一文看懂 | 数据资源如何入表？有哪些步骤？（附课件下载）

​数据要素作为国民经济社会发展的第五大生产要素，已然成为经济的重要增长引擎。而数据资源入表将极大推动数据资产化进程，对于企业而言入表有利于显化数据资源价值，改善资产负债表、利润表。

那么，数据资源入表具体该怎么做？

星光数智首席架构师魏战松 在《星光对话》直播栏目中，给出了自己的见解，涉及13个内容版块，我们整理为上下两篇为大家呈现。（首席数据官高级研修班即将截止报名，欢迎垂询）

数据资源入表是数据流转的过程

数据在每个阶段都有不同叫法。比如，在数据资源之前叫原始数据，原始数据其实就是信息化过程中沉淀的数据，像订单数据、客户数据，还有一些设备数据，都是偏明细数据。有了原始数据，经过一定的加工处理，包括治理、统一汇聚等，会形成数据资源。

数据资源之后是数据资产，再者是数据产品，可以上架流通。基于流通，我们能够通过估值将数据资本化，比如融资授信，这是整个数据流转的流程。

这其中会涉及一个争论点：是先有数据产品还是先有数据资产？我个人认为，先有资产再有产品，原因为何？

因为数据资源经过治理之后，输出更多的是一个模型或者一些API，这部分内容叫资产没问题，它们通常是对内服务，我们可以理解为数据内循环。比如，生成的分析模型、可视化报告，或者用户标签画像，都是企业内部数据应用的场景，它产生的价值对于企业决策有帮助，我们认为它就是数据资产。

在数据产品层面，更多是对外的，所谓的外循环。简单来说，企业可以把数据产品上架到数据交易所、数据交易平台，让下游用户或者供应商用户去购买，也就是将数据以商品的形式上架并且交易流通。

观点总结：目前数据资源入表及运营全流程，更多还是从概念上把整个数据流转的一个过程。而按照流程的先后性，先有资产再有产品。

数据资源入表具体要做什么？数据资源化、资产化、产品化

关于数据资源入表具体要做哪些事项？总体来说，包括从数据资源化到资产化再到产品化3个阶段。

首先是资源化。即数据资源的梳理，包括合规确权，还有确权之后的治理和管理，从而输出数据资源。

第二个是数据资产化。数据资产化基本上是以场景为驱动，比如可视化报表，或者预测模型，这些就是企业的数据资产，而可视化报表后端也有对应的宽表分析模型，因此可以认为资产就是数据模型化的输出产物。

数据资产化要做4件事情：

• 首先是质量评估，要评估数据的好坏，它的一致性、准确性，都要做评估；

• 其次是入表前的成本归集和分摊，根据财政部《企业数据资源相关会计处理暂行规定》，基本上都要用成本法入账，即搞清楚每个数据对象或者数据表，消耗的人工成本、服务器成本、存储成本、计算资源成本、以及相关的确权维护成本等等；

• 之后就是列报，将它在资产负债表里进行展示和披露，这个过程是需要审计的，所以需要会计事务所参与进来；

• 接着就是数据产品的孵化，目的是输出有价值的数据应用场景，使数据资产的价值增值，再往后就是具体产品化的增值价值。

举个例子，企业有款数据产品每年卖给运营商，收入有100万，那么就可以通过收益法对产品做估值，然后预估这个产品的增值，这个增值是可以做产品抵押授信的，通过将数据产品抵押给银行，由银行授信1000万的贷款额度。

接着是产品化的流通和交易环节。这个环节也需要数据交易所参与，通过把商品上架到数据交易平台，找到数据消费者、数据购买者，实实在在的产生数据交易带来的收入。

最后是资本化。基于估值拿到金融机构的授信额度，然后做数据资本化融资授信、抵押贷款、或以数据做投资入股等。

观点总结：数据资产入表和运营具体干的事，是将数据资源化、资产化，再到产品化。前面部分叫入表，后面部分叫资产的增值运营。

数据资源入表及运营各阶段参与方

整个入表过程涉及环节较多，包括资产梳理、合规确权、数据治理、质量评估、资产评估、成本分摊、入账审计，以及资产交易评估、数据上架等等。每个阶段都需要有法律依据，还有内外部的参与方，需要输出阶段性成果。具体可以参考下图：

重点强调以下几点：

1. 在数据资源梳理阶段，更依赖企业内部的开发规范，包括基础数据的维护和管理细则等，相当于是数据标准制定的依据，主要由IT部门牵头，业务部门负责提供系统信息。而作为牵头团队，IT通常要对接数据厂商，搞清楚企业到底有哪些数据资源，最终输出的数据字典，以及数据资源的分类分级，最终输出数据资源目录等信息。

2. 对于数据价值评估，需要明确它是不影响入表的，那为什么要做这件事情？主要是判断数据有没有减值。正常入表是成本法和收益法两者取较低值，换句话说，如果评估该数据没有价值，就算成本比较高，也不能按照成本法来入账。财政部这样规定，是为了避免数据资产虚高的情况。因此，即使企业在某个项目的存储、管理上都投入了成本，但它的价值评估是0，这种情况也是存在的。

3. 数据产品孵化运营，主要是基于国家数据局颁发的“数据要素x”3年行动计划里面的内容，涉及12大场景。比如针对交通、农业，输出相关应用产品，或者把企业物流数据、供应链数据，甚至是研发数据，包装成产品去服务客户。

观点总结：数据资产入表和运营，在成本归集和分摊阶段前，更多是IT部门或者数据部门牵头，业务部辅助，之后财务部门主导更多。同时，每个阶段都需要外部机构参与。正因为入表涉及多个内外多个部门，企业更需要提前了解清楚。

数据资源梳理五步法

关于第一个阶段数据资源梳理，具体要做的事情，可以总结为五个步骤。

• 明确梳理范围：企业到底要梳理哪些业务系统的数据，即确定数据梳理的组织范围、业务范围、系统范围，统一数据资源梳理模板。

• 梳理数据资源内容：整理和编写数据资源内容，包括实体、数据项、指标、模型等，以及数据血缘、更新、存储、运维情况。

• 评审数据资源清单：基于内部数据管理制度，确定评审机制，评审数据资源有效性、完整性、一致性等，并管理评审问题。在做评审时，要确保数据资源是经过治理的、准确的、一致的。

• 优化改进调整：依照问题对梳理内容、定义及模板进行优化改进。

• 发布数据资源清单：通过业务评审，发布数据，资源清单，数据资源目录、数据来源、业务口径、技术属性等。

合规与确权

梳理完毕后，企业要借助外部机构比如律师事务所，做合规和确权评估，以确保这个数据真的是企业所拥有的，这是数据资源入表的第一个原则，即企业拥有和控制，也就是数据来源要合规。

如果不是企业生产的数据，那来源就不合规了，包括存储、处理机制也要符合安全规定。最终由专门的律所事务所出具法律意见书，给出处理法律意见。只有确保在数据处理过程中一定是符合规定的，才能更好地保障后期入表、审计、估值工作。

数据治理与管理

整体来说，就是完成数据采集加工、治理，还有服务的动作。在完成的过程中，要对数据标准质量进行监控，包括原数据溯源跟踪，相关元数据分析、一致性分析、影响分析，这也是数据中台领域在做的事情。不管企业找哪家厂商，核心内容都是把数据从原始状态，加工成内部直观想看到的过程。

此外，数据治理和管理还包括建立数据治理和质量提升的长效机制。因为数据是源源不断产生的，那么数据的问题也会不断出现，所以数据治理不是一次性的，是持续性动作。

数据质量评估

数据质量评估其实是为后面入表估值来做判断的。数据经过治理之后，还要对质量进行6大方面的考核，包括规范性、完整性、准确性、一致性、时效性、可访问性。

首先，我们要确定质量评价对象，明确具体评价的是哪个库、哪个表、哪个业务主题，或者某部门、某业态的数据，然后把数据拿出来做专门的评估。同时也要制定内部质量评价指标，即考核指标，比如一致性要考核数据重复率、数据唯一性、脏数据出现率等。另外还要对数据做集合，即采集数据质量评价的数据，通过集合规则得出指标值，然后进行考核评分。每一个评价维度，都会有一个权重，通常准确性的权重会相对高一点。

针对评价结构还需要做分析和解释，比如数据评价为什么不好，哪里有问题，是数据经常出错、数据不全还是完整性缺失等等，在输出质量评价报告后，再对评价结果提出改进措施。如果数据不全，是通过人工还是上传的方式，把数据补全？如果是准确性不够，可能就要做阈值的集合规则，提前发现数据，然后再回溯到业务口径，把数据修正掉；如果加工逻辑有问题，就先追溯原因，基于原因做相关问题的修正。

观点总结：从数据资源梳理到数据质量评估，中间涉及的环节和细节较多，企业考虑与经验丰富的大数据厂商合作，可以减少探索成本。

结语

下篇，我们将继续呈现《数据资源入表及运营路径拆解》余下的6个板块内容，想获取直播课件的可点击图片提前领取。

下篇前瞻：

成本归集计量

成本归集分摊

数据产品孵化运营

数据流通和交易

数据资本化

入表难点