解读《数据资产化实践指南》，企业数据资产化可行路径的14个步骤（上篇）

解读《数据资产化实践指南》，企业数据资产化可行路径的14个步骤（上篇）

为了加速推动数据资产化进程，促进数据流通应用，激活数据要素活力。广东数字政府研究院、广州数据交易所、粤港数据安全与隐私保护联合实验室等机构联合编制了《数据资产化实践指南》。本实践指南，按照“业务数据化-数据资源化-数据产品化-数据资本化”的演变方式，探索建立数据资产化的可行路径，为企业数据资产化实操提供参考。

数据资产化概述

通常数据资产是指“企业过去的交易或者事项形成的，合法拥有或控制的，能进行计量的，预期会给企业带来经济利益的数据资源”。其中“预期经济利益数据资源”包含两个重点，一是相关数据资源预期会给企业带来经济利益；而是相关的经济利益很可能流入企业（“很可能”在实务标准下指经济利益流入企业的概率超过50%）。

数据资产化是实现数据价值转化的核心途径，是企业将过去交易或经合法授权、自主生产等事项形成、获得的数据通过采集、加工、治理、开发等环节转化为可计量、可交易的数据资产，并拓展金融衍生服务，推动数据资产创新应用，通过多元化方式为企业带来经济利益，实现数据价值最大化的过程。

数据资产化四个过程

数据资产化的过程一般包括有业务数据化、数据资源化、数据产品化及数据资本化四个阶段。

业务数据化

业务数据化，是指企业通过各种技术手段，建立信息化、数字化、自动化和智能化的业务流程的过程。主要目标是积累和沉淀数据资源，通过管理和技术手段不断提升数据质量，全面提高企业数据感知能力、采集和获取数据能力，为企业内部管理、业务运营和数据资源化提供数据支持。

数据资源化

数据资源化，是指企业将直接或间接地获取、采集原始数据进行必要的加工整理和归集，形成可重用、可应用、可获取的数据资源的过程。此阶段是数据资产化的必要前提，主要目标是将原始数据转变为数据资源，使数据具备一定的潜在价值。

数据产品化

数据产品化，是指数据资源持有方自行或授权给外部机构，以数据使用方需求为导向，对数据资源进行实质性的劳动投入和创造，形成可供内外部用户使用的、以数据为主要内容的、可辨认的服务或产品的过程。该阶段是数据资产化的关键步骤，主要目标是将数据资源依据实际需求加工为具有明确应用场景、可交易、价值可计量的数据产品。

数据资本化

数据资本化，是指通过有效利用数据资产，将其转化为具有实际经济价值的资本，并实现保值、增值、流通的过程。企业可通过数据资产质押融资、数据资产增信贷款、数据资产作为入股等方式盘活数据资产。数据资本化能帮助企业实现数据产品创新和应用、数据资产增值和数据交易变现，充分挖掘和释放数据价值，更好服务企业发展。

数据资产化实施路径

数据生产采集

数据生产采集主要指企业在生产经营过程中，运营数字技术在产品生产、业务运营、人事管理与财务管理过程中收集、提取和存储数据的过程。企业进行业务数据采集与存储，可利用数据洞察来提升产品质量与客户满意度；提高企业生产运行效率；提高企业的行业竞争力。

• 数据生产采集可参考文件：

• 国标《信息化和工业化融合管理体系供应链数字化管理指南》GB/T 23050—2022

• 《工业物联网 数据采集结构化描述规范》GB/T 38619-2020

• 《智慧城市数据融合第 3 部分：数据采集规范》GB/T36625.3-2021

• 按照企业数字化转型的建设目标，数据生产采集可参考以下基本流程：

  1. 制定企业数字化转型规划
     企业需要明确数字化转型的价值目标，对企业内部进行系统化的评估分析，设计企业数字化的蓝图架构，明确关键时间节点、组织方法、评估方法等。
  2. 构建企业数字化能力
     企业在明确数字化目标后，要结合自身需要，构建企业数字化能力，包括与企业主营业务适配的技术工具、相关业务数据化人才、加强数据安全和隐私保护等。利用各类数字技术的有机结合，帮助企业构建灵活、高效和安全的数字化业务能力，为企业持续形成数据资源提供支撑。
  3. 明确数据存储方法
     企业要根据数据类型、访问速度、安全性和成本等因素，选择相应的存储方法。一般数据存储方法有数据库、文件系统、云存储等，其中数据库是用于存储、管理和检索数据的系统，包括关系型数据库、非关系型数据库、数据仓库等；
     文件系统则是将数据存储为文件，通过本地磁盘或网络共享方式实现；
     云存储是指云服务商提供远程云服务存储空间，准许用户通过互联网访问和共享数据。

数据资源盘点

数据资源盘点是指从全局出发对企业的业务系统、大数据平台、数据仓库等数据进行全面摸查，采集元数据、发现企业数据字典、识别数据之间的关系，从业务流程和数据应用的视角出发梳理数据资源的技术属性、业务属性、管理属性，掌握数据资源全貌，形成数据资源清单。

企业通过数据资源盘点，可明确每类数据资源的业务归属和责任人，有助于在后续数据治理过程中更好地管控和维护数据，合理优化资源配置；提升数据质量，增强数据的可信度；加强数据治理；促进数据应用，清晰的数据资源图谱和高质量的数据资源清单能帮助企业更好利用数据，推动数据驱动决策和业务创新；提升数据安全与合规性，通过盘点可识别敏感数据和关键数据，进而制定更具安全防护的数据管理策略。

• 数据资源盘点可参考文件有：

• 国标《DCMM 数据管理能力成熟度评估模型》GB/T36073-2018

• 《DAMA-DMBOK2 数据管理知识体系指南 2.0》

• 数据资源盘点的实施路径参考如下：

  1. 元数据摸查
     元数据是定义和描述其他数据的数据，贯穿在数据资产管理的全流程中，是支撑数据资产化的核心。主要内容包括：

• 元数据管理计划，即明确元数据管理相关参与方，收集元数据管理需求，确定元数据类型、范围与属性等；

• 元数据采集，在元数据管理之上，基于元模型对元数据进行收集，对不同类型或来源的元数据进行采集存储；

• 元数据查询，通过数据资源目录，提升业务方对数据的理解，辅助管理和分析应用等；

• 元数据变更管理，根据元数据摸查结果，可持续监控企业数据资源变化，进行变更影响分析、评估数据变更影响范围，有效降低有关业务风险。

  2. 构建数据标准
     数据标准是指保障数据的内外部使用和交换的一致性和准确性的规范约束。依托数据标准管理工具，支持数据标准的全生命周期管理，通过定义符合行业标准和企业要求的基础数据标准、代码标准指标标准等，能明确业务含义，统一数据定义，统一统计口径，形成全局统一的数据标准规则。
  3. 数据定义
     数据定义是指企业所持有的所有数据资源进行识别、定义、深度剖析、标记数据内容，补充业务含义，明确数据组织、结构、关系，形成更完整、有效的数据架构的过程。主要包括有数据类型识别；数据来源与收集；数据质量基础性评估；数据用途与价值定义；数据存储与访问。
  4. 明确数据血缘关系
     数据血缘关系是指各种数据资源之间的依赖关系，即数据来源、计算过程和结果去向之间的数据授权链路关系。通过形成字段级可视化血缘关系图，可以明确数据的来源权属、合法性和相关业务归属和责任人，追溯数据的操作与流向。其包括有：识别数据资源的源头；分析数据资源的加工过程；明确数据资源的输出结果。
  5. 构建数据资源目录
     数据资源目录一般伴随着数据资源盘点而产出。通过建立可共享、可复用的多层级数据资源目录，对所有数据进行汇总，按照数据来源、业务主体进行分类，提供完整的数据定义、数据说明、标签、数据责任人等技术、业务管理信息。

数据合规审查

数据合规是指在整个数据的生命周期内（数据采集、存储、处理、传输、使用等环节），确保企业的数据管理和操作过程遵循相关法律法规、行业标准和内部控制要求。数据合规审查不仅有助于降低企业风险；增强社会信任；提高数据治理水平；促进跨境数据流通等。

• 数据合规主要参考的文件有：

• 《中华人民共和国网络安全法》

• 《中华人民共和国数据安全法》

• 《中华人民共和国个人信息保护法》

• 《信息安全技术 网络数据处理安全要求》等

• 数据合规审查的实施路径参考如下：

  1. 准备阶段
     组建专业团队或引入第三方团队，以此开展数据合规审查的法律、技术及业务规则等相关的知识和技能学习；确定合规审查目标的审查范围与合规审查依据；明确审查过程中使用的工具；调研合规审查的对象，并在调研的基础上收集审查对象的相关资料。
  2. 执行阶段
     该阶段主要进行文档审查，判断资料是否符合相关法律法规要求；数据审查，即对明确范围内的数据真实性、来源合法性等进行审查；审查相关实际运行的网络、信息系统的安全技术保障措施是否有效；按需对合规审查对象涉及到的相关人员进行访谈，核实审核对象数据安全合规的实际情况。
  3. 结果分析
     审查结果分析要重点关注合规性问题，包括所违反的法律法规、监管制度、内部制度的名称及条款、可能引起风险及严重性级别，必要时还应制定相应的整改计划。
  4. 结果评价
     审查的工作完成后，应形成相应的分析报告，报告的内容包括数据合规审查的目的、审查结果的适用范围、审查所依据的法律法规及监管规定、合规审查所发现的问题以及相应的整改建议。

数据分类分级

数据分类是指根据数据的属性或特征，将其按一定的原则和方法进行区分和归类，并建立起一定的分类体系和排列顺序，以便更好地管理和使用数据的过程。

数据分级则是在数据分类的基础上，根据数据在经济社会发展中的重要程度或遭到泄露、篡改或损毁等危害程度，将数据从高到低分为核心数据、重要数据、一般数据的三个级别。

数据分类分级是企业自身合规管理数据和流通数据的和核心参考与基础。建立数据分类分级制度，能保障数据安全；满足企业合规性要求；促进数据价值挖掘等。

• 数据分类分级主要参考的文件有：

• 《数据安全技术 数据分类分级规则》

• 《网络安全标准实践指南——网络数据分类分级指引》

• 《工业数据分类分级指南（试行）》等。

• 1. 数据分类实施路径参考如下：
     首先，结合企业实际数据情况，明确制定数据分类实施方案；
     另外，根据企业所处行业及数据应用场景，明确数据分类的范围；
     其次，细化业务的分类，如结合部门职责分工明确行业领域或业务条线的分类，按照业务范围、运营模式、业务流程等，明确各业务条线的关键业务分类；
     同时，也要注重业务属性分类；根据行业领域数据管理和使用需求，确定行业领域数据分类的规则。
• 2. 数据分级实施路径参考如下：
     ①确定分级对象，如数据项、数据集、延伸数据、跨行业领域数据等；
     ②分级要素识别，主要指影响数据分级的要素，包括数据的领域、群体、区域、精度、规模、深度、覆盖度等；
     ③数据影响分析，结合数据分级要素识别情况，分析数据可能遭到泄露、篡改、损毁或非法获取、使用、共享产生可能影响的对象和影响程度；
     ④综合确定数据级别，根据不同对象及对应的影响程度不同，确定相应的数据级别。

数据产品加工

数据产品加工是指数据拥有方或授权第三方，以满足数据使用需求为导向，将数据资源转化为数据产品的过程。数据产品加工的价值在于，对数据价值的挖掘与释放；为用户决策提供数据支持，提高决策效率；在数据市场上交易，为企业开拓新的收入渠道；助力数字经济发展；吸引更多的数据供应方、需求方和服务方参与，形成良性互动的数据生态圈。

• 数据产品加工主要参考的文件有：

• 《信息安全技术数据交易服务安全要求》

• 《文本数据加工规范》

• 《数据资源加工指导规范》等。

• 数据产品加工的实施路径参考如下：

  1. 需求分析与规划
     全面分析用户的数据需求，梳理业务场景，明确数据产品的应用价值和功能定位。
  2. 数据采集、清洗与整合
     根据规划的需求，对内外部数据进行采集，并进行数据清洗、去重、格式转换等预处理工作，确保数据的完整性和一致性。
  3. 数据建模与分析
     基于业务场景和用户需求，进行数据建模，构建算法模型，并对数据进行深度分析，提取有价值的信息和洞见。
  4. 数据产品开发
     基于建模和分析结果，开发标准化的数据产品，包括构建产品框架、设计接口和交互方式，实现产品的可操作性和可维护性。
     
     图源：pixabay
  5. 测试与优化
     基于建模和分析结果，开发标准化的数据产品，包括构建产品框架、设计接口和交互方式，实现产品的可操作性和可维护性。
  6. 产品部署与运营
     将数据产品部署上线，进行实际运营，并收集用户反馈，持续优化产品功能，同时建立完善的数据产品运营体系。
  7. 评估与迭代
     建立数据产品的评估机制，从用户使用效果、业务贡献等方面评估数据产品的价值，并根据评估结果进行产品的迭代升级。

数据质量评估

数据质量是指在指定条件下使用时，数据的特性满足明确的和隐含的要求的程度。数据质量评估通常围绕规范性、完整性、准确性、一致性、时效性、可访问性开展评估。数据质量的高低直接关系到数据潜能的发挥，决定了数据能否在商业决策、市场预测、产品开放等领域发挥应有的价值。数据质量评估的价值是，监管并提升企业数据质量；提高企业决策质量；提升数据资产价值等。

• 数据质量评估主要参考的文件有：

• 《信息技术 数据质量评价指标》

• 《信息技术 大数据 数据资产评估团体标准（征求意见稿）》

• 《数据资产管理实践白皮书（6.0 版）》等。

• 数据质量评估的实施流程参考如下：

  1. 构建质量管理组织
     通常由数据分析师、IT 专家、业务代表以及管理层组成，主要负责制定数据质量标准、监督数据质量评估流程的实施，并确保所有相关方都遵循既定的流程。
  2. 建立数据规范
     数据规范是一套明确的规则和标准，用于指导数据的收集、存储和使用。
  3. 确定评价指标
     基于数据质量评价指标体系，根据实际的业务需求和数据使用场景，确定数据质量的评价指标与规则，以确保它们能够全面反映数据的质量状况。
  4. 实施质量测评
     根据数据质量的评价指标，对数据进行质量评估，包括异常检测、数据交叉验证等方式，最终形成相应的数据质量评估报告。
  5. 数据质量提升
     根据数据质量评估的结果，制定并实施数据质量提升计划，包括改进数据收集流程、更新数据存储系统、培训数据录入人员、优化数据处理算法等措施。
  6. 数据交付使用
     数据交付使用是数据质量评估流程的最终目标，在确保数据满足既定的质量标准后，数据才能被交付给最终用户使用。

数据价值评估

数据价值评估是指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，是将数据资源转变为具有经济价值资产的关键步骤，这一过程需要遵循相关法律法规和专业准则，由专业机构和人员对数据资产的经济价值进行量化分析。数据价值评估有助于推动数据资源向数据资产转变，帮助企业管理层深入了解数据资源与企业整体价值的联系；通过对数据产品的准确估值，提升企业数据运营效率；推动数据产品走向数据要素市场。

• 数据价值评估主要参考的文件有：

• 《信息技术大数据 数据资产价值评估（征求意见稿）》

• 《数据资产评估场景化案例手册》

• 《资产评估基本准则》。

• 数据价值评估的实施流程参考如下：

  1. 评估准备阶段：
     主要包括：①项目启动，评估机构与数据资产持有人及委托人等进行沟通，明确评估的目的、对象、范围和基准日等；②评估制定方案；③资料准备，评估机构根据数据资产的特点，提供尽职调查资料清单和表格，指导数据资产持有人准备相关资料。
     
     图源：pixabay
  2. 评估实施阶段：
     ①了解数据资产的权属、来源、形成过程、应用场景、成本投入和存储状况等；②资料审核；③重点核查，深入了解数据资产的采集、开发、维护等环节的成本费用，以及数据资产的市场应用情况和未来发展趋势；④评估方法确定；⑤评估估算，使用确定的评估模型进行计算，起草评估结果的文字说明；⑥评估汇总，对初步评估结果进行分析汇总，进行必要的调整和完善；⑦报告提交。
     数据价值评估方法通常包括收益法、成本法和市场法三种基本方法及其衍生方法。
     本期推文主要介绍了企业数据资产化可行路径的前7个步骤，下篇将会接续介绍后7个步骤：数据资产合规登记、数据产品流通、数据流通存证、数据安全管理、数据资源入表、数据资本化应用、数据资产运营。