在數字化轉型任務中，數據，數據資源，數據資產，這些詞匯的概念意義都是非常不一樣的。

從數據到數據資源，首先經歷了成本確認和潛在價值認定的過程，而從數據資源再到數據資產，又經歷了數據治理的過程。

所謂數據治理，本質上就是對雜亂、原始的基礎數據進行一系列的加工處理，使其數據價值得以“顯化”，可以直接為管理或業務活動提供價值。

數據治理本身有非常寬泛的管理學內涵，而如果從數據價值鏈的視角，把數據本身作為觀察對象，或許可以更加清晰地理解數據治理活動對數據變成資產這個過程產生了什么影響。

下面主要從四個步驟來簡單介紹：

（一）業務數據同步

首先，需要通過數據采集、同步的方式，把業務系統中的數據表內容遷移到分析域中，實現數據對象從流程支持到決策支持這個基礎角色的轉變。

例如，在數據倉庫的貼源層，盡管只是對業務系統中的數據進行了最基礎的復制操作，其內涵也是完全不同的。

這里最大的好處在于，在數據倉庫對數據進行分析，并不會對業務系統的正常數據運行產生任何影響，這個過程也叫業務數據化。

（二）業務特征抽取

剛完成的同步的原始數據形態，數據結構和數據規整度不足，很多時候并不利于直接進行分析。

因此，需要對數據進行預處理，去掉可能影響分析結論的誤導性記錄。同時對業務特征進行抽取和提煉，為后續的數據分析活動以及數據服務創造有利的數字化條件。

其中，對于結構化數據來說，常見的做法是對一些核心業務特征的度量值進行統計計算，比如平均值、最大值、最小值、總數、比例等總體分布指標。

而對于非結構化數據來說，比如文本類數據，通過語義理解、文本分類、知識抽取等自然語言處理技術，可以自動提煉業務標簽，獲得相應的結構化表征屬性。

（三）數據要素重組

除了對業務特征抽取，在數據治理的過程中，還需要數據資源進行匯聚整合。

數據匯聚是把來自不同業務系統（數據源）的數據在新的統一模型中進行統一、集中的重新表示，這里有兩個主要目的：

一是實現數據資源的整合與貫通，實現跨業務的數據價值融合，激發更大的數據要素活力和數據場景創新潛力；

二是將數據資源的組織形式轉變為更適合業務分析的寬表形式，數據模型的基本結構從面向過程變為面向對象。

（四）數據質量整改

前三個步驟完成了數據要素的初步規整，這里只是考慮了數據的信息表示形式，并沒有考慮數據質量。數據質量是保證數據可用性、價值性的關鍵。

對數據質量進行定期的核查、整改，是數據治理中非常關鍵的環節，數據質量一般按照六性（一致性、完整性、準確性、唯一性、有效性）維度展開進行分析、整改、提升。

數據質量整改除了在數據倉庫（或中臺）進行（見效快、不徹底），也可以在各個源端業務系統（干擾正常業務、長期效應）展開。

值得注意的是，數據質量的標準需要緊密結合目標業務應用來定義，需要考慮權衡數據整改活動的“成本-收益”比例。

（五）數據產品開發

在數據整改的基礎上，后續可基于優質的數據表資源，圍繞具體的業務目標導向，開發各類有價值的數據產品。常見的數據產品包括數據表本身、BI分析模塊、業務標簽等多種形式。

數據產品一般以“服務化”的方式進行組織內外的資源共享和開放。用戶可以通過訪問數據服務來訪問數據資源和基于數據資源的計算分析能力。

最終，數據表和數據服務，最終都作為數據資產進行審核、備案、公開、運營。

用戶可以通過數據資產目錄了解企業的數據資產現狀，并按照授權情況進行訪問，以及開展自主數據應用。

（六）數據資產確權

在成為數據資產之前，還有一個環節非常重要，即數據資產確權。

因為數據資產與其他資產一樣，具有價值屬性，這就會涉及關于數據價值分配以及責任歸屬的問題。需要明確在組織中誰對數據有采集權、管理權、訪問權，以及最終的收益分配權。

當前，關于數據資產確權的統一標準還在逐步探索的過程中，在不同行業和業務場景中的規則也各具差異性。

但總體而言，數據權益與數據責任是相匹配的，需要結合各相關方的資源投入和業務邊界合理明確，這是數據要素市場化不可逾越的關鍵管理學議題。