數據成為資產，已經是行業共識，甚至有人建議將數據計入資產負債表。但如果對比實物資產，對數據資產的管理，還處于非常原始的階段。往往一個機構針對其數據資產類別和數量都缺乏全面了解，數據質量、數據安全、資產評估、資產交換交易等精細管理、價值挖掘和持續運營則更為薄弱。數據資產管理是現階段推動大數據與實體經濟深度融合、新舊動能轉換、經濟轉向高質量發展階段的重要工作內容。

數據資產（Data Asset）是指由企業擁有或者控制的，能夠為企業帶來未來經濟利益的，以物理或電子的方式記錄的數據資源，如文件資料、電子數據等。在企業中，并非所有的數據都構成數據資產，數據資產是能夠為企業產生價值的數據資源。

       數據資產管理（DAM，Data Asset Management）是指規劃、控制和提供數據及信息資產的一組業務職能，包括開發、執行和監督有關數據的計劃、政策、方案、項目、流程、方法和程序，從而控制、保護、交付和提高數據資產的價值。數據資產管理是需要充分融合業務、技術和管理，來確保數據資產保值增值。

必要性

 數據作為越來越重要的生產要素，將成為比土地、石油、煤礦等更為核心的生產資源，如何加工利用數據，釋放數據價值，實現企業的數字化轉型，是各行業和企業面臨的重要課題，然而數據的價值發揮面臨重重困難。企業的數據資源散落在多個業務系統中，企業主和業務人員無法及時感知到數據的分布與更新情況，也無法進一步開展對數據加工工作。數據標準不統一，數據孤島普遍存在導致業務系統之間的數據無法共享，資源利用率降低，降低了數據的可得性。標準缺失、數據錄入不規范導致數據質量差，垃圾數據增多，數據不可用。數據安全意識不夠、安全防護不足導致了數據泄露事件頻發，危害了企業經營和用戶利益。而且數據的價值難以評估，數據服務缺乏合規性的指導，阻礙了數據在企業內外的流動。數據資產管理主要解決數據面臨的諸多問題，以體系化的方式實現數據的可用、好用，充分釋放數據價值，具體來看有六個方面的作用。

1、全面盤點數據資產

   據IDC預測，全球數據總量預計2020年達到44個ZB，我國數據量將達到8060個EB，占全球數據總量的18%。2025年全球大數據規模將增長至163ZB，相當于2016年的10倍，數據的規模越來越龐大。隨著自然語言處理、圖像識別、傳感器等技術的不斷發展，數據的種類越來越豐富，一個機構對他掌握的數據類型，缺乏全局管理視圖。因此，數據資產管理的切入點是對數據家當進行全面盤點，形成數據地圖，為業務應用和數據獲取夯實基礎。

2、不斷提升數據質量

 早在1957年的時候，計算機剛剛發明的時候，大家就意識到數據對于計算機決策的影響，提出Garbage In Garbage Out的警示。2001年，美國公布《數據質量法案（Data Quality Act）》，提出提升數據質量的指導意見。2016年，美國發布國家大數據戰略，其中之一就是希望企業通過數據管理來提升數據質量，確保數據決策的可信性。糟糕的數據質量常常意味著糟糕的業務決策，將直接導致數據統計分析不準確、監管業務難、高層領導難以決策等問題。根據數據質量專家Larry English的統計，不良的數據質量使企業額外花費15%到25%的成本。數據能夠被當作資產，并發揮越來越大的價值，其前提是數據質量的不斷提升。

3、實現數據互聯互通

  傳統的信息系統建設都是煙囪式的，各個部門各自存儲數據，也缺乏數據跨部門共享的管理機制。據統計，98%的企業都存在數據孤島問題。造成數據孤島的原因既包括技術上的，也包括標準和管理制度上的。在大數據時代，要實現數字化轉型，打破數據孤島、實現數據互聯互通不僅對于一個單一機構具有重要意義，對整個社會也具有深遠意義。

4、提高數據獲取效率

  一般來說，數據分析人員80%的精力都花在了數據準備上。業務人員可能會有突發的數據使用需求，希望快速地獲取真實、完整和規范的數據，但是由于數據孤島、數據質量不高、缺乏平臺和工具等原因，業務人員無法及時有效獲取數據。讓數據隨時快速有效就緒，縮短數據分析人員和數據科學家的數據準備時間，就需要在技術平臺、數據質量和數據共享等方面采取綜合措施。

5、保障數據安全合規

  隨著各個機構數據的快速累積，一旦發生數據安全事件，其危害性將越來越大。數據安全造成的風險主要包括數據泄露與數據濫用等。根據數據泄露水平指數(Breach Level Index)監測，自2013年以來全球數據泄露高達130億條，其中很多都是由于管理制度不完善造成的。2018年3月，臉書（Facebook）被曝光，將超過五千萬用戶信息數據提供給劍橋分析（Cambirdge Analytica）咨詢公司用于定向投放廣告，這起數據濫用事件在全球引起軒然大波。所以，保障安全是數據資產管理和價值開發的底線。

6、數據價值持續釋放

  目前，數據的價值還沒有得到充分釋放，是因為大部分企業還沒有建立起一個有效管理和應用數據的模式。數據資產管理是一個持續和動態的過程，應隨著技術、市場、產業的變化不斷迭代，使數據資產能夠為數字化轉型提供源源不斷的動力。從企業高管到業務人員及技術人員，全員都要以持續釋放數據價值為理念來重視數據資源管理工作。管理方面，需要建立一套符合數據驅動的組織管理制度和流程。技術方面，需要建設現代化數據平臺、引入智能化技術，確保數據資產管理系統平臺持續、健康地為數據資產管理體系服務。國際上提出DataOps的理念可供借鑒。

四、變革

  隨著大數據的迅猛發展，數據資產管理相對傳統的數據管理是正在變革的，逐漸呈現一些新特點，可以從數據對象、處理架構、組織職能、管理手段和應用范圍五個方面來認識。

1、數據對象紛繁復雜

  數據作為數據資產管理的對象，體現出數據規模海量龐大、數據格式種類繁雜以及數據來源各式各樣等特征。在數據量方面，單一機構的數據規模由以前的GB級上升到TB級，甚至PB級、EB級，數據增速快。在數據格式種類方面，除傳統的結構化數據之外，文本數據、圖像數據、語音數據、視頻數據等半結構化數據或非結構化數據占比越來越大，種類日益豐富。在數據來源方面，數據既包括內部數據，也包括來自第三方的外部數據，既包括傳統業務處理采集的業務數據，也包括手機終端、傳感器、機器設備、網站網絡、日志等技術產生的數據。數據資產呈現數據對象海量、多樣、多元化等特點。

2、處理架構更新換代

 處理架構的更新換代體現在兩個方面。一方面是底層架構，數據處理的底層架構快速的向分布式系統遷移。以Hadoop、Spark等分布式技術和組件為核心的“計算&存儲混搭”的數據處理架構，能夠支持批量和實時的數據加載以及靈活的業務需求。另一方面是數據的預處理流程正在從傳統的ETL結構向ELT轉變。傳統的數據集成處理架構是ETL結構，這是構建數據倉庫的重要一環，即用戶從數據源抽取出所需的數據，經過數據清洗，最終按照預先定義好的數據倉庫模型，將數據加載到數據倉庫中去。而大數據背景下的架構體系是ELT結構，其根據上層的應用需求，隨時從數據湖中抽取數據建模分析。

3、組織職能升級變遷

  傳統的管理制度體系中，數據管理職能主要由IT部門來負責，是IT部門的一項工作，業務部門配合IT部門執行數據管理，提出需求。隨著數據分析與業務融合越來越深入，業務部門逐步成為大數據應用的主角，因而數據資產管理在企業中扮演越來越重要的角色。出現了越來越多的企業設置專門的“數據管理”職能部門或首席數據官（CDO，Chief Data Officer）崗位。在這種變遷背景下，數據管理的組織架構也面臨革新的需求。

4、管理手段自動智能

  依靠“手工人力”的電子表格數據治理模式即將被“自動智能”的“專業工具”取代，越來越多的數據管理員、業務分析師和數據領導者采用“平臺工具”來梳理元數據、主數據，構建模型和管控質量。隨著機器學習、深度學習技術的成熟，相關專項解決方案和平臺工具系統的技術局限性如效率低、差錯率高、擴展性差等將被一一攻破，能夠有效地解放人力，提高效率和精度。

5、應用范圍不斷擴大

 數據的應用范圍在不斷擴大，由傳統的支持管理需要的戰略決策分析為主，發展為支撐業務一線業務場景的戰術性決策。數據資產的意義價值也從對內強化能力擴展到了對外合作開放上，從而實現數據資產保值到增值的跨越。戰略決策分析一般包括管理優化、研判決策、風險合規、業務拓展、管控成本等。由原來的只應用于領導決策場景擴展到部門級業務分析使用。戰術性決策包括智能推薦、精準營銷、分析報告以及風險防范等。在跨企業的業務合作中，數據不可避免的也會流通到上下游的合作伙伴。從使用對象來看，數據資產的使用者不僅包括企業決策人員，還包括運維用戶、業務管理人員、數據分析人員、數據科學家等各種角色。數據應用范圍越廣，就越需要智能化的數據資產管理技術及完備的管理制度作為支撐，從而實現數據精細化管控和數據價值最大化。

五、主要內容

 數據資產管理框架如圖所示，包含8個管理職能和5個保障措施。管理職能是指落實數據資產管理的一系列具體行為，保障措施是為了支持管理職能實現的一些輔助工作。本章主要描述具體的管理職能和保障措施的詳細內容。

1、管理職能

 數據資產管理的管理職能包括數據標準管理、數據模型管理、元數據管理、主數據管理、數據質量管理、數據安全管理、數據價值管理以及數據共享管理等8個方面。

數據標準管理

 數據標準是指保障數據的內外部使用和交換的一致性和準確性的規范性約束。數據標準一般包括三個要素：標準分類、標準信息項（標準內容）和相關公共代碼（如國別代碼、郵政編碼）。數據標準通常可分為基礎類數據標準和指標類數據標準。

 基礎類數據標準一般包括數據維度標準、主數據標準、邏輯數據模型標準、物理數據模型標準、元數據標準、公共代碼標準等。指標類數據標準一般分為基礎指標標準和計算指標（又稱組合指標）標準?；A指標一般不含維度信息，且具有特定業務和經濟含義，計算指標通常由兩個以上基礎指標計算得出。

  數據標準管理是指數據標準的制定和實施的一系列活動，關鍵活動包括：

       · 理解數據標準化需求；

       · 構建數據標準體系和規范；

       · 規劃制定數據標準化的實施路線和方案；

       · 制定數據標準管理辦法和實施流程要求；

       · 建設數據標準管理工具，推動數據標準的執行落地。

 評估數據標準化工作的開展情況數據標準管理的目標是通過統一的數據標準制定和發布，結合制度約束、系統控制等手段，實現企業大數據平臺數據的完整性、有效性、一致性、規范性、開放性和共享性管理，為數據資產管理活動提供參考依據。

數據模型管理

 數據模型是現實世界數據特征的抽象，用于描述一組數據的概念和定義。數據模型從抽象層次上描述了數據的靜態特征、動態行為和約束條件。數據模型所描述的內容有三部分：數據結構、數據操作（其中ER圖數據模型中無數據操作）和數據約束，形成數據結構的基本藍圖，也是企業數據資產的戰略地圖。數據模型按不同的應用層次分成概念數據模型、邏輯數據模型、物理數據模型三種類型。

 · 概念模型：是一種面向用戶、面向客觀世界的模型，主要用來描述現實世界的概念化結構，與具體的數據庫管理系統（DBMS，Database Management System）無關；

 · 邏輯模型：是一種以概念模型的框架為基礎，根據業務條線、業務事項、業務流程、業務場景的需要，設計的面向業務實現的數據模型。邏輯模型可用于指導在不同的DBMS系統中實現。邏輯數據模型包括網狀數據模型、層次數據模型等；

 · 物理模型：是一種面向計算機物理表示的模型，描述了數據在儲存介質上的組織結構。物理模型的設計應基于邏輯模型的成果，以保證實現業務需求。它不但與具體的DBMS有關，而且還與操作系統和硬件有關，同時考慮系統性能的相關要求。

 數據模型管理是指在信息系統設計時，參考業務模型，使用標準化用語、單詞等數據要素來設計企業數據模型，并在信息系統建設和運行維護過程中，嚴格按照數據模型管理制度，審核和管理新建數據模型，數據模型的標準化管理和統一管控，有利于指導企業數據整合，提高信息系統數據質量。數據模型管理包括對數據模型的設計、數據模型和數據標準詞典的同步、數據模型審核發布、數據模型差異對比、版本管理等。數據模型管理的關鍵活動包括：

 · 定義和分析企業數據需求；

 · 定義標準化的業務用語、單詞、域、編碼等；

 · 設計標準化數據模型；

 · 制定數據模型管理辦法和實施流程要求；

 · 建設數據模型管理工具，統一管控企業數據模型。

 數據模型是數據資產管理的基礎，一個完整、可擴展、穩定的數據模型對于數據資產管理的成功起著重要的作用。通過數據模型管理可以清楚地表達企業內部各種業務主體之間的數據相關性，使不同部門的業務人員、應用開發人員和系統管理人員獲得關于企業內部業務數據的統一完整視圖。