企 业积极开展数据资产管理能力评估，不断提升管理和运营能力。各行业积极实践数据 资产管理，信息化基础较好的企业已开展至数据资产管理的第3阶段或第4阶段，处于数据资产管理第1阶段或第2阶段的企业也在快速发展。数据管理起步较早的金 融、电信等行业，普遍在2000-2010年就开始了数据仓库的建设，建立了比较完善 的数据治理体系，并于2010年后通过引入大数据平台，实现了企业数据的汇聚和丰 富的数据应用，逐渐探索数据对外运营和服务。以四大国有银行为例，其均单独成立 了主管数据的一级部门（管理信息部或数据管理部），负责数据资产管理与应用、监 管数据报送和外部数据的合作等工作。2018年中国银行保险监督管理委员会发布的银行业金融机构数据治理指引强化了银行业数据资产管理的工作力度。三大电信运营商在各自的信息化部门下成立了数据中心部门，统一开展数据能力的建设。近年来，三大运营商除了满足内部的数据应用外，还积极向外拓展，以中国电信集团有限 公司和中国联合网络通信集团有限公司为例，其均成立了专业的数据对外服务的公司，利用开放平台和数据产品服务外部客户。数据管理起步较晚的能源、工业等行业也在 积极探索数据资产管理路径。以国家电网有限公司为例，其于多年前建立了大数据团 队，内部自主研发大数据产品，建设统一的数据应用中心，研发了大量的电力大数据 应用，于2019年5月成立了专业的大数据中，心围绕泛在电力物联网，建设总部和 省级两级联动的数据中台能力，目前也在构建较为完善的数据资产管理体系。3面向价值实现的数据资产管理体系当前，国内外数据管理领域的相关学者和组织面向不同的应用场景提出了多种数据资 产的管理体系。例如，国际数据管理协会于2009年发布了数据管理的知识体系(DMBOK1.0)，将数据管理体系划分为10个领域，分别是数据治理、数据操作管理、 数据体系管理、数据开发、数据安全管理、参考数据和主数据管理、数据仓库和商务 智能管理、文档和内容管理、元数据管理以及数据质量管理，并以此体系为理论基础， 推出数据管理专业人士认证(certified data management professional ，CDMP)。卡内 基梅隆大学旗下机构于2014年以软件能力成熟度集成模型(capability maturity model integration， CMMI)为参考，发布了数据能力成熟度(data management maturity， DMM)模型，包含六大职能域：数据管理战略、数据操作、数据质量管理、数据治理、 数据平台和体系、支撑流程，在中国、美国等多个国家培训了一批评估师，并在微软 等公司进行了模型验证，使该模型具有较强的实践指导能力和可推广性。全国信息安 全标准化技术委员会在借鉴国外相关数据资产管理体系的基础上，于2018年提出了DCMM)，数据管理能力成熟度模型（data management capability maturity model 定义了数据管理能力成熟度评价的八大能力域：数据战略、数据治理、数据体系、数 据标准、数据质量、数据安全、数据应用、数据生命周期管理。但是，当前的数据资 产管理体系均未从“数据资产”的视角出发，缺乏数据资产化的核心环节一一数据运营。 本文在吸纳各界公认的数据资产管理体系的基础上，以最大化数据价值为目标，重点 构建了包含数据运营及关键活动的数据资产管理体系，从而全面提升数据价值。本体 系将数据资产管理的管理职能扩展至数据标准管理、主数据管理、数据共享管理、数 据安全管理和数据价值管理，并细化了数据资产管理中的技术平台，力图建立一个全 面的、面向价值实现的数据资产管理体系，指导企业开展数据资产管理，有效提升企 业的数据资产管理能力，加速数据价值的释放。如图 1所示，本文提出的面向价值实 现的数据资产管理体系包括4个部分：数据管理职能、数据运营、技术平台和保障措 施。数据管理职能作为数据资产管理体系的主体，通过各职能的配合，有助于对数据 进行标准化和规范化，提升数据质量，完善数据体系，记录追溯数据，打破数据孤岛， 建立安全数据环境；数据运营作为数据资产管理体系的核，心通过明确数据权属，评 估数据价值，实现可信数据交易和多样数据服务，促进数据流通，加大数据开放的广 度、深度，加快数据流转速度和数据资产化进程；技术平台作为数据资产管理体系的 技术支撑，依托覆盖数据管理职能和数据运营的全生命周期技术，实现数据高效采集， 降低数据存储成本，提升数据处理效率，深入分析挖掘数据，丰富数据应用场景；保 障措施作为数据资产管理体系的制度基础，通过制定战略规划，完善组织架构，建立 制度体系，设置审计机制和开展培训宣贯等环节，确保数据资产管理工作的有序开展。图1面向价值实现的数据资产管理体系3.1数据管理职能数据管理职能包括数据标准管理、数据质量管理、元数据管理、主数据管理、数据模型管理、数据共享管理、数据安全管理和数据价值管理 8项管理职能。数据标准管理 是指数据标准的制定和实施的一系列活动。企业或相关机构在开展数据标准管理时，应首先对数据标准进行分类（如基础类数据标准和指标类数据标准），并规定各数据标准类别下的基本单元（可以称为“数据元”）及其属性。同时，应制定数据标准管理 办法或相应的实施流程要求，开展评估数据标准管理效果等工作。数据质量管理是指 运用各种技术衡量、提高和确保企业数据质量的规划、实施与控制等一系列活动。企 业在开展数据质量管理时，应明确数据质量评价指标，通常包括完整性、一致性、唯 一性、规范性、时效性等，在不同的应用场景下，数据质量评价指标有所扩展。同时， 企业应持续测量和监控数据质量，分析数据质量问题的原因，制定数据质量改善方案。 元数据管理是指通过对描述数据的数据进行管理，以实现对数据的全生命周期管理的 过程。企业在开展元数据管理时，应对元数据进行分类，通常分为技术元数据、业务 元数据以及管理元数据，分别对应数据涉及的技术领域、业务领域以及管理领域，确 保元数据覆盖的全面性。同时，企业应开发和维护元数据标准，进而对元数据进行分 析（如血缘分析、影响分析和数据地图等）。主数据是指描述企业核心业务实体的数 据，用以协调和管理与企业的核心业务实体相关的系统记录数据。企业开展主数据管 理时，应筛选具备核心业务属性的数据作为主数据，明确多业务系统共用数据的唯一 可靠来源，并充分复用数据标准、数据质量规则、数据模型等已有的数据资产管理成 果。同时，企业应实施主数据解决方案，监控主数据变化。数据模型是对数据特征的 抽象，数据模型管理通常是指在信息系统中用数据模型表示业务规则和逻辑的过程。