前言

數據成為資產，已經是行業共識，甚至有人建議將數據計入資產 負債表。但如果對比實物資產，對數據資產的管理，還處於非常原始 的階段。往往一個機構針對其數據資產類別和數量都缺乏全面了解， 數據質量、數據安全、資產評估、資產交換交易等精細管理、價值挖 掘和持續經營則更為薄弱。數據資產管理是現階段推動大數據與實體經濟深度融合、新舊動 能轉換、經濟轉向高質量發展階段的重要工作內容。

---

定義與內涵

1. 數據資產管理的概念

• 數據資產（Data Asset）是指由企業擁有或者控制的，能夠為企 業帶來未來經濟利益的，以物理或電子的方式記錄的數據資源，如文 件資料、電子數據等。在企業中，並非所有的數據都構成數據資產， 數據資產是能夠為企業產生價值的數據資源。
• 數據資產管理（DAM，Data Asset Management）是指規劃、控制 和提供數據及信息資產的一組業務職能，包括開發、執行和監督有關 數據的計劃、政策、方案、項目、流程、方法和程序，從而控制、保 護、交付和提高數據資產的價值。數據資產管理是需要充分融合業務、 技術和管理，來確保數據資產保值增值。

2. 數據資產管理的內涵

數據資產管理在大數據體系中的定位如圖所示，它位於應用 和底層平台中間。數據資產管理包括兩個重要方面，一是數據資產管 理的核心管理職能，二是確保這些管理職能落地實施的保障措施，包括組織架構、制度體系。

數據資產管理在大數據應用體系中，處於承上啟下的重要地位。 對上支持以價值創造為導向的數據應用開發，對下依托大數據平台實 現數據全生命周期的管理。數據資產管理貫穿數據采集、應用和價值做到等整個生命周期全 過程。企業管理數據資產就是通過對數據的生命周期的管理，提高數 據資產質量，促進數據在「內增值，外增效」兩方面的價值變現。數據 先被規範性定義、創建或獲得，然後存儲、維護和使用，最終被銷毀。 數據的生命周期開始於數據獲取之前，企業先期制定數據規劃、定義 數據規範，以期獲得做到數據采集、交付、存儲和控制所需的技術能 力。數據資產管理一般來說包括統籌規劃、管理實施、稽核檢查和資 產經營四個主要階段，詳見第三部分數據資產管理的實施要點。

3. 數據資產管理的演變

數據管理的概念是伴隨上世紀八十年代數據隨機存儲技術和數 據庫技術的使用，計算機系統中的數據可以方便地存儲和訪問而提出的。 國際數據管理協會（ DAMA， Data Management Association International）在 2009 年發布的數據管理知識體系 DMBOK1.0中定 義為規劃、控制和提供數據資產，發揮數據資產的價值。DAMA 數 據管理體系將數據管理劃分為 10 個領域，分別是數據治理、數據架 構管理、數據開發、數據操作管理、數據安全管理、參考數據和主數 據管理、數據倉庫和商務智能管理、文檔和內容管理、元數據管理和 數據質量管理。2015 年，DAMA 在 DBMOK2.0 知識領域將其擴展為 11 個管理職能，分別是數據架構、數據模型與設計、數據存儲與操 作、數據安全、數據集成與互操作性、文件和內容、參考數據和主數 據、數據倉庫和商務智能（BI，Business Intelligence）、元數據、數據質量等。

在數據資產化背景下，數據資產管理是在數據管理基礎上的進一 步發展，可以視作數據管理的升級版。主要區別可以從三方面看：一 是從數據管理變成數據資產管理，在數據資產管理的概念下，強調的 是緊緊圍繞著把數據作為一種資產，基於數據資產的價值、成本、收 益開展全生命周期的管理。二是管理職能有所調整，和 2015 年 DAMA 的管理職能相比，數據資產管理延用數據模型、元數據、數據質量、 參考數據和主數據、數據安全等內容，整合數據架構、數據存儲與操作等內容，將數據標準管理、數據生命周期管理納入管理職能，還針 對當下應用場景、平台建設情況，將傳統數據管理職能的具體內容進 行了升級，增加了數據資產價值評估、數據資產經營流通兩個管理職 能。關於管理職能的描述詳見第二章。三是管理要求有所升級，在「數 據資源管理轉向數據資產管理」的理念影響下，管理制度和組織架構 也要有相應的變化，需要有更細致的管理制度和更專業的管理隊伍來 確保數據資產管理的流程性、嚴謹性和安全性。此外，業界也經常使用 「數據治理」、「數據管控」等說法。

---

必要性

數據作為越來越重要的生產要素，將成為比土地、石油、煤礦等 更為核心的生產資源，如何加工利用數據，釋放數據價值，做到企業 的數字化轉型，是各行業和企業面臨的重要課題，然而數據的價值發 揮面臨重重困難。企業的數據資源散落在多個業務系統中，企業主和 業務人員無法及時感知到數據的分布與更新情況，也無法進一步開展 對數據加工工作。數據標準不統一，數據孤島普遍存在導致業務系統 之間的數據無法共享，資源利用率降低，降低了數據的可得性。標準 缺失、數據錄入不規範導致數據質量差，垃圾數據增多，數據不可用。 數據安全意識不夠、安全防護不足導致了數據泄露事件頻發，危害了 企業經營和用戶利益。而且數據的價值難以評估，數據服務缺乏合規 性的指導，阻礙了數據在企業內外的流動。數據資產管理主要解決數 據面臨的諸多問題，以體系化的方式做到數據的可用、好用，充分釋放數據價值，具體來看有六個方面的作用。

1. 全面盤點數據資產

據 IDC 預測，全球數據總量預計 2020 年達到 44 個 ZB，大陸數據量將達到 8060 個 EB，占全球數據總量的 18%。2025 年全球大數據規模將增長至 163ZB，相當於 2016 年的 10 倍，數據的規模越來越龐大。隨著自然語言處理、圖像識別、傳感器 等技術的不斷發展，數據的種類越來越豐富，一個機構對他掌握的數 據類型，缺乏全局管理視圖。因此，數據資產管理的切入點是對數據 家當進行全面盤點，形成數據地圖，為業務應用和數據獲取夯實基礎。

2. 不斷提升數據質量

早在 1957 年的時候，計算機剛剛發明 的時候，大家就意識到數據對於計算機決策的影響，提出 Garbage In Garbage Out的警示。2001 年，美國公布《數據質量法案（Data Quality Act）》，提出提升數據質量的指導意見。2016 年，美國發布國家大數 據戰略，其中之一就是希望企業通過數據管理來提升數據質量，確保 數據決策的可信性。糟糕的數據質量常常意味著糟糕的業務決策，將 直接導致數據統計分析不準確、監管業務難、高層主管難以決策等問 題。根據數據質量專家 Larry English 的統計，不良的數據質量使企業 額外花費 15%到 25%的成本。數據能夠被當作資產，並發揮越來越 大的價值，其前提是數據質量的不斷提升。

3. 做到數據互聯互通

傳統的信息系統建設都是煙囪式的，各個部門各自存儲數據，也缺乏數據跨部門共享的管理機制。據統計， 98%的企業都存在數據孤島問題。造成數據孤島的原因既包括技術 上的，也包括標準和管理制度上的。在大數據時代，要做到數字化轉型，打破數據孤島、做到數據互聯互通不僅對於一個單一機構具有重 要意義，對整個社會也具有深遠意義。

4. 提高數據獲取效率

一般來說，數據分析人員 80%的精力都 花在了數據準備上。業務人員可能會有突發的數據使用需求，希望快 速地獲取真實、完整和規範的數據，但是由於數據孤島、數據質量不高、缺乏平台和工具等原因，業務人員無法及時有效獲取數據。讓數 據隨時快速有效就緒，縮短數據分析人員和數據科學家的數據準備時 間，就需要在技術平台、數據質量和數據共享等方面採取綜合措施。

5. 保障數據安全合規

隨著各個機構數據的快速累積，一旦發 生數據安全事件，其危害性將越來越大。數據安全造成的風險主要包 括數據泄露與數據濫用等。根據數據泄露水平指數(Breach Level Index)監測，自 2013 年以來全球數據泄露高達 130 億條，其中很多 都是由於管理制度不完善造成的。2018 年 3 月，臉書（Facebook）被 曝光，將超過五千萬用戶信息數據提供給劍橋分析（ Cambirdge Analytica）咨詢公司用於定向投放廣告，這起數據濫用事件在全球引 起軒然大波。所以，保障安全是數據資產管理和價值開發的底線。

6. 數據價值持續釋放

目前，數據的價值還沒有得到充分釋放， 是因為大部分企業還沒有建立起一個有效管理和應用數據的模式。數 據資產管理是一個持續和動態的過程，應隨著技術、市場、產業的變 化不斷迭代，使數據資產能夠為數字化轉型提供源源不斷的動力。從 企業高管到業務人員及技術人員，全員都要以持續釋放數據價值為理念來重視數據資源管理工作。管理方面，需要建立一套符合數據驅動 的組織管理制度和流程。技術方面，需要建設現代化數據平台、引入 智能化技術，確保數據資產管理系統平台持續、健康地為數據資產管 理體系服務。國際上提出 DataOps的理念可供借鑒。

---

變革

隨著大數據的迅猛發展，數據資產管理相對傳統的數據管理是正在變革的，逐漸呈現一些新特點，可以從數據對象、處理架構、組織職能、管理手段和應用範圍五個方面來認識。

1. 數據對象紛繁複雜

數據作為數據資產管理的對象，體現出數據規模海量龐大、數據 格式種類繁雜以及數據來源各式各樣等特徵。在數據量方面，單一機 構的數據規模由以前的 GB 級上升到 TB 級，甚至 PB 級、EB 級，數 據增速快。在數據格式種類方面，除傳統的結構化數據之外，文本數據、圖像數據、語音數據、視頻數據等半結構化數據或非結構化數據占比越來越大，種類日益豐富。在數據來源方面，數據既包括內部數據，也包括來自第三方的外部數據，既包括傳統業務處理睬集的業務數據，也包括手機終端、傳感器、機器設備、網站網路、日志等技術產生的數據。數據資產呈現數據對象海量、多樣、多元化等特點。

2. 處理架構更新換代

處理架構的更新換代體現在兩個方面。一方面是底層架構，數據處理的底層架構快速的向分布式系統遷移。以Hadoop、Spark等分布式技術和組件為核心的「計算&存儲混搭」的數據處理架構，能夠支持批量和實時的數據加載以及靈活的業務需求。另一方面是數據的預處理流程正在從傳統的ETL結構向ELT轉變。傳統的數據集成處理架構是ETL結構，這是構建數據倉庫的重要一環，即用戶從數據源抽取出所需的數據，經過數據清洗，最終按照預先定義好的數據倉庫模型，將數據加載到數據倉庫中去。而大數據背景下的架構體系是ELT結構，其根據上層的應用需求，隨時從數據湖中抽取數據建模分析。

3. 組織職能升級變遷

傳統的管理制度體系中，數據管理職能主要由IT部門來負責，是IT部門的一項工作，業務部門配合IT部門執行數據管理，提出需求。隨著數據分析與業務融合越來越深入，業務部門逐步成為大數據應用的主角，因而數據資產管理在企業中扮演越來越重要的角色。出現了越來越多的企業設置專門的「數據管理」職能部門或首席數據官（CDO，Chief Data Officer）崗位。在這種變遷背景下，數據管理的組織架構也面臨革新的需求。

4. 管理手段自動智能

依靠「手工人力」的電子表格數據治理模式即將被「自動智能」的「專業工具」取代，越來越多的數據管理員、業務分析師和數據主管者採用「平台工具」來梳理元數據、主數據，構建模型和管控質量。隨著機器學習、深度學習技術的成熟，相關專項解決方案和平台工具系統的技術局限性如效率低、差錯率高、擴展性差等將被一一攻破，能夠有效地解放人力，提高效率和精度。

5. 應用範圍不斷擴大

數據的應用範圍在不斷擴大，由傳統的支持管理需要的戰略決策分析為主，發展為支撐業務一線業務場景的戰術性決策。數據資產的意義價值也從對內強化能力擴展到了對外合作開放上，從而做到數據資產保值到增值的跨越。戰略決策分析一般包括管理優化、研判決策、風險合規、業務拓展、管控成本等。由原來的只應用於主管決策場景擴展到部門級業務分析使用。戰術性決策包括智能推薦、精準行銷、分析報告以及風險防范等。在跨企業的業務合作中，數據不可避免的也會流通到上下遊的合作夥伴。從使用對象來看，數據資產的使用者不僅包括企業決策人員，還包括運維用戶、業務管理人員、數據分析人員、數據科學家等各種角色。數據應用範圍越廣，就越需要智能化的數據資產管理技術及完備的管理制度作為支撐，從而做到數據精細化管控和數據價值最大化。

---

主要內容

數據資產管理框架如圖所示，包含8個管理職能和5個保障措施。管理職能是指落實數據資產管理的一系列具體行為，保障措施是為了支持管理職能做到的一些輔助工作。本章主要描述具體的管理職能和保障措施的詳細內容。

1. 管理職能

數據資產管理的管理職能包括數據標準管理、數據模型管理、元數據管理、主數據管理、數據質量管理、數據安全管理、數據價值管理以及數據共享管理等8個方面，詳細闡述如下。

• 數據標準管理

數據標準是指保障數據的內外部使用和交換的一致性和準確性的規範性約束。數據標準一般包括三個要素：標準分類、標準信息項（標準內容）和相關公共代碼（如國別代碼、郵政編碼）。數據標準通常可分為基礎類數據標準和指標類數據標準。

基礎類數據標準一般包括數據維度標準、主數據標準、邏輯數據模型標準、物理數據模型標準、元數據標準、公共代碼標準等。指標類數據標準一般分為基礎指標標準和計算指標（又稱組合指標）標準。基礎指標一般不含維度信息，且具有特定業務和經濟含義，計算指標通常由兩個以上基礎指標計算得出。

數據標準管理是指數據標準的制定和實施的一系列活動，關鍵活動包括：

1. 理解數據標準化需求；
2. 構建數據標準體系和規範；
3. 規劃制定數據標準化的實施路線和方案；
4. 制定數據標準管理辦法和實施流程要求；
5. 建設數據標準管理工具，推動數據標準的執行落地。
6. 評估數據標準化工作的開展情況數據標準管理的目標是通過統一的數據標準制定和發布，結合制度約束、系統控制等手段，做到企業大數據平台數據的完整性、有效性、一致性、規範性、開放性和共享性管理，為數據資產管理活動提供參考依據。

• 數據模型管理

數據模型是現實世界數據特徵的抽象，用於描述一組數據的概念和定義。數據模型從抽象層次上描述了數據的靜態特徵、動態行為和約束條件。數據模型所描述的內容有三部分：數據結構、數據操作（其中ER圖數據模型中無數據操作）和數據約束，形成數據結構的基本藍圖，也是企業數據資產的戰略地圖。數據模型按不同的應用層次分成概念數據模型、邏輯數據模型、物理數據模型三種類型。

1. 概念模型：是一種面向用戶、面向客觀世界的模型，主要用來描述現實世界的概念化結構，與具體的數據庫管理系統（DBMS，Database Management System）無關；
2. 邏輯模型：是一種以概念模型的框架為基礎，根據業務條線、業務事項、業務流程、業務場景的需要，設計的面向業務做到的數據模型。邏輯模型可用於指導在不同的DBMS系統中做到。邏輯數據模型包括網狀數據模型、層次數據模型等；
3. 物理模型：是一種面向計算機物理表示的模型，描述了數據在儲存介質上的組織結構。物理模型的設計應基於邏輯模型的成果，以保證做到業務需求。它不但與具體的DBMS有關，而且還與操作系統和硬件有關，同時考慮系統性能的相關要求。

數據模型管理是指在信息系統設計時，參考業務模型，使用標準化用語、單詞等數據要素來設計企業數據模型，並在信息系統建設和運行維護過程中，嚴格按照數據模型管理制度，審核和管理新建數據模型，數據模型的標準化管理和統一管控，有利於指導企業數據整合，提高信息系統數據質量。數據模型管理包括對數據模型的設計、數據模型和數據標準詞典的同步、數據模型審核發布、數據模型差異對比、版本管理等。數據模型管理的關鍵活動包括：

1. 定義和分析企業數據需求；
2. 定義標準化的業務用語、單詞、域、編碼等；
3. 設計標準化數據模型；
4. 制定數據模型管理辦法和實施流程要求；
5. 建設數據模型管理工具，統一管控企業數據模型。

數據模型是數據資產管理的基礎，一個完整、可擴展、穩定的數據模型對於數據資產管理的成功起著重要的作用。通過數據模型管理可以清楚地表達企業內部各種業務主體之間的數據相關性，使不同部門的業務人員、應用開發人員和系統管理人員獲得關於企業內部業務數據的統一完整視圖。

• 元數據管理

元數據（Metadata）是描述數據的數據。元數據按用途不同分為技術元數據、業務元數據和管理元數據。

1. 技術元數據（Technical Metadata）：描述數據系統中技術領域相關概念、關係和規則的數據；包括數據平台內對象和數據結構的定義、源數據到目的數據的映射、數據轉換的描述等；
2. 業務元數據（Business Metadata）：描述數據系統中業務領域相關概念、關係和規則的數據；包括業務術語、信息分類、指標、統計口徑等；
3. 管理元數據（Management Metadata）：描述數據系統中管理領域相關概念、關係、規則的數據，主要包括人員角色、崗位職責、管理流程等信息。

元數據管理（Meta Data Management）是數據資產管理的重要基礎，是為獲得高質量的、整合的元數據而進行的規劃、實施與控制行為。元數據管理的內容可以從以下六個角度進行概括，即「向前看」：「我」是誰加工出來的；「向後看」：「我」又支持了誰的加工；「看歷史」：過去的「我」長什麼樣子；「看本體」：「我」的定義和格式是什麼；「向上看」：「我」的父節點是誰；「向下看」：「我」的子節點是誰。元數據管理的關鍵活動包括：

1. 理解企業元數據管理需求；
2. 開發和維護元數據標準；
3. 建設元數據管理工具；
4. 創建、采集、整合元數據；
5. 管理元數據存儲庫；
6. 分發和使用元數據。

元數據分析（血緣分析、影響分析、數據地圖等）通過元數據管理活動，可以使企業數據信息的描述和分類做到格式統一，有助於理解數據的真實含義，為數據資源的管理和數據應用奠定了基礎。

• 主數據管理

主數據（Master Data）是是指用來描述企業核心業務實體的數據，是企業核心業務對象、交易業務的執行主體。是在整個價值鏈上被重復、共享應用於多個業務流程的、跨越各個業務部門、各個系統之間共享的、高價值的基礎數據，是各業務應用和各系統之間進行信息交互的基礎。從業務角度，主數據是相對「固定」的，變化緩慢。主數據是企業信息系統的神經中樞，是業務運行和決策分析的基礎。例如供應商、客戶、企業組織機構和員工、產品、管道、科目COA、BOM等。

主數據管理（MDM，Master Data Management）是一系列規則、應用和技術，用以協調和管理與企業的核心業務實體相關的系統記錄數據。主數據管理的關鍵活動包括：

1. 理解主數據的整合需求；
2. 識別主數據的來源；
3. 定義和維護數據整合架構；
4. 實施主數據解決方案；
5. 定義和維護數據匹配規則；
6. 根據業務規則和數據質量標準對收集到的主數據進行加工清理
7. 建立主數據創建、變更的流程審批機制
8. 做到各個關聯繫統與主數據存儲庫數據同步
9. 方便修改、監控、更新關聯繫統主數據變化主數據管理通過對主數據值進行控制，使得企業可以跨系統的使用一致的和共享的主數據，提供來自權威數據源的協調一致的高質量主數據，降低成本和複雜度，從而支撐跨部門、跨系統數據融合應用。

• 數據質量管理

數據質量是保證數據應用的基礎。衡量數據質量的指標體系有很多，幾個典型的指標有：完整性（數據是否缺失）、規範性（數據是否按照要求的規則存儲）、一致性（數據的值是否存在信息含義上的衝突）、準確性（數據是否錯誤）、唯一性（數據是否是重復的）、時效性（數據是否按照時間的要求進行上傳）。數據質量是描述數據價值含量的指標，就像鐵礦石的質量，礦石的質量高，則煉出來的鋼材就會多；反之，礦石的質量低，不但練出來的鋼材少了，同時也增加了提煉的成本。

數據質量管理是指運用相關技術來衡量、提高和確保數據質量的規劃、實施與控制等一系列活動。數據質量管理工作中的關鍵活動包括：

1. 開發和提升數據質量意識；
2. 定義數據質量需求；
3. 剖析、分析和評估數據質量；
4. 定義數據質量測量指標；
5. 定義數據質量業務規則；
6. 測試和驗證數據質量需求；
7. 確定與評估數據質量服務水平；
8. 持續測量和監控數據質量；
9. 管理數據質量問題；
10. 分析產生數據質量問題的根本原因
11. 制定數據質量改善方案
12. 清洗和糾正數據質量缺陷；
13. 設計並實施數據質量管理工具；
14. 監控數據質量管理操作程序和績效。

通過開展數據質量管理工作，企業可以獲得乾淨、結構清晰的數據，是企業開發大數據產品、提供對外數據服務、發揮大數據價值的必要前提，也是企業開展數據資產管理的重要目標。

• 數據安全管理

數據安全管理是指對數據設定安全等級，保證其被適當地使用。企業通過數據安全管理，規劃、開發和執行安全政策與措施，提供適當的身份以確認、授權、訪問與審計等功能。

數據安全管理的關鍵活動包括：

1. 理解數據安全需求及監管要求；
2. 定義業務敏感數據對象
3. 定義數據安全策略；
4. 定義數據安全標準
5. 定義數據安全控制及措施；
6. 管理用戶、密碼和用戶組成員；
7. 管理數據訪問視圖與權限；
8. 監控用戶身份認證和訪問行為；
9. 定義數據安全強度，劃分信息等級；
10. 部署數據安全防控系統或工具；
11. 審計數據安全。

數據安全管理的目標是建立完善的體系化的安全策略措施，全方位進行安全管控，通過多種手段確保數據資產在「存、管、用」等各個環節中的安全，做到「事前可管、事中可控、事後可查」。

• 數據價值管理

數據價值管理是對數據內在價值的度量，可以從數據成本和數據應用價值兩方面來開展。數據成本一般包括采集獲取和存儲的費用（人工費用、IT設備等直接費用和間接費用等）和運維費用（業務操作費、技術操作費等）。數據應用價值主要考慮數據資產的分類、使用頻次、使用對象、使用效果和共享流通等因素。

當前，對於數據資產評估的研究還處於早期階段，評估方法手段還不成熟。可能的方法包括市場法、成本法和收益法三種，三種方法的優缺點如下表所示。以收益法為例，將企業數據資產未來可能產生的收益折現為現金流進行計算。對數據資產價值的估算可以幫助企業更準確的掌握信息化投資收益，也是數據交易流通的前提之一。

進行數據價值管理的關鍵性活動包括：

1. 確定企業數據集成度水平；
2. 確定企業數據的應用場景；
3. 計算數據在不同應用場景下的收益；
4. 計算企業數據資產的總體價值。

• 數據共享管理

數據共享管理主要是指開展數據共享和交換，做到數據外部價值的一系列活動。數據共享管理是指數據的所有者通過對數據的建模分析挖掘，把隱藏在海量數據中的符合共享開放層級的信息作為應用商品，以合規安全的形式完成共享交換或開放發布，使得數據具有流通屬性，能方便供數據消費者使用。目前來看，擁有海量數據是企業開展數據資產經營的前提條件，在數據流通環境下，數據資產經營流通職能的服務對象包括了數據提供者、數據消費者、數據服務者和數據經營者四類角色。

數據共享管理的關鍵活動包括：

1. 定義數據資產經營流通監控指標；
2. 設計數據資產經營流通管理方案；
3. 制定數據資產經營流通管理辦法和實施流程要求；
4. 監控數據資產經營指標；
5. 監督落實數據流通等合規性管理要求；
6. 分析經營流通指標，評價經營效果並改進。

重視數據資產管理、經營、流通可以為企業帶來未來經濟利益，同時這也是數據保值增值的重要手段。數據資產經營流通是使數據資產流動和發揮價值的核心，它將推動數據價值創造模式的不斷創新，從根本上改變企業管理、社會管理和政府治理的發展趨勢。

管理職能之間的關係。在數據資產管理的實踐中，各項管理職能所涉及的管理內容之間往往存在著緊密的聯繫。數據資產管理的數據一般包括元數據、主數據和業務數據。數據模型管理為主數據、元數據和業務數據設計數據模型。數據質量管理按照數據標準的規定稽核各部分數據內容。元數據管理髮揮承上啟下的作用，承接數據標準管理和數據模型管理的階段性成果，同時為主數據管理提供有力支撐。數據安全管理貫穿數據全生命周期，為數據資產管理各項管理職能提供了有力支撐。數據標準管理，顧名思義，就是定義數據模型、數據安全和數據質量相關規範，一般以文件形式呈現。

2. 保障措施

數據資產管理是體系化非常強的工作，需要充分考慮企業內部IT系統、數據資源以及業務應用的開展現狀，同時也要考慮圍繞業務開展所設立的人員和組織機構的情況，在此基礎上設計一套有針對性的數據資產管理組織架構、管理流程、管理機制和考核評估辦法，通過管理的手段明確「責權利」以保障數據資產管理工作有序開展。數據資產管理的保障措施可以從戰略規劃、組織架構、制度體系、審計機制和培訓宣貫五方面進行展開。

• 制定戰略規劃

從管理層、主管層出發，從頂向下全局部署數據資產管理規範從而形成全面的標準規則體系和執行調度流程。戰略規劃是數據資產管理成為企業戰略核心任務應用的重要部分，是數據資產得到一定程度內外部應用的指導藍圖。值得一提的是，越來越多的企業單位在戰略規劃階段決議成立專門的數據管理部門，以連通IT部門和業務部門。

• 完善組織架構

典型的組織架構主要由數據資產管理委員會、數據資產管理中心和各業務部門構成。組織架構劃分和角色設定如下圖所示：

為了讓組織架構中的各個角色相互配合，各司其職，還需要明確他們相應的職責，讓工作職責融入到日常的數據資產管理和使用工作中。與上述典型的數據資產管理架構相適應的角色職責如下表。

數據認責是數據資產管理在服務各領域、各環節工作落到實處的 有效手段，通過數據角色職責開展數據認責相關工作。具體認責條例、管理辦法及相關制度流程由數據資產管理委員會進行制定。

• 建立制度體系

為了保障活動實施和組織架構正常運轉，需要建立一套覆蓋數據引入、使用、開放等整個生產經營過程的數據管理規範，從制度上保障數據資產管理工作有據、可行、可控。

數據資產管理規範包括元數據管理規範、生命周期管理規範、數據質量管理規範以及數據安全管理規範等對應管理職能的具體規範。在此基礎上，規範需細化至接口設計、接口開發、模型設計、模型開發、數據開放以及服務封裝等內容。規範的標準一般包括基礎分類標準、命名規範要求、數據架構劃分、存儲與數據權限規則、元數據信息完整性要求等。規範和標準在執行的過程中執行監控規定，要求事中檢查和事後監控。事中檢查指的是在開發和上線時進行控制，包括命名規範，信息完整性，合理性等；事後監控指的是對存儲周期，數據安全敏感信息和加密信息，權限賦權常態化檢查。如下是一種典型的制度體系架構舉例。

• 設置審計機制

為進一步保障、評估數據資產管理的規範、規劃、組織機構、制度體系的執行狀況，保障、評估數據資產的安全性、準確性、完整性、規範性、一致性、唯一性和時效性，需有完整的貫穿數據資產管理整個流程的審計機制。審計方式從審計體系規範建設入手，信息技術審計方法和專職人員審計方法並行。審計對象包括數據權限使用制度及其審批流程、日志留存管理辦法、數據備份恢復管理機制、監控審計體系規範以及安全操作方案等體系制度規範以及敏感、重要數據。數據資產管理在實施過程中需要保障集中審計的可行性。

• 開展培訓宣貫

培訓宣貫是企業實施數據資產管理進程中的重要組成部分，是數據資產管理理論落地實踐、流程執行運作的基礎，是數據資產管理牽頭部門在技術部門和業務部門之間順利開展工作的重要保障。企業需利用現有資源，合理安排員工參與數據資產管理培訓、課程。促進員工有效培訓和自我提高，提升人員的職業化水平，強化工作的標準化、規範化。

企業開展數據資產管理的培訓教育周期、培訓內容和參與方式，包括：行業現有數據資產管理體系課程培訓，行業內、外部單位優秀經驗溝通與交流，主要參與培訓人員部門內二次培訓，企業優秀部門、員工經驗、案例分享，常規員工培訓中添加數據資產管理培訓的課程等。

各企業單位需將數據資產管理納入現有晉升、薪酬、職位資格等體系范疇，建立員工職業發展通道。根據現實工作環境中完成任務的能力，設立數據資產管理相關獎項，對優秀的個人、團隊進行獎勵，樹立行業、員工優秀模範，引導員工樹立不斷學習，激發員工不斷改進工作，提高工作質量和工作效率。

5. 成功要素

• 明確責權利標，有效推進管理

數據資產管理最重要的成功要素之一就是重視組織管理的作用，將責權利清晰化，逐步建立健全包括管理型人才和技術性人才的適應數據發展的人才結構，減少工作推進阻礙。並注重數據標準化環節以保障信息體系不發生混亂，確保數據規範一致性。數據標準是數據資產管理的基礎，是對數據資產進行準確定義的過程。對於一個擁有大量數據資產的企業，或者是要做到數據資產交易的企業而言，構建數據標準是一件必須要做的事情。標準化是解決數據的關聯能力，保障信息的交互、流動、系統可訪問，提高數據活化能力。保障信息體系不發生混亂，確保數據規範一致性——避免數據混亂、衝突、多樣、一數多源。數據資產管理的核心目的是有效綜合經營數據以服務企業，讓數據成為利潤中心的一部分，這離不開管理，更離不開技術。

• 合理引進技術，提升治理能力

人工智能、物聯網、新一代移動通信、智能製造、空天一體化網路、量子計算、機器學習、深度學習、圖像處理、自然語言處理、4k高清、知識圖譜、類腦計算、區塊鏈、虛擬現實、增強現實等前沿技術正在大數據的推動下蓬勃發展。然而，在做到數據資產管理的過程中，應根據自身實際情況，避免盲從，合理引進創新技術以提高數據挖掘準確性和挖掘效率，節省人力成本。信息時代萬物數化，企業擁有數據的規模、活性以及收集、運用數據的能力，決定其核心競爭力。掌控數據，就可以支配市場，意味著巨大的投資回報，數據是企業的核心資產。數據在做到價值的過程中需要充分依托技術，但更離不開結合自身業務與應用，合理規劃。大數據和雲計算的建立與開放至關重要，可以幫助企業梳理數據內容，高效檢索展示，最終給企業帶來一定的經濟收益和社會效應。但其應用的成功與否還是要取決於企業自身商業模式的建立，以數據融合技術為戰略資產的商業模式，可以決定企業未來。

• 著眼業務應用，釋放數據價值

數據資產化進程給各類企業帶來重生、顛覆和創新，企業應重點關注、順勢而為，建立起符合自身業務和數據特點的數據資產化體系和能力，數據資產管理人員不能只陷於數據資產管理工作，還應緊密聯繫業務，只有明確了前端業務需求，才能做到數據資產管理過程中的有的放矢，張弛有度。數據的價值體現在決策精準、敏銳洞察，數據資產管理能夠使管理具流程化、規範化，結合業務應用的數據資產管理不僅使數據保值增值，還將會給企業帶來更加巨大的經濟效益和社會效益。

• 加強數據合規，注重風險風控

在數據資產管理的過程中，綜合考慮困難及挑戰，並全面管控風險，要基於行業模型、行業標準等積累完整、準確的內外部數據以保證數據合規性，進而規避風險。數據資產管理是一項持之以恒的工作，不可能一蹴而就，需要一個循序漸進的過程分階段進行。要做好充分地長期作戰準備，就一定要加強數據合規操作，避免安全漏洞，及時風險風控。

• 持續迭代完善，形成良性閉環

一步到位建立一套完美的數據資產管理體系是很困難的。主要原因是業務需求會隨著市場環境不斷變化，技術手段也在不斷革新，因此數據資產管理體系不是一勞永逸、一蹴而就的，需要建立一個小步迭代的數據資產管理循環模式。在管理制度層面，需要制定有利於業務人員、技術人員積極為數據資產管理體系循環迭代完善獻言獻策的方法和制度，進而促使數據資產管理體系在實踐中日趨成熟；在技術平台方面，要借鑒DevOps的理念，促進開發、技術經營和質量保障部門之間的溝通、協作與整合，確保數據資產管理系統平台持續、健康地為數據資產管理體系服務。