引言
2020年4月，中共中央、国务院发布《关于构建更加完善的要素市场化配置体制机制的意见》，正式将“数据”作为一种新型的生产要素写入文件，并明确提出了加快培育数据要素市场发展的策略。数据要素市场化配置上升为国家战略，其重要性进一步凸显。数据资产是企业数字化转型的重要载体，而基于数据驱动的数据资产运营是企业数字化转型成功与否的关键。
数据资产运营的核心目标是实现以价值为导向的持续运营能力提升，其关键在于补全数据资产价值评估环节，多维量化分析企业数字资产价值并为企业数据资产价值运营决策提供支持，真正意义上的做到数据资产运营的价值闭环，有效盘活数据资产价值。

— 01 —
基于数据驱动的数据资产运营是企业数字化转型的基石
数据资产是企业数字化转型的重要载体，基于数据驱动的数据资产运营是企业数字化转型的基石。以银行业为例，银行业是数据密集型行业，麦肯锡的一份研究显示，银行业在大数据价值潜力指数中排名第一。大数据在银行业具有广阔的应用场景，覆盖精准营销、风险防控、业务经营、服务创新和产品升级等多方面。诸多银行已经建立起较为全面的数据治理体系，构建了一湖两库、数据中台、大数据平台等一系列数据资产管理和应用平台。数字化转型的核心是模式的改变和升级，数据已经成为银行发展的核心竞争要素。
基于数据驱动闭环的数据资产运营，能够帮助企业达到三个“有”的目标：数据资产价值有据可查、数据资产运营有方向感、数字化转型有保障。

— 02 —
构建数据驱动闭环的数据资产运营关键在于补全评估环节
目前企业在数据资产运营方面，更多地停留在初级认知阶段，开展了一系列的数据传输、存储、管理、应用等能力建设，但正如管理学大师彼得·德鲁克所言：“If you can't measure it, you can't manage it.”，数据资产运营管理的关键在于补全数据资产价值评估环节。
以标签类资产为例，某银行构建了近千个客户标签，开发完成后发现有大量客户其标签取值为空，有些标签刚开始应用时业务部门较为欢迎，但此后业务部门发现由于标签应用带来的业务价值有限，标签应用逐渐减少，还有些客户标签取值的更新策略设置不及时，导致客户标签的更新落后于客户的实际情况。标签到底带来了多少业务价值？哪些标签的业务价值大？银行需要对标签带来的业务价值进行衡量，大部分银行都没有实现对标签价值衡量，无法实现标签的全生命周期管理。

— 03 —
以体现数据资产价值的不同维度和指标为基础计算数据资产价值
数据资产的价值衡量方法有很多，中国信息通信研究院《数据资产管理实践白皮书》中，将数据价值评估的纬度分为数据成本评估、数据价值评估两大类，其中成本评估包括采集成本、存储成本、计算成本、运维成本等四类，价值评估包括活性评估、质量评估、稀缺性评估、时效性评估以及经济性评估等五类。同时，国外知名研究机构Gartner将数据的价值分为特性价值、市场价值、经济价值、业务价值、绩效价值、成本价值等六个纬度。


尽管从分类上不同研究机构存在一定程度上的差异，但是可以看到数据资产价值的评估纬度趋同，总体可以归纳为特性、收益、费用三个宏观视角。因此，对于企业而言，数据资产的价值评估是可以结合数据资产应用场景和范围，通过收益指标如经济性、活性，特性指标如质量、时效性、稀缺性，费用指标如购买成本、维护成本等纬度开展价值评估工作。

— 04 —
制定差异化的数据资产价值评估策略
企业数据资产按照使用场景可以分为内部基础数据类、外采数据类、标签/指标类、算法模型类以及知识/策略库类等，结合不同数据资产的适用场景和特性差异，企业需要制定差异化的价值评估方法。如对标签/指标类数据资产重点从业务成效的角度评估经济性、活性和时效性等价值，算法模型类数据资产除了经济性和活性评估之外，还需要对模型算法的精准度、有效性等质量指标进行重点评估，而对于动辄每年百万或千万级别采购的外采数据类资产则需要特别关注成本评估及经济性评估。

— 05 —
形成定量化、可追溯的数据资产价值评估方法
在数字资产价值评估方面一直存在两方面的痛点。一方面，目前企业开展的数据资产价值评估实践大多以定性评估为主，较难做到精准量化。另一方面，很多开始尝试资产价值量化评估的企业，其资产价值评价结果存在认知黑盒，数据运营管理决策层无法追根溯源，较难全面、审慎地进行数据决策。
我们整合业内专家就定量模型算法进行了理论研究和案例实践，有效地解决了上述两大痛点。首先在定量评估方面，构建“基础指标、汇总指标、综合指标”三层指标体系用于精准量化数据资产的价值。每一层的指标又可分为活性指标、经济性指标等。活性指标如模型调用次数、日使用次数、日使用系统数等。经济性指标与业务场景相结合、从业务成效出发衡量最实质的数据经济价值，如客户资产规模增加、客户体验提升、业务交易量/交易额增加以及损失金额的减少等。

其次，“基础指标、汇总指标、综合指标”三层的数据加工流向是：从已有系统中提取和加工基础指标、从基础指标加工出汇总指标、然后为全面描述资产价值引入权重并加工出综合指标。完全实现从综合指标穿透到汇总指标、基础指标直至现有系统的场景，使得数据资产价值的取值有源可查、有据可查。针对行业的不同，我们定义了一系列的基础指标、汇总指标和综合指标体系。

— 06 —
依据价值评估构建数据资产价值决策链，辅助运营决策
我们根据数据价值评价维度与业务价值的相关性程度以及维度之间的相关关系，构建了数据资产价值决策链。该价值决策链通过经济性和活性表现定义场景，引入时效性和质量维度形成决策表，参考稀缺性调整决策，最后平衡成本因素形成最终决策建议。

决策链不仅要生成决策建议，更重要的是关注决策的执行和结果反馈。数据治理的核心主体包括数据拥有者（通常是各业务部门）、数据管理者（通常是数据管理部门）以及数据维护者（通常是IT部门）。相应地，数据资产运营绝不仅是数据管理部门的任务，IT部门和业务部门同样承担着重要的责任。不同决策建议下各部门间均需要明确各自任务并贯彻执行，这样才能达到真正意义上的数据资产共建、共享、共赢。

— 07 —
使用数字孪生技术构建数据资产运营管理平台
很多企业已构建起不同程度的数据管理架构体系，并且已经结合业务场景做了许多的数据应用实践，数据管理及应用初具规模。数据资产运营一定要建立在不侵入现有数据架构、不影响业务应用的前提下，才能避免自身引起的资源浪费、产生最大的能效。那么如何做到呢？数字孪生技术是一个很好的答案。利用数字孪生技术能够将企业内部现有数据架构进行虚拟刻画，并基于数据仿真模型开展价值评估工作，既保证数据价值评估的实时性与准确性，同时对企业现有的数据架构或信息系统不产生任何影响。
依据数字孪生的理念和技术，在“不影响现有的IT架构、不影响现有的数据结构、不影响现有的业务系统”的前提下，我们构建了数据资产运营管理平台，快速实施数据资产孪生模型的构建、数据收集、价值评估、决策建议的工作。