数据资产管理的发展现状与难点

(一)数据资产管理发展现状

一是数据资产管理政策环境持续优化。金融领域，2021年3月，中国人民银行发布《金融业数据能力建设指引》，为金融业工作落地实施提供强力指导。2021年9月，银保监会印发《商业银行监管评级办法》，将“数据治理”要求纳入商业银行监管评级要素并给予5%的权重，进一步要求商业银行加快建设数据治理体系。通信领域，2021年11月，工业和信息化部发布了《“十四五”信息通信行业发展规划》，提出加强数据资源管理，研究制定信息通信领域公共数据开放及数据资源流动制度规范，探索建立数据应用处理、数据产品标准化、数据确权、数据定价、数据交易信任、数据开放利用全流程的数据资源管理制度体系和数据要素市场，加强数据资源监管和行业自律。加快数据流通共享技术标准体系制定，提升数据质量和规范性。制造业领域， 2021年11月，工业和信息化部印发《“十四五”信息化和工业化深度融合发展规划》，提出强化大数据在制造业各环节应用，制定制造业数字化转型行动计划，以制造业数字化转型为引领，培育专业化、场景化大数据解决方案。

二是数据资产管理能力整体处于发展初期，发展态势稳中有进。中国电子信息行业联合会通过计算历年来DCMM评估企业的能力等级分布，大部分贯标企业的数据管理能力均在二级（受管理级）及以下水平，占全部贯标企业的80.1%；三级（稳健级）占总量的15.6%，四级及以上（量化级和优化级）不足5%。随着企业数字化转型相关政策不断出台，企业自身数据意识持续提升，越来越多的企业参与到DCMM贯标评估工作中，通过“以评促建”的方式加快数据资产管理能力建设。

三是行业间数据资产管理能力差异分布显著。软件和信息技术业、工业和制造业、医疗行业、教育行业等传统行业仍处于初级阶段，数据资产管理的意识和动力不足，数据资产管理处于大数据平台建设阶段，尚未组建相对专业化的数据资产管理团队，主要针对核心业务开展数据标准化、数据质量管控等工作。金融行业、互联网行业、通信行业、电力、零售行业等较早享受到了“数据红利”，持续推进业务线上化，数据资产管理重要性随之提升，逐步发展数据资产管理部门，加大技术创新与应用，开展数据分析和数据服务。中国电子信息行业联合会将DCMM评估的统计数据按照行业进行对比分析，发现通信、电力、银行三个行业处于相对领先水平，软件和信息技术业、制造业有较大提升空间。

四是评估数据资产价值、创新数据资产商业模式逐步成为企业关注焦点，领先企业已开展探索性实践。数据价值评估是量化数据资产价值的有效方式，推动企业持续投入资源开展数据资产管理，为企业参与数据要素流通奠定基础。2021年光大银行发布了《商业银行数据资产估值白皮书》，计算出光大银行数据资产超千亿元的货币价值，并与北京国际大数据交易所开展战略合作，探索数据要素多元发展模式。2022年光大银行在前期研究的基础上，以商业银行为研究对象，开展数据资产入表和数据要素市场生态研究，发布了《商业银行数据资产会计核算研究报告》，为业界提供了参考。此外，光大银行发布的《商业银行数据要素市场生态研究报告》提出了商业银行在数据要素市场新生态中的两个新发展路径：一是作为数据商，以“4+2”的服务模式，深入参与数据要素市场大循环，开展数据商业务；二是作为第三方专业机构，充分发挥银行的现有优势，开放创新，拓展业务新场景。

五是数据安全管理作为数据资产管理的“红线”，日益受到国家行业的重视。国家层面，逐渐明晰数据安全的监管红线，为企业数据安全建设提供政策引领。2022年7月，中央网信办公布《数据出境安全评估办法》，为各行业企业规范数据出境活动、保护个人信息权益提出了更加具体的要求和措施，翻开了数据出境安全管理的新篇章。行业方面，工业和信息化部于2022年10月再次公开征求对《工业和信息化领域数据安全管理办法（试行）》的意见，明确了重要和核心数据在目录备案及出境等方面的工作要求，是对工业和信息化领域数据安全管理工作的进一步指导。

(二)数据资产管理难点

当前，数据资产管理仍然面临一系列的问题和挑战，涉及数据资产管理的理念、效率、技术、安全等方面，阻碍了组织数据资产能力的持续提升。

图 1 数据资产管理难点 

一是数据资产管理内驱动力不足。组织管理数据资产的动力主要来自外在动力和内在动力两个方面。随着鼓励组织开展数字化转型的国家和行业政策陆续发布，监管和行业主管部门对企业数据管理提出更高要求，数据分析和应用对于同业竞争的优势日趋显著，组织开展数据资产管理的外部动力逐渐增强。但是，对于多数组织而言，仍面临数据资产管理价值不明显、数据资产管理路径不清晰、数据文化不完善等问题，管理层尚未达成数据战略共识，业务部门等数据使用方缺少有效的数据应用方法，短时期内数据资产管理投入产出比较低，导致组织开展数据资产管理内驱动力不足。

二是数据资产管理与业务发展存在割裂。现阶段企业开展数据资产管理主要是为经营管理和业务决策提供数据支持，数据资产管理应与业务发展紧密耦合，数据资产也需要借助业务活动实现价值释放。然而，很多组织的数据资产管理工作与实际业务存在“脱节”情况。战略层面不一致，多数企业并未在企业发展规划中给予数据资产管理应有的组织地位和资源配置，未体现数据资产管理与业务结合的方式与路径。同时，组织层面不统一，数据资产管理团队与业务团队缺乏有效的协同机制，使数据资产管理团队不清楚业务的数据需求，业务团队不知道如何参与数据资产管理工作。

三是数据质量难以及时满足业务预期。数据资产管理的核心目标之一是提升数据质量，以提高数据决策的准确性。但是，目前多数企业面临数据质量不达预期、质量提升缓慢的问题。究其原因，主要包括以下三个方面：一是未进行源头数据质量治理，“垃圾”数据流入大数据平台；二是数据资产管理人员未与数据使用者之间形成协同，数据质量规则并未得到数据生产者或数据使用者的确认；三是数据质量管理的技术支持不足，手工操作在数据质量管理中占比较高，导致数据质量问题发现与整改不及时。

四是数据资产无法持续运营。数据资产运营是推动数据资产管理长期、持续开展的关键。但是，由于多数组织仍处于数据资产管理的初级阶段，尚未建立数据资产运营的理念与方法，难以充分调动数据使用方参与数据资产管理的积极性，数据资产管理方与使用方之间缺少良性沟通和反馈机制，降低了数据产品的应用效果。

五是数据安全风险加剧，安全合规要求日益复杂。《中国政企机构数据安全风险分析报告》（2022）显示数据泄露已经超越数据破坏成为数据安全最大风险，2021年全球数据安全大事件中涉及数据泄露的占总量的41.2%。2022年，数据泄露事件占比攀升至51.7%。此外，对个人信息交易需求的增加扩大了数据安全风险来源，从交易信息类型来看，涉及个人信息数据买卖的交易占比达到55.6%（其余两大类交易信息包括商业机密数据、内网管理信息数据，占比分别为19.3%和11.7%）。如何有效应对数据安全风险事件、满足国家行业数据安全合规要求，是当前企业面临的难点之一。