《“数据要素×”三年行动计划（2024—2026年）》实施进度过半，从工业领域以产业链数据提升运行效率，到交通运输领域以数据开发利用培育丰富应用场景，再到农业农村领域稳步推进数据要素的深度融合与创新应用亿鑫网，数据要素市场化、价值化正在取得积极进展。
数据资产化既是技术革命，更是一场涉及政策、市场、生态的系统性变革。当下，数据资产化方面在我国的落地情况如何？海量数据怎样变成核心资本？其中有哪些亟待解决的关键问题？
安永（中国）企业咨询有限公司金融服务科技咨询合伙人王朝辉近期在接受《中国经营报》记者专访时表示：“目前，宏观微观政策、市场参与主体的意识都基本具备了，但主要难点依然在于企业作为数据应用主体，如何应用数据改善服务水平、风险管理和经营决策效力，并在此基础上创新业务模式。建议政策法规可考虑在此层面进一步布局和提供指导。”
金融“风险决策”与制造业“效率优化”
《中国经营报》：目前，我国的数据资产化进程处于哪一阶段？真正将数据变为资产，还有哪些关键的卡点需要突破？
王朝辉：总体来说，可以将数据要素的发展划分为“资源化—资产化—资本化”三个发展阶段。如果对于该进程给予一个总体定位，我国正处于“资产化初步建设，资本化试点布局”的阶段，是数据资产化政策环境初步具备、基础设施逐步建设、市场参与主体意识基本具备的阶段，但距离真正实施数据资产化尚有一定的距离。
关键的卡点包括三个要点：第一是数据所有、管理、使用责权的明晰；第二是数据估值、定价等价值体系的建设；第三是基础设施建设及持续性运营管理标准的建设等。但综合来看，改变和突破的手段是多样和多方位的，其中跨行业、跨企业的数据资产化应用的大规模兴起，企业主体的数据应用普及化，是当前数据资产化向真正落地的最主要难点。
《中国经营报》：在数据资产化落地过程中亿鑫网，不同行业面临的共性挑战和个性挑战分别有哪些？比如金融行业和制造业有什么区别？
王朝辉：不同行业在数据资产化进程中，其内部数据治理、外部数据供应生态、企业数据应用能力上都存在显著不同。
以金融行业为例，在外部监管和内部管理双重驱动下，内部数据治理已经持续推动了近20年，已经基本建成较高质量的数据集；在外部数据供应生态方面，金融行业由于存在对外部数据强烈的需求，因此市场也自发形成了供给丰富的外部数据生态；在企业数据应用能力上，领先的金融企业已经建立了较为全面的数据智能化应用体系，基本覆盖了客户、营销、风险、运营、内控合规、数字化渠道、管理决策等所有领域。
无论金融业还是制造业，数据资产化过程根本上都是对于核心业务的变革进程，金融业的本质是资金的融通，价值跨时间、跨空间的交换，因此数据资产化的过程更关注数据要素传导出的风险决策能力。而制造业的本质是对物的转换，同样是在推动价值创造及交换，因此数据资产化的过程更关注供应链经营带来的效率优化能力。
《中国经营报》：安永《数据资产全生命周期管理体系建设白皮书》中提到，金融行业积极响应数据要素市场化改革，目前有哪些成功的实践案例？遇到了哪些困难，又是如何解决的？
王朝辉：金融机构在建立全生命周期的数据资产管理体系方面，已经积累了大量的经验。其中，国有大型银行已经建成了完善的数据治理体系、丰富的数据应用体系、高效的数据中台体系，而股份制银行近三年也在学习国有大行的基础上，进一步创新求变，尤其是在数据资产估值、数据资产融资等方面，利用其敏捷的机制、持续创新。
在困难方面，股份制银行和中小银行在数据资产化进程中面临不同的挑战。对于股份制银行而言，资源挑战是其最大的约束，建议企业在“数据领域”的资源配备，至少要达到“信息科技”领域的25%，但目前大多数股份制银行尚难以实现这样的资源配备；对于中小银行，其挑战更是多元，包括管理决策层的意识、业务部门深度应用数据的能力、是否具备专职的数据部门等。
金融机构在数据资产化方面的困难，能力问题不是主要障碍，金融行业已经建立了丰富的服务和产品生态，数据资产化进程中所需要的能力都能够从市场上获取。管理层的意识和战略定力、专职部门的创新求变和资源整合能力，是金融机构推进数据资产化过程中需要首先具备的条件——一方面，管理层需要认识和认可数据作为资产的价值，并能够保持战略定力，持续推动数据资产化工作；另一方面亿鑫网，专职部门作为企业数据工作的中枢，必须具备在数据管理模式、业务应用上持续创新，并有效整合内外部各方面资源的能力。
数据战略落地路径：转变定位创新机制
《中国经营报》：在建设数据资源管理工作方面，从数据战略体系构建到数据资源盘点与分类体系构建，再到数据资源治理，这一系列工作的重点和难点分别是什么？
王朝辉：以某股份制银行为例，其在数据战略体系、数据资产盘点、数据资源治理等方面，面临以下几个难点。
第一个难点在数据战略体系的构建。在此过程中，要避免数据部门唱独角戏，推动总行各部门、各分支行有效参与数据战略的识别和制定，重点在于数据部门必须转变自身的定位，以“主动赋能”的角度，启发业务部门应用数据来实现业务创新，进而根据数据应用的需要针对性开展“数据治理”。唯有切实创造了数据价值，数据战略才有其存在和执行的基础。
第二个难点在盘点出的数据资产难以理解和应用。建议要构建多维数据资产目录，不仅从IT系统的分类视角展现数据资产，更要从数据主题、数据应用等多维视角展现数据资产，常见的数据主题视角包括客户、产品、渠道、交易等，数据应用则按照营销、风险、监管等进行划分。
第三个难点在数据治理。核心难点在于企业内部责任主体和能力主体的不匹配，数据治理的责任主体在于业务部门，需要通过有效的数据认责机制、将海量的数据责任明确到各个业务部门，数据治理的能力主体通常在数据部门，只有他们具备数据治理所需的知识和经验。
在解决责任主体和能力主体的不匹配方面，我们通过实践总结了数据治理的“全权委托代理机制”，即业务部门将数据治理的工作委托给数据部门，数据部门代表业务部门全权开展数据治理工作（所有工作均需经过业务部门审核确认后才可实施执行）。“全权委托代理机制”在部分领先银行的实践中，有效地解决了责任主体和能力主体不匹配的矛盾，但该机制同时对数据部门提出了一定的资源配备要求，这需要企业的管理决策层能够给予资源的支持。
《中国经营报》：白皮书中提到数据资产估值和入表不同，估值应用更广，能促进数据治理和应用。企业在开展数据资产估值时，有哪些常用的方法和模型？如何根据企业自身特点选择合适的估值方法？
王朝辉：数据资产估值是一个经济学上的概念，数据资产入表是一个会计学上的概念，两者的内涵不完全一致。从数据资产估值的角度，收益法、成本法和市场法均适用，不同的估值方法面向不同的数据资产类型、不同的数据资产估值场景。数据资产入表则主要采用成本法。在“估值促进数据资产全生命周期管理”“数据资产交易”等场景中，可以尝试并广泛使用收益法开展数据资产估值，这些场景中的数据资产主要是算法模型等高价值数据资产。
《中国经营报》：金融机构为数据资产全生命周期建设制定战略时，在组织形式方面，需要考虑哪些因素？不同的数据团队设立模式（如集中式、分布式等）各有什么优缺点？如何根据金融机构的规模和业务特点进行选择？
王朝辉：数据应用团队的设立可以采用集中式或者分布式，数据治理团队的设立则主要采用集中式。
以数据应用团队为例，集中式主要是在数据应用团队统一构建数据建模团队，为业务部门提供算法模型的服务；分布式则将建模团队分散到业务部门；同时，在实践中并不会将所有业务部门的建模能力都统一构建在数据部门，如风险、内控，由于其管理领域的特点，通常会自建建模团队。
集中式模式的优点在建模能力、工具、规范的统一，进而能够实现持续的提升，挑战则在于跨部门协作的沟通成本较高；分布式的优点在于建模能力内置于业务部门，从而和业务的协作更为充分，挑战则在于规范性、新技术的应用等，通常受限于资源有限，提升较慢。
因此，对于中小金融机构，集中式的模式更有助于集中有限的资源，并根据不同时期业务需求的旺盛程度灵活调配资源，从而最大化企业的投入和产出比；对于股份制银行及以上的金融机构，可以根据业务部门需求的旺盛程度亿鑫网，在业务部门中设立数据建模团队。
道正网配资官网提示：文章来自网络，不代表本站观点。
