数据资产管理知识体系指南

版权信息

书名：数据资产管理知识体系指南

ISBN：978-7-115-68871-2

本书由人民邮电出版社发行数字版。版权所有，侵权必究。

您购买的人民邮电出版社电子书仅供您个人使用，未经授权，不得以任何方式复制和传播本书内容。

我们愿意相信读者具有这样的良知和觉悟，与我们共同保护知识产权。

如果购买者有侵权行为，我们可能对该用户实施包括但不限于关闭该帐号等维权措施，并可能追究法律责任。

版  权

编  著 国际数据管理协会大中华区

责任编辑 武少波

人民邮电出版社出版发行　　北京市丰台区成寿寺路11号

邮编　100164 　电子邮件　315@ptpress.com.cn

网址　http://www.ptpress.com.cn

读者服务热线：(010)81055410

反盗版热线：(010)81055315

内 容 提 要

在数字化转型成为必由之路的当下，数据成为关键生产要素，数据资产管理的重要性则不言而喻。随着大数据的广泛应用和数据量的爆发式增长，高效的数据管理作用日益凸显，数据资产化管理和数据驱动决策正逐渐成为组织发展的核心竞争力。本书聚焦于数据资产管理，系统阐述国外数据资产管理理论与我国数据要素理论，为读者奠定坚实的理论基础。书中深入剖析数据资源确权、价值评估、入表、交易等关键环节，提供具体可操作的管理方法。同时，探讨数据资产利益分配机制、运营模式、公共数据授权运营及跨境流通等议题，帮助读者全面把握数据资产管理的流程与要点。

本书适合政府决策者、企业管理者、数据从业者、律师、资产评估人员，以及金融与财务领域的专业人士（包括财务人员、审计人员等）阅读。

编写组成员

（按姓氏拼音排序）

陈建斌　崔　伟　代国辉　戴建华　杜啸争　高　峰

高　哲　葛御御　哈　杨　何　铮　胡文进　黄　蓉

黄万忠　贾西贝　连　青　林秀峰　卢　勇　毛　颖

孟　洁　商文江　沈　海　沈永建　谭天怡　汪广盛

王　冠　王建冬　王建峰　王　菁　吴新丽　许林伟

薛小琳　闫　数　杨　涛　余新平　张　媛　张志红

赵华新　郑爱军　郑保卫　钟　宏　周剑明

推　荐　序

在全球化与数字化交织演进的时代，数据已成为驱动经济变革的核心要素。各国正积极探索数据管理与资产化的路径，从欧盟的《数据法案》到美国的“数字经济议程”，从新加坡的“智慧国家”战略到中国的“数据要素”实践，世界范围内对数据管理的需求已超越技术层面，逐渐深入至法律、经济与战略领域。在此背景下，本书的出版，不仅是中国数据管理实践的重要里程碑，更是对全球数据管理知识体系的卓越贡献。

一、数据管理的全球共通性与地域特性

数据管理的核心挑战在于平衡“全球共通性”与“地域特性”。通用原则（如数据质量、元数据管理、治理框架等）是全球共识（如DAMA-DMBOK知识体系所定义），但其落地需适配本地法律、文化与经济环境。例如：

• 欧盟以“数据主权”为基础，强调隐私与合规；

• 美国依托市场驱动，注重数据资本化与创新；

• 中国则探索“政府引导与市场结合”的模式，突出数据要素化与公共数据的授权运营。

本书深刻洞察了这一平衡，既融合了国际通用框架（如DAMA-DMBOK、CDO知识体系），又深入分析了中国场景下的实践创新，如数据资源入表、数据跨境流通机制与数据资产利益分配机制，为全球读者提供了独特的东方视角。

二、数据资产化的核心：从“资源”到“资本”的跃迁

数据的价值并非源于其原始状态，而是通过系统性管理得以释放。本书精准剖析了这一过程：

• 数据资源化（通过盘点、确权与评估建立资产属性）；

• 数据资产化（通过入表与交易实现经济价值）；

• 数据资本化（通过证券化、跨境流通赋能全球市场）。

这一过程与我在《数据素养》一书中提出的“数据需耕耘方能收获”的理念高度契合。本书不仅理论严谨，更提供了可操作的方法论（如价值评估、利益分配机制），填补了国际数据资产化实践指南的空白。

三、数据治理的未来：素养、伦理与全球化协作

数据管理的终极目标是为人类创造福祉。本书超越技术层面，深入探讨了数据伦理、数据资产利益分配机制与数据跨境流通等前沿议题，与DAMA倡导的“数据素养”全球倡议相呼应。未来十年，数据管理者的核心使命将是：

• 提升全社会数据素养（从个体到组织）；

• 构建伦理与合规双轨并行的治理体系；

• 推动全球数据互操作标准（如数据跨境流通机制）；

• 充分实现数据的价值。

本书正是对这一系列使命的积极响应。

四、致谢与期待

作为DAMA国际主席，能为本书作序，我深感荣幸。作者团队融合了学术严谨性与实践洞察力，其工作既是对中国数据要素市场的贡献，亦是对全球数据管理社区的馈赠。特别值得一提的是，未来本书英文版的出版，将为中国智慧融入国际标准打开通道。

我诚挚推荐本书给全球数据管理者、政策制定者与学者。它不仅是数据资产管理的知识体系指南，更是通往数据驱动未来的路线图。让我们共同耕耘数据这片“新土壤”，收获人类文明的“新航标”。

国际数据管理协会（DAMA）主席

彼得·艾肯

于美国弗吉尼亚州

2025年8月28日

前　　言

本书定位于“数据资产管理”。不同于“数据管理”，“数据资产管理”聚焦于数据从原始材料到数据资源，再到数据资产，最终到数据资本的全链路研究。国际数据管理协会（DAMA）成立于1980年，一直致力于“数据管理”的研究和实践，但是“数据资产管理”却是一个崭新的话题。

我们正处在一个具有历史意义的转折点上。数据已不再仅仅是业务活动的附属产物，而是继土地、劳动力、资本与技术之后，数字时代最核心的生产要素和战略性资产。如何将数据资源有效转化为业务价值与核心竞争力，已成为各类组织必须面对的关键课题，更关乎国家在全球数字经济格局中的地位。

与数据爆发式增长相伴随的，是数据资产化道路上的现实挑战：数据散落、标准不一，如何将其从技术层面的“原材料”转化为业务认可的“资源”？权属不清、估值无据，如何在财务实践中确立数据资产的合规地位与实际“身价”？流通壁垒重重，数据交易场内场外严重倒挂，如何在安全规范的前提下激活数据流通市场？数据资产运营（特别是公共数据的运营）、数据资本化（包括真实数据资产、真实世界资产代币化等）也都只是处于探索阶段。应对这些挑战，需要一套贯穿业务逻辑、可执行、可衡量的管理体系作为行动指南。

在此背景下，本书应运而生。

本书致力于为政府决策者、企业管理者、数据从业者、律师、资产评估人员，以及金融与财务领域的专业人士（包括财务人员、审计人员等）提供体系化参考，助力中国数据要素市场建设与全球数字经济发展。同时，国际数据管理协会大中华区愿一如既往搭建好沟通的桥梁，我们期待通过本书助力中国实践走向世界。

本书凝聚了40余位专家的智慧，历时近3年完成。在此，谨向所有给予指导的领导、参与编写的作者，以及为本书出版默默付出的同人，致以诚挚的感谢！数据资产管理作为新兴领域，理论与实践仍在不断发展，书中难免存在不足之处，恳请广大读者批评指正！

国际数据管理协会大中华区主席

汪广盛

第1章　数据资产管理理论概述

随着数字经济的迅猛发展，数据已经不再是生产和应用过程中的简单附属品，而是一种独立的、具有经济价值的资产。“数据资产理论”正是在这一背景下逐步发展起来的。

1.1 数据的定义和分类

关于“数据”，我们并不陌生。但是“数据资产”却是数字经济的产物，相较于其他理论，数据资产相关理论的形成与发展相对较晚。

1.1.1　数据的定义

“数据”，这个在数字时代被无数次提及的词，它的定义因领域和视角的不同而存在差异。在全球范围内，多个权威机构给出了关于“数据”的定义，下面是一些主要的观点。

• ISO（国际标准化组织）—ISO/IEC 2382:2015 Information technology-Vocabulary（信息技术-词汇）：“数据是信息的一种可重新解释的表示方式，以规范化的形式适用于通信、解释或处理。”

• OECD（经济合作与发展组织）：“数据是通过观察收集的特征或信息，通常是数值型的。”

• EU GDPR（欧盟《通用数据保护条例》）：“个人数据是指与已识别或可识别的自然人（‘数据主体’）相关的任何信息。”

• 中国国家数据局：“数据是指任何以电子或其他方式对信息的记录。数据在不同视角下被称为原始数据、衍生数据、数据资源、数据产品和服务、数据资产、数据要素等。”

很明显，国内的“数据”定义要比国外的更宽泛。国外的“数据”一般是指“原始数据”，是指用来描述事实的未经加工的素材。

综上所述，不同机构的定义虽有区别，但整体上都达成了以下共识。

• 数据是记录事实的结果，是对“信息”记录的载体，是对事物的记录或描述。

• 数据不仅包含以电子形式存储的数字、文字、图像、音频等内容，也涵盖以纸质或其他介质存储的信息。例如，智能手环记录的运动数据（步数、心率）是数字形式的数据，而书店里出售的纸质小说也是数据。

• 数据来源于人类对一切的记录，也来源于我们生活中的各种设备和系统，如手机、计算机、传感器。

• 数据能够帮助我们记录生活、了解世界，如天气数据可用于预测天气变化。

1.1.2　数据的分类

由于数据类型多样，来源复杂，其管理和使用也必须因其特征而存在差异。因此，理解数据的分类方法，是数据管理的关键步骤。它有助于组织根据具体场景和需求进行分类，从而高效地存储、检索、保护和分析数据。以下是数据分类的一些主要方法。

按数据类型分类，如表1-1所示。

表1-1　按数据类型分类

按数据用途分类，如表1-2所示。

表1-2　按数据用途分类

按数据业务价值分类，如表1-3所示。

表1-3　按数据业务价值分类

按数据敏感性分类，如表1-4所示。

表1-4　按数据敏感性分类

按数据来源分类，如表1-5所示。

表1-5　按数据来源分类

分类维度和方法非常多，以上只是常见的分类方法，具体可以根据实际业务或管理需要进行分类。

1.1.3　数据、算法和算力

在OpenAI、DeepSeek等人工智能（Artificial Intelligence，AI）技术爆发的当下，数据和数据资产的价值更加凸显。

就AI而言，它的效能由三大组件共同决定：

• 数据，高质量的数据集；

• 算法，算法模型；

• 算力，算力基础设施。

这三者缺一不可。数据、算法、算力的持续演进升级是支撑AI发展的创新三角，这三者相互独立又深度协同，共同推动AI的迭代发展。

同时，数据是AI的灵魂。算法和算力都因数据而生。没有了数据，算法和算力就失去了意义。数据就是数字时代的“米”，没有了“米”，巧妇难为无米之炊。可持续高质量的数据供给是AI发展的不竭动力。

事实上，数据的匮乏与数据质量的问题，已成为阻碍许多组织数字化进程的关键因素。

按照DAMA大中华区2024年对中国近300家企业的调研（如图1-1所示），73.11%的企业认为在数字时代，自有的数据不足以支撑自身业务的发展。数据的缺乏成了数字化发展的严重障碍之一。

图1-1　73.11%的企业认为在数字时代自有的数据不足以支撑自身业务的发展

AI的发展正面临互联网上高质量通用语料资源日益稀缺的问题，针对多模态、行业知识类、思维链等数据的开发利用，将对AI的纵深发展起到关键作用。

在我国，数据质量一直是数据管理领域的核心挑战之一。在AI时代，我们不但要有数据，更要有高质量的可供AI使用的数据。有了数据后，我们还得管理好数据，特别是需要管理好数据的质量和安全。

1.2 从数据到数据资产

“数据”和“数据资产”这两个概念虽然密切相关，但内涵却不完全相同。

按照绝大多数组织的定义，数据是原始材料，而数据资产则是其高价值形态。如果将数据比作数字时代的“米”，那么数据资产就是经过加工、包装、配送，最终摆上餐桌的“米制品”——它可能是一碗饭，或是一桌融合多元风味的宴席，其价值早已超越了原材料本身。

从原始数据到数据资产的转化，并非自然而然，而是一个需要持续管理与运营的价值实现过程。数据资产的价值释放需依赖科学管理与有效应用的协同。

数据价值的实现路径主要有两种模式，如图1-2所示。

• 一种是通过为业务赋能，间接实现数据价值。相对应的理论模型是DIKW金字塔，强调数据通过加工成为信息、知识，最终转化为指导行动的智慧（AI），支撑管理与创新。这是国外主要关注的数据价值实现路径，该方法对应于DAMA数据管理知识体系的技术车轮图。

• 另一种是通过数据资源入表和交易等手段，直接将数据转化为可计量、可交易的资产乃至资本。相对应的理论模型是 DRAC 金字塔，强调数据价值在货币化、资产化路径中的落地。这个方法在2012年出版的《DAMA数据管理知识体系指南》中提出，但真正落地却是从2024年1月1日起在中国实现的，该方法对应于DAMA数据管理知识体系的业务车轮图。

图1-2　数据价值实现的两种路径模式

1.2.1　DIKW模型

DIKW模型，即“数据-信息-知识-智慧”（Data-Information-Knowledge-Wisdom）金字塔，是认知科学与知识管理领域广为流传的经典理论框架，用于描述信息如何在组织中被逐步加工、增值，最终形成可指导行为的智慧。在数据资产管理视角下，DIKW模型强调的是数据通过为业务赋能间接实现其价值。

DIKW概念最早可追溯至英国诗人托马斯·艾略特（Thomas Eliot）所写的诗《岩石》（The Rock）。在首段，他写道：“我们在追求知识时失去了何种智慧？我们在获取信息时又遗忘了哪些知识？”（Where is the wisdom we have lost in knowledge? Where is the knowledge we have lost in information?）此后，该思想被学术界转化为层级结构模型，用以解释数据如何支撑认知进步与决策智慧。

该模型结构如图1-3所示，解释如下。

• 数据（Data）：最底层，指未经加工的原始事实和记录，表现为数字、文本、图像等形式。数据本身缺乏上下文，无法直接支持决策，但构成后续价值转化的基础。

• 信息（Information）：通过对数据进行筛选、加工、标注与结构化，形成有意义的内容，回答“谁、什么、何时、何地”等基本问题。例如，销售数据经整合后形成周报或仪表盘，是加工过的“数据”。

• 知识（Knowledge）：将信息纳入具体的业务流程或专业背景中，理解其规律和逻辑，并形成相应的业务能力，如通过销售数据判断客户偏好并调整定价策略、从数据报表中发现今年的“爆款”等，是组织化了的“信息”。

• 智慧（Wisdom）：最高层，超越操作层面的知识，也是AI的最初形态，强调判断力、对未来的预测，以及隐藏在信息后的规律的挖掘，体现为高阶决策与智能系统（如AI）中的因果推理与策略优化，是可应用的“知识”。

图1-3　DIKW模型结构

在DIKW模型中，数据向信息的转变依赖于结构化和语义加工，信息向知识的跃升则源于场景嵌入与经验归纳，而知识通向智慧则需结合战略意图与洞察力。随着层级的递升，数据的语义密度、决策价值与战略意义都会逐步增强。

对企业而言，若能构建从数据采集到知识沉淀、再到智能行动的闭环体系，便可实现数据对组织持续、稳定的价值贡献。DIKW模型由此成为间接价值实现路径的代表：通过优化管理、提升效率与增强决策支持，释放数据的“使用价值”，将为数据资产化夯实应用基础。

它与下文将要介绍的DRAC模型（侧重于数据价值的直接实现）共同构成了数据资产价值实现的双轮路径。

考虑到本书的主题是“数据资产”管理，后续将不再详细讨论DIKW模型。

1.2.2　DRAC模型

与DIKW模型不同，DRAC模型的侧重点是数据资源入表和数据交易，以及最后的数据资本化运营。它为数据资产的价值实现提供了一条直接的路径，并强调数据作为生产要素的核心地位。DRAC模型也是本书的重点内容。

DRAC模型，即“数据-资源-资产-资本”（Data-Resource-Asset-Capital）金字塔，是描述数据在不同层次上价值增值的理论框架。从数据的原始状态到资本化运作，数据经历了多次转化与增值，最终能够为企业带来直接经济效益。数据从资源到资产再到资本化的全过程，推动了数据的货币化（data monetization）。

在数据货币化概念的早期推广者中，DAMA国际主席彼得·艾肯（Peter Aiken）博士是重要代表人物之一。2014年2月，他出版了Monetizing Data Management: Finding the Value in Your Organization's Most Important Asset第1版，系统阐述了“数据货币化”的概念。道格·莱尼（Doug Laney）等专家于2017年和2022年发表了多篇关于数据货币化的论文，进一步推动了数据资产化的应用和发展。

而随着数据资产化的理论逐渐成熟，数据管理领域进一步提出了更具操作性的模型。其中，中国数据管理专家提出的DRAC模型，清晰地勾勒出数据在经济活动中价值升维的路径。该模型常以金字塔形式呈现（如图1-4所示），标志着数据资产管理从理论向实践的转变。

图1-4　DRAC模型结构

与DIKW模型类似，DRAC模型也分为4层，具体如下。

• 第一层（最底层）是作为原始材料的数据（Data），指的是企业原始的、未加工的数据集合，是客观事实或事件的记录。例如，某企业的数据库中存储着1万张表，其中包含各种原始数据，这些数据代表企业的全量信息。管理这些原始材料的关键工具之一是元数据，它是“关于数据的数据”。此阶段的数据管理工作通常由IT部门负责。

• 第二层是资源（Resource），是指经过整理和加工的数据资源。在资源阶段，数据从技术的角度转向业务视角，逐渐成为“资源”。元数据此时也转变为“数据资源目录”。可以说，技术术语“元数据”与业务术语“数据资源目录”在这一阶段趋于一致，但二者也可能有所不同。例如，某企业的1万张表中有500张是中间结果表，1 000张是废弃的表，而剩下的8 500张是有用的业务数据表，这些表就是数据资源。在没有明确资源化标识的情况下，现实中的数据往往是分散的、碎片化的，难以直接用于产生价值。因此，数据资源化的过程就是对这些“原料”数据进行加工，提升其质量，特别是对其进行标准化，以使其变得可采、可见、可互通、可信的过程。

• 第三层是资产（Asset），到了这一层，数据资源通过入表或者交易等成了企业的数据资产。从“数据资源”到“数据资产”是一个重大的提升，涉及数据确权、价值评估、产品开发等多个步骤。在这一阶段，“数据资源目录”变成了“数据资产目录”。从资源到资产的转变，主要通过数据入表和交易来实现，尤其是数据产品的开发与交易。当前，许多行业在进行数据要素化工作时，都面临着这一转变的挑战。

• 第四层（最上层）是资本（Capital），指的是数据资本的运营。完成“数据资产化”之后，组织可以着手进行“数据资本化”工作，如融资等。数据资产此时转化为数据资本，如数据抵押贷款、数据股权化、数据证券化等。数据从资产到资本的转变是数据要素化过程中的“第二次飞跃”，类似于马克思在《资本论》中提到的从商品到货币的“惊险一跃”。数据资本化代表了数据价值的全面升级，是推动数据要素市场化配置的关键。

当前，中国已率先在全球范围内推动DRAC模型的实践落地。2022年发布的《中共中央 国务院关于构建数据基础制度更好发挥数据要素作用的意见》（简称“数据二十条”）、2023年的数据资源入表制度以及2024年牵头制定ISO首个数据资产管理国际标准等行动，均在加速这一模式的落地与成熟。

1.3 数据资产理论的历史

从最初作为知识与事实的载体，到今天成为经济社会中的关键性生产要素，数据的角色经历了深刻的转变。在这一过程中，“将数据视为一种资产”的理念逐步形成，并最终演化为一套相对完整的理论体系。

数据资产理论的形成，既受到哲学、数学、统计学等基础学科的影响，也融入了管理学、经济学与信息技术的发展轨迹。回顾其演进历程，我们可以从理念的萌芽、管理思想的兴起、学术体系的建构、理论的深化，再到企业实践的推动，清晰地勾勒出数据资产理论的成长路径。

1.3.1　数据价值意识的启蒙时期（17世纪至20世纪中叶）

17世纪，德国哲学家戈特弗里德·威廉·莱布尼茨（Gottfried Wilhelm Leibniz）在探讨知识逻辑化表达的过程中，提出了二进制系统的思想。他认为，所有知识都可以用数学语言进行抽象表达，而“0”与“1”的二元符号可以构成万象世界的基本表示方式。虽然这一观点在当时主要停留在哲学与数学层面，但其“数据可结构化、可形式化”的核心思想，为其后的信息技术和数据资产管理理论的出现埋下了种子。

同样是在17世纪的英国，统计分析的雏形开始出现。统计学先驱约翰·格朗特（John Graunt）通过对伦敦城市死亡记录的手动统计与分析，发现了人口变化中的潜在规律，并在1662年出版《自然与政治观察》一书。他被视为人口统计学的奠基者之一，也是较早意识到数据可以用于洞察社会趋势与支持决策的代表人物之一。

进入19世纪，数据开始被系统地用于公共事务治理。在克里米亚战争（1853—1856年）期间及战后，著名的护士弗洛伦斯·南丁格尔（Florence Nightingale）系统地采集并分析了战地医疗数据，创新性地使用了玫瑰图等可视化工具，揭示传染病高发与卫生条件之间的关系，推动了英国军队医疗制度的改革。这是数据首次大规模应用于社会政策制定，显示出数据干预现实的能力。

20世纪中叶，随着信息技术的起步，数据的内在结构和传输方式也开始受到关注。1948年，被称为“信息论之父”的克劳德·香农（Claude Shannon）在《通信的数学理论》中系统阐述了“信息量”的概念，并提出了基于概率论的熵模型，正式将数据的编码、传输和压缩纳入数学体系。这标志着数据不再只是文本或数字的集合，而成为可以被计量、优化和技术化处理的资源。

1.3.2　数据资产概念的提出与早期构建（20世纪中后期至20世纪80年代）

进入20世纪中后期，随着管理思想的演进和信息技术的发展，数据逐渐被纳入企业战略资源的范畴。在这一阶段，“数据资产”的概念首次被明确提出，数据资产理论开始从零散认知走向系统建构。

被誉为“现代管理学之父”的彼得·德鲁克（Peter Drucker）在20世纪50年代起便前瞻性地提出了知识作为关键经济资源的思想，为后来的“知识经济理论”奠定了基础。他强调知识与信息将取代传统要素，成为企业竞争力的关键来源。他指出，信息不仅服务于决策，更是未来经济中的核心资源。这一思想促使企业重新审视数据的作用，为“数据作为资产”的观念奠定了基础。

1983年，美国学者威廉·F.梅因（William F.Main）和布莱恩·G. P. 弗莱（Brian G.P.Fry）在论文“A Conceptual Methodology for Evaluating Security Requirements for Data Assets”中，首次提出“数据资产”的概念。他们认为，数据资产对于组织的重要性不亚于财务、厂房等传统资产，并提出应从数据的固有价值、敏感性与泄露风险等维度进行安全评估。这一理论的提出，标志着数据开始被纳入组织资产管理的范畴。

随后，越来越多的学者和企业组织开始关注数据的经济价值。20世纪80年代，随着数据库管理系统的广泛部署，信息资源管理（Information Resources Management，IRM）理念兴起，推动企业从“信息系统建设”向“信息资产管理”转变。数据作为一种可配置、可控制、可评估的资源，逐步被纳入企业运营与治理体系之中。

尽管此阶段的数据尚未进入财务报表，但其“资产属性”已开始显现。管理思想的推动与技术工具的发展，为数据资产理论的成型创造了必要的认知和制度前提。

1.3.3　数据资产范式的建立（20世纪90年代至21世纪初）

20世纪90年代至21世纪初，信息技术迅猛发展，企业信息系统广泛普及，数据从企业运营的副产品，逐步演化为驱动商业模式与决策机制的核心要素。在这一阶段，数据资产理论逐渐脱离“资源管理”的初级视角，迈向更具系统性的价值建构，形成了早期的数据资产范式。

20世纪90年代，知识管理（Knowledge Management）成为管理研究的热点，强调企业应系统地获取、整合和利用知识资源。作为知识的基础，数据的重要性进一步凸显。1997年，乌古尔·阿尔甘（Ugur Algan）在其研究中指出：“……公司的市场价值和竞争地位，直接取决于其数据资产的数量、质量、完整性以及最终的可用性。”这一观点首次从企业估值与战略能力的视角，明确强调了数据资产对公司核心价值的影响。

2007年1月，图灵奖得主、著名数据库科学家吉姆·格雷（Jim Gray）在美国国家研究理事会计算机科学与通信技术分会（NRC-CSTB）大会上发表题为“e-Science：一种科研范式的变革”的演讲。他借用科学哲学家托马斯·库恩（Thomas Kuhn）关于“范式”与“科学革命”的概念，将科学研究方法的发展划分为4种范式：实验范式、理论范式、计算范式以及当前的数据驱动范式。格雷指出，科学正进入以数据密集型计算为特征的“第四范式”——数据不仅是研究的原始材料，而且成为知识发现的核心动力（如图 1-5所示）。在这一新范式中，数据具备可积累、可复用和可共享的属性，其获取、管理与利用方式直接影响科研生产力，呈现出资产化的价值特征和战略意义。

图1-5　数据科学第四范式

2009年，美国数据治理专家托尼·费希尔（Tony Fisher）出版The Data Asset: How Smart Companies Govern Their Data for Business Success一书，提出“数据不是技术资产，而是企业资产”。他强调企业应以资产管理思维来统筹数据生命周期，建立完整的数据治理机制，以实现业务成功。这本著作推动了“数据资产”在企业实践层面的传播，也构建了“治理—管理—运营”三位一体的现代数据资产观雏形。

同时，技术平台的进步加速了数据资产管理的实践落地。数据仓库、商务智能（Business Intelligence，BI）工具和主数据管理（Master Data Management，MDM）系统的兴起，使企业具备了对数据进行集中化整合、建模分析和统一治理的能力。数据开始不仅被用于记录交易，更被用于预测趋势、优化流程和评估绩效。

1.3.4　数据资产制度体系与估值模型的构建（2011年至今）

进入21世纪第二个十年，伴随大数据、AI等新技术的广泛应用，数据被广泛认知为新型资产，其资产属性开始在政策层面获得认可。与此同时，关于数据确权、价值评估、账面入表等实践探索也逐步展开，数据资产理论进入系统化、工具化和制度化并行推进的成熟阶段。

2011年，世界经济论坛（WEF）发布报告《个人数据：一种新资产类别的出现》，首次在全球化治理框架中将个人数据定义为“新型资产类别”，倡导建立用户主导的数据流通体系，并提出数据定价、价值链重构与监管设计原则。该报告为后续欧盟《通用数据保护条例》（GDPR）中“数据可携权”“用户控制权”等条款提供了理论参考，并推动了全球对数据经济属性共识的形成。

2012年，牛津大学网络学院教授维克托·迈尔-舍恩伯格（Viktor Mayer-Schönberger）在他的著名作品《大数据时代》中表示“数据成为有价值的公司资产、重要的经济投入和新型商业模式的基石。虽然数据还没有被列入企业的资产负债表，但这只是一个时间问题”，他也提出了数据理应作为一种生产要素的观点，并指出，由于技术环境的限制，亚当·斯密（Adam Smith）等古典经济学家未能意识到数据的潜在价值，“就像鱼不知道自己是湿的一样”。“因此，当他们考虑生产要素（土地、劳动力和资本）时，信息的作用被严重忽略了”。

2015年，经济合作与发展组织（OECD）发布《数据驱动创新：大数据如何促进增长与福祉》报告，系统阐述了数据在推动经济增长、社会福祉与科技创新中的核心作用。报告明确指出，数据已成为一种关键的经济资产，其可获取性、可再利用性和跨部门共享能力，正重塑传统产业与公共服务体系。OECD呼吁各国构建有利于数据流通、价值释放和创新生态形成的政策框架，并强调应建立数据治理机制，保障数据作为资产的可持续使用与公平分配。

2017年，大数据“3V”的提出者、Gartner研究副总裁道格·莱尼（Doug Laney）在其专著《信息经济学》中，系统提出“数据是一项企业资产，应当像财务资产一样被评估、计量和管理”的观点。他在书中构建了数据资产的估值框架，提出6种数据价值评估模型，并区分了“实际资产、潜在资产、商业资产”等不同类型的数据角色，推动了企业构建内部“数据资产负债表”的实践探索。

随着数据货币化理念的深入发展，2022年6月，道格·莱尼（Doug Laney）又出版了新书Data Juice: 101 Stories of How Organizations Are Squeezing Value from Available Data Assets。该书更加关注数据的资产价值，书中汇集了100多个真实案例和专家评论，说明世界各地和每个行业的组织如何以不同的方式将自己（和他人）的数据货币化。

2022年，美国国家经济研究局（NBER）发布了由4位美国顶尖高校的金融与经济学者——玛丽亚姆·法尔布迪（Maryam Farboodi，MIT）、德鲁夫·辛格尔（Dhruv Singal，UCLA）、劳拉·维尔德坎普（Laura Veldkamp，Columbia）、维尼·文卡特斯瓦兰（Venky Venkateswaran，NYU）——共同撰写的论文“Valuing Financial Data”。该研究提出了一套基于均衡资产收益矩的统计方法，以量化金融数据对投资者的经济价值。他们指出，不同投资者对同一数据的估值存在显著差异，尤其是在市场流动性较差时，投资者对数据的估值将显著下降。这一发现意味着数据资产不同于传统金融资产，具有更低的需求价格弹性；同时，也首次从投资者异质性视角深入探讨了市场流动性影响数据资产价值的量化机制。

2023年，哥伦比亚大学商学院教授劳拉·维尔德坎普（Laura Veldkamp）在Review of Finance期刊发表“Valuing Data as an Asset”一文，进一步从经济学与金融学角度深化了对数据资产理论的研究。她指出，数据是一类需要定价的经济资产，其价值评估应超越传统物理资产的方法，并结合其独特的非排他性、可复用性与动态增值特性。文章提出了包括成本法、收益法、选择协方差法、价值函数法、互补投入法和无形资产差额法在内的6种数据估值路径，系统构建了数据资产的定价框架。她特别强调，数据的价值不仅体现在带来收益，更在于其降低不确定性、减少经济体系无效率的能力，这为数据的风险价值和战略价值提供了新的衡量逻辑，也为数据确权与数据市场的制度设计奠定了重要理论基础。

为了应对新时代数据价值日益凸显的趋势，ISO在2024年发布的ISO 24591-2:2024 Smart water management-Part 2: Data management guidelines（智能水管理——第2部分：数据管理指南）中也提出“数据资产”概念，并强调数据作为战略性无形资产在全生命周期内的系统化管理。随后发布的ISO 55013:2024 Asset management-Guidance on the management of data assets（《资产管理——数据资产管理指南》）则进一步上升到专业资产管理体系的高度，成为全球首个专注于数据资产管理的国际标准。该标准以资产管理理念为基础，系统构建了数据资产的识别、分类、评估、维护、共享与增值路径，为组织全面实现数据资产化与战略落地提供了清晰的框架与操作指南。

在这个阶段，随着中国企业信息化进程的深化，催生了数据资产理论的体系化构建。2015年发布的《促进大数据发展行动纲要》首次将数据定义为“国家基础性战略资源”，标志着数据从技术对象升维为战略管理对象，奠定了资产化理论的认知基础。2019年党的十九届四中全会提出“将数据作为生产要素参与收益分配”，在经济维度上实现了理论跃迁——数据不再仅是静态资源，而是可参与价值创造与分配的生产性资产。而2022年发布的“数据二十条”更是创造性地提出“三权分置”制度——分离数据资源持有权、加工使用权与产品经营权，实质上是通过产权用益化破解数据确权难题：在不改变数据原始权属的前提下，使数据使用权能进入市场流通，这一设计超越了“所有权绝对”的产权逻辑。2023 年财政部印发《企业数据资源相关会计处理暂行规定》，标志着数据资产理论进入计量验证阶段。该文件在全球范围内首次明确：符合标准的数据资源，可确认为无形资产或存货，并纳入企业的资产负债表，这是对传统会计理论的重大突破。各地数据交易所与数据集团的纷纷成立，以及公共数据授权运营制度的逐步完善，也标志着我国数据资产市场化建设的逐步深入。

1.3.5　面临的问题和未来趋势

总体来看，数据资产理论经历了从早期价值意识的萌芽，到工业时代的概念提出，再到数字时代的范式成型与智能时代的系统化推进。尽管“将数据作为资产”已经成为国际社会、企业界与学术界的广泛共识，但在全球范围内，尤其是在中国的具体实践中，在确权机制、估值方法、账面处理、市场交易与收益分配等方面，仍面临大量理论空白与实践挑战。数据资产的价值评估缺乏统一的标准，制度设计也处于多元探索阶段，如何在法律、技术与经济之间找到平衡，并进一步推动数据资产的创新与市场化，将是未来进一步推动数据资产体系建设的核心议题。

1.4 DAMA关于数据资产的理论

作为全球权威的数据管理组织，DAMA一直积极倡导将数据视为一种重要的企业资产，并提出了关于数据资产管理的系统性理念。本节重点介绍DAMA关于数据资产的理论。

DAMA关于数据资产的理论也是对历史上各方面内容的一个总结，是数据资产理论的集大成者。同时，这些理论为全球的数据管理和数据资产化实践提供了重要的理论指导。

1.4.1　DAMA关于数据资产的定义

在2009年出版的《DAMA数据管理知识体系指南》（DMBOK 1.0）中，DAMA提出，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。

在2024年（中文版2025年）出版的《DAMA数据管理知识体系指南（原书第2版修订版）》（DMBOK2 Rev）中，再次强调了数据应作为一种组织资产来对待。书中也将数据资产提到了数据管理原则的高度，认为数据是有独特属性的资产，其价值可以用也应该用经济术语表示，并提出了数据资产估值的几种方法——替换成本法、市场价值法等，同时还提出了数据资产的10项会计准则。

从DAMA的数据管理实践总结来看，数据资产是被组织拥有或控制的、本身具有价值或者能够产生价值的一种经济资源。这些价值通常可以量化并转换为货币——数据货币化。

1.4.2　数据资产与传统资产的区别

DAMA认为，与传统的有形资产相比，数据资产具有显著的差异性。传统资产如房产、金钱等通常是有形的，可以看见、触摸并移动，而数据资产作为无形资产，不仅具备多用途性，还能在使用过程中保持不变，不会因使用而消耗或磨损。

数据资产与传统资产的区别如表1-6所示。

表1-6　数据资产与传统资产的区别

这些差异使得数据的货币化和资产化变得复杂。如果缺乏清晰的货币价值，衡量数据对组织成功的贡献将变得困难。同时，这些差异也会引发管理上的一系列问题，如数据所有权的定义、数据的冗余管理、数据滥用的防范等问题。

数据的这些特性也带来了一些新的挑战，举例如下。

• 泄露风险：数据能够快速复制并在不同的系统之间传输，这使得数据资产的流动性极大增强，但也带来数据被盗用或泄露的风险。

• 管理复杂：数据的重复使用通常会生成更多的数据，数据量呈指数级增长，这要求企业必须通过系统化的管理来应对日益复杂的数据关系。

• 难以确权：数据与传统资产最大的区别在于权属难以界定。由于数据可以多次复制并同时由多方使用，数据的确权成为数据管理中的一个难题。

1.4.3　DAMA关于数据资产的10项会计准则

为了确保数据资产能够在组织内部得以有效管理，并在财务报表中得到准确反映，数据资产的管理不仅仅依赖于技术手段，还需遵循相应的财务会计准则。DAMA在数据管理知识体系中，首次提出了数据资产的会计原则，为企业将数据这一无形资产纳入财务核算体系提供了理论框架和实践指导。

会计准则是企业财务核算和报告的“规则手册”，为企业记录经济活动、评估资产负债以及展示财务状况提供明确的框架和指引。其核心目标是确保财务信息的透明性、准确性和可比性，为利益相关者提供可靠的决策依据。

会计准则的历史可以追溯到复式簿记的发明以及“公认会计原则”（Generally Accepted Accounting Principles，GAAP）的逐步演变。GAAP传统上聚焦于有形资产和金融交易。随着全球经济进入数据驱动时代，谷歌和亚马逊等科技巨头的崛起凸显了数据作为商业价值核心要素的重要性。

在2020年出版的《DAMA数据管理知识体系指南（原书第2版）》中，DAMA首次提出了“数据资产的10项会计准则”。这一创新框架借鉴了财务会计中的“公认会计原则”（GAAP），针对数据资产的独特属性，构建了一套平行的“公认信息原则”（Generally Accepted Information Principles，GAIP）。这些原则为企业提供了一种结构化方法，帮助企业有效管理数据资产，使其能够准确反映在财务报表中，并实现最大的经济和战略效益。

如下是对该10项会计准则的介绍。

1．问责原则

问责原则的含义是：组织必须确定对各种类型数据和内容负有最终责任的个人或部门，确保数据资产在全生命周期中有明确的管理主体。

问责原则作为数据资产管理的基础保障，强调企业应明确数据全生命周期中的责任主体，确保数据质量、安全与合规。企业必须指定数据管理的责任人或责任部门，从采集、存储、共享到销毁的全生命周期，确保数据的质量、安全性和合法合规。

问责不仅包括管理者的职责，还包括数据使用者在操作和分析过程中的责任。企业可通过数据治理框架明确各角色职责，如首席数据官（Chief Data Officer，CDO）、数据管理团队等的职责。

问责机制有助于防止数据的滥用和丢失，同时为数据资产的价值实现提供保障。

2．资产原则

资产原则的含义是：数据是资产，具有与其他资产类似的特征，它们应像其他物质或金融资产一样进行管理、安全保护和核算。

数据并非传统意义上的有形资产，但它的经济价值和战略重要性使其成为组织不可忽视的核心资源。资产原则强调数据不仅仅是运营工具，更是可以带来长期收益的战略性资产。

这一原则奠定了数据资产化的理论基础，为数据资本化提供了前提条件。

3．审计原则

审计原则的含义是：数据的准确性必须接受独立机构的定期审计，以确保其真实性、完整性和合规性。

审计原则是保障数据资产可信性和透明度的核心。通过定期审计，企业可以验证数据质量和核算过程是否符合既定标准，并及时发现潜在的管理问题。

审计不仅核实数据的准确性，还评估数据管理流程的合规性与有效性。企业应建立审计机制，邀请独立审计机构定期检查数据资产的状况与管理实践。

审计原则为数据的资产化和资本化提供坚实的可信基础。

4．尽职调查原则

尽职调查原则的含义是：如果风险是已知的，必须报告；如果风险是可能的，必须确认。数据风险包括与不良数据管理实践相关的风险。

尽职调查原则强调企业在数据资产管理中必须主动识别和应对与数据相关的风险。这不仅包括数据质量问题，还涵盖数据使用不当、合规性缺失等可能导致的财务或法律风险。

企业应系统性地评估数据管理实践中潜在的风险，并在问题发生前采取预防性措施。

尽职调查原则帮助企业降低数据管理风险，保障数据资产的可靠性和长期经济价值。

5．持续经营原则

持续经营原则的含义是：数据对组织的成功、持续运营和管理至关重要，它们不是只为实现短期目标而采用的临时手段。

持续经营原则强调数据作为核心资产，对企业的长期战略和运营具有不可替代的作用。企业需要确保数据在整个生命周期中的稳定性和可用性，以支持持续的价值创造。

企业应建立完善的数据存储、备份和恢复机制，并通过数据治理确保数据在长期使用中的质量和一致性。

持续经营原则确保企业能够依靠高质量的数据资产支撑日常运营，同时实现长期的经济和战略价值。

6．估值级别原则

估值级别原则的含义是：企业应在最合理或最容易测量的级别上对数据进行估值，确保数据资产的价值能够被准确衡量和反映。

估值级别原则强调，数据资产的价值评估应基于明确的评估方法和可量化的指标，以支持数据资产的入表、交易和资本化等活动。企业应根据数据的用途、质量和潜在经济效益，选择适当的估值方法。

企业可以采用市场法、成本法或收益法等多种估值方法，结合数据的实际用途和行业标准，进行动态、科学的评估。

估值级别原则帮助企业在数据资产管理中准确衡量数据的经济价值，为资产化和资本化奠定基础，并提升企业财务透明度。

7．责任原则

责任原则的含义是：如果数据存在不符合监管和道德要求的滥用或管理不当，则应当有人承担相应的法律和财务后果。

责任原则要求企业在管理和利用数据资产时必须秉持高度的责任感，既要防止数据管理失误对业务和社会造成负面影响，又要确保所有活动符合法律法规和行业标准。

企业应建立数据使用政策和合规机制，明确责任分工，并设立问责流程，对违规行为采取纠正措施。

责任原则保障数据资产管理的合法性和道德性，降低企业因数据滥用而面临的法律风险，同时增强利益相关者的信任。

8．质量原则

质量原则的含义是：数据的含义、准确性和生命周期可能会对组织的财务状况产生影响。

质量原则强调数据作为资产，其价值高度依赖于高质量的数据内容。只有确保数据的质量，才能为后续的资产评估、入表和资本化奠定可靠的基础，避免数据错误导致的财务和运营问题。

企业应建立全面的数据质量管理体系，包括数据质量评估、清洗和监控机制，定期对数据资产进行检查和改进。

质量原则保障数据资产的可靠性和经济效益，提升数据对业务决策和财务核算的支持作用，同时降低数据质量问题导致的风险。

9．风险原则

风险原则的含义是：数据和内容存在风险，必须正式确认这一风险——无论是作为负债，还是作为管理和降低固有风险的成本。

风险原则强调数据资产管理过程中风险的不可避免性，同时要求企业采取积极措施识别、评估和管理与数据相关的潜在威胁。包括数据丢失、泄露、不当使用以及合规性风险在内的各类问题，都需要正式纳入企业的风险管理框架。

企业需要建立数据风险识别和评估机制，制定风险应对策略，如数据备份计划、灾难恢复方案和安全防护措施。

风险原则确保数据资产在管理和利用过程中免受潜在威胁的影响，保护其经济价值和合规性，同时维护企业的品牌声誉和市场竞争力。

10．价值原则

价值原则的含义是：数据的价值体现在多个方面，比如帮助实现组织的目标、自身具备市场价值，以及对组织商誉（估值反映在资产负债表上）的贡献。数据的价值是其对组织的贡献与其维护和迁移成本之间平衡的结果。

价值原则强调数据的经济价值不仅在于其内容本身，还体现在其对业务目标的支持和市场竞争力的提升上。企业需要明确衡量数据价值的标准，以科学反映其在资产化和资本化过程中的重要性。

企业应通过制定价值评估框架、探索数据流通的增值方式、动态监控数据贡献等一系列方法，全面挖掘数据的直接和间接价值。

价值原则帮助企业量化数据资产的战略和财务贡献，推动数据从资源到资产再到资本的转化，释放数据的最大价值。

1.4.4　DAMA数据管理车轮图

DAMA认为，数字化转型和数字化发展需要两个车轮：一个是“数据管理”的车轮，偏向技术；另一个是“数据资产管理”的车轮，偏向业务。数字化转型和数字化发展需要业务和技术两个车轮。

数据管理（data management）是为了交付、控制、保护并提升数据和信息资产的价值，在其整个生命周期中制定计划、制度、流程和实践活动，并执行和监督的过程。

DAMA数据管理车轮图（如图1-6所示）定义了数据管理的知识领域。它将数据治理（data governance）置于数据管理活动的核心，其他知识领域（如数据架构、数据建模与设计等）在车轮图中均匀分布。它们都是成熟数据管理职能的必要部分，但根据组织的需求，它们可能会在不同时间实施。

图1-6　DAMA数据管理车轮图

该车轮图对应于DIKW模型，其价值实现路径是通过为业务赋能而实现的，强调的是数字化转型和数字化发展中的技术层面。

这11个领域的含义如下。

• 数据治理：制定和执行数据管理策略、政策和标准，确保数据的有效性和合规性。

• 数据架构：设计和维护数据的结构和整合框架，以支持业务需求和技术要求。

• 数据建模与设计：创建数据模型，定义数据的结构、关系和约束，支持系统开发和数据管理。

• 数据存储与操作：管理数据的物理存储、访问和维护，确保数据的可用性和性能。

• 数据安全管理：保护数据的机密性、完整性和可用性，防止未经授权的访问和数据泄露。

• 数据集成与互操作：实现不同系统和数据源之间的数据整合和无缝交互，确保数据的一致性和准确性。

• 文档和内容管理：管理非结构化数据和内容，如文档、图像和多媒体，支持信息的存储、检索和分发。

• 参考数据和主数据管理：管理关键业务数据的统一视图，确保数据的一致性和准确性。

• 数据仓库与BI：收集、存储和分析数据，支持业务决策和战略规划。

• 元数据管理：管理描述数据的数据，包括定义、来源和使用，以支持数据的理解和应用。

• 数据质量管理：确保数据的准确性、完整性、一致性和及时性，满足业务和合规要求。

这个“数据管理车轮图”主要聚焦于数据治理与技术管理的体系构建，侧重于技术层面的工作，强调在数字化基础设施之上，通过标准化、制度化的数据管理活动，保障数据在全生命周期内的质量、安全与可用性，从而构成企业推进数字化建设的“管理底盘”。

1.4.5　DAMA数据资产管理车轮图

除了技术层面的车轮图，DAMA认为数字化转型和数字化发展还有另一张偏向业务层面的车轮图，这就是数据资产管理车轮图，如图1-7所示。该车轮图与DRAC模型的价值理念相契合，侧重于数据价值通过交易和入表直接实现。

图1-7　DAMA数据资产管理车轮图

从DAMA的视角而言，数据资产管理（data asset management）指的是：将数据作为一种具有实际或潜在经济价值的资产，围绕其规划、治理、维护与利用所展开的管理活动。其核心目标在于促进数据价值的直接实现，支撑企业数字化转型中的资产化变现。

如图1-7所示，数据资产管理车轮图在形式上延续了传统“数据治理车轮图”的构造，但在内容上已经发生了质的升级。

图1-7的中心金字塔部分是对DAMA原有“数据管理车轮图”的延续，主要描述数据从规划、启用到使用的全生命周期。这些内容构成了数据资产管理的基础支撑。

图 1-7 的外圈部分则构成了数据资产管理的核心任务和目标，包括数据的分类、权属、价值评估、战略、企业数字文化等，是企业实现“数据资产化”的核心内容。

1.5 从数据管理到数据资产管理

“数据管理”和“数据资产管理”与“数据”和“数据资产”这两个概念一脉相承，也是两个紧密相关但又有所区别的概念。它们共同构成数字时代组织治理与价值创造的基础与核心，致力于推动数据价值的实现、保护与增值。

二者的区别在于侧重点与发展阶段不同。数据管理强调对数据在整个生命周期中的采集、存储、集成、治理和使用，是数据工作的基础工程，偏技术层面，其价值实现路径是通过AI为业务赋能。数据资产管理则从业务视角出发，关注数据的资产属性、经济价值和资本化路径，是推动数据战略落地的另一层面（业务层面）的关键举措。

在发展阶段上，数据管理是实现数据“可用、好用”的保障，是“打好地基”的过程；而数据资产管理则在此基础上，实现数据的“可增值、可运营”，是“建设高楼”的过程。没有完善的数据管理体系，数据资产管理就缺乏可信的数据底座与执行基础。

然而，在实践中，这两者并非割裂存在，而是彼此嵌套、层层支撑。

1.5.1　数据管理支撑数据资产管理

数据资产管理并非凭空建立的体系，而是在数据管理基础上生长出来的“第二层建筑”。从确权到估值、从目录建设到运营交易，所有与数据资产相关的工作都离不开数据管理提供的组织体系、技术机制与制度支撑。

这种支撑关系可以通过表1-7进行初步映射。

表1-7　数据资产管理与数据管理初步映射

从这张表可以看出，数据资产管理中的大多数核心任务需要数据管理的基础工作作为支撑。

总之，数据管理既是数据资产管理的基础性保障，又是其制度与能力体系的“供给源”。后续各节将对这些支撑机制中的关键领域——如组织架构、制度规范、元数据管理、数据标准、质量管理等——进行分解说明。

1.5.2　组织架构是数据资产管理的首要保障

在数据从原始材料迈向“资产”的过程中，组织架构的完善是实现数据资产管理体系化落地的首要保障。数据资产管理不再只是IT或数据部门的事务，而是一项跨部门、跨职能的系统工程，涉及确权、评估、运营、交易等一系列复杂任务，必须依托清晰的组织架构、职责体系和协同机制。

具体而言，以下5类角色机制是数据资产管理落地的组织支撑。

• 首席数据官：统筹数据资产战略、确权与资本化路径，推动数据从业务资源走向资产对象。

• 数据治理委员会：制定治理制度与协同规则，协调多部门在资产生命周期中的分工。

• 数据责任人（owner）：负责资产的归属、质量、权限及运营，是资产价值实现的最终负责人。

• 数据管理专员：支撑数据台账更新、目录维护、质量监控与合规管理，是业务部门的具体执行人。

• 认责机制：通过嵌入流程与绩效指标，实现从“职责到人”到“价值到岗”的闭环。

1.5.3　数据管理制度是数据资产基础制度的参考

数据资产管理要实现系统化、规范化运作，离不开制度的支撑。具体而言，从数据资源的登记、确权、估值，到资产的流通、使用与入表，每一项活动的落地都必须有明确的规则依据。这要求组织建立一套可承接、可延伸的数据治理制度体系，作为数据资产管理的制度底座。

对于数据管理成熟的企业而言，在长期数据治理实践中，组织已经形成了较为完善的制度架构，覆盖从政策到流程的各个层级，尤其是在元数据管理、数据分类分级、数据质量、安全与隐私等领域，已有制度为资产管理中的“台账建立、风险控制、交易合规”等需求提供了良好模板。可以说，数据资产管理制度的形成不是从零开始，而是在数据管理制度的基础上“加法式”地扩展与深化。

表1-8梳理了数据管理制度对数据资产管理的典型支撑。

表1-8　数据管理制度对数据资产管理的典型支撑

这些制度为数据确权提供了“凭据”，为估值提供了“准绳”，为交易与运营提供了“边界”。

1.5.4　元数据管理是数据资源盘点的前提

按照DAMA的定义，作为一个技术术语，元数据是“关于数据的数据”，描述了数据本身（如数据库、数据元素、数据模型）、数据所表示的概念（如业务流程、应用系统、软件代码、技术基础设施），以及数据的其他属性，如质量情况、安全等级等。元数据可以帮助组织理解其自身的数据、系统和工作流，促进数据质量评估，同时对数据库和其他应用的管理也非常有用。元数据有助于提升组织处理、维护、集成、保护、审计和治理其他数据的能力。

如果组织没有可靠的元数据，也就无从掌握自己拥有什么数据、数据表示什么、数据来自何处、数据如何在系统中流转、谁有权访问这些数据，甚至难以认识到保持高质量数据的重要意义。如此一来，组织将无法将其数据作为资产进行管理，甚至可能根本无法管理其数据。

元数据管理也是构建数据资源目录和数据资产目录的基础，使得数据资源的分类、组织、检索与管控成为可能。数据资源和数据资产的盘点及其目录的编制都依赖于元数据管理。

“数据资源目录”是一个业务术语，指的是对数据资源进行系统化编目。它通过一定的分类方法，对数据资源进行整理、命名、编码和归档，并结合元数据记录其业务定义、存储位置、数据结构和关联关系，从而支持信息的快速查找、精准定位与有效获取。

“数据资产目录”同样是一个业务术语，涉及数据资产的编目。从数据资源到数据资产的转变，需要完成一系列工作，包括数据确权、价值评估、利益分配等。这些工作确保了数据不仅仅被组织和分类，而且能够被合法拥有或控制，从而直接或间接带来经济效益和社会效益。

从某种意义上说，技术术语“元数据”可以等同于业务术语“数据资源目录”，但不等同于“数据资产目录”。元数据、数据资源目录、数据资产目录的关系如图1-8所示。

图1-8　元数据、数据资源目录、数据资产目录的关系

数据资产目录来源于数据资源目录，而数据资源目录来源于元数据。元数据是数据资源目录和数据资产目录的前提。

1.5.5　数据标准的建设是数据互联互通的桥梁

在推动数据资产管理的过程中，最常见也最棘手的问题之一，就是“数据无法对齐”。同一份客户信息，在多个系统中字段命名不同、口径不一致；一张合同数据表，在不同部门间结构变化巨大、解释存在偏差。这些问题，归根结底都指向同一个根源：标准缺位。

数据标准是数据资产能够被识别、使用、整合的制度前提。它为组织提供了一种统一理解、统一使用、统一交易数据的语言体系。在资源管理阶段，数据标准更多承担的是“格式规范”和“语义统一”的基础功能；而在资产管理阶段，数据标准的重要性被进一步放大，它关乎数据资产能否进入名录、能否实现共享流通、能否被准确估值与分类管理。

数据标准的内涵非常丰富，并不仅限于我们常说的字段命名或格式规范。更广义地讲，凡是让数据“可互通、可互认、可组织协作”的制度要素，都属于标准体系的范畴。常见的数据标准类型包括以下内容。

• 格式标准：如JSON、XML等，用于统一数据的存储与传输格式。

• 内容标准：如字段定义、取值范围、单位规范等，旨在明确数据的基本结构。

• 术语与口径标准：旨在统一业务语言，避免“同词异义、同义异词”。

• 互操作标准：如EDI、FHIR等，用于实现跨系统、跨机构的数据交换。

• 安全与授权标准：如数据脱敏规则、访问控制层级，旨在保障数据资产合规流通。

• 行业标准：如XBRL、HL7等，用于支撑特定场景下的专业数据流通。

这些标准并非凭空设立，而是在传统数据治理实践中不断打磨出来的。尤其是在主数据管理、元数据管理、接口规范、字段设计等领域，企业往往已经积累了不少可迁移的基础经验。数据资产管理并不需要“推倒重来”，而是在原有标准体系的基础上，完成一次“价值导向”的结构性升级。

例如，在数据资源管理中，一个字段的标准只需要包含字段名、数据类型和格式即可；而在数据资产管理中，还需要进一步标注该字段是否涉及敏感信息、是否参与估值、是否影响资产分类等。这就要求我们的标准中要嵌入更多关于权属、价值、合规、流通等维度的信息。

可以说，数据标准越完备，数据资产越容易被识别、确权和归集；此外，数据标准越成熟，数据资产流通的门槛就越低，价值释放的路径就越通畅。

1.5.6　数据质量管理是数据资产价值的保证

再完善的资产目录、再清晰的权属结构，如果缺乏高质量的数据支撑，其价值也将无从实现。从确权、估值，到入表、流通，每一个数据资产管理环节的运行都以“数据质量”为前提。可以说，质量是数据完成向“资产”转化的压舱石。

数据质量管理并非新课题。许多组织早已围绕关键对象建立起评估维度与监控机制。但当数据从“资源”迈向“资产”，质量管理也随之发生了根本变化。过去我们关心的是“数据能不能用”，现在更要追问“数据值不值钱”“值多少钱”。

这一转变，要求组织从多个维度重新审视数据质量工作的内涵与目标。准确性、及时性、一致性、有效性、完整性与可靠性，构成了广泛认可的数据质量六维模型，它们在资源阶段的重要性毋庸置疑，而在资产阶段则具有更直接的实质性影响。

• 准确性决定资产估值是否可信。

• 及时性关系资产是否能在正确的时点产生价值。

• 一致性影响资产目录与报表的完整性与可比性。

• 有效性是资产合规登记的前提。

• 完整性关系资产是否具备定价、交易的基本构成要素。

• 可靠性则决定资产的复用价值。

这些质量维度是数据确权、分类、评估、流转等核心制度运行的依据。例如，一个缺失关键字段的合同数据，可能无法确认为资产；一个时间戳模糊的传感器数据，可能被剔除出评估清单。质量的高低，直接决定资产能否进入目录、是否具备估值条件、估值价格的高低以及是否具备市场流通的资格。

好在，数据管理领域在质量控制方面已积累了大量成熟经验，如质量规则制定、评估流程设计、缺陷分析与治理闭环等。这些机制完全可以迁移到数据资产管理中，并作为价值保障的关键支撑。

但数据资产管理对质量的要求，不仅比数据管理“更严”，更是“贴合价值逻辑”。这意味着组织还需构建面向资产使用场景的质量体系：数据能否支撑业务评估？是否符合资产审计要求？是否具备稳定产出收益的能力？这些问题才是资产导向下的新型质量评价标准。

数据质量是数据资产价值实现的基石。只有在“高质量”的基础上，数据资产管理才不至于沦为空中楼阁。对数据质量的重视，既是守住数据安全与可信的底线，也是释放数据资产潜能与价值的起点。

1.5.7　数据应用场景的识别是数据资产价值实现的重要度量

数据的价值从来不在存储中沉睡，而在被调用中释放。资产的评估、变现与运营，说到底，都是一个“用起来”的问题。如果说“确权”赋予了数据资产合法的身份，那么“应用”则是其价值得以实现的最终途径。

在数据资产管理体系中，场景识别是一项极具含金量的任务。它不仅影响资产是否可评估，更决定数据是否具备转化为产品或服务的基础。企业如果不清楚数据在哪些环节能创造价值，便无法评估数据投资的回报，也难以精准配置治理资源。

从实践角度看，数据应用场景的识别，本质上是一个将沉睡的数据资源唤醒，并嵌入业务流程的过程。通过对数据在组织内部各部门、各链条中的使用路径、触达点、收益节点进行梳理，我们才能建立起“数据价值地图”——这正是资产定价与投资决策的基础。

典型场景中，数据资产往往承担着以下7类功能。

• 赋能决策分析：为管理层提供实时洞察与趋势预测，实现资源最优配置与经营风险预警。

• 支撑客户运营：通过画像构建、用户细分与行为预测，提升客户转化率与服务精准度。

• 强化风险控制：实时监测、异常检测、合规校验等机制依赖于高质量数据支撑，是风控系统的核心组成。

• 提升营销绩效：支撑投放策略优化与渠道组合设计，优化供应链和库存管理，推动从“卖产品”到“卖数据驱动服务”的转型。

• 优化制造流程：通过分析设备数据与工艺参数，实现智能工厂、预测性维修、良率提升与流程重构。

• 加速研发设计：借助历史设计数据与仿真结果，建立可复用的“数字样机”，缩短研发周期、减少试错成本。

• 推动产品化与服务化：具备成熟治理基础的企业，正逐步探索将数据沉淀为“资产型产品”（如标签体系、指标体系、预测模型等），实现对外输出与对内运营增效。

这些场景不仅展示了“数据的用法”，更是“数据资产的变现路径”。它们既决定了数据在组织内部的内生价值，也构成未来参与市场交易与共享机制的“参考收益”。

1.5.8　数据安全和隐私保护是数据资产的红线

数据一旦被定义为“资产”，其安全与合规就不再是单纯的“IT问题”，而是关系组织经营稳定、战略执行乃至公众信任的系统性命题。它不只是技术底线，更是价值底线，是所有资产管理行为的前提。

和传统的信息安全相比，数据资产安全管理的关注点更进一步：不仅要防止数据泄露、被篡改或丢失，更要确保其在整个生命周期内持续具备“可控性、合规性与可价值化”的属性。这就意味着，数据一旦纳入资产目录，其安全要求就必须像管理金库一样严谨细致——任何一个“数据事件”，都可能带来资产估值下跌、运营链条中断乃至法律合规风险。

当前，数据资产所面临的威胁远不止黑客攻击或外部入侵。更多时候，风险来自企业自身对“资产思维”的缺位：内部权限分配不清、数据分类模糊、敏感信息未设防、流程中缺乏审计机制等，这些隐性的“治理漏洞”，才是数据资产流通、共享和交易过程中最难控制的变量。

因此，成熟的数据资产管理体系，必须涵盖一整套覆盖“技术、流程、制度、文化”四位一体的安全治理机制：

• 在技术层面，加强加密、防篡改、权限管控、访问日志、备份恢复等手段，是保障数据在存储、传输与使用中不被“非授权操作”的基础；

• 在流程层面，建立数据分类分级、最小使用、流通审批等机制，是将“安全责任”嵌入日常操作、实现最小暴露面的关键；

• 在制度层面，通过数据合规制度（如隐私政策、使用协议）、响应机制（如事故应急处理方案）等的建设，强化风险处置能力；

• 在文化层面，推动“数据有边界、使用有规范”的认知共识，才是长期防护真正有效的保障。

这些工作直接决定了一个数据资产能否被确权、能否进入交易，以及是否具备对外输出与增值的前提条件。没有安全，就没有可流通的资产；没有合规，就没有合法的市场化路径。

安全是数据资产的边界，也是信任的基石。对一个组织而言，越是希望释放数据的经济与战略价值，就越要把“安全底线”扎实守住。守住这条红线，数据资产才有真正走出去、被认可、被估值的可能。

1.6 数据资产管理的核心内容

回顾数据资产理论的发展历程，结合DAMA等的理论，我们可以归纳出普遍接受的关于“数据资产”和“数据资产管理”的一些核心观点。

1.6.1　数据资产管理的核心观点

数据资产管理的核心观点包括以下内容。

• 数据是组织在数字时代所拥有的、具有独特属性的最重要资产。数据不仅是信息的载体，更是能为企业创造价值的战略资源。

• “以数据为中心”是数字时代组织的特征。企业从流程驱动发展到数据驱动，并进一步发展到“以数据为中心”的高级阶段。在数字时代，数据不再只是业务过程的附属品，而是独立的资产。

• 数据管理是数据资产管理的前提。没有“数据管理”，就不可能有“数据资产管理”。数据管理和数据资产管理密切相关，但两者侧重点不同：数据管理更注重技术层面，而数据资产管理则聚焦于数据的业务层面，包括数据的价值评估、货币化和资产化等。

• 数据资产的价值实现主要体现为数据货币化。数据货币化是直接实现数据经济价值的一种方式。通过这种方式，数据的实际经济价值可以得到准确评估、计量和实现。最终，数据资产不仅可以用经济术语来表示，也应该用经济术语评估其价值。数据应像其他企业资产一样进行量化，并体现在相应的财务报表中。

• 数据资产价值的评估应结合不同的方法。数据资产价值的评估主要依赖于成本法、市场法和收益法，其中，DAMA偏向于采用成本法进行数据资产价值的评估。

• 数据资产管理应遵循基本的会计准则。DAMA提出了数据资产的10项会计准则，这些准则为数据资产的核算、管理和报告提供了理论框架和实践指导。

• 数据资产管理需要规划。数据资产管理涉及确权、评估、入表、交易等多个环节，规划有助于统一目标、优化资源配置、提高执行效率，也能够更好地应对数据资产管理的动态性和复杂性。

• 数据确权是基础。数据确权不仅是保护数据资产安全和合法性的核心措施，还为后续的数据资产评估、交易、运营和资本化奠定了坚实的基础。例如，公共数据的确权能够推动数据共享和流通，而商业数据的确权则直接决定了数据交易的合法性。

• 数据资产运营贯穿其全生命周期，涵盖数据确权后的数据利用、价值评估与动态监控、数据交易与流通、利益分配与收益管理以及推动数据资本化等关键环节。通过科学、高效的运营，企业能够持续挖掘数据的潜力，实现从资源到资产再到资本的价值转化与增值。

• 数据资本化是最终闭环。数据资本化通过金融工具（如证券化、投资基金、RWA等）实现，它将数据从资源和资产进一步转化为可投资、可流通的资本，实现数据的长期经济价值和战略意义。数据资本化标志着数据管理职能从支持性角色转向价值创造的核心角色，推动企业在数字经济中获得持续竞争优势。

• 数据安全与合规不可妥协。数据安全与合规是数据资产管理的底线，贯穿其全生命周期。无论是确权、评估、交易还是资本化，安全与合规都确保了数据的合法性、完整性和保密性。通过严格的权限管理、加密技术、隐私保护以及实时监控，企业能够防范数据泄露和滥用，避免法律风险并提升客户信任度。数据的经济价值只有在安全与合规的前提下才能真正实现。

• 数据资产管理需要领导者的承诺和支持。与数据管理一样，数据资产管理也是“一把手工程”。特别是首席数据官的设立显得尤为重要。

1.6.2　数据资产管理的关键活动

“数据资产管理”在传统“数据管理”基础上进一步延展，聚焦于挖掘数据的经济效益和社会价值，并通过系统化的管理实现数据的资产化和资本化。以下是数据资产管理的关键活动。

• 数据资源盘点：基于元数据，梳理企业的数据资源，并编制相关目录，为后续数据资产管理的一系列工作做好准备。

• 数据确权：明确数据的权属和相关权益，为数据资产的合法化管理和交易奠定基础。数据确权是数据资产管理的起点，旨在确保数据的合法性和可追溯性。

• 数据资产价值评估：运用不同的方法对数据资产的经济价值进行评估。这一过程为数据的入表、交易和资本化提供参考。

• 数据资产入表：将具有明确价值的数据资源登记为企业资产，使其进入资产负债表，成为企业资产管理和财务管理的重要组成部分。入表的过程强调数据资产的合法性、真实性和可量化性。

• 数据交易：通过建立数据交易机制，推动数据资产的市场化流通，探索数据在不同场景下的直接应用，提升其可变现能力，包括平台交易、私下合作等多种形式。

• 数据资产运营：通过数据产品化、数据分析、持续优化和动态管理等方式，提升数据资产的可用性和价值，为企业业务提供支撑并开辟新的增长点，涉及数据资产运营，一个不可忽略的领域是公共数据的授权运营。

• 数据资产利益分配机制：在数据资产流通过程中，明确数据所有方、使用方及相关利益方之间的利益分配机制，确保价值分配的公平性、透明性和合规性。

• 数据资本化：将数据资产转化为资本，通过证券化、股权化、数据信托等方式，使数据资产产生长期经济效益，为企业创造新的价值增长空间。

• 数据跨境流通：在遵守国家数据主权与跨境监管框架的前提下，利用可信数据空间，鼓励数据的跨境流通，进一步实现数据资产的价值。

通过这些关键活动，企业能够系统性地管理数据资产，实现从确权到价值评估、从交易到资本化的全链条经济价值释放，最大化数据资产对组织的贡献。这些活动与数据基础制度共同构成了优化后的数据资产管理车轮图（如图1-9所示）。

图1-9　优化后的数据资产管理车轮图

图1-9中所列的一系列管理活动（知识领域），实现了从数据资源盘点到数据资产价值兑现的全过程管理。相关的各个知识领域将在本书后续章节中介绍，这些内容也构成了本书的核心内容体系。