原创 李采薇 DigitalClub 数字营销
1. 数据资产概述
1.1 数据资产的定义
数据资产不仅是企业日常运营中产生和积累的各类结构化和非结构化数据,还包括从这些原始数据中通过加工提炼出的信息、知识以及见解。它是企业赖以生存和发展的关键性资源,是当今数字化时代最重要的无形资产之一。
数据资产概念的提出,标志着企业开始从整体层面认识和重视数据的重要性。过去,企业更多地将数据视为支持业务流程的一种工具,而缺乏将其作为资产来系统管理的意识。随着大数据等新技术的兴起,企业逐渐意识到高质量数据对于发现新的商业机会、优化内部流程、提升客户体验的巨大价值。因此,有必要从战略高度系统化地管理和评估企业的数据资产。
1.2 数据资产的重要性
数据已经成为推动企业创新、降低运营成本、提高效率和增强竞争力的关键驱动力。高质量的数据资产可以支持企业做出更有价值的数据驱动型决策,有效改善产品和服务质量,挖掘新的商业模式和收入增长点。例如:
电商企业通过分析海量用户行为数据,可以为个性化推荐、动态定价等营销策略提供依据。
制造企业分析产品运营数据,可以预测故障发生并及时维修,提高产品可靠性。
金融企业利用多源异构数据,能够更准确地评估客户信用风险和投资回报。
能源企业分析设备传感器数据,可以优化资产使用效率、节约能耗等。
由此可见,对数据资产进行科学合理的评估与管理,对提升企业核心竞争力和价值创造能力至关重要。企业应当从战略层面高度重视数据资产,将其纳入公司治理结构,制定相应的数据战略、评估体系和管控机制。
1.3 数据资产的分类
根据数据来源、存储形式、结构特征以及业务用途的不同,企业的数据资产可以分为多种类型:
(1) 根据数据结构特征分类
结构化数据:拥有固定模式的数据,如数据库中的表格数据、ERP等系统产生的交易数据等。
非结构化数据:缺乏预定义数据模型的数据,如文档、电子邮件、图像、音视频文件、社交媒体数据等。
半结构化数据:介于上述两种之间,如XML、JSON等数据格式。
(2) 根据数据来源分类
内部数据:企业内部业务系统和流程产生的数据。
外部数据:来自合作伙伴、客户、市场等外部渠道的数据。
公共数据:政府开放的公共数据资源等。
(3) 根据业务应用场景分类
业务交易数据:记录企业日常经营活动的数据。
客户数据:客户资料、行为习惯、投诉记录等。
设备运营数据:生产设备、系统监控数据等。
产品数据:产品规格、设计文件、使用记录等。
人力资源数据:员工信息、绩效考核等。
金融和财务数据:财报、支付、投资等相关数据。
法律合规数据：合同、知识产权等相关数据。
不同类型的数据资产在价值、风险、管理要求等方面存在着差异,因此评估时需要采取恰当的方法和评判标准。
2. 数据资产评估指标体系
对数据资产进行评估需要建立科学合理的指标体系,该体系通常覆盖数据质量、数据价值、数据风险和数据管理四个主要维度,涉及多个具体指标。
2.1 数据质量指标
数据质量是评估数据资产价值的基础和前提,高质量的数据能够支持企业做出更好的决策。常用的数据质量评估指标包括:
准确性:数据反映事物真实情况的程度,不存在错误、遗漏、矛盾等缺陷。
完整性:数据覆盖期望的全部内容,不存在缺失的重要信息。
一致性:相同数据在不同场景下保持相同的值和定义,避免矛盾和冲突。
及时性:数据反映现状的滞后程度,及时性越好,数据作为决策依据的价值就越高。
可解释性:元数据描述、数据定义、计算逻辑等充分清晰,便于使用者理解数据的语义。
除上述常见指标外,还需根据企业业务特点和数据应用场景,补充一些更贴近实际的质量衡量标准,如电信行业的通话质量、制造业的产品精度要求等。
需要注意的是,数据质量不是一个绝对量化的值,其评判往往具有一定主观性。不同企业和数据使用者对同一数据的质量要求可能存在差异。因此在评估数据质量指标时,需要充分考虑企业业务实际,制定合理的评判标准和评分机制。
2.2 数据价值指标
数据价值指标用于衡量企业能够从数据资产中获得哪些商业价值,主要包括以下几个方面:
(1) 应用场景和范围
即数据资产目前已被应用于哪些业务领域和流程环节,应用范围越广泛,体现出来的价值就越大。例如某一数据集已在产品设计、研发、销售、客户服务等多个环节发挥作用。
(2) 对业务目标的支持程度
评估数据资产对企业实现特定经营目标的贡献程度,如增加收入、降低成本、提高客户体验、优化风险管控、支持创新等。支撑企业重点经营目标的数据资产具有更高价值。
(3) 获取、加工或替代成本
一些难以获取的数据,或者需要耗费大量人力物力加工而成的数据资产,其本身成本就很高。如果要重新采集和建立同等数据资产,所需成本就很好衡量其内在价值。相反,如果某数据资产很容易从外部采购或替代,其价值就相对较低。
(4) 对数据主体的重要程度
有些数据资产涉及企业运营的核心数据主体,如产品、客户、员工等,往往具有更高的潜在价值。这些数据主体通常是企业赖以生存的关键要素,相关数据资产的价值自然不容小觑。
(5) 为决策提供支持能力
企业的运营决策层面很大程度上依赖可靠数据的分析结果,能为重要决策提供依据支持的数据资产就显得尤为珍贵,可能影响企业的发展方向和业务布局。
(6) 实现商业创新能力
随着企业的不断发展,有些数据资产还可能衍生出新的商业模式,创造新的价值增长点。比如利用客户画像数据开展个性化营销服务,或者基于物联网设备数据提供预测性维护服务等。
需要指出的是,不同企业对数据价值的判断可能有所差异,应该从自身的业务战略出发,因地制宜地制定评估指标和权重。
2.3 数据风险指标
数据资产在采集、存储、使用全生命周期中均可能面临各种风险,这些风险如果发生将可能导致经济损失、法律纠纷等严重后果。因此在评估体系中也需要纳入相关的风险指标。
(1) 隐私风险
涉及个人隐私数据时,需要评估数据采集、使用的合规性,以及自身隐私保护能力是否合格,以避免泄密或被起诉的风险。
(2) 数据安全风险
包括数据资产在存储和传输环节可能遭受的破坏、篡改、盗窃、勒索等攻击风险。企业需要评估现有的数据安全防护和应急响应措施是否有效。
(3) 知识产权风险
对于涉及商业机密、专利、著作权等知识产权的数据资产,要评估是否存在侵权风险和维权成本。
(4) 舆论风险
某些数据资产可能涉及社会诚信、公共利益等问题,一旦被曝光将面临声誉受损的风险。
(5) 合规风险
包括数据跨境传输、利用第三方服务等可能导致的违规风险。个别监管领域如金融还需评估特殊的合规要求。
(6) 系统和架构风险
部分数据资产可能高度依赖特定的技术架构、平台或供应商,一旦架构调整或供应商发生变更,可用性将受到影响。
通过全面评估上述各类风险指标,并采取相应的控制措施,能够最大程度降低数据资产被滥用、泄露或毁坏的概率,保障企业的合法权益。
2.4 数据管理指标
良好的数据管理和控制能力,是保障数据资产质量和价值实现的基础。评估数据管理水平可考虑以下指标:
(1) 数据资产目录完整性
是否建立了全面详实的数据目录,记录企业内部外部各类数据资产的元数据、血缘、位置及访问权限等信息。
(2) 元数据质量
元数据的准确性、完整性及标准遵从程度,用于描述和解释数据内容语义的充分程度。高质量的元数据有助于提高数据的可发现性、可理解性和可信度。
(3) 数据标准遵从性
企业在数据建模、命名、接口等方面有无统一的数据标准规范,数据资产是否符合这些标准。标准化有利于实现数据共享和集成。
(4) 数据质量管理能力
是否建立了端到端的数据质量监测和管控机制,包括质量规则、检测、根因分析、缺陷修复等全流程环节。
(5) 数据访问控制能力
企业对各类数据资产的访问权限、安全审计、操作审计等管控措施是否到位,内外部数据使用都受到有效管控。
(6) 数据生命周期管理成熟度
企业在数据的采集、存储、分发、应用、归档等全生命周期各环节的管理制度和技术手段的完善程度。
(7) 数据架构和工具支持
评估企业的数据架构设计是否科学合理,配套的数据集成、元数据管理、主数据管理等工具是否先进完备。
管理水平高低直接影响数据资产的质量和可用性,因此需要在评估体系中设置专门的管理类指标加以考量。
3. 数据资产评估模型介绍
对数据资产进行评估,需要借助适当的评估模型,根据评估目的、对象特点和可获得数据的情况,可选择定性评估模型、定量评估模型或是二者相结合的综合评估模型。
3.1 定性评估模型
定性评估模型主要依赖专家的主观经验判断,通过打分或确定等级等方式对数据资产进行评价。这种模型具有以下特点:
(1) 评估过程启发式和灵活性强
不受标准化数据的限制,便于发现问题的本质,把握评估对象的内在规律。评估者能够根据实际情况调整评估方法和标准。
(2) 适用于定性指标评估
对于诸如数据价值、管理水平等难以用量化指标表达的因素,主观判断较为合理。
(3) 评估结果受主观性影响较大
不同评估者的知识结构、经验背景不同,对同一对象的评估结论可能存在较大差异。
常用的定性评估模型包括:
德尔菲法通过多轮问卷调查、反馈和匿名小组讨论,最终达成专家组评估意见的一致。
层次分析法将复杂决策问题按层次分解为多个评估指标,通过构造判断矩阵、计算权重,得到各层次指标的权重系数,再汇总得出综合评分。
支持向量聚类利用支持向量机算法,从样本数据中挖掘出数据资产的内在结构和模式,根据相似性对其进行分类和评级。
主成分分析从原始指标出发,通过数学转换得到一系列新的主成分,用少量主成分概括原指标的绝大部分信息,再根据主成分评估。
定性模型虽然具有一定主观性,但专家经验积累丰富,往往能够捕捉到客观数据难以体现的内在规律。因此一些重视灵活性的企业,可以选择定性评估作为辅助方式。
3.2 定量评估模型
定量模型主要基于客观数据和量化计算,对数据资产进行评估打分。其特点是:
(1) 评估过程和结果较为客观、可复制。(2) 适用于可量化的指标评估,如数据质量、安全风险等。(3) 需要大量可靠的数据支撑。
常见的定量评估模型有:
数据资产打分卡模型构建包含质量、价值、风险、管理等评估维度的指标体系,对每项指标设置评分标准,根据权重计算总体评分。
资本化模型通过估算数据使用带来的收益,再扣除获取和维护数据的成本,得到数据资产的净现值或内部收益率等资本化价值。
统计模型利用数理统计、回归分析等方法,从历史数据中总结出影响数据资产价值的关键因素及其权重,并基于此预测新数据价值。
数据挖掘算法运用聚类、分类、关联规则等数据挖掘技术,发现数据资产内在的价值模式,并据此进行分级或计算价值分。
定量模型给出了相对客观、可复制的评估结果,但受限于评估指标本身的设计和数据质量,存在一定缺陷和误差。
3.3 综合评估模型
综合模型致力于结合定性和定量方法的优势,更全面合理地评价数据资产价值。例如:
模糊综合评价模型将定性评估结果和定量数据综合考虑,利用模糊数学理论进行计算,得到多维度打分和综合分值。
证据理论模型基于证据理论,将不同渠道、层次的证据信息有效融合,评估每类证据对最终决策的重要性,从而给出综合评估结果。
人工智能模型通过机器学习等技术,从历史数据中自动学习评估规则,并对新数据进行价值评分。还可集成人工评判作为模型输入。
总的来说,单一的评估模型都难以完全准确反映数据资产的真实价值。未来,企业应该致力于建立覆盖多种评估方法的评估框架体系,并根据实际情况有机结合使用,从而达到更加全面和科学的评估效果。
4. 常用数据资产评估模型分析
在现有的诸多评估模型中,多层次分析模型、模糊综合评价模型以及数据资产计分卡模型是较为常见和成熟的方法,下面分别介绍这三种模型的原理、特点及应用。
4.1 多层次分析模型(AHP)
多层次分析模型最早由美国运筹学家汤姆·萨蒂提出,是将复杂决策问题按层次分解的一种科学决策方法。应用于数据资产评估时,主要步骤包括:
(1) 建立层次结构模型
根据评估目标和指标体系,构建层次分析结构模型,自上而下一级一级展开分解。最上层为目标层(如评估数据资产价值)、中间层为指标层(价值指标、风险指标等)、最下层为方案层(每个具体数据资产)。
(2) 构造判断矩阵
在同一层次上两两比较各指标或方案的相对重要性,并用1-9及其倒数的无量纲数赋值,构建判断矩阵。
(3) 分析层次单排序及一致性检验
通过数学计算,得出各判断矩阵的特征值、特征向量、优先程度排序值。同时检验判断矩阵的一致性。
(4) 层次综合分析及排序
将各层次单排序结果按层次加权得到总排序,从而确定各个数据资产的相对重要程度和优先评级。
该模型将复杂评估问题层次化分解,符合定性分析思路,具有科学性和系统性。但矩阵计算复杂,评估过程受主观因素影响较大是其不足。
4.2 模糊综合评价模型
该模型借助模糊数学理论,将定性评估结果和定量数据进行综合运算,得到多维度的评价分数,并最终给出数据资产的综合评估结果。主要包括以下步骤:
(1) 建立评价指标体系
根据评估需求,构建包含各项评价指标的多层次评价体系。
(2) 确定评价等级及其评价矩阵
设置标准的评价等级,如优秀、良好、一般、较差等,并为每一指标设定对应的评价矩阵(即隶属度评分矩阵)。
(3) 确定各指标权重
通过专家评审、层次分析等方法确定各评价指标的权重系数。
(4) 单指标模糊评价
针对每项指标,以隶属度表示其被判定为各评价等级的程度。对定性指标由评估者主观给出隶属度,对定量指标通过隶属度函数映射计算得到。
(5) 多指标综合评价
将各指标对应的隶属度矩阵与权重系数进行模糊运算,得到综合的隶属度矩阵,即数据资产被评定为各等级的模糊概率分布。
(6) 评价结果确定
通过模糊数学算法,由综合隶属度矩阵确定最终的评价等级和数值分数。常用的算法有加权平均法、大小夹击法、主次候选排序法等。
该模型结合了定性专家评审和定量测度,能较好地处理复杂评价问题中的定性因素,具有评价结果直观、计算过程可跟踪等优点。但其也存在确定评价等级和隶属度评价矩阵时的主观性,以及在多指标运算时信息丢失等缺陷。
4.3 数据资产计分卡模型
此模型借鉴了企业绩效管理中的平衡计分卡理念,从财务、客户、内部流程、学习成长等多个维度构建评估指标体系,对每一维度进行量化评分,再根据权重计算综合得分。应用于数据资产评估时,通常包括以下步骤:
(1) 确定评估维度
评估维度一般包括数据价值、风险、成本、质量和管理等,也可根据企业特点调整。每个维度都是评估的一个关键方面。
(2) 构建指标体系
在每个维度下,进一步细化出具体的二级甚至三级评估指标,并设定相应的度量标准。
(3) 权重分配
通过专家评审或层次分析等方法,确定不同维度和指标的权重分配。权重反映了各项目的重要程度。
(4) 收集测度数据
针对每项指标,收集对应的客观衡量数据,对部分主观指标由专家评定分数。
(5) 计算得分
根据评分标准,对收集到的数据进行打分或标准化处理,并按权重公式计算得出各维度和总体评分。
(6) 分析评估结果
将评估分值与既定目标值对比,分析差距与缺陷所在,为数据资产管理优化提供依据。
此模型可直观反映数据资产的不同价值维度,并给出直观的定量总分,但也存在主观赋分、评分标准确定等不足之处。
上述三种模型各有利弊,在应用时需要根据企业实际情况、评估目的、可用数据等因素选择合适的模型或组合运用多种模型。总的来说,企业应构建涵盖多种评估方法的评估框架体系,充分发挥不同模型的优势,最终达到全面客观的评估结果。
5. 数据资产评估的实施步骤
实施数据资产评估是一个系统性工程,需要多部门密切协作,从准备工作到最终结果运用应循序渐进,遵循一定的标准化流程。基本步骤如下:
5.1 准备工作
(1) 明确评估目标
评估目标可能是估算数据资产价值、优化投资策略、发现质量缺陷、识别潜在风险等,确定明确目标有助于指导后续工作。
(2) 范围确定
确定评估的对象范围,既可以是企业整体数据资产,也可以是某一业务线或特定类型的数据资产。评估范围需要与目标相适应。
(3) 团队组建
评估需要多学科背景人员的通力配合,如业务、IT、数据管理、风控、法律等人员组成跨职能团队,明确分工和职责。
(4) 信息收集
全面收集与评估对象相关的现有资料,如数据目录、架构文档、应用系统清单、安全审计报告、合规政策等,为接下来制定评估方案做准备。
5.2 指标体系确定
根据评估目标和对象特点,借鉴行业内成熟的评估模型,构建包含数据质量、价值、风险、管理等维度指标的评估体系框架。然后根据企业自身业务实际,有针对性地优化或补充相关指标,形成切合本单位情况的指标体系。
同时对各项指标明确定义、度量口径和标准。确保指标体系的完整性、针对性和可衡量性,为量化评估奠定基础。
5.3 权重分配
对评估指标进行打分计算前,需要先对体系内各层次的指标确定其相对权重,反映不同指标对总体评分结果的重要程度。确定权重的方法主要有:
(1) 专家评审法
通过组织专家讨论和打分,比较各指标间的重要性大小,推导得出权重值。
(2) 层次分析法
构造判断矩阵反映各因素间的相对重要性,通过特征值计算获得各层次因素的权重值。
(3) 熵权法
利用指标数据本身的熵值,即其混乱程度或分散情况,来确定各指标对总体的影响程度。
(4) 主成分分析法
通过主成分分析降维得到数据中的主成分,将主成分方差贡献率作为权重。
(5) 统计分析法
通过回归分析等统计方法,从历史数据中分析各因素对结果的影响程度作为权重参考。
不同确定方法有各自优缺点,企业可结合实际情况择优选用或组合运用。同时对权重结果的合理性也需要进行审核把关。
5.4 评分和计算
按照指标体系和评分标准,全面收集与评估对象相关的定性和定量数据。对定性指标,邀请相关专家或利益相关方进行主观评分。对定量指标,则直接计算标准化分数。
然后根据设定的评估模型算法,结合各项指标权重进行计算,得到各个维度分数和最终的综合评估分数。同时输出评分过程的详细数据、计算轨迹、结果报告等,以便于分析诊断。
在实施评分和计算阶段,避免数据采集和处理的人工失误尤为关键,建议应用IT系统自动化工具对接数据源、执行计算逻辑。
5.5 结果分析及应用
评估的最终目的是为了发现问题、指导优化和支持决策。因此需要对评估结果进行深入分析:
(1) 与目标值对比
将总分和各维度分数与企业预期的目标评分对比,查找差距所在,分析原因。
(2) 发现薄弱环节
通过分解各项指标的得分情况,找出最薄弱的几个关键点,重点解决。
(3) 制定改进方案
对于评估发现的问题,如数据质量缺陷、管理制度缺失等,制定改进计划和措施。
(4) 持续监控跟踪
建立监控机制,定期复评,验证改进措施的有效性,确保评估在企业治理中的作用可持续发挥。
评估结果的应用场景主要有:
1) 数据资产价值评估对企业现有数据资产进行定期评估,全面考量其质量、价值、风险和管理水平,为数据资产的战略规划、优化投资决策提供依据。2) 数据资产分级分类根据评估分数,对企业数据资产进行分级分类,区别对待,高价值数据资产给予重点保护和挖掘,低价值数据适当削减成本管控。3) 数据资产投资组合管理在有限资源约束下,结合评估结果,优化企业在不同数据资产间的投资组合配比,平衡风险收益,实现最大化回报。4) 质量问题诊断与根因分析评估结果能够直接显示数据质量缺陷及其对应的影响程度,便于企业精准诊断质量问题根源,采取针对性的治理措施。5) 新技术价值评估与应用对于大数据、人工智能等新兴数据技术的应用场景和价值,评估结果能够为技术选型和产品化路径提供量化的决策支持。6) 合规性和安全评审评估结果可反映出企业在数据合规性、安全性等方面的表现,为相关的审计、检查等提供证据支撑。
总之,数据资产评估不应是一次性的工作,而要与企业数据治理和数字化转型紧密结合,通过持续的评估和改进反馈,不断提高企业数据资产的质量和价值,为企业创新发展注入新的动能。
参考阅读
数据资产类
数据资产管理解决方案
金融数据资产管理指南
数字化人才体系建设指南
如何构建现代数据治理体系
2024最权威数字化战略制定与实施指南
数据城投跑步入场
23家上市公司数据资产入表首批名单
解锁数据资产价值的金钥匙 —— 收益法评估指南
5个银行数据资产抵押贷款案例
数据资产合规评估指南
数据资产开发实施指南
全球数据资产交易模式
公共数据资产目录建设指南
公共数据管理运营方案（专业版）
数据资产评估成本法详解
数据资产类型详述
银行数据资产目录盘点
数据资产买方市场解读
数据科学才能释放数据资产价值
数据质量管理
数据资产目录建设指南
数据资产价值评价体系建设
2024数据平台建设指南
数据治理框架
数据资产入表指南
数据资产深度解析
数据管理指南
数据要素深度解析
数据资产运营
数据要素全流程
数据资产价值的主要影响因素
数据资产总路线图
数据资产开发全流程
数据科学类
数据科学在精准营销领域的应用
数据科学在银行行业的应用
银行数据资产目录盘点
2024如何成为一名优秀的数据科学家
数据科学才能释放数据资产价值
18种数据挖掘算法及应用场景
数据科学应用：狂奔的Netflix（奈飞）
数据建模的方法和步骤
数据挖掘和分析理论
10大常见算法模型与场景应用
商业创新类
AI大模型（LLM）教育产品设计方案
什么叫数据驱动型企业
创业者如何实现爆发式增长
最新英伟达CEO黄仁勋心路历程
AI入门必读两本书
Buffer:透明度极高的新型公司
10大AI工具，助你成为超级个体
