数据资产管理实践白皮书（6.0版）.pdf

1 数据资产管理实践白皮书（6.0 版）数据资产管理实践白皮书（6.0 版）编制说明本报告的撰写得到了数据资产管理领域多家企业与专家的支持和帮助，主要参与单位与人员如下。参编单位：大数据技术标准推进委员会、中国工商银行、中国建设银行、中国农业银行、交通银行、上海浦东发展银行股份有限公司、中国光大银行、平安银行股份有限公司、中国移动通信集团有限公司信息技术中心、中国联合网络通信有限公司、中国电信股份有限公司、中国移动通信集团广东有限公司、中国移动通信集团江苏有限公司、联通数字科技有限公司、中国联合网络通信有限公司研究院、中国电信股份有限公司数字智能科技分公司、中国电信研究院、中国南方电网有限责任公司、海尔集团公司、阿里云计算有限公司、华为云计算技术有限公司、中软国际有限公司、星环信息科技（上海）股份有限公司、恩核（北京）信息技术有限公司、北京数语科技有限公司、广州信安数据有限公司、上海爱数信息技术股份有限公司、海南数造科技有限公司、浩鲸云计算科技股份有限公司、福建新大陆软件工程有限公司、北京亿赛通科技发展有限责任公司、杭州数梦工场科技有限公司、杭州网易数帆科技有限公司、亚信科技（中国）有限公司、上海逸迅信息科技有限公司、北京东方金信科技股份有限公司参编人员：魏凯、姜春宇、王妙琼、李雨霏、闫树、李雪妮、尹正、阚鑫禹、马闻达、刘思达、骆阳、符山、邓正保、王德宇、陆燕、李佳妮、谢云龙、文州、孙琳、朱红伟、顾羿煌、卫清辉、潘学芳、林勇、华桊兴、项子林、胡清源、刘宇、王项男、崔博亚、郑保卫、温鲜阳、王琤、黎山、禹芳、朱征露、徐欢、杨秋勇、高伟、黄伟、张晓川、肖文彬、郭锐、李明旭、李金夏、张振、刘燕、袁雪梅、潘思宇、王爽、付钰、漆晨曦、庞振、顾骧、余亿、戴少青、宋春颖、杨锐、邓平、李基亮、王瀚、鲍立飞、彭洁思、黄孔元、陈科学、巫雪辉、张兰兰、李楷、念灿华、甘长华、郭忆、傅正、邹明旭、刘影、王立冬、梅珂夫、张海波2 数据资产管理实践白皮书（6.0 版）前 言党的十九届四中全会首次将“数据”增列为一种生产要素，要求建立健全由市场评价贡献、按贡献决定报酬的机制，标志着以数据为关键要素的数字经济进入新时代。党的二十大报告提出要“加快建设现代化经济体系，着力提高全要素生产率”，充分发挥海量数据和丰富应用场景优势，促进数字技术与实体经济深度融合，赋能传统产业转型升级，催生新产业、新业态、新模式，不断做强、做优、做大我国数字经济。数据要素所引发的生产要素变革，正在重塑着我们的需求、生产、供应和消费，改变着社会的组织运行方式。良好的数据资产管理是释放数据要素价值的基础。数据资产管理包含数据资源化、数据资产化两个过程，通过数据资源化构建全面有效的、切合实际的数据资产管理体系，提升数据质量，保障数据安全；通过数据资产化，丰富数据资产应用场景，建立数据资产生态，持续运营数据资产，凸显数据资产的业务价值、经济价值和社会价值。经过多年发展，我国数据资产管理逐步进入深化落地时期。政府部门、金融机构、通信运营商、互联网企业等政企机构纷纷提出数字化转型路线，发布数据资产管理框架，在数据资源化方面积累了实践经验，并探索开展数据流通、价值评估、资产运营等数据资产化工作。数据资产管理实践白皮书（6.0 版）是大数据技术标准推进委员会自 2017 年以来发布的第六版白皮书。基于多年理论研究和案例分析，本白皮书将以政府机构和企事业单位作为研究主体（侧重企业），以数据资产赋能业务发展作为核心逻辑，跟踪 2022 年数据资产管理领域政策和行业动向，阐述数据资产管理的概念内涵、演进历程、发展现状，结合企业数据资产管理典型方法和实践案例，重点讨论数据资产管理的活动职能、保障措施、实践步骤等，并对数据资产管理发展进行总结与展望。3 数据资产管理实践白皮书（6.0 版）目 录版权声明/1编制说明/2前言/3一、数据资产管理概述/1(一)数据资产管理推动数据要素市场发展/1(二)数据资产管理助力企业数字化转型/2(三)数据资产管理的概念与内涵/3(四)数据资产管理演进/5(五)数据资产管理难点/7二、数据资产管理活动职能/9(一)数据模型管理/9(二)数据标准管理/10(三)数据质量管理/11(四)主数据管理/12(五)数据安全管理/13(六)元数据管理/15(七)数据开发管理/16(八)数据资产流通/17(九)数据价值评估/19(十)数据资产运营/22三、数据资产管理保障措施/24(一)战略管理/24(二)组织架构/25(三)制度体系/27(四)平台工具/28(五)长效机制/29四、数据资产管理实践步骤/30(一)第一阶段：统筹规划/30(二)第二阶段：管理实施/31(三)第三阶段：稽核检查/34(四)第四阶段：资产运营/35五、数据资产管理发展趋势/36(一)管理理念：从被动响应到主动赋能/36(二)组织形态：向专业化与复合型升级/36(三)管理方式：敏捷协同的一体化管理/37(四)技术架构：面向云的 Data Fabric/37(五)管理手段：自动化与智能化广泛应用/38(六)运营模式：构建多元化的数据生态/38(七)数据安全：兼顾合规与发展/38六、数据资产管理总结与展望/394 数据资产管理实践白皮书（6.0 版）5目 录图 目 录图 1 数据资产管理推动数据要素市场构建/1图 2 数据资产管理助力企业数字化转型/2图 3 数据资产管理架构/5图 4 数据资产管理难点/7图 5 华为一体化数据建模示例/10图 6 数据全流程质量校验管控/12图 7 数据安全分类分级流程与结果/14图 8 平安银行双向数据分类分级打标方法/15图 9 工商银行数据开发流程示例/16图 10 数据共享、数据开放、数据交易的区别/17图 11 数据资产交易标的物形式示意图/19图 12 南方电网数据商业模式示意图/23图 13 数据战略管理流程与要点/24图 14 集中式数据资产管理组织架构/25图 15 联邦式数据资产管理组织架构/25图 16 数据资产管理制度体系架构/28图 17 数据资产管理长效机制/29图 18 数据资产管理实践步骤/30图 19 数据资产项目管理要点/32图 20 敏捷式数据资产管理示意图/33图 23 DataOps：敏捷协同的一体化管理/37表 目 录表 1 我国涉及自然人、法人和非法人数据权益的法规及其定义/1表 2 国内外数据价值评估政策与研究总结/20表 3 集中式管理与联邦式管理比较/26表 4 数据资产管理复合人才能力表/27表 5 数据资产管理能力评估维度及要点/30表 6 数据资产标准规范体系示例/311 数据资产管理实践白皮书（6.0 版）随着数据的重要性日益显著，数据资产管理成为激发组织数据要素活力、加速数据价值释放的关键。本章首先从数据要素市场发展与企业数字化转型的视角出发，阐述数据资产管理的重要性，其次明确数据资产管理的概念与内涵，再次对数据资产管理演进进行梳理，最后总结了当前数据资产管理的主要难点。(一)数据资产管理推动数据要素市场发展 当前，数据成为各国发展数字经济的重要抓手。在数字社会，数据成为了国家基础性战略资源，数字经济正在成为经济增长方式的强大创新动能，主要国家数字经济增速显著高于本国 GDP 增速，在 GDP 中贡献水平逐步提升。中国信息通信研究院发布的全球数字经济白皮书（2022 年）显示，截至 2021 年，测算的 47个国家数字经济增加值规模为 38.1 万亿美元，占 GDP 比重为 45.0%，中国数字经济规模位列全球第二，总规模为 7.1 万亿美元1。推动以数据为基础的战略转型成为各个国家和地区抢占全球竞争制高点的重要战略选择。数据要素市场化配置上升为国家战略，将充分发挥对其他要素资源的乘数作用。2020 年 4 月，中共中央、国务院发布关于构建更加完善的要素市场化配置体制机制的意见，将“数据”与土地、劳动力、资本、技术并称为五种要素，提出“加快培育数据要素市场”。2022 年国务院发布“十四五”数字经济发展规划提出“要充分发挥数据要素作用、强化高质量数据要素供给”。2022 年 12 月，中共中央国务院发布关于构建数据基础制度更好发挥数据要素作用的意见中提出要构建适应数据特征、符合发展规律、彰显创新引领的数据基础制度体系，主要是加快数据产权制度、数据流通交易制度、数据收益分配制度、数据安全治理制度四大类基础制度建设。良好的数据资产管理是释放数据要素价值、推动数据要素市场发展的前提与基础。数据资产管理通过构建全面有效的、切合实际的管理体系，一方面规范数据资产采集、加工、使用过程，提升数据质量，保障数据安全，另一方面丰富数据资产应用场景，建立数据资产生态，持续运营数据资产，为政府机构与企事业单位进行资产计量确认提供了良好的数据条件和能力基础，进一步推动数据要素流通，加速要素市场化。一.数据资产管理概述图 1 数据资产管理推动数据要素市场构建1 中国信息通信研究院，中国数字经济发展白皮书（2022）.2 数据资产管理实践白皮书（6.0 版）(二)数据资产管理助力企业数字化转型 企业竞争的本质是在不确定市场环境下资源配置效率的竞争。随着技术的更新迭代和市场需求的快速升级，生产过程、外部环境、供应链协同的不确定和复杂性持续增加。如何快速感知市场变化、识别潜在客户需求，如何增强决策准确性、实时性，如何提高产品开发迭代速度、降低产品管理运维成本，已成为配置资源效率的关注点和竞争点。数字化转型通过优化企业资源获取和资源配置，提高企业竞争优势。数据是企业资源的具体表现形式和重要载体，在万物互联的时代，数据将渗透至企业设计、生产、管理、服务和运营的全流程，对企业资源获取和配置的优化过程即是利用数字化手段重塑企业发展模式和竞争优势的过程。通过业务数据化，应用数据采集、传输、加工等技术，推动业务全面线上；通过数据业务化，实现数据智能决策，驱动业务创新。数据资产管理提高业务数据化效率，推动数据业务化，加速企业数字化转型。数据资产管理从数据的业务供给端出发，通过数据资源化设计业务流程与数据模型，提高业务从物理世界到数字世界的转换效率，并对线上业务的数据质量和安全进行管控，保障业务运转的高质量，降低业务的安全风险。数据资产化从业务的数据需求端出发，打通企业内部数据、引入企业外部数据，加深数据与业务线的融合，催生数据场景化，应用数据分析技术，实现数据赋能业务发展，推动企业精细化管理变革。我国鼓励企业提升数据治理水平，加速数字化转型。2020 年 9 月国务院国资委办公厅下发关于加快推进国有企业数字化转型工作的通知，要求各国有企业加快集团数据治理体系建设，提出构建数据治理体系，“明确数据归口管理部门，加强数据标准化、元数据和主数据管理工作”，“定期评估数据治理能力成熟度”。同时，“强化业务场景数据建模，深入挖掘数据价值，提升数据洞察能力”，提升数据服务水平。此外，指出制定规划、协同推进、资源保障对于工作顺利推进的重要性。2022 年 11 月，工业和信息化部发布中小企业数字化转型指南，提出了包含开展数字化评估、推进管理数字化、开展业务数字化、融入数字化生态、优化数字化实践等环节的转型路径，为中小企业科学高效推进数字化转型指明了道路。图 2 数据资产管理助力企业数字化转型3 数据资产管理实践白皮书（6.0 版）(三)数据资产管理的概念与内涵 1.数据资产数据资产（Data Asset）是指由组织（政府机构、企事业单位等）合法拥有或控制的数据，以电子或其他方式记录，例如文本、图像、语音、视频、网页、数据库、传感信号等结构化或非结构化数据，可进行计量或交易，能直接或间接带来经济效益和社会效益。在组织中，并非所有的数据都构成数据资产，数据资产是能够为组织产生价值的数据，数据资产的形成需要对数据进行主动管理并形成有效控制。本白皮书是从数据价值性视角出发定义数据资产，涉及主体包括政府机构与企业事业单位（重点讨论企业），并不严格区分数据资产的经济效益和社会效益。此外，由于数据资产具有传统资产所不具备的其它特征，因此，其价值的评估和计量并不完全遵从既有的会计、经济相关准则与标准，仍需要结合实践经验进行不断的探索和创新。数据权属讨论数据属于谁的问题，数据权益讨论数据收益的分配问题。确定数据资产权属和权益分配有利于提高市场主体参与资产交易的积极性，降低资产流通的合规风险，推动数据要素市场化进程。现阶段，数据资产的权属确认问题对于全球而言仍是巨大挑战，各国现行全国性法律尚未对数据确权进行立法规制，普遍采取法院个案处理的方式，借助包括隐私保护法、知识产权法及合同法等不同的法律机制进行判断。我国法律尚未对数据权属做出清晰规定，难以形成规则共识。现有法律多是从保护和监管的角度出发，通过网络安全法数据安全法个人信息保护法等规范数据的利用，但还没有一部法律对各种场景下数据应归谁所有做出明确界定，现行法律也较少涉及数据本身所承载的其他权益关系。司法过程中，目前主要是以反不正当竞争法等作为数据权益保护的权宜之计，承认数据具有竞争性利益，但具体的界权规则尚未达成共识，具有较大不确定性，各经营者仍容易频繁陷入因权属不清引发的纠纷之中。面对数据权属相关障碍，应结合顶层设计与实践经验，逐步形成中国特色的数据产权制度体系。关于构建数据基础制度更好发挥数据要素作用的意见中提出“建立公共数据、企业数据、个人数据的分类分级确权授权制度”，“建立数据资源持有权、数据加工使用权、数据产品经营权等分置的产权运行机制”，健全数据要素权益保护制度。考虑到数据种类、内容和流转形态的复杂性，应结合具体实践经验，对“数据分类分级确权”和“产权分置运行机制”的制度设计进行优化。定义数据主体的权益一定程度上可以缓解由于数据资产难确权带来的困境。我国通过明确了自然人、法人和非法人组织的数据权益，保障了包括自然人在内各参与方的财产收益，起到了鼓励企业在合法合规的前提下参与数据资产流通的作用。关于构建数据基础制度更好发挥数据要素作用的意见提出推动建立企业数据确权授权机制，健全个人信息数据确权授权机制和数据要素各参与方合法权益保护制度，尊重数据采集、加工等数据处理者的劳动和其他要素贡献，充分保障数据处理者使用数据和获得收益的权利。此外 深圳经济特区数据条例 广东省数字经济促进条例，上海市数据条例四川省数据条例均规定了自然人、法人和非法人组织对其以合法方式获取的数据,以及合法处理数据形成的数据产品和服务依法享有相关权益。详见表 1。专栏一：数据权属4 数据资产管理实践白皮书（6.0 版）文件名发布时间涉及自然人、法人和非法人数据权益相关内容关于构建数据基础制度更好发挥数据要素作用的意见2022.12推动建立企业数据确权授权机制、建立健全个人信息数据确权授权机制建立健全数、据要素各参与方合法权益保护制度。四川省数据条例2022.12自然人、法人和非法人组织可以依法使用、加工合法取得的数据；对依法加工形成的数据产品和服务，可以依法获取收益。自然人、法人和非法人组织在使用、加工等数据处理活动中形成的法定或者约定的财产权益，以及在数字经济发展中有关数据创新活动取得的合法权益受法律保护。深圳经济特区数据条例2021.7自然人对个人数据依法享有权益，包括知情同意、补充、更正、删除、查阅、复制等权益；自然人、法人和非法人组织对其合法处理数据形成的数据产品和服务享有法律、行政法规及条例规定的财产权益，可以依法自主使用，取得收益，进行处分。广东省数字经济促进条例2021.7明确自然人、法人和非法人组织对依法获取的数据资源开发利用的成果，所产生的财产权益受法律保护，并可以依法交易。上海市数据条例 2021.11自然人对涉及其个人信息的数据，依法享有人格权益；自然人、法人和非法人组织对其以合法方式获取的数据,以及合法处理数据形成的数据产品和服务，依法享有财产权益、数据收集权益、数据使用加工权益、数据交易权益。表 1 我国涉及自然人、法人和非法人数据权益的法规及其定义2.数据资产管理数据资产管理（Data Asset Management）是指对数据资产进行规划、控制和供给的一组活动职能，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。数据资产管理须充分融合政策、管理、业务、技术和服务，确保数据资产保值增值。数据资产管理包含数据资源化、数据资产化两个环节，将原始数据转变为数据资源、数据资产，逐步提高数据的价值密度，为数据要素化奠定基础。数据资产管理架构如图 3 所示。5 数据资产管理实践白皮书（6.0 版）图 3 数据资产管理架构数据资源化通过将原始数据转变数据资源，使数据具备一定的潜在价值，是数据资产化的必要前提。数据资源化以提升数据质量、保障数据安全为工作目标，确保数据的准确性、一致性、时效性和完整性，推动数据内外部流通。数据资源化包括数据模型管理、数据标准管理、数据质量管理、主数据管理、数据安全管理、元数据管理、数据开发管理等活动职能。数据资产化通过将数据资源转变为数据资产，使数据资源的潜在价值得以充分释放。数据资产化以扩大数据资产的应用范围、厘清数据资产的成本与效益为工作重点，并使数据供给端与数据消费端之间形成良性反馈闭环。数据资产化主要包括数据资产流通、数据资产运营、数据价值评估等活动职能。(四)数据资产管理演进 1.数据资产管理发展历程数据资产管理伴随着数据理念与技术的演变而不断发展。数据管理概念主要诞生于上世纪八十年代，为方便存储和访问计算机系统中的数据，优化数据随机存储技术和数据库技术的使用，数据管理多从技术视角出发。信息化时代，数据被视为业务记录的主要载体，数据管理与业务系统、管理系统（包括企业资源规划系统ERP、自动办公系统 OA、管理信息系统 MIS、客户关系管理系统 CRM、人力资源管理系统 HRM 等）的建设和维护相结合，数据管理具备一定的业务含义，数据管理工作多集中于局部业务领域的流程改善。大数据时代，数据意识与数据价值的逐步提升，数据规模持续增加，技术成本投入下降，越来越多的组织搭建大数据平台，实现数据资源的集中存储和管理，组建数据管理团队，数据管理的重要性和必要性日益凸显，数据管理推动组织业务发展的作用逐步显现。数据要素化时代，数据作为资产的理念正在共识，数据管理演变为对数据资产的管理，以提升数据质量和保障数据安全为基础要求，围绕数据全生命周期，统筹开展数据管理，以释放数据资产价值为核心目标，制定数据赋能业务发展战略，持续运营数据资产。数据资产管理的理论框架逐步成熟。国际上，麻省理工学院两位教授于 90 年代启动全面数据质量管理计划（TDQM），提出了聚焦于质量管理的数据资产管理框架。国际数据治理研究所（The Data Governance 6 数据资产管理实践白皮书（6.0 版）Institute，DGI）于2004年提出了数据治理框架（Data Governance Institute,DGI），国际数据管理协会（DAMA，Data Management Association International）于 2009 年发布了数据管理知识体系2，并于 2017 年对数据管理模型进行了更新3。此外，Gartner、IBM 等企业纷纷提出了数据管理能力评价模型。我国于 2018 年发布数据管理能力成熟度评估模型（GB/T 36073-2018）国家标准，是国内数据管理领域的第一个国家标准，该标准全面定义了数据管理活动框架，包含 8 个能力域、28 个能力项。整体来看，目前数据管理理论框架之间有很强的相似性，主要从数据管理的技术侧或管理侧出发，明确数据管理的活动职能和管理手段，并按照一定标准对组织的数据能力进行等级评定。但是，多数框架未特别强调数据资产价值性，忽略了数据资产价值实现路径。2.数据资产管理发展现状一是数据资产管理政策环境持续优化。金融领域，2021 年 3 月，中国人民银行发布金融业数据能力建设指引，为金融业工作落地实施提供强力指导。2021 年 9 月，银保监会印发商业银行监管评级办法，将“数据治理”要求纳入商业银行监管评级要素并给予 5%的权重，进一步要求商业银行加快建设数据治理体系。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，提出加强数据资源管理，研究制定信息通信领域公共数据开放及数据资源流动制度规范，探索建立数据应用处理、数据产品标准化、数据确权、数据定价、数据交易信任、数据开放利用全流程的数据资源管理制度体系和数据要素市场，加强数据资源监管和行业自律。加快数据流通共享技术标准体系制定，提升数据质量和规范性。制造业领域，2021 年 11 月，工业和信息化部印发“十四五”信息化和工业化深度融合发展规划，提出强化大数据在制造业各环节应用，制定制造业数字化转型行动计划，以制造业数字化转型为引领，培育专业化、场景化大数据解决方案。二是数据资产管理能力整体处于发展初期，发展态势稳中有进。中国电子信息行业联合会通过计算历年来 DCMM 评估企业的能力等级分布，大部分贯标企业的数据管理能力均在二级（受管理级）及以下水平，占全部贯标企业的 80.1%；三级（稳健级）占总量的 15.6%，四级及以上（量化级和优化级）不足 5%。随着企业数字化转型相关政策不断出台，企业自身数据意识持续提升，越来越多的企业参与到DCMM贯标评估工作中，通过“以评促建”的方式加快数据资产管理能力建设。三是行业间数据资产管理能力差异分布显著。软件和信息技术业、工业和制造业、医疗行业、教育行业等传统行业仍处于初级阶段，数据资产管理的意识和动力不足，数据资产管理处于大数据平台建设阶段，尚未组建相对专业化的数据资产管理团队，主要针对核心业务开展数据标准化、数据质量管控等工作。金融行业、互联网行业、通信行业、电力、零售行业等较早享受到了“数据红利”，持续推进业务线上化，数据资产管理重要性随之提升，逐步发展数据资产管理部门，加大技术创新与应用，开展数据分析和数据服务。中国电子信息行业联合会将 DCMM 评估的统计数据按照行业进行对比分析，发现通信、电力、银行三个行业处于相对领先水平，软件和信息技术业、制造业有较大提升空间。2 美 DAMA 国际,Data Management Body of Knowledge,DMBOK 2009.3 美 DAMA 国际,DAMA 数据管理知识体系指南(2017).7 数据资产管理实践白皮书（6.0 版）四是评估数据资产价值、创新数据资产商业模式逐步成为企业关注焦点，领先企业已开展探索性实践。数据价值评估是量化数据资产价值的有效方式，推动企业持续投入资源开展数据资产管理，为企业参与数据要素流通奠定基础。2021 年光大银行发布了商业银行数据资产估值白皮书，计算出光大银行数据资产超千亿元的货币价值，并与北京国际大数据交易所开展战略合作，探索数据要素多元发展模式。2022 年光大银行在前期研究的基础上，以商业银行为研究对象，开展数据资产入表和数据要素市场生态研究，发布了商业银行数据资产会计核算研究报告，为业界提供了参考。此外，光大银行发布的商业银行数据要素市场生态研究报告提出了商业银行在数据要素市场新生态中的两个新发展路径：一是作为数据商，以“4+2”的服务模式，深入参与数据要素市场大循环，开展数据商业务；二是作为第三方专业机构，充分发挥银行的现有优势，开放创新，拓展业务新场景。五是数据安全管理作为数据资产管理的“红线”，日益受到国家行业的重视。国家层面，逐渐明晰数据安全的监管红线，为企业数据安全建设提供政策引领。2022年7月，中央网信办公布 数据出境安全评估办法，为各行业企业规范数据出境活动、保护个人信息权益提出了更加具体的要求和措施，翻开了数据出境安全管理的新篇章。行业方面，工业和信息化部于2022年10月再次公开征求对 工业和信息化领域数据安全管理办法（试行）的意见，明确了重要和核心数据在目录备案及出境等方面的工作要求，是对工业和信息化领域数据安全管理工作的进一步指导。(五)数据资产管理难点当前，数据资产管理仍然面临一系列的问题和挑战，涉及数据资产管理的理念、效率、技术、安全等方面，阻碍了组织数据资产能力的持续提升。图 4 数据资产管理难点8 数据资产管理实践白皮书（6.0 版）一是数据资产管理内驱动力不足。组织管理数据资产的动力主要来自外在动力和内在动力两个方面。随着鼓励组织开展数字化转型的国家和行业政策陆续发布，监管和行业主管部门对企业数据管理提出更高要求，数据分析和应用对于同业竞争的优势日趋显著，组织开展数据资产管理的外部动力逐渐增强。但是，对于多数组织而言，仍面临数据资产管理价值不明显、数据资产管理路径不清晰、数据文化不完善等问题，管理层尚未达成数据战略共识，业务部门等数据使用方缺少有效的数据应用方法，短时期内数据资产管理投入产出比较低，导致组织开展数据资产管理内驱动力不足。二是数据资产管理与业务发展存在割裂。现阶段企业开展数据资产管理主要是为经营管理和业务决策提供数据支持，数据资产管理应与业务发展紧密耦合，数据资产也需要借助业务活动实现价值释放。然而，很多组织的数据资产管理工作与实际业务存在“脱节”情况。战略层面不一致，多数企业并未在企业发展规划中给予数据资产管理应有的组织地位和资源配置，未体现数据资产管理与业务结合的方式与路径。同时，组织层面不统一，数据资产管理团队与业务团队缺乏有效的协同机制，使数据资产管理团队不清楚业务的数据需求，业务团队不知道如何参与数据资产管理工作。三是数据质量难以及时满足业务预期。数据资产管理的核心目标之一是提升数据质量，以提高数据决策的准确性。但是，目前多数企业面临数据质量不达预期、质量提升缓慢的问题。究其原因，主要包括以下三个方面：一是未进行源头数据质量治理，“垃圾”数据流入大数据平台；二是数据资产管理人员未与数据使用者之间形成协同，数据质量规则并未得到数据生产者或数据使用者的确认；三是数据质量管理的技术支持不足，手工操作在数据质量管理中占比较高，导致数据质量问题发现与整改不及时。四是数据资产无法持续运营。数据资产运营是推动数据资产管理长期、持续开展的关键。但是，由于多数组织仍处于数据资产管理的初级阶段，尚未建立数据资产运营的理念与方法，难以充分调动数据使用方参与数据资产管理的积极性，数据资产管理方与使用方之间缺少良性沟通和反馈机制，降低了数据产品的应用效果。五是数据安全风险加剧，安全合规要求日益复杂。中国政企机构数据安全风险分析报告（2022）显示数据泄露已经超越数据破坏成为数据安全最大风险，2021 年全球数据安全大事件中涉及数据泄露的占总量的 41.2%。2022 年，数据泄露事件占比攀升至 51.7%。此外，对个人信息交易需求的增加扩大了数据安全风险来源，从交易信息类型来看，涉及个人信息数据买卖的交易占比达到 55.6%（其余两大类交易信息包括商业机密数据、内网管理信息数据，占比分别为 19.3%和 11.7%）。如何有效应对数据安全风险事件、满足国家行业数据安全合规要求，是当前企业面临的难点之一。9 数据资产管理实践白皮书（6.0 版）活动职能是数据资产管理的基本管理单元。数据资产管理包括数据模型管理、数据标准管理、数据质量管理等 10 个活动职能，覆盖数据资源化、数据资产化两个阶段。本章参考 PDCA 方法，从计划、执行、检查、改进四个环节着手，阐述数据资产管理活动职能的核心理念与实践要点。(一)数据模型管理 数据模型是指现实世界数据特征的抽象，用于描述一组数据的概念和定义。数据模型管理是指在企业架构管理和信息系统设计时，参考逻辑模型，使用标准化用语、单词等数据要素设计数据模型，并在企业架构管理、信息系统建设和运行维护过程中，严格按照数据模型管理制度，审核和管理新建和存量的数据模型。数据模型管理的关键活动包括：数据模型计划：确认数据模型管理的相关利益方；采集、定义和分析组织级数据模型需求；确定遵循数据模型标准与要求，设计企业级数据模型（包括主题域数据模型、概念数据模型、逻辑数据模型）；数据模型执行：参考逻辑数据模型开发物理数据模型，保留开发过程记录；根据数据模型评审准则与测试结果，由数据模型管理的参与方进行模型评审，评审无异议后发布并上线模型；数据模型检查：确定数据模型检查标准，定期开展数据模型检查，以确保数据模型与组织级业务架构、数据架构、IT 架构的一致性；保留数据模型检查结果，建立数据模型检查基线；数据模型改进：根据数据模型检查结果，召集数据模型管理的相关利益方，明确数据模型优化方案；持续改进数据模型设计方法、模型架构、开发技术、管理流程、维护机制等。采用企业架构指导建立企业级数据模型，并采用一体化建模的方法，是提升数据模型业务指导性和模型质量的有效方式。例如，华为成立了 EAC（企业架构委员会），参考企业架构设计了企业级数据模型（包括主题域数据模型、概念数据模型、逻辑数据模型），较好的描述和展示了业务流程与业务关系，同时，在一定时间内企业级数据模型保持稳定性，有效指导了新业务的方向探索与 IT 建设。此外，通过引入一体化建模的方法，从技术和机制上支持企业级数据模型与 IT 开发的协同，使物理数据模型与逻辑数据模型保持一致，要求物理数据模型的实体属性来自于数据标准池，并通过元数据对该开发过程进行记录与监控，提升了数据模型的一致性、规范性、可控性。二.数据资产管理活动职能10 数据资产管理实践白皮书（6.0 版）证券行业自 2019 年起陆续发布数据模型行业标准，指导行业内企业数据模型构建，提高企业间数据模型互通性。具体包括证券期货业数据模型 第 1 部分：抽象模型设计方法（JR/T 0176.12019）、证券期货业数据模型 第 3 部分：证券公司逻辑模型（JR/T 0176.32021）、证券期货业数据模型 第 4 部分：基金公司逻辑模型（JR/T 0176.12019）。国家电网公司构建了统一数据模型（SG-CIM），从企业级视角对国家电网公司各专业原始业务数据进行统一建模，是打造企业级业务中台和数据中台的关键。SG-CIM 建设启动于 2009 年，历经 SG186、SG-ERP、SG-ERP3.0 等信息化建设不同发展阶段，历经多年建设，形成了覆盖电网主营业务、企业核心资源、智能分析决策三大板块 14 个业务大类，包括 10 个一级主题域，90 个二级主题域，5472 个实体，80658 个属性。2021年以来，国家电网持续优化完善 SG-CIM，聚焦营销 2.0、项目中台、人资 2.0 等重点建设项目，探索了项目建设与 SG-CIM 设计同步完善、协同一致的工作机制和设计方法。图 5 华为一体化数据建模示例(二)数据标准管理 数据标准是指保障数据的内外部使用和交换的一致性和准确性的规范性约束。数据标准管理的目标是通过制定和发布由数据利益相关方确认的数据标准，结合制度约束、过程管控、技术工具等手段，推动数据的标准化，进一步提升数据质量。数据标准管理的关键活动包括：数据标准管理计划：确定数据标准管理相关负责人与参与人，开展数据标准需求采集与现状调研，构建组织级数据标准分类框架；制定并发布数据标准管理规划与实施路线；数据标准管理执行：在数据标准分类框架的基础上，定义数据标准；依据数据资产管理认责体系，组织相关人员进行数据标准评审并发布；依托平台工具，应用数据标准（包括数据模型设计与开发、数据质量稽核等）；11 数据资产管理实践白皮书（6.0 版）(三)数据质量管理数据质量指在特定的业务环境下，数据满足业务运行、管理与决策的程度，是保证数据应用效果的基础。数据质量管理是指运用相关技术来衡量、提高和确保数据质量的规划、实施与控制等一系列活动。衡量数据质量的指标体系包括完整性、规范性、一致性、准确性、唯一性、及时性等。数据质量管理的关键活动包括：数据质量管理计划：确定数据质量管理相关负责人，明确数据质量的内部需求与外部要求；参考数据标准体系，定义数据质量规则库，构建数据质量评价指标体系；制定数据质量管理策略和管理计划；数据质量管理执行：依托平台工具，管理数据质量内外部要求、规则库、评价指标体系等；确定数据质量管理的业务、项目、数据范畴，开展数据质量稽核和数据质量差异化管理；数据质量管理检查/分析：记录数据质量稽核结果，分析问题数据产生原因，确定数据质量检查责任人，出具质量评估报告和整改建议；持续测量全流程数据质量，监控数据质量管理操作程序和绩效；确定与评估数据质量服务水平；数据质量管理改进：建立数据质量管理知识库，完善数据质量管理流程，提升数据质量管理效率；确定数据质量服务水平，持续优化数据质量管理策略。数据标准管理检查：对数据标准的适用性、全面性进行及时检查；依托平台工具，检查并记录数据标准应用程度；数据标准管理改进：通过制定数据标准维护与优化的路线图，遵循数据标准管理工作的组织结构与策略流程，各参与方共同配合进行数据标准维护与管理过程优化。推动数据标准应用于数据开发、数据质量管理，提升数据标准管理效果。例如，交通银行一方面以新建系统或重构系统为契机，实施数据标准的“强管控”，基于数据建模工具打通 IT 开发需求与数据标准，要求IT 人员应用统一建模工具实施开发，推动数据标准有效落地，另一方面以数据标准管理促进数据质量提升，基于数据标准编制数据质量规则，聚焦关键业务领域与关键质量问题，并对数据标准应用情况进行持续监控。业务术语是统一数据业务含义的关键，业务术语管理是数据标准管理的基础性工作。管理方面，企业已逐步形成统一管理的意识，重点关注业务术语的建设和应用，包括建立管理制度、管理流程并发布业务术语标准，并积极推广业务术语的宣贯和应用，促进业务术语的规范化、便捷化应用。技术方面，通过数据管理平台对业务术语进行统一归集、发布、查询和应用，确保在企业全局形成对核心业务概念的统一定义和使用。以中国工商银行为例，该行通过编制企业级的业务术语标准管理办法明确业务术语的命名规范、相关人员的职责以及应用原则等，建立集团信息标准系统对全行数据标准进行统一管理，定期组织相关培训以确保相关人员对组织内业务术语的理解一致。12 数据资产管理实践白皮书（6.0 版）数据质量管理遵循源头治理、闭环管理的原则。源头治理方面，主要是指在新建业务或 IT 系统过程中，明确数据标准或质量规则，采用“一数一源”原则，与数据生产方和数据使用方确认，常见于对于数据时效性要求不高或核心业务增量数据等场景。闭环管理方面，主要是指形成覆盖数据质量需求、问题发现、问题检查、问题整改的良性闭环，对数据采集、流转、加工、使用全流程进行质量校验管控（如图 6 所示），持续根据业务部门数据质量需求优化质量管理方案、调整质量规则库，构建数据质量和管理过程的度量指标体系，不断改进数据质量管理策略。交通银行以“管理可度量”、“问题可闭环”以及“质量标签化”三大原则建立质量管理体系。在管理度量方面，着重“以单为锚、量化反映”，建设以质量问题单为中心的线上化流程，支持解决时效等关键信息的量化统计，实现审批流转耗时降低 50%；在闭环管理方面，依托数据质量管理系统搭建企业级质量规则库，结合各类数据应用场景的质量需求，已编制质量规则 20000 余条，集中覆盖公司板块、财管领域、EAST5.0 等多个领域，同时针对数据湖历史数据和主题模型层开展常态化监控；在质量标签化方面，推进质量问题单与数据资产目录的联动，将质检信息同步至数据资产界面，方便业务人员基于质量状态标签前置判断数据资产可用性，加快数据资产应用价值释放。图 6 数据全流程质量校验管控(四)主数据管理 主数据（Master Data）是指用来描述企业核心业务实体的数据，是跨越各个业务部门和系统的、高价值的基础数据。主数据管理（Master Data Management，MDM）是一系列规则、应用和技术，用以协调和管理与企业的核心业务实体相关的系统记录数据。主数据管理的关键活动包括：主数据管理计划：依据企业级数据模型，明确主数据的业务范围、唯一来源系统与识别原则；定义主数据的数据模型（或主辅数据源分布）、数据标准、数据质量、数据安全等要求或规则，并明确以上各方面与组织全面数据资产管理的关系；主数据管理执行：依托平台工具，实现核心系统与主数据存储库数据同步共