来源:谈论数据
导读:对于企业来说，资产清查并不是一件新鲜事。
数据作为企业的“特殊资产”，纳入企业资产负债表是迟早的事。当然，数据资产也需要统计。只有对数据资源进行统筹规划、全面梳理和“摸清家底”，数据才能更好地服务于企业的业务应用。
今天我就和大家聊聊数据资产的整理和盘点！
— 01 —
为什么需要数据资产清单？当今社会，“数字化”已经成为最热门的话题之一，而数据是实现“数字化”的基础。在企业数字化过程中，遇到的首要问题是“无数据可用，无数据可用”。
没有数据可用，不是企业真的没有任何数据。相反，一些大型企业已经建立了几十个甚至上百个应用系统，这些系统实际上沉淀了大量的数据。但由于缺乏对这些数据资源的整体规划和全面梳理，企业不知道自己有什么数据，有多少数据，在哪里，导致“无数据可用”
没有数据可用，因为数据分散在各个应用系统中，缺乏统一的数据标准，系统之间不能很好的互通，形成了信息孤岛。而且各系统数据质量水平参差不齐，标准不一，敏感数据没有得到有效处理。这些问题的存在导致了企业数字化过程中数据的不可用。
数据资产清查是解决上述问题的主要手段之一。清点企业拥有的数据将有助于企业解决以下问题:
1.企业有哪些数据？注意数据的分类；
2.企业有多少数据？关注数据的存量和增量；
3.企业的数据存储在哪里？注意数据的存储和存取方式；
4.谁在管理企业的数据？与数据有关的部门和负责人；
5.识别哪些是重要数据，哪些是敏感数据？注意数据的分类、共享条件和范围。
— 02 —
数据清单从哪里开始？企业数据分散在各种异构系统中，甚至分散在业务人员的计算机中。数据结构、数据类型、存储形式、敏感程度、重要程度都不一样，整体看起来就像一根纠结的线。理清头绪其实并不容易。
砍了又砍，还有管理。
不是悲伤。
就是企业的数据不一致、不准确、不完整、无序、分散、纠结。
……
企业数据资产的盘点从定义合理的盘点计划开始！
1.定义数据清单的范围。
数据统计的范围一般从三个角度定义:组织范围，即应该统计哪些组织和部门，如集团总部、集团+分子公司等。业务范围，即应该统计哪些业务的数据，如采购业务、营销业务、人力资源业务等。系统范围，即应该统计哪些应用系统的数据，如SCM系统、CRM系统、HR系统等。
2、明确数据盘点人员。
谁负责牵头、配合、审核数据？需要投入多少人力资源？需要多长时间？是兼职还是全职？这些问题需要在库存计划中明确定义，并与相关人员达成一致。
3.明确数据清单的内容。
根据业务需要，数据清单应确定需要整理的内容，例如:
数据分类:采购、营销、生产、财务、人事等。
数据结构:结构化数据、半结构化数据、非结构化数据等。
数据类型:基础数据、交易数据、统计数据、时间序列数据等。
数据存储:SQL数据库、文件存储、流数据等。
数据敏感级别:核心、重要、一般等。
数据共享类型:无共享、有条件共享、无条件共享等。
数据开放类型:不开放、有条件开放、无条件开放等。
数据存量:有多少条目，有多少容量，等等。;
4、明确库存明细表。
盘点要有计划有步骤的进行，比如什么时候开始，什么时候结束，什么时候释放。
明确以上四个问题后，你的数据盘点之旅就可以开始了！
— 03 —
谁应该清点数据资产？众所周知，企业的固定资产清查工作一般是由财务部门牵头，管理部门和固定资产使用部门共同配合清查，确保账实相符。
数据作为一种特殊的资产，具有确权难、虚拟性、可复制性等特点，这也导致数据资产难以统计。数据清查，到底应该谁负责牵头，谁负责配合，谁负责审核，这个问题搞不清楚，数据清查就很难推进！
数据资产清查的原则是“谁生产、谁负责”、“谁使用、谁负责”、“谁管理、谁负责”。一般来说，业务部门既是数据生产部门，也是主要的数据使用部门，而IT部门往往负责数据管理。
理想情况下，数据的盘点应该由业务部门牵头，因为他们更熟悉自己的数据，很多教材和教科书都是这么说的。但在实际项目中，我们可以看到数据盘点多由IT部门主导。
“业务更接近、更熟悉数据，这是事实”，但业务部门往往只熟悉自己负责的部分，缺乏整体思维和全局视角。所以业务部门主导的数据资产清查，容易造成“盲人摸象”，过程中会遇到很多问题，导致清查效率低下。
因此，笔者认为，企业数据资产的清查需要找一个具有全局思维的人来统筹规划，规划出数据清查的相关原则、框架和蓝图，明确数据清查的内容，制定出数据清查的模板，然后由生产或使用数据的业务部门进行整理，完成数据清查。该协调员可以是IT部门、数据管理部门或外部聘请的数据专家。
— 04 —
数据清点的基本方法数据资产清查有两种基本方法:自上而下清查和自下而上清查可以帮助我们梳理企业的数据资产清单或者数据资产目录。这两种方法一起使用，构成了数据资产清单的两个方面。
1.自上而下梳理
自顶向下梳理是从业务角度梳理数据的一种方式。通过对相关系统文档、功能系统、业务流程、业务文档等的综合分析。企业的，则是层层分解，梳理出数据资产的三级目录、业务属性和相关管理属性。
三级目录，即数据资产的分类，按照业务视角对企业数据资产进行梳理和分解，如:数据域-数据主体-数据子主体-数据对象。
业务属性，即用于描述数据资产的业务元数据。如上图所示，常见的业务属性包括数据域和数据主题、数据对象、业务定义、业务规则、敏感程度等分类属性。
属性，即用于描述数据资产的管理、维护和使用的元数据。如上图所示，常见的管理属性包括:管理部门、管理人员、联系方式、更新频率、上次更新时间、数据共享条件等。
2.自下而上的库存
数据资产清查的另一个方面是从技术的角度，从IT系统-数据库表-数据结构入手，自下而上归纳，逐步定义与数据资产相关的系统信息项。
技术属性，即用于描述数据资产的技术元数据。如上图所示，常见的技术属性包括:来源系统、数据库表、字段类型、字段格式、取值范围、存储方式、血缘关系等。
最后，将从业务角度整理出来的目录中的数据项与从技术角度统计的系统信息项相关联，建立它们之间的映射关系，从而形成一个完整的数据资源目录。通过数据资产目录，您可以从多个角度查找数据，并确保目录中的每个数据项都可以在真实的IT系统中找到。
— 05 —
数据资产清查的基本流程企业数据资产的整理和清查一般可以分为以下五个步骤，如下图所示:
1.制定盘点计划:此阶段需要确定盘点范围、盘点目标、盘点内容、盘点人员、时间计划；
2.制作存货模板:此阶段需要制作数据排序模板，根据存货内容定义数据资产标准项目。对内部清查工作进行培训和宣传，相关人员就清查范围、目标、内容等达成共识。，了解并学习如何使用数据资产排序模板。
图片来源:知乎，作者谈兴
3.数据资产盘点:一方面，从业务角度对数据资源进行梳理和规划，包括:体系文件的解读、流程表格的整理、关键数据的标识等。，定义数据资产的数据分类体系和业务属性。另一方面从技术角度统计系统数据，包括系统数据探索、数据结构、数据存量、数据增量、存储方式等。，并定义了数据资产的技术属性。
4.清查结果审核:对整理后的数据资产清单、核心数据模型、数据分布图等结果进行审核征求意见，并根据反馈完成相关结果的修改。
5.发布与应用:数据资产清查结果的发布不仅仅是通过邮件或其他方式发布数据资产清单，而是搭建一个专业的数据资产管理平台。通过平台可以将数据资产以“服务”的形式发布，从而实现企业内部数据资产的共享和外部数据的开放。
— 06 —
数据目录与数据资产目录数据资产清查的一个重要成果就是“数据资产目录”。
上一篇文章中的数据管理、数据治理和数据资产管理有什么区别？我们留下了一个问题:数据目录和数据资产目录有什么区别？
我们来看看上篇评论中读者朋友提供的意见:
是的，正如史先生所说，数据资产是数据的子集。因此，数据资产目录是数据目录的子集。数据目录的范围更广，组织的所有数据都可以包含在数据目录中。只有那些能够产生价值，实现组织业务增值的数据，才能被认为是数据资产，纳入数据资产目录。
袁:数据资产管理的目的是满足利益相关者的数据需求。把握住这一点，真理就顺了。数据资产管理与日常生活中的数据治理的区别在于，数据资产管理通过利益相关者的沟通，可以借用产业化的知识来积累和确定分析体系。系统有自己的工具，工具有自己的数据需求。内外数据源实现后，正常处理。日常生活中的数据治理侧重于内部数据。基层人员找工具没有依据或依据不充分，把工具拼凑成一个不完整的系统。也很难和利益相关者沟通。基本上就是垃圾进去，垃圾出来。
结合以上两位老师的观点，谈谈笔者的粗浅认识:
本质上，数据目录和数据资产目录都有“字典”的含义，用来定位数据，解释数据，帮助用户快速找到数据。这是两个目录的共同点。
在项目实践中，数据目录是指通过元数据管理工具收集相关数据源的元数据而形成的数据目录。由于直接采集的所有技术元数据都是数据库表结构、数据流、ETL脚本、数据库操作日志等。，数据目录只有具备一定技术基础的人才能理解，其定位是面向技术人员，比如ETL工程师、BI工程师、开发工程师等。
数据资产目录的不同之处在于:
首先，数据资产目录基于业务视角，以利益相关者的数据需求为目标来规划数据资源系统。比如数据业务属性的定义，数据域的划分，分类分级体系的构建，数据共享和开放的设计，都是基于业务使用，从而形成业务人员能够理解的数据类别结构。因此，在整个目录体系的梳理和编目过程中，业务人员的参与是关键，也是目录体系使用和推广的保证。
二是数据资产的编目需要确认每个编目数据资源的权责，明确数据资产的管理权和使用权，确定其共享条件和范围。
第三，数据资产目录管理数据资产，即那些经常使用并能给业务带来价值的数据。如何实现？这就要求数据资产目录具备“标记/标注”的功能，可以通过标识数据对象的特征、含义、数据质量、使用频率、使用场景、使用对象等来标注数据对象。标注方式可以是人工标注，更高级的是通过机器学习和模型训练对数据进行自动分类标注。
最后，当然，数据资产目录还需要元数据工具来收集和管理技术元数据。并且通过数据关系映射，将数据资产目录映射到物理库表和字段，这样就可以从多个角度找到想要的数据。
文章转载自谈数据~
成长型企业SaaS市场领导者金蝶云之星空，市场份额和客户满意度遥遥领先，连续五年市场份额第一。金蝶Star 空，基于领先的低代码PaaS平台，全面服务于客户RD、智造、营销、供应链、金融等领域的转型。支持了IPD、精益、阿米巴等先进管理理念在30000多家客户的实践，帮助企业全面提升“产品力、获客力、交付力、口碑力、盈利力”，重构数字数字。
