数据资产化管理研究及体系架构设计

崔吉峰，杨栋枢，王维佳，董媛媛



数据资产化管理研究及体系架构设计

崔吉峰，杨栋枢，王维佳，董媛媛

摘 要：由于数据具有资产的属性，为实现企业数据的资产化管理，在数据资产化管理理论的的基础上，提出了数据资产化管理管理体系框架，并设计了数据资产化管理的体系范围、业务规划，以及演进路线。由此实现了数据资产化管理的信息化、标准化和科学化。

关键词：数据；数据资产；大数据；管理体系； 业务规划；演进路线

0 引言

信息时代，万物数化。未来企业的核心竞争力取决于其占有数据的规模、活性以及对数据管理、应用的能力。对数据的掌控，就是对市场的支配，这意味着巨大的投资回报，大数据将推动各个行业的信息技术应用产生两大重要的趋势：

一是数据资产化。在大数据时代，数据渗透各个行业，逐渐成为企业战略资产，数据价值随着应用深化不断呈现，信息部门将从成本中心转向利润中心。数据资产化管理也是本文重点阐述的内容。

二是决策智能化。智能化决策是企业未来发展的方向。通过挖掘大量内部、外部数据中蕴含的信息，可以预测管理及市场需求，从而驱动智能化决策分析，适时调整行之有效的战略，企业战略将从业务驱动转向数据驱动。

大数据为新财富，价值堪比石油。大数据之父维克托则乐观预测：虽然数据还没有被列入企业的数据资产负债表，但这只是一个时间问题[1]。

1 数据资产概述

什么样的数据能够成为资产，或者说什么样的数据有资格成为资产？财务意义层面的理解，资产可认为是企业拥有和控制的，能够用货币计量，并能够给企业带来利益的经济资源。那么，数据真的可以与资产划上等号吗？在数据已获得高度重视的今天，很多企业对数据资产的看法仍存有误区。事实上，数据有可能成为资产，但不是所有数据都能具备资产的属性[2]。

从拥有和可控的角度来看，数据可以分为第一方数据、第二方数据和第三方数据[3]。站在互联网企业视角，第一方数据也可以称为甲方数据，主要来自于数据的生产者。百度或京东这样的公司在为个人客户提供搜索服务或销售商品的同时，采集和整理了大量的用户行为数据。借助于支付、配送等后续服务，电商网站还能收集到诸如用户真实姓名、电话号码、家庭住址等隐私信息。这些一手数据毫无疑义的被其生产者拥有和控制，并借助于数据挖掘或出售等方式不断给数据拥有者带来经济收益。第二方数据也可称为乙方数据。随着互联网行业的高速发展，各行业巨头着力构建围绕核心业务的生态体系，专业分工愈发细致。一批像亿玛、百分点这样专业公司脱颖而出。作为效果营销领域的领导者，亿玛通过为电商提供流量入口服务，间接积累了大量的网购用户的行为数据、广告投放数据和订单数据；为了给用户提供精准推荐，百分点则整理了完善的商品数据库和用户站内行为数据。从拥有和控制角度看，第二方数据的所有者的确拥有数据掌控权，但这部分数据受制于获取路径（为甲方服务获取），在使用、交换或交易的过程中会有一些限制，需要采取匿名化以及整体化等脱敏处理处理后，才能实现有效控制和使用。与第一方、第二方数据相比，第三方数据的产权问题比较复杂。出于对敏感数据泄露的担心和数据资产定价困难方面的考虑，第一方和第二方数据的拥有者很少直接进行数据交易或授权。与之相反倒是常有从这些公司流出的内部数据放在网上供人付费下载，这也正是数据当前阶段还不能和资产划等号的一个生动体现。由于无法通过交易授权渠道获得，目前很多第三方数据提供商是通过网络爬虫、甚至是黑客手段获取数据。从法律层面看这些数据的所有权存在瑕疵的数据即使暂时拥有，也不能构成资产要素，只有在建立起有效的数据交换、交易机制后，第三方数据才能被真正的拥有和控制。

从价值的层面来说，数据资产在狭义层面的理解是通过货币化计量为企业带来直接经济利益。然而，事实上除了极少数以数据交易为主营业务的企业，绝大多数企业还没有为数据的货币计量做相应的账务处理。对于数据的货币计量，可以参照无形资产的计量规则[4-5]。比如：外购的无形资产按实际支付的价款作为入账价值。对于通过服务、交换等方式获取的数据，则可以根据数据的用途，参照内部开发项目资本化的方式[6-8]，将与获取数据相关的费用支出予以资本化而非直接计入当期损益。考虑到研发因素，很多高新技术企业都具有较长的投资回报期，通过对递延资产的摊销可以为企业形成有效税盾，降低企业实际税负。广义层面的理解，数据资产为企业经营管理带来的价值可以包含但不等同于带来直接经济收益。通过数据资产化管理，面向统一数据调度方式，形成良性数据共享机制，提高数据置信度、优化模型合理性、数据流转更清晰，管理权责更明确，在以成效为导向的价值标准下，数据资产化管理无疑将成为大数据时代企业经营管理效能提升的核心支点。

基于上述观点，数据资产可以被认为是企业在运营活动中形成的，由企业拥有，在数据的产生、获取、处理、存储、传输和应用全过程可控的，并能够为企业带来价值的数据资源。

2 数据资产化管理体系框架

如图1所示：

图1　数据资产管理体系框架示意图

数据资产化管理体系总体框架是以数据资产为管理对象，以组织、制度、流程为核心，以企业数据全景视图为支撑，并及与之配套的一系列管理活动的有机结合。通过一个常态化的管理组织，建立数据集中管理的长效机制，使企业能够将数据作为核心资产来管理和应用，充分体现数据资产价值，从而提高企业运营效率和管理水平，增强企业竞争力

[9]。

企业数据全景视图是以企业数据标准为基础、以各应用系统数据为来源，依据企业业务规划，梳理产生的企业数据的物理、业务、管理、资产属性信息，以及相应的信息化描述，通过多视角的可视化展现，是支撑企业级数据资产管理的重要工具。企业数据全景视图的定位：一是面向企业各级技术、业务、管理人员提供统一视图，支撑日常运维工作；二是面向数据资源，为数据资产保值、增值提供支撑，并为企业级数据未来状况的推演提供重要的支撑手段。同时，通过构建企业数据全景视图，完善数据标准，描述数据资产，管理数据质量，实现业务共享和增值应用，最终形成较为完备的数据资产化管理体系[8]。

3 数据资产化管理体系设计

3.1 体系范围

数据资产化管理体系的构建围绕组织、制度和流程三大要素展开，紧扣数据资产“拥有、可控、可增值”的核心理念，通过建立长效数据资产化管理机制，规范数据从产生到应用的各个环节，促进业务融合与管理创新，如图2所示：

图2　数据资产化管理业务架构图

1）流程优化：规范标准、管理闭环原则

数据资产创建、流转、变更、停用的过程，体现了全生命周期管理的特征[10-12]。数据资产化管理的核心作用之一是在企业内建立跨专业、跨职能，集约、有序的数据共享机制。流程体现事件环节秩序，从工作时序和岗位责任两个层面予以准确界定，有助于提升管理过程的规范性，同时也为制度建设提供了依据，并可能带来组织机构的创新。

2）制度建设：试点先行、迭代跟进原则

流程是制度的灵魂，制度是流程得以执行的保证。数据资产化管理是面向企业级数据资产的全生命周期管理活动，制度的强约束性有助于打破专业壁垒，形成集约统一的管理格局。按照制度的分类，设定为面向组织内人员的岗位性制度以及面向组织内活动的法规性制度。

3）组织保障：协同分工、权责明确原则

组织保障主要包括两方面：一是数据资产化管理机构的保障；二是数据资产化管理人员的保障。在IT部门的数据管理专业人员需向一个或多个数据管理服务（DMS）组织汇报工作[13]。在许多企业中，可能存在一个集中的DMS组织；而在另外一些企业中，可能存在多个分散的小组承担DMS组织的工作。有的企业既有本地DMS组织，也有一个集中的组织。集中式的DMS组织有时也被称之为数据管理卓越中心（Center of Excellence ，COE）[14]。

在DMS组织中的数据管理专业人员包括数据架构师、数据分析师、数据建模师、数据质量分析师、数据库管理员、数据安全管理员、元数据管理员、数据模型管理员、数据仓库架构师、数据整合架构师和商业情报分析师[13]。这些组织也包括数据整合人员和分析报表开发人员，但他们通常和其它开发人员一起在应用程序开发组织中。分散管理的组织可能只包括部分的角色。所有组织中的数据管理专业人员组成一个数据资产化管理专业团队，他们与数据管理专员一起，组成了数据管理利益共同体（Community of Interest，COI）。

3.2 业务规划

数据资产化管理业务内容是围绕运行和管理的要求，覆盖数据资产从形成、运维到应用全部环节，以及与之相适用的标准、问题和应用管理等。

1）数据资产形成管理

数据资产形成管理是将数据转化为数据资产的过程，主要是参照数据资产全景视图，依据数据资产化管理细则，通过一系列的数据核查、资产识别、资产加工等手段使数据具备资产属性，具备可评估的价值，并通过资产化率评价，持续改进完善的过程[15]。

2）数据资产需求管理

数据需求管理是在数据资产中心运行维护过程中，对业务提出新的需求，通过全景视图的优化设计，细化业务数据整改要求的系列管理活动，实现以数据驱动业务[16]。“数据驱动业务”通常包括以下几方面内容：

构建业务指标体系。业务指标体系是指“数据”和“业务”的桥梁。基于业务目标将业务活动指标化，并标注业务活动之间的直接、间接关系。

筑建数据资源体系。数据资源体系是“用数据驱动业务”的基石。统合各业务单位的数据，依据业务指标体系组织形成面向服务的数据资源。

创建监测评价体系。监测评价体系是“用数据驱动业务”的途径。通过各项业务活动的监测点、评价项，发现异常情况并及时调整业务工作。

新建决策服务体系。决策服务体系是“用数据驱动业务”的目标。依据数据资源和监测评价结果，制定组织决策并贯彻落实到具体业务工作。

3）数据资产溯源管理

数据资产溯源作业对每一个按照数据管理要求选定的数据资产，由业务部门负责召集业务专家讨论，确定该数据资产形成的全过程业务模型，并在遵循数据资产过程规范化原则下，由信息系统建设厂商进行节点标准化描述工作，整理每一个标准化节点的初始数据输入、处理过程、存储过程和传输过程等信息，并使用溯源支撑工具将溯源信息进行维护，为溯源图查询和后续的数据核查服务，如图3所示：

图3　数据资产溯源示意图

4）数据资产全生命周期管理

数据资产生命周期管理是在业务数据需求管理的引导下，围绕各个业务管理主题，针对数据生命周期的各个环节，提出相应的管理策略和原则，用于保证业务数据需求落实情况的持续与稳定。关键环节如下：

策略的制定：应用系统建设大多以单一业务视角展开，为避免重复建设，需要从数据和系统方面更广泛的角度开展全局视角数据资产规划，统一制定数据全生命周期策略。

环节的划分：数据生命周期规划通常包括数据的创建、流转、变更、停用等阶段；

过程的监督：是对系统建设相关的需求管理、系统建设、运维、改造等活动进行指导，保证数据标准在各阶段能遵守和落实；

资产化管理的遵从：在整个生命周期过程中，都需要考虑数据问题、数据标准和数据安全3个方面的影响和需求，并要求在整个周期过程中得到落实。

5）数据资产标准管理

数据标准管理包括数据标准制定、数据标准执行和数据标准管理考评。

数据标准的制定和维护：定义并制定数据实体标准、数据项标准、参考数据标准和指标标准等各类数据标准，并随着数据需求的变化进行持续维护修订；定义数据标准与数据源的映射关系；定义数据标准的认责。

数据标准执行：数据标准在数据创建、传输、存储和使用过程中的应用，以及在系统生命周期内的应用，是根据数据标准进行信息化建设的实用化过程。

数据标准管理的考评：对数据标准的建立、执行和维护过程的考评，建立考评制度，评价各系统对数据标准的遵从情况。

6）数据资产问题管理

数据问题管理是依据数据在数据生命周期的各个阶段的特性，建立数据问题控制机制，及时发现数据问题，不断改善数据质量，从而提升数据的可用性，实现数据更大的商业价值。

数据问题发现机制设计：根据业务要求制定和明确数据问题发现机制，主要包括制定数据质量标准、业务规则设计及常态化稽核机制设计；

开展数据问题分析：开展数据问题的日常监控，以及不定期的数据问题稽核工作，发现数据问题，定位并分析问题，形成数据问题分析报告，指导数据问题整改；

数据问题整改 ：根据数据问题考评和日常工作中发现的数据问题，制定数据问题解决方案，实施相应措施；

数据问题回归验证 ：对完成整改的数据问题进行结果验证。

7）数据资产应用管理

数据资产应用管理是数据资产价值体现的过程，主要包括资产估值、业务共享管理、业务监督管理、分析应用管理等，支撑大数据应用，催生新业务。

3.3 演进路线

数据资产化管理体系建设需要理论结合实际，通过循序渐进的方式管理数据资产对象，有序拓宽数据资产化管理外延，深入挖掘数据资产化管理纵深，结合管理实践，增量式完善数据资产化管理体系，如图4所示：

图4　数据资产化管理体系演进路线

4 总结

数据资产化管理体系建设是一项复杂的系统工程，需要企业在高层达成充分共识的基础上，周全计划、稳步推进，建立企业级的数据资产化管理及信息共享平台，完善数据资产化管理标准和规范，打破专业壁垒，逐步实现跨部门信息交换和无缝连接，消除信息孤岛，有序共享利用，逐步提升价值，实现数据资产化管理的信息化、标准化和科学化。

参考文献

[1] Viktor Mayer-Schönberger.盛扬燕,周涛,译.大数据时代[M].杭州:浙江人民出版社,2013.

[2] 罗铮.浅析大数据时代的数据挖掘与数据资产运营[J].电子技术与软件工程,2014,1:212-213.

[3] LI Qian,BAI Xiao-ming,ZHANG Lin, et al. Data Asset Management and Data-Based Operation of Power Suppliers［J］. East China Electric Power. 2013(1).

[4] 中云网. 大数据时代的数据资产管理［G/OL］.( 2013-12-06) [2015-07-02]. http://www.china-cloud.com/dashujuzhongguo/disanqi/20 13/1206/22073.html

[5] 赵亚鹏.论知识经济时代无形资产会计的完善与创新—计算机软件、域名的确认与计量[D]. 上海:上海海事大学,2014.

[6] 张颖.浅析无形资产的确认和计量[J].中国经贸,2014,11:163-164.

[7] 朱思敏.研发费用资本化影响因素研究[D].湘潭大学,2013.

[8] 刘瑞.研发费用资本化动因研究[D].合肥:合肥工业大学,2012.

[9] MENG Xiaofeng ,Ci Xiang. Big Data Management: Concepts,Techniques and Challenges[J]. Journal of Computer Research and Development.2013(1):50-59.

[10] 苏永春,汪晓明.智能变电站全景数据采集方案[J].电力系统保护与控制,2011(2):75-79.

[11] Xiaogang MA,Peter FOX,Eric ROZELL, et al. Ontology Dynamics in a Data Life Cycle: Challenges and Recommendations from a Geoscience Perspective[J]. Journal of Earth Science,2014(2).

[12] Goben A, Raszewski R. The data life cycle applied to our own data[J]. Journal of the Medical Library Association : JMLA .2015, 103(1):40-44.

[13] DAMA International.马欢,刘晨,译.DAMA数据管理知识体系指南[M].北京:清华大学出版社,2012.

[14] Devarajan RAMANUJAN,William Z. BERNSTEIN .Prioritizing Design for Environment Strategies Using a Stochastic Analytic Hierarchy Process ［J］. Journal of mechanical design,2014(7):136-143.

[15] 李谦,白晓明,张林,等.供电企业数据资产管理与数据化运营[J].华东电力,2014,3:487-490.

[16] 务根钱,张丽梅.国际组织和外国机构的数据质量保证框架[J].调研世界,2012(8):61-64.

[17] 赵鹏,马泽君,乐嘉伟.国际组织和外国机构的数据质量保证框架[D].软科学国际研讨会,2012:180-187.

[18] 黄海潮,陈顺德.电网企业数据资产全寿命周期管理研究[J].管理观察. 2015(1):62-66.（收稿日期：2015.09.11）

Research and Architectural Design of Data Capitalization Management

Cui Jifeng1, Yang Dongshu2, Wang WeiJia2,Dong Yuanyuan2
(1.State Grid Corporation of China, Operation Monitoring Center, Beijing 10031, China; 2. State Grid Information and Telecommunication Industry Company Limited, Anhui Jiyuan Software Company Limited, Hefei 230088, China)

Abstract:As data has the property of assets, in order to achieve the capitalization management of the enterprise data, the architectural design of management system is proposed on the basis of the theory of data capitalization management. And it also designs the system scope, business planning and evolution route of the data capitalization management. Thus data capitalization management informatization, standardization and scientization are realized.

Key words:Data; Data Management; Big Data; Management System; Business Planning; Evolution Route

作者简介：崔吉峰（1966-），男，山西省长治人，国家电网公司，运营监测（控）中心，高级工程师，博士，研究方向：电力信息管理、数据分析与深度挖掘，北京，10031杨栋枢（1970-），男，国网信息通信产业有限公司，安徽继远软件有限公司，高级工程师，学士，研究方向：电力业务建模、数据分析及电力行业信息化建设项目管理工作，合肥，230088王维佳（1983-），男，国网信息通信产业有限公司，安徽继远软件有限公司，工程师,硕士，研究方向：数据挖掘方向，合肥，230088董媛媛（1986-），女，国网信息通信产业有限公司，安徽继远软件有限公司，助理工程师，学士，研究方向：数据挖掘方向，合肥，230088

文章编号：1007-757X(2016)01-0040-04

中图分类号：TP399

文献标志码：A