本文是宜信华辰《决胜数字化转型》系列直播中“如何做好企业数字化转型中的数据资产管理”的视频直播稿件。如需相关资料，可登录宜信华辰官网社区进行现场观看或下载PPT。
我们这次直播分享的主题是:企业如何管理好数据资产？将从四个方面进行分享:一、数据资产的概念和价值是什么；其次介绍了数据资产管理企业常见的痛点和难点；再者，企业做好数据资产管理是一个系统的方法论。最后，通过一个实际案例，让你学会如何从0到1管理企业数据资产。
1.数据资产的概念和价值是什么？
1.数据资产的基本概念
首先，我们需要了解数据资产的概念。数据资产和我们日常生活中的普通资产一样，广泛存在。它是指能够为组织的发展产生价值的数据。比如，企业可以对某一种商品的销售数据进行分析，得出其中的规律，以便于后续的促销和营销活动。
一般数据资产具有以下特点:广泛存在，更容易通过技术手段获取，可以提取价值最大化，用途丰富，可以通过深入挖掘发现。
2.数据资产和数字化转型之间的关系
如果把企业的数字化比作一栋高楼，那么基础数据就是自己的土壤，数据资产就是整栋楼的基础。基础的作用直接决定了数字化的应用。
如果没有做好数据资产管理，企业只能做短期的数字化应用，而无法长期有效运营。基础的作用直接决定了数字应用，这个建筑，它的一个极限在哪里。
数据资产如果能做好，可以应用到资产交易、资产交易、资产服务等一系列数字化应用中，数字化应用场景会不断发展。
3.什么是数据资产管理？
数据资产管理可以简单理解为从开采、冶炼、加工到最终形成商品的过程，即从一个原始数据的金矿，其中含有很多杂质，经过加工企业的打磨，可以变成手镯、项链、耳环等餐盘。
在企业的数据资产管理中，需要找到原始数据，然后判断数据之间的相关性，通过建模、数据湖或数据仓库形成高质量的数据和数据指标，从而支持决策，为报表和大屏幕显示奠定基础。
二。数据资产管理中的常见棘手问题和困难
1.数据资产管理中的六个常见难题
不同行业不同企业信息化程度不同，共同的痛点和重点也不同。16年大数据行业经验，宜信华辰。
在数据资产管理领域，总结出六个共性问题，即:缺乏统一的数据视图；数据基础薄弱；数据的价值难以估计；管理数据的丰富表面；缺乏安全的数据环境；数据应用不足。
缺乏统一的数据观:比如数据比较分散，我们很难发现数据之间的相关性。主数据是一种非常重要的数据，被多个相关数据引用，所以主数据是数据资产的重要组成部分。
数据基础薄弱:是指即使企业有系统，也不能直接使用系统数据。特别是对于制造业，有很多生产质量控制系统等。到了财务成本计算阶段，这些数据无法提供支持，需要大量的数据处理，耗费人力和精力。
数据应用不足:是指大量的数据是线下产生的，没有一个应用能够支撑业务活动的流程。从线下生产，到流程化、信息化，需要有一个完整的、系统的流程。
数据的价值难以评估:数据的价值是如何体现的？一般来说就是数据丢失。拿回数据要多少钱？
缺乏安全的数据环境:在日常数据管理中，需要保证数据安全，包括数据采集和存储，无论是使用分布式还是数据库存储，都需要备份。整个数据管理需要一种贯穿始终的安全感。
第六点是数据管理表面化:很多企业空喊着口号，却没有具体的数据管理部门、相关流程和制度，导致数据管理表面化，无法用数据为企业的运营和发展提供价值。
2.数据资产管理的四个关键点
数据资产管理的四个关键点是数据资产范围定义、数据规范制定、数据价值识别和数据应用设计。
定义数据资产的范围，企业需要知道哪些数据是数据资产，哪些不是，对数据管理的范围有一个明确的边界。
数据规范制定，包括数据资产定义、流程规范和数据资产服务接口规范。
价值识别，包括企业如何判断哪些数据更有价值，便于对数据资产进行编目。
应用数据统计，企业如何根据现有的数据资产提供相关的数据共享服务？
第三，数据资产管理的神奇装置
1.数据资产管理神奇设备
数据资产管理是一项系统活动。今天，我们分享魔法系统的管理方法论。陶:包括数据战略、组织机制、数据文化等方面；法律:管理层面，实施方法论；运营:运营层面的技术可以有效推动企业数据治理所采用的各种措施和技术；设备:如何利用技术平台和工具管理好数据资产。
2.数据资产管理的方式
数据资产管理的策略需要与业务策略保持一致，必须为业务提供相应的支持，这样企业高层才能给予数据管理部门支持，数据治理项目才能长期持续下去。
同时要建立相关的组织架构、管理制度、规范和流程。随着企业信息化的发展，相关的组织架构、管理制度和流程将不断完善和优化。
最后一个是数据文化的普及，让企业中的每个人都意识到数据的价值。业务部门的人可能会认为数据就是报表或者大屏，无法理解数据的真正价值。
管理好数据资产，需要IT部门发挥主导作用，让业务人员看清楚数据的价值，以及如何激发挖掘数据的价值。
3.数据资产管理方法
数据资产管理的方法是指数据采集、管理、利用和数据定价的全过程。包括核心管理职能和保障措施。
管理功能，包括如何实现数据资产运营管理者的一系列具体行为，包括做数据地图、数据链接、数据字典、数据标准化。
在管理的过程中，如何保证其顺利进行，需要相应的战略规划、组织架构、制度体系、审计制度，以及重要的培训和宣传。
4.数据资产管理技术
数据资产管理的艺术是指如何不断完善数据资产管理的1+4+N模式。首先，这种管理结构和策略是应该强调的。其次，要重视以数据资产管理功能为支撑的数据增值应用和数字化应用。
5.数据资产管理设备
有了管理制度、组织架构和工作流程，你需要用资产管理平台来落地。数据资产管理平台，首先做好数据整合，数据治理，然后是数据资产相关规划。涉及元数据模块、数据标准模块、数据质量、数据资产、数据集成，是一个庞大的系统建设工程。
6.元数据模块
首先说一下第一个元数据模块。元数据是数据治理的基石，它的主要功能之一是使这种数据资产更容易理解。
在实际场景中，我们经常会接到一个项目，我们会征求业务部门的一些意见，但是业务部门反馈的意见是，数据库里专业的东西太多，他们不懂，不知道有什么用。
元数据可以解决这个问题。通过编辑数据字典和数据地图，商务人士可以快速查询相关信息。
一般来说，元数据模块要注意元数据的常用管理，包括收集、检索、质量检查、分析、变更管理、分析、数据图等。
通过了解资产的方式，了解元数据的质量，整合元数据的填充率。通过更多的采集者、血缘关系、监控指标和系统脉络，便于业务人员理解和使用数据资产。
7.数据标准模块
标准实际上是一个约束函数，对数据进行约束，保证数据资产的一致性。
标准要求一般比较宽泛，包括国家标准、行业标准，企业自己也有标准。与主数据类似，属于企业级表。各企业根据自身情况设定此数据主数据的标准，实现快速采集。
在数据资产管理模块中，主要有数据标准制定、审批发布、落地映射、落地评估、标准监控、标准文档管理等。目的是使标准管理层次化，评价准确化，统计信息直观化，标准引用正当化。
8.数据质量模块
在数据质量模块中，为了评估一些资产的真实有效性，要对一些有问题、没有价值的数据进行规则拍卖，保证数据资产能够体现价值。
在数据质量方面，企业需要质量规则管理、检验计划管理、质量评价、数据整改、质量分析报告、建立质量知识库。
而宜信华辰数据管理锐志产品数据质量管理功能内置质检类型多，扩展性强，数据变化更详细，质检监测数据简单明了，还可以自定义质量报告。
先通过规则筛选出有价值的数据，再形成质检方案，因为不同部门对数据质量的要求不同。从逻辑上讲，业务部门最好进行质量检查，因为他们最终是数据资产的消费者。
9.数据资产模块
经过元数据、数据标准、数据质量这三个步骤，组织几乎拥有了大量的数据资产，这时就需要对数据进行管理。
数据资产需要编目，通过资产门户建立，提供资产服务，监控数据资产，协助资产分类标准等。
日常数据资产管理是用资产编目、资产检索、资产服务、资产监控、资产分析、资产标签等功能对数据资产进行分类管理。
10.数据集成模块
最后一步是数据集成模块，将大量分散、分布的数据资产组织起来，需要集中统一管理。数据整合的作用是降低数据资产化的操作门槛，让更多的业务人员参与其中。
数据集成一般包括可视化建模、模型资源检索、ETL流程设计、ETL流程设计、数据脱敏、调度管理等。
企业需要设计从数据库中提取、转换、加载数据的流程，对敏感数据资产进行脱敏，设置数据资产的访问权限和使用权限，更好地集中管理大量资产数据。
四。数据资产管理的实际案例
解释了这么多干货，第四部分我们就结合一个实际的业务场景，来看看如何做好一个数据资产管理项目。
1.项目背景
首先，整个背景，某集团经过多年的发展，沉淀了海量的数据，想要利用大数据挖掘数据的价值，以数据推动业务推广，实现从整个信息化的支撑到数字化的引导的战略转型。
客户的主要诉求是对企业数据进行全生命周期的资产化管理，进而推动数据的价格变化，对内增值，对外增效，同时控制数据在整个管理过程中的成本消耗。
2.数据资产管理建设的五个步骤:
数据资产管理的整个建设过程主要分为五个步骤:
第一步是数据资产清查，要搞清楚哪些数据是数据资产。
第二步是数据资产整合，集中所有数据资产。
第三步是数据资产的管理，对数据资产进行编目和分类。
第四步是数据资产的开发和应用，如何共享数据资产进行应用。
第五步，评估资产价值，哪些数据价值高，哪些数据价值低。
这种施工工艺在实际操作中可以互换。比如做资产清查，前期可能已经有非常好的数据基础，那么在后期的资产管理中，可以跳过资产管理环节。
如果数据湖、数据仓库、数据组、原始数据库、索引数据库的产品做得足够好，在做数据资产的开放应用和资产价值评估时，会节省大量时间，缩短整个项目周期。
3.数据资产清单1
首先，第一步是确定哪些数据是数据资产，一般从五个方面来衡量:
业务权重:这个数据属于核心业务的运营范畴吗？
作用:这类数据是否会对最高管理层的决策产生直接影响，
指标:一般95%的数据指标可以放入数据资产。
使用频率:频率越高，数据越重要。
技术存在性和可控性:通过一些技术手段，使数据能够被获取、保持和控制在一种状态，控制的程度和可控性都是辅助数据指标。
4.数据资产清单2
有很多企业想做数据资产项目，但是最大的麻烦是技术人员不了解数据的商业价值，商家不了解数据最终会到哪里去。仅仅依靠数据资产清查的五个维度是无法被数据使用者理解的。
此时组织需要建立元模型，将五个方面的数据整合到技术人员、业务人员、管理人员的数据中，形成元数据的原型，便于数据资产项目的实施。
5.数据资产清单3
除了用以上五个方面来判断数据资产，还可以做一个自己的资产目录的模板。直接参照模板就可以初步判断数据是否有数据资产。
表中的列表可能不全，但分类方法和维度应该对大家有帮助。我们可以将其分为系统主题、业务主题、行业、组织结构主题、资产类型、服务分类、安全主题、资产形态主题等。
6.数据资产清单4
在数据资产清查的最后环节，需要能够形成数据之间的流转关系，才有可能有效的找到数据资产。从宏观上分析，其实看我们的数据体验，各个系统和数据是什么关系。
在地图上可以很容易的看到，如果一个系统有很多条线与其他系统关联，那么这个系统肯定是非常重要的，里面的一些数据肯定是核心数据。
微观上，业务人员可以从库表中看到报告是如何一步一步处理的。库存不是技术IT部门的事情，业务部门一般都很感兴趣，因为这与他们的业务利益密切相关。通常IT数据由一个数据文员和业务部门处理，大大缩短了整个报表制作流程的UIu。
7.数据资产集成
所有的数据资产划分后，下一步就是做数据整合，整合所有的数据资源，把数据变成资产级。
数据资产需要通过数据标准、数据质量、数据安全等治理工具进行清理和转换，然后开始整合数据，在企业内部进行资源拆分和共享。
比如人力资源部，绩效信息需要发到各个部门，然后领导审批。人力给出综合评价，然后反馈给各个部门。这个过程相当繁琐。
如果使用数据资产级，人力只需要打开考核信息，各部门自行查看分析即可。通过数据管理，将分散重复、不完整的数据整合起来，减少重复性工作。
在整个数据资产中，还需要提供相关数据资产的列表，细节也会对数据资产进行描述，告诉用户数据的来源、应用场景、注意事项等等。
数据资产的清单就像淘宝里商品的说明一样，是商品的一种。需要标明各种信息，告诉用户它有哪些特性、应用场景和价值，才能充分发挥数据的作用。
8.数据资产治理
数据整合后，组织拥有大量的数据资产，其中包含大量重复、分散和缺失的数据。在使用数据之前，需要对其进行清洗，就像烹饪之前，需要对食物进行处理一样。
通常的数据资产管理需要经过三个步骤:
(1)基础治理，需要对零散、重复、不完整的数据进行筛选、删除、补充和整合。
②高级治理:初始数据治理后，需要进行数据清洗，定义清洗条件和质量检查规则。
③最终治理，利用数据标准、数据质量和数据安全标准，保证数据的准确性、完整性、一致性、有效性和唯一性。
在治理过程中，要特别注意检查规则、清理规则和数据条件，一次次积累数据治理经验，优化规则，提高数据资产质量。
9.数据的开放应用
资产清点整合后，企业有了一块黄金数据。接下来就是企业需要通过数据服务平台呈现给管理层、业务人员、职能人员、客户。
数据平台的功能类似于淘宝。每个数据所有人都是一个淘宝店，把自己的数据放在店里。
用户可以搜索相关的数据，以及它的用途是什么，然后通过反馈赋予这个数据应用场景和价值。在实践中，还会有一些属性和标签为数据消费者提供更准确的查询和更好的体验。
10.数据价值评估
最后是数据资产评估。如前所述，数据资产评估，一方面是成本，就是数据丢失后找回数据的成本，以及数据存储的一些成本。
很多大公司买云服务器是为了存储大量日志数据，并不是很有价值。大量的过时数据混杂在新数据中，造成了严重的数据冗余，增加了数据库的成本。一般这种数据记录的费用从几万到几十万不等。
第二个方面是数据的应用价值。我们应该考虑数据频率、交互性、同步和数据维护。
比如一些投资集团的数据，制造业的数据，会沉淀大量的历史数据。如果利用这些数据，可以发挥一些规律来缩短RD成本，做数据分析和创新，增加产品业务的销量，让数据真正为企业产生商业价值。
