在当今的大数据时代，数据已经成为数字经济的核心资产，被广泛认为是基础性资源和生产资料。全球主要国家已经认识到其重要性，并纷纷启动了各自的大数据战略，以充分利用数据的潜力，推动经济增长和创新。
近年来，得益于云计算、移动互联网、智慧城市、物联网和5G等前沿技术的发展，各行业和企业在数据获取和积累方面实现了爆炸性增长。目前，中国正迅速从数据资源大国向数据强国转型。根据国际数据公司IDC的一份报告预测，到2025年，随着物联网等新技术的持续发展，中国产生的数据量有望超过美国，成为全球数据产出的领头羊。
本文将深入探讨数据资产化的相关概念、重要性以及实施过程中的关键阶段。
数据是将客观事物的特征、状态和相互关系以可辨识的符号形式记录并存储于某种媒介上。它们不仅是信息的物理载体，而且经常被直接视为信息本身。数据可以是实际观察得到的事实记录，其概念已经从传统的数值和字符扩展到了包括文本、声音、图像、照片和视频等多种形式。
随着数据量的急剧增长，数据不再仅仅是记录信息的简单集合，它们积累到一定量级后，可以被视作一种资源，具备进一步分析和挖掘以获取更高价值的潜力。这种数据资源可以通过数据交易、数据驱动的决策支持等方式实现其潜在价值。在多数情况下，人们通常将原始数据及其作为资源的形式统称为“数据”。
1、数据交易
企业与组织可以在合法合规且保障个人隐私的前提下，通过合作、交易、租赁等方式向外部提供数据产品，并从中获得直接的经济收益，这是数据产生价值的一种直接方式。除了直接的经济收益，数据还具有通过服务社会和组织创造社会效益和经济效益的潜力。
在数字经济时代，数据被视为一种私有资产，其重要性堪比农业革命的土地和工业革命的资本。关于数据权属的问题，需要考虑数据主体、数据控制者、数据处理者等不同角色的权责关系。
国际上在数据领域的立法较早，例如，欧盟在2018年5月25日实施了《通用数据保护条例》（GDPR），对个人数据、数据控制者、数据处理者和数据接收者的权利和责任进行了明确的规定。个人数据指的是与已识别或可识别的自然人（数据主体）相关的任何信息。
- 数据控制者是指能够决定个人数据处理目的和方式的实体，
- 数据处理者是指代表数据控制者处理个人数据的实体。
- 数据接收者则是接收数据的实体，但在特定法律框架下接收个人数据的公共机构不被视为数据接收者，其对数据的处理应遵循适用的数据保护规则。
更多详细内容，推荐下载《大数据建设方案》：
https://s.fanruan.com/5iyug
分享行业真实的数字化转型案例，以及方案架构图
数据处理者与数据控制者之间的的权力业务
（1）数据处理者必须依据数据控制者的书面指示来处理数据，并需确保其员工遵守相关的保密规定。他们还需在数据安全、防止数据泄露以及进行数据保护影响评估等方面给予数据控制者必要的协助。
（2）数据处理者在未经数据控制者同意的情况下，不得将数据处理工作转交给其他服务提供者。即便数据控制者提供了一般性的授权允许分包，一旦分包商发生变化，数据处理者有责任立即通知数据控制者，后者有权利提出异议。此外，数据处理者需对其分包商的所有数据处理活动负全责，并确保将必要的数据保护措施传递给任何二级分包商。
当数据处理服务结束时，除非法律规定必须保留数据，数据处理者应当彻底删除数据或将全部数据返还给数据控制者。
2、 数据分类
数据分类是一个系统化的过程，它根据数据的特性和属性，遵循既定的标准和方法，将数据进行区分和归类。通过建立有序的分类体系和排列顺序，组织可以更高效地管理和使用数据。有效的数据分类机制使组织能够针对不同类别的数据实施定制化的管理策略。
此外，从标准化的角度来看，不同类别的数据关注点各异。分类后，组织可以为每种类型的数据设定特定的属性要求。在标准的制定阶段，可以创建相应的模板以简化信息收集和属性定义的过程；在标准实施阶段，可以根据数据的类别采取相应的执行策略。数据分类的最终目标是构建一个企业级的数据管理和保护框架，它决定了数据保护的安全控制水平和整体数据管理的效率。
（1）数据分类原则
数据分类应当遵循以下核心原则：
- 科学性：必须基于数据的多维属性及其逻辑联系，实施科学化和系统化的数据分类。
- 稳定性：分类体系应基于数据中最为稳固的特征和属性来构建，以保证分类的持续性和可靠性。
- 实用性：分类应具有实际应用价值，避免创建无效的类别，且应与广泛认可的数据分类理念保持一致。
- 扩展性：分类方案应具备广泛适用性和足够的灵活性，以适应组织内各类数据的分类需求，并能适应未来数据分类的新要求。
（2）数据分类方法
数据分类可以通过以下三种基本方法进行：
- 线分类法：这种方法通过一系列选定的属性或特征，将待分类的对象（事物或概念）依次划分成多个层级，形成一个有序、层级化的分类系统。在这个系统中，初始的类别称为上位类，而从上位类细分出来的类别称为下位类，与上位类直接相关的下位类之间构成同位类，它们之间相互并列，而下位类与其上位类之间则存在从属关系。
- 面分类法：此方法将对象的多个属性或特征视为多个独立的“面”，每个“面”可以进一步细分为独立的类别。在实际应用中，可以根据具体需求，将不同“面”中的类别进行组合，以构成一个多维度的复合类别。
- 混合分类法：这种方法结合了线分类法和面分类法的特点，以一种方法作为主导，另一种方法作为辅助，从而形成一种更为灵活的分类方式，以适应复杂多变的分类需求。
（3）常见的数据分类
数据分类可以通过以下几种方法进行：
- 按数据主题分类
根据行业特点，数据可被归类为不同的主题。例如：
金融行业数据可能涵盖当事人、银行业务、市场营销、财务风险、协议、产品服务、事件、渠道、资产和地理区域等。
电信行业可能包括市场销售、产品、客户、服务、资源、供应商合作伙伴和公共业务等数据。
电力行业可能涉及战略、项目、设备案例、电网、市场、人员组织、财务、物资、信息和综合数据。
健康医疗行业可能包含基因组学数据、检验检测数据、影像数据、临床数据、药物数据、医疗费用数据和智能可穿戴设备数据。
餐饮物流行业可能包含客户资料、港口地点、资金财务、订单状态、轨迹和资源等数据。
教育行业可能包括教职工、学生、教学教务、科研、资产财务、管理和招生等数据。
烟草行业可能涉及烟叶、物资、零配件、成品、客户、订单和项目等数据。
- 按数据产生主体分类
数据可以根据其来源被分类为个人数据、企业数据和政务数据。个人数据包括个人特征和行为数据，如姓名、电话、住址等。企业数据源自企业的生产和经营活动。政务数据由政府机构在履行职责过程中产生或收集。
- 按数据格式分类
数据还可以根据其结构化程度被分类为：
结构化数据：可以通过关系型数据库进行存储和检索的数据。
半结构化数据：如XML格式，具有局部结构化特性，可通过类似SQL的方式处理。
非结构化数据：如图片、视频、音频等，需要专用技术引擎进行解析和处理。
- 按数据获取方式分类
可分为第一方数据、第二方数据和第三方数据。
第一方数据是企业在自身业务活动中直接获取的数据，企业拥有完全的控制权。
第二方数据通过中介服务获得，如支付平台获取的交易数据，其使用受到一定限制。
第三方数据通过技术手段如网络爬虫间接获取，其产权和使用权较为复杂。
数据要成为可独立经营的资源并发挥其资本作用，必须经过资产化过程。数据资产化的意义广泛，主要包括以下几个方面：
1、有助于确立权利体系
数据资产化有助于建立包括所有权、使用权和控制权在内的完整权利体系。资产化后的数据可以合法占有，明确产权和利益归属，为数据合法利用提供基础。此外，资产化管理防止数据非法占有和获取，保障数据技术和应用科学的发展，同时保护数据所有者的个人与财产权利。
2、规范分发传递
数据资产化使数据的分发和传递过程有法可依。类似于知识产权，数据资产化后，其独占使用、排他使用和一般使用的权利分割体系为数据的自行使用和分发使用提供了公认的规则。这确保了数据的合法使用和分发，对数据产业的可持续发展至关重要。
实现价值形式：数据资产化增强了数据价值的全方位实现。数据的价值在于其使用，而时效性是其利用价值的关键因素。资产化不仅允许数据所有者利用数据，还应包括任何合法潜在用户，以及通过加工处理、出让、转让、抵（质）押、证券化等合法形式实现价值。
3、构建评估体系
数据资产化简化了构建数据价值评估体系的过程，促进了数据定价和流通。现有的资产价值评估理论和标准体系为数据资产评估提供了通用原理和操作规则。结合数据资产的特性，可以形成被社会广泛接受的评估方法体系，对数据资产的进一步开发和利用具有重大意义。 综上所述，数据资源的资产化是实现其作为生产要素价值的关键，对数据技术和产业发展具有决定性影响。
数据必须通过资产化这一关键步骤，才能具备作为数据资产的属性。至今，数据资产的演进已经经历了多个发展阶段。数据资产的发展历程可划分为三个主要阶段：业务数据化、数据资源化和数据资产化。
在业务数据化的初始阶段，数据的作用仅限于描述业务流程和实体事项。随后，在对数据进行深层次的价值挖掘与利用之后，数据便转化为可供利用的资源，即实现了数据资源化。最终，在数据资源经过规范化、价值化处理，成为可量化、可交易的资产时，便完成了数据资产化的过程。
1、 业务数据化阶段
业务数据化是指利用数据作为记录和表达现实世界中各类业务和现象的手段。在这一阶段，我们主要集中于数据的生成和积累，形成丰富的数据素材库。根据数据来源的不同，我们可以将数据归纳为三种主要类型：
（1）第一方数据
这指的是企业通过自身的生产和经营活动直接获得的数据，属于企业所有的数据集合。
例如，电商平台通过日常销售活动掌握的消费者基本信息，或者通过深入处理和分析得到的消费者行为和市场需求数据。此外，还包括科研实验、政府公共部门、问卷调查和行业部门等渠道获取的第一手数据。这些经过处理的第一方数据能够为企业创造经济价值。
（2）第二方数据
随着产业分工的进一步细化，大型企业在专注于自身核心竞争力的同时，会将部分运营数据的处理工作外包给其他公司，这导致了专业大数据服务商的出现。
这些服务商通过为不同行业的企业提供技术服务，积累了大量的行业数据、广告营销数据和用户行为数据。虽然这类数据在一定程度上受制于与数据提供方的协议，但企业仍具有一定的控制权。
（3）第三方数据
主要指通过网络爬虫、文本挖掘工具甚至黑客手段从互联网或各类公开及非公开文档中获取的数据。这类数据并非来源于收集企业自身的交易或项目，但对数据搜集者而言，它们具有一定的经济价值。包括百度等搜索引擎的爬虫系统所收集的数据也属于此类。
目前，许多数据的版权声明并不明确，尤其是涉及个人隐私的数据，由于立法现状的限制，其所有权界定不清晰，这常常导致企业间的争议和纠纷。
在业务数据化的阶段，企业主要依赖的是第一方数据。这些数据通常来源于企业内部的业务操作系统，例如企业资源规划（ERP）系统、内容管理系统（CMS）以及营销系统等。这些系统在企业的日常运营过程中自动记录和生成数据，它们包括基础数据、原始数据和明细数据。企业或机构会将这些数据整合到其业务流程之中，以支持决策制定和业务优化。
2、 数据资源化阶段
在数据资源化的阶段，数据的利用不再局限于其原始的业务背景，而是进行更深层次的价值挖掘。这一阶段涵盖了数据管理、数据治理、价值挖掘以及数据的融合与应用等多个方面。
数据通常来源于多种渠道，具有异构性、跨多个流程和适用多种场景的特点。通过对第一阶段生成的数据进行有效的治理、管理和应用融合，可以提升数据的规范性和标准化水平。数据资源化覆盖了数据从采集、存储、应用到销毁的整个生命周期，旨在促进数据在内部增值和外部增效两个维度上的价值实现，同时控制数据管理过程中的成本。
从业务、技术和管理三个维度来看，数据资源化可以分为多种类型：
（1）从业务角度看数据资源化有哪些类型
数据经过整理和分析后，可以形成对外提供服务的数据产品。不同应用领域对数据的价值和需求各异。例如，在电商领域，研究者可能会关注消费者的购买行为来探索商品之间的关联，从而优化商品推荐系统；也可能关注消费者的购买决策过程，以理解影响购买的因素。
（2）从技术角度看数据资源化有哪些类型
数据资源化包括大量数据的采集、存储、分布式计算和对突发事件的快速响应。这一过程要求能够处理和解析各种格式和类型的数据，包括数据的加工、识别和解析。
（3）从管理角度看数据资源化有哪些类型
数据资源化还涉及到数据共享、数据价值、数据安全、数据质量、主数据、元数据、数据模型、数据标准、制度体系和组织架构的管理。
由于数据在不同业务和系统中的流动性，数据资源化需要实现跨系统和跨业务的全面治理。这要求有专门的机构来进行统筹规划、决策、协调和推进，以确保数据的保值和增值。
3、 数据资产化阶段
数据资产化是将数据从其原始业务背景中抽象出来，作为一种独立资产进行社会化流通的过程。这一过程涉及到数据通过交易、流通、抵押和融资等多种方式实现其价值的变现，标志着数据应用和挖掘的最高阶段。
（1）数据被精准应用
在数据资产化的高级阶段，数据不仅被精准应用于民生治理、金融风险控制、用户画像、健康医疗和供应链管理等多个实践领域，而且还能够促进数据的采集与再生成，形成可持续的数据资产创新生态系统，推动大数据产业的持续繁荣。
（2）数据价值被最大限度挖掘
随着数据量的不断增长和应用场景的日益多样化，数据间的关系变得更加复杂，使得问题数据在庞大的数据集中难以被发现。利用智能化手段探索和梳理结构化数据与非结构化数据间的关系，可以节省大量人力并快速发现并处理问题数据，从而显著提升数据的可用性。
在数据交易市场尚不成熟的情况下，扩大数据使用者的范围并增强其挖掘数据价值的能力，对于最大限度地开发和释放数据价值至关重要。
然而，目前关于数据资产化的概念尚未形成统一的认识。这一方面是由于相关条件尚未完全成熟，另一方面是由于数据资产价值评估尚未达成共识，价值认定方面存在分歧。需要从理论、方法和技术等方面提供支持，以促进价值认定获得更广泛的认同和实现。这不仅有助于数据在组织内部的流转，也使得数据能够在社会上自由流通，实现其作为资产的全部潜力。
随着数据资产化的概念和实践不断深入，企业和社会已经认识到数据不仅是一种资源，更是一项宝贵的资产。通过将数据转化为资产，企业能够更有效地利用数据来驱动决策、优化运营、创新产品与服务，并最终实现价值的增长。然而，数据资产化的道路仍然充满挑战，包括数据价值评估的标准化、数据交易市场的成熟化以及数据安全与隐私保护的严格化。
展望未来，数据资产化需要跨学科的合作和创新，包括法律、技术、管理和商业等多个领域的共同努力。企业需要建立更加完善的数据治理框架，确保数据的质量、安全性和合规性。同时，随着数据科学和人工智能技术的发展，智能化的数据管理和分析将成为提升数据资产价值的关键。
此外，为了推动数据资产化进程，还需要相关法律法规的支持和市场机制的完善。这包括对数据权利的明确界定、数据交易的规范化以及数据价值评估体系的建立。通过这些措施，可以促进数据的合法、高效流通，实现数据资产的最大化利用。