4月9日，《**国务院关于构建更加完善的要素市场化配置*机制的意见》公布。「数据」首次作为一种新型生产要素写入*文件中，与土地、劳动力、资本、技术等传统要素并列为要素之一。

于企业经营成长，于*服务治理，于社会建设发展，「数据是核心资产」都已成为共识。

而在实践场景中，海量的数据则如同不断涌出的原油，必须经过提炼、加工才能转化成汽油、机油为引擎所用。

5月6日，数据中台建设实战系列课程「数智加速度」第5课，奇点云数据产品专家星魁带来分享《企业数据资产管理方法论》，解答关于数据资产的那些事儿，例如：如何把数据变为数据资产，如何管理、评估数据资产，数据资产化给企业带来的变化等。

星魁，奇点云合伙人、数据产品专家，原阿里巴巴数据产品专家、原阿里巴巴双11媒体大屏负责人、原阿里巴巴数据小站产品创始人。

下文为分享节选：

01 什么是「业务数据化」？

业务数据化是企业数字化转型的第一步，也是数据资产化的前提。

一般来说，业务数据化有三个环节：

1、业务系统化

梳理业务，用系统去承载业务环节，例如会员系统、订单系统、商品系统等，如果没有那就需要构建新系统，实现把数据存下来。

2、信息结构化

在业务系统化的过程中会发现，有很多数据是非结构化的，例如摄像头录下的视频数据、店内陈列的照片数据等。我们需要通过视觉算法等方式，将非结构化的视图声数据转为可分析的结构化数据。

3、数据集中化

很多企业的数据是分散在各个部门的，尤其是大企业、传统企业，各个部门掌握一部分数据，互不流通，或有着很高的交换门槛，譬如2012年前的阿里巴巴，消费者数据分散在淘宝、天猫、聚划算等。而数据作为新型生产要素，只有流动、分享、加工处理才能创造价值（国务院发展研究中心创新发展研究部研究员吕薇，2020）。企业需要统筹分散割裂在各个单元，才能看到数据的全貌，更好地发挥「大数据」的价值。

有听众朋友提出：「为什么要集中？那为什么大企业都采用分布式呢？」这里的数据集中化不是指把所有数据存储在一个地方，而是指打通各单元之间的数据壁垒，由企业去统筹数据资产。而分布式其实是一种存储方式，并不与理念上的数据集中化矛盾。

02 什么是「数据资产」？

数据资产化是企业数字化转型的基石，是把数据原矿提纯为数据金子的必经之路。

那么为了完成从原矿到金子的转变，企业数据应该向什么方向发展以实现数据资产化？以消费者数据资产为例，我们有四个评价指标：

1、标签化

即能通过数据提炼出形象的标签，例如消费者的性别、品牌偏好等。这种标签是概括性的、易懂的，而非绝对值指标。

如果数据只能告诉我「这个消费者，昨天花了100多元钱，买了一只某品牌、草莓红的口红」，那不是标签化。需要将统计数据标签化，比如此消费者对口红的偏好是「中端、某品牌、草莓红」，才是标签化。

2、价值化

指已对原始数据进行了清洗、治理、提炼，转化为可衡量的数据，基于这个数据可推导转化为GMV。比如掌握了100万消费者资产，其中有1万是铁杆粉丝，每年复购3次，每次客单100元，那么单铁杆粉丝的价值就是1万3100元=300万元，其他的忠诚度不高的用户以此方法类推。

3、可应用

做数据看板算不算完成了数据资产化？不算。

数据不止是用来「看」的，而需要面向效果运营，最终可转化为服务并支持变现，为企业带来看得见的效益。例如，把消费者数据运用到广告投放中，提升广告的触达和转化；基于对消费者的偏好数据，对产品研发做下一步的升级等等。

4、可持续

这里指的是数据需要保持新鲜度，并源源不断地注入新的数据，是「活水」。

打个比方，短短一个月内，消费者的消费偏好就可能发生改变，譬如受到怀孕的影响，从偏好美妆类产品转为天然护肤类产品，开始关注孕妇养护和婴幼儿的产品。有的用户本来可能买东西前要看小红书，直播风起后，很快转为直播购物，购物习惯都发生了改变，流量渠道也会发生变化。

拿旧的消费者数据，一定不能指导现在的市场活动。

数据需要标签化、价值化、可持续、可应用，才是「数据资产」，才可以说企业真正拥有数据主权。

03 数据资产管理「五步骤」

从方法论上讲，企业管理数据资产要经历这5个步骤：

1、业务数据化

上文已经谈到，业务数据化是企业数字化转型的第一步，也是数据资产化的前提。

例如，零售企业需要围绕人、货、场，构建能落数据的业务系统，把物理世界的业务放到数字世界上，把数据攒起来，这是开采原始的金矿。

2、实体归一化

同实体，融通多源数据，从而发挥最大价值。

例如，在不同平台，同一用户可能有不同的id，积累了不同标签的数据，至少要打通一个手机号关联的数据，才能让用户形象更加丰满，从而去做有针对性的服务。在阿里的数据中台体系里，这方面叫OneID，对应的技术是ID-Mapping。

3、数据资产化

数据资产化在上文也谈到了，简单来说就是「把数据原矿提纯为数据金子」，把数据标签化、价值化，让数据可持续、可应用。

在这里，我们也需要注意一个问题，数据量越来越大，有些领域已经步入了指数级增长，不得不面对一笔不小的数据存储开支。降低成本，让数据成为资产并尽快发挥价值，成为企业必要的课题。

4、数据服务化

技术底层透明化，把数据提供给各个业务单元去调用，业务单元只需要从业务的角度出发使用数据服务，无需考虑底层数据技术。

5、数据业务化

数据一定要用起来，去服务业务，为企业带来降本增效。在这个过程中，数据中台（或企业的信息数据部门）也就实现了从成本中心到利润中心的转变。

04 数据资产管理「六要素」

在管理数据资产的过程中，有六大要素需要企业去重视：

1、标准体系

有一个平台某数据口径为A，另一个平台某数据口径为B，这个A和B指向同一个内容吗？那到底是以谁为准呢？正如秦始皇统一文字度量衡，统筹企业数据，标准化很重要。

具体来说，有数据同步标准、数据建模标准、数据规范定义、元数据标准、数据服务标准等五大类标准。

数据建模标准、数据规范定义的两大核心要点

2、健康体系

库里那么多数据，可能针对一个用户一个指标都有好几个不同数据，哪个数据是真实的呢？是否存在很多错漏数据呢？例如我们曾经遇到过，一个女鞋品牌里的消费者数据，曾经有一大串都是「男性」，后来发现是之前的运营人员「图方便」随便选择了一个值，这就影响到了数据的健康分。

我们从准确性、完整性、一致性、及时性等四大标准定义来理解数据资产的健康度。像给数据资产体检一样，通过对每一项检查，都有一个标准，建立健康体系，达标了100分，不达标扣分，最终可以得出一个数据资产总的健康分，去提醒数据运营管理人员不断地完善资产质量。

3、价值评估

100万的用户数据，到底是「值」一个亿还是两个亿？如何评估数据能为企业带来的价值？

我们从覆盖率、健康度、调用度、业务效果、业务依赖等五个角度，去评估数据资产的价值。

最直接可衡量价值的指标就是GMV，比如前面说到的消费者数据资产，掌握了多少消费者，就掌握了多少GMV资产。

4、资产ROI

上文我们也谈到了，存储数据成本不菲。在发挥数据价值的同时，也需要降低存储数据原矿石的成本。同样是这么多数据，有人投入100台机器，有人只需要投入10台机器，这就有了巨大的ROI差别。

数据资产不仅要衡量价值，也要衡量成本。在企业数智化转型的进程中，需要不断去权衡，做到价值与成本的平衡（资产价值>计算成本+存储成本+其他成本…），才可以称为合格的「数据资产」。

5、资产安全

数据既然成为资产，安全自然非常重要，包括数据安全（高危告警、数据脱敏、数据分级等）及系统安全（传输加密、防篡改、防入侵等）。

6、组织保障

还是这个老例子，对于人力资产，我们有HR体系去保障；对于物质资产，我们有财务、采购等部门去保障；那么对于DT时代极为核心的数据资产，组织保障自然不可缺失。

一方面，需要有数据平台团队（或请外部服务商支持配合）来完成一系列的数据工作，另一方面，也需要有一系列的规范机制去保障数据管理的正常运行。

罗马不是一天建成的。

我们可以为企业数据资产化描绘一张理想而完备的蓝图，但企业不可能一下子完成所有的进程；前面我谈到的五步骤、六要素，企业也很难快速做到「万事俱备，只欠东风」。不妨按照需求紧急程度、业务匹配度等划分为数期，逐步实施，「让车子先跑起来，边跑边换*」，把数据用起来，让企业更快看到数据的价值。

用起来，是企业管理数据资产的最佳启动方式。