2024年伊始，数据要素产业利好政策密集出台，企业数据资产“入表”成为了大势所趋。数据要素顶层设计方案加速落地，推动企业数字化转型提档加速，提升数据管理能力、实现数据资产价值成为企业下一阶段核心竞争力构建的关键。数据资产可以为企业提供更丰富的融资渠道，降低融资成本，为企业的可持续发展提供有力支持。企业可以将数据作为底层资产，在数据资产抵质押贷款、数据资产融资租赁等方面进行有益探索，拓宽融资渠道。此外，数据资产入表还有助于外界更直观地了解企业在数字经济，如智慧城市等新兴领域的实力和潜力，提高企业未来前景预期，推动企业估值的提升。

一、什么是数据资产入表

（一）什么是数据资产数据要素、数据资源和数据资产
对于数据资源、数据资产和数据要素这三个概念，人们往往容易混淆。为了更好地理解和利用数据，有必要对这三个概念进行深入的辨析。下面逐一探讨这三个概念的定义、特征以及相互关系，以期帮助您建立清晰的认识，为实际应用提供指导。数据要素相关概念的定义与内涵 1、数据要素相关的概念数据资源（Data Resource）数据资源是指为以电子化形式记录和保存的具备原始性、可机器读取、可供社会化再利用的数据集合。区别数据与数据资源的依据主要在于数据是否具有使用价值。具体 而言，经过收集、存储、运维后形成的电子化、规模化、能够为组织（政府机构、企事业单位等）产生一定价值的数据被视作数据资源。数据资产（Data Asset）数字资产是个人和企业拥有的财产，数据资产包含结构化数据和非结构化数据，包括以数据形式记录的照片、视频、文件、订单、合同等资源，这些资源以电子形式存在，并具备给个人或企业带来经济价值的潜力。数据资产具有以下特征：非实体性和无消耗性、可加工性、多样性、依托性、价值易变性、多次衍生性、可共享性和零成本复制性。数据资产将数据视为类似于资金、设备、技术等要素资源，并将数据资源转化为可交易的“数据资产”。对于企业而言，数据资产包括无形资产或存货等类型的数据资源，以及企业合法拥有或控制的数字资源，这些资源预计将为企业带来经济利益。数据要素（Data Capital as Factor of Production）数据要素是指为根据特定生产需求汇聚、整理、加工而成的计算机数据及其衍生形态。依据十九届四中全会提出的“将数据列为生产要素”与生产要素的定义，数据要素是参与到社会生产经营活动中，为所有者或使用者带来经济效益的数据资产。因此，“数据要素”一词是面向数字经济、在讨论生产力和生产关系的语境中对“数据”的指代， 是对数据促进价值生产的强调。数据要素市场化（Market-based allocation of factors）数据要素市场化是指将数据作为一种要素资源，通过市场机制进行交易、流通和配置。数据要素市场化配置的关键在于通过市场化的流通手段，让数据向最需要的地方流转聚集，让不同来源的优质数据在新的业务需求和场景中汇聚融合，在跨领域数据融合中产生更大效益，实现双赢、多赢的价值利用。2、数据要素的内涵数据作为生产要素指的是在现代经济中我们将数据视为一种重要的资源，类似与劳动力、资本和土地。核心内涵可以从三个方面概述：数据是一种新的生产力：随着人类社会的不断发展，生产要素也在不断变化。最初的生产要素包括劳动力、土地和资本。然而，随着科技的进步和工业革命的到来，新的生产要素不断涌现，如技术、知识和创新等。这些新生产要素的引入和应用推动了生产力的提升和社会经济的发展。数据作为一种新兴的生产要素，它不仅是一种资源，而且是一种能够被收集、存储、分析和应用的信息形式。能够作为独立的维度使得它能够为生产和决策提供更加精确、实时和全面的支持。数据驱动的生产方式：数据的引入还促使形成了一种新的生产方式，即数据驱动的生产方式。在这种方式下，数据成为了决策制定和创新的重要依据，数据挖掘分析成为了生产的关键环节。数据驱动的生产方式能够更加灵活、快速的响应市场变化和需求变化，提高决策效果和创新效果。创造价值和满足需求：数据作为生产要素的出现实质上指向了生产的本质，生产的本质在于创造价值和满足需求。通过数据的挖掘分析，我们可以更好的了解市场需求、消费者行为、产品性能等信息，从而更加准确地预测和满足需求。数据作为生产要素的出现不仅丰富了生产要素的含义，而且指向了生产的本质。因此， 我们需要不断关注和探索数据的应用，以推动生产力的提升和社会经济的进一步发展。数据要素市场化进程持续加快 随着数据要素产业经济的兴起，国家对数据要素的重视程度不断提升。国家在制定相关政策法规、推动数据开放共享和促进数据产业发展等方面采取了积极的措施，鼓励和支持数据要素的收集、整合、管理和应用，为数据要素创造了良好的政策环境和发展条件。国家层面对数据要素市场化的政策导向主要强调在处理数据的合法合规，保护数据不会被非法获取、篡改或滥用，数据的存储、传输和处理过程中采用了安全的技术和加 密手段，以保障数据的完整性和机密性，推崇数据的共享和开放，以促进创新和经济发展，倡导建立健全的数据治理机制，通过明确的政策和规范，对数据的收集、存储、使用和共享进行规范管理。

数据要素相关政策法规各地方政府贯彻落实中央政策，探索数据要素流通顶层设计并陆续出台了地方相关数据条例和公共数据管理办法。地方政府陆续出台政策的主要导向包括数据共享与开放、数据安全与保护、数据质量与准确性、数据治理与责任以及数据应用与创新。导向旨在促进数据的合理利用、保护和管理，为政府决策和公众服务提供有效支持。在政策的引导和推动下，数据要素市场化进程加速，有助于实现数据要素的价值最大化和流动性提升，推动数据产业链的发展和创新。为了有效实现数据要素市场化，相 应的市场定价和交易模式得以建立，以确保数据要素的价值更加透明和公正，并促进数据要素市场的健康发展。这些举措都为国家经济和社会发展带来了重要的意义和影响，并为企业提供了更多的商机和合作空间。数据要素化的实施路径 基于大量的理论研究和应用实践，我们认为商业银行要实现数据要素化且最终参与到数据要素产业生态中，需要经历以下三个阶段：

数据要素产业发展路径业务数据化：业务数据化是指将各项业务活动和过程转化为可量化、可记录和可分析的数据形式。商业银行涉及广泛的业务领域，包括存款、贷款、投资、交易等。业务 数据化的第一步是通过系统和技术手段收集和整合各项业务的数据。这些数据可以来自于客户交易、业务操作、市场行情、风险评估等多个来源。通过对这些数据进行治理和管理，保证数据的源头质量，未来可以帮助银行更好地理解和分析业务运营状况，支持决策制定、风险管理和客户服务等方面。数据资产化：数据资产化是指将数据视为一种重要的资产，并将其管理、促进利用和价值最大化的过程，通过对数据进行识别、分类和标记，以确定不同数据的价值和用途。数据资产可以包括客户数据、交易数据、风险数据、市场数据等。不同类型的数据资产基于数据应用目标进行相应的成本与价值计量，并进行有效的管理和利用，帮助银行提高数据价值和运营效率。资产要素化：资产要素化则是通过要素化识别出有“活性”的数据资产，在分析和挖掘中发现有价值的信息和洞察，支持决策制定和业务创新，实现客户洞察、风险管理、 营销策略优化等方面的增值。同时，也能为银行带来商业机会，例如数据交易、数据合作等， 进一步增强银行的竞争力和盈利能力。数据资产如何常态化的识别、确认、计量、使用、交易及最大化持续发挥价值，涉及企业内部的数据治理、数据资产确权、配套数据资产管理的制度设计、数据架构设计、数据资产的全生命周期管理等内容，作为技术型数商亿信华辰可以为企业提供上述全套All in的咨询、方案与产品及落地交付。

（二）数据资产入表

1、什么是数据资产入表 数据资产入表就是将企业的数据资源以资产的形式纳入财务报表中进行管理和计量。

2、 政策背景 2023年9月国家发改委价格监测中心透露，初步测算我国企业数据要素支出规模约为 3.3万亿元；若将数据资产评估、质押、融资等衍生市场同时考虑在内，整体规模可能超过 30 万亿元。中信证券预计数据要素市场规模有望在2025年迈向2000亿元新台阶，并于2030年突破万亿元。2023 年10月25日，国家数据局正式揭牌，预示着“十四五”开启了逐浪数字经济的新征程。中国数据要素流通市场在“十四五”期末将达到万亿元的规模（张利娟，2023），这是一个巨大蓝海，建立数据登记确权、评估计价和资产入表的政策“闭环”，激活万亿数据资产，是开启这一蓝海的金钥匙。数据资产入表是数据资产价值化的闭环之举，将企业数据资产以会计科目和货币化形式呈现，将推动企业数据资源向数据资产转变，形成规范的数据资产开发、运营和管理体系，提升企业数据治理能级。主要相关的政策及法律法规如下2023年8月21日，针对企业数据资源相关会计处理和会计信息披露等问题，财政部发布《企业数据资源相关会计处理暂行规定》，并规定自2024 年1月1日起施行。这意味着数据资源在符合条件的情况下有可能被确认为企业的“资产”，在财务会计报表中显性化。2023 年 9 月 8 日中国资产评估协会发布《数据资产评估指导意见》，自 2023年10月 1日起施行。该《数据资产评估指导意见》围绕数据资产评估中数据产权和数据质量的重要性，对数据资产的属性定义、评估对象、操作要求、评估方法和披露要求等内容进行了统一规定。《数据资产评估指导意见》对数据资产评估执业行为进行规范，保护资产评估当事人合法权益和公共利益，有助于解决数据要素市场建设中的“数据赋值”问题，对构建和完善数据要素市场、促进数字经济发展具有重要意义。

3 、数据资产入表有什么好处？ 对企业而言，有助于提升企业的数据资产运营和变现能力。通过将数据资源纳入财务报表，企业可以更加清晰地了解自身数据资产的规模、质量和价值，从而制定更加合理的数据资产管理和运营策略。这将有助于企业更好地挖掘数据价值，实现数据资产的保值增值。1.提高企业的数据管理效率:这有助于企业更好地组织和管理数据，提高数据的可访问性和可用性。2.提升企业的决策能力:数据是企业决策的重要依据，而数据资产入表可以为企业提供全面、准确的数据信息。3.盘活数据资产价值:展示企业数字竞争优势，为企业依据数据资产开展投融资提供依据，有效促进内外部会计信息使用者提升决策水平，优化市场资源。4.拓宽融资渠道，降低融资成本数据资产可以为企业提供更丰富的融资渠道，降低融资成本，为企业的可持续发展提供有力支持。企业可以将数据作为底层资产，在数据资产抵质押贷款、数据资产融资租赁等方面进行有益探索，拓宽企业的融资渠道。此外，数据资产入表还有助于外界更直观地了解企业在数字经济，如智慧城市等新兴领域的实力和潜力，提高企业未来前景预期，推动企业估值的提升。对经济而言，数据资产入表能够促进数据流通和使用。在传统的财务报表体系下，由于数据资产的价值难以体现，企业往往缺乏动力去共享和流通数据。而数据资产入表后，企业可以通过财务报表展示自身数据资产的价值，从而吸引更多的合作伙伴和投资者。这将有助于打破数据孤岛现象，促进数据的共享和流通，推动数字经济的发展。对国家而言，数据资产入表也是展现数字经济实力的重要体现。随着全球数字经济的蓬勃发展，各国纷纷将数据作为战略性资源进行布局。数据资产入表作为我国在制度层面上的创新举措，将有助于提升我国在国际数字经济领域的竞争力和影响力。

4 、参与主体 企业内部部门：决策机构、数据部门、财务部门、IT 部门、业务部门。外部机构：数据交易机构、数据治理机构（数据商）、律师事务所、会记师事务所、数据资产评估机构、银行金融机构等。

5 、数据资产入表流程 主要分为企业数据资源/资产管理、登记确权、数据 流通交易及金融化、会计核算处理。

二、企业数据入表工作由哪些部门负责

2024年1月1日，《企业数据资源相关会计处理暂行规定》正式施行。数据资产入表是指将数据确认为企业资产负债表中“资产”一项，在财务报表中体现其真实价值与业务贡献。根据《暂行规定》要求，企业内、外部数据资源确认为无形资产、存货方式入表，同时明确两类数据资源在确认、初始计量、后续计量、收入确认等环节应当遵循的具体准则。数据资产入表是数据资产最终走向数据资本重要的一步，将开启数据要素产业化的大时代。如今各企业正在如火如荼地推进数据资产入表工作，管理层非常着急，但好像在业务部门、在财会部和科技部很难去协同去推动，大家都不太愿意牵头，这是实际的情况。到底这事要怎么做呢？

01 企业中谁来负责数据入表工作关于数据入表首先就是大家想到谁来做这件事，或者说到底在企业是谁最关心数据入表这件事？企业中谁来负责数据入表，现在基本上矛头指向的两个部门，一个当然首当其冲的是财务部，第二个首当其冲的部门就是科技部或数据部。事实上最着急的是董事长，很多企业的董事长把它提到一个非常高的战略地位，一方面更多的从考核、企业形象、品牌、政绩、绩效角度来关注，另一方面针对中小企业更关心入表带来的投融资机会。针对顶层设计，亿信华辰认为，数据资产入表这件事一定要自上而下来推动，不能仅仅简单的靠某一个或者两个部门来开展。一是因为他涉及的范围非常广。数据从业务来的，要开展数据确权。是财务来确权吗？还是科技来确权吗？都不是，是业务来确权。业务产生数据、采集数据、使用数据，数据对业务提供赋能，所以要从企业内部去做确权的话，反而是是各个业务部门都相关。二是涉及到很多权属认定、授权的工作离不开企业内部的风控部门、合规部门、法律部门。企业购买数据获取数据到底是否合法合规，从外部获取、采集相关的数据是否涉及到一些敏感信息，尤其是个人客户的敏感信息是否有违规操作，需要法律合规部门、内部的风控部门、内控部门的参与，还有财务部门、科技部门显然都在内，所以这是一个企业级的事。就像数据治理这件事一样，目前“数据治理”在业内已提高到“公司治理”的范畴，所以数据资产入表同样也一定是企业级自上而下推动的，需要董事长、高级管理层去推动。但可以认定某一个部门作为主牵头部门，其他所有部门都要参与进来，而且不只是简单的参与，都要作为数据的核心或者说数据的属主部门一起来推动。

02 入表实施涉及哪些部门参与数据入表不仅仅是单一部门的工作，它牵扯到集团、企业内部的各个部门，只有这些部门在统一的协调下共同参与，再加上外部服务商的配合，数据入表工作才能真正落地。下图通过流程，把需要参加的部门进行了划分。

初步范围框定：首先在初步范围框定的阶段，需要介入的是企业相关业务部门，以及信息科技IT管理部门\数据管理部门。数据资产分析：到第二个数据资产的分析阶段，需要介入的还是数据管理部门以及业务部门。但为了后期的入表工作更能达到国家现有或者未来发布的管理办法与法规要求，内部的合规部门也必须参与进来。否则做出来的不管是无形资产还是存货的数据产品，若不合法不合规，交易不仅仅不能带来收益，反而会给企业带来巨额损失。可入表的数据资产确认：在可入表的数据资产确认阶段，涉及的部门就更多了。不仅仅是业务部门和数据部门要加入进来，还会涉及我们企业内部的财务会计部门。如果企业还有资产负债部门和审计部门的话，他们也需要加入进来。数据资产计量：在数据资产计量这一阶段，主要会涉及到的就是财务部门和运营管理部。在信息系统运行的当中，数据就是在不断的生产出来的，那运维阶段的成本通过成本法，是需要进入到财务报表中的，所以运营部门也需要加入进来，因为只有他们才能清楚的知道运维成本大概是多少。数据资产披露：从第三阶段开始，审计师都积极加入到了后续的阶段，到最后的数据资产披露阶段，更多的是涉及到了董事会办公室的问题，因为对于未上市、已上市的这些公司来说，其实披露的内容很大程度上会影响到企业在资本市场上投资者对企业的信心，所以董事会成员必须加入进来，共同决定披露内容是什么。当然在这个暂行办法里面已经给列举出了众多的必须披露项，但是可选披露项这一块，会根据具体企业的情况，由董事会进行决定披露哪些。

03 组织架构和制度流程如何设计在具体的落地过程中，建立全方位、跨部门、跨层级的数据资产管理组织架构，是实施组织级统一化、专业化数据资产管理的基础，是数据资产入表工作责任落实的保障。

第一要有数据资产管理委员会，作为数据决策方，无论是董事长挂帅、还是高级管理层、一把手、总经理、总裁挂帅，要有一个自上而下的治理架构，负责制定数据资产管理决策、战略和考核机制。第二在执行层面，由财务和信息科技部门联合牵头，负责在数据项目中落实数据资产管理工作，与数据资产管理层协同参与各项活动。结合工作实际，业务部门进行辅助。但是各部门相应的职责、权利、义务都要有清晰明确的界定，并明确是一个企业全员要开展的工作。除了组织保障外，制度体系设计也至关重要。数据资产管理制度体系通常分层次设计，依据管理的颗粒度，制度体系可划分为组织级数据资产管理总体政策规定、管理办法、实施细则和操作规范四个层次。此项工作可作为凭证，向监管部门或资产评估部门提交相应证据。

三、企业数据资产入表前准备工作

首先来回答题主的第一个问题：数据资产入表前有哪些准备工作需要做？对于数据资产入表，目前市场是大多是在探索中进行，很多走在前面的企业已经开始着手部署入表这件事，也有一些企业有计划做，但不知道从何处入手。对于后者，其实在正式开始入表工作前，下面这些准备工作可以先做起来。

1.数据资源的初步梳理 首先数据资资源的初步梳理。目前对于大部分企业去开展数据资源全面盘点会特别困难，因为如果真正要完整来盘点现有的所有数据资源，大概要花半年以上时间，所以可以先做一点初步梳理。初步梳理也就意味着，可以有重点的去圈定认定入表可能性比较大的数据内容，先做一个初步梳理工作。

2.财务和业务制度流程细化 第二基于初步梳理的结果，要对现有的制度流程进行细化，包括业务的制度流程和财务的制度或者流程。财务的制度流程指的是，因为数据资产入表，无非就是无形资产、存货或者是进入损益三种情况，涉及到会计制度里有关数据资产怎么计量、怎么认定，那么相应的基于前期梳理要做相应适配，比如在什么类型的数据在满足什么条件下可以作为无形资产，在满足什么条件下可以作为存货，在不满足什么条件下要作为损益进入单期费用，这个是相关的会计政策、会计制度要做相应的调整和优化。同样的，业务上配套的管理办法也要跟得上。如果一旦产生新的数据源要做认定和判断一定要有细的流程，而财务的认定和判断只是总体的会计认定原则。细的流程应该是业务部门或业务联合数据科技部门联合颁布，比如24年1月1日开始每天业务端新产生的数据，数据产生过程该怎么进行维护管理， 产生过程所需要的核算、所需要的信息披露、所需要的信息谁来采集，这就涉及到日常长效的工作流程，需要由业务部门和数据部门去制定。

3.开展详细的试点工作 第三件事是可以开展详细的试点工作，就是围绕初步的梳理结果、围绕两份制度直接就把现有数据资源进行精细化的盘点分类、科目认定、成本归集，以及做试点入表的具体准备工作，可以形成很详细的模板、详细的工作底稿。

4.系统工具配置 有些企业可能第一步、第二步做的比较早、比较充分，如果还有时间的话可以考虑到的是系统工具。目前很多企业现有的相关系统平台工具，已经有具备相关的功能了。比如企业有IT项目管理的系统工具，开发软件是会立项的，立项以后跟软件相关人员投入、资源投入都会通过项目管理平台工具去进行成本归期、成本采集。同样的数据资产与软件很类似，因为软件也是无形资产，未来数据资产如果作为无形资产来认定的话，很多的功能跟IT软件、项目管理的这个工具很类似，可以把项目管理工具功能套过来，适用于数据资产的管理功能，在参数上做配置，单独把它作为一类，就可以实现成本归期了。但也要求企业在开展数据资产管理的过程中，要把数据资产当成项目来管理， 也就意味着如果以前是很散的来开展数据资源采集、加工、处理，那可能就很难套了。如果企业要把数据做成一个产品把它立项，一旦立项后可以通过现行的立项项目管理办法、项目管理工具，来执行相关的具体工作， 所以如果有时间的话 ，可以想办法通过已有的工具进行参数配置和改造适用于未来的简版入表。那么什么样的数据可以入表？入表的条件是什么呢？

第一：资产是一项由过去的交易或者事项形成的资源。一层含义是指资源的形成一定是过去就已形成了，而不是正在形成的或者是现在还没有形成预期未来能形成的。第二层含义是资源是通过两种途径形成的，一种是通过交易形成的，第二种是通过事项（自己主动去采集、开发）形成的。

第二：享有的权利是企业有拥有权或者控制权。

第三：资产预期能够给企业带来经济利益。一是指目前手上的资源不强求现在就能够产生现实的利益，而是认为他能够产生预期利益；第二层意思就是它必须能够带来经济利益。满足以上三个条件的数据资产便可以考虑入表。数据资产入表可以分三步走 第一步是入表形成原始资产，第二步是形成无形资产收入，第三步是形成存量资产。

第一步：入表形成原始资产原始资产入表是指系统建设及数据生成等所产生的成本费用，以成本法入表，构成数据资源的初始资产价格。就是说现在，不管有没有做数据治理，你手头如果是有数据，至少这些东西是有可能成为数据资产的。这个时候，先不去考虑未来怎么变现，如果有大量的数据可以形成资产，就先以成本法的方式进行入表，将原来不可计量的这个数据，以货币计量的形式变为你的资产，然后接下来可以用来调节企业的利润表以及资产负债表。此外，通过将数据资源进行成本法入表，首先就已经把手里可以产生经济价值的数据资源做了一次梳理，然后通过梳理也基本知道了未来如果开发或售卖数据产品大概应该怎么定价。

在这个步骤中，也分为三小步。第一步是前置条件阶段，第二步是准备阶段，第三步是实施阶段。

（1）前置条件如果一家企业连基础的信息化系统都没有，就不具备数据入表以及数据资产化的条件。如果企业已经完成了信息化建设，接下来需要做的是对企业的数据治理程度和数据管理能力先做一个必要的评估。目前市面上可以依据的标准DCMM以及DAMA两个标准，都能帮企业确认自己是否具有有效利用自身数据的能力。还有一个是数据资产的入表前改造工作。这里主要涉及的是数据分类分级工具准备、数据成本计量工具准备、财务系统准备等。

（2）准备阶段首先需要确认资产类型，是无形资产还是存货。此外还需要确认资产类别和安全等级，开始做分类分级相应的工作。

（3）实施阶段需要做数据资产成本构成梳理，梳理清楚钱都花去哪儿了；此外还需要进行会计计量入表，即具体以什么科目记录成本；后续计量准备涉及到，一旦入表，以什么形式摊销，如果存在减值或者要终止的时候，需要怎样进行确认。

第二步，形成无形资产收入 什么是无形资产收入？像加盟费跟特许经营是无形资产，然后还有软件授权使用费及其他由无形资产产生的应收款等，都是无形资产收入。如果走的是非存货、即无形资产路线的话，能有效地规避现在由于政策供给层面没有跟上导致的数据确权问题。因为如果走无形资产路径的话，就不是直接卖数据，而是提供数据服务。比如对于部分不能直接出售的数据，可以软件或者其他的方式脱敏，然后提供一个计算结果，在此过程中，由于看不到原始数据，从某种意义上就能避免一些法律上的问题。这些交易也能证明资产预期会给企业带来的经济利益。只有证明了预期的价值，才能用收益法跟市场法给资产估个好价。这个阶段的工作拆分也是前置条件、准备阶段和实施阶段这三步。

（1）前置条件首先企业需要问自己一个问题：我的这些数据是否真的有市场需求，未来想创造出来的，不管是商业模式还是销售计划，可行性到底有多高，市场上是否存在真正的需方。如果没有做这一步，很有可能会花了非常大的成本，造出来一个市场上无人买单的产品，造成巨大浪费。接下来还需要考虑，数据需方愿意以什么方式进行付费，这里主要涉及价格以及付费方式的问题，这决定了数据能否形成稳定、持续的收益。

（2）准备阶段现在数据交易所主要会分以API、或数据包或数据模型的方式来交付数据产品。如果走无形资产路线，卖的就不是数据本身而是数据服务，所以可选择数据模型或数据软件服务的形式。软件产品以特许经营、软件授权等方式来产生可持续现金流。

（3）实施阶段这是又一次系统建设的过程，具体说来可以叫做数据产品开发。数据产品的供给渠道搭建可分为直销和分销。数据产品的结算系统搭建非常关键，因为结算在哪里往往决定了分钱在哪里，这也就决定了，最有动力的人在哪里。这个利益分配机制的搭建非常重要，尤其当走分销路线时。

数据品牌的建设也至关重要，现在是数据要素的建设时期，也就是初步发展时期，但经济学告诉我们，每个细分行业里面，最终只会有少数几个品牌存活下来。所以市场的参与者需要从一开始就建立营销体系以及品牌意识，为下一阶段的残酷竞争做好相应准备。

特别是在数据市场里，因为数据可以无限复制，具有弱排他性，这也就造成虽然整体市场会非常大，但是每个行业里市场份额并不会太大，只能支撑少数几个品牌活下来，所以数据产品的营销工作至关重要。

第三步：形成存量资产 存量资产是指企业所拥有全部可确指的资产，企业的应收账款、其他应收款、无形资产都属于企业的存量资产。这里重点要指出的是应收账款和其他应收款，数据一旦成为数据商品，只要交易量上来，就会形成数据相关的应收账款，还有存货相关的抵押账款等，这些款项都能形成业内所说的金融资产。只有形成了众多金融资产的情况下，才能构建金融资产池，然后才能走到金融化这一步。而金融化往往实现模式就是证券化。形成存量资产的后续影响是数据的货币化。一旦数据资产能实现证券化，从某种意义上数据本身就变成了货币。

如果未来要做到数据货币化，真正应该形成的是基于数据产品为标的物的可持续现金流的产生，并基于此形成应收账款。要将买卖关系变成借贷关系，再变成投资产品。比如房地产市场的整个发展历程，就充分证明了这个理念。

四、数据治理全流程实施

数据作为新时代重要生产要素和战略资源的地位已然确立，数据治理作为激活数据要素价值的基础工程，已成为各行各业抢抓数字化发展先机的焦点和主战场。数据治理是一个囊括了顶层设计、数据治理体系建设、数据服务和数据洞察多个模块，并不断循环改进的闭环体系。本文从数据治理实施的流程体系出发，梳理了数据从战略到应用的治理过程，以期给广大政企提供方法论与思路参考。

01、数据治理顶层设计

1、规划数据战略 数据战略是企业为了实现其长期目标在数据方面所做的方向性的选择和资源的聚焦。它是一个以终为始的路径，企业要做好数据战略的规划，就得在明确自身定位的前提下，找准目标和方向，然后再做出相应的路线规划。

数据战略来自对业务战略固有数据需求的理解：组织需要什么数据，如何获取数据，如何管理数据并确保其可靠性以及如何利用数据。一般来说，数据战略有以下三种基本类型：

（1）决策领先型数据战略：了解市场；识别趋势

（2）运营领先型数据战略：提升效率；促进转型

（3）数据变现型数据战略：成为资产；数据变现

2、成立数据治理委员会 数据治理项目的实施绝非是一个部门的事情，必须由上往下统筹，建立专业的数据治理组织体系，确定对数据进行管理的责权利，即数据的产生者、使用者、拥有者和管理者。在数据治理建设初期，需先成立数据治理管理委员会，从上至下由决策层、管理层、执行层构成。决策层决策、管理层制定方案、执行层实施，从而进行层级管理、统一协调。

3、确定数据治理评价与考核指标一套奖惩有序的数据治理绩效考核体系，能帮助企业规范数据管理流程，落实数据治理相关方的职责，从而提升整体数据质量，实现数据战略。考核指标包括两个方面内容：一方面是对数据的生产、管理和应用等过程的评估和考核指标；另一方面是数据质量的评测指标。数据治理的绩效考核6大基础维度：数据治理人员、数据质量问题、数据标准贯彻、治理策略执行、技术达成、业务价值实现。数据治理的绩效考核4大方式：日常考核、定期考核、系统自动考核、人工考核。

02、数据治理技术体系

1、元数据管理

元数据是企业数据的DNA。元数据管理则是对元数据的创建、存储、整合、控制的一整套流程，是数据治理过程的一部分。基于业务需求，元数据管理系统建设可分为以下4大模块：

(1) 元数据获取：各阶段元数据的统一收集、存储和输出。包括自动获取和手工获取两部分。

(2) 元数据存储：包括存储元数据以及元模型。

(3) 元数据功能：包括元数据基础操作（查询、新增、修改和删除等管理操作）、元数据分析（包括业务指标一致性分析、数据血统分析、数据影响分析等）、元数据权限管理以及元数据服务封装等。

(4) 元数据应用：包括元数据基础能力开放、报表指标优化清理应用、指标运算关系分析应用等。

2、主数据管理

主数据是数据之源。围绕主数据需求开展的数据治理工作，往往成为各类组织推进业务数字化的首要任务。主数据项目实施的标准流程，分为咨询规划和实施落地两大部分，主要是4大步骤，分别是现状分析评估、体系规划、实施规划、平台搭建与落地。

(1) 现状分析与评估：了解企业现状，识别企业当前问题以及数据管理成熟度。

(2) 体系规划阶段：就要去设计企业内部的一个组织架构、企业的主数据管理制度、考核办法标准规范以及主数据运营怎么去设计。

(3) 主数据实施：有了一个顶层设计规划之后，就要去落地主数据实施，制定编码分类、属性、字段、审批流程、整合清洗分发、集成切换策略等，主数据实施的过程中是根据这些策略去执行的。

(4) 平台落地：将主数据实施内容了解清楚之后就到主数据管理平台上去进行落地了，包括主数据模型、主数据维护以及主数据治理相关的内容落地。

3、数据标准管理

数据标准化是企业进行数字化转型的根基。数据标准与企业数据管理的每个域都相关，是数据治理工作的最基础内容。数据标准的建立通常有5个步骤，包括标准分类规划、标准体系建设、标准评审发布、标准落地执行、标准运营维护。

（1）标准规划：构建数据标准分类框架，并制定开展数据标准管理的实施路线。

（2）标准制定：在完成标准分类规划的基础上，定义数据标准及相关规则。

（3）标准发布：征询意见，在完成意见分析和标准修订后，进行标准发布。

（4）标准执行：把企业已经发布的数据标准应用于信息建设， 消除数据不一致。

（5）标准维护：根据业务的发展变化以及数据标准执行效果不断更新和完善数据标准。

4、数据质量管理

数据质量管理是对数据从计划、获取、共享、维护、应用、消亡生命周期的每个阶段里可能引发的各类数据质量问题，进行识别、度量、监控、预警等一系列管理活动，并通过改善和提高组织的管理水平使得数据质量获得进一步提高。全国信息技术标准化技术委员会提出了数据质量评价指标（GB/T36344-2018 ICS 35.24.01），它包含以下几个方面，分别是完整性，一致性，准确性，时效性，唯一性和可访问性。

提升数据质量，可参考以下7大步骤实施：

（1）定义高质量数据：对数据质量改进的目标和优先级事项达成一致。

（2）定义数据质量战略：数据质量优先级必须与业务战略一致

（3）识别关键业务和质量规则：确定关键数据后，识别梳理数据质量特征要求的业务规则。

（4）执行初始数据质量评估：执行初始数据质量评估，定义可操作的改进计划。

（5）识别改进方向并确定优先级：分析问题的业务影响，最终讨论确定优先顺序。

（6）定义数据质量改进目标：量化业务价值，设定具体的、可实现的目标。

（7）开发和部署数据质量操作：围绕数据质量方案制定实施计划，管理数据质量规则和标准、监控数据与规则的执行一致性，识别和管理数据质量问题，并报告质量水平。

5、数据交换共享

当数据从一个系统跨授权边界访问或传递到另一个系统时，就需要使用一个或多个协议来指定每个组织的责任、要访问或交换的数据类型和影响界别、如何使用交换数据，以及在交换系统的两端处理、存储或传输数据时如何保证数据安全。数据交换主要用于实现不同机构不同系统之间进行数据或者文件的传输和共享，可以帮助消除数据孤岛，提高信息资源的利用率。数据资源交换共享与开发应用平台按数据的流向自下而上分为5层，分别为外部数据资源层、数据汇聚层、数据融合层、服务管理层和服务门户层。

（1）外部数据资源层：即源数据库，为系统外部数据的来源。

（2）数据汇聚层：根据获取数据的特性采用相应采集方案整合外部数据源。

（3）数据融合层：为工程数据提供持久化存储和访问的场所。

（4）服务管理层：主要包括目录管理、资源管理、服务管理、交换管理等功能。

（5）服务门户层：通过服务门户和接口支持，提供标准化服务给应用系统调用。

6、数据安全治理

数据安全管理是用来实现和维护数据保密性、完整性、可用性、可核查性、真实性和可靠性的过程。

数据安全问题贯穿数据全生命周期的各个环节。在新形势下，要做好数据安全治理，就要做好企业的数据安全防护能力建设，建立起一个强保障且动态化的安全保护机制。这个机制的攻坚点主要是三个方面：完善数据安全治理规划，提高数据安全技术防护能力和加强数据安全审计。

（1）完善数据安全治理规划：评估数据安全现状，识别数据安全需求，完善数据安全治理组织规划和制度保障体系

（2）提高数据安全技术防护能力：主要包括自动化数据分级分类和精细化数据权限管控，并从防御风险、识别风险、预测风险、解决风险四个方面，来提升组织的抗风险能力。

（3）做好数据安全监控审计：除日常审计外，还需进行以业务线为单位的专项审计。

7、数据生命周期管理

数据生命周期管理是一种基于策略的方法，包括数据的创建、使用、归档和销毁的策略和过程。

（1）数据创建：利用数据模型保证数据完整、执行数据标准保证数据准确、加入数据质量检查创建准确、保证数据在合理的系统生成。

（2）数据使用：利用元数据监控数据使用、利用数据标准保证数据准确、利用数据质量检查加工准确、确保数据在合理的系统使用、控制数据的派生。

（3）数据归档：利用评估手段保证归档时机、分数据类型归档数据。

（4）数据销毁：利用评估手段保证数据销毁时机，分数据类型销毁数据。

03、数据服务和数据洞察

1、数据资产管理与运营

数据作为企业一种“特殊资产”，已被列入企业的资产负债表。怎样识别数据资产、有效管理和运营数据资产，利用现有的数据资产创造价值，也是数据治理中的一项重要工作和目标。从技术上拆解数据要素价值的生成路径，企业数据要素与资产运营的建设路径可分为三个关键阶段：数据资源化、资源产品化和产品价值化。（1）数据资源化：把不同来源的数据经过必要的加工、整合和处理，在物理上按照一定的逻辑归集后达到“一定规模”，形成可重用、可应用、可获取的数据集合。这个阶段需要数据战略规划方法、构建数据能力体系、建立企业数据治理体系。

（2）数据产品化：企业通过自己组织或有效授权给外部机构，以数据使用方需求为导向进行数据产品的研发。这一阶段包括建立数据资源可能的应用价值图谱、分析目标客户的数据需求及应用场景，选择合适的测试客户、联合共同组织数据产品及其技术开发。

（3）产品价值化：数据产品已经可以放在数据要素交易市场上进行买卖了，能够带来持续的收益。这一阶段需要建立数据资产化战略、构建数据资产管理体系、实现数据资产的经营管理。

2、数据服务

数据服务是指为用户提供数据相关的各种服务和支持的一种业务模式，包括数据收集和整理、数据分析和洞察、数据可视化、数据安全和隐私、数据应用和功能这5方面。

（1）数据收集和整理：收集各类来源的数据，并对其进行整理和组织，使其更易于理解和使用。

（2）数据分析和洞察：对收集的数据进行分析和挖掘，找出其中的模式、趋势和关联性，实现智慧决策。

（3）数据可视化：数据服务可以将复杂的数据以图表、图像或其他形式进行可视化展示，使用户更容易理解和解释数据。

（4）数据安全和隐私：采取安全措施，确保用户的数据在处理和存储过程中安全可靠；同时也会尊重用户的隐私权，保护用户的个人信息不被滥用或泄露。

（5）数据应用和功能：为用户提供各种应用和功能，满足不同领域和行业的需求。

五、企业数据资产入表准备——数据治理

数据作为新时代重要生产要素和战略资源的地位已然确立，数据治理作为激活数据要素价值的基础工程，已成为各行各业抢抓数字化发展先机的焦点和主战场。数据治理是一个囊括了顶层设计、数据治理体系建设、数据服务和数据洞察多个模块，并不断循环改进的闭环体系。本文从数据治理实施的流程体系出发，梳理了数据从战略到应用的治理过程，以期给广大政企提供方法论与思路参考。

01 数据治理顶层设计

1、规划数据战略

数据战略是企业为了实现其长期目标在数据方面所做的方向性的选择和资源的聚焦。它是一个以终为始的路径，企业要做好数据战略的规划，就得在明确自身定位的前提下，找准目标和方向，然后再做出相应的路线规划。

数据战略来自对业务战略固有数据需求的理解：组织需要什么数据，如何获取数据，如何管理数据并确保其可靠性以及如何利用数据。一般来说，数据战略有以下三种基本类型：

（1）决策领先型数据战略：了解市场；识别趋势

（2）运营领先型数据战略：提升效率；促进转型

（3）数据变现型数据战略：成为资产；数据变现

2、成立数据治理委员会

数据治理项目的实施绝非是一个部门的事情，必须由上往下统筹，建立专业的数据治理组织体系，确定对数据进行管理的责权利，即数据的产生者、使用者、拥有者和管理者。在数据治理建设初期，需先成立数据治理管理委员会，从上至下由决策层、管理层、执行层构成。决策层决策、管理层制定方案、执行层实施，从而进行层级管理、统一协调。

3、确定数据治理评价与考核指标

一套奖惩有序的数据治理绩效考核体系，能帮助企业规范数据管理流程，落实数据治理相关方的职责，从而提升整体数据质量，实现数据战略。考核指标包括两个方面内容：一方面是对数据的生产、管理和应用等过程的评估和考核指标；另一方面是数据质量的评测指标。数据治理的绩效考核6大基础维度：数据治理人员、数据质量问题、数据标准贯彻、治理策略执行、技术达成、业务价值实现。数据治理的绩效考核4大方式：日常考核、定期考核、系统自动考核、人工考核。

02 数据治理技术体系

1、元数据管理

元数据是企业数据的DNA。元数据管理则是对元数据的创建、存储、整合、控制的一整套流程，是数据治理过程的一部分。基于业务需求，元数据管理系统建设可分为以下4大模块：

(1) 元数据获取：各阶段元数据的统一收集、存储和输出。包括自动获取和手工获取两部分。

(2) 元数据存储：包括存储元数据以及元模型。

(3) 元数据功能：包括元数据基础操作（查询、新增、修改和删除等管理操作）、元数据分析（包括业务指标一致性分析、数据血统分析、数据影响分析等）、元数据权限管理以及元数据服务封装等。

(4) 元数据应用：包括元数据基础能力开放、报表指标优化清理应用、指标运算关系分析应用等。

2、主数据管理

主数据是数据之源。围绕主数据需求开展的数据治理工作，往往成为各类组织推进业务数字化的首要任务。主数据项目实施的标准流程，分为咨询规划和实施落地两大部分，主要是4大步骤，分别是现状分析评估、体系规划、实施规划、平台搭建与落地。

(1) 现状分析与评估：了解企业现状，识别企业当前问题以及数据管理成熟度。

(2) 体系规划阶段：就要去设计企业内部的一个组织架构、企业的主数据管理制度、考核办法标准规范以及主数据运营怎么去设计。

(3) 主数据实施：有了一个顶层设计规划之后，就要去落地主数据实施，制定编码分类、属性、字段、审批流程、整合清洗分发、集成切换策略等，主数据实施的过程中是根据这些策略去执行的。

(4) 平台落地：将主数据实施内容了解清楚之后就到主数据管理平台上去进行落地了，包括主数据模型、主数据维护以及主数据治理相关的内容落地。

3、数据标准管理

数据标准化是企业进行数字化转型的根基。数据标准与企业数据管理的每个域都相关，是数据治理工作的最基础内容。数据标准的建立通常有5个步骤，包括标准分类规划、标准体系建设、标准评审发布、标准落地执行、标准运营维护。

（1）标准规划：构建数据标准分类框架，并制定开展数据标准管理的实施路线。

（2）标准制定：在完成标准分类规划的基础上，定义数据标准及相关规则。

（3）标准发布：征询意见，在完成意见分析和标准修订后，进行标准发布。

（4）标准执行：把企业已经发布的数据标准应用于信息建设，消除数据不一致。

（5）标准维护：根据业务的发展变化以及数据标准执行效果不断更新和完善数据标准。

4、数据质量管理

数据质量管理是对数据从计划、获取、共享、维护、应用、消亡生命周期的每个阶段里可能引发的各类数据质量问题，进行识别、度量、监控、预警等一系列管理活动，并通过改善和提高组织的管理水平使得数据质量获得进一步提高。全国信息技术标准化技术委员会提出了数据质量评价指标（GB/T36344-2018 ICS 35.24.01），它包含以下几个方面，分别是完整性，一致性，准确性，时效性，唯一性和可访问性。

提升数据质量，可参考以下7大步骤实施：

（1）定义高质量数据：对数据质量改进的目标和优先级事项达成一致。

（2）定义数据质量战略：数据质量优先级必须与业务战略一致。

（3）识别关键业务和质量规则：确定关键数据后，识别梳理数据质量特征要求的业务规则。

（4）执行初始数据质量评估：执行初始数据质量评估，定义可操作的改进计划。

（5）识别改进方向并确定优先级：分析问题的业务影响，最终讨论确定优先顺序。

（6）定义数据质量改进目标：量化业务价值，设定具体的、可实现的目标。

（7）开发和部署数据质量操作：围绕数据质量方案制定实施计划，管理数据质量规则和标准、监控数据与规则的执行一致性，识别和管理数据质量问题，并报告质量水平。

5、数据交换共享

当数据从一个系统跨授权边界访问或传递到另一个系统时，就需要使用一个或多个协议来指定每个组织的责任、要访问或交换的数据类型和影响界别、如何使用交换数据，以及在交换系统的两端处理、存储或传输数据时如何保证数据安全。数据交换主要用于实现不同机构不同系统之间进行数据或者文件的传输和共享，可以帮助消除数据孤岛，提高信息资源的利用率。数据资源交换共享与开发应用平台按数据的流向自下而上分为5层，分别为外部数据资源层、数据汇聚层、数据融合层、服务管理层和服务门户层。

（1）外部数据资源层：即源数据库，为系统外部数据的来源。

（2）数据汇聚层：根据获取数据的特性采用相应采集方案整合外部数据源。

（3）数据融合层：为工程数据提供持久化存储和访问的场所。

（4）服务管理层：主要包括目录管理、资源管理、服务管理、交换管理等功能。

（5）服务门户层：通过服务门户和接口支持，提供标准化服务给应用系统调用。

6、数据安全治理

数据安全管理是用来实现和维护数据保密性、完整性、可用性、可核查性、真实性和可靠性的过程。

数据安全问题贯穿数据全生命周期的各个环节。在新形势下，要做好数据安全治理，就要做好企业的数据安全防护能力建设，建立起一个强保障且动态化的安全保护机制。这个机制的攻坚点主要是三个方面：完善数据安全治理规划，提高数据安全技术防护能力和加强数据安全审计。

（1）完善数据安全治理规划：评估数据安全现状，识别数据安全需求，完善数据安全治理组织规划和制度保障体系

（2）提高数据安全技术防护能力：主要包括自动化数据分级分类和精细化数据权限管控，并从防御风险、识别风险、预测风险、解决风险四个方面，来提升组织的抗风险能力。

（3）做好数据安全监控审计：除日常审计外，还需进行以业务线为单位的专项审计。

7、数据生命周期管理

数据生命周期管理是一种基于策略的方法，包括数据的创建、使用、归档和销毁的策略和过程。

（1）数据创建：利用数据模型保证数据完整、执行数据标准保证数据准确、加入数据质量检查创建准确、保证数据在合理的系统生成。

（2）数据使用：利用元数据监控数据使用、利用数据标准保证数据准确、利用数据质量检查加工准确、确保数据在合理的系统使用、控制数据的派生。

（3）数据归档：利用评估手段保证归档时机、分数据类型归档数据。

（4）数据销毁：利用评估手段保证数据销毁时机，分数据类型销毁数据。

03 数据服务和数据洞察

1、数据资产管理与运营

数据作为企业一种“特殊资产”，已被列入企业的资产负债表。怎样识别数据资产、有效管理和运营数据资产，利用现有的数据资产创造价值，也是数据治理中的一项重要工作和目标。从技术上拆解数据要素价值的生成路径，企业数据要素与资产运营的建设路径可分为三个关键阶段：数据资源化、资源产品化和产品价值化。

（1）数据资源化：把不同来源的数据经过必要的加工、整合和处理，在物理上按照一定的逻辑归集后达到“一定规模”，形成可重用、可应用、可获取的数据集合。这个阶段需要数据战略规划方法、构建数据能力体系、建立企业数据治理体系。

（2）数据产品化：企业通过自己组织或有效授权给外部机构，以数据使用方需求为导向进行数据产品的研发。这一阶段包括建立数据资源可能的应用价值图谱、分析目标客户的数据需求及应用场景，选择合适的测试客户、联合共同组织数据产品及其技术开发。

（3）产品价值化：数据产品已经可以放在数据要素交易市场上进行买卖了，能够带来持续的收益。这一阶段需要建立数据资产化战略、构建数据资产管理体系、实现数据资产的经营管理。

2、数据服务

数据服务是指为用户提供数据相关的各种服务和支持的一种业务模式，包括数据收集和整理、数据分析和洞察、数据可视化、数据安全和隐私、数据应用和功能这5方面。

（1）数据收集和整理：收集各类来源的数据，并对其进行整理和组织，使其更易于理解和使用。

（2）数据分析和洞察：对收集的数据进行分析和挖掘，找出其中的模式、趋势和关联性，实现智慧决策。

（3）数据可视化：数据服务可以将复杂的数据以图表、图像或其他形式进行可视化展示，使用户更容易理解和解释数据。

（4）数据安全和隐私：采取安全措施，确保用户的数据在处理和存储过程中安全可靠；同时也会尊重用户的隐私权，保护用户的个人信息不被滥用或泄露。

（5）数据应用和功能：为用户提供各种应用和功能，满足不同领域和行业的需求。

六、企业数据资产入表准备——数据资产盘点

数据作为企业一种“特殊资产”，已被列入企业的资产负债表。只有对数据资源进行统筹规划，全面梳理，“摸清家底”，才能让数据更好地服务于企业的业务应用。怎样识别数据资产、有效管理和运营数据资产，利用现有的数据资产创造价值，也是数据治理、数据资产管理中的一项重要工作和目标。

01 为什么需要数据资产盘点

财政部正式印发《企业数据资源相关会计处理暂行规定》，对于符合规定定义和确认条件的数据资产，可确认为无形资产或存货。数据资源会计处理方式的确定，意味着数据将作为资产正式被纳入会计报表，数据价值凸显。而数据资产盘点也是实现数据资产入表的关键一环。从企业自身而言，数据资产盘点是对企业数据现状进行全面梳理，盘点出可视化的可复用的有价值的数据资源，形成数据资产目录，供企业内共享应用，为企业数字化转型赋能。数据资产盘点不仅能发现数据资产、剖析数据现状，也能发现数据问题，查漏补缺，为企业数据资产管理指明了后续工作方向。通过对数据进行盘点可帮助弄清楚以下问题：解决“有什么”、“用什么”、“如何用”等问题。

02 数据资产盘点

数据资产盘点工作步骤企业数据资产盘点一般可分为以下7个步骤，如下图：

1.明确盘点目标基于数据资产现状和现阶段管理要求，明确数据资产盘点目标，并规划所需资源和本阶段数据资产盘点想要达到的效果。方式包括：通过调研问卷，对企业数据现状、管理现状等进行梳理了解。 通过关键问题访谈，了解企业数据资产的采集、处理、应用等问题难点。

通过了解企业的发展战略、集团数据战略要求，以及企业系统各类资料，指定盘点目标。

根据DCMM要求的能力项进行成熟度评估，了解企业数据资产管理难点。

2.明确盘点范围及内容企的数据散落在各个异构系统、甚至业务人员电脑中，数据结构、数据类型、存储形式、敏感级别、重要程度各不相同，整体看起来就像是一团乱麻的线，如何盘点理出头绪并不容易。

数据资产盘点到底要盘点啥？数据盘点的范围一般从三个角度定义：

组织范围：盘点要覆盖哪些组织和部门，例如：集团本部、集团+分子公司等。

业务范围：盘点哪些业务的数据，例如：生产业务、采购业务、营销业务、财务业务、人力资源业务等。 系统范围：盘点哪些应用系统的数据，例如：ERP系统、MES系统、SCM系统、CRM系统、HR系统等。

基于不同的数据来源，根据不同的划分策略，盘点的内容侧重会有所不同：

基础数据：需要盘点数据分布在哪些IT系统，区分其中哪些是需要跨系统流转、共享使用且变化缓慢的主数据信息，哪些是与IT系统定位相匹配的业务流程交易信息。 衍生数据：需要盘点数据的不同应用场景，比如监管、统计、内部管理等等。一方面根据衍生数据基于不同使用场景进行分类，另一方面通过盘点，梳理对基础数据的使用热度。

外部数据：需要盘点外部数据需求、数据类型、数据来源、采集频率、获取成本、数据质量以及数据价值评估方式等。

3.确认盘点模板该阶段需要根据盘点内容，制定数据梳理模板并定义数据资产标准项。内部对盘点工作进行培训和宣贯，相关人员对盘点范围、目标、内容等达成共识，理解并学会数据资产梳理模板的使用。正常来讲，我们最终实现的数据资产清单，它一定是一个对同类型的这个数据 ，可以有一个统一的模板， 需要根据我们确定的盘点的内容确定盘点的一个模板，比如说盘点的是你的数据库表类的数据，那就可以去看系统表名，然后中文名英文名包括他的一些日常的管理的属性等。

4.整体摸查盘点基本上盘点会从系统摸查到数据库表，然后再摸查到数据字段的力度。通过整体数据情况摸查后，补充相关信息的基础属性、管理属性、业务属性。并可以在过程中直接使用元数据管理工具进行数据的采集摸查，并在系统中进行属性的补充完善。根据实际需求可在过程中建设企业数据标准，为数据资产的分类管理提供标准化基础依据。

5.元数据采集补充采集盘点范围的元数据，快速识别各类数据以便进行数据梳理分析，剔除相关数据，补充数据资产元数据属性为后续实现资产分目提供基础资源。

6.资产目录生成把元数据补充完毕之后，再去根据企业调研结果或者是针对数据的基础判断，然后就能知道我们的核心数据或核心的数据资产有哪些了，就可以形成我们的资产清单以及资产目录。

7.资产目录落地发布数据资产盘点成果的发布，并不是将数据资产清单以邮件或其他方式发布出去就行了，而是需要搭建起来专业的数据资产管理平台，通过平台落地数据资产目录，将数据资产以“服务”的形式进行发布，实现数据资产在企业内的共享，以及面向外部的数据开放。

数据资产分类落地执行包括：

分类目录与系统/模块之间的对应关系；

依据数据归属的系统、功能可快速进行分类；

目录与资产表的对应关系；

遇复杂分类对应关系时，需建立目录与系统及关键字对应关系表，用于增量分类管理。

03 数据资产盘点的保障机制

数据资产盘点的过程中还涉及到盘点的保障机制，包括以下三点：

1.管理组织

决策、管理、执行三级组织架构，职责清晰、任务明确，进行数据盘点项目组织及配合。也就是说做数据资产盘点工作时，是谁来对接哪方面的数据，需要做的任务是什么，都是需要有明确的管理组织设置和职责定义。

2.制度办法

包括制定数据资产盘点制度、资产盘点管理办法、元数据管理办法、数据标准管理办法、数据质量管理办法。

3.落地方案

根据实际盘点需求，确定数据资源的采集、处理、分类、映射等管理方案。数据资产盘点方案，通过盘点及生成的数据资产目录让数据资产有口径、有溯源、有案例场景，用户才能“看得到、用得上、能放心”，并为后续数据资产门户、全景地图、安全、数据资产运营等应用提供支撑。

（内容摘录自网络，如有侵权请联系删除）

2024年伊始，数据要素产业利好政策密集出台，企业数据资产“入表”成为了大势所趋。数据要素顶层设计方案加速落地，推动企业数字化转型提档加速，提升数据管理能力、实现数据资产价值成为企业下一阶段核心竞争力构建的关键。数据资产可以为企业提供更丰富的融资渠道，降低融资成本，为企业的可持续发展提供有力支持。企业可以将数据作为底层资产，在数据资产抵质押贷款、数据资产融资租赁等方面进行有益探索，拓宽融资渠道。此外，数据资产入表还有助于外界更直观地了解企业在数字经济，如智慧城市等新兴领域的实力和潜力，提高企业未来前景预期，推动企业估值的提升。

一、什么是数据资产入表

（一）什么是数据资产数据要素、数据资源和数据资产
对于数据资源、数据资产和数据要素这三个概念，人们往往容易混淆。为了更好地理解和利用数据，有必要对这三个概念进行深入的辨析。下面逐一探讨这三个概念的定义、特征以及相互关系，以期帮助您建立清晰的认识，为实际应用提供指导。数据要素相关概念的定义与内涵 1、数据要素相关的概念数据资源（Data Resource）数据资源是指为以电子化形式记录和保存的具备原始性、可机器读取、可供社会化再利用的数据集合。区别数据与数据资源的依据主要在于数据是否具有使用价值。具体 而言，经过收集、存储、运维后形成的电子化、规模化、能够为组织（政府机构、企事业单位等）产生一定价值的数据被视作数据资源。数据资产（Data Asset）数字资产是个人和企业拥有的财产，数据资产包含结构化数据和非结构化数据，包括以数据形式记录的照片、视频、文件、订单、合同等资源，这些资源以电子形式存在，并具备给个人或企业带来经济价值的潜力。数据资产具有以下特征：非实体性和无消耗性、可加工性、多样性、依托性、价值易变性、多次衍生性、可共享性和零成本复制性。数据资产将数据视为类似于资金、设备、技术等要素资源，并将数据资源转化为可交易的“数据资产”。对于企业而言，数据资产包括无形资产或存货等类型的数据资源，以及企业合法拥有或控制的数字资源，这些资源预计将为企业带来经济利益。数据要素（Data Capital as Factor of Production）数据要素是指为根据特定生产需求汇聚、整理、加工而成的计算机数据及其衍生形态。依据十九届四中全会提出的“将数据列为生产要素”与生产要素的定义，数据要素是参与到社会生产经营活动中，为所有者或使用者带来经济效益的数据资产。因此，“数据要素”一词是面向数字经济、在讨论生产力和生产关系的语境中对“数据”的指代， 是对数据促进价值生产的强调。数据要素市场化（Market-based allocation of factors）数据要素市场化是指将数据作为一种要素资源，通过市场机制进行交易、流通和配置。数据要素市场化配置的关键在于通过市场化的流通手段，让数据向最需要的地方流转聚集，让不同来源的优质数据在新的业务需求和场景中汇聚融合，在跨领域数据融合中产生更大效益，实现双赢、多赢的价值利用。2、数据要素的内涵数据作为生产要素指的是在现代经济中我们将数据视为一种重要的资源，类似与劳动力、资本和土地。核心内涵可以从三个方面概述：数据是一种新的生产力：随着人类社会的不断发展，生产要素也在不断变化。最初的生产要素包括劳动力、土地和资本。然而，随着科技的进步和工业革命的到来，新的生产要素不断涌现，如技术、知识和创新等。这些新生产要素的引入和应用推动了生产力的提升和社会经济的发展。数据作为一种新兴的生产要素，它不仅是一种资源，而且是一种能够被收集、存储、分析和应用的信息形式。能够作为独立的维度使得它能够为生产和决策提供更加精确、实时和全面的支持。数据驱动的生产方式：数据的引入还促使形成了一种新的生产方式，即数据驱动的生产方式。在这种方式下，数据成为了决策制定和创新的重要依据，数据挖掘分析成为了生产的关键环节。数据驱动的生产方式能够更加灵活、快速的响应市场变化和需求变化，提高决策效果和创新效果。创造价值和满足需求：数据作为生产要素的出现实质上指向了生产的本质，生产的本质在于创造价值和满足需求。通过数据的挖掘分析，我们可以更好的了解市场需求、消费者行为、产品性能等信息，从而更加准确地预测和满足需求。数据作为生产要素的出现不仅丰富了生产要素的含义，而且指向了生产的本质。因此， 我们需要不断关注和探索数据的应用，以推动生产力的提升和社会经济的进一步发展。数据要素市场化进程持续加快 随着数据要素产业经济的兴起，国家对数据要素的重视程度不断提升。国家在制定相关政策法规、推动数据开放共享和促进数据产业发展等方面采取了积极的措施，鼓励和支持数据要素的收集、整合、管理和应用，为数据要素创造了良好的政策环境和发展条件。国家层面对数据要素市场化的政策导向主要强调在处理数据的合法合规，保护数据不会被非法获取、篡改或滥用，数据的存储、传输和处理过程中采用了安全的技术和加 密手段，以保障数据的完整性和机密性，推崇数据的共享和开放，以促进创新和经济发展，倡导建立健全的数据治理机制，通过明确的政策和规范，对数据的收集、存储、使用和共享进行规范管理。

数据要素相关政策法规各地方政府贯彻落实中央政策，探索数据要素流通顶层设计并陆续出台了地方相关数据条例和公共数据管理办法。地方政府陆续出台政策的主要导向包括数据共享与开放、数据安全与保护、数据质量与准确性、数据治理与责任以及数据应用与创新。导向旨在促进数据的合理利用、保护和管理，为政府决策和公众服务提供有效支持。在政策的引导和推动下，数据要素市场化进程加速，有助于实现数据要素的价值最大化和流动性提升，推动数据产业链的发展和创新。为了有效实现数据要素市场化，相 应的市场定价和交易模式得以建立，以确保数据要素的价值更加透明和公正，并促进数据要素市场的健康发展。这些举措都为国家经济和社会发展带来了重要的意义和影响，并为企业提供了更多的商机和合作空间。数据要素化的实施路径 基于大量的理论研究和应用实践，我们认为商业银行要实现数据要素化且最终参与到数据要素产业生态中，需要经历以下三个阶段：

数据要素产业发展路径业务数据化：业务数据化是指将各项业务活动和过程转化为可量化、可记录和可分析的数据形式。商业银行涉及广泛的业务领域，包括存款、贷款、投资、交易等。业务 数据化的第一步是通过系统和技术手段收集和整合各项业务的数据。这些数据可以来自于客户交易、业务操作、市场行情、风险评估等多个来源。通过对这些数据进行治理和管理，保证数据的源头质量，未来可以帮助银行更好地理解和分析业务运营状况，支持决策制定、风险管理和客户服务等方面。数据资产化：数据资产化是指将数据视为一种重要的资产，并将其管理、促进利用和价值最大化的过程，通过对数据进行识别、分类和标记，以确定不同数据的价值和用途。数据资产可以包括客户数据、交易数据、风险数据、市场数据等。不同类型的数据资产基于数据应用目标进行相应的成本与价值计量，并进行有效的管理和利用，帮助银行提高数据价值和运营效率。资产要素化：资产要素化则是通过要素化识别出有“活性”的数据资产，在分析和挖掘中发现有价值的信息和洞察，支持决策制定和业务创新，实现客户洞察、风险管理、 营销策略优化等方面的增值。同时，也能为银行带来商业机会，例如数据交易、数据合作等， 进一步增强银行的竞争力和盈利能力。数据资产如何常态化的识别、确认、计量、使用、交易及最大化持续发挥价值，涉及企业内部的数据治理、数据资产确权、配套数据资产管理的制度设计、数据架构设计、数据资产的全生命周期管理等内容，作为技术型数商亿信华辰可以为企业提供上述全套All in的咨询、方案与产品及落地交付。

（二）数据资产入表

1、什么是数据资产入表 数据资产入表就是将企业的数据资源以资产的形式纳入财务报表中进行管理和计量。

2、 政策背景 2023年9月国家发改委价格监测中心透露，初步测算我国企业数据要素支出规模约为 3.3万亿元；若将数据资产评估、质押、融资等衍生市场同时考虑在内，整体规模可能超过 30 万亿元。中信证券预计数据要素市场规模有望在2025年迈向2000亿元新台阶，并于2030年突破万亿元。2023 年10月25日，国家数据局正式揭牌，预示着“十四五”开启了逐浪数字经济的新征程。中国数据要素流通市场在“十四五”期末将达到万亿元的规模（张利娟，2023），这是一个巨大蓝海，建立数据登记确权、评估计价和资产入表的政策“闭环”，激活万亿数据资产，是开启这一蓝海的金钥匙。数据资产入表是数据资产价值化的闭环之举，将企业数据资产以会计科目和货币化形式呈现，将推动企业数据资源向数据资产转变，形成规范的数据资产开发、运营和管理体系，提升企业数据治理能级。主要相关的政策及法律法规如下2023年8月21日，针对企业数据资源相关会计处理和会计信息披露等问题，财政部发布《企业数据资源相关会计处理暂行规定》，并规定自2024 年1月1日起施行。这意味着数据资源在符合条件的情况下有可能被确认为企业的“资产”，在财务会计报表中显性化。2023 年 9 月 8 日中国资产评估协会发布《数据资产评估指导意见》，自 2023年10月 1日起施行。该《数据资产评估指导意见》围绕数据资产评估中数据产权和数据质量的重要性，对数据资产的属性定义、评估对象、操作要求、评估方法和披露要求等内容进行了统一规定。《数据资产评估指导意见》对数据资产评估执业行为进行规范，保护资产评估当事人合法权益和公共利益，有助于解决数据要素市场建设中的“数据赋值”问题，对构建和完善数据要素市场、促进数字经济发展具有重要意义。

3 、数据资产入表有什么好处？ 对企业而言，有助于提升企业的数据资产运营和变现能力。通过将数据资源纳入财务报表，企业可以更加清晰地了解自身数据资产的规模、质量和价值，从而制定更加合理的数据资产管理和运营策略。这将有助于企业更好地挖掘数据价值，实现数据资产的保值增值。1.提高企业的数据管理效率:这有助于企业更好地组织和管理数据，提高数据的可访问性和可用性。2.提升企业的决策能力:数据是企业决策的重要依据，而数据资产入表可以为企业提供全面、准确的数据信息。3.盘活数据资产价值:展示企业数字竞争优势，为企业依据数据资产开展投融资提供依据，有效促进内外部会计信息使用者提升决策水平，优化市场资源。4.拓宽融资渠道，降低融资成本数据资产可以为企业提供更丰富的融资渠道，降低融资成本，为企业的可持续发展提供有力支持。企业可以将数据作为底层资产，在数据资产抵质押贷款、数据资产融资租赁等方面进行有益探索，拓宽企业的融资渠道。此外，数据资产入表还有助于外界更直观地了解企业在数字经济，如智慧城市等新兴领域的实力和潜力，提高企业未来前景预期，推动企业估值的提升。对经济而言，数据资产入表能够促进数据流通和使用。在传统的财务报表体系下，由于数据资产的价值难以体现，企业往往缺乏动力去共享和流通数据。而数据资产入表后，企业可以通过财务报表展示自身数据资产的价值，从而吸引更多的合作伙伴和投资者。这将有助于打破数据孤岛现象，促进数据的共享和流通，推动数字经济的发展。对国家而言，数据资产入表也是展现数字经济实力的重要体现。随着全球数字经济的蓬勃发展，各国纷纷将数据作为战略性资源进行布局。数据资产入表作为我国在制度层面上的创新举措，将有助于提升我国在国际数字经济领域的竞争力和影响力。

4 、参与主体 企业内部部门：决策机构、数据部门、财务部门、IT 部门、业务部门。外部机构：数据交易机构、数据治理机构（数据商）、律师事务所、会记师事务所、数据资产评估机构、银行金融机构等。

5 、数据资产入表流程 主要分为企业数据资源/资产管理、登记确权、数据 流通交易及金融化、会计核算处理。

二、企业数据入表工作由哪些部门负责

2024年1月1日，《企业数据资源相关会计处理暂行规定》正式施行。数据资产入表是指将数据确认为企业资产负债表中“资产”一项，在财务报表中体现其真实价值与业务贡献。根据《暂行规定》要求，企业内、外部数据资源确认为无形资产、存货方式入表，同时明确两类数据资源在确认、初始计量、后续计量、收入确认等环节应当遵循的具体准则。数据资产入表是数据资产最终走向数据资本重要的一步，将开启数据要素产业化的大时代。如今各企业正在如火如荼地推进数据资产入表工作，管理层非常着急，但好像在业务部门、在财会部和科技部很难去协同去推动，大家都不太愿意牵头，这是实际的情况。到底这事要怎么做呢？

01 企业中谁来负责数据入表工作关于数据入表首先就是大家想到谁来做这件事，或者说到底在企业是谁最关心数据入表这件事？企业中谁来负责数据入表，现在基本上矛头指向的两个部门，一个当然首当其冲的是财务部，第二个首当其冲的部门就是科技部或数据部。事实上最着急的是董事长，很多企业的董事长把它提到一个非常高的战略地位，一方面更多的从考核、企业形象、品牌、政绩、绩效角度来关注，另一方面针对中小企业更关心入表带来的投融资机会。针对顶层设计，亿信华辰认为，数据资产入表这件事一定要自上而下来推动，不能仅仅简单的靠某一个或者两个部门来开展。一是因为他涉及的范围非常广。数据从业务来的，要开展数据确权。是财务来确权吗？还是科技来确权吗？都不是，是业务来确权。业务产生数据、采集数据、使用数据，数据对业务提供赋能，所以要从企业内部去做确权的话，反而是是各个业务部门都相关。二是涉及到很多权属认定、授权的工作离不开企业内部的风控部门、合规部门、法律部门。企业购买数据获取数据到底是否合法合规，从外部获取、采集相关的数据是否涉及到一些敏感信息，尤其是个人客户的敏感信息是否有违规操作，需要法律合规部门、内部的风控部门、内控部门的参与，还有财务部门、科技部门显然都在内，所以这是一个企业级的事。就像数据治理这件事一样，目前“数据治理”在业内已提高到“公司治理”的范畴，所以数据资产入表同样也一定是企业级自上而下推动的，需要董事长、高级管理层去推动。但可以认定某一个部门作为主牵头部门，其他所有部门都要参与进来，而且不只是简单的参与，都要作为数据的核心或者说数据的属主部门一起来推动。

02 入表实施涉及哪些部门参与数据入表不仅仅是单一部门的工作，它牵扯到集团、企业内部的各个部门，只有这些部门在统一的协调下共同参与，再加上外部服务商的配合，数据入表工作才能真正落地。下图通过流程，把需要参加的部门进行了划分。

初步范围框定：首先在初步范围框定的阶段，需要介入的是企业相关业务部门，以及信息科技IT管理部门\数据管理部门。数据资产分析：到第二个数据资产的分析阶段，需要介入的还是数据管理部门以及业务部门。但为了后期的入表工作更能达到国家现有或者未来发布的管理办法与法规要求，内部的合规部门也必须参与进来。否则做出来的不管是无形资产还是存货的数据产品，若不合法不合规，交易不仅仅不能带来收益，反而会给企业带来巨额损失。可入表的数据资产确认：在可入表的数据资产确认阶段，涉及的部门就更多了。不仅仅是业务部门和数据部门要加入进来，还会涉及我们企业内部的财务会计部门。如果企业还有资产负债部门和审计部门的话，他们也需要加入进来。数据资产计量：在数据资产计量这一阶段，主要会涉及到的就是财务部门和运营管理部。在信息系统运行的当中，数据就是在不断的生产出来的，那运维阶段的成本通过成本法，是需要进入到财务报表中的，所以运营部门也需要加入进来，因为只有他们才能清楚的知道运维成本大概是多少。数据资产披露：从第三阶段开始，审计师都积极加入到了后续的阶段，到最后的数据资产披露阶段，更多的是涉及到了董事会办公室的问题，因为对于未上市、已上市的这些公司来说，其实披露的内容很大程度上会影响到企业在资本市场上投资者对企业的信心，所以董事会成员必须加入进来，共同决定披露内容是什么。当然在这个暂行办法里面已经给列举出了众多的必须披露项，但是可选披露项这一块，会根据具体企业的情况，由董事会进行决定披露哪些。

03 组织架构和制度流程如何设计在具体的落地过程中，建立全方位、跨部门、跨层级的数据资产管理组织架构，是实施组织级统一化、专业化数据资产管理的基础，是数据资产入表工作责任落实的保障。

第一要有数据资产管理委员会，作为数据决策方，无论是董事长挂帅、还是高级管理层、一把手、总经理、总裁挂帅，要有一个自上而下的治理架构，负责制定数据资产管理决策、战略和考核机制。第二在执行层面，由财务和信息科技部门联合牵头，负责在数据项目中落实数据资产管理工作，与数据资产管理层协同参与各项活动。结合工作实际，业务部门进行辅助。但是各部门相应的职责、权利、义务都要有清晰明确的界定，并明确是一个企业全员要开展的工作。除了组织保障外，制度体系设计也至关重要。数据资产管理制度体系通常分层次设计，依据管理的颗粒度，制度体系可划分为组织级数据资产管理总体政策规定、管理办法、实施细则和操作规范四个层次。此项工作可作为凭证，向监管部门或资产评估部门提交相应证据。

三、企业数据资产入表前准备工作

首先来回答题主的第一个问题：数据资产入表前有哪些准备工作需要做？对于数据资产入表，目前市场是大多是在探索中进行，很多走在前面的企业已经开始着手部署入表这件事，也有一些企业有计划做，但不知道从何处入手。对于后者，其实在正式开始入表工作前，下面这些准备工作可以先做起来。

1.数据资源的初步梳理 首先数据资资源的初步梳理。目前对于大部分企业去开展数据资源全面盘点会特别困难，因为如果真正要完整来盘点现有的所有数据资源，大概要花半年以上时间，所以可以先做一点初步梳理。初步梳理也就意味着，可以有重点的去圈定认定入表可能性比较大的数据内容，先做一个初步梳理工作。

2.财务和业务制度流程细化 第二基于初步梳理的结果，要对现有的制度流程进行细化，包括业务的制度流程和财务的制度或者流程。财务的制度流程指的是，因为数据资产入表，无非就是无形资产、存货或者是进入损益三种情况，涉及到会计制度里有关数据资产怎么计量、怎么认定，那么相应的基于前期梳理要做相应适配，比如在什么类型的数据在满足什么条件下可以作为无形资产，在满足什么条件下可以作为存货，在不满足什么条件下要作为损益进入单期费用，这个是相关的会计政策、会计制度要做相应的调整和优化。同样的，业务上配套的管理办法也要跟得上。如果一旦产生新的数据源要做认定和判断一定要有细的流程，而财务的认定和判断只是总体的会计认定原则。细的流程应该是业务部门或业务联合数据科技部门联合颁布，比如24年1月1日开始每天业务端新产生的数据，数据产生过程该怎么进行维护管理， 产生过程所需要的核算、所需要的信息披露、所需要的信息谁来采集，这就涉及到日常长效的工作流程，需要由业务部门和数据部门去制定。

3.开展详细的试点工作 第三件事是可以开展详细的试点工作，就是围绕初步的梳理结果、围绕两份制度直接就把现有数据资源进行精细化的盘点分类、科目认定、成本归集，以及做试点入表的具体准备工作，可以形成很详细的模板、详细的工作底稿。

4.系统工具配置 有些企业可能第一步、第二步做的比较早、比较充分，如果还有时间的话可以考虑到的是系统工具。目前很多企业现有的相关系统平台工具，已经有具备相关的功能了。比如企业有IT项目管理的系统工具，开发软件是会立项的，立项以后跟软件相关人员投入、资源投入都会通过项目管理平台工具去进行成本归期、成本采集。同样的数据资产与软件很类似，因为软件也是无形资产，未来数据资产如果作为无形资产来认定的话，很多的功能跟IT软件、项目管理的这个工具很类似，可以把项目管理工具功能套过来，适用于数据资产的管理功能，在参数上做配置，单独把它作为一类，就可以实现成本归期了。但也要求企业在开展数据资产管理的过程中，要把数据资产当成项目来管理， 也就意味着如果以前是很散的来开展数据资源采集、加工、处理，那可能就很难套了。如果企业要把数据做成一个产品把它立项，一旦立项后可以通过现行的立项项目管理办法、项目管理工具，来执行相关的具体工作， 所以如果有时间的话 ，可以想办法通过已有的工具进行参数配置和改造适用于未来的简版入表。那么什么样的数据可以入表？入表的条件是什么呢？

第一：资产是一项由过去的交易或者事项形成的资源。一层含义是指资源的形成一定是过去就已形成了，而不是正在形成的或者是现在还没有形成预期未来能形成的。第二层含义是资源是通过两种途径形成的，一种是通过交易形成的，第二种是通过事项（自己主动去采集、开发）形成的。

第二：享有的权利是企业有拥有权或者控制权。

第三：资产预期能够给企业带来经济利益。一是指目前手上的资源不强求现在就能够产生现实的利益，而是认为他能够产生预期利益；第二层意思就是它必须能够带来经济利益。满足以上三个条件的数据资产便可以考虑入表。数据资产入表可以分三步走 第一步是入表形成原始资产，第二步是形成无形资产收入，第三步是形成存量资产。

第一步：入表形成原始资产原始资产入表是指系统建设及数据生成等所产生的成本费用，以成本法入表，构成数据资源的初始资产价格。就是说现在，不管有没有做数据治理，你手头如果是有数据，至少这些东西是有可能成为数据资产的。这个时候，先不去考虑未来怎么变现，如果有大量的数据可以形成资产，就先以成本法的方式进行入表，将原来不可计量的这个数据，以货币计量的形式变为你的资产，然后接下来可以用来调节企业的利润表以及资产负债表。此外，通过将数据资源进行成本法入表，首先就已经把手里可以产生经济价值的数据资源做了一次梳理，然后通过梳理也基本知道了未来如果开发或售卖数据产品大概应该怎么定价。

在这个步骤中，也分为三小步。第一步是前置条件阶段，第二步是准备阶段，第三步是实施阶段。

（1）前置条件如果一家企业连基础的信息化系统都没有，就不具备数据入表以及数据资产化的条件。如果企业已经完成了信息化建设，接下来需要做的是对企业的数据治理程度和数据管理能力先做一个必要的评估。目前市面上可以依据的标准DCMM以及DAMA两个标准，都能帮企业确认自己是否具有有效利用自身数据的能力。还有一个是数据资产的入表前改造工作。这里主要涉及的是数据分类分级工具准备、数据成本计量工具准备、财务系统准备等。

（2）准备阶段首先需要确认资产类型，是无形资产还是存货。此外还需要确认资产类别和安全等级，开始做分类分级相应的工作。

（3）实施阶段需要做数据资产成本构成梳理，梳理清楚钱都花去哪儿了；此外还需要进行会计计量入表，即具体以什么科目记录成本；后续计量准备涉及到，一旦入表，以什么形式摊销，如果存在减值或者要终止的时候，需要怎样进行确认。

第二步，形成无形资产收入 什么是无形资产收入？像加盟费跟特许经营是无形资产，然后还有软件授权使用费及其他由无形资产产生的应收款等，都是无形资产收入。如果走的是非存货、即无形资产路线的话，能有效地规避现在由于政策供给层面没有跟上导致的数据确权问题。因为如果走无形资产路径的话，就不是直接卖数据，而是提供数据服务。比如对于部分不能直接出售的数据，可以软件或者其他的方式脱敏，然后提供一个计算结果，在此过程中，由于看不到原始数据，从某种意义上就能避免一些法律上的问题。这些交易也能证明资产预期会给企业带来的经济利益。只有证明了预期的价值，才能用收益法跟市场法给资产估个好价。这个阶段的工作拆分也是前置条件、准备阶段和实施阶段这三步。

（1）前置条件首先企业需要问自己一个问题：我的这些数据是否真的有市场需求，未来想创造出来的，不管是商业模式还是销售计划，可行性到底有多高，市场上是否存在真正的需方。如果没有做这一步，很有可能会花了非常大的成本，造出来一个市场上无人买单的产品，造成巨大浪费。接下来还需要考虑，数据需方愿意以什么方式进行付费，这里主要涉及价格以及付费方式的问题，这决定了数据能否形成稳定、持续的收益。

（2）准备阶段现在数据交易所主要会分以API、或数据包或数据模型的方式来交付数据产品。如果走无形资产路线，卖的就不是数据本身而是数据服务，所以可选择数据模型或数据软件服务的形式。软件产品以特许经营、软件授权等方式来产生可持续现金流。

（3）实施阶段这是又一次系统建设的过程，具体说来可以叫做数据产品开发。数据产品的供给渠道搭建可分为直销和分销。数据产品的结算系统搭建非常关键，因为结算在哪里往往决定了分钱在哪里，这也就决定了，最有动力的人在哪里。这个利益分配机制的搭建非常重要，尤其当走分销路线时。

数据品牌的建设也至关重要，现在是数据要素的建设时期，也就是初步发展时期，但经济学告诉我们，每个细分行业里面，最终只会有少数几个品牌存活下来。所以市场的参与者需要从一开始就建立营销体系以及品牌意识，为下一阶段的残酷竞争做好相应准备。

特别是在数据市场里，因为数据可以无限复制，具有弱排他性，这也就造成虽然整体市场会非常大，但是每个行业里市场份额并不会太大，只能支撑少数几个品牌活下来，所以数据产品的营销工作至关重要。

第三步：形成存量资产 存量资产是指企业所拥有全部可确指的资产，企业的应收账款、其他应收款、无形资产都属于企业的存量资产。这里重点要指出的是应收账款和其他应收款，数据一旦成为数据商品，只要交易量上来，就会形成数据相关的应收账款，还有存货相关的抵押账款等，这些款项都能形成业内所说的金融资产。只有形成了众多金融资产的情况下，才能构建金融资产池，然后才能走到金融化这一步。而金融化往往实现模式就是证券化。形成存量资产的后续影响是数据的货币化。一旦数据资产能实现证券化，从某种意义上数据本身就变成了货币。

如果未来要做到数据货币化，真正应该形成的是基于数据产品为标的物的可持续现金流的产生，并基于此形成应收账款。要将买卖关系变成借贷关系，再变成投资产品。比如房地产市场的整个发展历程，就充分证明了这个理念。

四、数据治理全流程实施

数据作为新时代重要生产要素和战略资源的地位已然确立，数据治理作为激活数据要素价值的基础工程，已成为各行各业抢抓数字化发展先机的焦点和主战场。数据治理是一个囊括了顶层设计、数据治理体系建设、数据服务和数据洞察多个模块，并不断循环改进的闭环体系。本文从数据治理实施的流程体系出发，梳理了数据从战略到应用的治理过程，以期给广大政企提供方法论与思路参考。

01、数据治理顶层设计

1、规划数据战略 数据战略是企业为了实现其长期目标在数据方面所做的方向性的选择和资源的聚焦。它是一个以终为始的路径，企业要做好数据战略的规划，就得在明确自身定位的前提下，找准目标和方向，然后再做出相应的路线规划。

数据战略来自对业务战略固有数据需求的理解：组织需要什么数据，如何获取数据，如何管理数据并确保其可靠性以及如何利用数据。一般来说，数据战略有以下三种基本类型：

（1）决策领先型数据战略：了解市场；识别趋势

（2）运营领先型数据战略：提升效率；促进转型

（3）数据变现型数据战略：成为资产；数据变现

2、成立数据治理委员会 数据治理项目的实施绝非是一个部门的事情，必须由上往下统筹，建立专业的数据治理组织体系，确定对数据进行管理的责权利，即数据的产生者、使用者、拥有者和管理者。在数据治理建设初期，需先成立数据治理管理委员会，从上至下由决策层、管理层、执行层构成。决策层决策、管理层制定方案、执行层实施，从而进行层级管理、统一协调。

3、确定数据治理评价与考核指标一套奖惩有序的数据治理绩效考核体系，能帮助企业规范数据管理流程，落实数据治理相关方的职责，从而提升整体数据质量，实现数据战略。考核指标包括两个方面内容：一方面是对数据的生产、管理和应用等过程的评估和考核指标；另一方面是数据质量的评测指标。数据治理的绩效考核6大基础维度：数据治理人员、数据质量问题、数据标准贯彻、治理策略执行、技术达成、业务价值实现。数据治理的绩效考核4大方式：日常考核、定期考核、系统自动考核、人工考核。

02、数据治理技术体系

1、元数据管理

元数据是企业数据的DNA。元数据管理则是对元数据的创建、存储、整合、控制的一整套流程，是数据治理过程的一部分。基于业务需求，元数据管理系统建设可分为以下4大模块：

(1) 元数据获取：各阶段元数据的统一收集、存储和输出。包括自动获取和手工获取两部分。

(2) 元数据存储：包括存储元数据以及元模型。

(3) 元数据功能：包括元数据基础操作（查询、新增、修改和删除等管理操作）、元数据分析（包括业务指标一致性分析、数据血统分析、数据影响分析等）、元数据权限管理以及元数据服务封装等。

(4) 元数据应用：包括元数据基础能力开放、报表指标优化清理应用、指标运算关系分析应用等。

2、主数据管理

主数据是数据之源。围绕主数据需求开展的数据治理工作，往往成为各类组织推进业务数字化的首要任务。主数据项目实施的标准流程，分为咨询规划和实施落地两大部分，主要是4大步骤，分别是现状分析评估、体系规划、实施规划、平台搭建与落地。

(1) 现状分析与评估：了解企业现状，识别企业当前问题以及数据管理成熟度。

(2) 体系规划阶段：就要去设计企业内部的一个组织架构、企业的主数据管理制度、考核办法标准规范以及主数据运营怎么去设计。

(3) 主数据实施：有了一个顶层设计规划之后，就要去落地主数据实施，制定编码分类、属性、字段、审批流程、整合清洗分发、集成切换策略等，主数据实施的过程中是根据这些策略去执行的。

(4) 平台落地：将主数据实施内容了解清楚之后就到主数据管理平台上去进行落地了，包括主数据模型、主数据维护以及主数据治理相关的内容落地。

3、数据标准管理

数据标准化是企业进行数字化转型的根基。数据标准与企业数据管理的每个域都相关，是数据治理工作的最基础内容。数据标准的建立通常有5个步骤，包括标准分类规划、标准体系建设、标准评审发布、标准落地执行、标准运营维护。

（1）标准规划：构建数据标准分类框架，并制定开展数据标准管理的实施路线。

（2）标准制定：在完成标准分类规划的基础上，定义数据标准及相关规则。

（3）标准发布：征询意见，在完成意见分析和标准修订后，进行标准发布。

（4）标准执行：把企业已经发布的数据标准应用于信息建设， 消除数据不一致。

（5）标准维护：根据业务的发展变化以及数据标准执行效果不断更新和完善数据标准。

4、数据质量管理

数据质量管理是对数据从计划、获取、共享、维护、应用、消亡生命周期的每个阶段里可能引发的各类数据质量问题，进行识别、度量、监控、预警等一系列管理活动，并通过改善和提高组织的管理水平使得数据质量获得进一步提高。全国信息技术标准化技术委员会提出了数据质量评价指标（GB/T36344-2018 ICS 35.24.01），它包含以下几个方面，分别是完整性，一致性，准确性，时效性，唯一性和可访问性。

提升数据质量，可参考以下7大步骤实施：

（1）定义高质量数据：对数据质量改进的目标和优先级事项达成一致。

（2）定义数据质量战略：数据质量优先级必须与业务战略一致

（3）识别关键业务和质量规则：确定关键数据后，识别梳理数据质量特征要求的业务规则。

（4）执行初始数据质量评估：执行初始数据质量评估，定义可操作的改进计划。

（5）识别改进方向并确定优先级：分析问题的业务影响，最终讨论确定优先顺序。

（6）定义数据质量改进目标：量化业务价值，设定具体的、可实现的目标。

（7）开发和部署数据质量操作：围绕数据质量方案制定实施计划，管理数据质量规则和标准、监控数据与规则的执行一致性，识别和管理数据质量问题，并报告质量水平。

5、数据交换共享

当数据从一个系统跨授权边界访问或传递到另一个系统时，就需要使用一个或多个协议来指定每个组织的责任、要访问或交换的数据类型和影响界别、如何使用交换数据，以及在交换系统的两端处理、存储或传输数据时如何保证数据安全。数据交换主要用于实现不同机构不同系统之间进行数据或者文件的传输和共享，可以帮助消除数据孤岛，提高信息资源的利用率。数据资源交换共享与开发应用平台按数据的流向自下而上分为5层，分别为外部数据资源层、数据汇聚层、数据融合层、服务管理层和服务门户层。

（1）外部数据资源层：即源数据库，为系统外部数据的来源。

（2）数据汇聚层：根据获取数据的特性采用相应采集方案整合外部数据源。

（3）数据融合层：为工程数据提供持久化存储和访问的场所。

（4）服务管理层：主要包括目录管理、资源管理、服务管理、交换管理等功能。

（5）服务门户层：通过服务门户和接口支持，提供标准化服务给应用系统调用。

6、数据安全治理

数据安全管理是用来实现和维护数据保密性、完整性、可用性、可核查性、真实性和可靠性的过程。

数据安全问题贯穿数据全生命周期的各个环节。在新形势下，要做好数据安全治理，就要做好企业的数据安全防护能力建设，建立起一个强保障且动态化的安全保护机制。这个机制的攻坚点主要是三个方面：完善数据安全治理规划，提高数据安全技术防护能力和加强数据安全审计。

（1）完善数据安全治理规划：评估数据安全现状，识别数据安全需求，完善数据安全治理组织规划和制度保障体系

（2）提高数据安全技术防护能力：主要包括自动化数据分级分类和精细化数据权限管控，并从防御风险、识别风险、预测风险、解决风险四个方面，来提升组织的抗风险能力。

（3）做好数据安全监控审计：除日常审计外，还需进行以业务线为单位的专项审计。

7、数据生命周期管理

数据生命周期管理是一种基于策略的方法，包括数据的创建、使用、归档和销毁的策略和过程。

（1）数据创建：利用数据模型保证数据完整、执行数据标准保证数据准确、加入数据质量检查创建准确、保证数据在合理的系统生成。

（2）数据使用：利用元数据监控数据使用、利用数据标准保证数据准确、利用数据质量检查加工准确、确保数据在合理的系统使用、控制数据的派生。

（3）数据归档：利用评估手段保证归档时机、分数据类型归档数据。

（4）数据销毁：利用评估手段保证数据销毁时机，分数据类型销毁数据。

03、数据服务和数据洞察

1、数据资产管理与运营

数据作为企业一种“特殊资产”，已被列入企业的资产负债表。怎样识别数据资产、有效管理和运营数据资产，利用现有的数据资产创造价值，也是数据治理中的一项重要工作和目标。从技术上拆解数据要素价值的生成路径，企业数据要素与资产运营的建设路径可分为三个关键阶段：数据资源化、资源产品化和产品价值化。（1）数据资源化：把不同来源的数据经过必要的加工、整合和处理，在物理上按照一定的逻辑归集后达到“一定规模”，形成可重用、可应用、可获取的数据集合。这个阶段需要数据战略规划方法、构建数据能力体系、建立企业数据治理体系。

（2）数据产品化：企业通过自己组织或有效授权给外部机构，以数据使用方需求为导向进行数据产品的研发。这一阶段包括建立数据资源可能的应用价值图谱、分析目标客户的数据需求及应用场景，选择合适的测试客户、联合共同组织数据产品及其技术开发。

（3）产品价值化：数据产品已经可以放在数据要素交易市场上进行买卖了，能够带来持续的收益。这一阶段需要建立数据资产化战略、构建数据资产管理体系、实现数据资产的经营管理。

2、数据服务

数据服务是指为用户提供数据相关的各种服务和支持的一种业务模式，包括数据收集和整理、数据分析和洞察、数据可视化、数据安全和隐私、数据应用和功能这5方面。

（1）数据收集和整理：收集各类来源的数据，并对其进行整理和组织，使其更易于理解和使用。

（2）数据分析和洞察：对收集的数据进行分析和挖掘，找出其中的模式、趋势和关联性，实现智慧决策。

（3）数据可视化：数据服务可以将复杂的数据以图表、图像或其他形式进行可视化展示，使用户更容易理解和解释数据。

（4）数据安全和隐私：采取安全措施，确保用户的数据在处理和存储过程中安全可靠；同时也会尊重用户的隐私权，保护用户的个人信息不被滥用或泄露。

（5）数据应用和功能：为用户提供各种应用和功能，满足不同领域和行业的需求。

五、企业数据资产入表准备——数据治理

数据作为新时代重要生产要素和战略资源的地位已然确立，数据治理作为激活数据要素价值的基础工程，已成为各行各业抢抓数字化发展先机的焦点和主战场。数据治理是一个囊括了顶层设计、数据治理体系建设、数据服务和数据洞察多个模块，并不断循环改进的闭环体系。本文从数据治理实施的流程体系出发，梳理了数据从战略到应用的治理过程，以期给广大政企提供方法论与思路参考。

01 数据治理顶层设计

1、规划数据战略

数据战略是企业为了实现其长期目标在数据方面所做的方向性的选择和资源的聚焦。它是一个以终为始的路径，企业要做好数据战略的规划，就得在明确自身定位的前提下，找准目标和方向，然后再做出相应的路线规划。

数据战略来自对业务战略固有数据需求的理解：组织需要什么数据，如何获取数据，如何管理数据并确保其可靠性以及如何利用数据。一般来说，数据战略有以下三种基本类型：

（1）决策领先型数据战略：了解市场；识别趋势

（2）运营领先型数据战略：提升效率；促进转型

（3）数据变现型数据战略：成为资产；数据变现

2、成立数据治理委员会

数据治理项目的实施绝非是一个部门的事情，必须由上往下统筹，建立专业的数据治理组织体系，确定对数据进行管理的责权利，即数据的产生者、使用者、拥有者和管理者。在数据治理建设初期，需先成立数据治理管理委员会，从上至下由决策层、管理层、执行层构成。决策层决策、管理层制定方案、执行层实施，从而进行层级管理、统一协调。

3、确定数据治理评价与考核指标

一套奖惩有序的数据治理绩效考核体系，能帮助企业规范数据管理流程，落实数据治理相关方的职责，从而提升整体数据质量，实现数据战略。考核指标包括两个方面内容：一方面是对数据的生产、管理和应用等过程的评估和考核指标；另一方面是数据质量的评测指标。数据治理的绩效考核6大基础维度：数据治理人员、数据质量问题、数据标准贯彻、治理策略执行、技术达成、业务价值实现。数据治理的绩效考核4大方式：日常考核、定期考核、系统自动考核、人工考核。

02 数据治理技术体系

1、元数据管理

元数据是企业数据的DNA。元数据管理则是对元数据的创建、存储、整合、控制的一整套流程，是数据治理过程的一部分。基于业务需求，元数据管理系统建设可分为以下4大模块：

(1) 元数据获取：各阶段元数据的统一收集、存储和输出。包括自动获取和手工获取两部分。

(2) 元数据存储：包括存储元数据以及元模型。

(3) 元数据功能：包括元数据基础操作（查询、新增、修改和删除等管理操作）、元数据分析（包括业务指标一致性分析、数据血统分析、数据影响分析等）、元数据权限管理以及元数据服务封装等。

(4) 元数据应用：包括元数据基础能力开放、报表指标优化清理应用、指标运算关系分析应用等。

2、主数据管理

主数据是数据之源。围绕主数据需求开展的数据治理工作，往往成为各类组织推进业务数字化的首要任务。主数据项目实施的标准流程，分为咨询规划和实施落地两大部分，主要是4大步骤，分别是现状分析评估、体系规划、实施规划、平台搭建与落地。

(1) 现状分析与评估：了解企业现状，识别企业当前问题以及数据管理成熟度。

(2) 体系规划阶段：就要去设计企业内部的一个组织架构、企业的主数据管理制度、考核办法标准规范以及主数据运营怎么去设计。

(3) 主数据实施：有了一个顶层设计规划之后，就要去落地主数据实施，制定编码分类、属性、字段、审批流程、整合清洗分发、集成切换策略等，主数据实施的过程中是根据这些策略去执行的。

(4) 平台落地：将主数据实施内容了解清楚之后就到主数据管理平台上去进行落地了，包括主数据模型、主数据维护以及主数据治理相关的内容落地。

3、数据标准管理

数据标准化是企业进行数字化转型的根基。数据标准与企业数据管理的每个域都相关，是数据治理工作的最基础内容。数据标准的建立通常有5个步骤，包括标准分类规划、标准体系建设、标准评审发布、标准落地执行、标准运营维护。

（1）标准规划：构建数据标准分类框架，并制定开展数据标准管理的实施路线。

（2）标准制定：在完成标准分类规划的基础上，定义数据标准及相关规则。

（3）标准发布：征询意见，在完成意见分析和标准修订后，进行标准发布。

（4）标准执行：把企业已经发布的数据标准应用于信息建设，消除数据不一致。

（5）标准维护：根据业务的发展变化以及数据标准执行效果不断更新和完善数据标准。

4、数据质量管理

数据质量管理是对数据从计划、获取、共享、维护、应用、消亡生命周期的每个阶段里可能引发的各类数据质量问题，进行识别、度量、监控、预警等一系列管理活动，并通过改善和提高组织的管理水平使得数据质量获得进一步提高。全国信息技术标准化技术委员会提出了数据质量评价指标（GB/T36344-2018 ICS 35.24.01），它包含以下几个方面，分别是完整性，一致性，准确性，时效性，唯一性和可访问性。

提升数据质量，可参考以下7大步骤实施：

（1）定义高质量数据：对数据质量改进的目标和优先级事项达成一致。

（2）定义数据质量战略：数据质量优先级必须与业务战略一致。

（3）识别关键业务和质量规则：确定关键数据后，识别梳理数据质量特征要求的业务规则。

（4）执行初始数据质量评估：执行初始数据质量评估，定义可操作的改进计划。

（5）识别改进方向并确定优先级：分析问题的业务影响，最终讨论确定优先顺序。

（6）定义数据质量改进目标：量化业务价值，设定具体的、可实现的目标。

（7）开发和部署数据质量操作：围绕数据质量方案制定实施计划，管理数据质量规则和标准、监控数据与规则的执行一致性，识别和管理数据质量问题，并报告质量水平。

5、数据交换共享

当数据从一个系统跨授权边界访问或传递到另一个系统时，就需要使用一个或多个协议来指定每个组织的责任、要访问或交换的数据类型和影响界别、如何使用交换数据，以及在交换系统的两端处理、存储或传输数据时如何保证数据安全。数据交换主要用于实现不同机构不同系统之间进行数据或者文件的传输和共享，可以帮助消除数据孤岛，提高信息资源的利用率。数据资源交换共享与开发应用平台按数据的流向自下而上分为5层，分别为外部数据资源层、数据汇聚层、数据融合层、服务管理层和服务门户层。

（1）外部数据资源层：即源数据库，为系统外部数据的来源。

（2）数据汇聚层：根据获取数据的特性采用相应采集方案整合外部数据源。

（3）数据融合层：为工程数据提供持久化存储和访问的场所。

（4）服务管理层：主要包括目录管理、资源管理、服务管理、交换管理等功能。

（5）服务门户层：通过服务门户和接口支持，提供标准化服务给应用系统调用。

6、数据安全治理

数据安全管理是用来实现和维护数据保密性、完整性、可用性、可核查性、真实性和可靠性的过程。

数据安全问题贯穿数据全生命周期的各个环节。在新形势下，要做好数据安全治理，就要做好企业的数据安全防护能力建设，建立起一个强保障且动态化的安全保护机制。这个机制的攻坚点主要是三个方面：完善数据安全治理规划，提高数据安全技术防护能力和加强数据安全审计。

（1）完善数据安全治理规划：评估数据安全现状，识别数据安全需求，完善数据安全治理组织规划和制度保障体系

（2）提高数据安全技术防护能力：主要包括自动化数据分级分类和精细化数据权限管控，并从防御风险、识别风险、预测风险、解决风险四个方面，来提升组织的抗风险能力。

（3）做好数据安全监控审计：除日常审计外，还需进行以业务线为单位的专项审计。

7、数据生命周期管理

数据生命周期管理是一种基于策略的方法，包括数据的创建、使用、归档和销毁的策略和过程。

（1）数据创建：利用数据模型保证数据完整、执行数据标准保证数据准确、加入数据质量检查创建准确、保证数据在合理的系统生成。

（2）数据使用：利用元数据监控数据使用、利用数据标准保证数据准确、利用数据质量检查加工准确、确保数据在合理的系统使用、控制数据的派生。

（3）数据归档：利用评估手段保证归档时机、分数据类型归档数据。

（4）数据销毁：利用评估手段保证数据销毁时机，分数据类型销毁数据。

03 数据服务和数据洞察

1、数据资产管理与运营

数据作为企业一种“特殊资产”，已被列入企业的资产负债表。怎样识别数据资产、有效管理和运营数据资产，利用现有的数据资产创造价值，也是数据治理中的一项重要工作和目标。从技术上拆解数据要素价值的生成路径，企业数据要素与资产运营的建设路径可分为三个关键阶段：数据资源化、资源产品化和产品价值化。

（1）数据资源化：把不同来源的数据经过必要的加工、整合和处理，在物理上按照一定的逻辑归集后达到“一定规模”，形成可重用、可应用、可获取的数据集合。这个阶段需要数据战略规划方法、构建数据能力体系、建立企业数据治理体系。

（2）数据产品化：企业通过自己组织或有效授权给外部机构，以数据使用方需求为导向进行数据产品的研发。这一阶段包括建立数据资源可能的应用价值图谱、分析目标客户的数据需求及应用场景，选择合适的测试客户、联合共同组织数据产品及其技术开发。

（3）产品价值化：数据产品已经可以放在数据要素交易市场上进行买卖了，能够带来持续的收益。这一阶段需要建立数据资产化战略、构建数据资产管理体系、实现数据资产的经营管理。

2、数据服务

数据服务是指为用户提供数据相关的各种服务和支持的一种业务模式，包括数据收集和整理、数据分析和洞察、数据可视化、数据安全和隐私、数据应用和功能这5方面。

（1）数据收集和整理：收集各类来源的数据，并对其进行整理和组织，使其更易于理解和使用。

（2）数据分析和洞察：对收集的数据进行分析和挖掘，找出其中的模式、趋势和关联性，实现智慧决策。

（3）数据可视化：数据服务可以将复杂的数据以图表、图像或其他形式进行可视化展示，使用户更容易理解和解释数据。

（4）数据安全和隐私：采取安全措施，确保用户的数据在处理和存储过程中安全可靠；同时也会尊重用户的隐私权，保护用户的个人信息不被滥用或泄露。

（5）数据应用和功能：为用户提供各种应用和功能，满足不同领域和行业的需求。

六、企业数据资产入表准备——数据资产盘点

数据作为企业一种“特殊资产”，已被列入企业的资产负债表。只有对数据资源进行统筹规划，全面梳理，“摸清家底”，才能让数据更好地服务于企业的业务应用。怎样识别数据资产、有效管理和运营数据资产，利用现有的数据资产创造价值，也是数据治理、数据资产管理中的一项重要工作和目标。

01 为什么需要数据资产盘点

财政部正式印发《企业数据资源相关会计处理暂行规定》，对于符合规定定义和确认条件的数据资产，可确认为无形资产或存货。数据资源会计处理方式的确定，意味着数据将作为资产正式被纳入会计报表，数据价值凸显。而数据资产盘点也是实现数据资产入表的关键一环。从企业自身而言，数据资产盘点是对企业数据现状进行全面梳理，盘点出可视化的可复用的有价值的数据资源，形成数据资产目录，供企业内共享应用，为企业数字化转型赋能。数据资产盘点不仅能发现数据资产、剖析数据现状，也能发现数据问题，查漏补缺，为企业数据资产管理指明了后续工作方向。通过对数据进行盘点可帮助弄清楚以下问题：解决“有什么”、“用什么”、“如何用”等问题。

02 数据资产盘点

数据资产盘点工作步骤企业数据资产盘点一般可分为以下7个步骤，如下图：

1.明确盘点目标基于数据资产现状和现阶段管理要求，明确数据资产盘点目标，并规划所需资源和本阶段数据资产盘点想要达到的效果。方式包括：通过调研问卷，对企业数据现状、管理现状等进行梳理了解。 通过关键问题访谈，了解企业数据资产的采集、处理、应用等问题难点。

通过了解企业的发展战略、集团数据战略要求，以及企业系统各类资料，指定盘点目标。

根据DCMM要求的能力项进行成熟度评估，了解企业数据资产管理难点。

2.明确盘点范围及内容企的数据散落在各个异构系统、甚至业务人员电脑中，数据结构、数据类型、存储形式、敏感级别、重要程度各不相同，整体看起来就像是一团乱麻的线，如何盘点理出头绪并不容易。

数据资产盘点到底要盘点啥？数据盘点的范围一般从三个角度定义：

组织范围：盘点要覆盖哪些组织和部门，例如：集团本部、集团+分子公司等。

业务范围：盘点哪些业务的数据，例如：生产业务、采购业务、营销业务、财务业务、人力资源业务等。 系统范围：盘点哪些应用系统的数据，例如：ERP系统、MES系统、SCM系统、CRM系统、HR系统等。

基于不同的数据来源，根据不同的划分策略，盘点的内容侧重会有所不同：

基础数据：需要盘点数据分布在哪些IT系统，区分其中哪些是需要跨系统流转、共享使用且变化缓慢的主数据信息，哪些是与IT系统定位相匹配的业务流程交易信息。 衍生数据：需要盘点数据的不同应用场景，比如监管、统计、内部管理等等。一方面根据衍生数据基于不同使用场景进行分类，另一方面通过盘点，梳理对基础数据的使用热度。

外部数据：需要盘点外部数据需求、数据类型、数据来源、采集频率、获取成本、数据质量以及数据价值评估方式等。

3.确认盘点模板该阶段需要根据盘点内容，制定数据梳理模板并定义数据资产标准项。内部对盘点工作进行培训和宣贯，相关人员对盘点范围、目标、内容等达成共识，理解并学会数据资产梳理模板的使用。正常来讲，我们最终实现的数据资产清单，它一定是一个对同类型的这个数据 ，可以有一个统一的模板， 需要根据我们确定的盘点的内容确定盘点的一个模板，比如说盘点的是你的数据库表类的数据，那就可以去看系统表名，然后中文名英文名包括他的一些日常的管理的属性等。

4.整体摸查盘点基本上盘点会从系统摸查到数据库表，然后再摸查到数据字段的力度。通过整体数据情况摸查后，补充相关信息的基础属性、管理属性、业务属性。并可以在过程中直接使用元数据管理工具进行数据的采集摸查，并在系统中进行属性的补充完善。根据实际需求可在过程中建设企业数据标准，为数据资产的分类管理提供标准化基础依据。

5.元数据采集补充采集盘点范围的元数据，快速识别各类数据以便进行数据梳理分析，剔除相关数据，补充数据资产元数据属性为后续实现资产分目提供基础资源。

6.资产目录生成把元数据补充完毕之后，再去根据企业调研结果或者是针对数据的基础判断，然后就能知道我们的核心数据或核心的数据资产有哪些了，就可以形成我们的资产清单以及资产目录。

7.资产目录落地发布数据资产盘点成果的发布，并不是将数据资产清单以邮件或其他方式发布出去就行了，而是需要搭建起来专业的数据资产管理平台，通过平台落地数据资产目录，将数据资产以“服务”的形式进行发布，实现数据资产在企业内的共享，以及面向外部的数据开放。

数据资产分类落地执行包括：

分类目录与系统/模块之间的对应关系；

依据数据归属的系统、功能可快速进行分类；

目录与资产表的对应关系；

遇复杂分类对应关系时，需建立目录与系统及关键字对应关系表，用于增量分类管理。

03 数据资产盘点的保障机制

数据资产盘点的过程中还涉及到盘点的保障机制，包括以下三点：

1.管理组织

决策、管理、执行三级组织架构，职责清晰、任务明确，进行数据盘点项目组织及配合。也就是说做数据资产盘点工作时，是谁来对接哪方面的数据，需要做的任务是什么，都是需要有明确的管理组织设置和职责定义。

2.制度办法

包括制定数据资产盘点制度、资产盘点管理办法、元数据管理办法、数据标准管理办法、数据质量管理办法。

3.落地方案

根据实际盘点需求，确定数据资源的采集、处理、分类、映射等管理方案。数据资产盘点方案，通过盘点及生成的数据资产目录让数据资产有口径、有溯源、有案例场景，用户才能“看得到、用得上、能放心”，并为后续数据资产门户、全景地图、安全、数据资产运营等应用提供支撑。

（内容摘录自网络，如有侵权请联系删除）