導讀
高質量的數據對任何企業都是戰略性資產，隨著企業推進數字化轉型的進程，有效數據正迅速成為一個關鍵的業務差異，但要使數據具有價值，需確保數據的可信任、安全性、可訪問性、準確性、共享性和及時性。數據資產管理有助于增強企業靈活性以最小化決策相關成本和風險，特別在數字經濟中，數據資產的管理比以往任何時候都顯得尤為重要。

01為何需要數據資產管理
成本控制
大數據離不開計算和存儲，因此大數據建設與成本強掛鉤。大數據需要耗費大量的計算存儲資源，如果沒有合理的資產管理，很可能在大數據還沒來得及發揮巨大作用時就已經消耗完業務帶來的利潤。而事實上，對于企業來說，大數據很容易成為一個成本中心。因此，在企業進行數據中臺建設中，既能收獲大數據作為資產中心所帶來的紅利，也能體驗到大數據成為成本中心后所帶來的痛苦。這種痛苦除了與資金投入密切相關外，也會直接影響甚至決定著大數據建設的質量和效率。

價值體現
梳理數據的血緣關系，或是控制成本是不可舍棄的，但不是目的，更不適合作為驅動力，如果以此為驅動力，很容易讓大數據成為成本中心。我們需要轉變思路，大數據需要從現有的成本中心變為資產中心，然后，擁有資產本質的大數據將由成本中心變為利潤中心。將成本投入與數據應用產生的價值掛鉤的投入產出比更值得花力氣去關注，其核心就是以資產為驅動力，而資產直接對標的就是價值。大數據一定要有應用和價值的探索，而大數據的應用和價值的探索基本上都會涉及大數據的來龍去脈。因此數據資產管理伴隨著大數據相關的成本、應用、價值探索等產生了，并伴隨著數據中臺建設的全過程。

企業想要做好數據資產管理還需要做好以下三步：資產分析、資產治理、資產應用。

02數據資產分析
資產分析包括了資產盤點和資產評估兩部分。資產盤點是為了讓使用數據的人員能更好的理解數據，可通過知識圖譜進行內容的理解和推理或構建企業資產目錄;資產評估則對資產的活性、投入產出比進行評估。

資產分析具體包括以下三部分內容：
1.資產分析對象 以企業全域大數據作為資產分析對象。
2.多維度數據資產分析體系 基于資產分析對象，以基層元數據、用戶行為日志、數據知識圖譜為素材，通過綜合人腦和機器學習算法是手段，充分理解數據資產內容，完成各類數據資產分析，理解數據內容;
3.資產分析產品化 基于多維度數據資產分析體系，在技術端和用戶看不到的產品背后進行資產盤點、資產評估和資產探查，從而向用戶輸出易讀、易懂的資產報告;

03數據資產治理
資產治理包括對計算、存儲、治理、模型、安全、成本等領域進行治理，并形成有效的智能治理閉環，將治理方法論沉淀為工具產品輸出。

資產治理具體包括以下兩部分內容：
1.資產治理閉環體系 建立包括現狀分析、問題診斷、治理優化、效果反饋在內的資產治理閉環體系;
2.資產治理多維度輸出 資產治理致力于將治理閉環能力開放。通過標準輸出、定制產品、能力輸出、構建協作機制等維度進行輸出。

04數據資產應用
資產應用通過全鏈路實現端到端打通，評估應用投入產出比，并進行安全的檢測管控。

資產應用具體包括以下兩部分內容：
1.資產應用全鏈路體系 通過全鏈路數據跟蹤，將數據從獲取到數據處理再到數據應用，實現端到端的打通。
2.資產應用產品化 圍繞最終用戶，以數據資產的本質為驅動力，提供應用分析產品。包括全鏈路“血緣”關系，清晰展示數據的來龍去脈;

05總結
通過資產分析、資產治理、資產應用，讓大數據從成本中心走向資產中心，讓企業致力于數據資產建設和管理。通過數據中臺中的“數據資產管理”模塊，將數據中臺對大數據管理的認知和沉淀輸出給企業，讓企業數據可獲得全盤把握及全盤分析、清晰查看及快速使用、準確評估及合理應用、智能診斷及高效治理，讓企業大數據釋放出應有的價值。