数据资产管理体系

《数据资产管理体系》由会员分享，可在线阅读，更多相关《数据资产管理体系（7页珍藏版）》请在金锄头文库上搜索。

1、数据资产管理体系近年来，数据治理和数据资产管理的重要性愈发凸显。有效的数 据资产管理是大数据与实体经济深度融合的必经之路。数据成为资产 的概念逐渐深入人心，甚至有人建议将数据计入资产负债表。数据资 产管理将从“理论”走向“实践”，将影响数据的存量和增量，提升数 据的质量和价值，保障数据的安全，为大数据应用及人们未来的便捷 生活打下夯实的基础。（一）数据资产管理的定位和范畴数据资产管理在大数据技术体系中的定位如图1 所示，它位于应 用和底层平台中间。数据资产管理包括两个重要方面，一是数据资产 管理的核心活动职能，二是确保这些活动职能落地实施的保障措施， 包括组织架构、制度体系。数据资产管理在大数

2、据应用体系中，处于 承上启下的重要地位。对上支持以价值挖掘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。图1数据资产管理在大数据体系中的定位目前，数据资产管理已经形成了一套科学的管理范畴。根据 DAMA 等机构的总结，数据资产管理主要包含9 个活动职能和2 个保障措施，9 个活动职能指的是数据标准管理、数据模型管理、元数据管理、主数据管理、数据质量管理、数据生命周期管理、数据安全管理、数 据资产价值评估和数据资产运营流通，2 个保障措施包括组织架构和制度体系。数据资产运_宮济通 数据蚩产价值评怙 数据安全管理F数据生命周期管理 数据质量管理 主数据管理 元数据管理 数据模

3、型管理 数据标准管理组织架构瞥制麼体系图 2 数据资产管理体系架构二）数据资产管理面临的挑战企业日常经营活动中积累的大量数据，除了支持业务流程运转之 外，越来越多地被用于帮助企业提升管理决策效率、实现价值挖掘和业务创新。企业日常经营决策过程的背后，实质是数据的生产、传递 和利用的过程，风险控制、产品定价、绩效考核等管理决策过程需要大量高质量数据支撑。提升数据质量、降低成本已经成为行业企业热 点关注话题。如果不能对数据进行有效梳理及精细化管理，其价值就 得不到很好体现，严重影响数据价值发挥，甚至会给运营管理带来负 面作用。此外，日益全面、严格的监管措施和信息披露要求，也对企 业数据提出了前所未有

4、的挑战，主要体现在以下几个方面：一是缺乏统一数据标准。数据登记盘点流程缺乏统一的数据标准 无法有效避免数据混乱冲突、一数多源、多样多类等问题。统一标准 是解决数据的关联能力，保障信息交互、数据流通、系统访问功能顺 畅的必要前提。二是数据周期规划混乱。对于部分企业来说，其内部数据的采集、 传输、存储、应用、开放共享等全生命周期流程的各个环节的规划存 在不合理现象。如收集数据时数据源用户处于不知情/非同意状态、 违约超范围加工或未做到加工信息隔离等。三是难以统筹业务管理。数据的增删、修改、使用等权限管理混 乱，难以建立全面、准确、完整地反映企业运营状况的单一数据视图。 数据需求、数据质量、数据应用

5、等问题的管理和解决分散在不同业务 和技术部门，没有一个清晰的协调机制和统一的数据管理渠道，业务 不能及时、按需获得数据支持。四是数据处理效率低下。数据采集、预处理等工作的周期较长， 方法不够便捷，处理效率低下，无法快速挖掘整理岀完善优质的数据 属性供分析应用，需要提升开发及治理效率。五是数据质量参差不齐。数据冗余、数据缺值、数据冲突等数据 质量问题不能被及时发现和有效解决。需要建立规范的数据治理流程 和考核机制等途径加以完善。六是数据垃圾亟待解决。大量的历史留存冷数据无法被有效识别 及处理，形成数据“包袱”。这些数据“包袱”很难变成数据“金矿”， 又占用存储空间，浪费成本，造成损失。七是安全监

6、管势在必行。缺乏有效的数据安全管理机制，对敏感 信息、隐私信息、保密信息的访问缺乏有效控制使其脱敏脱密合规， 甚至对企业形成潜在的声誉和法律风险等。建立一个可靠的“数据加 密保险箱”势在必行。八是数据价值难以评估。数据评价体系以及数据资产化目前处于 初级阶段，数据增值保值以及数据估值衡量问题亟待解决，可以说数 据资产变现任重而道远。数据作为越来越重要的生产要素，将成为比土地、石油、煤矿、 劳动力等更为核心的生产材料，但是，实现数据资源向数据资本的转 变还需要面对一系列的问题和挑战，数据资产管理正在成为企业赋能 商业创新的具有影响力和战斗力的核心竞争领域。（三）数据资产管理的发展趋势随着数据资产

7、管理生态系统的不断发展，现有的实践体系也在迅 速发展，可以从数据对象、数据采集、处理架构、组织职能、管理手 段和应用范围六个方面来预测其发展趋势。数据对象纷繁复杂。目前，企业数据管理的主要数据对象仍然是 结构化的文本数据。未来，随着网络爬虫、视频处理、语音识别、自 然语言处理、图像处理、人脸识别等相关技术逐渐成熟并被产业界进 一步深度应用，城市数据、视频数据、语音数据、图形图像数据等将 被越来越多的进行管理和应用。预计到 2020 年，66%的企业将采用 高级分类处理方案来采集、保存并处理非结构化的数据，以提高分析 效率。数据采集途径丰富。随着传感器、5G及NB-IoT的发展，数据 采集及传输

8、途径也将得以扩充。由社交媒体和机器人过程自动化（RPA） 等转型技术创建的新数据通道将为数据治理和数据质量组织带来机 遇和挑战。这些渠道的数据，其规模、数量、速度和变化（SVVV）等 特征与主数据管理和数据治理的传统领域的特征显著不同。数据采集 的变化和传统数据管理架构产生了“差异”，这样的“差异”要求管 理组织采用不同的方法来管理数据质量和标准，以满足相关数字业务 流程所要求的灵活性。处理架构更新换代。由于越来越多的文件、文本、日志等半结构 化、非结构化数据加入形成“数据湖”，数据的处理架构也在发生变 化。支持主流大数据分析平台的处理架构以及批处理、流计算等技术 正在被应用于数据资产管理。预

9、计到 2020 年，主流的分析架构都将 包含基于目标进行优化的解决方案，其中三分之一的产品会将关系型 及非关系型数据的处理结合在一起。数据处理的底层架构将全面采取 包括分布式文件系统、MPP数据库、传统数据仓库、流计算引擎、交 互式计算引擎、离线计算引擎在内的“计算&存储混搭架构”，并逐 渐由传统的“ETL”数据集成过程向“ELT”转变。以Hadoop、Spark 等分布式技术和组件为核心的数据处理架构，能够支持批量和实时的 数据加载以及灵活的业务需求，将是持续焦点。组织职能升级变迁。当前主流管理制度体系中，数据管理职能由 IT 部门来负责，业务部门配合 IT 部门执行数据管理并提出需求。 未

10、来，随着数据分析与业务融合越来越深入，业务部门将成为数据应 用的主角，在数据资产管理中扮演越来越重要的角色。据Gartner预 测，未来50%的全球性组织将聘用首席数据官(CDO, Chief Data Officer),在数据高度监管的银行金融或医疗健康领域，此类人才需 求量更大。管理手段自动智能。依靠“手工人力”的电子表格数据治理模式 即将被“自动智能”的“专业工具”取代，越来越多的数据管理员、 业务分析师和数据领导者采用“平台工具”来获取数据价值。随着机 器学习、深度学习技术的成熟，相关专项解决方案和平台工具系统的 技术局限性如效率低、差错率高、扩展性差等将被一一攻破，能够有 效地解放人

11、力，提高效率和精度。应用范围不断扩大。数据的应用范围将由传统的内部应用为主发 展为支撑内部和服务外部并重。数据资产的意义价值也从对内强化能 力扩展到了对外合作开放上，从而实现数据资产保值到增值的跨越。 内部应用一般包括管理优化、研判决策、风险规避、业务拓展、管控 成本等。由原来的只应用于领导决策场景扩展到全员业务分析使用。 外部运营包括智能推荐、精准营销、分析报告以及风险防控等。从使 用对象来看，数据资产的使用者不仅包括企业决策人员，还包括运维 用户、业务管理人员、数据分析人员、数据科学家等各种角色。数据资产管理的主体可以从企业向更广泛的概念推广。可以说， 构建科学的数据资产管理体系是个人层面

12、、企业层面、社会层面、国 家层面乃至国际层面都关注的热点话题之一。个人层面，个人数据利 用与数据安全保护之间需要合理的平衡，降低组织运营与合规方面的 风险。大数据商业化应用中涉及的用户数据处理需要对用户隐私进行 脱敏加密，以实现可控的隐私保护目标。企业层面，数据资产价值的 估算可以帮助企业更准确的掌握信息化投资收益，也是数据交易流通 的前提之一。好的数据资产管理策略能有效规避风险，节约投入成本。 社会层面，受限于数据汇聚程度、数据规模和数据源种类的丰富程度， 社会能够感知的数据应用场景较为单一，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，应用空间，尤其是能够 惠及大众的应用空间亟待开发。国家层面，数据资产的运营流通需要 国家层面的监管治理，合法合规性是数据运营流通的首要前提，是国 家促进大数据发展，保障人民群众权益的关键纽带。国际层面，数据 资产管理知识体系涉及管理、技术等多个学科，是一个非常复杂的系 统工程，涉及很多技术难点和管理内容需要结合多方力量达成一致标 准，国际化的共识机制是数据资产管理有效执行的重要前提和保障。