数据资产，通常是指数据的存储和计算资源的管理情况，以及维护现有的数据资产，包括我们有什么数据、有什么指标、能做怎样的事情，避免各团队重复开发的事情出现。

数据的存储和计算资源管理，往往是要与运维团队配合，数据集群会给出一份账单数据，研发团队保障成本是可控的，如果预算超支较多，则需要进行治理。

数据资产管理是指对数据资产进行规划、控制和提供的一组活动职能，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。

01 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。

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。

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」。

关于数据存储治理，通常指对数据表进行下线、缩减生命周期等操作。在实际开发过程中，由于长时间的项目积累，我们往往会发现很多不再使用的表仍在在运行，或者是一些不怎么使用的数据，存储的周期非常长，这都是要治理的重点对象。解决的方法也很简单，一是开发前的需求与模型评审，一个是监控数据表或者数据应用的访问情况，对于低频或者无访问的数据，则确认必要性后，进行下线或者缩减生命周期的操作。

关于数据计算治理，则把重心集中在慢SQL的治理上，检查那些消耗资源多、或运行时间长的任务，如果存在数据倾斜则进行优化，如果数据量确实大则考虑极限存储或者进行裁剪，当然最基础的，如对表的暴力扫描这种不合理的临时任务，也是需要及时发现和关闭的。

最后，我们需要整理数据的文档，有能力的团队可以把文档开发成一个录入和查询的平台工具。这个文档或者工具，要解决诸如我们有什么数据、有什么指标、能做怎样的事情的问题。

文档要有如下的几个基本要素：

其一，要有源系统的模型设计，明确业务过程有哪些、业务发生时的数据流向、数据之间的ER关系等信息；

其二，要有指标字典，指标字典是非常重要的，一定要在需求沟通的过程中沉淀下来，当我们回头去看的时候，大量的时间在沟通指标和维度的定义；

其三，要有开发和需求规范，很多时候我们处于效率的考量，会做很多“私下”的工作，但这些工作往往不在正式的列表中，因此流程上还是要规范一些，不要把有限时间放到无限的沟通中去。

如何实践数据资产管理

数据作为越来越重要的生产要素，将成为比土地、石油、煤矿等更为核心的生产资源，如何加工利用数据，释放数据价值，实现企业的数字化转型，是各行业和企业面临的重要课题，然而数据的价值发挥面临重重困难。企业的数据资源散落在多个业务系统中，企业主和业务人员无法及时感知到数据的分布与更新情况，也无法进一步开展对数据加工工作。数据标准不统一，数据孤岛普遍存在导致业务系统之间的数据无法共享，资源利用率降低，降低了数据的可得性。标准缺失、数据录入不规范导致数据质量差，垃圾数据增多，数据不可用。数据安全意识不够、安全防护不足导致了数据泄露事件频发，危害了企业经营和用户利益。为了解决解决数据面临的诸多问题，充分释放数据价值。

当前企业数据资产全生命周期管理存在一些问题，比如数据组织方面，很多企业也缺乏专业的数据资产管理组织；数据管控流程方面，跨域跨专业数据管控流程尚未建立、跨域数据管理技术手段尚不完善；IT架构方面，采用烟囱式的传统IT架构，使得企业在进行数据资产管理时会遇到数据分散、规模大、种类多、质量差的问题，导致了数据变现的困难。同时在数据安全方面，很多企业没有进行数据密级的控制，使企业在做数据分享时会遇到不知道该不该给、该给多少的问题，存在数据安全问题。

这里亿信华辰旗下的数据资产管理平台（EsDataAssets）通过元数据对信息资产特征进行描述，并以目录形式分类管理，形成统一的目录内容和数据资产服务，丰富的服务接口的拓展，支撑数据资产的多渠道应用，如数据共享服务、分析决策支持等，最终实现数据资产价值最大化。