什么样的数据能够成为资产？

维克托·迈尔·舍恩伯格在《大数据时代》中曾经提到：“虽然数据还没有被列入企业的资产负债表，但这只是一个时间问题”。

现在很多企业开始提数据是资产甚至是资本，说明了数据蕴含的巨大价值，但如果企业不明觉厉，在未理解清楚数据资源和数据资产本质区别之前，就把企业的所有数据资源都列入企业的数据资产目录，那对于企业来讲就是一场灾难，因为这种“资产”不仅没有价值，而且大多是负的。

那么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？

首先让我们了解一下什么是财务意义上的资产。

资产是指由企业过去经营交易或各项事项形成的，由企业拥有或控制的，预期会给企业带来经济利益的资源。类比资产的定义，数据资产是企业或组织拥有或控制，能带来未来经济利益的数据资源。

因此，并不是所有的数据都是资产，只有可控制、可变现、可度量的数据才能成为资产。

第一，数据要成为资产，需对数据有控制权

每个企业都认为对自己的数据具有绝对控制权，比如A企业无法拿到B企业的数据，这就体现了B企业对自己数据的控制权。

但B企业真的对自己的内部数据有控制权吗？未必。

企业的很多领域数据实际是掌握在部门手里的，但这些掌握在部门手里的数据是否属于企业的数据资产，取决于企业是否拥有对于这些数据进行采集，加工的权利。

有一个简单粗暴的判定领域数据是否属于企业数据资产的方法，就是如果一个部门的数据只在部门内部流通使用，从来不对外开放，那么这种数据不能算是企业的数据资产。

很多部门的数据由于业务经营的需要，不得不贡献出来为企业的经营决策服务，这种已经被强制使用的数据体现了企业对这些数据的控制权，这些部门数据自然而然具备了成为企业数据资产的前提。

但很多时候并不是这样。

虽然部门属于企业的一部分，部门也完全受企业管理，但部门的数据其实完全可以不受企业的控制，正如封建时代的帝王能控制分封的领主但无法指挥其家臣一样，那些失去企业控制的部门数据，无法自然而然的成为企业的数据资产。

那谁能代表企业来确认对这些部门数据的控制权呢？

财务部能代表公司来确认企业的各种资产，但数据比较特殊，现阶段大多企业还没有专门的组织来确认散落在企业各个部门数据的性质。

数据治理特别强调要建立企业级的数据管理组织，实际体现的是企业对于这些部门数据控制权的争夺，部门数据能否升级成为企业的数据资产首先取决于PK的结果。

因此，一个连部门墙都没打破的公司，一个没有完成企业级数据汇通的的公司，即使它有很多的数据资源，但这些分散在各个部门的数据资源就如埋葬在地底下的原油一样，是无法成为企业的数据资产的。

第二，数据要成为资产，数据需有潜在价值

首先，找不到的数据不能认定为企业数据资产。

即使你知道企业某个部门有某类数据，但如果连放在哪里都不知道，那这些数据肯定是不能认定为企业数据资产的，甚至连认定为数据资源也要打个问号。

其次，看不懂的数据不能认定为企业数据资产。

任何源端的没有任何解释的数据资源，或者只把源端的数据资源抽取入湖，都不能讲这些数据资源就成了数据资产，而只有配套了元数据管理等相关动作以后，这些数据资源才可能转化成数据资产，因此，企业数据资源目录和数据资产目录，虽然看着名字相似，但内涵大相径庭。

再次，数据资产是个相对的概念。

某个领域认定为数据资产的数据，在企业的其他领域如果没有价值，那么站在企业的角度来讲，你可以认为它只是领域的数据资产，而不是企业的数据资产，因此无需将它汇通入湖，也不应该进入企业数据资产的目录，对于企业来讲，这些数据只能叫作数据资源。

举个例子，某个领域的一张操作配置表，可能对于这个领域的流程效能提升有帮助，但这种配置表汇通后对于企业没有额外价值，那么，这种配置表就不能叫作企业的数据资产。

企业对数据资产的认定，我觉得应该有个最低标准，就是至少应该是看得懂的，至少应该对1个以上的业务领域有价值。

很多企业直接把源端表当成了自己的资产，这是谬误，很多把汇聚到大数据平台的表当成企业的数据资产，也不合理，这些数据大多没有什么价值，除了空耗成本，而且给企业带来了困惑，“明明汇聚了很多数据资产，但为啥它们都没有发挥出价值呢？看来大数据是大忽悠！”

但这些企业没搞清楚的是，搞个大数据平台汇聚的实际是数据资源，而要让这些数据带上更多价值属性，成为数据资产，依赖的可是企业的数据治理能力，显然他们还没做好准备。

第三，数据资产的成色，需通过开放来验证

即使你对某个数据资源有控制权，即使你已经对这个数据进行了各种加工，让它看起来有潜在价值，但最终这个数据的资产成色到底几分，还是取决于其实际创造价值的能力，当前数据创造价值的方法有两种，第一种是数据本身直接产生价值，第二种是帮助现有产品、服务实现收益的增长。

数据交易市场的落寞一定程度上反映了第一种方式的艰难，相比货币资产，数据资产当前还是缺乏标准度量方法，因此我们只能采取第二种方式来间接评估资产的价值，但前提是数据资产要能充分开放。

但我们大多数企业的数据开放并不乐观，一方面顶层设计缺失，“不开放为例外”等原则并没有形成企业共识，另一方面，数据开放重形式和不重实质，对外开放了一堆无法使用的数据资源，再一方面，数据开放的效率不高，缺乏SLA的承诺，最后，数据开放的闭环没有形成，数据资产开放出去了，但效果回不来，导致资产没法评估和持续增值。

最后，从资产的角度看，数据治理的目标就是让数据变得可控制、可变现、可度量，从而形成数据资产，在这里，数据资源是起点，数据资产是终点，如果把两者混为了一谈，数据治理也就失去了意义。

了解了什么样的数据能够成为资产后，再来谈谈数据资产化的路径。《数据资产管理实践白皮书》给出了具体实践步骤，可供参考。

一阶段：统筹规划

      一阶段包括评估管理能力、发布数据战略、建立组织责任体系三个步骤，为后续数据资产管理和运营锚定方向、奠定基础。

主要交付物包括：数据资产盘点清单、数据架构或数据模型、数据资产管理现状评估报告、数据资产管理差距分析报告。

主要交付物包括：数据战略规划、数据战略执行计划。

主要交付物包括：数据资产管理组织架构图、数据资产管理认责体系、数据资产管理相关管理办法。

二阶段：管理实施

      二阶段的工作目标主要是通过建立数据资产管理的规则体系，依托数据资产管理平台工具，以数据生命周期为主线，全面开展数据资产管理各项活动，以推动第一阶段成果落地。第二阶段管理实施的开展主要包括建立规范体系、搭建管理平台、全流程管理、创新数据应用四个步骤。

      第一步是制定组织级数据资产标准规范体系，建立各活动职能的实施细则与操作规范。组织级数据资产标准规范体系指各活动职能下对数据技术设计、业务含义的标准化。以结构化数据为例，标准化的对象包括字段、表以及表间关系，对于各对象的标准化内容如表 所示。此外，结合数据资产管理相关管理办法，形成各活动职能的实施细则、操作规范，为数据资产管理的有效执行奠定良好基础。

交付物主要包括：数据资产管理活动职能相关标准规范、实施细则、操作规范。

交付物主要包括：大数据平台、数据汇聚方案与记录。

交付物主要包括：数据资产管理平台、数据资产生命周期操作手册、数据资产项目管理操作手册、数据资产管理业务案例。

交付物主要包括：数据应用产品清单、数据应用服务操作手册、数据应用服务用户指南。

三阶段：稽核检查

      本阶段关注于如何评价数据资源化成果、改进管理方法，该阶段的主要目标是根据既定标准规范，适应业务和数据的变化，通过对数据资源化过程与成果开展常态化检查，优化数据资产管理模式与方法。

本阶段主要交付物包括：数据资产管理检查办法、数据资产管理检查总结、数据资产管理检查基线。

四阶段：资产运营

      本阶段的主要目标是通过构建数据价值评估体系与运营策略，促进数据内外部流通，建立管理方与使用方的反馈与激励机制，推动数据资产价值释放。

      构建数据运营中心，充分发挥数据团队对业务部门的辅助作用。数据团队提供包括自助式数据服务、AI 模型等在内的支持，并通过定期宣导与培训，提升业务部门的数字技术能力。此外，以场景化数据资产运营为出发点，鼓励业务部门的数据资产使用各方使用相关平台探索数据，共享探索成果，提出改进建议。

      建立用户视角下的 SLA（Service-Level Agreement，服务等级协议），并进行持续评估和改善。区别于传统分布式大数据平台视角下的 SLA，数据资产管理 SLA 的目标是为各数据使用方持续、及时提供高质量数据和服务，SLA 的核心指标包括可靠性、实时性、质量要求等，贯穿数据资产管理全生命周期，覆盖数据资产管理各项活动职能，由保障措施提供基本支持，并通过采集和分析相关平台的运行日志，记录 SLA 的“断点”，改善数据资产服务的流程。

       本阶段主要交付物包括：数据资产服务目录、数据资产价值评估体系、数据资产流通策略与技术、数据资产运营指标体系。

结语

      在数字经济新时代下，需要适应数字经济发展趋势，开展数字化转型，促进数据要素市场化健康稳健发展。企业应该把握数字经济发展趋势，充分利用数字技术优化业务流程、创新业务模式、提升生产效率。

免责申明：

本文系转载，版权归原作者所有，如若侵权请联系我们进行删除！

《数据治理行业实践白皮书》下载地址：https://fs80.cn/l134d5

《数栈产品白皮书》免费获取：https://fs80.cn/cw0iw1

想了解或咨询更多有关袋鼠云大数据产品、行业解决方案、客户案例的朋友，浏览袋鼠云官网：https://www.dtstack.com/?src=bbs

同时，欢迎对大数据开源项目有兴趣的同学加入「袋鼠云开源框架钉钉技术群」，交流最新开源技术信息，群号码：30537511，项目地址：https://github.com/DTStack