前言
数据资产是一类具有特别属性的资产，比如使用后不被消耗、窃取后不为所知以及加工后价值更大等特点。制造型工业企业的数据资产管理方式、方法、机制不同于电力行业、金融行业和政务行业。笔者根据多年工业企业数据治理及数据资产管理的实际经验阐述工业企业数据资产管理的可行路径、方法和模式。
一、工业企业数据资产化路径
总所周知，并不是企业里的所有数据都称为数据资产，数据资产是能够为企业所拥有且为企业带来经济利益的数据。因此，工业企业的数据资产化路径往往是业务数据化、数据资源化、资源资产化、资产价值化、价值要素化，经过“五化”演进，从而实现数据要素化的转化，进而度量数据要素在生产经营过程中对经济效益的贡献。
1、业务数据化
我国的两化融合经过长期发展和完善，特别是经过党的十六大和十七大会，两化融合的理论逐渐成熟；在科学发展观的指导下，两化融合不断深入。在这个过程中，工业企业经历了起步建设阶段、单项覆盖阶段、集成提升阶段和创新突破阶段，也就是在从单项覆盖阶段向集成提升过渡阶段中，有了云计算、大数据、物联网、工业互联网、5G技术等新一代信息技术的加持，业务活动加速数据化，通过将业务、经营、管理活动数据化之后，数据才有了被有效利用的可能。
2、数据资源化
工业企业中，数据类别多样，有结构化数据、非结构化数据以及半结构化数据，有人工录入的数据、有信息系统产生的数据、有工业设备运行的数据、还有众多传感器的流数据。数据类型之多、产生速度之快、产生数量之大，从而形成了工业大数据。根据数据的生命周期，有的很长、有的很短、有的瞬间即逝，而这些数据不都是都有价值。因此，往往我们要识别有意义的数据，将对生产、经营、管理、决策有用的数据按照主题域进行资源化，毕竟管理数据是有巨大成本的，要把钱用到刀刃上，用到有用的数据身上。
3、资源资产化
数据资源并不代表数据资产，有些资源不但不能带来效益，往往还会有巨大成本和隐患，因此，我们需要将数据资源向数据资产转化，也就是数据资产化。那在这个过程中，就需要制定数据资产化办法和流程，必须由业务和技术共同协作，识别和定义数据资产，也就是说必须具备一定条件的才能作为数据资产，同时要把数据资产价值和业务价值相结合，这才能保证数据资产的价值可度量。
4、资产价值化
数据被资产化后，如何更好的体系数据资产价值呢？当前在工业企业有两种比较可行的模式，一方面把数据资产的价值与业务价值想关联，也就是说数据资产包必须有业务和战略驱动，业务和战略不用的数据不需要进入数据资产目录，最多放到数据目录或者数据资源目录就好了。只要使用就需要度量价值，比如最常见的管理效益即降本、增效或者风控，经营效益即拓客率、精准营销、产品优化等。另一方面就是形成数据化产品，数据集、报告、趋势、算法等，直接进行数据交易产生价值。总之必须把数据资产价值和业务价值关联，也就是说只有将数据资产转变为价值且可以有效度量，数据资产才具有真正的资产意义。
5、价值要素化
生产要素，是经济学中的一个基本范畴，包括人的要素、物的要素及其结合因素。生产要素指进行社会生产经营活动时所需要的各种社会资源，是维系国民经济运行及市场主体生产经营过程中所必须具备的基本因素。生产要素包括土地、劳动力、资本、技术、数据五种 ，随着科技的发展和知识产权制度的建立，这些生产要素进行市场交换，形成各种各样的生产要素价格及其体系。因此，数据资产必须构建可度量的价格体系，才能说清楚数据资产在工业企业生产经营活动中对于企业效益及价值的贡献，才能真正实现从数据资产向数据要素的转变和实现。
二、工业企业数据资产化方法
工业企业数据资产化并不容易，且不同的企业有不同的实践路径，可以说是百花齐放，百家争鸣，然而我们必须总结出通用的方法和模式才能更好的指导企业进行实践，从而统一思想，稳步前进，不至于乱了阵脚，人云亦云。认识事情的发展都有规律可循，数据资产也不例外。通过对成功案例的研究和发展，我们发现工业企业数据资产化往往从数据盘点开始，进而形成数据资源，根据战略、业务或者外部客户的需要对数据资产进行认定从而形成数据资产，在资产使用的过程中对资产进行评估和评价，实现资产的优化或者退役，从而完成数据资产的生命周期。
1、数据盘点
数据盘点是第一步，也就是要弄清楚企业中到底有哪些数据，这些数据在哪里存储、被哪些部门使用、数据表示什么、数据质量怎么样，哪些是内部数据，哪些是外部数据等等。现在很多企业在做的数据资产盘点实际上是数据盘点，因为盘点的只是数据，并不是资产。在这个过程中往往会以系统的视角、组织的视角或者应用的视角进行分类，同时注意了元数据的使用以及元数据的质量。盘点的结果通常会形成数据目录，有的用系统展示，有的用EXCEL展示。这个阶段一般是形成数据目录，而数据还分散的存储在不同的系统里，无论是业务系统还是采集外部数据的系统。在这里给大家的建议就是要形成动态数据目录，而不是静态的“死目录”。
2、数据资源
随着业务、经营、管理以及决策的需要，往往需要对零散的数据需要进行组织、加工，形成面向主题的或者以维度方式展现。这一阶段，往往建立了许多层级的数据模型。根据业务的需要组织成特定的数据集，或者以信息技术的视角进行数据的组织。这一阶段开始关注数据质量、数据标准、数据安全等，但是数据价值并不进行特定度量。如果在这一阶段进行盘点，形成的就是数据资源目录，这些数据往往已经是被加工过的，存储在数据仓库、大数据或者数据湖里。
3、数据资产
实际上数据资产并不是一个新鲜概念，1974年，理查德·彼得斯首先提出了数据资产的概念。1997年，尤谷尔·阿尔甘认为“公司的市场价值和竞争定位直接关系到其数据资产的数量、质量、完整性以及由此产生的可用性，并指出创建E&P数据库是利用好数据资产的第一步”。2009年，托尼·费希尔指出数据是一种资产，企业要把数据作为企业资产来对待，同年国际数据管理协会（DAMA International: the Data Management Association）在《DAMA数据管理知识体系指南》中指出,在信息时代，数据被认为是一项重要的企业资产，每个企业都需要对其进行有效管理。2018年4月，中国信息通信研究院云计算与大数据研究所发布了《数据资产管理实践白皮书（2.0版）》。实际上，我们目前对于数据资产的认识也是基于以往的理论。那么，在工业企业如何进行有效的数据资产管理和实践呢？根据最佳实践我们制定了数据资产化“七步法”，即数据资产首先要进行对数据或者数据资源认定形成数据资产、进行数据资产上架、实现数据资产应用，开展数据资产评估，持续数据资产跟踪，优化数据资产及维护，最终进行数据资产下架，实现数据资产的生命周期，从而完成数据资产的使命。
（1）数据资产认定
数据资源形成数据资产，最好是基于需求或者价值驱动，无论是企业内部数据消费者还是外部数据消费者。一个数据集是否能够被认定为数据资产首先看是不是有需求，这是最重要的要素，其他我们还要看数据的可得性、完整性、可用性、及时性、安全性、一致性等方面，这就需要根据企业的特点来衡量。数据被认定为资产的重要特征就是质量是有保证的，就像企业中的实物资产。同时，数据资产的认定需要严格的流程，因为数据资产是需要纳管的，必然会消耗大量成本，因此必须保证其收益。建议由业务部门发起，根据评估维度进行评价，确认是数据资产的数据集，才能成为数据资产，纳入数据资产目录，并进行严格管理。
（2）数据资产上架
数据资产上架实际上是将数据资产作为数据产品管理的重要思路或者意识转变。数据资产更像是以销定产，但是为什么还要建目录呢？实际上是实现资产的复用，数据资产的特点就是同一资产能共很多消费者使用，所以要让数据消费者可以检索并知道有哪些数据资产，这些数据资产是什么？可以支持哪些应用场景？数据资产的消费者多了、场景多了，数据资产的价值也就大了。当然，数据资产的上架也需要严格流程控制，要把资产放到正确的目录里，尤其是重要资产还要设置检索权限等。
（3）数据资产使用
数据资产一旦上架，就进入到了数据资产的应用环节。数据只有应用才能产生价值，也是数据生命周期中的关键环节。在数据资产的使用过程中，我们需要考虑两件重要的事情，就是数据资产的使用流程和数据资产的使用场景。
数据资产不同于数据和数据资源，数据资产是经过缜密加工的，蕴含大量的重要信息或敏感信息，也就是说不是所有资产任何人都能使用，要求我们建立数据资产的使用流程，就像在企业中领用笔记本一样，也是需要申请和审批的。数据资产的申请应该由数据消费者发起，根据不同类别、不同密级、不同内容、不同场景来审批，这个过程就需要技术和业务协同审批，涉及数据消费者、数据管理专员、数据所有者、数据库管理员等角色，特别重要的资产还要涉及CEO、CDO、CFO、CIO等角色。
为了使数据资产产生更大的价值，我们还需要设定或者标记数据资产的应用场景。相同的数据资产对于不同的使用场景价值也不一样，因此我们需要说明各类数据资产的使用场景。比如有些是基于报表的应用、有些是基于统计分析的应用、有些是基于预测分析的应用、有些是基于机器学习的应用、有些是基于人工智能的应用等等。因为，不同的场景对数据资产的要求也不一样，比如说及时性、可获得性、持续性等等。
（4）数据资产估值
数据资产估值是数据作为资产管理的核心特征。如果不能进行数据使用的估值，那就是传统的数据应用或者数据资源的使用。就像大海里的水一样，你喝一口海水并没有人向你要钱，但是超市里海水晒成的盐没有钱是拿不走的。
数据资产的估值并不容易，虽然有成本法、市场法和收益法作为基础。那么作为制造类工业企业如何进行数据资产估值更好或者更可行呢？在企业内部的数据资产价值评估可以通过对业务价值的影响和收益、数据资产的使用频率、数据资产的质量评价、数据资产的成本价值等维度开展，可以根据企业不同的关注点采用不同的评价维度。对于提供外部企业使用的数据资产直接采用数据产品售卖价格度量即可。然而，这种模式并不容易，因为没有谁能够决定企业的哪些数据可以出售，尤其是国企或者大型集团企业。
（5）数据资产追溯
数据资产的跟追溯必要的，可能往往我们会忽略这个环节。数据资产的追溯就像我们管理固定资产一样，尤其是重要的设备资产持续监视一样，还需要预防性维护，这跟持续的追溯是分不开的。数据资产也要知道使用趋势、价值趋势、成本趋势等，从而判断数据资产是否需要增强、是否需要优化、是否需要维护、是否需要下架等，管理流程的优化也源于资产追溯的结果。
（6）数据资产维护
任何作为资产的东西都需要维护，企业设备的预防性维修就是要减少非计划性停机，否则对企业的损失就会非常巨大。数据资产也是一样的，必须进行资产的维护。包括数据资产的质量持续提高、数据资产的稳定性得到保障、数据资产内容持续丰富、数据资产的复用性不断强化等等。在全域管理中，数据治理尤其要加强数据架构管理、数据模型管理、元数据管理、主数据管理、主数据安全管理、数据质量管理、数据资产目录管理等。只有长期持续不断的对数据资产进行维护，数据消费者才会更好、更愿意的使用数据，数据资产的价值也才会持续不断的提升。
（7）数据资产下架
资产都有退役的时候，数据资产也不例外。我们追溯数据资产、进行数据资产估值、进行数据资产维护就是为了使数据产生更大价值。但是，任何数据资产都会有成本，采购成本、采集成本、传输成本、存储成本、管理成本、维护成本等等，如果成本远远大于价值，这样的资产就成为负资产，就需要对其进行退役处理，进行数据资产下架，就像实物资产减值直至处置一样。
三、工业企业数据资产应用模式
对于工业企业数据资产的应用模式我们一直在探索，未来还需要持续探索。就目前来讲，工业企业数据资产的应用模式主要体现在以下三种模式。
1、基于企业内部的资产应用
企业内部数据资产的应用方式是大家最熟知的，主要包括支持业务部门的日常应用、支持管理部门的管理应用，支持决策层的决策应用、支持数据科学的预测应用和智能化应用。
（1）日常应用
数据资产的日常应用主要体系在业务部门的报表方面，比如生产日报、销售月报、采购季报等场景。
（2）管理应用
数据资产的管理应用主要体现在管理部门的统计分析，比如条形图、折线图、雷达图等用于管理优化等场景。
（3）决策应用
数据资产的决策应用主要体现在领导层的战略决策方面，最常见的就是管理驾驶舱或者数字化运营等场景。
（4）预测应用
数据资产的预测应用主要体现在数据科学领域，比如工艺优化、预测性维修、消费行为预测、产品推荐等场景。
（5）智能应用
数据资产的智能化应用也是数据科学领域的重要方面，比如规范分析，智能生产、智能研发、智能采购等场景。
2、基于企业外部的资产应用
数据资产的外部应用是数据资产货币化的主要形式。这就需要将数据资产加工成各种各样的数据产品，比如数据报告、数据算法、数据产品或者直接出售数据集。我是不建议直接出售数据集的，因为数据只有被适当的加工后才能更好的实现增值。
（1）数据报告
数据报告是数据资产对外应用的主要方式，比如XX行业市场报告、XX行业产业发展报告等等。
（2）数据算法
数据算法是数据资产对外应用的补充方式，数据算法的价值化往往要和行业相结合，比如XX行业销售漏斗算法、XX行业工艺优化算法等。
（3）数据产品
数据产品主要是指电子化的书籍、视频、声音、图片等非结构化数据产品。（4）数据集
作为数据资产的数据集货币化是最初级的数据价值化方式，主要体现在直接售卖数据。往往在数据交易所会采用这种形式，企业采用这种形式较少。毕竟这种形式会受到定价、议价、交易、监管、合规等管理和约束。
3、基于企业内外部综合应用
综合应用模式也就是说数据资产既能满足公司内部应用同时也能满足企业外部数据消费者的需求。这是当前数据资产应用的高级模式。当然也需要更加完善的管理机制、体制和模式，毕竟对于内外部来说，数据价值产生的方式不同，估值和计价模式也不同，对数据资产各方面的要求也不同。
四、综述
数据资产化的路径有其自身的规律和路径，每个企业的信息化发展和两化融合进程也处于不同阶段，也就说每个企业的数据化率也在不同水平。所以，每个企业要根据自身发展阶段，事实求实的进行数据资产化建设，不能人云亦云，也不能放任不管。当然，将数据作为资产管理首先需要数据文化、数据思维的转变，然后要构建数据资产管理的组织、制度、流程和工具，最后采用适合企业自身的数据资产管理方法，才能更好的管理具有特殊属性的数据资产，才能使数据作为生产要素发挥应有价值。
上文如有不当之处敬请读者谅解，我们可以共同完善数据资产化实现路径。关于数据资产、数据治理的话题也欢迎加作者微信进行更多交流。
