数据资产管理及运营体系研究设计报告

数据资产管理及运营体系

研究设计报告TOC\o"1-5"\h\z一、数据资产管理基本情况以及相关标准 1（一）研究背景 1\o"CurrentDocument"\h（二）基本概念 2（三）相关理论及标准研究 3二、数据资产管理及运营的主要内容 5（一）数据资产管理的通用要求 6（二）数据资产化阶段 6（三）数据资产管理阶段 7（四）数据资产运营阶段 8三、数据所有权及确权问题研究 9（一）数据所有权 9（二）数据确权 H四、数据资产的价值体现及影响因素 16（一）影响数据资产价值的因素 16\o"CurrentDocument"\h（二）数据资产价值评估方法概述 20\o"CurrentDocument"\h（三）数据资产价值分析及其适用性 21\o"CurrentDocument"\h（四）数据定价 27五、面向价值实现的数据资产管理体系 28（一）数据管理职能 29（二）数据运营 31（三）技术平台 33（四）保障措施 34（五）基于数据资产管理体系的规划建设 36五、数据资产运营生态圈及产业链 37（一）数据资产运营产业链关键要素 37（二）数据资产产业发展路径研究 42六、数据资产运营下一步要研究的问题 50（-）数据资产的开放共享和合理利用 50（二）数据资产运营的制度建设 50（三）数据资产的增值途径 51（四）数据资产的溯源管理 52（五）探索适合电网企业的数据资产运营体系 52一、数据资产管理基本情况以及相关标准(-)研究背景数据资产(dataasset)被认为是组织合法拥有或者控制的、可计量的、能为组织带来价值的数据资源。数据资产由数据组成，兼有无形资产和有形资产的特征，是一种全新的资产类别。随着大数据产业的发展、大数据应用的深入，数据已被广泛认为是宝贵的资产，数据具有的巨大潜在价值得到了广泛认同，数据资产化日益受到各个国家、行业和组织的重视，数据资产的管理、应用以及标准制定成为当前研究的热点。目前，对数据资产的理解还未达成共识，数据资产的管理和应用仍然面临着诸多挑战。从组织的管理视角看，仍有许多组织的数据管理比较薄弱，如存在数据孤岛、缺乏数据标准、数据质量参差不齐,这些都阻碍了数据的进一步共享应用；加之组织难以对数据成本和数据价值进行评估，缺乏有效的数据资产管理运营方式，数据资产面临运营难和增值难的问题。从产业的发展视角看，由于数据权属问题尚未形成统一标准，数据流通和交易服务缺乏相关法律法规等有效监管机制，尽管许多数据交易平台、大数据交易中心等纷纷成立，但目前总体规模仍然有限，尚未形成可持续的服务模式；此外，侵犯公民个人信息权益和隐私、企业间的数据纠纷等问题也频频暴露，这些问题扰乱了数据共享流通的市场秩序，制约了数据资产进一步融合应用。项目组通过梳理国内外数据资产管理的研究现状，围绕大数据发展对数据资产管理标准化的迫切需求，提出数据资产管理及运营体系的基本框架。（二）基本概念.数据、数据资产、数据管理、数据资产管理的基本概念；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，以物理或电子的方式记录的数据资源，如文件资料、电子数据等。在企业中，并非所有的数据都构成数据资产，数据资产是能够为企业产生价值的数据资源。传统数据管理是指利用计算机硬件和软件技术，对数据进行有效的收集、存储、处理和应用的过程。数据作为信息载体，更关注数据结构以描述数据间的内在联系，便于数据修改、更新和补充。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，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。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。.区分数据管理、数据资源管理和数据资产管理传统数据管理：利用计算机硬件和软件技术，对数据进行有效的收集、存储、处理和应用的过程。数据作为信息载体，更关注数据结构以描述数据间的内在联系，便于数据修改、更新和补充。数据资源管理：在包容传统数据管理要求的基础上，覆盖面更广。数据主要作为生产资源，关注目的就是去寻找手段，以有效地控制数据资源，更加强调组织、制度、流程、人员等方面的管理要求。数据资产管理：包括了传统数据管理、数据资源管理的相关内容,核心思路是把数据对象作为一种全新的资产形态，并以资产管理的标准和要求来加强相关机制和手段。.数据资产的发展阶段目前，国内外尚无成熟的数据资产管理标准可供参考，对数据资产管理定义、管理方法和管理过程等还未形成共识。根据相关研究,我们将数据资产的管理分为数据资产化、数据资产管理、数据资产运营3个阶段。数据资产化过程应对现有数据资产的数据分布、数据活性等现状进行梳理，依据标准对数据资产的权属、质量、价值等进行评估，识别出权属在控制范围内的、有价值的数据资产，为后续的数据资产管理和运营提供支撑。数据资产管理过程可以进一步细分为核心过程和支撑过程。核心过程定义了一系列关键活动，涵盖数据资产生存周期的登记、应用、盘点、变更和处置等过程，数据资产的维护更新等可以通过盘点、变更、处置等过程进行管理；支撑过程包括与数据资产风控和价值相关的数据资产安全和审计等。通过规范数据资产管理的核心过程及支撑过程，为数据资产拥有者建立有效的数据资产管理环境提供指导，为建立数据资产管理工具或平台提供核心功能模块建议。数据资产运营过程在数据资产管理工作的基础上，筛选价值高的数据，确定运营的业务指标，对数据进行定价，开展数据资产的运营。运营模式包括交易、置换、抵押等。在一个运营周期结束后，根据设定的运营指标，依据运营绩效评价标准对运营成效进行评估，查找运营过程中存在的问题和不足，从而不断提高运营能力。（三）相关理论及标准研究1传统的资产管理理论传统的数据资产管理理论主要参考IT系统生命周期，基于信息资源规划(InformationResourcePIanning,简称IRP),指对企业生产经营所需要的信息，从采集、处理、传输到利用的全面规划。其核心是运用先进的信息工程和数据管理理论及方法，通过总体数据规划，打好数据管理和资源管理的基础，促进实现集成化的应用开发。这种方法适合传统的面向企业内部相对稳定的应用需求，其数据是稳定的，可以通过有效方法建立稳定的数据模型，以适应行政管理上或业务处理上的变化能被计算机信息系统所适应。2.数据资产管理关键要素的相关理论及标准(数据资产评估、数据资产运营模式等)随着各类组织对数据资产的日益重视，数据资产标准的研制已成为国内外各标准化组织共同关注的热点，然而其尚处于起步阶段。数据资产。2019年12月中国资产评估协会制定了《资产评估专家指引第9号一一数据资产评估》(中评协(2019)40号)，从数据资产的基本情况、基本特征、价值影响因素和应用商业模式等方面对评估对象进行多维刻画，介绍了成本法、收益法和市场法3类评估方法,供评估机构及评估人员开展评估业务时参考。2019年6月4日，国家市场监督管理总局、国家标准化管理委员会发布了GB/T37550-2019《电子商务数据资产评价指标体系》，提出了由数据资产成本价值和数据资产标的价值组成的评价指标体系，并给出了二级指标项及相应的三级指标项，为电子商务数据资产价值的量化计算、评估评价提供了依据。信标委大数据标准工作组、国家信息技术服务标准工作组、中国通信标准化协会大数据技术标准推进委员会等纷纷开展了数据资产管理的研究工作，形成了数据资产管理的研究报告以及白皮书等成果，为数据资产标准的研制奠定了基础。数据资产质量评估相关标准包括GB∕T25000.12∙2017《系统与软件工程系统与软件质量要求和评价(SQuaRE)第12部分：数据质量模型》、GB/T25000.24-2017《系统与软件工程系统与软件质量要求和评价(SQuaRE)第24部分：数据质量测量》、GB∕T36344∙2018《信息技术数据质量评价指标》等标准。数据开放共享。2017年，信标委大数据标准工作组立项了《信息技术大数据政务数据开放共享第1部分：总则》《信息技术大数据政务数据开放共享第2部分：基本要求》《信息技术大数据政务数据开放共享第3部分：开放程度评价》3项国家标准。2019年，全国信息安全标准化技术委员会开始制定《信息安全技术政务信息共享数据安全技术要求》。数据交易流通。2014年，信标委大数据标准工作组开始了大数据交易标准的研究，先后完成了《信息技术数据交易服务平台通用功能要求》《信息技术数据交易服务平台交易数据描述》。2017年，全国信息安全标准化技术委员会开始了《信息安全技术数据交易服务安全要求》的制定，以上标准的研制为数据交易平台建设、数据交易的规范化提供了支撑。二、数据资产管理及运营的主要内容大数据时代给“数据资产管理”赋予了新的内涵，目前，国内外尚无成熟的数据资产管理标准可供参考，对数据资产管理定义、管理方法和管理过程等还未形成共识。项目研究将数据资产相关过程分为数据资产化、数据资产管理、数据资产运营3个阶段以及12个子内容：

(-)数据资产管理的通用要求数据资产管理的通用要求是统领性、通用性的基础标准，数据资产管理的通用要求旨在为数据资产管理提供一套通用框架，主要为数据资产领域提供术语、对象、流程和保障机制等基本要求，并明确支撑管理对象的核心价值得以实现的各流程和活动间的逻辑关系，以形成对数据资产定义和管理范畴的共识。(二)数据资产化阶段数据资产化阶段包括数据资产权属评估、数据资产质量评估、数据资产价值评估。数据资产权属评估需要依据有关法律法规，结合数据资产的可复制、可共享、可流动等特点，研究制定数据资产的所有权、使用权等权属的分类方法以及数据资产权属的评估流程与方法等。数据资产质量评估可在GB/T25000.12-2017《系统与软件工程系统与软件质量要求和评价(SQUaRE)第12部分：数据质量模型》、GB/T25000.24-2017《系统与软件工程系统与软件质量要求和评价(SQuaRE)第24部分：数据质量测量》、GB/T36344-2018《信息技术数据质量评价指标》等标准的基础上，考虑大数据环境下数据资产的流动性、可变性等特点，制定数据资产的质量评估方法与流程等。数据资产价值评估的研究应该综合考虑不同行业领域的数据特点，覆盖经济价值、社会价值等不同价值类型，标准内容包括评估的要素、流程和方法等，同时应该结合数据资产的数量、质量变化因素预估其价值的变化趋势。（三）数据资产管理阶段数据资产管理阶段包括数据资产分类分级指南、数据资产目录建设指南、数据资产管理工具要求、数据资产安全管理、数据资产管理审计。1数据资产分类分级指南数据资产分类分级指南是指对数据资产进行分类分级时，为满足数据安全管理、敏感数据管控、数据开放共享等需求，需规定数据资产分类分级的原则、模型、方法、编码规则和管理流程等，便于数据资产分类管理和共享。2、数据资产目录建设指南数据资产目录建设指南应规范编制指南、元数据规范和编码规范,编制指南主要规定数据资产目录体系组成以及目录编制实施的组织、流程和要求等，元数据规范主要规定元数据描述等，编码规范主要规定与目录相关的编码的表示形式、结构和维护规则等。3、数据资产管理工具数据资产管理工具要求应从技术架构、建设方案、访问接口、技术要求、测试要求等方面对数据资产管理的相关技术产品和管理平台进行规范，明确功能性、非功能性和标准依从性等要求，针对大数据的特性提供自动化、智能化的技术保障和支撑。4、数据资产安全管理数据资产安全管理应涵盖数据资产生存周期，规范数据资产管理的安全基本原则、安全策略、制度流程、技术规范、组织建设、技术工具和风险评估等，帮助组织开展政策与措施的规划、开发和执行,保证数据资产被合法合规、安全地采集、传输、存储和使用，在制定标准过程中应考虑与GB/T37988-2019《信息安全技术数据安全能力成熟度模型》、GB/T37973-2019《信息安全技术大数据安全管理指南》等标准的符合性。5、数据资产管理审计数据资产管理审计的对象包括数据资产管理的制度、流程和相应的过程记录等，应监督数据资产管理过程的执行，评价数据资产管理的风险，保障数据资产管理和应用的合规。（四）数据资产运营阶段数据资产运营阶段包括数据资产定价、数据资产运营指标管理和数据资产运营绩效评价。大数据环境下的数据资产具有大量、多样、高速等特征，加上其价值的不确定性、稀缺性和多样性，导致传统的无形资产定价方法无法有效解决数据定价的问题，数据资产定价标准的研究可在无形资产的成本法、市场法、收益法等基础上，考虑数据的价值密度、应用场景、变化频率等因素，制定综合定价方法。数据资产的运营以实现业务价值为导向，在符合法律法规的条件下，数据资产运营指标管理对数据资产交易流通、数据资产证券化、数据资产抵押贷款、数据资产投资入股等潜在的运营模式下的数据资产运营的增值能力、安全管控能力、审计追溯能力等进行细化研究，指导建立数据资产运营的评价基准。数据资产运营绩效评价在数据资产运营指标的基础上提供了评价的方法和流程，为数据资产的运营提供了评价依据。三、数据所有权及确权问题研究(-)数据所有权数据所有权包含于数据产权的范畴里，按照1996年欧共体《数据库保护指令》，数据产权被认定为是一种特殊的权利。数据所有权的界定，离不开产权的确定，即数据确权。数据确权，主要是确定数据的权利人，即谁拥有对数据的所有权、占有权、使用权、受益权,以及对个人隐私权负有保护责任等。从数据交易的角度理解，数据确权是为明确数据交易双方对交易数据在责任权利等方面的相互关系，保护各自的合法权益，而在数据权利人、权利性、数据来源、取得时间、使用期限、数据用途、数据量、数据格式、数据粒度、数据行业性质和数据交易方式等方面给出的权属确认指引，以引导交易相关方科学、统一、安全地完成数据交易。数据的开发和利用，伴随着数据使用权的转移，而数据的所有权几乎不变。根据数据产生的来源以及收集和占有的情况，可分为政府数据、企业数据和个人数据这三个方面。(1)政府数据政府是拥有社会信息最多的机构。出于政府履行职能的需要，政府拥有的数据几乎涉及到社会经济发展的全部原始数据，它们分散于政府的各个部门，为各个部门所拥有。这些数据作为社会公共资源,所有权本质上属于全体国民，在保障国家安全、保护个人隐私与企业商业秘密的前提下，大部分都向社会免费开放。（2）企业数据企业的经济属性，决定了其所拥有的数据是和实体物产一起，同属于企业资产的一部分。企业的数据所有权，表现在企业对所拥有的数据具有使用控制权、收益索取权，也拥有销毁或修改及复制数据的权利。随着互联网对社会经济生活的渗透，以及云计算技术的发展，那些原本很难收集、存储、处理和加工使用的庞杂数据，其巨大的潜在价值开始被发现，进而发掘出有价值的信息，通过各行各业的不断创新，将大数据的潜在价值转化为实际利益。因此，数据对于企业来说，就好比是取之不尽用之不竭的最原始矿藏资源，有使用的机会成本为零和边际拥挤成本为零的特点，可以不断被重复利用并不断发掘出新的信息。拥有数据的企业不仅可以自己挖掘利用，也可以通过买卖数据发挥更大的效能，给自身带来更大的利益。（3）个人数据个人存在及日常行为所产生的个人数据，作为数据的提供者，所有权毫无疑问属于个人。个人数据，如身份信息肖像、消费习惯等原始信息，出于安全隐私的考虑，是不能直接交易流通的，必须进行脱敏处理。若收集用户数据的机构与用户达成了直接合同，在合约规定的范围内获取用户提供的独特数据，平台便获得了挖掘开发此类数据的权力。而因分析所得的任何成果，其所有权都属于平台。当平台需要将挖掘权及利益转让给第三方时，则必须通过一个合理可行的程序取得用户群作为一个整体的许可（如公开合作内容），而不再需要寻求每一个用户的许可。由此可以看出，个人数据的所有权往往与搜集数据的平台紧密相连。（二）数据确权数据作为资源，其流通和应用必然涉及到数据的所有权、使用权和隐私权等诸多问题，因此数据的确权在大数据时代尤为重要，关系到大数据的开发、利用以及产业创新和社会福祉问题。数据确权，主要是确定数据的权利人，即谁拥有对数据的所有权、占有权、使用权、受益权。当涉及到个人隐私数据时，数据的所有人就是被法律保护的主体。在国内，从大数据交易角度提出了数据确权内涵。认为数据确权是为明确数据交易双方对交易数据在责任权利等方面的相互关系，保护各自的合法权益，而在数据所有人、使用权限、数据来源、取得时间、使用期限、数据用途、数据量、数据格式、数据粒度、数据行业性质和数据交易方式等方面给出的权属确认指引，以引导交易相关方科学、统一、安全地完成数据交易。在数据交易中，交易不应视做全部权力的转换，在交易中，数据源在参与交易时，首先应要保证数据获取的合法性，并且能够通过举证说明自身对于交易数据的所有权。当数据以商品的形式完成交割事时，购买方所购买的也仅是在特定数据应用场景下的对应权，而非实物中的全部权利转变（观山湖公约）。大数据权利的内容同大数据动态发展过程相对应，第一阶段是针对原始数据，即数据源保护，主要是信息数据本体问题；第二个阶段是针对数据收集挖掘，主要是收集者获取和使用数据的问题；第三个阶段是针对数据处理分析，主要是对数据知识化过程中，数据使用者的二次或多次利用权益的配置问题；第四个阶段是针对数据应用，数据经营者与所有者行使权利的内容。这四个阶段存在不同的法律风险问题，均需合理划分权属问题，避免个人信息的保护机制流于形式以及大数据应用过程利益分配失衡问题。1原始数据所有者权原始数据所有者信息包含一般信息和敏感信息，2013年颁布的《信息安全技术公共及商用服务信息系统个人信息保护指南》是我国首个个人信息保护国家标准，规定个人敏感信息在收集和利用之前,必须首先获得个人信息主体明确授权。一般信息可以通过默示许可的方式规范，原始数据所有者未明确拒绝收集挖掘、处理分析个人信息的，数据使用者可以自动收集利用，而敏感信息由于信息内容的私密性，需要通过同意加许可的方式规范，数据使用者占有、使用、收益等权利建立在原始数据所有者明确授权基础之上。在数据知识化前,应当给予数据原始所有者权利，2018年欧盟颁布的《一般数据保护条例》明确保护个人的数据财产，但不足是没有进一步考虑企业数据财产权问题，忽视了经营者应有的财产利益诉求。所以原始数据所有者应当包括按照主体标准分类的：个人数据、企业数据、政府数据和其他组织数据的主体，需要说明的是并不是谁发布数据信息谁享有数据所有权，数据的所有者是指该数据信息能够体现出该主体信息的所有人。原始数据所有者权包括：（1）占有权，基于占有状态统一数据利用者利用的权利；（2）有权收回的撤回权，这是对数据使用的一个限制，是数据流通中的退出机制；（3）数据主体反对其巳授权的数据被第三方二次利用权利。大数据所有者的权益涉及个人信息隐私尊严的应当给予人格权保护，涉及大数据所有者财产权益的应给予财产权保护。原始数据所有者权是从数据来源的层面判断，数据多从公众行为及网络交互上产生，大数据权益的分配从来源看应当分配给数据的产出者，包括个人或集体组织，而相对应的网络平台是大数据的载体和管理主体，并非实际所有者，因此在大数据权益初始分配上，产生数据的公民个人或集体组织更宜成为数据权主体。.大数据收集挖掘者权大数据的收集挖掘通常使用网络爬虫按照一定应用程序和规则，自动获取互联网中的网页脚本和搜索信息等数据资源，大数据收集挖掘者通过和原始数据所有者设立协议，制定数据使用规则，获得收集、加工、存储原始数据所有者数据资源的同意，通过建立信息使用授权关系进行网络服务，通常所说的签订“默许协议”就是方式之一。事实上，数据时代经济发展需要整合大量数据资源，数据收集挖掘者应当在一定限度内获得数据收集挖掘和存储加工的权利，我国不断完善衡量数据经济发展中的利益关系，大数据收集挖掘者权利在理论和实践中均有突破。2014年《最高人民法院关于审理利用信息网络侵害人身权益民事纠纷案件适用法律若干问题的规定》第12条规定，利用信息网络侵害个人隐私和个人信息，造成损害后果应当承担损失,但六项除外情形，构成侵权责任的免责规定，其中若该收集挖掘的数据欠缺公开性则大数据收集挖掘者侵权责任免责，援引上述司法解释,2015年6月“北京百度网讯科技公司与朱牌隐私权纠纷案”中，南京市中级人民法院判定，被告数据收集挖掘者对于互联网使用者浏览信息的自动抓取信息收集行为以及推荐个性化服务的行为不构成隐私侵权，进一步明确赋予了数据从业者在收集挖掘数据所有者个人信息方面的权利范围，这是大数据收集挖掘者在数据收集过程中的权益保障。当大数据收集挖掘者已经通过协议明确告知网络用户存在数据收集、数据匿名化处理或者可以禁用数据收集工具，认为该主体尊重了原始数据所有者的选择权，便不构成侵权。大数据的收集挖掘是实现大数据发展的重要环节，大数据权益始于原始数据所有者的个人数据，但通过大数据使用者的处理分析和加工利用叠加丰富大数据权益的价值构成，在这个过程往往用到脱敏技术、匿名化技术，并经过商业化分析，此时的数据和数据结论很难分离出原始数据所有者个人数据，大数据的再利用改变了原始数据的实际作用方式，大数据收集挖掘者权益保护不会妨碍原始数据所有者权益保护，经过收集挖掘的大数据权益应当归属于大数据的实际收集挖掘者。.大数据处理分析者权世界各国对大数据的开发利用增多，依靠大数据发展的企业数量也急速增加，我国大数据企业较为知名的有两类：一类是具有综合大数据生产能力的公司，如百度、腾讯、阿里巴巴等互联网企业，华为、浪潮、中兴等产品生产企业，他们拥有的大数据生产能力包含数据采集和存储，数据可视化分析，数据商业利用以及数据安全保障等；另一类则是初创的大数据企业，他们大部分大数据应用需要依赖第三方数据公司提供大数据处理工具，针对市场需求，创新交易方案并推动技术发展。数据处理分析者对大数据的处理权利享有但不限于存储、变更、传输、封锁、删除权。大数据权益的财产性不单体现在数据本身也体现在对数据的利用开发，数据是基本，人工智能、云计算、互联网链接分享等新的应用模式才是数据的利益的最终归宿。经中国版权保护中心审核，国家版权局对贵阳大数据交易所的20项大数据交易系统、大数据实时挖掘系统、大数据离线分析系统等软件著作权进行了认定，确定为原始取得并予以登记，从颁证之日起，这20项系统软件的版权将得到中国版权保护中心的有效保护。2018年贵阳大数据教育实训基地自主研发的学生学籍信息查询系统、网络教学管理系统等15个项目获取软件著作权，这些都是大数据处理分析者对大数据知识产权化的实例。这些数据成果应用涉及到商业应用、工业应用和基础设施等领域，大数据经济的原动力就是将原始数据通过加工整合，使其附有经济价值具有商品属性，进而通过交易等其他方式利益化，这也是大数据企业制作数据和渴求保护的原动力。.大数据应用者权大数据应用者是在应用大数据成果中的数据使用者，他们可能使用大数据的初次成果或衍生成果，衍生成果可能经过多次云计算或新技术加工，不论是初次成果还是衍生成果都可以分为内部使用和外部使用。内部使用是在大数据成果设定的用途限制范围内应用，具有综合大数据能力的企业可以通过企业自身的数据收集挖掘能力将获取的数据信息直接进行处理分析，根据企业生产目的，进行开发形成大数据新技术，并将新技术再次投入生产，以此循环获得更高利益，这些内部使用并非大众化，大数据设计的技术性、专业性较高，在此过程产生的数据交易行为可以认为是对大数据财产属性的经济利益获取，应当尊重中合同自治和交易规则，通过财产所有权转移来确定大数据应用者的权利义务；而外部使用大多是衍生成果的交易，还需要保证数据的安全性能，有一个二次授权问题，大数据作为市场经济的重要推手，大数据的共享开放使得大数据应用成果使用者可以直接或

质量维度：数据资产质量价值的影响因素包含真实性、完整性、准确性、数据成本、安全性等。(I)真实性，表示数据的真实程度。如果数据有偏差，那么使用结果可能会差之毫厘失之千里；若数据造假，更将失去数据统计的意义。真实的数据才具有价值。（2）完整性，表示数据对被记录对象的所有相关指标的完整程度。关键数据的缺失，将影响数据在应用中的价值贡献，或需增加成本去补充数据。数据的采集范围越广，完整性可能越高，数据资产的价值相对也会越大。（3）准确性，表示数据被记录的准确程度。在工作中，拿到的数据都需要先进行清洗工作，排除异常值、空白值、无效值、重复值等，这项工作很可能会占到整个数据分析过程将近一半的时间。专职工种“数据清理工程师”的出现也说明数据清洗工作的复杂性。数据的准确性越高，对数据的清理成本越低，数据的价值也就越大。（4）数据成本，在数据交易市场不活跃的情况下，数据的价值没有一个明确的计算方式，卖方出售数据的报价首先会考虑数据的成本。数据的获取方式通常为公司内部收集或者外购。对于公司内部产生和收集数据，显性成本主要有收集、持有程序下的人力成本、存储设备成本等，无法可靠计量的隐形成本主要为数据所附着业务的研发成本、人力成本摊销等。通常，获取成本越大，数据的交易价值相对越大。（5）安全性，表示数据不被窃取或破坏的能力。数据自身的安全性越高，就可以为企业产生越稳定的价值贡献；同时，数据持有企业对其支付的保护成本越低，其数据资产的价值越大。应用维度：数据资产应用价值的影响因素包含稀缺性、时效性、多维性、场景经济性（1）稀缺性，表示数据资产拥有者对数据的独占程度。商业竞争的本质，部分来自于对于稀缺资源的竞争。在制造差异化趋平的情况下，稀缺数据资源背后潜在的商业信息更加凸显价值。比如司机驾驶习惯的数据，如：驾驶速度的稳定系数、刹车油门踩动的频繁程度等一一保险公司拿到这些数据，有助于它分析出司机的驾驶习惯、事故风险概率，从而相对精准地计算车险保费金额，更有效地提高经营效率（东方财富网，2018）o然而，这类数据是稀缺的，一般只有汽车生产商或出行服务运营商可以获得这类数据。相对于司机的姓名、联系方式等普通信息，驾驶习惯数据由于其稀缺性而体现出更高的价值。（2）时效性，数据的时效性决定了决策在特定时间内是否有效。比如交通信息数据，在没有智能交管之前，交管中心收集的交通数据通常比较滞后，司机收到的路况信息已经是几十分钟之前的，低时效导致数据的价值大打折扣。在有了智能交管之后，信息中心通过获取智能手机、车辆的实时位置，可以实时提供地区的人流量和车流量情况，提前分散车流、缓解交通压力。由此可见，数据的时效性在某些应用场景下至关重要（bingdata123,2018）o（3）多维性，表示数据覆盖范围的多样性。比如用户在搜索引擎提问“美妆”、“学区查询”、“金融招聘”等问题，搜索引擎可以根据这些问题及打开的相关链接，分析出用户的年龄段、性别、文化背景、职业大类、需求偏好，再根据使用的手机或电脑品牌，更换通信设备的频率等推测出收入阶层，将这些数据挖掘整理后连接起来，就刻画出一个多维的用户形象。数据维度越多，适用的范围越广，数据的价值也就越大。（4）场景经济性，数据的价值在于与应用场景的结合，不同应用场景下，数据所贡献的经济价值有所不同。比如，司机驾驶习惯数据可以帮助保险公司更准确地计算保费和理赔概率以提高利润，该数据也可以帮助交通公司招聘合适的司机，但招聘场景下的应用价值,可能没有帮助保险公司提高利润所带来的价值更大；又如交通路况信息用于物流公司的场景，比个人出行场景下的经济价值更大；再如,当多维度的用户信息用于寻找高净值客户时，也比用于普通生活用品推广场景下的经济价值更大。风险维度：数据资产的风险主要源自于所在商业环境的法律限制和道德约束，其对数据资产的价值有着从量变到质变的影响，在数据资产估值中应予以充分考虑。(I)法律限制，在法律尚未明确规定的情况下，哪些数据绝对不能交易，哪些数据可以通过设计合法后才能交易，这些问题在限制数据交易的同时也影响着数据资产的价值。例如，经去标识化处理后的个人信息虽然可以相对自由地进行交易，但其价值与去标识前的个人信息显然存在差异。从实际效果来看，对于数据交易的限制性规定越多，交易双方的合规成本和安全成本自然也会相应提升，虽然作为附带效果，数据合规和数据安全产业会因此得到发展空间，但却可能从整体上对数据资产市场的发展造成重大影响，进而影响到数字经济的整体发展，应以发展和包容的理念去平衡考虑数据的价值创造与风险控制。一部关于数据交易的法律法规的出台或者一个经典判决的作出，都可能对相应数据资产的价值带来从量变到质变的影响。(2)道德约束，是指来自社会舆论压力的风险等。获取个人隐私信息的公司如不恰当地使用个人信息，不尊重用户隐私，将会影响公司的品牌形象、客户信任，对于数据资产的价值和公司的价值都会带来负面影响。（二）数据资产价值评估方法概述由于数据资产不具有实物形态，估值时通常类比无形资产进行分析。无形资产评估在中国起步于20世纪80年代，在资产评估初期,企业价值评估以拥有的房产、设备等实物资产为主。但对于效益好、拥有良好信誉、先进专利技术的企业，无形资产的价值影响不可忽视。为保证股权交易的公平合理，客观上提出了对无形资产价值评估的要求。在行业实践中，无形资产价值的评估方法包括成本法、收益法和市场法三种基本方法及其衍生方法。1成本法成本法的理论基础为无形资产的价值由生产该无形资产的必要劳动时间所决定，是从资产的重置角度考虑的一种估值方法，即投资者不会支付比自己新建该项产所需花费更高的成本来购置资产。成本法下，无形资产价值等于重置成本扣除无形资产的贬值。重置成本通常包括合理的成本、利润和相关税费，其中成本除了直接、间接成本外，还需考虑机会成本。无形资产的贬值通常需要从功能性贬值、实体性贬值和经济性贬值三个方面考虑。成本法在应用时需要重点考虑资产价值与成本的相关程度。3.收益法收益法的理论基础为无形资产的价值由其投入使用后的预期收益能力体现，是基于目标资产预期应用场景，对未来产生的经济收益进行求取现值的一种估值方法。收益法下衍生的无形资产估值方法主要有：权利金节省法是基于因持有该项资产而无需支付特许权使用费的成本节约角度的一种估值方法。该种方法下，需要估算一项许可使用费率，用于计算“成本节约额”，特许权使用费率通常采用利润分成或与产品销量挂钩；多期超额收益法是通过计算该项无形资产所贡献的净现金流或超额收益的现值的一种估值方法。该种方法下，需要对因持有该项无形资产所产生的收入增加额或成本减少额进行合理估计；增量收益法是通过比较该项无形资产使用与否所产生现金流差额的一种估值方法，该种方法通常用于排他协议的估值。3.市场法市场法是基于相同或相似资产的市场可比交易案例的一种估值方法。在取得市场交易价格的基础上，对无形资产的性质或市场条件差异等因素进行调整，来计算目标无形资产的市场价值。市场法的应用前提为标的资产或其类似资产存在一个公开、活跃的交易市场，且交易价格容易获取。目前，我国已在贵州等地设立了多个数据交易中心，数据交易估值会随着数据交易中心等的探索而不断完善。(三)数据资产价值分析及其适用性相较于无形资产，数据资产还具有“有效期短、可以无限共享、集合使用价值更高”等特点。传统的三种评估方法在应用于数据资产估值时各具有适用性，但也存在局限性。1成本法(1)计算方法评估价值二重置成本-贬值因素，或二重置成本X成新率重置成本：为形成数据资产的合理成本、税费和利润。对于公司内部产生和收集的数据资产，显性成本主要有收集、存储、处理数据的人力成本、设备成本等，隐性成本主要为数据所附着业务的研发成本、人力成本等；对于外购数据资产，重置成本为在现行市场条件下，重新取得同样一项数据资产所需支付的金额；贬值因素：传统成本法评估中，实物资产的贬值因素主要分为经济性贬值、实体性贬值和功能性贬值，但对于不具有实物形态且不作为功能性使用的数据资产而言，贬值因素主要来源于数据资产的时效性丧失带来的经济性贬值。(2)优势易于理解，以成本构成为基础的分析方法；计算简单，以成本加总计算为主。(3)局限性数据资产对应的成本不易区分，数据资产为生产经营中的衍生产物，对于部分数据资产来说，没有对应的直接成本，且间接成本的分摊不易估计。比如用户在搜索引擎留下的查询信息等数据资产，其数据搜集成本包括网站建设成本、搜索引擎市场推广费用及管理、运营人员薪酬等，但这些成本中有多少应归属于“数据资产”，这一分摊比例难以估计；数据资产的贬值因素不易估算，造成各类数据资产贬值的因素各不相同。比如交通数据的时效性、司机驾驶信息的准确性，这些贬值因素的价值影响很难量化；无法体现数据资产可以产生的收益，虽然在成本的归集中需要按照成本加成的方式考虑一定的合理利润。传统资产评估的利润率可以参考实际利润率，例如房屋建造的利润率，而数据资产业务的利润率并没有行业通识或惯例，难以简单地选择一个合理利润率，由此导致成本法难以体现数据资产应用所带来的价值。2.收益法收益法是基于数据资产的预期应用场景，对在应用场景下预期未来产生的经济收益进行求取现值的一种估值方法。收益法下衍生的无形资产估值方法主要有：权利金节省法(Re1ieffromroya1ty)＞多期超额收益法(MU1ti-Periodexcessearnings)、增量收益法(With-and-withoutmethod)o(1)权利金节省法许可使用费节约法是基于因持有该项资产而无需支付特许权使用费的成本节约角度的一种估值方法。1)计算方法∑n许可使用费；+所得税摊销收益k=1(1+i)许可使用费：为授权他人使用该数据资产可以收取的许可使用费,通常按照收入的比率计算，即许可使用费=数据资产相关收入X许可使用费率；折现率(i)：数据资产持有者要求的必要报酬率；使用期限(n)：数据资产可以使用的期限；所得税摊销收益：目前数据资产尚无法确认为无形资产入账，因此相关税收摊销收益无法确认。2)优势反映了数据资产的经济价值；可以反映出数据资产与相关收入的对应关系。3)局限性许可使用费不易估计，数据资产的许可使用费率在市场上尚未形成明确的行业标准，较难估计；使用期限不易确定，数据资产是动态的，导致确定数据资产的使用期限成为又一难点。(2)多期超额收益法多期超额收益法是通过计算该项无形资产所贡献的净现金流或超额收益的现值的一种估值方法。1)计算方法∑n超额收益n+所得税摊销收益k=1(1+i)超额收益：数据资产的超额收益为因持有该项数据资产所产生的收入增加额或成本减少额；折现率(i)：数据资产持有者要求的必要报酬率；使用期限(n)：数据资产可以使用的期限；所得税摊销收益：目前数据资产尚无法确认为无形资产入账，因此相关税收摊销收益无法确认。2)优势反映了数据资产的经济价值；能比较充分考虑到数据资产所能贡献的收益途径。3)局限性超额收益不易估计，如智能交管数据，通过实时定位人车信息可以有效减少交通拥堵从而产生价值，但交通效率提升带来的经济价值则较难衡量；数据资产在不同场景下可以贡献的超额收益不同，全面地计算数据资产的超额收益难度比较大，比如用户信息数据可用于消费领域、社交领域很多方面，而不同领域的收益不同，是否需要全部考虑，以及如何考虑难以界定；使用期限不易确定，数据资产是动态的，导致确定数据资产的使用期限成为又一难点。(3)增量收益法增量收益法是通过比较该项数据资产使用与否所产生现金流的差额的一种估值方法。D计算方法∑∏增量现金流；+所得税摊销收益k=1(1+i)增量现金流=现金流(应用数据资产情景下)-现金流'(不应用数据资产情景下)；折现率(i):数据资产持有者要求的必要报酬率；使用期限(n)：数据资产可以使用的期限；所得税摊销收益：目前数据资产尚无法确认为无形资产入账，因此相关税收摊销收益无法确认。2）优势反映了数据资产的经济价值；直观、易于理解。3）局限性无法准确测算不应用数据资产情景下的现金流。增量收益法通过对比使用某些数据资产和不使用该数据资产两种情景下成交额的差异来计算该数据资产产生的收益贡献。但在实际操作上，由于市场情况在不断变化，很难准确测算在其他条件不变的情况下，不使用该数据资产所产生的现金流;使用期限不易确定，数据资产是动态的，导致确定数据资产的使用期限成为又一难点。适用性权利金节省法多期超额收益法增量收益法公式评估价值=W/需+所得税彼的收益制≡=［器+UHIβ1H≡评估价值个警+所得捌融益优势・反映了数据资产的经济价值；・可以反映出数据资产与相关收入的对应关系。•反映了数据资产的经济价值；・能比较充分考虑到数据资产所能贡献的收益途径。・反映了数据资产的经济价值；•直观、易于理解。局限性•许可使用费不易估计，数据资产的许可使用费率在市场上尚未形成明确的行业标准，较难估计；・使用期限不易确定，数据资产是动态的，导致确定数据资产的使用期限成为又一难点。超额收益不易估计；数据资产在不同场景下可以贡献的超额收益不同，全面地计算数据资产的超额收益难度比较大；使用期限不易确定，数据资产是动态的，导致确定数据资产的使用期限成为又一难点。・无法准确测算不应用数据资产情景下的现金流；・使用期限不易确定，数据资产是动态的，导致确定数据资产的使用期限成为又一难点。3.市场法.计算方法评估价值=可比数据资产成交额X∑修正系数可比数据资产成交额为在公开交易活跃下，相同或类似数据资产的交易成交额；修正系数：用于对标的数据资产和可比案例的差异进行修正；.优势能够客观反映资产目前的市场情况；评估参数、指标直接从市场取得，相对真实、可靠；.局限性需要存在公开活跃的市场作为基础，目前在贵州、江苏多地相继成立了数据资产交易平台，线上有HexBin,东湖等数据资产交易所，但目前交易所、交易平台尚未成熟，尚无法提供大量全面的交易数据等信息；数据资产的价值需要根据交易背景不同进行具体分析，比如在分析用于美妆行业的女性客户数据时，可比案例为用于妇幼行业的女性客户数据，虽为同样的数据资产，但两种应用场景下价值不具可比性，也较难修正。（四）数据定价数据价格通常是影响交易成败的重要因素，同时又是市场中最难以确定的因素。定价的目标是促进销售，获取利润。这要求市场主体中的供应方既要考虑成本的补偿，又要考虑消费者对价格的接受能力,从而使定价策略具有买卖双方双向决策的特征。此外，价格还是市场中最灵活的因素，它可以对市场做出灵敏的反映。就数据交易而言，不同的数据获取来源决定了不同的定价机制。企业、个人和政府三者既是数据资源提供者也是数据的使用者。根据数据资源的特性，在定价和付费机制上一方面可参考一般行业比较健全的机制，另外一方面，由于数据资产本身的特性，在定价和付费上需要突出特点。影响数据定价的因素较多，包括数据品种、时间跨度、数据深度、数据完整性、数据样本及数据实时性，不同品种的数据价格机制是不一样的。以国内贵阳大数据交易所的定价系统为例，实时价格主要取决于数据的样本量和单一样本的数据指标项价值，而后通过交易系统自动定价，价格实时浮动。数据交易的最终价格，由交易所撮合数据买卖双方，价格由卖方与交易所最终确定。由于获取数据源不同，数据交易可针对每一个数据品种设计自动的计价公式，数据买方可以通过交易系统查询每一类数据的实时价格。按成交方式，成交价分三种形式：1）自动成交：当数据买方应约价等于或高于卖方挂牌价时，按照数据平台自动撮合成交，成交价为买方应约价格。2）卖方选择成交：对于不能自动成交的应约，卖方可选择能接受的应约与其成交，成交价为买方应约价。3）数据分拆成交规则：因为数据买方不一定需要全部的数据样本，系统将对数据设定拆分原则，系统自动报价，而后自动撮合成功成交。五、面向价值实现的数据资产管理体系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(-)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。企业开展数据模型管理时，应明确业务体系和数据组织结构，通常业务体系由概念模型和逻辑模型表示，数据组织结构由物理模型表示。同时，企业应制定数据模型管理办法和实施流程要求，统一管控企业数据模型，确保数据模型的落地。数据共享管理：是指企业开展数据共享和交换，从而实现数据内外部价值的一系列活动。企业开展数据共享管理时，应定义数据资产内部共享管理办法和实施方案，监督数据内部共享和外部开放的合规性。数据安全管理：是指对数据进行安全分级分类等操作，确保数据全生命周期管理和数据共享使用的安全合规性。企业在开展数据安全管理时，应定义数据安全标准和策略，定义数据安全等级，部署数据安全防控系统或工具，审计数据安全。数据价值管理：是指为了提升数据价值，通过数据应用价值和数据管理成本量化和优化数据价值的过程。企业在开展数据价值管理时,应确定数据存储、计算和运维的成本预算，明确数据成本和收益的具体计量指标，制定降低数据成本和提升数据价值的策略，持续评估数据价值，并改进评估方案。（二）数据运营数据运营包括数据确权、价值评估、数据服务和数据流通4个方面。数据确权：是数据资产化的前提，主要指数据的所有权和使用权。于2018年5月生效的欧盟的《通用数据保护条例》、于2023年1月生效的美国的《2018年加州消费者隐私法案》以及中国的《中华人民共和国个人信息保护法》均明确了数据所有权归属于数据主体，且数据主体拥有知情权、访问权、反对权等多项权利，并规定了数据使用者的义务，包括事先咨询义务、数据泄露报告义务、安全保障义务等。但是，由于目前数据确权仍停留在法律法规层面，且对于加工后的数据的所有权存在争议，因此存在大量忽视数据所有权、滥用数据使用权的问题，而区块链技术利用数据溯源和记账的手段，为数据所有权和使用权的界定和监管提供了新的思路。价值评估：是指在数据质量、数据应用和数据风险等维度对数据进行估值的过程。常用的数据资产价值评估方法主要有成本法、收益法和市场法3类。其中，成本法从资产的重置角度出发，重点考虑资产价值与重新获取或建立该资产所需成本之间的相关程度；收益法基于目标资产的预期应用场景，通过未来产生的经济效益的折现反映数据资产在投入使用后的收益能力；市场法则是在相同或相似资产的市场可比案例的交易价格的基础上，对差异因素进行调整，以此反映数据资产的市场价值。目前，由于数据交易、数据服务和数据流通尚未成熟，市场法并未得到广泛的应用，多数企业将数据存储计算作为成本计量维度，将数据使用热度作为收益计量维度，并通过建立动态的估值模型，实现主观与客观相结合的数据价值评估。数据服务：是指为满足数据使用者的需求而提供的多样化服务方式。企业在开展数据服务时，需明确数据使用者的角色和需求，以制定相应的数据服务策略。对于数据分析人员来说，其需要的可能是数据湖中的原始数据或数据管理流程中的记录；对于业务人员来说，其需要的可能是清洗后的数据或数据统计分析结果。同时，企业也应提供多种数据服务方式，包括在线数据服务、数据服务订阅和数据AP1等。数据流通：是指在数据提供方和数据需求方之间按照一定流通规则进行的以数据为对象的行为。数据流通通常包含企业对内的数据共享、企业对外的数据交易。数据流通是释放数据价值的关键环节，但由于数据孤岛、数据确权和价值评估的限制以及数据交易政策和监管的缺失，数据流通的发展面临诸多困难。（三）技术平台技术平台主要包括数据采集、数据存储、数据处理和数据分析。数据采集：是指从数据生产端提取数据的过程。数据采集技术根据生产端的不同而有所不同，具体包括系统日志采集、网络数据采集和数据库采集3种方式。系统日志采集常用的开源技术包括ApacheF1Ume和FaCeboOkScribeoApacheFIUme采用分布式架构处理流式数据，保证了日志数据采集的可靠性和实时性；FacebookScribe的特征是分布式共享队列，提供了一定的容错性能。网络数据采集多采用合法合规的网络爬虫或网站公共AP1的方式（常用的网络爬虫系统包括APaCheNUtCh和SCraPy等框架），快速提取非结构化和半结构化数据。数据库采集是指通过将数据库采集系统与企业业务后台服务器相连，保证企业实时产生的业务数据可以写入数据库中，如传统的关系型数据库、NoSQ1数据库以及大数据采集技术。数据存储：是指选择适当的方式组织和存放数据。文件系统是最早使用的存储技术，将数据组织成相互独立的数据文件进行管理。数据库在文件系统的基础上发展而来，不再以文件为单位存储数据，而是以记录和字段为单位对数据进行管理，实现了数据整体的结构化。目前数据存储的方式和种类越来越丰富。数据处理：是指数据由存储端到数据汇聚端的清洗过程，通常是指由数据库到数据仓库的抽取(extract)、转化(transform)和加载(IOad)的过程(简称ET1)。目前，已有较为成熟的工具，以任务流的方式定时批量完成ET1,部分工具以可视化任务流而非代码的方式配置任务，部分工具融合了数据准备和数据清洗的功能，如根据统计结果完成数据剖析。数据分析：是指通过相关技术实现对数据的深度分析和利用的过程。数据分析技术主要包括数据可视化、自动化数据建模和情景感知处理分析。数据可视化包括以SPSS、SAS、R为代表的基于数据分析的可视化工具，以Goog1eChartAPI、Tab1eau为代表的动态渲染的可视化工具和以ModestMaps为代表的地图可视化工具。自动化数据建模包括Goog1e公司的C1oudAUtoM1、微软公司的CustomVision.AI等技术平台，实现以计算机自动化的方式完成传统的人工智能(artificia1inte11igence,AI)模型训练过程。情景感知处理分析的核心技术包括情景信息采集技术、情景信息建模技术、情景信息处理技术。(四)保障措施完善的数据资产管理体系需要一定的保障措施来确保各项管理职能落到实处。保障措施通常包括战略规划、组织架构、制度体系、审计机制和培训宣贯5个方面。对于企业来说，建立数据资产管理的保障措施应充分考虑当前信息化建设的程度和企业数字化转型阶段,并评估数据应用前景和数据资产管理可能存在的困难，以确保保障措施的业务一致性和管理可行性。战略规划：是企业开展数据资产管理的指导蓝图，通常由企业管理层或领导层制定，包括数据资产管理的目标、指导原则、实施路线等内容。随着数据价值的显现，越来越多的企业不再将数据资产管理规划局限于某一部门（如信息管理部门），而是将其作为企业战略的重要环节，并在战略规划阶段成立专门的数据管理部门，以连通IT部门和业务部门。组织架构：是企业为开展数据资产管理而设置的部门。典型的组织架构主要由数据资产管理委员会、数据资产管理中心和各业务部门构成，其中数据资产管理委员会作为数据资产管理的主要决策者，负责决策指导数据资产管理工作；数据资产管理中心作为数据资产管理的主要管理者，负责执行和监督数据资产管理工作；各业务部门作为数据资产管理的数据提供者、数据开发者和数据消费者，在参与数据资产流通和服务工作的同时，也应反馈和维护数据资产管理工作。制度体系：是一套覆盖数据采集处理、共享流通等全过程的数据管理规范，保证数据资产管理工作有据、可行、可控。制度体系通常包括数据管理职能相关规范（如管理办法和实施细则）、数据资产管理技术规范（如数据字典规范、数据模型设计规范、数据接口规范等）。审计机制：是评估数据资产管理的规范、规划、组织机构、制度体系的执行状况的监管方法，以保障、评估数据资产的安全性、准确性、完整性、规范性、一致性、唯一性和时效性。通常来说，审计由专业人员进行，审计对象包括数据权限使用制度及其审批流程、日志留存管理办法、数据备份恢复管理机制、监控审计体系规范等。培训宣贯:是指企业为提升员工的数据资产意识和数据资产管理专业化水平而开展的一系列培训和考核过程。在培训方面，企业可组织员工参与行业现有数据资产管理体系课程，或开展优秀部门和员工的经验案例分享；在考核方面，企业可将数据资产管理纳入现有考核体系，树立行业、员工优秀模范，深化数据资产管理理念，提升数据资产管理技术能力。（五）基于数据资产管理体系的规划建设在面向价值实现的数据资产管理体系的基础上，企业开展数据资产管理通常分为前期、中期和后期3个阶段，各阶段在保障措施、数据管理职能、技术平台和数据运营方面的侧重点和产出物有所不同，以确保企业统筹规划数据资产管理，有序推进数据资产管理工作，逐步释放数据资产价值。下图展示了基于数据资产管理体系的规划建设。其中横轴表示数据资产管理的前期、中期、后期3个阶段，纵轴表示数据资产管理体保障措施是确保企业数据资产管理有序开展的基础，开始于数据资产管理前期阶段，并贯穿至数据资产管理后期。前期的产出物包括数据资产管理战略规划和数据资产管理认责机制，明确数据资产管理的目标和职责。中期的产出物包括数据资产盘点清单、数据资产管理现状评估和数据资产管理办法，定位自身数据资产管理能力，规划数据资产管理提升方案。后期的产出物包括数据资产管理人才建设，提升数据资产管理专业水平。根据各项管理职能的优先级，数据管理职能在各阶段的建设顺序有所差异。前期的产出物包括数据资产管理实施细则、数据标准管理规范、数据模型管理规范、数据安全管理规范，确定标准化数据的依据。中期的产出物包括数据质量管理规范、元数据管理规范、主数据管理规范，梳理核心业务数据。后期的产出物包括数据共享管理规范、数据价值管理规范、数据审计管理规范，规范数据共享和审计流程。技术平台是辅助企业高效开展数据资产管理的有力工具，在中期阶段汇聚了数据资产管理前期的成果(如数据标准、数据模型)，并开展了数据质量稽核和元数据管理分析。中期的产出物包括数据开发管理规范、数据管理工具建设、数据汇聚平台，指导平台建设和数据集中。后期的产出物包括数据分析挖掘技术、数据共享服务平台，提供数据服务。数据运营是指企业已具备良好的数据资产管理能力，以数据应用和服务为驱动展开的数据增值活动，通常在数据资产管理后期，以释放源源不断的数据价值驱动企业数据资产管理战略规划、管理职能和技术平台的持续更新。其产出物包括数据资产价值评估方法和数据流通平台，有效管控数据成本，最大化数据价值。六、数据资产运营生态圈及产业链(-)数据资产运营产业链关键要素数据资产运营正在给不同行业和领域带来全新的发展机遇。数据资产产业链中通常分为上游产业和下游产业。上游产业是整个数据资产产业链的开始端，主要是提供重要数据资源、技术基础设施的行业;数据资产下游产业处在整个产业链的末端，主要是对数据资源进行加工并提供数据产品与服务的行业。上游与下游是数据资产产业链中的相对概念，在整个产业链条中涉及诸多因素，如法律法规、政策、技术、人才和资金等，他们相互影响、相互制约，共同产生社会价值和经济价值。1、利益相关方数据资产运营中的上下游产业链中存在着很多利益相关方，而且随着开放数据和信息技术的推动，越来越多的组织机构和个人开始重视并参与到数据资产运营的探索中来。从各级政府部门到大型互联网公司、创业公司和金融机构，数据资产产业链中的利益相关方逐渐得到发展和丰富。总的来看，数据资产产业链中的各利益相关方主要由各级政府部门、企业、产业联盟、监督管理部门、科研机构、技术团体等构成，具备数据资产的整合、利用和成果转化的能力。其中，从数据资产运营的底层视角来看，利益相关方又可以划分为不同的角色。（1）提供方主要包括各级政府部门、行业机构以及各类企业甚至是个人，他们为各机构数据资产运营提供基础数据资源，此外还包括提供软硬件技术基础设施的企业据加工方利用信息技术对数据进行加工处理、分析关联、可视化等操作的企业、技术团体等。（2）用户方包括政府部门、企业、个人，以及使用各类数据产品与服务的所有用户，他们通过数据产品与服务辅助决策、解决日常问题、创造经济效益等。监管方主要由数据资产运营相关行业主管部门和监督管理部门构成，行业主管部门主要职责是研究拟订国家数据资产产业发展战略、方针政策和总体规划；拟定法律法规，发行行政规章；组织制订政府数据资产产业与技术发展政策、技术体制和技术标准等，推动产业发展。监督管理部门依据政策、法规和行业规范，对数据资产产业的利益相关方及其业务行为实施指导、监督和检查职能。（3）服务方主要由评测机构、知识产权管理机构和审计机构构成。它们受相关主管部门委托或由产业利益相关方自发组织，实施或参与实施联盟组织和资产资格认定、知识产权保护、订立行业行规行约、协作推动行业约束、审计检查等职能，提高行业自律性；协助组织制定、修改本行业的国家标准、专业标准及本行业的推荐性标准等；作为企业代表与政府进行信息的沟通与协调，向有关部门提出产业发展意见。2、数据技术数据资产运营产业链中运用的信息技术与数据生命周期密切相关，不同数据生命周期阶段需要不同的技术加以支持，因此这里对数据采集、数据清洗、数据存储与管理、数据加工、数据交易等不同数据生命周期阶段需要用到的技术分别予以阐释。数据采集。数据采集是数据资产运营产业链的第一个环节，数据资源构成了整个产业链的基础。数据采集技术包括网络数据采集法和其他数据采集法。网络数据采集法在当前主要通过系统直接生成，对于社会数据，通过网络爬虫或者平台提供的AP1接口等方式从网站获取数据，它支持文字、图片、音频、视频等的采集；其他数据采集法是指可以通过与其他机构的合作，使用特定的系统接口等相关方式采集数据。数据清洗。数据清洗主要是删除采集数据中的无关数据、重复数据以及涉及国家安全、个人隐私和商业机密的数据，平滑噪声数据,筛除与挖掘与主题无关的数据，处理缺失值、异常值。对于采集的数据而言，并不是所有的数据都是有价值的，其中可能存在重复的、低质量的、干扰的数据，因此需要通过“清洗”去除这些数据，为后续数据的分析加工提供高质量、有价值的数据。数据存储与管理。采集的数据具有海量、格式多样、类型不一等特点，需要对这些数据进行存储与管理，以备后续加工使用，避免重复采集数据从而节约时间、精力、资金等成本。因此，数据存储系统不仅需要以极低的成本存储海量数据，还要适应多样化的非结构化数据管理需求，具备数据格式上的可扩展性。数据加工。数据加工主要指对数据进行分析挖掘等加工处理。数据分析与挖掘的意图主要集中在两方面：一是从大量的结构化和半结构化数据中分析出计算机可以理解的语义信息或知识；二是对隐性的知识，如关联情况、意图等进行挖掘。常用的方法包括分类、聚类、关联规则挖掘、序列模式挖掘、时间序列分析预测等。通过分析、发掘可发现数据本身及数据集之间蕴藏的巨大潜在价值，因此数据分析与挖掘的能力直接决定了数据的应用推广程度和范围，是数据价值实现的关键。3、数据标准数据资产运营的标准化有利于促进数据资产运营的可持续发展。数据资产标准化需求来自各利益相关方，如监管方、服务方、用户方等，统一的数据资产标准可以为行业和产业发展提供指导。目前我国国内关于数据资产运营方面的标准制定工作才刚刚开始，还有大量的工作需要进一步完善。4、资金支撑资金投入是数据资产运营的关键，典型产品的资金投入策略是以尽量小的投入获得尽量大的价值回报，这主要是面对产品显性价值而言，而数据产品与服务由于其隐性价值和外延价值很难估算，因此其资金投入策略没有固定的模式或规律可循。在数据资产运营中，资金要素的主要目标是促进产业链的快速构建，其关键活动包括引入资本、整合资源、培育市场、培养人才和打通产业链上下游供需关系等。在数据资产运营的培育期，数据资产运营往往缺乏足够的资金支持，无法确保前期数据资源采集和成果转化的快速开展。在成长期，数据资产运营主要关注商业资本和商业模式，目标是打通产业链上下游关系，大量引入商业资本投资，创新商业模式，拉动多行业和用户应用需求，培育数据资产运营的市场环境，助力产业快速扩大和升级。在成熟期，拓展多元化投融资渠道，拓宽数据的应用领域和应用场景,同时，要能够监管资本流动，制定标准规范，约束市场行为，确保产业的健康良性展。(二)数据资产产业发展路径研究1、数据资产治理数据资产管理可参考按照“统筹规划f管理实施f稽核检查一资产运营，，四个阶段的方法策略执行。以业务应用目标为指引，企业可以按照自身数据及管理情况制定不同的实施步骤顺序。(1)统筹规划第一阶段是统筹规划过程，制定数据资产管理战略规划，明确数据资产管理目标，涉及建立数据资产管理组织和制度作为保障措施,盘点数据资产，制定数据资产标准规范等，该阶段成果是后续工作的基础。一般情况下，数据资产管理的第一步是建立组织责任体系，根据自身情况，制定数据资产管理制度规范。需要建立一套独立完整的关于数据资产管理的组织机构，明确各级角色和职责，确定兼职专职人员，保障数据资产管理的各项管理办法、工作流程的实施，推进工作的有序开展，并逐步打造管理及技术的专业人才团队。第二步是结合业务盘点数据资产，评估当前数据管理能力。对基础数据的盘点是开展数据资产管理工作的前提之一，需要分析企业战略及业务现状，结合当前大数据现状及未来发展，盘点企业内外部数据现状，确立数据资产管理的目标，并逐渐实施需求调研、盘点资产、采集汇聚等专题任务。与此同时，了解企业数据来源、数据采集手段和硬件设备情况，以定位自身数据资产管理能力，规划未来数据资产管理成熟度提升方案。第三步是制定数据资产相关的标准规范。在企业组织架构、制度体系和数据资产盘点的基础上，结合国际标准和行业标准，围绕数据资产全生命周期管理，制定相关的数据规范体系，包括元数据标准、核心业务指标数据标准、业务系统数据模型标准、主数据标准、关键业务稽核规则等，使得数据管理人员在工作中有明确的规则可依，同时，建立参考数据和主数据标准、元数据标准(比如元模型标准)、公共代码标准、编码标准等基础类数据标准，以及基础指标标准、计算指标标准等指标类数据标准和关键业务稽核规则。企业应逐步推动相关数据规范和标准的工作建设，使数据有效汇聚和应用，切实保障数据资产管理的流畅实现。(2)管理实施第二阶段就是对第一阶段成果的落地实施。首先，在搭建大数据管理平台、完成数据汇聚工作的基础上，根据企业自身存量数据基础和增量数据预估，建设或采购必要的数据资产管理平台或引入第三方工具以支撑管理工作，切实建立起企业数据资产管理能力。其次，要建立安全管理体系，防范数据安全隐患，执行数据安全管理职能。再次，还需要制定和管理主数据，以明确企业核心业务实体的数据，如客户、合作伙伴、员工、产品、物料单、账户等，从而自动、准确、及时地分发和分析整个企业中的数据，并对数据进行验证。在第二阶段里，需要从数据资产管理的相关业务、技术部门日常工作流程入手，切实建立起企业数据资产管控能力，包括从业务角度梳理企业数据质量规则，检测数据标准实施情况，保证数据标准规范在企业信息系统生产环境中真正得到执行。针对关键性数据资产管理工作，可以借助管理工具，建立数据资产的管理流程，保证相关事情都有专人负责。同时，企业应加强数据资产服务和应用的创新，可以围绕降低数据使用难度、扩大数据覆盖范围、增加数据供给能力等几个方面开展。通过数据可视化、搜索式分析、数据产品化等降低数据使用难度；通过数据“平民化”（如打造数据应用商店）扩大数据覆盖范围，让一线业务人员接触到更多的数据，让数据分布更加均衡；通过数据消费者、数据生产者之间灵活的角色转变，增加数据的供给能力（如形成数据众筹众享模式）。第二阶段的工作目标主要是为企业打造核心的管理数据资产的能力，同时为企业内数据资产管理部门形成数据管理的工作环境，概括起来，就是企业数据资产可管理、可落地。（3）稽核检查稽核检查阶段是保障数据资产管理实施阶段涉及各管理职能有效落地执行的重要一环。这个阶段包括检查数据标准执行情况、稽核数据质量、监管数据生命周期等具体任务。这个阶段需要抓好四个“常态化一是数据标准执行情况检查的常态化。数据标准管理是企业数据资产管理的基础性工作，通过数据标准管理的实施，企业可实现对大数据平台全网数据的统一运营管理。数据标准管理的检查主要从标准制定和标准执行两个方面检查。标准制定的检查主要围绕同国家标准、行业标准的一致性，同时参考与本地标准、数据模型的结合性，包括数据命名规范、数据类别等。标准执行的检查主要围绕标准的落地情况，包括数据标准的创建和更改流程的便捷性、数据标准使用的广泛性、数据标准与主数据的动态一致性等。二是数据质量稽核的常态化。应对数据质量问题，首先要提升数据质量意识，数据质量意识包括能够将数据质量问题与其可能产生的业务影响联系起来，同时也包括“数据质量问题不能仅仅依靠技术手段解决”的理念。尽可能从数据源头提升数据质量。其次，建立一套良性循环、动态更新的数据质量管理流程，制定符合业务目标的数据质量稽核规则，明确在数据全生命周期管理各环节的数据质量提升关键点，持续评估和监督数据质量与数据质量服务水平，不断调整更新数据质量管理程序，推动数据向优质资产的转变，逐步释放数据资产价值，为企业带来经济效益。三是灵活配置数据存储策略的常态化。数据生命周期管理，其目标是以完全支持企业业务目标和服务水平的需求，根据数据对企业的价值进行分类分级，形成数据资产目录，然后制定相应的策略，确定最优服务水平和最低成本，将数据转移到相应的存储介质上，争取以最低的成本提供适当级别的保护、复制和恢复。借助数据生命周期管理，企业不但能够在整个数据生命周期内充分发挥数据的潜力，还可以按照业务要求快速对突发事件做出反应。四是数据资产安全检查的常态化。在大数据时代，数据资产更容易遭受泄露、篡改、窃取、毁损、未授权访问、非法使用、修改、删除等问题。2019年5月，国家互联网信息办公室发布关于《数据安全管理办法(征求意见稿)》公开征求意见的通知。企业应通过建立对数据资产及相关信息系统进行保护的体系，合规采集数据、应用数据,依法保护客户隐私，提高数据安全意识，定期进行数据资产安全检查,保证数据的完整性、保密性、可用性。(4)资产运营通过前三个阶段，企业已经能够建立基本的数据资产管理能力，在此基础上，还需要具备以实现业务价值为导向，以用户为中心，为企业内外部不同层面用户提供数据价值的能力。资产运营阶段是数据资产管理实现价值的最终阶段，该阶段包括开展数据资产价值评估、数据资产内部共享和运营流通等。数据资产价值评估能够以合理的方式管理内部数据和提供对外服务。在大数据时代，数据运营企业关于数据价值的实现是体现在数据分析、数据交易层面。数据资产作为一种无形资产，其公允价值的计量应当考虑市场参与者通过最佳使用资产或将其出售给最佳使用该项资产的其他市场参与者而创造经济利益的能力。只有对数据资产价值进行合理的评估，才能以更合理的方式管理内部数据和提供数据对外服务。数据资产内部共享和运营流通需要加强管理运营手段和方式方法，促进数据资产对内支撑业务应用，对外形成数据服务能力，打造数据资产综合运营能力。数据资产内部共享主要是消除企业内数据孤岛，通过相关管理制度和标准体系的建设与推动，构建企业内数据共享平台，打通