三、企业数据资产入表前准备工作
首先来回答题主的第一个问题：数据资产入表前有哪些准备工作需要做？
对于数据资产入表，目前市场是大多是在探索中进行，很多走在前面的企业已经开始着手部署入表这件事，也有一些企业有计划做，但不知道从何处入手。对于后者，其实在正式开始入表工作前，下面这些准备工作可以先做起来。1.数据资源的初步梳理
首先数据资资源的初步梳理。目前对于大部分企业去开展数据资源全面盘点会特别困难，因为如果真正要完整来盘点现有的所有数据资源，大概要花半年以上时间，所以可以先做一点初步梳理。初步梳理也就意味着，可以有重点的去圈定认定入表可能性比较大的数据内容，先做一个初步梳理工作。
2.财务和业务制度流程细化
第二基于初步梳理的结果，要对现有的制度流程进行细化，包括业务的制度流程和财务的制度或者流程。
财务的制度流程指的是，因为数据资产入表，无非就是无形资产、存货或者是进入损益三种情况，涉及到会计制度里有关数据资产怎么计量、怎么认定，那么相应的基于前期梳理要做相应适配，比如在什么类型的数据在满足什么条件下可以作为无形资产，在满足什么条件下可以作为存货，在不满足什么条件下要作为损益进入单期费用，这个是相关的会计政策、会计制度要做相应的调整和优化。同样的，业务上配套的管理办法也要跟得上。如果一旦产生新的数据源要做认定和判断一定要有细的流程，而财务的认定和判断只是总体的会计认定原则。细的流程应该是业务部门或业务联合数据科技部门联合颁布，比如24年1月1日开始每天业务端新产生的数据，数据产生过程该怎么进行维护管理， 产生过程所需要的核算、所需要的信息披露、所需要的信息谁来采集，这就涉及到日常长效的工作流程，需要由业务部门和数据部门去制定。
3.开展详细的试点工作
第三件事是可以开展详细的试点工作，就是围绕初步的梳理结果、围绕两份制度直接就把现有数据资源进行精细化的盘点分类、科目认定、成本归集，以及做试点入表的具体准备工作，可以形成很详细的模板、详细的工作底稿。
4.系统工具配置
有些企业可能第一步、第二步做的比较早、比较充分，如果还有时间的话可以考虑到的是系统工具。
目前很多企业现有的相关系统平台工具，已经有具备相关的功能了。比如企业有IT项目管理的系统工具，开发软件是会立项的，立项以后跟软件相关人员投入、资源投入都会通过项目管理平台工具去进行成本归期、成本采集。同样的数据资产与软件很类似，因为软件也是无形资产，未来数据资产如果作为无形资产来认定的话，很多的功能跟IT软件、项目管理的这个工具很类似，可以把项目管理工具功能套过来，适用于数据资产的管理功能，在参数上做配置，单独把它作为一类，就可以实现成本归期了。但也要求企业在开展数据资产管理的过程中，要把数据资产当成项目来管理， 也就意味着如果以前是很散的来开展数据资源采集、加工、处理，那可能就很难套了。如果企业要把数据做成一个产品把它立项，一旦立项后可以通过现行的立项项目管理办法、项目管理工具，来执行相关的具体工作， 所以如果有时间的话 ，可以想办法通过已有的工具进行参数配置和改造适用于未来的简版入表。
那么什么样的数据可以入表？入表的条件是什么呢？
第一：资产是一项由过去的交易或者事项形成的资源。一层含义是指资源的形成一定是过去就已形成了，而不是正在形成的或者是现在还没有形成预期未来能形成的。第二层含义是资源是通过两种途径形成的，一种是通过交易形成的，第二种是通过事项（自己主动去采集、开发）形成的。
第三：资产预期能够给企业带来经济利益。一是指目前手上的资源不强求现在就能够产生现实的利益，而是认为他能够产生预期利益；第二层意思就是它必须能够带来经济利益。
数据资产入表可以分三步走
第一步是入表形成原始资产，第二步是形成无形资产收入，第三步是形成存量资产。
原始资产入表是指系统建设及数据生成等所产生的成本费用，以成本法入表，构成数据资源的初始资产价格。就是说现在，不管有没有做数据治理，你手头如果是有数据，至少这些东西是有可能成为数据资产的。这个时候，先不去考虑未来怎么变现，如果有大量的数据可以形成资产，就先以成本法的方式进行入表，将原来不可计量的这个数据，以货币计量的形式变为你的资产，然后接下来可以用来调节企业的利润表以及资产负债表。此外，通过将数据资源进行成本法入表，首先就已经把手里可以产生经济价值的数据资源做了一次梳理，然后通过梳理也基本知道了未来如果开发或售卖数据产品大概应该怎么定价。
在这个步骤中，也分为三小步。第一步是前置条件阶段，第二步是准备阶段，第三步是实施阶段。
如果一家企业连基础的信息化系统都没有，就不具备数据入表以及数据资产化的条件。如果企业已经完成了信息化建设，接下来需要做的是对企业的数据治理程度和数据管理能力先做一个必要的评估。目前市面上可以依据的标准DCMM以及DAMA两个标准，都能帮企业确认自己是否具有有效利用自身数据的能力。还有一个是数据资产的入表前改造工作。这里主要涉及的是数据分类分级工具准备、数据成本计量工具准备、财务系统准备等。
（2）准备阶段
首先需要确认资产类型，是无形资产还是存货。此外还需要确认资产类别和安全等级，开始做分类分级相应的工作。
（3）实施阶段
需要做数据资产成本构成梳理，梳理清楚钱都花去哪儿了；此外还需要进行会计计量入表，即具体以什么科目记录成本；后续计量准备涉及到，一旦入表，以什么形式摊销，如果存在减值或者要终止的时候，需要怎样进行确认。第二步，形成无形资产收入
什么是无形资产收入？像加盟费跟特许经营是无形资产，然后还有软件授权使用费及其他由无形资产产生的应收款等，都是无形资产收入。如果走的是非存货、即无形资产路线的话，能有效地规避现在由于政策供给层面没有跟上导致的数据确权问题。因为如果走无形资产路径的话，就不是直接卖数据，而是提供数据服务。比如对于部分不能直接出售的数据，可以软件或者其他的方式脱敏，然后提供一个计算结果，在此过程中，由于看不到原始数据，从某种意义上就能避免一些法律上的问题。这些交易也能证明资产预期会给企业带来的经济利益。只有证明了预期的价值，才能用收益法跟市场法给资产估个好价。这个阶段的工作拆分也是前置条件、准备阶段和实施阶段这三步。
首先企业需要问自己一个问题：我的这些数据是否真的有市场需求，未来想创造出来的，不管是商业模式还是销售计划，可行性到底有多高，市场上是否存在真正的需方。如果没有做这一步，很有可能会花了非常大的成本，造出来一个市场上无人买单的产品，造成巨大浪费。接下来还需要考虑，数据需方愿意以什么方式进行付费，这里主要涉及价格以及付费方式的问题，这决定了数据能否形成稳定、持续的收益。
（2）准备阶段
现在数据交易所主要会分以API、或数据包或数据模型的方式来交付数据产品。如果走无形资产路线，卖的就不是数据本身而是数据服务，所以可选择数据模型或数据软件服务的形式。软件产品以特许经营、软件授权等方式来产生可持续现金流。
（3）实施阶段
这是又一次系统建设的过程，具体说来可以叫做数据产品开发。数据产品的供给渠道搭建可分为直销和分销。数据产品的结算系统搭建非常关键，因为结算在哪里往往决定了分钱在哪里，这也就决定了，最有动力的人在哪里。这个利益分配机制的搭建非常重要，尤其当走分销路线时。
数据品牌的建设也至关重要，现在是数据要素的建设时期，也就是初步发展时期，但经济学告诉我们，每个细分行业里面，最终只会有少数几个品牌存活下来。所以市场的参与者需要从一开始就建立营销体系以及品牌意识，为下一阶段的残酷竞争做好相应准备。特别是在数据市场里，因为数据可以无限复制，具有弱排他性，这也就造成虽然整体市场会非常大，但是每个行业里市场份额并不会太大，只能支撑少数几个品牌活下来，所以数据产品的营销工作至关重要。
第三步：形成存量资产
存量资产是指企业所拥有全部可确指的资产，企业的应收账款、其他应收款、无形资产都属于企业的存量资产。这里重点要指出的是应收账款和其他应收款，数据一旦成为数据商品，只要交易量上来，就会形成数据相关的应收账款，还有存货相关的抵押账款等，这些款项都能形成业内所说的金融资产。只有形成了众多金融资产的情况下，才能构建金融资产池，然后才能走到金融化这一步。而金融化往往实现模式就是证券化。形成存量资产的后续影响是数据的货币化。一旦数据资产能实现证券化，从某种意义上数据本身就变成了货币。
如果未来要做到数据货币化，真正应该形成的是基于数据产品为标的物的可持续现金流的产生，并基于此形成应收账款。要将买卖关系变成借贷关系，再变成投资产品。比如房地产市场的整个发展历程，就充分证明了这个理念。
数据作为新时代重要生产要素和战略资源的地位已然确立，数据治理作为激活数据要素价值的基础工程，已成为各行各业抢抓数字化发展先机的焦点和主战场。数据治理是一个囊括了顶层设计、数据治理体系建设、数据服务和数据洞察多个模块，并不断循环改进的闭环体系。本文从数据治理实施的流程体系出发，梳理了数据从战略到应用的治理过程，以期给广大政企提供方法论与思路参考。
01 数据治理顶层设计
1、规划数据战略
数据战略是企业为了实现其长期目标在数据方面所做的方向性的选择和资源的聚焦。它是一个以终为始的路径，企业要做好数据战略的规划，就得在明确自身定位的前提下，找准目标和方向，然后再做出相应的路线规划。
数据战略来自对业务战略固有数据需求的理解：组织需要什么数据，如何获取数据，如何管理数据并确保其可靠性以及如何利用数据。一般来说，数据战略有以下三种基本类型：2、成立数据治理委员会
数据治理项目的实施绝非是一个部门的事情，必须由上往下统筹，建立专业的数据治理组织体系，确定对数据进行管理的责权利，即数据的产生者、使用者、拥有者和管理者。
在数据治理建设初期，需先成立数据治理管理委员会，从上至下由决策层、管理层、执行层构成。决策层决策、管理层制定方案、执行层实施，从而进行层级管理、统一协调。
一套奖惩有序的数据治理绩效考核体系，能帮助企业规范数据管理流程，落实数据治理相关方的职责，从而提升整体数据质量，实现数据战略。考核指标包括两个方面内容：一方面是对数据的生产、管理和应用等过程的评估和考核指标；另一方面是数据质量的评测指标。数据治理的绩效考核6大基础维度：数据治理人员、数据质量问题、数据标准贯彻、治理策略执行、技术达成、业务价值实现。数据治理的绩效考核4大方式：日常考核、定期考核、系统自动考核、人工考核。
02 数据治理技术体系
1、元数据管理
元数据是企业数据的DNA。元数据管理则是对元数据的创建、存储、整合、控制的一整套流程，是数据治理过程的一部分。基于业务需求，元数据管理系统建设可分为以下4大模块：(1) 元数据获取：各阶段元数据的统一收集、存储和输出。包括自动获取和手工获取两部分。(3) 元数据功能：包括元数据基础操作（查询、新增、修改和删除等管理操作）、元数据分析（包括业务指标一致性分析、数据血统分析、数据影响分析等）、元数据权限管理以及元数据服务封装等。(4) 元数据应用：包括元数据基础能力开放、报表指标优化清理应用、指标运算关系分析应用等。
2、主数据管理
主数据是数据之源。围绕主数据需求开展的数据治理工作，往往成为各类组织推进业务数字化的首要任务。主数据项目实施的标准流程，分为咨询规划和实施落地两大部分，主要是4大步骤，分别是现状分析评估、体系规划、实施规划、平台搭建与落地。
(1) 现状分析与评估：了解企业现状，识别企业当前问题以及数据管理成熟度。
(2) 体系规划阶段：就要去设计企业内部的一个组织架构、企业的主数据管理制度、考核办法标准规范以及主数据运营怎么去设计。(3) 主数据实施：有了一个顶层设计规划之后，就要去落地主数据实施，制定编码分类、属性、字段、审批流程、整合清洗分发、集成切换策略等，主数据实施的过程中是根据这些策略去执行的。(4) 平台落地：将主数据实施内容了解清楚之后就到主数据管理平台上去进行落地了，包括主数据模型、主数据维护以及主数据治理相关的内容落地。
3、数据标准管理
数据标准化是企业进行数字化转型的根基。数据标准与企业数据管理的每个域都相关，是数据治理工作的最基础内容。数据标准的建立通常有5个步骤，包括标准分类规划、标准体系建设、标准评审发布、标准落地执行、标准运营维护。
（1）标准规划：构建数据标准分类框架，并制定开展数据标准管理的实施路线。
（2）标准制定：在完成标准分类规划的基础上，定义数据标准及相关规则。（3）标准发布：征询意见，在完成意见分析和标准修订后，进行标准发布。（4）标准执行：把企业已经发布的数据标准应用于信息建设， 消除数据不一致。（5）标准维护：根据业务的发展变化以及数据标准执行效果不断更新和完善数据标准。
4、数据质量管理
数据质量管理是对数据从计划、获取、共享、维护、应用、消亡生命周期的每个阶段里可能引发的各类数据质量问题，进行识别、度量、监控、预警等一系列管理活动，并通过改善和提高组织的管理水平使得数据质量获得进一步提高。全国信息技术标准化技术委员会提出了数据质量评价指标（GB/T36344-2018 ICS 35.24.01），它包含以下几个方面，分别是完整性，一致性，准确性，时效性，唯一性和可访问性。
（1）定义高质量数据：对数据质量改进的目标和优先级事项达成一致。（2）定义数据质量战略：数据质量优先级必须与业务战略一致（3）识别关键业务和质量规则：确定关键数据后，识别梳理数据质量特征要求的业务规则。（4）执行初始数据质量评估：执行初始数据质量评估，定义可操作的改进计划。（5）识别改进方向并确定优先级：分析问题的业务影响，最终讨论确定优先顺序。（6）定义数据质量改进目标：量化业务价值，设定具体的、可实现的目标。（7）开发和部署数据质量操作：围绕数据质量方案制定实施计划，管理数据质量规则和标准、监控数据与规则的执行一致性，识别和管理数据质量问题，并报告质量水平。
5、数据交换共享
当数据从一个系统跨授权边界访问或传递到另一个系统时，就需要使用一个或多个协议来指定每个组织的责任、要访问或交换的数据类型和影响界别、如何使用交换数据，以及在交换系统的两端处理、存储或传输数据时如何保证数据安全。数据交换主要用于实现不同机构不同系统之间进行数据或者文件的传输和共享，可以帮助消除数据孤岛，提高信息资源的利用率。数据资源交换共享与开发应用平台按数据的流向自下而上分为5层，分别为外部数据资源层、数据汇聚层、数据融合层、服务管理层和服务门户层。（1）外部数据资源层：即源数据库，为系统外部数据的来源。（2）数据汇聚层：根据获取数据的特性采用相应采集方案整合外部数据源。（3）数据融合层：为工程数据提供持久化存储和访问的场所。（4）服务管理层：主要包括目录管理、资源管理、服务管理、交换管理等功能。（5）服务门户层：通过服务门户和接口支持，提供标准化服务给应用系统调用。
6、数据安全治理
数据安全管理是用来实现和维护数据保密性、完整性、可用性、可核查性、真实性和可靠性的过程。
数据安全问题贯穿数据全生命周期的各个环节。在新形势下，要做好数据安全治理，就要做好企业的数据安全防护能力建设，建立起一个强保障且动态化的安全保护机制。这个机制的攻坚点主要是三个方面：完善数据安全治理规划，提高数据安全技术防护能力和加强数据安全审计。
（1）完善数据安全治理规划：评估数据安全现状，识别数据安全需求，完善数据安全治理组织规划和制度保障体系（2）提高数据安全技术防护能力：主要包括自动化数据分级分类和精细化数据权限管控，并从防御风险、识别风险、预测风险、解决风险四个方面，来提升组织的抗风险能力。（3）做好数据安全监控审计：除日常审计外，还需进行以业务线为单位的专项审计。
7、数据生命周期管理
数据生命周期管理是一种基于策略的方法，包括数据的创建、使用、归档和销毁的策略和过程。（1）数据创建：利用数据模型保证数据完整、执行数据标准保证数据准确、加入数据质量检查创建准确、保证数据在合理的系统生成。（2）数据使用：利用元数据监控数据使用、利用数据标准保证数据准确、利用数据质量检查加工准确、确保数据在合理的系统使用、控制数据的派生。（3）数据归档：利用评估手段保证归档时机、分数据类型归档数据。（4）数据销毁：利用评估手段保证数据销毁时机，分数据类型销毁数据。
1、数据资产管理与运营
数据作为企业一种“特殊资产”，已被列入企业的资产负债表。怎样识别数据资产、有效管理和运营数据资产，利用现有的数据资产创造价值，也是数据治理中的一项重要工作和目标。从技术上拆解数据要素价值的生成路径，企业数据要素与资产运营的建设路径可分为三个关键阶段：数据资源化、资源产品化和产品价值化。（1）数据资源化：把不同来源的数据经过必要的加工、整合和处理，在物理上按照一定的逻辑归集后达到“一定规模”，形成可重用、可应用、可获取的数据集合。这个阶段需要数据战略规划方法、构建数据能力体系、建立企业数据治理体系。（2）数据产品化：企业通过自己组织或有效授权给外部机构，以数据使用方需求为导向进行数据产品的研发。这一阶段包括建立数据资源可能的应用价值图谱、分析目标客户的数据需求及应用场景，选择合适的测试客户、联合共同组织数据产品及其技术开发。（3）产品价值化：数据产品已经可以放在数据要素交易市场上进行买卖了，能够带来持续的收益。这一阶段需要建立数据资产化战略、构建数据资产管理体系、实现数据资产的经营管理。
数据服务是指为用户提供数据相关的各种服务和支持的一种业务模式，包括数据收集和整理、数据分析和洞察、数据可视化、数据安全和隐私、数据应用和功能这5方面。（1）数据收集和整理：收集各类来源的数据，并对其进行整理和组织，使其更易于理解和使用。（2）数据分析和洞察：对收集的数据进行分析和挖掘，找出其中的模式、趋势和关联性，实现智慧决策。（3）数据可视化：数据服务可以将复杂的数据以图表、图像或其他形式进行可视化展示，使用户更容易理解和解释数据。（4）数据安全和隐私：采取安全措施，确保用户的数据在处理和存储过程中安全可靠；同时也会尊重用户的隐私权，保护用户的个人信息不被滥用或泄露。（5）数据应用和功能：为用户提供各种应用和功能，满足不同领域和行业的需求。
（待续）
查看全部 0 条评论