谈谈基于全面数据治理的工业企业数据资产价值体系

随着数字经济的快速发展，数据价值越来越受到重视。《关于构建更加完善的要素市场化配置体制机制的意见》中指出：在数字经济时代，数据成为推动经济发展的关键生产要素，改变了基础设施的形态，数字基础设施成为新的生产要素，数据正成为带动技术流、资金流、人才流、物资流的核心生产要素，数据自动流动水平成为衡量一个企业、一个行业甚至一个区域发展水平和竞争实力的关键指标。 尽管有很多企业意识到数据是企业的核心资产，但是没有完备的数据资产管理体系，数据要素的生产力就很难发挥出来。工业企业的数据体量大、数据类型多、数据产生快，这就要求企业从数据产生、数据存储、数据加工、数据应用、数据归档等数据全生存命周期进行管理。当前，大型央企从数据湖建设、数据资产目录建设、数据指标体系建设、数字化运营平台建设等方面采取了一系列开发利用数据的措施。 然而，众多企业发现数据资产体系构建后，并没有像预期那样实现数据资产化和数据价值化，数据产生的洞察和报表也没有完全受到业务和管理部门的认可。主要原因包括数据质量不高、数据标准不一、数据安全缺位、应用场景匮乏等。由此可见，不受治理的数据资产体系难以发挥数据资产的价值。本文试着从基于全面数据治理的视角出发构建工业企业数据资产价值体系，发挥数据作为第五生产要素的重要作用。 1.工业企业数据资产体系建设现状 进入数字经济时代，数字化转型成为工业企业的必选题。要想打造可持续的竞争优势，离不开业务数字化和数据业务化的两大阶段，很多大型集团开始探索数据价值的挖掘。基于传统数据仓库的数据存储模式被打破，为了存储大量多类型的数据，众多大型集团启动了数据湖的建设，将数据按照不同的业务域或者不同的业务系统进行数据的入湖。 数据入湖后，如何对数据开发利用成为组织关注的焦点。首先，大部分企业从数据可见性出发，梳理和构建数据资产目录，有些数据资产目录停留在文件上，有些数据资产目录构建在数据湖中；然后，以数据服务为目的构建企业数据中台，数据中台中配置了多场景的数据服务APP；同时，为了发挥数据对经营和管理的决策支持作用，构建集团全产业端到端的数据指标体系；最后，通过管理驾驶舱、报表工具、大数据应用等平台集成数据服务和数据指标，实现数据对企业数字化运营的支撑。 同时，工业企业意识到没有数据治理将会产生数据灾难，数据标准不一致、数据安全没保障、数据应用难协调、数据集成打不通等一系列问题，阻碍了数据价值的发挥。所以，工业企业开始数据治理建设，一般来说是从主数据入手，构建了主数据标准、建立主数据组织、搭建了主数据平台、集成了主数据应用等，为数据打通和数据质量提供了重要基础。有些企业在业务数据的数据质量方面进行了实践，构建了数据质量体系、搭建了数据质量管理平台，定期开展数据质量管理活动。领先企业在数据授权和数据价值方面进行了实践，建立了授权机制和数据定价策略，为数据资产化开启了先河。 2.工业企业数据资产体系存在的问题 数据资产体系是企业数据资产价值的引擎，也是数据资产是否产生价值的基础。由于数据资产体系建设在工业企业还处在初级阶段，企业数字化所处阶段不同、建设厂商的专业能力不同、数据资产的建设标准缺失等原因，导致很多大型企业在数据资产体系建设后数据价值体难以体现。 技术性强的数据目录业务理解难。我们经常遇到企业建了数据资产目录应用不好情况，分析原因不难发现，很多企业数据资产目录偏技术属性，元数据的业务属性维护不全面或者不完整，导致数据目录无法对业务部门开放，即使开放了业务部门也无法使用。这就是通常说的，不能解释业务的数据就无法被业务使用。 不受管理的数据服务维护使用难。尤其建立了数据中台的企业该问题比较明显，由于没有建立数据服务管理机制，数据服务的注册、修改、发布就没有专门的组织和流程进行管控，经常出现数据使用者不知情的状态下数据服务名称发生了改变、数据服务对应的物理模型发生了变化、数据服务被注销等，导致数据服务的连续性不能得到保障。 相关性差的数据指标体系联动难。企业中经常发现，每个部门指标完成的都不错，就是公司整体指标完成的不好。这是为什呢？就是在数据指标标准化的过程中，原子指标、复合指标、衍生指标没有进行有机关联，没有形成端到端基于价值链的指标体系，也就无法分析一个部门的指标发生变化后，到底会影响到哪些业务部门的指标。 不受治理的数据湖成为数据沼泽。很多企业在进行数据湖或者大数据平台建设的时候，没有从数据治理的视角系统的考虑问题，将业务系统的数据进行一股脑的贴源存储。导致大量质量差的数据进入到数据湖或大数据平台，湖里存储了TB或PB级数据，治理起来难度可想而知，日积月累数据湖变成数据沼泽。有些企业建完数据湖，即不在湖外治理也不在湖内治理，几年下来已是一滩浑水。 无法估值的数据资产成为企业负债。企业跟随着数字化转型的浪潮开展了数据资产建设，但是对于数据资产建设的愿景、目标、价值均不是很清晰，尤其数据资产价值的量化评估体系没有建立，导致大量的投资没法衡量业务收益，数据资产的价值短期难以体现，在财务报表上常常体现为投资成本，使决策层对数据资产的投资缺乏信心。 3.基于全面数据治理的数据资产价值体系框架 根据以上对工业企业数据资产体系的建设现状和主要问题的分析，提出基于全面数据治理的数据资产价值体系框架，为工业企业进行数据资产价值体系建设提供指引和参考。 3.1 框架蓝图 基于数据治理的数据资产价值体系框架自顶向下分为六层，包括企业战略层、数据战略层、数据运营层、数据赋能层、数据融合层和数据源层，如图1所示。

图1 基于全面数据治理的数据资产价值体系框架

3.2 核心内容 数据资产价值体系的目标是实现企业的数据战略，而数据战略的根本目的是支撑企业战略的实现。因此，数据资产价值体系必须从公司战略出发，分析通过数据资产价值实现能够打造的可持续竞争优势，从而形成企业的数据战略。数据资产的构建和运营要仅仅围绕数据战略进行，才能从全局视角出发，统筹数据价值实现，发挥数据要素的基础性支撑和创新型应用。 （1）企业战略层 通过对企业战略解读，分析内外部数字化环境对企业的影响，构建SWOT矩阵，识别基于数据要素对企业可持续竞争优势的能力，从而形成植根于企业全面发展的数据要素价值主张，归纳为数据要素下的新型能力。例如，某企业对数据能力的要求是全面数字化：内部通过数字化提升企业效率，外部通过数字化开拓市场。 （2）数据战略层 根据数据要素下的新型能力制定企业的数据战略。数据战略要包括数据管理和运营的愿景、目标、价值、能力和路径。例如，某大型集团的数据战略目标是将数据作为战略性资产，以清洁、高效、可靠的数据，驱动业务转型升级、创新增值，为集团数字化转型供强大动能。 （3）数据运营层 只有通过数据运营才能最大化发挥数据资产的价值。数据运营层的目的是通过企业画像，一点看全企业的市场、设计、研发、生产、采购、物流、财务等经营情况；通过资本监管和运营监管，重点监控企业财务、项目建设、三重一大等风险；通过板块数据穿透，全面了解子分公司的运营情况。数据运营层涉及的数字化技术包括数据资产地图、知识库、多维搜索、自助分析、数据服务等。 （4）数据赋能层 通过“理、研、查、监、用”五个方面使数据赋能企业，也是数据运营的基础。理就是对数据资产分类、注册、审核、发布等进行管理；研就是对数据资产建模、数据资产知识图谱、数据价值评估、算法库等进行管理；查就是对数据资产目录、数据资产检索等进行管理；监就是对数据资产标签、数据资产分析、数据资产监控等进行管理；用就是对数据资产开发、数据资产授权、数据资产订阅定进行管理。 （5）数据融合层 数据资产的形成离不开数据的采集、加工和治理，数据融合层是数据资产的底座。数据采集是对不同类型的数据、不同时效要求的数据形成采集策略，包括采集对象管理、采集监控管理、批量采集、实时采集等能力；数据加工是通过数据清洗转换、关联计算、语义分析、文本挖掘、图像解析等能力，将原始数据加工成可用的数据资产；数据主题是数据开发利用的基础，通过对数据主题建模形成数据仓库和数据集市，为数据赋能提供输入；数据治理是保障数据成为资产的坚实基础，数据资产的管理能力需要包括数据治理、数据标准管理、数据架构管理、数据应用管理、数据质量管理、数据安全管理、数据生存周期管理。 （6）数据源层 数据源从技术分类视角看包括企业的结构化数据、非结构化数据、半结构化数据、IOT数据等；从区域视角包括了集团总部数据、下属单位数据以及外部采集的数据。问渠那得清如许，唯有源头活水来，数据源的数据质量在很多程度上决定了数据资产的价值。因此，数据在进入数据融合层前或者进入数据湖前就要进行适当的数据治理工作。 3.3 建设策略 数据价值化、数据资产化、数据产业化都离不开数据资产价值体系的建设。然而，优良的数据资产并不是一天建成的，因此要进行统筹考虑、循序渐进、持续优化的开展。同时，在数据资产建设时就要同步考虑数据治理的介入。 4.应用效果 某大型能源集团高度重视信息化工作，落实企业发展和管理提升要求，大力推进信息化建设，取得明显成效，在企业发展与经营管理各领域发挥了重要作用。在国资委对央企的信息化水平评价中稳居A级水平。虽然集团公司信息化取得长足的进步，但从数据资产价值化方面看，还存在“家底”不清、共享不足、质量不佳、技术不优等不足，相对集团公司智慧能源的愿景目标存在较大的差距。 2020年该集团启动数据资产目录标准编制项目。数据目录和数据地图盘点数据实体在企业内的分布和管理情况，并关联其业务元数据、管理元数据、技术元数据，以统一数据资产台账的方式提供给企业内的相关业务人员、技术人员和数据资产管理人员，以数据湖的方式为其它系统提供调用的统一服务接口，避免因异构系统带来的系统集成和沟通成本的增加。项目建设的主要内容包括： （1）顶层设计，统筹治理 在构建数据资产目录建设初期，先进行数据资产顶层设计，同时厘清数据治理与数据资产的关系。在数据资产体系构建初期融入数据治理，保障了数据标准化、管理的流程化，协同的组织化，价值的评估化。 （2）摸清家底，建立台账 理清集团总部各部门、各二级单位信息系统、数据库建设情况，摸清各部门、各二级单位具备的数据资产，编制集团统一的数据资产目录清单，为各部门、各二级单位建立数据资产“台账”。 （3）统一标准，促进共享 通过编制集团数据资产目录标准（规范），为各部门、各二级单位梳理本单位数据资产目录，提供统一基础元数据，促进各部门、各二级单位数据需求对接，推动各部门、各二级单位数据资产目录在集团内部公开、共享。 （4）汇聚发布，整合利用 各部门、各二级单位数据资产目录汇聚到集团大数据中心，形成统一的数据资产目录；将汇聚整理后的数据资产目录发布到各产业创新中心，实现集团内部数据资产目录统一检索、快速定位和统计分析。 （5）建立机制，维护更新 通过制定数据资产目录梳理及发布机制，明确各单位数据资产采集、维护、更新的管理责任。加强部门、单位间信息共享需求对接，推进各部门、各二级单位数据资产目录维护、更新。 （6）构建图谱，智慧应用 通过数据资产目录梳理和元数据定义，尝试在各业务领域构建行业知识树，涵盖该领域的各种实体或概念及其关系,其构成一张语义网络图，为后续大数据和人工智能的应用打下良好基础。 （7）数据资产可视化展示 数据资产目录，使数据关系脉络化 、数据目录可视化、支持数据资产地图可视化展示。通过资产可视化地图驱动应用创新，支撑资产运营，实现高增值服务。为构建知识图谱、智能应用奠定基础。 数据资产目录是数据资产发挥价值的基础，数据治理体系是数据资产价值发挥的保障。通过建立受治理的数据资产体系，实现了集团数据地图统一展现，通过自动化、流程化、智能化的数据资产盘点，发布数据资产目录，为用户提供查找数据，理解数据，判断数据的可信度，申请数据，使用数据等“一站式”数据服务，实现数据资源“易查找、看得懂、高可信、促应用”的目标。 通过数据地图提供多种数据服务方式。围绕集团一流战略管理的目标，构建数据地图，提供多种查询、展示、监测、发布等数据服务。打通业务壁垒，将管理与生产运行贯通，为充分发掘数据价值提供有力支撑。 实现了集团数据纳管，为管理赋能。打通数据源到数据资源池、数据服务的链条，建立健全数据管理体系。通过全量数据纳管，为管理赋能，支持实现智能创新应用，全面支撑集团数字化转型的战略实现。 5.总结和展望 如何让数据资产更好的满足用户体验，实现数据“好找、好用、好看、实时和共享”，借助大数据、云搜索、微应用等先进技术，搭建企业数据资产管理体系，推动企业数据资产管理规范 和创新，丰富数据应用与消费工具，提升数据资产应用价值，解决企业数据资产查找难、应用难、管理难等问题，实现企业数据价值挖掘及数据资产变现升值，实现数据资产的“应用和管理”的稳步前进。 一方面数据成为资产，需要以资产化的方式进行数据治理；另一方面企业数据的核心体现不在于数据的数量大，而在于数据的质量高。因此。只有通过数据治理的工作，将数据质量提升整合、将数据合规安全使用、将数据目录开放共享，达到企业数据的上下贯通，横向融合，才能更好的做好数据资产的运营，从而发挥数据资产的战略价值。