完备的企业数据资产管理体系，首先依赖于数据资产管理规划及机制等上层设计，其次基于数据资产管理职能，使用有效的数据资产管理工具，将数据转化为数据资产，从而把数据价值真正发挥出来。数据资产管理架构如下图所示：

袋鼠云数据资产管理架构图

具体而言，数据资产管理包括数据开发、数据标准管理、数据质量管理、数据治理、数据资产评估、数据资产流通、数据资产运营、数据安全管理和数据消费九大版块，贯穿数据资产从生产到消费的全生命流程；数据资产管理工具包含数据开发平台、数据资产平台、数据共享平台、数据安全平台等，这些工具覆盖数据资产管理的大部分职能，处在不同阶段对工具的功能要求可能不尽相同。

数据资产管理以厘清数据资产的成本与效益、扩大数据资产的应用范围为工作重点，并使数据供给端与数据消费端之间形成良性反馈闭环。 数据资产管理实施路径如下：

数据资产盘点

从业务视角与技术视角出发，形成企业数据资产框架和数据资产目录，支持建立全面覆盖的企业级数据资产地图，为数据资产“用什么”以及“如何用”奠定基础。

数据资产盘点路径

数据资产盘点包含调研诊断、数据盘点、数据对标校正、分类分级、权责划分、数据资产目录建立六大环节。

调研诊断： 通常采用访谈或案头梳理的方式，对 IT 整体建设情况、业务系统数据情况进行调研，框定数据资产管理范围、聚焦目标。

数据盘点： 基于数据标准、数据管理制度、数据管理规范、数据平台工具、数据模型等盘点的内容及目标，梳理发现的数据问题，并整理归类，输出数据表清单、数据源接入方式、业务流程映表、数据字典等。

数据对标校正、分级分类、权责划 分： 这三个步骤通常同步、穿插进行，在保障数据准确的前提下，根据影响对象、影响范围、影响程度等维度，按照分类标准、重要程度对数据进行分类、分级；梳理数据资产分布及使用，明确数据项影响覆盖的相关部门，根据业务部门在数据产生、流转应用过程中的相关性，匹配各部门数据资产管理角色。

数据资产目录建立： 从业务流程和数据应用的视角出发，基于前几步中对数据资产的梳理成果，完善包含业务属性、管理属性的数据资产信息，形成数据资产报告和数据资产目录。

需要注意的是，数据目录的建立工作需要企业分别从“横”、“纵”的视角关注数据目录的合理性与科学性。数据目录的“横向”管理主要是指数据的属性信息，一般分为业务属性、技术属性和管理属性信息。数据目录的“纵向”管理主要是指以数据应用场景的维度构建目录体系，以充分贴合业务人员的数据使用习惯、业务使用场景，帮助各类数据使用人员找数、知数、用数。与此同时，数据目录管理工作在保证数据信息准确、权限合规等管理要求的同时，还应保证目录底层数据的统一性与一致性，避免出现“多套”数据目录进而增加管理难度与成本。

数据治理

数据治理是对数据资产管理权力和控制的活动集合，它不仅仅是一套用工具组合的产品级解决方案，更是从决策层到技术层，从管理制度到工具支撑，自上而下贯穿整个组织架构的完整链条，以期通过持续的评估、指导和监督，确保富有成效且高效的数据利用，促进组织协作和结构化决策，为企业创造价值。

数据资产管理是数据治理的目标和结果。数据治理和数据资产管理是两个密切相关的概念，它们同构成了个完整的数据管理体系。数据治理是指在组织内对数据进行全面管理和控制的过程，旨在确保数据的准确性、完整性、一致性和安全性，以支持组织的决策和业务活动。而数据资产管理则是指对组织的数据资产进行有效管理和优化利用的过程，旨在最大化数据资产的价值和效益。

根据多年的实践经验，袋鼠云认为通常数据治理可以遵循下面三种基本模式：

模式一：自下而上，以数据架构为重，开展数据治理。

这种模式重在数据架构，层层向上治理数据，至数据应用层。这种模式从底层数据切入，基于现有数据基础，盘点、建设、治理、应用层层展开，对企业整体的数据思维、数据治理水平要求较高，通常适用于数据量重、业务应用轻大型技术型企业，或政府机构，或新建、自研系统较多的企业。

模式二：自上而下，以明确的数据应用为重，开展数据治理。

这种模式即单点应用式，通常以现有应用需求为核心开展数据治理。聚焦各个业务领域的数据应用、数据治理需求，在有需求、有资源、有驱动力的前提下，按需组织推进数据治理工作。只有业务部门的深入参与才能做好数据治理，只有针对业务自身需求进行的治理，才能得到业务部门的认可和支持。

模式二通常围绕数据应用的需求进行数据治理，比如升级架构、更换平台等涉及数据应用迁移时，或聚焦监管、上报类等明确数据应用时，围绕数据应用进行数据治理。

模式二通常适用于数据应用较强、业务部门较为强势、但整体数据认知较弱的企业。这种模式的数据治理切入相对较为简单，实践证明，大部分企业数字化转型初期会这种模式，慢慢探索企业的数据治理道路，这种模式有助于拉齐数据部门、业务部门的认知，提升企业整体数据认知，为未来数据治理的开展提供基石。

模式三：大规划模式，从数据应用规划入手，治理现状，规划未来，基于数据资产的未来开展数据治理。

这种模式需要企业全面梳理业务的现状痛点及业务未来畅想，盘现状、规划未来，基于业务现在及未来的需求规划分析应用场景，在应用场景蓝图规划的范围内，全面的梳理数据的现状、规划数据的未来，针对蓝图规划中的数据需求，制定全方位策略，哪些需要新建系统、新购数据源？哪些需要现有数据系统升级，细化、标准化现有数据？哪些数据需求落地可行性较高？制定全面的规划体系，划分优先级，有节奏、有步骤地实现全面的数据治理。这种模式通常是企业的战略项目，由高层推进开展，对数据、业务协同性要求较高，整个过程涉及系统改造升级、业务流程优化再造，是企业全面升级的过程。

数据治理三大基础模式

组合模式一：模式一 &模式二组合，即全域数据治理+明确应用场景规划。这种模式兼顾底层数据与上层应用，可对冲底层数仓重建的部分风险，同时可有效地阐述数据价值，整体可行性较高。

组合模式二：模式一 &模式三组合，即全域数据治理+全面应用场景规划。这种模式从现在、未来的角度全面开展数据治理，业务、数据全面覆盖，返工重建风险小，同时有助于推动业务系统、数据全面升级，业务价值较高，但对组织协同要求高，且成本投入高、耗时久，对执行团队要求高，复合型人才需求大，属于高风险高收益模式，需要企业高战略、高执行的推进落地。

数据治理组合模式

数据治理在一定程度上是对数据资产管理的细化，它通过明确相关、工作责任和管理流程来确保数据资产能长期有效、可持续地得到管理，进而使企业获得高质量的数据。数据治理旨在提高数据质量、促进数据一致性和集成、加强数据安全和隐私保护、支持合规性和风险管理、提升决策效能，以及提升数据资产的价值。通过有效的数据治理方案实施，组织实现更好地管理和保护数据资产，实现数据驱动决策和业务创新的目标。

数据资产评估与入表

1. 数据资产评估

数据资产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。数据资产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。

目前数据资产评估方法总体可分为货币度量方法及非货币度量方法两类，其中货币度量方法以传统资产评估方法为代表，主要包括成本法、收益法、市场法及其衍生方法。各评估方法的适用对象和可行程度存在差异。

对于成本法，因成本难分摊，其适用对象是企业全部数据资产而非特定数据产品，测算结果是数据资产管理的总体投入成本。对于收益法，其适用对象是特定数据应用场景下的数据产品，测算结果是引入数据资产所带来的业务效益变化。市场法则以数据定价和数据交易为主要目的，其适用对象同样是单一数据产品，通过对比公开数据交易市场上相似产品的价格，对数据产品进行价格调整。

目前，由于数据要素市场正处于初期的快速发展阶段，在具体估值过程中，市场法指标的采集来源可能会因此受限。因此，企业在当前阶段可结合数据应用、数据成本管理等工作成果，优先围绕成本法、收益法开展数据价值评估工作，探索企业数据价值评估实践路径。

企业可以以数据资产评估为起点，将“价值管理”作为数据运营的目标之一，明确数据资产价值构成，形成数据价值链，理清数据预期经济收益的范围和来源，并为深化数据赋能业务、产品定价、数据入表、交易流通奠定基础。

2. 数据资产入表

数据资产入表的专业术语为“数据资产会计核算”，这一过程是指将数据正式确认为企业资产负债表中的“资产”项目。换言之，数据资产得以进入资产负债表，从而在财务报表中真实反映其内在价值及对企业业务的实际贡献。

数据资产在《企业数据资源相关会计处理暂行规定》后，企业现在可以将这部分满足条件的数据资产在资产负债表的相关科目进行列报和披露。在编制资产负债表时，企业需要根据重要性原则和实际情况，决定在无形资产或存货项目下列报数据资产。具体的列报方式取决于数据产品的权属是否发生转移。

数据资产入表不仅有助于提升公众对数据要素的认识与理解，更能推动数据要素的交易与流通，从而对数据交易所提出更高的合规性和便利性要求。这一举措无疑为数据要素市场的繁荣发展注入了新的活力。

数据资产入表路径

第一步：合规与确权

数据资源的合规与确权是数据资源入表的首要步骤。

数据合规梳理：企业应遵循《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》《中华人民共和国网络安全法》《关于构建数据基础制度更好发挥数据要素作用的意见》、各省市行业数据安全管理办法等现行有效法律、行政法规和规范性文件，从数据来源、数据内容、数据处理、数据管理及数据经营等五个主要维度对待入表的数据资源进行梳理，查缺补漏，建立企业数据合规管理机制，确保数据资源的合法、合规。

数据授权梳理：数据权属是数据资源入表绕不开的重点，完善的数据资源授权链条是企业进行数据资源入表的前提。在进行数据入表前，企业应基于数据资源来源，梳理其完整授权链条。如企业自行采集个人数据时，应获得数据主体的恰当授权；企业采买个人数据时，应获得数据供应商及数据主体的恰当授权。同时，企业应建立数据权属监督管理机制，日常维护数据资源的权属变更情况，如企业获取数据授权存在期限，应在资产使用寿命估计中予以合理反映和披露。

综上，企业应当建立健全符合其自身特点的数据合规及产权管理制度，确保数据来源合规、隐私保护到位、流通和交易规范、分级授权合理，理顺数据资源产权关系，为实现数据资源会计入表扫清前置法律障碍。

第二步：有效治理与管理

企业应尽快建立相应的数据资源管理体系，统筹相关数据基础工作，盘清数据资源家底，为后续持续可靠的会计计量和披露提供底层保障。这一部分就是涉及到前文提到的数据资产盘点、数据治理相关的内容了，不赘述。

第三步：预期经济利益的可行性分析

结合企业不同的数据资源分类、业务交互需求和商业应用场景（数据产品和服务）分类，通过建立企业内部数据资产价值评估体系，采用货币化度量业务应用场景价值与数据资源取得成本的方式，开展对相关数据资源相关经济价值的衡量、数据资源投入产出效益的评价，夯实经济利益的分析基础。

作为推动数据资源入表的必不可少的重要环节，数据资产评估是保障数据资产价值可靠计量、准确披露的关键手段，也是探讨科学公平确定不同主体间数据资源收益分配的基础。

第四步：相关成本的合理归集与分摊

数据资源的成本不仅仅包含外购过程中发生的购买价款、相关税费，还可能包括数据合规成本、治理成本、权属鉴定、登记成本以及需要分摊的间接成本等。数据资源典型的特征是具有伴生性，如何进行合理的成本分摊以确保数据资源成本的完整性是当前的实务难点。在数据资源相关成本归集与分摊过程中，企业业务运营成本与数据产生成本往往难以明确区分，例如，信息系统在支撑主业经营的同时也产生经营数据，业务支撑成本与数据资源产生成本应如何进行界定和区分。

如果企业期望实现数据资源的会计“入表”，则必须满足“成本能够可靠地计量”的前提条件。企业需要提前规划，形成准确的数据血缘图谱，厘清数据资产化过程所占用的企业资源，配套建立统一、合理的数据资源的成本归集与分摊机制，并最终通过信息化途径进行落地。

第五步：列报与披露

适当的披露有利于将企业已经费用化的数据投入显性化，将企业的隐形价值可视化、透明化，有利于驱动企业价值的提升。此外，对数据资产评估的估值参数、假设与模型的披露要求，也将倒逼企业建立更加精细的内部管理流程，帮助企业厘清数据资产价值的构成、来源和实现方式。

数据共享与开放

数据共享与开放均为实现数据资产化重要方式。在《数据治理-工业企业数字化转型之道》中的解释是：数据共享主要指的是面向企业内部的数据流动，其中由数据应用单位提出企业内部跨组织跨部门的数据获取需求，由对应数据供给单位进行授权并由信息部门向该数据应用部门开放数据访问权限。而数据开放则指企业向政府部门、外部企业、组织和个人等外部用户提供数据的行为。采用通用数据标准和互操作性较高的系统，这简化了跨不同平台和系统的数据集成，使数据共享更加高效。

企业通过开展数据资产的内部循环与外部流通，运用数据分析与挖掘获取新的信息，在企业内部形成数据流转与共享，在企业外部为社会提供数据资产的价值，也同时为企业谋取创新型的收益，实现数据的增值。

 数据资产流通

数据资产管理的推进和规则的建立可促使数据共享活动更为顺畅，使得数据共享和开放带来的价值变现过程中数据权属的争议减少、分歧逐步弥合。比如，在企业试图获得个人用户共享数据使用权时，用户可以与企业进行合理的交易协商，在达成符合双方预期的情况下处分自己所享有的数据价值变现权利，实现双赢。同时，企业从用户或者政府侧取得数据后，需要对收集数据做进一步深度分析与处理，得到的数据产品、数据分析结果也将经历数据共享过程。企业利用数据产品优化自己经营模式、调整商业战略活动的同时，也可将其作为产品销售给其他企业，形成良性循环的闭环。

公共数据流通体系建设的首要前提是合规。这需要我们建立一个清晰、完整的法规框架，明确数据产权、数据流通交易、收益分配及安全治理等关键问题。已明确提出，加快推进数据产权、流通交易、收益分配、安全治理等制度的建设是当前的紧迫任务。已经公共数据开放管理办法和试点方案，也为合规流通提供了操作指南。

2023 年 8 月 24 日，围绕经济、生活、治理各领域 40 个应用场景深入开展公共数据开放赋能行动，旨在推动上海城市数字化转型全面深化，实现场景公共数据有需必应，提升本市公共数据开放水平。

2024 年 1 月 11 日，，明确数据的资产属性，提出依法合规推动数据资产化，平等保护各类主体数据资产合法权益，鼓励公共服务机构将依法合规持有或控制的、具有资产属性的公共数据资源纳入资产管理范畴，进一步创新数据资产管理方式方法，加强数据资产全流程管理，严防数据资产应用风险等，更好促进数字经济高质量发展。

5 月 20 日，等四部门印发《关于深化智慧城市发展 推进城市全域数字化转型的指导意见》，从全领域推进城市数字化转型、全方位增强城市数字化转型支撑、全过程优化城市数字化转型生态等 5 个方面提出 13 项具体举措。《指导意见》提出，构建数据要素赋能体系。加快推进数据产权、流通交易、收益分配、安全治理等制度建设，促进数据要素高效流通和使用。加快完善省、市两级政务数据平台，整合构建全国一体化政务大数据体系。有序推动公共数据开放。

这些政策的实施，一方面能够推动数据的更广泛、更深层次的开放，赋能治理、经济、生活各领域城市数字化转型；另一方面，也有利于提升数据质量，实现并保持开放数据按时更新，持续开展数据质量维护。随着市场运行机制的逐步完善，政府、企业及个人间在协商数据共享和开放时便有法律和制度上的参考和依据，进而实现数据资产化的快速推进。

数据消费

数据消费其实就是传统认知中的“用数据”，即摆脱以个体经验为标准的判断模式，转而用更客观精准的数据完成决策并追踪业务发展，让更多的业务线与员工科学决策，最终实现数据赋能业务。

数据消费一方面能够为企业的业务应用层提供准确且高度标准化的数据，支撑业务决策科学、敏捷行动；另一方面，它又能从前台业务源源不断地汲取新的数据，丰富数据资产，并倒逼企业在数据资产层不断优化数据质量、提升研发效率，实现数据基建能力的升级。

数据消费活动体现在智能决策、数据分析、数据应用开发、数据超市等应用方面，基于客观精准的数据，让企业的经营决策更加科学、高效，带来多方面的价值：

决策支持

企业可以借助数据分析和挖掘技术，利用数据资产为企业的决策提供支持。例如，企业可以利用市场数据、销售数据、客户数据等来分析市场趋势、预测销售情况、了解客户需求等，从而制定更加科学、有效的决策。

优化运营

企业可以利用数据来优化运营流程和业务模式，提高效率和降低成本。例如，企业可以利用生产数据等来优化生产流程、物流配送等，从而提高生产效率和降低运营成本。

提升客户体验

企业可以利用客户数据来了解客户需求和行为，提供更加个性化、贴心的服务和产品，从而提升客户体验和忠诚度。例如，企业可以利用客户购买记录、浏览历史等数据来推荐个性化的产品和服务，提高客户满意度。

创新业务

企业可以利用数据来发现新的商业机会和业务模式，从而推动业务创新和拓展。例如，企业可以利用市场数据、技术趋势等来发现新的市场机会和业务模式，从而拓展业务范围和增加收入。

提高竞争力

企业可以通过数据分析来提高其竞争力和市场地位。例如，企业可以利用竞争对手数据、行业趋势等来了解市场动态和竞争对手的策略，从而制定更加有效的竞争策略。

针对资产入表，我们提供以下支持：

https://www.dtstack.com/resources/1073