导读
高质量的数据对任何企业都是战略性资产，随着企业推进数字化转型的进程，有效数据正迅速成为一个关键的业务差异，但要使数据具有价值，需确保数据的可信任、安全性、可访问性、准确性、共享性和及时性。数据资产管理有助于增强企业灵活性以最小化决策相关成本和风险，特别在数字经济中，数据资产的管理比以往任何时候都显得尤为重要。
01为何需要数据资产管理
成本控制
大数据离不开计算和存储，因此大数据建设与成本强挂钩。大数据需要耗费大量的计算存储资源，如果没有合理的资产管理，很可能在大数据还没来得及发挥巨大作用时就已经消耗完业务带来的利润。而事实上，对于企业来说，大数据很容易成为一个成本中心。因此，在企业进行数据中台建设中，既能收获大数据作为资产中心所带来的红利，也能体验到大数据成为成本中心后所带来的痛苦。这种痛苦除了与资金投入密切相关外，也会直接影响甚至决定着大数据建设的质量和效率。
价值体现
梳理数据的血缘关系，或是控制成本是不可舍弃的，但不是目的，更不适合作为驱动力，如果以此为驱动力，很容易让大数据成为成本中心。我们需要转变思路，大数据需要从现有的成本中心变为资产中心，然后，拥有资产本质的大数据将由成本中心变为利润中心。将成本投入与数据应用产生的价值挂钩的投入产出比更值得花力气去关注，其核心就是以资产为驱动力，而资产直接对标的就是价值。大数据一定要有应用和价值的探索，而大数据的应用和价值的探索基本上都会涉及大数据的来龙去脉。因此数据资产管理伴随着大数据相关的成本、应用、价值探索等产生了，并伴随着数据中台建设的全过程。
企业想要做好数据资产管理还需要做好以下三步：资产分析、资产治理、资产应用。
02数据资产分析
资产分析包括了资产盘点和资产评估两部分。资产盘点是为了让使用数据的人员能更好的理解数据，可通过知识图谱进行内容的理解和推理或构建企业资产目录;资产评估则对资产的活性、投入产出比进行评估。
资产分析具体包括以下三部分内容：
1.资产分析对象 以企业全域大数据作为资产分析对象。
2.多维度数据资产分析体系 基于资产分析对象，以基层元数据、用户行为日志、数据知识图谱为素材，通过综合人脑和机器学习算法是手段，充分理解数据资产内容，完成各类数据资产分析，理解数据内容;
3.资产分析产品化 基于多维度数据资产分析体系，在技术端和用户看不到的产品背后进行资产盘点、资产评估和资产探查，从而向用户输出易读、易懂的资产报告;
03数据资产治理
资产治理包括对计算、存储、治理、模型、安全、成本等领域进行治理，并形成有效的智能治理闭环，将治理方法论沉淀为工具产品输出。
资产治理具体包括以下两部分内容：
1.资产治理闭环体系 建立包括现状分析、问题诊断、治理优化、效果反馈在内的资产治理闭环体系;
2.资产治理多维度输出 资产治理致力于将治理闭环能力开放。通过标准输出、定制产品、能力输出、构建协作机制等维度进行输出。
04数据资产应用
资产应用通过全链路实现端到端打通，评估应用投入产出比，并进行安全的检测管控。
资产应用具体包括以下两部分内容：
1.资产应用全链路体系 通过全链路数据跟踪，将数据从获取到数据处理再到数据应用，实现端到端的打通。
2.资产应用产品化 围绕最终用户，以数据资产的本质为驱动力，提供应用分析产品。包括全链路“血缘”关系，清晰展示数据的来龙去脉;
05总结
通过资产分析、资产治理、资产应用，让大数据从成本中心走向资产中心，让企业致力于数据资产建设和管理。通过数据中台中的“数据资产管理”模块，将数据中台对大数据管理的认知和沉淀输出给企业，让企业数据可获得全盘把握及全盘分析、清晰查看及快速使用、准确评估及合理应用、智能诊断及高效治理，让企业大数据释放出应有的价值。
