企业数字化转型如何做好数据资产管理

本篇文章为亿信华辰《决战数字化转型》系列直播中《企业数字化转型如何做好数据资产管理》视频直播稿件。如需获取相关资料，可登录亿信华辰官网社区进行直播回看或下载PPT。

本次直播我们分享的主题是：企业如何做好数据资产管理？将会从4个方面来进行分享：首先数据资产概念及其价值是什么；其次介绍数据资产管理企业常见的痛点和难点；再者是企业做好数据资产管理道法术器的系统方法论；最后通过实操案例，让你学会如何从0到1做好企业数据资产管理的项目。

 

一、数据资产概念及价值是什么？ 

1.数据资产的基本概念

首先，我们要理解数据资产的概念是什么？数据资产和我们日常生活普通资产一样，是广泛存在的，它是指能够对组织经营发展产生价值的数据。比如某个商品的销售数据，企业可以分析得出规律，方便后续更好做推广营销活动。

一般数据资产，都具有以下特点：它是广泛存在的，用技术手段更容易获得，可以提炼得出最大化价值，有丰富的用途，以及可以通过深入挖掘来发现。

 

2.数据资产与数字化转型的关系

如果把企业的数字化比喻成高楼大厦，那么基础数据就是自身的土壤，而数据资产就是整个大楼的地基，地基的作用，直接决定了数字化应用。

如果没有做好数据资产管理，企业只能做短期的数字化应用，但是无法长期有效运营下去。地基的作用直接决定了数字化应用，这个大楼，它的一个极限在哪。

如果说数据资产能够做的很好，就可以应用在资产交易，资产交换，资产服务等一系列的数字化应用里，并将数字化应用的场景持续地去发展下去。

 

3.什么是数据资产管理？

数据资产管理，可以简单理解为一个从矿产、冶炼、加工到最后形成商品的一个过程，即从一个数据原始的金矿产，含有很多杂质，经过加工企业打磨，就可以变成手镯，项链耳环等餐盘。

在企业进行数据资产管理中，需要找原始数据，然后判断数据之间关联关系，通过建模，通过数据湖或数据仓库，形成优质数据，数据指标，为决策做支持，为报表，大屏展示打基础。

 

二、数据资产管理常见痛点和难点

1.数据资产管理常见6大痛点

不同行业不同企业信息化程度不同，常见的痛点及要点也不一样。经过亿信华辰深耕大数据16年的行业经验。

在数据资产管理这块，归纳了6种常见的问题，分别是：缺乏统一的数据视图；数据基础薄弱；数据价值难估；数据管理富裕表面；缺乏安全的数据环境；数据应用不足。

（1）缺乏统一的数据视图：例如，在比较分散的情况下，我们很难发现数据之间的关联关系。主数据是一个非常重要的数据，被多个相关联的数据所引用，因此主数据是数据资产重要组成部分。 

（2）数据基础薄弱：指的是企业即使有系统，但是系统数据不能直接使用。特别是针对制造业，有众多生产质量控制系统等。当到了财务成本计算阶段，这些数据却无法提供支持，需要大量做数据加工，耗费人力和精力。

（3）数据应用不足：指的是大量的数据产生于线下，没有应用能够支撑经营活动的流程化。从数据线下生产，再到流程化，信息化，需要有一个完整系统的过程。

（4）数据价值难以评估：数据价值如何体现？一般情况下，就是数据丢失，找回数据需要付出多大的代价。 

（5）缺乏安全的数据环境：在日常的数据管理中需要有数据安全保障，包括数据的采集，存储，不管是利用分布式还是用数据库储备，都要进行备份等，整个数据管理需要有一种安全的意识贯穿始终。

（6）第六点是数据管理浮于表面：很多企业空喊口号，但是没有具体的数据管理部门，相关流程与制度，导致数据治理处于表面，无法用数据给企业的经营与发展提供价值。

 

2.数据资产管理4大要点

数据资产管理的4大要点，分别是数据资产范围界定，数据规范制定，数据价值鉴别，数据应用设计。

（1）数据资产范围界定，企业需要知道哪些数据是数据资产，哪些不是，对数据管理的范围有明确界限。

（2）数据规范制定，包括数据资产定义，流程规范，数据资产服务接口规范

（3）数据价值鉴别，包括企业如何判断哪些数据更有价值，方便数据资产编目 

（4）数据应用统计，企业如何根据已有数据资产，提供相关的数据共享服务

 

三、数据资产管理的道法术器

1.数据资产管理之道法术器

数据资产管理是一个系统活动，我们今天分享道法术器系统的管理方法论。道：包括数据战略，组织机制，数据文化等道方面；法：管理层面，实施的方法论；术：操作层面上的技术，有效推进企业数据治理所采用的各类举措和技术；器：如何利用技术平台和工具，来做好数据资产管理。

 

2.数据资产管理之道

数据资产管理的战略，需要和业务战略保持一致，一定要给业务提供相应的支撑，这样企业高层才能给予数据管理部门支持，数据治理项目才能长久做下去。

同时也要搭建相关的组织架构，管理制度，规范和流程，随着企业信息化的一些发展，相关的组织架构，管理制度，流程都会不断改进和优化。

最后一个是数据文化普及，要让企业所有人都意识到数据的价值。业务部门的人，可能认为数据就是报表，就是大屏，无法理解数据真正价值。

要把数据资产管理好，需要IT部门发挥牵头作用，让业务人员看清楚数据的价值，如何激发挖掘数据的价值。

 

3.数据资产管理之法 

数据资产管理之法，指的是把数据收集，管理，利用，数据定价全过程。核心包括管理职能和保障措施。

管理职能，包括如何去落实数据资产运营管理者这一系列的具体行为，包括去做数据地图，数据链路，数据字典，去做数据标准化。

在管理过程中如何保证它能够顺利进行，需要有相应的战略规划，组织架构，体系制度，审计制度，还有很重要的培训宣贯。

 

4.数据资产管理之术

数据资产管理之术，指的是如何持续做好数据资产管理的1+4+N的模式去推进。首先，需要强调的是这种管理架构和策略，其次要关注数据增值应用，数字化应用，以数据资产管理职能为支撑。

 

5.数据资产管理之器

有了管理制度，组织架构，工作流程之后，就需要借助资产管理平台去落地。数据资产管理平台，一要做好数据集成，数据治理，然后数据资产相关的规划。其中涉及到元数据模块，数据标准模块，数据质量，数据资产，数据集成，是一个庞大系统的建设工程。

 

6.元数据模块

首先说说第一个元数据模块，元数据是数据治理的基石，它的一个主要作用就是让这个数据资产更容易懂。

在实际场景中，经常会接到一个项目，我们去询问业务部门的一些意见，但是业务部门通常反馈是数据库太多专业东西不懂，都不知道有什么用。

而元数据则可以解决这个问题，通过编辑的数据字典和数据地图，让业务人员能够快速查询相关信息。

一般来说，元数据模块，要注意元数据的常见管理，包括采集，检索，质量检核，分析，变更管理，分析，数据地图等。

通过了解资产的途径，了解元数据质量，整合元数据的填充率。通过更多采集器，血缘关系，监控指标，系统脉络都一目了然，便于业务人员理解使用数据资产。

 

7.数据标准模块

数据标准，其实就是一个约束作用，对数据的约束，保证数据资产的一致性。

标准的要求，一般比较泛，有国家标准，行业标准，企业自身也有标准。类似于主数据，属于一个企业级的表，每个企业根据自身的一些情况，去设置这种数据主数据的标准，实现快速汇集。

在数据资产管理模块，主要有数据标准制定，审批发布，落地映射，落地评估，标准监控，标准文档管理等，目的是让标准管理有层次，评估精确，统计信息直观，标准参考有理有据。

 

8.数据质量模块

在数据质量模块，要对资产的一些真实有效性做一个评估，需要把一些有问题，没有价值的数据，用规则进行拍出，确保数据资产能够够体现价值。 

数据质量方面，企业需要质量规则管理，检查方案管理，质量评估，数据整改，质量分析报告，建立质量知识库。

而亿信华辰数据治理睿治产品数据质量管理功能，里面内置质检类型多，拓展性强，数据更改更加精细，质检监控数据简单明了，还可以自己定义质量报告。

先通过规则筛选出具有价值的数据，接着需要形成质检方案，因为不同部门对于数据质量的要求是不一样的。逻辑上的话，最好是业务部门来进行质检，因为他们最终是数据资产的消费者。

 

9.数据资产模块

经过元数据，数据标准，数据质量的三个步骤，组织差不多已经有了一大堆的数据资产，这个时候需要对数据进行管理。

数据资产需要编目，通过资产门户去搭建，提供资产服务，还有数据资产监控，辅助资产分类的标准等。

日常数据资产管理，就是要对资产编目，资产检索，资产服务，资产监控，资产分析，资产标签等功能，把数据资产进行归类管理。

 

10.数据集成模块 

最后一个步骤，是数据集成模块，组织有大量零散，分布的数据资产，需要集中统一管理。而数据集成的作用，则是降低数据资产化的操作门槛，让更多的业务人员参与其中。

数据集成方面，一般包括可视化建模，模型资源检索，ETL过程设计，ETL过程流设计，数据脱敏，调度管理等。

企业需要设计从数据库抽取，转换，加载数据的流程，对敏感数据资产进行脱敏，设置数据资产访问权限，使用权限等内容，更好集中管理好大量的资产数据。

 

四、数据资产管理实操案例

讲解了那么多干货内容，第四部分，我们结合一个实际的业务场景，看看如何做好一个数据资产管理上的项目。

1.项目背景

首先整个背景，某集团经过多年发展，沉淀了海量数据，想用大数据挖掘数据价值，以数据化手段拉动业务提升，实现整个信息化的支撑向数字化引领的战略转变。

客户主要诉求就是对企业数据进行全生命周期资产化管理，然后促进数据，在内增值，在外增效两方面的价转变，同时去控制数据在整个管理流程中的成本消耗。

 

2.数据资产管理建设5大步骤： 

在数据资产管理整个建设过程，主要分为5个步骤：

第一步，是数据资产盘点，要找出哪些数据是数据资产

第二步，是数据资产集成，把所有数据资产全部集中起来

第三步，是数据资产的治理，把数据资产进行编目，分类处理

第四步，是数据资产开发应用，如何把数据资产分享出来应用

第五步，要做一个资产价值的评估，哪些数据价值高，哪些数据价值低

这个建设过程，在实际操作中，可以交替互换。比如在做资产盘点的时候，可能在前期已经有非常好的数据基础，那么在后面资产管理中，资产治理环节可以跳过。

数据湖，数据仓，数据组，原数据库，指标库这些产物如果做的足够好，那么在做数据资产开放应用和资产价值评估的时候，可以节省大量时间，会缩短整个项目的周期。

 

3.数据资产盘点1

首先，第一步需要判断哪些数据是数据资产，一般用5个方面衡量：

（1）业务权重：这个数据是否属于核心业务的运营范畴

（2）角色群众：这种数据对高层的决策是不是会带来直接的影响，

（3）指标数据：一般情况下，95%的数据指标都可以放入到数据资产

（4）使用频率：频率越高，说明数据重要性越高

（5）技术存在与可控性：通过一些技术手段，能够对数据进行一个获取，维护，管控的状态，管控程度与可控性，都是辅助的一个数据指标

 

4.数据资产盘点2 

有很多企业，想做数据资产项目，但是最大的困扰就是技术人员不懂数据的业务价值，业务看不懂数据最终会落到什么地方，单单靠着数据资产盘点的5个维度，是无法让数据使用者理解的。

这个时候组织需要建立元模型，把数据的五个方面融入到技术人数据，业务人数据和管理人数据，形成一个元数据的雏形，便于数据资产项目实施落地。

 

5.数据资产盘点3

除了使用以上5个方面来判断数据资产，也可以自己制作一个资产目录的模板，大家直接参考模板，就可以初步判断数据是否有数据资产。

表格里面可能罗列得不是很全，但是分类的方法和维度应该对大家有所帮助，我们可以分为系统主题，业务主题，行业，组织架构主题，资产类型，服务分类，安全主题，资产形态主题等。

 

6.数据资产盘点4 

在数据资产盘点的最后环节，要能够形成数据之间的流向关系，有可以有效找到数据资产。从宏观分析，其实就是看我们的数据经历，每个系统，数据之间的有什么关联。

在地图上，可以很轻易看到一个系统如果与其他系统有很多关联的线条，那么这个系统肯定是非常重要的，它里面的一些数据也肯定是核心数据。

从微观上，业务人员可以看到报表是如何一步步从库表中加工而成的。资产盘点不是技术IT部门的事情，业务部门一般也会非常感兴趣，因为与他们的业务利益息息相关。通常情况下，IT数据设置一个数据员，业务部门来帮助加工，这样报表整个制作过程UIu大大缩短。

 

7.数据资产集成

把所有数据资产划分后，接下来需要做数据集成，整合一下所有的数据资源，把数据变成资产级。 

数据资产要经过数据标准，数据质量，数据安全等治理工具，来进行清洗转换，接着开始整合数据，在企业内部进行资源拆分共享。

比如人力部门，需要把绩效信息发给各个部门，然后领导审批，人力给出综合评价，再反馈到各个部门，流程比较繁琐。 

如果用数据资产层面，人力只需要开放考核信息，各个部门自己去看，自己分析。通过数据治理，把零散重复，不完整的数据整合起来，减少重复性的工作。

在整个数据资产里面，还需要提供相关的数据资产列表，在详情里面也会描述数据资产，告诉使用者数据的产生地，应用场景，注意事项等内容。

数据资产列表，和淘宝里面的商品使用说明一样，数据本身是一种商品，需要注明各种信息，告诉用户有什么特点，有什么应用场景，有什么价值，才能更好发挥数据的作用。

 

8.数据资产治理

经过数据集成后，组织拥有大量的数据资产，里面有很多重复，零散，缺失的数据，要在使用数据之前，要经过数据清洗，就像要在做菜之前，需要对食物进行加工处理。

平时的数据资产治理，需要经过3个步骤：

①基础治理，要把零散，重复，不完整的数据，进行筛选，删除，补录，整合。

②进阶治理，数据初步治理后，接着需要数据清洗，定义清洗条件，质检规则

③最终治理，利用数据标准，数据质量，数据安全标准，确保数据的精确，完整，一致有效，唯一性。

在治理途中，要特别注意检验规则，清洗规则，数据条件，要在一次次数据治理中积累经验，优化规则，提高数据资产的质量。

 

9.数据开放应用

数据资产经过盘点，集成之后，企业就有了一块黄金数据。下一步，就是企业需要通过数据服务化平台，把它呈现给管理层，业务人员，职能人员以及客户。

数据平台的功能，类似于淘宝，每一个数据所有者，都是一个淘宝店家，把自己的数据放在店铺里。

数据用户可以通过检索，去查找相关数据，应用于什么目的，接着通过反馈，赋予这个数据应用场景和价值。在实际操作中，也会有一些属性，标签，来提供更加精准的查询，为数据消费者提供更好的体验。

 

10.数据价值评估 

最后一个，是数据资产评估。之前提到说，数据资产评估，一方面成本方面，就是数据丢失后，找回数据的成本，数据储存的一些成本。

很多大公司，购买云服务器来存储大量的日志数据，这些数据不是很有价值，大量过期的数据混淆在新数据中，造成数据冗余现象严重，也增加了数据库的成本费用，一般这种数据录的费用都是几万到十几万不等。

第二个方面，是数据的应用价值。我们要根据数据使用频率，交互性，同步性，数据维护方面考虑。

比如一些投资集团的数据，制造业生产制造的数据，会沉淀大量的历史数据。如果通过这些数据，来发挥一些规律，去缩短研发成本，做数据分析创新，提升产品业务销量，让数据实实在在为企业产生业务价值。