本文结合数据资产管理框架，提出了数据资产实施步骤，为数据资产管理提供了全面而系统的思路和方案。

同时，针对数据流通和数据要素发展面临的挑战进行了深入分析，并提出了相应的解决策略和建议。

本次推出《从数据资源到数据资产管理方案》系列文章，分为“数据要素及其市场运作”、“数据资产的价值变现及管理规划”和“数据资产管理框架、实践操作与发展挑战”三篇，将陆续发布。本文为第三篇。

数据资产管理总体框架

图1 数据资产管理总体框架

一数据模型管理

数据模型管理是整个数据资产管理框架的基石。数据模型是对现实世界中的数据结构和关系的抽象表示，它有助于企业更好地理解和组织数据。在数据模型管理阶段，企业需要建立和维护一个统一、标准的数据模型，确保数据的完整性和一致性。此外，企业还需要定期评估和优化数据模型，以适应业务发展和数据变化的需求。

二数据标准管理

数据标准管理是确保数据质量和准确性的关键。数据标准是一套规范和指导数据创建、存储、处理和使用的规则和标准。通过制定和实施数据标准，企业可以确保不同部门、不同系统之间的数据能够相互理解和交流。同时，数据标准管理还包括对数据元素、数据字典等关键信息的管理和维护，以确保数据的准确性和一致性。

三数据质量管理

数据质量管理是保证数据价值和应用效果的重要环节。数据质量涉及到数据的准确性、完整性、一致性等多个方面。在数据质量管理阶段，企业需要建立一套完善的数据质量监控和评估机制，及时发现和解决数据质量问题。此外，企业还需要通过数据清洗、数据转换等技术手段，提高数据的质量和可用性。

四数据安全管理

数据安全管理是保护数据资产免受未经授权的访问、泄露、篡改等威胁的关键环节。在数据安全管理阶段，企业需要制定和实施一套全面的数据安全策略，包括数据加密、访问控制、数据备份和恢复等措施。同时，企业需要建立一支专业的数据安全团队，负责监控和应对各种数据安全事件。

五数据价值应用

数据价值应用是将数据资产转化为实际业务价值的关键步骤。通过深入挖掘和分析数据中的信息和知识，为企业的决策和业务发展提供有力支持。在数据价值应用阶段，企业需要利用数据挖掘、机器学习等先进技术，从海量数据中提取有价值的信息。同时，企业还需要建立一套完善的数据分析和报告机制，将数据价值应用到各个业务领域。

数据资产管理实践步骤

数据资产管理实践的通用步骤：“统筹规划→管理实施→稽核检查→资产运营”。但各步骤之间并无严格的先后顺序，组织可结合自身情况在各阶段制定合理的实施方案。

图2 数据资产管理实践步骤

一统筹规划

数据资产管理的第一阶段通常是统筹规划，包括评估管理能力、发布数据战略、建立组织责任体系三个步骤，为后续数据资产管理和运营锚定方向、奠定基础。

1.评估数据资产管理能力

利用技术工具从业务系统或大数据平台抽取数据、采集元数据、识别数据关系，可视化包含元数据、数据字典的数据模型，并从业务流程和数据应用的视角出发，完善包含业务属性、管理属性的数据资产信息，形成数据资产地图。此外，从制度、组织、活动、价值、技术等维度对组织的数据资产管理开展全面评估，将评估结果作为评估基线，有助于组织了解管理现状与问题，进一步指导数据战略规划的制定。

表1 数据资产管理能力评估维度及要点

主要交付物包括数据资产盘点清单、数据架构或数据模型、数据资产管理现状评估报告、数据资产管理差距分析报告等。

2.制定并发布数据战略

根据数据资产管理现状评估结果与差距分析，召集数据资产管理相关利益者，明确数据战略规划及执行计划。同时，为适应业务的快速变化，采用相对敏捷的方式开展数据资产管理工作，定期调整数据战略短期规划与执行计划。

主要交付物包括数据战略规划、数据战略执行计划。

3.建立组织责任体系

制定并发布数据资产管理制度规范。从数据战略规划出发，设计合理的、稳定的数据资产管理组织架构，以及具备一定灵活性的数据资产管理项目组，确定数据资产管理认责体系，并制定符合战略目标与当前实际情况的数据资产管理制度规范。

主要交付物包括数据资产管理组织架构图、数据资产管理认责体系、数据资产管理相关管理办法等。

二管理实施

数据资产管理第二阶段的主要工作目标是通过建立数据资产管理的规则体系，依托数据资产管理平台工具，以数据生命周期为主线，全面开展数据资产管理各项活动，以推动第一阶段的成果落地。第二阶段管理实施的开展主要包括建立规范体系、搭建管理平台、全流程管理、创新数据应用四个步骤。

1.制定组织级数据资产标准规范体系

建立各活动职能的实施细则与操作规范。组织级数据资产标准规范体系指各活动职能下对数据技术设计、业务含义的标准化。以结构化数据为例，标准化的对象包括字段、表以及表间关系，对于各对象的标准化内容如表2所示。此外，结合数据资产管理相关管理办法，形成各活动职能的实施细则、操作规范，为数据资产管理的有效执行奠定良好基础。

表2 数据资产标准规范体系示例

交付物主要包括数据资产管理活动职能相关标准规范、实施细则、操作规范。

2.搭建大数据平台，汇聚数据资源

根据数据规模、数据源复杂性、数据时效性等信息，评估平台预期成本，自建或采购大数据平台，为数据资产管理提供底层技术支持；设计数据采集和存储方案，根据第一步的数据资产标准规范体系，制定数据转换规则，确定数据集成任务调度策略，支持从业务系统或管理系统抽取数据至大数据平台，实现数据资源的汇聚；结合云原生、AI等技术提升资源利用率，降低数据资产管理的资源投入和运维成本。

交付物主要包括大数据平台、数据汇聚方案与记录。

3.依托统一管理平台，实现数据资产的全流程管理

构建统一的数据资产管理平台，使各活动职能相关工具保持联动，覆盖数据的采集、流转、加工、使用等环节；由数据资产管理团队组织开展数据资源化活动，对于每一项活动，在数据需求中明确和记录数据使用方的规范与期望，在数据设计中支持规则的落地与应用，在数据运维中根据数据生产方业务和数据的变化，响应数据使用方规则与期望的调整，并及时发现和整改问题数据。

项目是执行组织级数据资产管理的最小单元，良好的数据资产项目管理是基础，参考IT项目管理框架，主要从目标一致性、角色合理性、范围明确性（包括业务范围、数据范围、技术范围等）、风险可控性、成本可计量、质量可优化等方面考虑。

图3 数据资产项目管理要点

交付物主要包括数据资产管理平台、数据资产生命周期操作手册、数据资产项目管理操作手册、数据资产管理业务案例。

4.创新数据应用，丰富数据服务

组织应加强数据应用和服务的创新，围绕降低数据使用难度、扩大数据覆盖范围、增加数据供给能力等方面开展。通过数据可视化、搜索式分析、数据产品化、产品服务化等角度降低数据使用难度；通过数据“平民化”（如自助式数据分析、数据应用商店、数据超市等），使更多一线业务人员直接参与数据分析过程；通过数据消费者、数据生产者之间灵活的角色转变，增加数据的供给能力（如形成数据众筹众享模式）。

交付物主要包括数据应用产品清单、数据应用服务操作手册、数据应用服务用户指南。

三稽核检查

组织在第二阶段基本完成由原始数据到数据资源的转变，第三阶段稽核检查关注于如何评价数据资源化成果、改进管理方法，该阶段的主要目标是根据既定标准规范，适应业务和数据的变化，通过对数据资源化过程与成果开展常态化检查，优化数据资产管理模式与方法。

标准规范是常态化检查的基础与前提，主要包括数据模型与业务架构和IT架构一致性、数据标准落地、数据质量、数据安全合规、数据开发规范性等。平台工具是常态化检查的有效方式，相较于人工操作，节约人力物力，确保检查结果准确性，提升检查效率。定期总结、建立基线是常态化检查的关键过程，对检查结果进行统计分析，形成检查指标与能力基线，评价数据资源化效果，与相关利益方、参与方确定整改方案，持续改进管理模式与方法。

第三阶段主要交付物包括数据资产管理检查办法、数据资产管理检查总结、数据资产管理检查基线

四资产运营

在前三个阶段的基础上，组织具备了向数据资产转变的基础。数据资产管理的第四个阶段是资产运营阶段，该阶段的主要目标是通过构建数据价值评估体系与运营策略，促进数据内外部流通，建立管理方与使用方的反馈与激励机制，推动数据资产价值释放。该阶段包括以下重点工作内容。

1.构建数据运营中心发挥数据团队辅助作用

数据团队提供包括自助式数据服务、AI模型等在内的支持，并通过定期宣导与培训，提升业务部门的数字技术能力。此外，以场景化数据资产运营为出发点，鼓励业务部门的数据资产使用各方使用相关平台探索数据，共享探索成果，提出改进建议。

2.建立用户视角下的SLA并加以评估和改善

区别于传统分布式大数据平台视角下的SLA，数据资产管理SLA的目标是为各数据使用方持续、及时提供高质量数据和服务，SLA的核心指标包括可靠性、实时性、质量要求等，贯穿数据资产管理全生命周期，覆盖数据资产管理各项活动职能，由保障措施提供基本支持，并通过采集和分析相关平台的运行日志，记录SLA的“断点”，改善数据资产服务的流程。

3.提高数据资产管理的投入产出比

以某能源企业为例，通过基于“责权利、量本利”的数据资产管理体系建设与应用实践，取得了良好的经济效益，通过对数据管理实践中节约的问题发现成本、问题解决成本，数据供给与利用实践中节省的人力成本、降低的服务成本，以及数据流通交易的经济收入、交易额等进行测算与量化管理，不断提高数据投入产出比率，累计为公司节约成本3.72亿元，促成交易额132亿元。

第四阶段主要交付物包括数据资产服务目录、数据资产价值评估体系、数据资产流通策略与技术、数据资产运营指标体系。

图4 数据资产运营体系

数据流通与数据要素发展面临的挑战

一数据安全与隐私保护

数字经济的发展过程中，数据隐私安全是重要保障之一。数据成为生产要素，即数据生产要素化，需要在数据流通中通过采用数据安全融合的新方式，使用数据的计算价值，解决传统信息共享的发展瓶颈。

同时还需要加强数据安全与隐私保护，防止数据泄露和滥用，采取加密、权限控制等技术手段保护数据的安全性和机密性。

图5 数据安全与隐私保护

一数据要素机制

建立健全数据要素市场机制，明确数据交易规则和标准，促进数据资源的有效配置和合理利用。

图6 建立健全数据要素市场机制面临的问题

三人工智能算法与数据伦理

在人工智能算法应用中，需要关注数据伦理问题，确保算法的公正性、透明性和可解释性。同时，加强人工智能算法监管和评估机制建设，防范算法滥用和歧视等问题。

图7 人工智能(AI)带来的挑战-算法伦理与数据伦理