数据治理专家王建峰：如何向数据资产要价值

生活在这个数字化时代，数据产生的速度、类型、数量的迭代是非常快的，怎么从数据中来汲取价值，我们要好好思考下。

现在一线城市比如北京、上海、广州、深圳都在做CDO（首席数据官）的试点。可能以后都是叫CDO、CIO、或者CIDO。其实现在很多企业没有CDO，由CIO承担了CDO的职责。

怎么让数据发挥他的价值呢？

今年发生了两个比较重要的事：

1、南方电网发布了数据资产定价办法，这是一个重要的里程碑。

2、上海大数据交易中心成立了，对怎么把数据货币化我国也迈出了探索步伐。这也为我们以后如何把数据进行定价和进行货币化形成了平台和机制。

很多企业都在探索这些内容，怎么把企业里的数据变成资产。现在经常讲数字化转型，业务数据化，数据业务化，数据资产化，资产货币货，我们怎么把数据怎么变成价值？怎么进行更好探索？首先要了解一下数据资产它有一些特征，跟我们以前资产不太一样。

数据是新类型的资产

1、数据资产不受其他资产的影响

一个拥有和分析特定数据资产的组织并不会阻止另一个组织也拥有和分析同一数据资产。知识产权法和其他保护措施可能会试图将这种情况降到最低，但原则上，数据是可以被无限复制和使用的。因此，组织需要特别注意保护他们的专有数据、见解和竞争优势，防止数据泄露和泄露。

2、数据整合可以创造价值，数据的可访问性很重要

数据的反竞争特性也为组织间的合作开辟了新的途径，这将被证明是解决21世纪全球问题的关键。例如，在冠状病毒期间，公共卫生和医学界之间的国家和国际数据共享使协调一致的科学应对大流行成为可能。实践中，组织会根据数据的敏感性和用途，找到不同的方式允许或限制对其数据资产的访问。尤其现在很多企业做智能化的营销，我们可以从人数据、商品数据、流程数据、人的行为数据结合以后产生更多的洞察，形成更好的资产，为我们提供更好的决策。

3、与传统资产不同，数据资产的估值并不简单

对一个组织极其宝贵的数据资产可能对另一个组织或所有其他组织毫无价值。对股票和机器等实物资产的投资可以恢复，至少可以部分恢复。但清算数据资产即使不是不可能，也是很棘手的。此外，即使数据资产明显在创造价值，也很难计算这个价值。

分析数据是一个复杂的过程，需要资本投资、计算能力、人力，以及在知识和培训方面的潜在投资，只需要注意其中的几个变量。即使数据分析的最终结果很明显(比如效率的显著提高)，也很难将数据的贡献从导致这一结果的整个过程中分离出来。

这些都给会计团队带来了麻烦，这意味着数据资产没有得到应有的处理。我们业务的核心部分是数据评估，我们通过识别数据在为利益相关者创造价值的活动中所扮演的角色来进行评估。

4、使用数据可以创造更多价值和新资产

丹尼尔•穆迪的论文让我们对数据价值的复杂性有了更深入的了解。数据价值随着使用而增加——数据资产使用得越多，组织就越容易继续使用它。组织可以利用这一点，记录他们的数据是如何被使用的，并明确潜在用户如何访问它。这些关于数据的数据(元数据)为原始数据增加了价值，并且本身就是一项有价值的资产。也就是说从数据中发挥出更多的洞察或者一些模式，为我们现在的，比如说向数字化转型，向业务转型提供更好的基础性支撑。

5、数据的质量和数量受收益递减规律的影响

显然，数据越准确，就越有价值。但是，在很多情况下，90%的精确度和100%的精确度一样好，而且生产成本更低。这个收益递减定律也适用于数据与其他数据的集成。通常，集成相对少量的数据会产生大部分价值。类似地，增加可用数据量并不一定会提高数据价值。在做决定的时候，组织应该知道太多的数据会导致信息过载。数据的质量、数量、受益递减规律的影响，也就是说我们企业里并不是数据越多它的价值越大，也不是数据质量越高它的价值越大。它应该是一个平衡，在一个平衡的角度把数据的价值发挥到巨大的程度。

6、有些数据是容易损坏的

企业还应该知道，数据是易逝的，因为随着时间的推移，很多数据会失去相关性。例如，不定期更新的客户数据集会随着客户更改电话号码和电子邮件地址以及搬家而失去其价值。重要的数据需要保持最新，否则它的价值很快就会消失。今天的温度和我决定今天穿什么衣服，只有在今天有用，明天或者昨天的数据对我的支撑并没有那么大，所以数据有一个时效性的特点。

数据场景化价值

因此在企业里头，我们经常还要对时序数据进行应用。另外，如果我们把数据进行损坏了，数据也能发挥它的价值。数据它的几个特点和传统资产不太一样。现在企业是通过挖掘不同的场景实现数据资产的价值，比如说研发，我们研发工序的一些优化，比如说对供应链的一些优化，比如说智能物流，制造中的一些工序，一些效率的提升等等。我们通过场景化来实现数据资产对我们企业的价值，也就是说虽然我们不能很明确定价，但是可以通过使用数据来发挥数据的价值。

数据资产实现价值路径

现在很多大型集团都通过这些方式进行数据资产或者数据应用发挥价值。

一、目录

这个我提醒大家一句，我们现在在做数据目录梳理的时候太偏向于技术了，我们把数据目录梳理出来，其实就是想把目录开放给业务人员，让他们在使用数据的时候能找到数据，能够知道有哪些数据，他去把这些数据进行我们叫数据集市，或者我们叫数据的自助服务去来应用。因此我们讲在做数据目录梳理的时候，一定要把原数据搞好，把它业务的属性，把它业务的解释业务的描述梳理清楚，把数据目录尽量的业务化，让业务人员能把数据目录看得清楚。

二、数据入湖

数据入湖的时候，我想可能有几个重要的事情：

1、我们考虑数据架构的问题，对数据模型我们现在很多的企业搞数据中台搞大数据平台，搞这个数据湖，我们在做数据分析的时候，每个厂商在进行应用的时候又建了很多的数据模型，导致湖里的这些模型，可能对于模型的共享和模型的复杂度就增加了。所以在这里头我们要特别强调对于模型复用度管理。

2、数据入湖的时候，我们刚才讲到了数据湖是不是要存在所有的数据，所以说我们在数据治理的时候经常讲数据生命周期管理，第一个就是刚才咱们讲的数据的采集，采集的时候它有一个平衡，我们不要过度采集，没有用的数据采集进来它也成为我们的负债，而不是资产。有些数据它是一个经常被使用的数据，我们经常叫热数据，还有一些可能经常不被使用的数据，可能好久也不被应用的数据，我们会把这些数据进行分类，它可能叫冷数据。我们可能一些数据需要归档，不需要在线存储，因为在线存储对我们成本的压力也非常大。所以说我们第二步就是在入湖的时候，就考虑到一些数据的架构。像数据的一些安全，就像我们要把数据进行分类分级，进行脱敏进行合规的应用。在入湖的时候，我们就在原子程度上就要考虑到这个问题。

三、指标

现在很多集团入湖以后要进行应用，和我们现在的一些场景进行结合，我们去梳理指标。目前很多的企业在梳理指标的时候会有一个问题形成了指标清单，这个指标清单有什么特点？它就是一个静态清单，没法把我们的清单这个指标和我们现在的决策能够有效的联动起来。我们现在在做项目的过程中有些企业他是这么思考的，他每一个部门的绩效，它的指标都完成的非常好，但是我们企业总体的绩效指标没有提升，或者提升幅度不大。他从去来分析为什么会产生这种原因，就是指标之间没有进行有效的关联，指标之间没有进行统口径的统一，导致每个部门虽然都是用了一些指标，但是这些指标间的关联并不清楚，因此现在很多时候我们去做指标的梳理，是把指标打通端到端的这种指标的这种应用模式。

也就是说我们销售的指标销售数量在增加的时候，我们生产指标怎么变化，我们供应链的指标怎么变化，我们财务指标怎么变化。也就是说我们去模拟是不是我们产量增加了，我们的效益一定会提升？这就需要指标之间进行动态的关联，每个不同的部门对相同的事物分析不同的这种场景下来发挥它企业收益最大化。这是对于指标这一块，也就是说我们形成体系化的指标，而且这些指标能够进行动态的关联，对不同的场景进行有效的支撑。

四、应用

有了指标以后我们就会进行应用，就像我们现在说的，包括低代码平台也好，包括数仓也好，我们把这些东西和我们的应用场景进行结合起来。通常以前做的一些场景，报表也好，图形也好，这些对于很多的决策者或者领导者来说，数据太冰冷了。我们作为CIO，我们思考的场景是怎么把数据做的更有温度，能够让数据真的能为我们业务部门去进行赋能，让他有决策。比如说我们现在做滴滴打车，我们打车从一个地点到另一个地点，我们就可以随时看我们从这点到那一个地点的时间，对我们打车它就有一个很好的决定，就像我们做仪表板一样，做完以后确实业务带来价值。这样的话在应用程度上它就会好得多，也会促进我们对于信息部门对于业务的这种价值的体现。

数据治理

数据它是一个原材料，我们做的这些中台也好平台也好，对数据进行加工。加工以后又形成了不同的一盘的“菜”，这些东西最终可能还受、原材料这些数据质量的影响，我们加工这些东西能不能有效，他吃的好不好吃，我们就需要对数据进行治理。我们作为一个信息部门，可能要考虑数据的这些应用或者数据的战略、企业战略、业务战略的一些关联。我们考虑战略的问题，我们考虑数据治理。就像我们要有组织去做这件事，要有数据治理体系的问题，我们要有模型管理，有质量管理，有安全管理，数据的全生命周期管理这些我们要考虑数据。从产生到它发挥价值到它结束的过程中，我们要有有效的手段把它管理起来。我们要通过数据治理，通过原数据管理。现在很多大型央企，或者一些集团都在进行数据治理的工作，就是因为发现如果不把基础性的工作做好，对我们以后的应用会产生比较大的影响。有些时候我们看看别的企业怎么做的，我们怎么去学习。但是有一点，其实我们更应该把这个基础的理论把它做好。就像我们去医院看病一样，我们不能说他得了感冒买一个感冒药吃，我也跟他买一个一样的感冒药吃就能把感冒治好。

因此我们作为企业的信息化部门更像是一个诊断部门，我们给公司开这个药方，一定是要基于自己的现状取得制定和适合自己的策略，或者自己的方法去来管理。这个基础就是我们要把这个基础的这些知识能够掌握在咱们信息部门，和业务的结合，和我们现状的结合，来给我们做更好的一些方案，能推动公司的数字化转型，或者说我们战略的实现，这非常关键。从这一个角度去来理解，我们做一些数据的治理或者数据的管理工作，更多的要结合先进的一些实践，结合企业的自己的自身的一些特点，再加上一些专业知识的支撑，才能更好的把数据的工作做得更好。

数据资产经济价值的三个思考

1、从数据中收集到的关系和模式才是有价值的

我们经常就是说数据是战略性的资源，数据是黄金等等，这些论述比较多。但是我们知道黄金和石油都是可以交易的，可以直接进行买卖。数据更多体现在为我们产生一些模式分析，一些洞察里面。如果我们单纯去买数据，可能数据未来就是一个巨大的负债。像亚马逊也好，阿里巴巴也好，其实他的数据价值更多体现在有消费者，有企业，有平台，我们把这个打通以后，客户需要什么我们进行商品比对，这些数据给我们买东西提供了一个更好的决策。对于企业来说，什么样的客户需要什么样的产品，对于产品的需求，通过这些数据对它进行一些支撑，并不是亚马逊和阿里巴巴把数据卖给了C端，卖给了B端，是这么一个模式。对于数据来说，数据资产价值，首先有价值的并不是数据本身，而是从数据收集到的关系和模式系最有价值的。作为企业的CIO或者CDO来说，我们更关注与从数据中获得间接的货币化，而不是过多采集数据，或者收集这些多数据，把数据进行出售，而是把数据终的价值和这个模式提炼出来。

2、通过对关系和模式的量化对可能发生的事情做出预测

通过关系和模式的量化对可能发生的事情进行预测，预测的准确度，或者说预测的趋势，能不能和我们业务进行结合，也是数据价值的一个体现。现在很多的企业我们都发现，虽然我们尽了很大的努力，很多的业务部门可能还不是依据我们数据去做决策的，这可能是一个数据文化的问题，也可能是数据和它的决策不一致的问题，而且我们现在经常做的一些数据，包括数据仓库的一些项目，可能我们更多的是为了通过数据分析证明领导的决策是对的，而不是在他做决策的时候就告诉他应该朝方向去做决策，因此说以后我们可能更多的是把数据的决策或者数据给出的趋势和业务部门做的一些决策进行比对。经过长时间比对，我们就会发现我们做的数据做的决策和领导做的决策是不是有一致性，来训练这些模型和我们真实的一些场景，让业务能够有效的依赖于我们数据做出的决策，数据的价值就会在企业更好的发挥出来。

3、预测通过改进优化的战略和运营用例驱动货币化机会

通过预测改进和优化战略、运营，从而驱动货币化。我们现在通过决策，通过分析能不能到底产生价值？就像下面这个例子一样，如果你能预测在足球比赛的时候，可能会有运动员会受伤，在比赛期间和之后像头部受伤撕裂和骨折会增加多少？我们可能就会在这个过程中去来决策，这个可能就能预测我们离体育场最近的医院要做额外的护士、医生，用品，就可以提出这种相应的建议。就像咱们现在咱们做疫情的时候，卫生部门现在的防控措施要比武汉发生疫情的时候好的多，是因为我们有数据的支撑，有模型的预测，有精准的能定位到受到感染的人员，我们就会有效的把范围缩小。以前我们定义一个中风险可能就定义成一个区，现在我们就会定义到一个小区，这就是数据给我们带来的一个价值。我们通过这种方式，降低了疫情的范围，我们活动的空间就会大了，对我们生产生活的影响就会小了。所以说数据的价值很多时候就体现在通过数据，为我们为我们社会，或者为我们企业做出的这些决策里头，所以说我们更多的时候去来思考数据的价值的时候，可能并不是说数据自身直接卖多少钱的问题，数据自身到底值多少价格的问题，而是我们从数据中分析出来的这些洞察，这些模式，能够为我们企业创造更多的效益。