《数据资产管理白皮书》由会员分享，可在线阅读，更多相关《数据资产管理白皮书（69页珍藏版）》请在金锄头文库上搜索。
1、数据资产管理白皮书前言党的十九大报告提出要“推动互联网、大数据、人工智能和实体经济深度融合”，进一步突出了大数据作为国家基础性战略性资源的重要地位，掌握丰富的高价值数据资源日益成为抢占未来发展主动权的前提和保障。数据是资产的概念已经成为行业共识。然而现实中，对数据资产的管理和应用往往还处于摸索阶段，数据资产管理面临诸多挑战。首先，大部分企业和政府部门的数据基础还很薄弱，存在数据标准混乱、数据质量层次不齐、各条块之间数据孤岛化严重等现象，阻碍了数据的共享应用。其次，受限于数据规模和数据源种类的丰富程度，多数企业的数据应用刚刚起步，主要集中在精准营销，舆情感知和风险控制等有限场景，应用深度不够，应
2、用空间亟待开拓。再次，由于数据的价值很难评估，企业难以对数据的成本以及其对业务的贡献进行评估，从而难以像运营有形资产一样管理数据资产。国际上，1990 年以来，以国际数据管理协会（DAMA，Data Management Association International）、能力成熟度模型集成（CMMI， Capability Maturity Model Integration）为代表的组织机构长期从事数据管理的研究，形成了一定的理论成果。在这些理论的指导下，我国金融、电信、能源、互联网等信息化较为先进的行业，已经积累了丰富的数据资产管理经验。这些经验的总结对于补充完善数据管理理论体系、推进
3、数据资产管理在各个行业的普及和发展有着重要意义。为了促进数据资产管理的研究，我们组织编写了数据资产管理VII实践白皮书。本白皮书分为四大部分：第一部分介绍了数据资产管理的概述及变革中的数据资产管理呈现出来的特征趋势；第二部分从实践角度出发阐述了数据资产管理的主要内容；第三部分重点介绍了数据资产管理的实施步骤、实践模式、技术工具和成功要素；最后结合实践经验，介绍了电信、金融、政务、医疗和工业等相关领域的数据资产管理案例。本白皮书在数据资产管理实践白皮书 3.0的基础上，以全面盘点数据资产、不断提升数据质量、实现数据互联互通、提高数据获取效率、保障数据安全合规、数据价值持续释放等角度， 通过权威数
4、据和典型事件，生动剖析了数据资产管理的重点内容和目标。在原有管理职能的介绍下，尝试说明数据资产化管理的关键活动步骤，并在实施步骤方面，增加了各实施阶段的具体输出物，并增加了“数据价值管理工具”和“数据服务管理工具”，更好的指导企业搭建数据资产管理平台，开展数据资产管理相关工作。本白皮书可以为政府和企业开展数据资产管理工作提供参考，也可以作为相关产品和服务提供商的参考依据。由于时间仓促，水平所限，我们的工作还有很多不足。下一步，我们还将广泛采纳各方面意见建议，进一步深化相关研究，持续完善白皮书内容，在已有版本的基础上，适时修订发布新版。我们诚邀各界专家学者参与我们的研究工作，积极献言献策，共同完
5、善国内数据资产管理理论和方法论体系， 为促进大数据与实体经济深度融合做出积极贡献。目录一、数据资产管理概述1(一) 数据资产管理的定义与内涵11. 数据资产管理的概念12. 数据资产管理的内涵23. 数据资产管理的演变3(二) 数据资产管理的重要性41. 数据价值难以有效发挥的原因52. 数据资产管理是充分发挥数据价值的必经之路6(三) 数据资产管理是各方关注的重要议题8(四) 数据资产管理的现状与发展101. 数据管理对象变化102. 处理架构更新换代113. 组织职能升级变迁124. 管理手段自动智能125. 应用范围不断扩大13二、数据资产管理的主要内容14(一) 管理职能141. 数据
6、标准管理142. 数据模型管理153. 元数据管理174. 主数据管理195. 数据质量管理206. 数据安全管理217. 数据价值管理228. 数据共享管理25(二) 保障措施261. 制定战略规划272. 完善组织架构273. 建立制度体系294. 设置审计机制315. 开展培训宣贯31三、数据资产管理的实施要点33(一) 实施步骤331. 第一阶段：统筹规划342. 第二阶段：管理实施353. 第三阶段：稽核检查374. 第四阶段：资产运营38(二) 实践模式401. 数据资产管理的建设策略402. 数据资产管理的切入方式42(三) 软件工具431. 数据标准管理工具442. 数据模型管
7、理工具453. 元数据管理工具464. 主数据管理工具475. 数据质量管理工具486. 数据安全管理工具497. 数据价值管理工具508. 数据服务管理工具51(四) 成功要素521. 明确责权利标，有效推进管理522. 合理引进技术，提升治理能力533. 着眼业务应用，释放数据价值544. 加强数据合规，注重风险风控545. 持续迭代完善，形成良性闭环55四、总结与展望56附录：术语58图 表 目 录表 1数据成本和价值评估的维度23表 2数据资产价值评估典型方法比较24表 3数据资产管理组织架构角色职责28表 4数据资产管理的两种建设策略40表 5数据资产管理的切入方式42图 1数据资产
8、管理在大数据体系中的定位2图 2大数据背景下的数据资产管理特点特征10图 3数据资产管理体系架构14图 4数据资产管理保障措施组织架构27图 5数据认责机制29图 6一种典型的制度体系架构30图 7数据资产管理实施步骤34一、 数据资产管理概述众所周知，数据是资源，伴随着大数据时代支撑数据交换共享和数据服务应用的技术发展，不断积淀的数据开始逐渐发挥它的价值， 因此，业界提出可以将数据作为一项资产，“盘活”数据以充分释放其附加价值。但是事实上，如果缺乏恰当有效的管理手段，数据也可能会成为一项负债。同时，相较于实物资产，数据资产的管理目前还处于初级阶段，数据质量、数据安全、资产评估、资产交换交易等
9、精细管理、价值挖掘和持续运营也较为薄弱。数据资产管理是现阶段推动大数据与实体经济深度融合、新旧动 能转换、经济转向高质量发展阶段的重要工作内容。本章将阐述数据 资产管理的定义与内涵，分析数据资产管理在大数据领域的重要意义， 并对数据资产管理在大数据发展中的趋势进行分析，探讨数据资产管 理在企业中的实践模式。(一) 数据资产管理的定义与内涵1. 数据资产管理的概念数据资产（Data Asset）是指由企业拥有或者控制的，能够为企业带来未来经济利益的，以物理或电子的方式记录的数据资源，如文件资料、电子数据等。在企业中，并非所有的数据都构成数据资产，数据资产是能够为企业产生价值的数据资源。数据资产管
10、理（DAM，Data Asset Management）是指规划、控制6和提供数据及信息资产的一组业务职能，包括开发、执行和监督有关数据的计划、政策、方案、项目、流程、方法和程序，从而控制、保护、交付和提高数据资产的价值。数据资产管理需要充分融合业务、技术和管理，以确保数据资产保值增值。2. 数据资产管理的内涵数据资产管理在大数据体系中的定位如图 1 所示，它位于应用和底层平台中间，处于承上启下的重要地位。对上支持以价值创造为导向的数据应用开发，对下依托大数据平台实现数据全生命周期的管理。数据资产管理包括两个重要方面，一是数据资产管理的核心管理职能，二是确保这些管理职能落地实施的保障措施，包括
11、战略规划、组织架构、制度体系等。图 1数据资产管理在大数据体系中的定位数据资产管理贯穿数据采集、存储、应用和销毁整个生命周期全过程。企业管理数据资产就是对数据进行全生命周期的资产化管理， 促进数据在“内增值，外增效”两方面的价值变现，同时控制数据在整个管理流程中的成本消耗。在数据的生命周期开始前，企业先期制定数据规划、定义数据规范，以期获得实现数据采集、交付、存储和控制所需的技术能力。数据资产管理一般来说包括统筹规划、管理实施、稽核检查和资产运营四个主要阶段，详见第三部分数据资产管理的实施要点。3. 数据资产管理的演变数据管理的概念是伴随上世纪八十年代数据随机存储技术和数据库技术的使用，计算机
12、系统中的数据可以方便地存储和访问而提出的。国际数据管理协会（ DAMA ， Data Management Association International）在 2009 年发布的数据管理知识体系 DMBOK1.0中， 将数据管理定义为规划、控制和提供数据资产，发挥数据资产的价值。DAMA 数据管理体系将数据管理划分为 10 个领域，分别是数据治理、数据架构管理、数据开发、数据操作管理、数据安全管理、参考数据和主数据管理、数据仓库和商务智能管理、文档和内容管理、元数据管理和数据质量管理。其中，数据治理是高层次的、规划性的数据管理制度活动，其关键管理活动包括制定数据战略、完善数据政策、建立数据
13、架构等，注重数据的使用者、使用方式、使用权限等合规性制定，强调开展数据资产全生命周期管理前的基础工作，关注数据资产管理中的相关保障措施。2015 年，DAMA 在 DBMOK2.0 知识领域将其扩展为 11 个管理 The DAMA Guide to the Data Management Body of Knowledge 职能，分别是数据架构、数据模型与设计、数据存储与操作、数据安全、数据集成与互操作性、文件和内容、参考数据和主数据、数据仓库和商务智能（BI，Business Intelligence）、元数据、数据质量等。在数据资产化背景下，数据资产管理是在数据管理基础上的进一步发展，可
14、以视作数据管理的升级版。主要区别可以从三方面看：一是数据管理的视角不同，数据资产管理强调数据是一种资产，基于数据资产的价值、成本、收益开展全生命周期的管理。二是管理职能有所不同，数据资产管理包含数据模型、元数据、数据质量、参考数据和主数据、数据安全等传统数据管理职能，同时整合数据架构、数据存储与操作等内容，将数据标准管理纳入管理职能，并针对当下应用场景、平台建设情况，增加了数据价值管理职能。三是管理要求有所升级，在“数据资源管理转向数据资产管理”的理念影响下，相应的组织架构和管理制度也有所变化，需要有更专业的管理队伍和更细致的管理制度来确保数据资产管理的流程性、安全性和有效性。(二) 数据资产
15、管理的重要性数据作为越来越重要的生产要素，将成为比土地、石油、煤矿等更为核心的生产资源，如何加工利用数据，释放数据价值，实现企业的数字化转型，是各企业面临的重要课题。虽然充分有效挖掘数据价值的过程中充满了障碍，但是数据资产管理逐步扫平了这些障碍。1. 数据价值难以有效发挥的原因当前企业在数据资产管理中面临诸多问题，这些问题阻碍了数据的互联互通和高效利用，成为了数据价值难以有效释放的瓶颈，主要包括以下几点：一是缺乏统一数据视图。企业的数据资源散落在多个业务系统中， 企业主和业务人员无法及时感知到数据的分布与更新情况，无法快速 找到符合自己需求的数据，也无法发现和识别有价值的数据并纳入数 据资产。二是数据孤岛普遍存在。据统计，98%的企业都存在数据孤岛问题。而造成数据孤岛的原因既包括技术上的，也包括标准和管理制度上的，这阻碍了业务系统之间顺畅的数据共享，降低了资源利用率和数据的可得性。三是数据质量低下。糟糕的数据质量常常意味着糟糕的业务决策， 将直接
