数据运营实践白皮书（2023年）.pdf

数据运营实践白皮书CCSA TC601 大数据技术标准推进委员会2023年12月前 言随着“数据二十条”等一系列政策措施相继出台，我国数据基础制度体系的四粱八柱已初步形成，数据要素市场培育进展加速，畅通数据资源大循环的方向愈加明确。2023年3月，中共中央、国务院印发党和国家机构改革方案，提出组建国家数据局，负责协调推进数据基础制度建设，统筹数据资源整合共享和开发利用。各地方也不断制定完善数据相关法律制度，积极开展数据要素试点示范。企业数据运营能力是数据管理的下一阶段，我国企业数据管理能力发展稳中有进，为进一步开展数据运营奠定了工作基础。自2019年起，各行业主管机构陆续发布数据管理相关政策，指导企业构建数据管理能力。工业和信息化部委托中国电子信息行业联合会牵头负责全国数据管理能力成熟度评估工作体系建设，通过DCMM贯标提升全行业数据管理水平。根据中国电子信息行业联合会公布的DCMM相关统计数据，参评企业数量在这四年内呈现出迅猛增长的态势，覆盖了二十个余行业，金融业、通信业、电力等行业的数据管理水平较高。数据运营是企业持续释放数据价值、进入数据要素市场的能力基础。企业通过构建数据管理能力，实现了理清数据分布、提升数据质量、确保数据安全、数据共享交换、数据分析挖掘等，为进一步深化数据应用、赋能业务发展奠定了基础。未来，伴随着数据要素市场逐渐成熟，企业更聚焦于持续优化数据管理能力，形成数据供需闭环，丰富数据应用场景，充分赋能业务发展，有效管控成本，精细化管理数据价值。本白皮书旨在提供一份全面可行的数据运营实践指南，在企业逐步夯实数据管理能力、实现数据资源化的基础上，结合产业数据运营各方面的先进经验，为企业进一步开展数据运营、加速迈入数据资产化阶段提供一套方法理论。具体来说，数据运营包括数据目录管理、数据应用场景构建、数据服务推广、数据动态优化、数据成本管理、数据价值评估等基本活动，旨在加深企业对于数据运营的认识和理解，持续优化数据管理能力，推动企业深化数据应用，逐步构建数据竞争优势。目 录CONTENTS一、数据运营概述(一)数据运营发展背景(二)数据运营关键内涵(三)数据运营发展现状(四)数据运营发展挑战 01020306前言(一)数据目录管理(二)数据应用场景(三)数据服务推广(四)数据动态优化(五)数据成本管理(六)数据价值评估 07081 21 31416二、数据运营主要活动(一)组织架构(二)制度体系(三)平台工具(四)流程机制 26272828三、数据运营保障措施(一)数据用户视角出发，深化数据应用能力(二)构建数据价值体系，推动数据不断增值(三)参与数据要素市场，获取数据竞争优势(四)加深新型技术使用，提高数据运营效率(五)以数据入表为抓手，探索数据核算机制 2323242424四、数据运营发展趋势图 1 数据运营架构 图 2 国内大数据交易所（中心、平台等）建设历程 图 3 主要数据交易所模式共性规律及发展特点 图 4 数据需求管理体系示意图 图 5 商业银行业务能力地图 图 6 北京电力数据应用总体架构 图 7 数据用户运营案例 图 8 数据使用评价体系 图 9 数据价值管理体系 图 10 数据价值传导链路 图 1 1 数据价值评估核心指标 图 12 数据运营平台功能框架图 02040509091 1121416171721图目录一、数据运营概述(一)数据运营发展背景发展数字经济已成为推进中国式现代化的重要驱动力量。2022年，我国数字经济规模达到50.2万亿元，同比名义增长10.3%，已连续11年显著高于同期GDP名义增速，数字经济占GDP比重达到41.5%。数字经济全要素生产率进一步提升，我国数字经济全要素生产率从2012年的1.66上升至2022年的1.75，数字经济生产率水平和同比增幅都显著高于整体国民经济生产效率，对国民经济生产效率提升起到支撑、拉动作用1。国家加大数据要素政策布局，数据要素市场化进程持续加快。当前，数据已成为重要的生产要素，是加快经济社会发展质量变革、效率变革、动力变革的重要引擎。十九届四中全会提出将数据作为生产要素参与分配，2022年12月，中共中央、国务院印发关于构建数据基础制度更好发挥数据要素作用的意见（下称“数据二十条”），系统性布局了数据基础制度体系的“四梁八柱”，创新性提出构建适应数据特征、符合数字经济发展规律、保障国家数据安全、彰显创新引领的数据基础制度的产权运行机制，标志着数据要素市场化进入加速期。随着“数据二十条”等一系列政策措施相继出台，数据要素市场培育进展加速，畅通数据资源大循环的方向愈加明确。2023年3月，中共中央、国务院印发党和国家机构改革方案，提出组建国家数据局，负责协调推进数据基础制度建设，统筹数据资源整合共享和开发利用，统筹推进数字中国、数字经济、数字社会规划和建设等。各地方不断制定完善数据相关法律制度，创新公共数据授权运营方式，建立数据交易市场，组建地方数据运营平台，积极开展数据要素试点示范。浙江、广东、江苏、山东、河北、重庆、上海、深圳等地通过公共数据管理条例立法，对数据产权、加工生产、流通交易、监管治理、数据安全等方面进行了全方位探索实践，一方面积极组建数据交易所，另一方面鼓励数据商和平台企业开展数据交易，数据要素市场化建设步伐明显提速。01数据运营实践白皮书1数据来源：中国数字经济发展研究报告（2023年），中国信息通信研究院企业数据管理能力不断提升，数据管理能力发展稳中有进。自2019年起，各行业主管机构陆续发布数据管理相关政策，指导企业构建数据管理能力。工业和信息化部委托中国电子信息行业联合会牵头负责全国数据管理能力成熟度评估工作体系建设，推动DCMM标准在全国范围内落地，指导企业提升数据质量，保障数据安全，夯实数据管理能力基础。自2020年在全国范维内推广DCMM评估后，参评企业数量在这四年内呈现出迅猛增长的态势，覆盖了二十个余行业，金融业、通信业、电力等行业的数据管理水平较高2。企业数据运营能力是数据管理的下一阶段。数据管理关注确保数据的质量、可靠性、合规性和安全性等基础建设工作，并提供数据访问、共享和使用的规范和指导，旨在确保数据被正确管理、维护和保护，以满足组织的合规性要求和内部控制。数据运营关注数据的利用和价值创造，强调将数据视为一种资产，通过有效管理和利用数据以实现组织的业务目标，将数据转化为战略和商业决策所需的见解和洞察力，从而释放数据价值。(二)数据运营关键内涵数据运营是企业释放数据价值、进入数据要素市场的能力基础。数据运营以充分释放数据价值、探索数据资产入表为目标，通过构建良性闭环的运营体系，丰富数据应用场景，充分赋能业务发展，优化数据产品体系，构建数据生态，科学评估数据价值，准确核算全部投入，有效进行成本管控，进一步推动数据要素流通和数据资产入表。具体来说，包括数据目录管理、数据应用场景构建、数据服务推广、数据动态优化、数据成本管理、数据价值评估等环节，旨在扩大数据的应用范围、量化并提升数据管理的投入产出比，以不断适应和满足内外部利益相关方各类数据需求。02数据运营实践白皮书图 1 数据运营架构数据框架结构数据目录管理数据目录规划数据目录编制数据目录发布数据目录运维数据需求管理应用场景地图数据应用策略应用效果评估数据文化建设数据用户运营数据生态建设外部数据合作数据核验机制数据变更机制数据处置机制数据评价体系厘清成本类型整理成本依据核算数据成本成本决策优化数据价值链路价值管理目标数据估值模型产品定价机制数据应用场景数据服务推广数据动态优化数据成本管理数据价值评估2参考来源：2023中国数据管理白皮书，中国电子信息行业联合会最大效率释放数据价值是数据运营活动的关键内核。企业开展数据运营的关键目标是充分利用并加速释放过去积累的海量数据资源，以及在数据管理建设过程中所积蓄的价值，持续的将数据转化为有保障的数据、有价值的资产，真正为组织创造持续的商业价值。企业通过构建数据管理能力，实现了理清数据分布、提升数据质量、确保数据安全、数据共享交换、数据分析挖掘等，为进一步深化数据应用、赋能业务发展奠定了基础。未来，伴随着数据要素市场逐渐成熟，企业作为市场主要参与主体，更聚焦于将数据转化为对外交易流通的产品，针对高价值数据开展精细化的管理，并逐步在数据生态中形成自身的数据优势。(三)数据运营发展现状 1、政策方面 中央层面不断建立健全数据应用规范制度体系，行业主管机构鼓励企业以数据应用为构建数据能力的突破口，从数据管理向数据运营迈进。2022年12月国务院发布的关于构建数据基础制度更好发挥数据要素作用的意见是中央层面首部规范数据基础制度体系的文件，具有划时代的意义，指出要充分发挥我国海量数据规模和丰富应用场景优势，激活数据要素潜能。金融领域，中国人民银行2022年1月印发金融科技发展规划（2022-2025），强调了发挥数据要素倍增作用，将数字元素注入金融服务全流程，将数字思维贯穿于业务运营全链条；银保监会2022年1月发布关于银行业保险业数字化转型的指导意见，提出增强数据管理能力，提高数据应用能力，降低数据应用门槛，加强对数据应用全流程的效果评价。能源领域，国家能源局2023年4月发布关于加快推进能源数字化智能化发展的若干意见，强调健全确权、流通、交易和分配机制，有序推动数据在产业链上下游的共享，推进数据共享全过程的在线流转和在线跟踪；8月印发的关于加强电力可靠性数据治理、深化可靠性数据应用发展的通知中提出“强化应用、激发价值”等要求，以提升数据质量为前提，以优化评价体系为抓手，以深化数据应用为目标，提升电力数据管理水平。通信领域，2021年11月，工业和信息化部发布了“十四五”信息通信行业发展规划，提出推进数据要素流动和应用创新，建立信息通信行业和工业数据流通规则，推进市场化开发和应用机制建设，促进数据有序流动，构建价值评估体系，加速推进数据价值化。03数据运营实践白皮书04数据运营实践白皮书3参考来源：数据要素白皮书（2022年）数据估值入表相关政策陆续发布，对于规范数据要素市场健康发展具有重要意义，也为企业数据运营提出了新的思路。2023年8月21日，财政部正式发布企业数据资源相关会计处理暂行规定，并于2024年1月1日开始施行，指出现阶段数据资源会计处理应当按照企业会计准则相关规定执行。从暂行规定的适用范围看，两种类型的数据资源可以推进入表，第一种是满足资产确认条件，可以确认为无形资产或存货的数据资源，可以纳入资产负债表；第二种是不满足资产确认条件，但企业拥有或控制、预期能给企业带来经济利益流入的数据资源，可以在企业财务报告中予以披露。在财政部指导下，2023年9月8日，中国资产评估协会印发数据评估指导意见（以下简称指导意见），自2023年10月1日起施行，意见进一步细化数据资产评估操作要求，明确数据资产评估中的价值影响因素，规定数据评估机构需要重点关注影响数据资产价值的质量因素、应用因素、成本因素和法律因素，为数据资产的评估实务提供了指引。2、产业方面数据交易市场活跃，为企业扩宽数据对外合作和交易等运营模式奠定基础。数据交易所是推动数据要素有序流通、释放数字红利、促进数字经济发展的重要平台。我国自2014年开始探索建立数据交易机构，截至目前，各地先后成立50余家。整体来说，2022年“数据二十条”的出台是数据交易市场逐渐回暖的关键节点，规范了数据基础制度体系，提出加快培育数据要素市场，引导依法合规开展数据交易。在此之后我国数据交易市场迈入快速发展阶段，北京国际大数据交易所、上海数据交易所上线等交易所陆续成立，各交易所发布了相关流程指引和要求，培育数商体系。图 2 国内大数据交易所（中心、平台等）建设历程32018年东南亚大数据交易服务中心山东数据交易平台粤港澳大湾区数据平台海南数据产品超市深圳数据交易所郑州数据交易中心青岛海洋数据交易平台广东数据交易所无锡大数据交易所福建大数据交易所湖南大数据交易中心北方大数据交易中心苏北大数据交易中心长春大数据交易中心在建或筹建中长三角数据要素流通服务平台德阳数据交易中心川渝天数据交易平台内蒙古数据交易中心广东省数据交易中心西部数据交易中心上海数据交易所贵州省数据流通交易中心合肥数据要素流通平台北京国际大数据交易所华南数据交易公司2019年2020年2021年2022年2023年湖北大数据交易平台安徽大数据交易中心北部湾大数据交易中心山西数据交易服务平台中关村医药健康大数据交易平台北京、上海、贵州和深圳等地的数据交易所在交易规则、交易标的、交易方式等方面探索出了适合自身发展的路径。北京国际大数据交易所主导完成包括跨境征信报告核验项目、数据登记业务互认互通、数据资产抵押授信等创新服务，为数据跨境、数据服务业务互通、数据要素金融服务等方面探索提供宝贵经验。上海数据交易所以打造数商生态为特色，围绕完善交易制度、扩大产品供给、完善基础设施建设、提升交易活跃度四项内容，初步构建数商生态体系。贵阳大数据交易所于2023年发起招募数据首席地推官，集结银行、交通、医疗、时空数据、数据交付等多个行业和领域的专家，率先探索“数据专区”运营模式，打造全国首个气象数据专区和电力数据专区，官网显示截至2023年7月，两专区交易额分别达到3500万元和1亿元。深圳数据交易所提出构建动态合规体系，打造动态信用评级，力图降低企业合规门槛，构建可信交易环境，实现数据交易的包容审慎监管，并建立跨境数据专区，完成全国首笔场内跨境数据交易。数据管理能力相对成熟的企业开展了探索性实践。浦发银行发布了商业银行数据管理体系建设实践报告，以“客户智见、产品智营、渠道智投和管理智控”为核心驱动，打造Data Ocean数据产品系列，孵化52个子产品，覆盖零售、对公、金融市场、精准营销、客户经营、风险预警、管理决策等金融场景，让数据价值持续释放，向行内、集团、数据合作生态圈开放共享，赋能浦发银行生态圈数字化转型的同时，也为商业银行数字化转型提供了一种新的思路。南方电网公司发布了电力数据应用实践白皮书，总结提炼了电力数据应用特征、价值及演进历程，并以电力数据应用价值链为核心主线，提出了一套包含“统一底座、多维赋能、闭环管理、分域应用、全面服务”的具有南方电网特色的电力数据应用体系，充分强化南方电网公司“四位一体”(数字电网、数字服务、数字运营、数字产业)业务赋能，展示了“数字供电所运营监控”“输电设备缺陷智能识别”“城市双碳大脑”等一系列电力数据应用实践成果。05数据运营实践白皮书图 3 主要数据交易所模式共性规律及发展特点共性特点交易规则均把数据交易流通规则体系建设作为重点工作。交易标的挂牌交易数据产品、数据服务、数据工具等数据商品。交易方式以撮合交易及增值服务为主，积极建设数据流通交易基础设施和技术平台。生态建设以“所商分离”为主线，引进数据商及第三方专业化服务机构。数据资产化以场景为牵引，探索开展数据资产登记、数据资产评估等服务。北京数交所探索数据要素金融服务，完成数据资产抵押授信等创新服务。上海数交所打造“数商”生态，制定数商分类、准入、管理服务和激励计划。深圳数交所推进数据跨境交易，跨境数据专区，完成全国首笔场内跨境交易。贵阳数交所推出“数据专区”，建立气象.电力等多个重直行业领域的数据专区。(四)数据运营发展挑战整体来看，各行业仍聚焦于数据基础能力建设方面，数据运营作为数据管理的下一发展阶段，仍处于发展初期阶段，从宏观层面看，在标准体系、制度建设和人才培养等存在挑战。1、数据运营标准体系尚不完善，缺乏有效方法指导标准体系是衡量本领域发展水平的关键标志，也是政府、企业等机构推动相关工作的主要抓手。目前，我国在数据管理领域的国家标准相对完善，国家层面发布了数据管理能力成熟度评估模型（GB/T 36073-2018）的国家标准，各个行业也发布了行业内数据管理相关标准，结合行业属性，细化了数据模型、数据标准、数据安全等方面的要求，对于指导企业打牢数据管理基础能力提供了帮助。但是我国在数据运营领域仍然存在数据管理标准体系不健全、标准指导性不足等问题，难以有效改进目前产业普遍存在的数据应用不好用、数据价值难测算、数据成本难管理、数据生态难协同等问题。2、数据要素市场制度仍在建设，运营路径不清晰我国现行的包括权属设置和资产评估在内的规则体系尚不能完全适用于数据，数据作为生产要素涉及的数据产权、流通交易、权益分配等基础性问题缺少可以参照的规则，导致产业侧数据运营的要求和风险不明确，构建外部数据能力的动力不足。从政策法规看，当前数据基础制度的配套政策相对有限，特别是针对数据确权、数据流通等环节，支撑性的法律法规基本处于空白状态。从落地举措看，当前制度还不够细化，存在落地困境。地方层面条例立法层级较低，数据分类分级、披露、容错免责等实施细则尚未出台，行业部委出台的行政法规中关于场景构建的制度细则较少，均限制了数据的运营流通和有效利用。3、数据运营综合能力要求较高，人才供给不充分数据运营关键岗位需要的是懂业务、懂技术、懂生态的复合型人才。由于数据管理、数据分析、数字经济等均是新兴领域，对应学科也属于交叉学科，高校数据管理的教育课题体系有所缺失，多数院校尚未开设相关专业。此外，社会培训体系和职业认证处于发展初期，导致专业人才供应量相对较少，难以满足企业数据管理日益增长的需求。同时，对于多数企业而言，正是由于数据运营综合能力要求较高，不仅增加了构建数据管理能力梯队的难度，也大大增加了人才培养的难度。06数据运营实践白皮书二、数据运营主要活动数据运营活动主要包括数据目录管理、数据应用场景构建、数据服务推广、数据动态优化、数据成本管理和数据价值评估等主要活动。(一)数据目录管理数据目录是指为满足企业内数据安全、数据标准等内部管理诉求，以体系化、结构化的方式展现企业内部海量数据资源的各项属性信息。而数据目录管理则是对于数据目录这一工具，开展全生命周期的管理与维护措施，包括数据目录的规划、编制、发布、运维等管理活动。数据资源目录作为数据管理阶段的产物，为数据目录的构建奠定了基础。多数企业在前期数据管理工作中通过盘点数据资源、理清数据资源分布，建立了数据资源目录，方便企业管理层掌握数据资源全貌，也是数据管理人员工作的抓手。数据资源目录多从技术视角出发，根据企业业务架构或者数据架构，从数据主题域视角对企业内部数据资源进行梳理与整合，帮助包括数据管理人员、数据开发人员、数据分析人员等角色高效定位所需数据，统筹开展数据管理。数据运营阶段，数据目录从数据使用者视角出发，优化数据资源目录架构，完善数据信息。数据目录的搭建工作需要企业分别从“横”、“纵”的视角关注数据目录的合理性与科学性。数据目录的“横向”管理主要是指数据的属性信息，一般分为业务属性、技术属性和管理属性信息，在继承数据资源目录的描述信息以外，数据目录通常在“管理属性”方面有所丰富。例如，随着近年来数据流通交易涉及的个人信息保护、数据安全合规等要求的重要程度持续提升，逐渐增设数据安全等级、数据合规性等内容作为了扩展属性；在精细化数据应用的需求下，数据需求描述、服务场景、效益评价等也逐步纳入描述范畴。数据目录的“纵向”管理主要是指以数据应用场景的维度构建目录体系，以充分贴合前台业务人员的数据使用习惯、业务使用场景，帮助各类数据使用人员找数、知数、用数。与此同时，数据目录管理工作在保证数据信息准确、权限合规等管理要求的同时，还应保证目录底层数据的统一性与一致性，避免出现“多套”数据目录进而增加管理难度与成本。07数据运营实践白皮书中国电信集团通过打造全集团一体化数据资产目录（包含集团总部、31省、专业公司），推进各域数据资源的有效归集、规范管理，实现从数据源到数据应用的全链路贯通，健全数据全生命周期管理。在数据资源目录的基础上，以内部数转、外部产数需求为导向，构建以数据运营为目标的目录架构，协同业务人员梳理业务流程、提炼核心业务对象，以客户、产品、终端、渠道、基站、网络资源等业务对象。该目录作为数据运营的抓手，逐步开展数据价值评估、数据服务推广等工作，推动数据要素向生产要素的转化。浙江移动依托企业级数据治理工作，创新常态化数据资产盘点法，通过现状调研、模板制定、系统梳理、审核确认、服务发布5大步骤，明确数据目录业务域、业务子域、业务系统、数据实体、字段5级管理架构，制定业务元数据、技术元数据、管理元数据三类、共40个属性，打造了一本盘得全、看得清、读得懂的高质量企业级数据资产目录，实现了公司数据资产的全面盘点、规范管理和高效开放。截止目前，浙江公司数据资产目录已纳管公司BOMS四域超200个系统的2万多项价值数据资产，数据开放内部订阅量达1.8万笔，有效促进了公司数据端到端高效流转，助力公司实现数智化转型。南方电网基于底座式数据中心，按照“一本总账、两大视角”的思路，实现全域数据资产目录的构建，数据资产项超48万，涵盖了公司10余个数据域、200+个数据主题、40万+项数据实体、400万+项数据字段的数据资产卡片，覆盖多种数据类型，打破业务、数据之间的鸿沟，突破数据资产不可用不可见等难题。充分利用人工智能、大模型等前沿技术，优化数据盘点和目录管理的效率。广东移动构建以数据地图为核心的常态化的数据智能盘点机制。数据盘点以统一元数据为基础，经过以下三个步骤实现数据资产的自动智能盘点：一是数据发现，即通过元数据采集获取数据资源信息，并解析日志、SQL开发脚本和程序代码以获取数据关系；二是稽核评估，即根据数据资源及开发规范，评估采集后的元数据的冗余度、完整性、一致性和合理性等，并统计分析出数据资源的摘要信息；三是信息识别，即内嵌智能技术，智能化盘点数据资源，实现自动梳理数据资产、自动分类数据标签，自动生成数据资产目录，形成全域数据地图。这种基于“自动化+AI智能化+自下而上”的梳理和编目方法，降低了人工成本和时间周期达30%以上。08数据运营实践白皮书(二)数据应用场景 数据应用场景构建是指在明确应用过程中的数据安全、数据质量及隐私保护要求的基础上，构建应用场景地图，明确各类应用场景的数据用户、数据内容、血缘关系、算法模型、效果评价指标等，以推动数据共享、内部应用、外部流通，从场景出发满足数据价值评估和成本核算的需求。数据需求管理是开展数据应用的基础。数据需求管理是对各业务领域数据需求的产生、定义、获取等进行统一的管理，其目的是从需求源头进行数据管控，确保数据治理的效果，并促进数据在组织内的共享和应用。以联通集团为例，通过对全集团数据需求进行统一管理及支撑，制定需求响应流程，建设需求响应平台工具，对需求收集、需求评审、需求更新及需求归档进行有效管理，实现了数据需求申请、审批、跟踪、运营的全过程在线化，并能对数据需求响应效率进行量化分析和持续改善。基于业务能力地图构建数据应用场景地图，提升数据应用的业务价值。随着企业数字化专项进程的推进以及数字技术的兴起，数据部门也会通过挖掘、分析形成面向业务的分析主题，但往往由于业务部门认同度不高，最终都成了空中楼阁。数据应用的目的始终是解决业务的问题或提升业务的能力，因此数据部门需要理解业务需要、形成分析主题，进而解决业务问题。以商业银行为例，结合企业发展需求和监管要求，可以形成包含产品创设、营销销售、业务运营、业务支持、报告决策5大领域共28项能力的银行内部共享的业务能力地图，并分析业务能力需求中的所需数据需求以及所需的数据相关能力，形成完整、详细的企业数据应用能力地图。图 4 数据需求管理体系示意图统一平台需求类型需求流程（简化）需求预提出需求预提出需求管理运营机制组织保障数字化研发平台统一需求管理体系需求价值评价体系一线省分总部地市省分数据需求团队需求评估需求确认需求开发测试评估面向总部嵌入式需求团队面向省分属地化需求团队需求提出需求审批安全审批需求提出需求预评估需求验证、后评价数据提取类数据开发类软件开发类09数据运营实践白皮书基于数据应用场景地图，形成针对应用场景的数据策略是数据应用的最终价值体现。以银行业为例，聚焦对公客户授信定价、普惠业务潜客分析、经营管理三大关键领域，构建相应的算法和流程。对公客户授信定价模型，公司可以依托数据目录，自主筛选出单位客户在该行的代发、账户、流水等数据，为制定综合授信定价模型提供科学全面的参考依据。普惠业务潜客分析，普惠业务人员借助数据搜索工具，可以通览行内零售与普惠客户标签与画像模型，明确了解申请审批流程，最大化评估发挥行内已盘点数据的融合效应。经营管理，机构借助数据运营平台，在找到所需数据报表类后，可以发起从查到用的全线上化审批，系统自动根据该类资产的分级结果完成对应查询操作下载权限的发放登记。以汽车行业为例，建立全客户旅程的数据场景体系，对散点式的应用场景进行整合，进一步在主要环节优化用户体验、提高交易成功率。例如，从用户的购买需求、到店体验、确定方案、购买使用、增值服务、维修保养、投诉/反馈、复购等活动出发，构建包括智能线索评级、异常线索识别、会员成长体系、出行服务续约推荐、流失车主挽回、个性化保养套餐推荐、保养流失预警和挽回、存量客户再购模型预测在内的关键模型，并将策略分别推送给销售管理、市场管理、售后服务等部门，实现应用场景驱动下的业务发展。电力行业以国网北京市电力公司（以下简称“北京电力”）为例，北京电力在数据共享和应用方面，通过数据要素在公司内部流通，实现数据价值充分利用，助力公司经营管理提质增效、业务转型创新发展；在公司外部以及数据要素市场流通，实现数图 5 商业银行业务能力地图410数据运营实践白皮书4参考来源：商业银行数据要素共享与流通研究报告指标、标签、算法模型是各类数据应用的关键组成，不断丰富指标、标签、算法模型体系和工具，有利于扩大数据策略的触达用户范围。例如，中国农业银行通过搭建覆盖财会、资负、风险、零售、公司、机构等业务的指标库、标签库、智能模型库，为总分行及时提供包含绩效考核指标、营销客户画像、客户AUM等在内的数据服务，并提供数据探索、模型训练发布、报表设计发布、可视化结果发布等能力。政府 国网公司 企业 合作伙伴 公众综合数据服务复杂分析场景SG-CIM主题域主数据主题域数据运营能力服务运营能力分析模型算力开放结果库场景运营能力电网资源数据营销业务数据实时测量数据业务数据内部数据信息运营商企事业单位公众合作伙伴.能源行业数据石油煤炭天然气结构化结构化国网云平台数字化能力开放平台统一服务门户互联网隐私计算非结构化实时测量分析层能源大数据应用能力中心数据交互公共服务共享层能源大数据平台数据中心贴源层数字化基础实施扩展主题域电力看经济电力看双碳电力看治理.电网模型应用数据服务数据接入数据可视化应用服务交互图 6 北京电力数据应用总体架构11数据运营实践白皮书据价值最大化，助力全社会数字化转型及数字经济发展。融合应用数据中台和能源大数据平台，基于电力和能源行业大数据，对内通过数据业务图谱、电网模型、数据分析场景等手段推进数据业务化，通过电网一张图、设备质量画像、交易主体综合评价等应用实现数据融合应用，深入挖掘数据价值、赋能基层数据应用；对外通过电力看经济、电力看双碳、电力看治理等“电力看”系列大数据应用积极服务城市治理和辅助决策，提升公司数据资产价值和社会地位。(三)数据服务推广数据服务推广是指通过培训宣贯、赛事举办、交流分享、外部合作等方式，丰富推广渠道，推动企业数据文化及数据生态建设，构建数据用户画像，精准触达内外部各类数据使用方。建立企业数据文化，构建数据驱动型的组织是数据服务推广的关键。数据服务推广存在供给、需求两方面难点，业务与数据人员互不理解、各说各话。在供给方面，由于数据人员不懂业务，且业务侧需求个性化高、变化快，导致供给侧无法及时响应、投入产出比低，多数数据部门疲于应付业务部门数据服务需求，停滞于被动的服务模式。在需求方面，业务部门在用数方面已不止于数据提取、报表开发等基础需求，数据统计分析、数据应用场景挖掘需求越来越多，但是由于数据分析应用门槛高，业务人员不懂数据，不清楚数据有哪些、如何用，导致数据需求无法得到满足，不能充分发挥数据要素价值。因此，建立企业数据文化，构建数据驱动型的组织是推动数据内部共享的关键。数据用户运营是数据服务推广的主要抓手，围绕用户的获取与留存，构建以数据用户为中心的推广策略。一是提升用户触达率。企业数据的目标群体包括企业内部的员工个体、部门群体、分公司和合作伙伴等多种类型。因此，可以通过公司总体宣贯、企业门户网站、内部OA系统、合作伙伴网络等方式让更多目标群体关注到数据。二是唤醒用户数据意识。例如充分嘉奖数据应用和创新的部门，设立企业“数据应用奖”。三是提高数据友好性。用户运营的目标是让数据被用起来，但很多企业在实际情况中，数据往往因为无法被业务人员理解而被废弃。因此，需要从数据用户的角度来理解和呈现数据，让数据可见、可懂、可用，包括以数据易于理解的方式进行命名和描述。四是提高数据易用性。降低数据使用技术门槛，例如通过参数设置就可以快速适配数据的不同业务逻辑和要求，降低业务试错成本。图 7 数据用户运营案例12数据运营实践白皮书积极发展数据要素生态合作伙伴，构建数据产品体系，参与数据交易流通市场，加强数据对外合作能力。例如，北京电力与中关村环保科技园园区、北京国际大数据交易所签订电力大数据合作与交易框架协议，签订多项数据服务合同，合同签订金额达236万元，累计到账127万元；在2022年全球数字经济大会上实现全国首个能源行业百万元级数据线上交易；与海淀区政府的合作框架协议，每年有望争取外部资金1000万元。(四)数据动态优化数据动态优化是指通过核验数据的准确性、规范性、应用量、投入产出比等信息，对不一致、性价比低的数据进行变更或处置，优化数据配置的过程。数据动态优化主要包括数据核验、数据变更、数据处置等内容，建立对数据目录、数据内容以及数据访问权限的规范化维护流程，实现数据动态更新，对数据持续升级优化。数据需要根据数据使用情况和业务发展情况进行动态优化，以提升数据供需两端的适配性。一方面，构建一套完整的数据核验机制，对数据的定义、内容、结构、权限进行持续核验，以保证数据信息的完整可信。另一方面，建立数据应用分析机制，持续跟进数据应用情况，通过评估分析，触发数据的迭代优化，保障数据建有所用、用有所得。中国移动在数据运营过程中对数据订购情况、数据更新情况等进行持续跟踪和分析，重点关注长期无订购无授权的数据以及个性定制化数据需求涉及的数据，提升数据价值密度。长期无订购无授权的数据无法产生数据价值，同时长期消耗昂贵的大数据储算资源，所以企业会在评估其影响后对将其下线处理，结束数据生命周期，或者对数据模型进行重构优化改造后再上架开放。个性定制化数据的复用度低，价值密度低，数据开放和服务周期长，通过对定制化数据进行分析，评估其潜在共享价值，提炼和沉淀共性数据内容，进行共性、标准化改造后补增入数据开放清单。交通银行在数字化营销等过程中应用了海量标签数据，为进一步提炼萃取高价值标签，实现标签资产的“优进劣汰”，交行以元数据为依托，以血缘及应用端埋点数据为数据基础，对标签资产从质量、共享及应用三个维度进行多维度分析统计，实现持续的标签价值量化与识别分类，指导对标签资产开展下线、推广、促活、迭代等一系列优化运营活动，包括高价值标签资产质量监控、中低价值标签资产使用促活、下线低价值/无价值标签等。13数据运营实践白皮书构建多维度场景化数据使用评价体系是提升用户体验的依据。中国联通实现数据服务运营全流程闭环可视评估评价，建立场景化“数据好用”评价体系，建立面向共性数据/能力使用和总部省分两级生产线落地标准的指标评价体系并持续跟踪。中国移动构建价值化数据价值评估模型量化数据，基于四象限矩阵价值划分准则，制定层级式资产价值化运营策略，通过数据生命周期管理流程促进数据“优胜劣汰”，形成良性的数据内循环。(五)数据成本管理数据成本管理是指对于企业内部数据资源所产生的各项成本明细开展规划、梳理、运营等管理活动的过程。企业开展数据成本管理的关键目标在于“厘清、算清、管清”与数据相关的各项成本数据。“厘清”数据成本要求企业从数据生命周期的视角，逐一识别每阶段产生的数据成本类型。数据生命周期通常分为数据采集、数据传输、数据存储、数据处理、数据应用、数据销毁等阶段，同时还有数据管理、数据运维等横跨所有阶段的管理及运维活动。不同阶段由于涉及不同的数据活动，进而会产生不同的成本类型。例如数据采集阶段通常包含企业数据采集工具、采集人员、采集系统以及外部数据采购等成本，数据处理阶段包含企业数据分析人员、数据处理平台、数据加工处理项目等成本类型。因此，企业应结合自身数据生命周期特点具象化每个阶段所参与数据活动的对象与要素，进而识别出对应的成本内容。成立虚拟组织跨部门评审预下线正式下线数据备份资产价值化管理策略业务协同的数据生命周期管理流程3图 8 数据使用评价体系高价值数据低价值数据四象限资产价值矩阵1金牛区潜力区关注区问题区高成本数据高价值高成本数据高价值低成本数据调用量高、独有、准确、实时、运营成本低调用量高、独有、准确、真实、运营成本高低价值高成本数据低价值低成本数据调用量低、共有、准确度低、非真实、运营成本高调用量低、共有、准确度低、非真实、运营成本低低成本数据潜力区数据：由IT部门牵头，制定技术优化方案，实现减本增效。金牛区数据：推动业务部门加大推广和使用，同时提炼能力集团上台，全网推广。关注区数据：基于资产评估模型持续监控，制定数据价值提升策略。问题区数据：由IT+业务部门共同讨论数据保留的必要性，开展数据下线处理。分层分级运营管理策略214数据运营实践白皮书总体来看，目前企业内与数据相关的成本类型主要可以分为以下四类，分别是与数据相关的人力成本、数据采购成本、软件成本和硬件成本。其中，数据采购成本最为清晰且直接，应以企业对外采购数据的合同金额为成本梳理的核心依据，软件及硬件成本需要企业按照财务处理要求计算好每年所产生的摊销或折旧金额。从成本内容来看，与数据相关的人力成本可区分为企业从外部采购的人力服务成本和企业内部投入的自有人员成本，而从成本形式来看，则可分为以项目制建设数据的项目成本和负责日常生产运营的人力成本。“算清”数据成本是指企业应根据识别的数据成本类型，整理相应的成本采集依据，为数据成本核算提供合规、可用的成本整合依据。例如，企业数据类项目建设成本信息，需要企业整合规定期限内的相关项目合同信息，包括项目内容、项目金额等；企业数据相关的人力成本信息，需要企业留存相关类型人员在处理数据工作时所留存的工时记录、对应人员的薪酬信息等内容；企业数据相关的系统或平台工具信息，则要梳理系统、平台或工具等建设时所投入的成本信息，并按照财务的摊销费用处理要求，识别每年度产生的相关成本费用。在企业开展成本梳理及核算工作时，主要面临如下难点与挑战。第一，与数据相关的成本存在杂糅、不易区分的情况。在数据资源入表背景下，数据建设成本和软件建设成本将分别归入企业“无形资产-数据资源”和“无形资产-计算机软件”科目下，且不同科目成本的会计处理要求也有差异。因此，需要企业开展数据成本核算工作时，能够有效区分与数据建设和软件建设的成本内容。但由于企业在过去开展数据建设工作时，主要以项目制的方式推进建设，项目通常同时包含数据加工和软件开发的成本费用，在梳理项目时难以有效对两类成本进行有效的识别与拆分，进而影响数据成本核算工作，未来企业可尝试在立项阶段对数据类和软件类项目加以区分。第二，数据成本难以合理的分摊至某一数据场景下的数据集。在数据应用赋能过程中，数据通常以数据集、数据表乃至字段粒度的形式参与到应用过程中，如果仅从数据规模的角度对总成本进行均摊处理将无法客观反应企业过往对不同类型数据投入的事实现状。因此，企业应首先识别并定义内部数据资源的形态类别，并建立起不同形态数据资源所关联的成本项，再考虑成本分摊的处理动作，避免成本分摊结果与数据实际投入的差异失真。“管清”数据成本是指企业应针对最终核算的数据成本结果，常态化开展数据成本运营分析、成本决策优化等管理运营活动。企业在过去投入了大量的资源以完成数字化转型、数据管理体系等内容的基础建设工作，目前企业已经从过去的高速发展期逐步迈入科学管理阶段。因此，企业在未来开展数据投资建设工