《数据资产管理白皮书》笔记

2022-08-07 23:27:00   7  举报





良好的数据资产管理是释放数据要素价值的基础。《数据资产管理实践白皮书》(5.0)是大数据技术标准推进委员会、中国信通院云计算与大数据研究所自 2017 年以来发布的第五版白皮书。本白皮书将以政府机构和企事业单位作为研究主体(侧重企业)，以数据资产赋能业务发展作为核心逻辑，阐述数据资产管理的概念内涵、演进历程、发展现状，重点讨论数据资产管理的活动职能、保障措施、实践步骤等，并对数据资产管理进行总结与展望。

大数据

数据资产管理实践

数据资产

数据资产管理

作者其他创作

大纲/内容

5.0版-信通院-大数据技术标准推进委员会

数据资产管理概述

数据资产管理推动数据要素市场构建

数据资产管理的概念与内涵

数据资产(Data Asset)

数据资产是能够为组织产生价值的数据资源，数据资产的形成需要对数据资源进行主动管理并形成有效控制。

数据资产管理(Data Asset Management)

数据资产管理包含数据资源化、数据资产化两个环节

数据资源化通过将原始数据转变数据资源，使数据具备一定的潜在价值，是数据资产化的必要前提。

数据资产化通过将数据资源转变为数据资产，使数据资源的潜在价值得以充分释放。

需要说明的是，围绕“资产”管控开展资产认定、权益分配、价值评估等活动受组织外部影响因素较多(包括数据要素市场相关交易模式、市场机制、法律法规或政策等)，本白皮书所定义的数据资产化强调其对于推动组织数据资产管理的作用。

数据资产管理演进

信息化时代

大数据时代

数据要素化时代

数据资产管理的理论框架逐步成熟

国际数据管理协会(DAMA，Data Management Association International)于 2009 年发布了数据管理知识体系 1，并于 2017 年对数据管理模型进行了更新 2。

我国于 2018 年发布《数据管理能力成熟度评估模型》(GB/T 36073-3018)国家标准，成为国内数据管理领域的第一个国家标准，相对全面的定义了数据管理活动框架，包含 8 个能力域、28 个能力项。

数据资产管理难点

数据资产管理活动职能

1.数据模型管理

华为一体化数据建模示例

2.数据标准管理

3.数据质量管理

数据全流程质量校验管控

4.主数据管理

主数据(Master Data)是指用来描述企业核心业务实体的数据，是跨越各个业务部门和系统的、高价值的基础数据。

5.数据安全管理

数据安全分类分级流程与结果

6.元数据管理

元数据(Metadata)是指描述数据的数据。

数据管理的关键活动包括：PDCA

7.数据开发管理

数据开发管理的关键活动包括：PDCA

数据开发管理计划：制定规范

数据开发管理执行：建立开发工具，数据集成，数据开发

数据开发管理检查：监控

数据开发管理改进：复盘

8.数据资产流通

数据资产交易标的物形式示意图

9.数据价值评估

内在价值

内在价值 =( 数据质量评分 + 服务质量评分 + 使用频度评分 )/3* 数据规模。

成本价值

成本价值 = 获取成本 + 加工成本 + 运维成本 + 管理成本 + 风险成本

经济价值

经济价值 = 业务总效益 * 数据资产贡献比例

市场价值

市场价值 = 数据产品在对外流通中产生的总收益

10.数据资产运营

丰富数据服务形式，满足内外部数据使用方需求，提升数据资产运营效果。

扩宽数据用户，扩大数据场景，构建数据生态是开展数据资产运营有效方式。

政府采取公共授权数据运营的方式，由市场主体作为数据运营管理方或数据交易中介，缓解政府部门公共数据运营压力，提升公共数据运营效率。 “

四.数据资产管理实践步骤

敏捷式数据资产管理

在测试环境提供轻量级的数据量，辅助数据测试人员快速验证程序与结果，提高数据测试效率。自动化部署，实现自动从测试环境中获取数据模型、代码配置，并以增量迭代的方式迁移至生产环境，大大节约了从测试环境到生产环境的测试和部署工作的人力成本。

围绕降低数据使用难度、扩大数据覆盖范围、增加数据供给能力等方面开展。

五.数据资产管理发展趋势

1. 管理对象:数据复杂性持续增加

在数据
来源方面

组织内部的数据集成已经取得显著成效，外部数据的引入和源头管理正在成为发展重心，成为风险控制、客户画像、业务拓展等领域的重要能力优势来源。

在数据格式方面

未来 5 年非结构化数据的年复合增长速度为 19.9%，占比将达到 80%。组织中结构化数据的管理日趋成熟、比重逐步增长，但是非结构化数据仍将占据绝大部分，元数据管理、跨数据结构关联分析、AI 分析技术等将是非结构化数据关联的发展重点。

2. 管理理念:从被动响应到主动赋能

以数据资产目录为载体、以自助式数据服务为手段、以全流程安全防护为保障的数据主动消费和管控模式正在形成

3. 组织形态:向专业化与复合型升级

4. 管理方式:敏捷协同的一体化管理

DataOps:敏捷协同的一体化管理

5. 技术架构:面向云的 Data Fabric

Data Fabric 不是一个产品而是一种设计理念，是利用 AI、机器学习等功能，访问数据或支持数据动态整合，以实现将“恰当”的数据在“恰当”的时间提供给“恰当”的人

利用 AI 技术，使数据资产目录根据企业业务情况和数据需求的变化，及时自动调整和优化;三是智能化向数据使用方推送数据，并提供自助式的数据服务。

6. 管理手段:自动化与智能化广泛应用

7. 运营模式:构建多元化的数据生态

8. 数据安全:兼顾合规与发展

从数据安全管理和数据资产流通两方面同步寻找平衡点。在数据安全管理侧，通过建立数据安全管理机制，制定数据安全分类分级标准和使用技术规范，提升数据安全治理能力; 在数据资产流通侧，将数据安全合规、个人信息保护等要求作为基本“红线”，将其潜在风险作为成本指标，在不触碰“红线”的前提下，进行数据资产流通的收益分析，探索数据安全与资产流通的均衡方案。