《数据资产管理实践白皮书(6.0版)》核心精要

2023年1月，在第五届“数据资产管理大会”上，《数据资产管理实践白皮书(6.0版)》（以下简称“白皮书”）正式发布，白皮书是大数据技术标准推进委员会在数据资产管理领域的系列研究报告，从2017年开始已连续6年发布，成为了国内数据资产管理的“风向标”。

《数据资产管理实践白皮书(6.0)》在《数据资产管理实践白皮书(5.0)》的基础上，结合2022年数据资产管理领域政策和行业动向，持续跟踪各行业典型方法和实践案例，更新了数据资产管理的理念和方法，对数据资产管理领域的发展现状和趋势进行了总结，有助于企业了解自身所处的发展阶段，更好的拟定下一步建设思路。目前，数据是资产已成为共识，数据资产管理理论框架日趋成熟，越来越多的企业开展数据资产管理工作，推动企业数字化转型。但是与此同时，我们也应认识到多数企业仍停留在数据资产管理发展初期，仍然面临数据资产管理内驱力不足、数据资产管理与业务发展存在割裂、数据资产难于持续运营等问题。为指导企业解决以上问题，本白皮书总结了数据资产管理活动职能的核心理念与实践要点，提出了战略规划、组织架构、制度体系、平台工具、长效机制五大数据资产管理保障措施，提倡企业体系化开展数据资产管理工作，提升数据资源化效率，创新数据资产化模式，引导企业充分融入数据要素市场发展，加速数据资产价值释放。
01 数据资产管理推动数据要素市场发展

良好的数据资产管理是释放数据要素价值、推动数据要素市场发展的前提与基础。数据资产管理通过构建全面有效的、切合实际的管理体系，一方面规范数据资产采集、加工、使用过程，提升数据质量，保障数据安全。

另一方面丰富数据资产应用场景，建立数据资产生态，持续运营数据资产，为政府机构与企事业单位进行资产计量确认提供了良好的数据条件和能力基础，进一步推动数据要素流通，加速要素市场化。

02 数据资产管理助力企业数字化转型

数据资产管理提高业务数据化效率，推动数据业务化，加速企业数字化转型。数据资产管理从数据的业务供给端出发，通过数据资源化设计业务流程与数据模型，提高业务从物理世界到数字世界的转换效率，并对线上业务的数据质量和安全进行管控，保障业务运转的高质量，降低业务的安全风险。

数据资产化从业务的数据需求端出发，打通企业内部数据、引入企业外部数据，加深数据与业务线的融合，催生数据场景化，应用数据分析技术，实现数据赋能业务发展，推动企业精细化管理变革。

03 数据资产管理的难点

数据资产管理仍然面临一系列的问题和挑战，涉及数据资产管理的理念、效率、技术、安全等方面，阻碍了组织数据资产能力的持续提升。

1）数据资产管理内驱动力不足

2）数据资产管理与业务发展存在割裂
3）数据质量难以及时满足业务预期
4）数据资产无法持续运营

5）数据安全风险加剧，安全合规要求日益复杂

04 数据资产管理架构

数据资产管理包含数据资源化、数据资产化两个环节，将原始数据转变为数据资源、数据资产，逐步提高数据的价值密度，为数据要素化奠定基础。

数据资源化通过将原始数据转变数据资源，使数据具备一定的潜在价值，是数据资产化的必要前提。数据资源化以提升数据质量、保障数据安全为工作目标，确保数据的准确性、一致性、时效性和完整性，推动数据内外部流通。数据资源化包括数据模型管理、数据标准管理、数据质量管理、主数据管理、数据安全管理、元数据管理、数据开发管理等活动职能。

数据资产化通过将数据资源转变为数据资产，使数据资源的潜在价值得以充分释放。数据资产化以扩大数据资产的应用范围、厘清数据资产的成本与效益为工作重点，并使数据供给端与数据消费端之间形成良性反馈闭环。数据资产化主要包括数据资产流通、数据资产运营、数据价值评估等活动职能。

05 数据资产管理活动职能

活动职能是数据资产管理的基本管理单元。数据资产管理包括数据模型管理、数据标准管理、数据质量管理等10 个活动职能，覆盖数据资源化、数据资产化两个阶段。

5.1 数据模型管理采用企业架构指导建立企业级数据模型，并采用一体化建模的方法，是提升数据模型业务指 导性和模型质量的有效方式。

数据模型是指现实世界数据特征的抽象，用于描述一组数据的概念和定义。数据模型管理是指在信息系统设计时，参考逻辑模型，使用标准化用语、单词等数据要素设计数据模型，并在信 息系统建设和运行维护过程中，严格按照数据模型管理制度，审核和管理新建和存量的数据模型。

5.2 数据标准管理

数据标准是指保障数据的内外部使用和交换的一致性和准确性的规范性约束。数据标准管理的目标是通过制定和发布由数据利益相关方确认的数据标准，结合制度约束、过程管控、技术工具等手段，推动数据的标准化，进一步提升数据质量。

5.3 数据质量管理

数据质量指在特定的业务环境下，数据满足业务运行、管理与决策的程度，是保证数据应用效果的基础。数据质量管理是指运用相关技术来衡量、提高和确保数据质量的规划、实施与控制等一系列活动。衡量数据质量的指标体系包括完整性、规范性、一致性、准确性、唯一性、及时性等。

5.4 主数据管理

主数据（Master Data）是指用来描述企业核心业务实体的数据，是跨越各个业务部门和 系统的、高价值的基础数据。主数据管理（MDM ，Master Data Management）是一系列规则、应用和技术，用以协调和管理与企业的核心业务实体相关的系统记录数据。

5.5 数据安全管理

数据安全是指通过采取必要措施，确保数据处于有效保护和合法利用的状态，以及具备保障 持续安全状态的能力。数据安全管理是指在组织数据安全战略的指导下，为确保数据处于有效保 护和合法利用的状态，多个部门协作实施的一系列活动集合。包括建立组织数据安全治理团队，制定数据安全相关制度规范，构建数据安全技术体系，建设数据安全人才梯队等。

5.6 元数据管理

元数据（Metadata）是指描述数据的数据。元数据管理（Meta Data Management） 是数据资产管理的重要基础，是为获得高质量的、整合的元数据而进行的规划、实施与控制行为。

5.7 数据开发管理

数据开发是指将原始数据加工为数据资产的各类处理过程。数据开发管理是指通过建立开 发管理规范与管理机制，面向数据、程序、任务等处理对象，对开发过程和质量进行监控与管控， 使数据资产管理的开发逻辑清晰化、开发过程标准化，增强开发任务的复用性，提升开发的效率。

5.8 数据资产流通

对于组织而言，数据资产流通是指通过数据共享、数据开放或数据交易等流通模式，推动数 据资产在组织内外部的价值实现。

5.9 数据价值评估

数据价值评估是指通过构建价值评估体系， 计量数据的经济效益、业务效益、投入成本等活动。数据价值评估是数据资产管理的关键环节， 是数据资产化的价值基线。

5.10 数据资产运营

数据资产运营是指通过对数据服务、数据流通情况进行持续跟踪和分析，以数据价值管理为参考，从数据使用者的视角出发，全面评价数据应用效果，建立科学的正向反馈和闭环管理机制， 促进数据资产的迭代和完善，不断适应和满足数据资产的应用和创新需求。

06 数据资产管理的保障措施

1、战略管理

战略是组织长期发展规划及资源配置的一系列行动，对于组织持续稳定发展具有重要的指导意义。在数字时代下，数据战略已成为组织开展精益数据资产管理的基础，是数据资产管理工作长期高效开展的“指南针”。

战略管理是指通过对数据战略进行规划、执行、评估，确立数据资产管理的中长期目标和管理活动优先级，明确需要的资源投入总量和资源分配机制，并使数据战略始终契合组织的业务战略。

2、组织架构

集中式管理与联邦式管理是数据资产管理的两种组织模式，主要区别在于数据管理专员集中于数据资产管理层或分布于各个业务部门。

集中式管理与联邦式管理在特点、技术、适用对象等方面存在差异。集中式管理对各业务线数据独立性要求较低、数据相关性要求较高，采用数据仓库、大数据平台等技术，适用于中大型企业。联邦式管理对各业务线数据独立性要求较高、数据相关性要求较低， 采用Data Fabric 技术，适用于中小型企业或集团型企业。

3、制度体系

数据资产管理制度体系通常分层次设计，依据管理的颗粒度，制度体系可划分为组织级数据资产管理总体规定、管理办法、实施细则和操作规范四个层次。

4、平台工具

数据资产管理平台工具位于大数据平台上层，为各项数据资产管理活动职能的执行提供技术保障。从管理视角出发，数据资产管理平台工具支持PDCA 循环。

规划环节，通过角色分配和权限管理落实数据认责体系，支持需求管理，以及对数据资产现状（包括数据资产规模、分布、可信度、安全性等）进行评估；执行环节，支持标准规范的新增、修改，以及数据开发、任务编排、任务运维等；检查环节，支持对数据模型一致性、标准规范应用程度、问题数据处理情况、数据安全响应结果等进行跟踪；改进环节，支持逐个标记问题并生成改进建议，统计检查数据，形成知识库，量化改进过程，实现闭环管理。

5、长效机制

在数据战略规划、组织架构和制度体系的基础上，培训宣贯、绩效考核、激励机制、审计机制、数据文化培养等长效机制，是数据资产管理活动持续高效运行的重要保障。

07 数据资产管理的实践步骤

本白皮书定义了一种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”。需要说明的是，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。

08 数据资产管理总结与展望

当前，数据资产管理呈现蓬勃发展的态势，为数据要素市场的发展提供强劲动力，为数字经济发展奠定良好基础。在国家规划的大力推动下，在行业政策的有效指导下，我们期待数据资产管理将稳步前进，促进数据资产价值将进一步释放。

一是明确责权利，有效推进管理。明确数据资产管理角色与职责，从业务侧出发确定数据资产的责任人，构建数据资产管理认责体系；制定数据发展战略，统筹规划数据资产管理，逐步建立健全包括数字型人才、管理型人才、技术型人才、业务型人才的团队；开展数据资产管理过程管理，优化管理资源，提高管理效率。

二是合理引进技术，提升敏捷能力。在数据资产管理的过程中，合理引进包括云计算、人工智能、机器学习、知识图谱等创新技术，进一步提升数据资产管理的智能化、自动化水平，降低数据资产管理的人力投入与风险成本；建立数据资产管理敏捷组织和敏捷机制，采用DataOps 敏捷技术，及时响应业务和需求的变化。

三是着眼业务发展，释放数据价值。从业务侧出发制定数据资产标准规则，确定数据资产质量预期水平；明确数据资产的业务应用场景，增强数据决策的准确性和实时性，满足业务的数据需求；评估数据资产价值，构建数据资产运营体系，建立科学的正向反馈和闭环管理机制，提高数据资产的服务和应用效果。

四是加强数据合规，注重风险风控。遵循《网络安全法》、《数据安全法》和《个人信息保护法》相关要求，构建数据安全管理体系，形成数据安全分类分级标准，覆盖数据资产管理全流程、各环节；制定数据资产管理的风险应急机制，开展数据安全合规内外部审计，确保数据资产安全可控。

五是持续迭代完善，形成良性闭环。培养数据文化，提高数据素养，鼓励业务人员参与数据资产的管理与应用，构建良好的沟通与协作机制；开展常态化数据资产管理检查，建立数据资产管理基线，定期总结问题形成业务案例，发起多方讨论商议，不断优化数据资产管理策略和路径。