数据资产背景介绍
数据资产管理是释放数据要素价值的基础和前提，是数字经济的核心驱动力。随着企业数字化转型的深入，数据体量呈爆炸式增长，控制数据生产成本、发现有价值的数据，提高数据ROI成为企业数字化转型后期的关键任务，也是数据资产管理的终极目标。然而，数字化转型并非一帆风顺，通常伴随着许多问题。如何控制生产成本、发现潜在成本因素、量化生产成本？如何发现有价值的数据、整理数据分布、分析数据的实际价值？这些问题都是企业在实现数字化转型过程中需要深思熟虑的关键问题。

数据资产管理方法论
那么，如何制定方法论来进行数据资产管理呢？我们可以从以下几个方面着手：

如何梳理数据：元数据管理
在梳理数据之前，我们首先要明确三个目标：

目标一：明确存在哪些数据；
目标二：理解这些数据的作用；
目标三：建立便捷统一的查询入口。
在明确目标的基础上，通过元数据管理五步法进行数据梳理：

第一步：采集元数据；
第二步：定义元模型；
第三步：维护元数据；
第四步：确保元数据质量；
第五步：建立元数据查询系统。
如何提升数据规范性：数据标准+数据模型
元数据采集完成后，下一个关键步骤是进行数据标准和数据模型的设计。虽然这个步骤和元数据管理没有非常明确的分割线，但在一般企业的数据资产管理中，通常会先进行元数据管理，因为其效果较为迅速。
传统的数据开发方式存在许多问题，例如表名缺乏规范约束，无法从表名直观判断出输出层级和数据含义，字段缺乏注释，字段名不精确等。规范的方式在底层对数据仓库分层、主题域等进行规范设计，建立数据标准后进行统一的模型设计、审核、发布，从而提高整体的数据规范性。

如何提升数据治理
技术部门与业务部门应共同确定数据质量提升场景，从业务场景出发，从上至下进行建设。不能由开发人员临时想到什么就进行临时校验，包括：

从业务场景出发，解决实际的业务数据问题，明确建设目标，保障执行策略无偏差；
线下调研、收集、整理数据问题，按业务目标进行分类管理；
根据业务分类进行规则集管理，根据数据质量反馈不断优化和沉淀规则集。

如何量化数据价值

量化数据价值可以从两个方向入手：数据成本和数据价值。

数据成本包括建设成本和资源成本两个方面。建设成本难以单独计算，通常需要根据项目成本（中台建设、交付实施等项目）、人力成本进行估算；而资源成本可以量化，是需要着重关注的部分，包括存储单价、计算单价等。
数据价值包括直接收益和间接收益。直接收益指的是在跨集团数据共享、数据封装对外销售等场景中，可直接量化的收入；间接收益则指大部分数据用于服务企业内的业务开展，无法直接进行量化，只能通过分析数据使用热度和数据上下游依赖这两个维度间接分析价值。
通过合理测算数据成本和数据价值，我们就能量化数据的价值。

企业数据资产化的路径
过去所谓的数字化转型更多侧重于数据治理，是数字化转型的基础阶段。数字化转型的高级阶段则应该是数据资产化，即如何将数据资源转化为数据资产。企业数据资产化包括三大步骤：数据资源化、资源产品化、产品价值化，整个过程被称为数据资产化。

第一步是数据资源化，企业将公共数据、系统生成数据和市场采购数据进行加工整合，形成资源，这一过程属于资源化的过程。
第二步是资源产品化，将数据资源按照一定需求和目的进行产品开发，形成数据产品，这是数据资源产品化的过程。

第三步是产品价值化，将数据产品进行交易和自用，需要进行登记，最终形成数据资产凭证。这个过程被称为产品价值化。

提升数据管理能力已经成为推动企业数字化转型、促进数字经济发展的当务之急。在高素梅看来，我国数据资产管理的能力仍处在初级阶段，实践中对科学的数据管理方法尚未熟练掌握，专业人才也相对匮乏。当前，我国面临的问题包括对数据资产高要求与数据标准化不足、数据服务膨胀与数据加工效率不足、数据交易需求化与数据安全合规不足等矛盾需要迅速化解。

数字化转型正在推动大数据技术体系的创新变革。大数据技术体系的核心是面向海量数据的存储、计算和处理等基础技术，随着互联网的高速发展，数据的重组技术、计算能力和分析技术不断引进。同时，大数据技术内涵在传统信息技术和数据应用的发展中也在不断丰富，技术内涵从以往单一的注重效率提升衍变为效率提升、赋能业务、加强安全、构建流通四者并重。

对于未开发产业，要充分释放数据价值，发挥大数据技术在数据价值挖掘中的效率，推动数据治理与技术工具双轨并进，促进数据流通与政策制度的协同创新。