进行数据管理之后，数据就是资产了么？当然不是，数据要进行“变现”才能变成资产。能够直接产生价值的数据，数据变现的过程就是数据交易的过程，此过程的成本在于数据收集、处理、存储的成本，属于比较容易的数据变现；而利用数据为业务赋能产生可预期的经济收益，则拥有更复杂、专业的资产化流程。第一阶段，数据归档。这一阶段实际上也分为两个部分，第一部分通俗来说就是记录电子化。比如医院，虽然现在的医院大量采用电子化病历，但是过去很长的时间里都采用的是纸质病历。这些数量庞大的纸质病历里面记录了无比珍贵的临床数据。但如果不把这些记录电子化，这些记录就无法支撑科学研究，无法支撑规模化应用，无法产生可预期的经济价值。第二部分是将数据转变为可用数据。比如将照片、视频等数据转化为可以使用的数据。在这个阶段，数据的用途和价值都是比较单纯的。就拿电信公司来说，由基站产生的通信话单就是一种特定格式的数据，通常它的主要用途就是用于对通话进行计费。如果不考虑客户服务等特别用途，或是存档稽核的因素，基本上完成对它的计算之后，话单文件就可以丢弃了。此刻，数据的价值体现在“为成本而存在”。第二阶段，统计分析。建立规范统一的数据汇总平台，将极大的减少数据提取、整合、应用分析过程中产生的成本。设想一下，不同的业务都会产生不同的数据需求，如果平台不统一，那就需要业务人员在不同的数据库中进行操作，而这种能力通常并不是其所具备的。但要是业务团队和技术团队一同介入，又会极大的提高成本，抵消数据资源原本应该产生的经济收益，成为数据资源资产化的巨大障碍。在这个阶段，随着数据积累的增加，以及运营环境的复杂化，数据开始有了新的用途。企业开始对数据进行汇集、统计和分析，就可以利用数据来做营销，利用数据来优化生产流程，利用数据分析来找到新的客户市场从而创新产品等等。比如，亚马逊不仅从每个用户的购买行为中获得信息，还将每个用户在其网站上的所有行为都记录下来：页面停留时间、用户是否查看评论、每个搜索的关键词、浏览的商品等等。也因此，现在亚马逊的各个业务环节都离不开“数据驱动”的身影。在亚马逊上买过东西的朋友可能对它的推荐功能都很熟悉，“买过X商品的人，也同时买过Y商品”的推荐功能看上去很简单，却非常有效。当数据使用到了这个阶段，基本已经可以全面参与到企业或组织的生产运营过程当中，其价值体现为“为效益提升而存在”。第三阶段，业务创新。数据分析中有一句名言，叫做：“Garbage in, garbage out”。它的意思是，如果数据本身质量很差，如同垃圾一样，还用做模型输入，那么无论模型有多高大上，最后出来的结果仍然是垃圾，没有任何价值。因此，我们首先要保证数据的真实性，其次，要尽量保证数据的完整性。一套数据对被记录对象的所有相关指标的完整程度越高，相关模型的预测精度就会越好，数据资源就越有价值。最后，数据要有精准性。这个精准性是指数据要逻辑合理、更加细致、精度越高。在不考虑成本的情况下，显然数据越细致、精确程度越高，对于业务的支撑能力就越强。某种程度上，这样的数据不仅仅为企业或组织自身产生价值，同时能够弥补其他行业或企业组织对于信息的渴望。比如，运营商处在一个数据交换中心的地位，在掌握用户行为方面具有先天的优势。其数据也可以在交通、应对突发灾害、维稳等工作中发挥更大的作用，比如通过同一条路上多个用户手机位移的速度便可以判断当时的路况，为拥堵作出准确预警。举个例子来说，中国移动的“无线城市”的建设，已经在广州、厦门等几个大中城市完成了成千上万的热点的覆盖，通过每天产生的流量记录，加强对于数据的整合和分析，就能够提供给政府更多的可借鉴的决策依据，比如市民最关注的民生是什么？市民最为喜欢的公共场所是哪些？等等。在这个阶段，数据价值体现为“为交易而存在”，而当此时，数据资产的价值才体现的淋漓尽致。只有能够成为资产的数据才有管理的意义。作为日益重要的战略资源，数据需要一个完善的管理体系。因此，后续我们将持续推出针对数据资产管理方法论的系列文章，具体讲解数据资产管理体系的框架样是什么样的，如何进行实践和落地等等，以期为企业更好的搭建数据资产管理平台和开展数据资产管理工作，提供可参考性建议。当然，如果您有相关领域的不同看法或者更好想法，也欢迎与我们进行交流与讨论。
