数据资产全生命周期管理体系建设白皮书2025 - 数据资产如何成为企业新引擎？全生命周期管理是关键 -ey

全生命周期管理是关键2025年4月1全生命周期视域下企业数据战略体系的构建与演进2-4页2海量数据资源的高效盘点与多维分类体系构建5-7页3“业数技”三维协同驱动的数据资源治理8-10页4数据资产高效应用的三元驱动模式11-14页5超越成本视角的数据资产估值15-16页6数据资产全生命周期体系建设的战略选择17-19页01自2020年4月9日中共中央、国务院发布《关于构建更加完善的要素市场化配置体制机制的意见》，首次将数据作为新型生产因素写入中央文件以来，我国数据要素市场化改革进程显著提速。同时，2025年3月5日，《关于做好金融“五大文章”的指导意见》的出台，进一步提出了在五大核心领域高效利用数据要素的新要求，旨在推动中国金融体系向更高效、更包容、更可持续的随着数据确权、流通、交易等基础制度的持续完善，金融行业积极响应国家战略部署，通过构建数据治理体系、深化技术应用创新等举措，加速推动数据资产从"沉睡资源"向"核心资本"转化。这场由政策驱动与市场需求共同催生的"价值觉醒"，不仅重塑了金融行业的发展逻辑，更为其深度参与数字经济建设、抢占未来发展制高点奠定了坚实基础。n“厘清家底”——识别过往业务中已累积、多样化、高复杂度的数据特征，提高其被激发及再利用的水平。n“明确价值”——推动数据管理工作向“高质量”转变，挖掘数据资产的潜在价值属性，提升其长期表现力。数据资产管理驱动力n“创造财富数据资产管理驱动力厘清家底厘清家底344总体而言，一系列积极的政策信号，为金融企业数据领域工作的正向发展带来核心动力的同时，也带来了新的蓝海和机遇。随着数据要素资源化、资产化、资本化发展的要求逐步明确，企业也积极以全面的数据资产管理视角重新布局其数据领域的相关工作。与此同时，众多金融企业在推动其数据资产管理工作时，意识到原先分散的数据质量、数据标准化、数据入表等相关工作并非孤立存在，把握各个工作子项的相关脉络是在这一轮数据经济发展中能够脱颖而出的关键因素。数据资产管理工作需要放入一个完整的数据资产生命周期闭环去思贯彻国家数字经济发展规划推动数据资源建设、发挥数据要素作用数据资源定义基础数据资源数据资源定义基础数据资源标准化指标数据资源标准化数据质量管理数据认责估值外部公允视角估值集团共享视角估值资产登记与质量评估数据资产定价与交易数据资产核算数据资产金融证券化数据资产税务管理应用数据共享智能化应用数据资源目录数据资源目录数据资源展示大模型应用数据资源展示大模型应用数据安全生命周期管理数据安全生命周期管理数据安全分类分级数据安全运维检测数据安全分类分级数据安全运维检测支撑数据基础平台数据应用服务平台数据资源管理平台数据治理平台支撑数据基础平台数据应用服务平台数据资源管理平台数据治理平台组织定位组织架构岗位与流程制度保障已有基础逐步建设最终目标为此，建议金融企业决策者们从数据资产全生命周期管理的视角，全面推动企业的数据资产管理工作，这就必须积极部署和推动数据资源盘点、数据资源治理、数据资源运营和数据资源估值四方面工作。同时，由于上述工作需要在资源配备、组织和责权方面进行全局部署，因此也需要企业的决策者们深刻思考和制定企业的数据战略。02数据资源盘点是企业数据资产管理体系的基础，建立分类合理、语义清晰的数据资产目录体系，是数据资源治理、数据资产运营、估值和入表的先决条件。数据资源盘点作为基础性工作，其开数量与质效之间的矛盾挑战一是数据资源数量巨大和高效、高质量完成盘点工作之间的矛盾。金融企业的IT系统数量多、数据资源丰富，最细粒度的字段数可以达到百万级别。同时，系统大多由不同的IT公司历经多年建设而成。数量多、数据原始定义难以说清是数据资源盘点的核心挑战之一，这与企业想要高解决之道是构建一套数据资源盘点工艺加一套实施方法规范。数据资源盘点工艺的核心是对数据资源的属性以及填写要求提供一套详细的规范，从而可以发动和规范各系统开发设计人员，按照该工艺开展数据资源的盘点，实现大规模、并行开展数据资源盘点工作。数据资源实施方法规范提升数据资源初盘的质量，确保数据资源盘点结果的可理解、可使用。除了盘点工艺和实施规范,数据资源盘点可以进一步基于AIGC技术，在语义填写、评审、分类等方面，显著提升工作效率和质量。盘点规范盘点规范 6数据资产全生命周期体系建设白皮书6数据资产全生命周期体系建设白皮书数据分类单一与业务应用需求之间的矛盾挑战二是数据资源分类体系单一和基于数据的业务应用视角需求之间的矛盾。数据资源的分类天然和IT系统/表的分类一致，但如果仅仅是按照系统、表的视角，对数人员、数据分析应用人员难以对数据资源进行有效的检索和使用，企业耗费大量人力物力开展的因此在传统的技术视角目录外，必须还要构建基于数据视角、应用视角的数据资源目录。在数据视角方面，基于金融行业数据模型，我们已经构建了一套包含大类-小类-子类-细目的四层分类体系。该分类体系基于对业务的总结和抽象，从数据的视角对数据资源进行了合理的分类，类目总数达到2000项左右。在应用视角方面，则需要基于金融机构对数据应用的场景分类体系进行构建。目前我们已经总结了银行业金融机构典型的数据应用场景近200个，可以实现从应用视角对数据资源进行全面分类。7数据资产全生命周期体系建设白皮书03数据治理已然是金融机构的传统命题，基于监管要求和内部经营管理需要，它也是一个刚性的命题。数据治理的核心目标，是为企业的数据应用提供高质量数据资产，进而提升入表数据资产的数据治理价值不显著挑战一是数据治理的价值不显著，除了监管数据质量提升具备较为明确的价值外，数据治理在金融机构内部经营管理上的价值创造依然不充分，进而导致数据治理在企业内的重视程度、资源配备、协同推动等各方面都面临较大挑战，大量的数据治理工作停留在基础数据标准制定和监管报解决之道是构建“以用促治”的数据治理推进策略，除了基础数据标准、管理机制、治理平台等数据治理的基础性工作外，需要结合企业对数据的应用，并行推动数据治理工作。在金融机构常见的数据应用领域包括经营分析及其指标体系的建设、风控模型的建立、客户标签和画像体系、业财一体化分析体系、产品精细化经营和分析等，在这些数据应用领域推进的过程中，随着需求的明确、数据的探源和数据质量的分析，会发现大量底层明细数据的不标准、质量不高等问题，这些是数据治理以明确的业务价值为目标推进的场景和机会。除此之外，随着大模型在金融企业的广泛应用，大模型训练和运行所需的非结构化数据的治理，也成为数据治理工作的下一步热点。非结构化数据治理的基本逻辑依然需要遵循“以用促治”的原则，在非结构化数据资源目录体数据应用数据应用治理平台组织架构基础数据标准组织架构基础数据标准9数据资产全生命周期体系建设白皮书与数据应用并行推动数据治理工作，优点是具备明确的需求和业务价值，但随之而来是第二个挑战，“业数技”在这项工作中如何分工？金融机构传统的数据治理特点是“业数技”分工明确，于传统的IT系统建设体系如何和数据治理的各项要求高度融合；按照监管要求和行业通行做法，业务部门作为数据的所有者，对本部门所负责的数据承担管理职责；数据团队一般定位为数据治理的牵头部门，履行建立数据治理各项规范、推动数据治理实施等职责。在上述职责分工体系下,“业务部门有职责、无数据专业能力”和“数据团队想推动、有一定能力，但无法代行业务职责”是数据治理工作难以推动的核心矛盾。业务侧数据治理职能的委托业务侧数据治理职能的委托u业务部门把数据治理的业务侧职能全权委托给数据团队代理，全权委全权委托代理机制业务部门对数据治理的审阅与把关u数据治理工作可代理，但管理职责不可代理，因此，业务部门依然需要对各项数据治理工作进行审阅和把关，确保数据治理数据团队的角色定位与实施数据团队的角色定位与实施uu数据团队在建立规范、协调推动职责之外，需要立足企业全局的视角，基于“以用促治”的基本思路，识别数据治理重点工作，并在接受业务部门全权委托后，以“运动员”而非“裁判加强数据团队业务能力的策略加强数据团队业务能力的策略uu上述机制要求数据团队具备较强的业务知识和能力，这也是数据治理工作对能力的核心要求，因此管理决策层需要在资源配备上，逐步加强数据团队的业务能力建设，具体手段包括从业务转岗、大力吸引外部优秀人才、引入专业公司等方法。总体而言，“以用促治”的数据治理策略及“全权委托代理制”新模式，均要求“业数技”三10数据资产全生命周期体系建设白皮书04数据资产高效应用的三元驱动模式1212对于金融机构，数据应用是实现数据资产价值创造的有效手段。但金融机构的管理决策者普遍认为本企业的数据应用并未取得预期效果。同时，从AI推动数据资产的应用，需要回归到数据资产对业务的本源价值，以经营统计、洞察分析和流程自动化三种形式开展。经营统计数据资产应用的第一种模式是经营统计，监管报送、绩效考核、内部经营统计都属于这种模式。经营统计的核心目标是描述业务当前的情况，助力企业的经营决策者“看清”企业真实的经营情况。对于金融机构，经营统计是一项长期开展的重要工作，虽然历经多年推动，但普遍面一是经营统计的核心指标，面临指二是即使有较为丰富和规范的指标标过多，从而各部门提供的指标冲突的问题；或者面临指标过少，经营统计视角有限的问题。体系，但由于基础数据治理开展不充分，大量指标依赖于手工统计，指标的准确性、及时性均有待提升。解决上述问题并无捷径，需要从指标的体系化解决上述问题并无捷径，需要从指标的体系化梳理，以及建立有效的基础数据治理体系两个方面入手；对于企业的经营决策者，在全局推动上述工作开展后,可以从指标数量、指标自动化率两个角度，监测和推动经营统计数据应用能解决方法1313数据资产应用的第二种模式是洞察分析。洞察分析的核心是为企业的经营管理者提供“处方性分析”和“预测性分析”，不同于经营统计的“描述性分析”及其主要为报表的展现形式，洞察分析侧重于发现产生业务经营现状的根源（如：零售AUM近三个月持续快速提升的原因是什么,并进而去预测未来业务经营会向哪个方向演变（如：未来半年零售AUM会实现什么样的增速？洞察分析有三个核心特点：n三是它需要并行采取多种技术，包括洞察所需的多维指标加工、归因分析技相较于数据应用的其他模式，洞察分析在金融机构普遍开展不充分，这也是企业经营决策者对数据应用的获得感不强的主要原因。要推动洞察分析在企业的广泛开展，企业经要推动洞察分析在企业的广泛开展，企业经营决策者一是需要加强洞察分析能力的建设，二是要开展洞察分析命题集的收集、梳理和有效实施。同时，洞察分析是适合运用大模型技术的应用，其应用方向主要分两个阶段，一是基于语音、文本多模态识别的自动化指标加工和展现，二是基于文本生成的自动化分解决方法1414数据资产应用的第三种模式是流程自动化数据应用，无论是基于风险评分的自动化审批，还是基于客户画像和洞察的自动化营销，其核心都是实现企业的流程自动化，从而在大规模、批量化的流程自动化应用是金融机构在过去多年推动AI技术的主要应用方向，领先金融机构已经开展得较为充分，零售、线上、风险等领域是AI技术应用的主要领域，近几年对公领域也逐步开展AI技术流程自动化应用的核心是发掘应用场景，为此我们建议采取“经营目的流程自动化应用的核心是发掘应用场景，为此我们建议采取“经营目的+客群+产品+渠道”四要素组合的标准范式，构建和识别流程自动化应用的场景。经营目的流程自动化应用发掘四要素产品典型的“经营目的”如新客挖掘、防止流程、提升价值等，“客群”“产品”和“渠道”根据金融机构自身的定义进行分类，它们和“经营目的”相结合，从而产生一个具象的应用场景，如“信用卡客户线上理财产品推荐场景”。解决方法渠道客群总体而言，三种数据应用形式的目的不同、服务对象不同、采取的技术不同，对于企业的经营决05超越成本视角的数据资产估值数据资产估值和数据资产入表，是既强相关、又显著不同的两个领域。数据资产入表主要强调对于有明确收益的数据资产，准确度量其成本，并在财务的资产类科目上予以体现，属于会计学范畴。总体而言，数据资产入表对数据治理和数据应用的有效性，并无显性要求。收益法或者市场法，从经济学范畴计量其价值。更广，包括数据资产定价和交易、数据资产融资等；为强调数据治理成果与估值结果呈现强正相关性，二是数据应用的业务价值创造是收益法估值的核心思路，因此数据资产估因此，对于企业的数据管理部门，如果希望能够量化评价和数据资产应用，为未来的数据资产经营和交易打下基础，开展数据资产估值可以作为优选路径16数据资产全生命周期体系建设白皮书06数据资产全生命周期体系建设的和数据体系，是企业数字化转型的两大基础能力体系。因此，企业的决策者需要为数据资产全生命周期建设制定战略。战略的核心是选择正确的方向和合适的路径，在方向上，全面推动数据资产体系建设已经成为金融企业的共识，同时也是国家和行业各类政策的明确要求，因此关键是制在数据体系的组织建设上，核心是数据团队的设立模式。其主要需要考虑两个因素，一是设立在科技条线，还是业务条线，二是团队级别采取一级部门、二级中心以及小团队的哪种模式。对于设立在科技条线还是业务条线，各有优缺点，不同类型的金融机构选择各异，需要综合团队的历史沿革、数据团队能力的特点等多方面因素进行考虑。对于团队级别，越来越多较为领先的金融机构倾向于采取一级部门模式，也有较多金融机构采取二级中心作为过渡模式，并稳步向一级部门模式推进。业务部门一级部门业务部门一级部门+二级部门+二级部门技术部门小团队小团队18数据资产全生命周期体系建设白皮书在数据领域的资源配备策略上，相较于金融机构在科技资源配备方面已具备较为明确的预算机制,其金融科技团队规模稳步增长，预算投入也会按照营收占比进行披露和对标，数据领域的资源配备则缺少明确的预算机制和测算方法。在预算机制方面，如果把数据体系作为金融科技体系的重要组成部分，可以复用金融科技的预算机制，并在其中显性体现数据类预算；在资源投入测算在建设重点上，首先需要夯实基础性工作，包括数据资源盘点、基础数据标准规范、组织和制度体系建设、数据安全体系建设等；其次围绕“以用促治”的核心思路，以数据应用为核心，开展专项数据应用和专题数据治理并行推动的工作。对于数据基础较为薄弱的金融企业，监管报送是优先选择。进一步