信通院-数据资产管理实践白皮书3.0-2018.12-108页_4mb

数据资产管理实践白皮书（3.0版）总结

核心内容

《数据资产管理实践白皮书》由中国信息通信研究院云计算与大数据研究所联合多个单位共同编写，旨在推动数据资产管理在大数据时代的应用与发展，提升数据资产的管理能力与价值。白皮书全面总结了数据资产管理的定义、内涵、演变、实施要点、成功要素和相关术语，为政府和企业开展数据资产管理提供了理论指导和实践参考。

主要观点

1. 数据资产管理的重要性

   • 数据作为资产已成行业共识，其管理能力直接影响企业数据价值的释放。
   • 数据资产管理是推动大数据与实体经济深度融合的关键环节，是数字化转型的核心任务。

2. 数据资产管理的特征趋势

   • 数据对象更加多样，处理架构逐步向分布式和智能化发展。
   • 组织职能从IT部门主导转向跨部门协作，强调业务与技术融合。
   • 管理手段趋向自动化和智能化，借助工具平台实现数据的统一管控。
   • 数据应用范围不断扩大，从战略决策到业务一线，再到数据共享与流通。

3. 数据资产管理的主要内容

   • 包括8个管理职能和5个保障措施。
   • 管理职能涵盖数据标准管理、数据模型管理、元数据管理、主数据管理、数据质量管理、数据安全管理、数据价值管理和数据共享管理。
   • 保障措施包括战略规划、组织架构、制度体系、审计机制和培训宣贯。

关键信息

• 数据资产定义：由企业拥有或控制，能够为企业带来未来经济利益的数据资源。
• 数据资产管理目标：提升数据质量、实现数据互联互通、保障数据安全合规、持续释放数据价值。
• 数据资产管理实施步骤：分为统筹规划、管理实施、稽核检查和资产运营四个阶段。
• 数据资产管理成功要素：明确责权利、合理引进技术、着眼业务应用、加强数据合规、持续迭代完善。
• 数据资产管理工具：包括数据标准、模型、元数据、主数据、质量、安全、生命周期管理等七大类工具，支撑数据资产管理全过程。
• 数据价值评估方法：包括成本法、收益法和市场法，各有优缺点和适用场景。
• 数据应用场景：涵盖电信、金融、政务、医疗、工业等多个领域，具有广泛的实践意义。

实践模式

• 组织方式：分为自上而下的顶层设计模式和自下而上的各个击破模式。
• 建设策略：分为生产系统优先和数据系统优先两种类型。
• 典型实践模式：包括企业数据模型建设、主数据建设、统一数据平台、数据集市等，适用于不同规模和业务需求的组织。

数据资产管理的挑战与应对

• 数据孤岛：传统信息系统建设导致数据分散，需通过数据共享与整合解决。
• 数据质量差：需通过数据质量管理工具和流程，提升数据标准化和规范性。
• 数据安全风险：需通过数据安全管理机制，保障数据在采集、存储、使用和共享过程中的安全。
• 数据价值挖掘不足：需通过数据资产运营和价值评估，推动数据资产的增值与流通。

数据资产管理的未来展望

• 数据资产管理是体系化、复杂的工作，涉及管理、技术等多个领域。
• 白皮书强调数据资产管理应结合企业实际，逐步完善和迭代。
• 鼓励企业、行业和政府加强合作，推动数据资产管理理论和方法的持续发展，为数字化转型提供支持。

附录术语

• 数据管理：规划、控制和提供数据及信息资产的一组业务职能。
• 数据治理：指导数据管理职能执行，确保数据合规与统一。
• 数据资源：所有可能产生价值的数据，包括结构化和非结构化数据。
• 数据资产：具有明确价值的数据资源，用于企业未来经济利益。
• 参考数据：用于分类和目录整理的数据。
• 数据字典：描述数据结构和业务含义的工具，分为主动和被动两种。
• 数据目录：帮助用户找到和理解数据来源的工具。
• 数据血缘：描述数据从源头到当前使用的完整路径。
• 影响分析：评估数据变化对其他数据对象的影响。
• 非结构化数据：格式不固定，如文本、图像、视频等。
• 数据仓库：用于支持决策分析的数据集合。
• 数据集市：数据仓库的子集，面向特定主题和业务需求。

结论

数据资产管理是企业在大数据时代实现价值创造和数字化转型的关键。白皮书从理论到实践，系统梳理了数据资产管理的全过程，强调了数据治理、数据质量、数据安全等核心要素。随着技术的发展和管理理念的更新，数据资产管理将逐步实现自动化、智能化和系统化，为数据价值的持续释放提供支撑。