“数据资产”究竟是“数据”还是“资产”

说“数据”，大家都能理解，因为能看得到数据库里面存的一个具体的数字和内容；



说“资产”，大家也能理解，因为能够变成钱的估值，最终呈现为银行卡上的数字；



但说到“数据资产”，就不那么容易理解，你可能会有很多的疑问：



“只要拥有数据就可以成为数据资产吗？”



“需要是海量的大数据才可以被称为数据资产吗？”



“既然称为数据资产，就一定是可以被量化和估值的吧？”



数据资源和数据资产还是有较大区别的，从数据资源到数据资产，中间还有很长的数据治理的路要走，但看完这篇总结，应该能对数据资产的概念有一个整体的认识，能得到上述问题的答案，也能找到从数据资源到数据资产的规划路径。

数据资产化是数据应用成熟度的体现



数据资产的概念，不能从字面来理解，它是企业对数据应用成熟度的体现，数据处理和应用足够成熟，才可以将拥有的数据资源，转变为数据资产。



数据资产最适合用来类比的概念，既不是数据，也不是资产，但可以参照“品牌资产”的概念来更好得理解它。



品牌资产是20世纪80年代出现的重要概念，并成为此后十年营销领域的研究热点。品牌资产是无形的，但会因市场而变化，因消费者的品牌经验而变化，同时会影响消费者的购买行为及品牌反应。品牌资产主要包括品牌的认知度、美誉度、忠诚度等方面，通过多种方式向消费者及企业传递价值。



每一件产品都有一个品牌，就像每一家企业总会在生产活动中产生数据，但品牌之所以能称之为品牌资产，是因为它广泛地被大众所认知，在产业和消费者心中具备一定的声量、调性和影响，于是就变成了一种很有价值的产物。



数据要成为数据资产，要经历得过程也是类似的。数据产生之后，经过高质量的采集、汇聚和加工，能够广泛地应用到生产活动中去，连接的场景越来越多，发挥的作用越来越大，它也就可以被称之为数据资产。所以，数据资产和品牌资产的概念类似，企业在营销方面的成熟度足够高，才可以被称为品牌资产，数据资产也是企业数据应用成熟度提升之后的产物。



数据资产化的三个特征



将企业的数据资源转变为数据资产的过程，就是数据的应用和管理逐步成熟的过程。完成数据资产化的转变，有三个主要的特征。

1. 数据集中管控



数据如果仅仅作为资源，往往是缺少统筹管控的，数据标准、数据开发规范、数据安全和质量等方面往往很难得到保证。不同的数据消费方专注于自身环节的数据需求，自成标准，容易导致数据的烟囱式建设，口径标准不统一等问题，也没有人能够清晰得说出来企业拥有的数据全景和价值链路。



不论是数据的平台工具，还是数据的公共服务，在完整的数据应用链条上，都需要有明确的权责归属，对数据的标准、安全和质量负责。但说到数据，从来不只是技术问题，因为数据有很强的业务属性，与组织、管理、信息安全等方面息息相关，会涉及很多业务规则的定义、上下游系统的联动，所以不能靠一个团队或部门，解决所有的管控问题，但需要有这样的团队，基于数据管理的思路，协同其他的角色，共同建立全面的数据管控机制。



2. 数据有序流动

我们说，数据资产化运营，需要有人能从全局的角度，对数据相关的问题进行统筹和管控，主要是为了加强数据的质量、标准、安全和规范性，但不是“数据垄断”，不意味着所有的数据应用只能由一个数据团队支撑。相反，数据要在集中管控的过程中，得到有序的流动，因为数据价值是建立在数据充分流动的基础上的。



当数据只是资源，还不能称之为资产的时候，没有集中管控，数据也可以流动，但往往是无序的：

• 明细层的数据被多个下游消费方接走，在此基础上进行重复的二次加工、清洗、建模、应用，带来的是数据二义性，以及重复开发和资源浪费。

• 某一个业务单元产生的数据，只在自己业务单元内部共享，形成局部闭环，以此来打造自己的业务创新应用和竞争壁垒，不允许其他体系消费，于是便形成了数据孤岛。



所以，数据是否得到有序的流动，也是数据资产化的重要特征之一。

可以回想一下，自己的企业中，是否存在数据孤岛或者链路断层：需要的数据无法获取或者不知道通过何种方式或者流程可以获取。是否存在安全隐患：内外部的数据流动，缺乏有效的流程和工具保障，由于信息不透明，有时候会存在数据被重复购买，或者在数据所有者不知情的情况下，被提供给了外部，带来了安全隐患，或是商业风险。



3. 数据价值得到追溯和评估

数据价值的追踪和评估，是数据资产化必须具备的另外一个重要特征。



我们强调数据要有序流动，很多人会想要知道，是否有一种方式，能以按照条数或者字段数等方式对数据价值进行量化，以此来进行数据变现。



可以很明确的说，这种数据变现的思路是不可取的。



数据本身的价值是很难量化的，数据要连接到场景中才会发挥价值，所以同一份数据对于不同的消费者的意义和价值是完全不一样的。抽样数据和全量数据的价值，也是完全不一样的，数据完整度高，数据的价值也将会更大，但并不能根据数据量来线性计算。行业里确实有很多进行数据交易类业务的公司，但那些大部分是对数据资源的交换或者售卖，而且定价并没有统一的标准和规范，没有太大的参考意义。



在这里想要重点探讨的，主要是站在企业第一方数据的视角，如何对数据价值进行更好的评估。数据的价值需要在分析中提炼出来，在应用中连接出来，在治理中节省出来。



在这个视角下，数据价值的追溯和评估，包含两个方面，一个是成本方面，一个是价值方面。



不能不计成本的进行数据应用，否则随着体量的增长，必然会陷入数据成本的泥潭。数据的成本，可以从数据任务消耗的存储资源和计算资源两个方面进行评估，保存这份数据所需要的磁盘空间大小、计算时占用的CPU核数及内存大小，都可以作为数据成本的量化指标来进行参考。



价值端，比成本要复杂得多，很难有一个直接的方式来进行量化，但可以从侧面进行评估：比如数据的活跃度（更新频率、扫描及调用次数）、连接度（通过数据血缘找到下游依赖的数量）和贡献度（下游数据应用端的重要程度和等级）等，综合各个维度的信息来形成一个价值评估模型。而要完成价值端的评估，首先要建立企业数据地图和数据血缘，能够追溯到数据的下游依赖和应用出口。



有了成本和价值两个视角的评估，进而可以将数据进行分类分级，并有重点得开展数据治理，降本增效。比如针对价值低、成本高的数据，可以推动下线或优化。所以说数据价值的追溯和评估，是数据应用成熟度的重要标志，也是资产化的必要特征之一。