足履实地，做有态度的数据资产化“领头羊”：数脉成基，厚积薄发

足履实地，做有态度的数据资产化“领头羊” 主题专家 张玉明先生是IBM副合伙人，IBM Consulting金融核心锐变团队数据转型与创新负责人，主要关注于金融行业数据中台、大数据战略与分析咨询、数字化战略转型、数据架构规划、企业级数据治理及数据资产管理解决方案等方面。他领导过多个金融企业的大数据分析与人工智能技术应用、大数据应用架构、数据运营体系、业务咨询乃至系统实施项目。 张玉明 IBM副合伙人，IBM Consulting金融核心锐变团队数据转型与创新负责人zhangyum@cn.ibm.com 黄子芸女士是IBM Consulting金融核心锐变团队的咨询经理。她在数据治理规划评估与领域建设、数据资产管理等方面均拥有成熟的实践经验，为银行、券商、制造业等大型企业提供企业级的数字化转型、数据治理、数据资产管理解决方案。 黄子芸 IBM Consulting金融核心锐变团队数据转型与创新咨询经理Zi.Yun.Huang@ibm.com 高睿IBM Consulting金融核心锐变团队数据转型与创新咨询顾问Rui.gr.Gao@ibm.com 高睿先生是IBM Consulting金融核心锐变团队的咨询顾问，他在数据资产管理、元数据管理、数据标准管理等方面积累了丰富的实践经验，为银行、券商、制造业等大型企业提供专业的数据资产管理和数据治理规划和实施方案。 李子琪IBM Consulting金融核心锐变团队数据转型与创新咨询顾问Zi.Qi.Li1@ibm.com 李子琪女士是IBM Consulting金融核心锐变团队的咨询顾问，在金融行业数据治理、数据资产管理、人工智能应用领域具备丰富的咨询与项目实施经验，为银行、券商、制造业等大型企业提供专业的数据治理与数据应用服务 王莉女士是IBM商业价值研究院的高级咨询经理，担任IBM全球高管调研项目和对标分析项目的大中华区项目负责人。她拥有15年以上的管理咨询和管理研究经验。王莉女士目前所关注的研究领域包括数字化转型、无边界企业、人工智能等，旨在帮助各行业客户创造新的商业机会、发现和传递价值。 王莉IBM商业价值研究院高级咨询经理gbswangl@cn.ibm.com 摘要 数据资产化挑战 足 履 实 地，做 有 态 度 的 数 据资产化“领头羊” 数据资产化面临核心挑战：组织窘境、流程乱象、技术短板。 数据资产化实践 数据资产化的锦囊妙计：谋篇布局、乘风破浪、事半功倍。 数据资产化趋势展望 资产化迈向资本化，明确数据资产基线，为数据资源入表奠定基础。 前言 随着数据规模和应用的指数级增长，数据作为新型生产要素的经济意义愈发受到企业的高度重视。自从2022年12月“数据二十条”发布以来1，2023年3月国家数据局的成立2，2023年8月财政部印发《企业数据资源相关会计处理暂行规定》3，以及上海、深圳等地数据交易所的不断发展壮大，各行各业正在数据要素化的赛道上跃跃欲试，进入加速落地阶段。在这一过程中，企业必须深刻理解数据要素化的过程，认识到从数据到数据要素的转化不是一夜之间可以完成的，而是要“积跬步，至千里”，需要稳步前行，循序渐进。从最初的数据资源逐步积累，实现数据资产化4，进一步迈向数据资本化，最终以数据产品为载体，参与到数据要素市场中。 其中，推动这一发展的前提和基础在于数据资产化，而实现数据资产化的关键起点和核心在于数据资产盘点。企业通过进行数据资产盘点，可以从多维角度对数据进行梳理，构建企业的数据基线。数据基线的核心在于它能够统一业务与技术视角对数据的理解，从物理角度明确数据的规模、质量和存储位置等信息，从逻辑角度明确数据的含义、用途和价值等信息，从而清晰地确定企业对数据的整体定位。这一基线将成为企业在迅速变化的数据环境中的稳定锚点，帮助其更好地驾驭数据，构建持续创新和竞争优势。 当企业拥有了灵活稳定的数据基线后，可以串联各部门与环节，并在此基础上不断向外探索与开放，打通内外循环，赋能企业自身业务发展，实现数据要素的高效流通。因此，如何勾勒出清晰的数据基线变得尤为关键。 挑战：数据资产化工作呈现出“羊群效应”的态势 在19世纪，心理学家威尔弗雷德·特罗特（Wilfred Trotter）首次提出了“羊群效应”的概念5，描述了在集体决策过程中，个体往往倾向于跟随大多数人的意见，而不是独立思考和判断。这一概念好比一只头羊带领群体前往草原进食，其他羊就会不假思索地一哄而上。 如今，数据要素的生态系统就宛如广袤的草原，众多参与者在其中探索着不同的路径。然而，开疆拓土绝非易事，由于环境与能力尚未成熟，在实践的过程中，企业往往会受到“羊群效应”的影响，盲目借鉴其他企业的行为，迫切地希望在当前的外部趋势下，开展数据资产盘点，以快速实现数据资产化。 实际上，羊群效应并不总是非理性的行为。大多数人的选择意味着所追随的事物具备一定的价值，但前提是要明确个体情况，坚持独立的态度，选择合时、合理、合适的道路。操之过急地推进数据资产化可能会导致数据资产盘点过于盲目，在组织、流程和技术层面遇到各种挑战。 挑战1：组织窘境，数据管理者、生产者、消费者三方“脱节” “各自为营”的工作过程：为了保证盘点工作的效率，数据管理者期望各相关方可以遵循统一的工作机制，按照既定的原则和流程开展工作，工作流程环环相扣，产出成果做到无缝衔接。然而现实情况中，由于各相关方追求各自不同的目标，或沟通不通畅、不及时，导致使用不同的模板，造成工作存在交叉重叠，引发对工作方式的抵触情绪，与“无缝衔接”的期望产生落差。 数据管理者的“独角戏”：在数据资产盘点过程中，企业中的数据管理者、生产者、消费者并未形成 利益共同体。尽管数据管理者在规划阶段尽力组织与推动，但实际盘点时各部门仍往往持观望态度，合作任务最终变成数据管理者的“独角戏”。 “一成不变”的盘点结果：理想情况下，盘点结果可以通过运维手段，及时反映实际数据资产的情况。然而往往由于缺乏有效的保鲜机制，盘点结果时效性欠佳，导致盘点结果无法持续发挥其应有的价值，与“及时更新”的期望产生落差。 数据生产者的“作壁上观”：对于作为数据生产者的业务部门而言，参与数据资产盘点需要投入一定的时间和精力，但在产出方面，其所能带来的收益却相对有限，投入产出失衡。在数据资产带来的实际价值并不明确的情况下，业务部门往往会选择对盘点工作采取“观望”的态度，甚至对于数据资产盘点工作产生抵触情绪。 挑战3：技术短板，底座不稳、工具不足对效率造成“制约” 数据消费者的“雾里看花”：数据消费者在面对盘点结果时，经常会感到迷茫，不清楚如何应 用这些成果 来解决实际业务问题。例如，对于需求场景不知道该匹配到哪些数据项、对众多数据资产无法筛选出最合适的数据、对同名或相似的数据项无法区分等。最终由于盘点结果与实际应用仍有距离和使用门槛，很难真正“解渴”，数据消费者对盘点工作逐渐失去信心。 难以依靠的“无源之水”：元数据信息是数据资产盘点的前置基础，高质量的元数据可以为数据资产盘点提供动力。但如果元数据本身存在不完整和不准确等问题，就会让数据资产变成“无源之水”，没有稳定的源头和基础可以依赖，这将会影响数据资产盘点的质量和效率。 难以持续的“人海战术”：企业为应对严格的外部要求和急迫的内部需求，对于庞大的数据资产量级，开展数据资产盘点工作时，往往依靠“人海战术”在有限的时间完成目标。但“人海战术”非长久之计，不断增长的数据量和重复繁琐的工作将导致“人海战术”难以长期维持。 挑战2：流程乱象，理想与现实出现“落差” “力不从心”的盘点范围：对于数据资产盘点结果，各部门期望能够快速、直接地看到一座大型“图书馆”，全量的数据资产都能分门别类上架陈列其中。然而现实情况中，受制于数据本身的质量和有限的资源投入，盘点工作只能分阶段展开，先建立小型“图书室”，分批上架质量较高、针对性强的部分资产，与“大而全”的期望产生落差。 实践：数据资产化路线的“锦囊妙计” IBM将数据资产体系规划与项目落地实践过程中的经验加以归纳沉淀，形成重点突出、可操作性强的“锦囊妙计”（见图1），总结为以下三方面：一是“谋篇布局”；二是“乘风破浪”；三是“事半功倍”。 锦囊妙计之“谋篇布局” 数据资产化工作的“谋篇布局”需要以价值为导向。对于企业来说，数据资产的核心价值是赋能业务发展，助力精准决策，这也就需要发展数据资产管理的内循环生态，主要包括数据资产盘点、资产运营、资产共享等管理活动。 另一方面，在数据要素化的趋势下，开展数据要素流通交易，构建数据产业链也是企业长期发展要义，需要逐步构建数据要素流通的外循环生态，主要包括数据产品设计、数据产品交易、数据产品运营等管理活动（见图2）。 目前数据资产管理能力整体处于发展初期6，企业首要关注的仍是数据资产管理内循环生态。 在开展数据资产管理内循环生态工作中，数据资产盘点、运营、服务能力是必不可少的。企业可以基于PDCA（Plan-Do-Check-Act）循环7，逐步识别需要开展的数据资产管理活动。在“Plan”阶段，核心任务是确立数据资产管理活动的目标，并且该目标应当结合企业自身的业务战略、科技战略以及数据战略；在“Do”阶段，核心任务是围绕数据资产管理目标构建数据资产管理的各类制度规范，制定数据资产盘点方案和计划，同步建 设数据资产管理系统，实现数据资产的自动采集、分析和应用；在“Check”阶段，核心任务是对已经开展过的数据资产管理及运营活动进行复盘，评估数据资产运营成效，识别改进空间和方向；在“Act”阶段，落实数据资产提升举措，利用资产运营指标分析等手段，指导数据资产管理和运营的动态调整以便符合最初的目标设定。通过上述循环的四个阶段不断改进工作流程，企业可以提升工作效率及质量，以实现这些核心能力。 案例 数据资产体系规划与建设 接下来，企业需要进一步分析开展上述活动需要投入的人力资源。在总体层面，企业需要构建决策层、管理层和执行层的三层数据资产管理组织架构，以确保数据资产管理工作顺利进行。需要强调的是，企业应当注重构建管理层和执行层的利益共同体，以保证管理层和执行层的合作共赢。管理层旨在通过推动数据资产管理，发挥数据资产价值、保障数据资产管理工作顺利开展，并提升管理层在组织中的影响力；执行层期望通过参与数据资产管理，提高决策质量、优化风险管控，在满足监管合规性要求下赋能业务发展。不仅如此，开展数据资产管理还能够提高企业创新能力、竞争力以及运营效率，为管理层和执行层带来共同利益。 某股份制银行正在开展数据资产体系规划与建设工作。基于《数据二十条》、《企业数据资源相关会计处理暂行规定》等多项监管动态，该银行充分结合行内现状及未来发展趋势，规划数据资产管理体系，明确数据资产管理五大原则，并基于目标为导向的价值链分析方法，构建数据资产管理体系的六大核心能力及二十余项落地举措。 在组织架构方面，该银行构建了层级清晰、职责分工明确的三层组织架构。为了更好的推动数据资产工作高效实施，该银行成立了数据资产专业团队，明确数据资产发展规划、管理运营、分析评价、平台建设四类岗位的核心工作内容及职责，为数据资产相关工作提供高效、可操作性强的落地指导。 锦囊妙计之“乘风破浪” –集成类数据资产：例如逻辑上或物理上聚合形成的集市数据等； 企业开展数据资产盘点工作过程并非一帆风顺，往往会涌现出诸多问题，例如：盘点范围不可控、各部门配合程度不高、盘点后未实际赋能业务等。面对这些挑战，企业需要统一各方认知，在现有数据梳理成果的基础上，结合业务发展方向和系统建设规划，有目的、有针对性地迎接挑战，乘风破浪，方可修成正果（请参见第11页案例：数据资产盘点之一）。 –服务类数据资产：例如统一加工提供服务的指标、标签数据等。 值得强调的是，在盘点前需要圈定清晰且突出重点的盘点范围，并制定可操作性强的执行计划。 对于存量数据资产，可根据数据来源、数据形态、使用情况等因素明确盘点优先级，并结合数据资产现状，绘制数据