CDAM 第一章数据资产管理理论

最新推荐文章于 2025-05-16 14:05:46 发布

数据夜航船

最新推荐文章于 2025-05-16 14:05:46 发布

阅读量863

点赞数 10

文章标签：人工智能数据数据资产 CDAM 、DAMA

本文链接：https://blog.csdn.net/weixin_54194264/article/details/145990334

版权

在数字化时代，数据已成为组织最核心的资产之一，深刻改变着生产、生活方式和社会治理方式。DAMA数据资产管理理论为数据资产的管理和运营提供了系统性的指导。以下是本章节的重点内容：

一、数据的定义与价值

数据的定义：数据是对信息的记录，是客观的、无序的，作为新型生产要素，数据已融入生产、分配、流通、消费和社会服务管理等各个环节。
数据的价值：数据是数字经济发展的关键生产要素，蕴含着巨大的经济价值与社会价值。数据资产是指可以作为资产入表或交易的数据资源，具有独特性，如确权难、估值难、不会消耗、无形等特征。

二、DAMA数据资产管理的10项财会原则

问责原则：组织必须确定对各种类型数据和内容负有最终责任的个人。
资产原则：数据内容是资产，应像物理或金融资产一样进行管理、担保和核算。
审计原则：数据和内容的准确性要接受独立机构的定期审计。
尽职调查原则：必须报告已知风险，并确认可能存在风险，包括与不良数据管理实践相关的风险。
持续经营原则：数据对组织的成功、持续运营和管理至关重要，不是临时手段或业务副产品。
估值级别原则：在最合理或最容易测量的级别上对数据进行估值。
责任原则：基于监管和伦理，存在与数据及内容有关的滥用或管理不当的财务责任。
质量原则：数据准确性、数据生命周期和内容会影响组织的财务状况。
风险原则：与数据和内容相关的风险必须得到正式确认，无论是作为负债还是作为管理和降低固有风险的成本。
价值原则：数据和内容的价值基于满足组织目标的方式、可流通性以及对组织商誉的贡献来判断。

三、以数据为中心的组织

定义：数据不再只是业务过程的附属品，而是独立的资产。以数据为中心的组织将数据作为资产估值，在生命周期所有阶段进行管理，包括项目开发和持续运营阶段。
转变：组织必须改变将战略转化为行动的方式，数据不再被作为流程和业务产品的附属，业务处理的目标是为了得到高质量的数据。有效数据管理成为企业致力于通过分析获得洞察、制定决策时的高优先级事项。

四、数据资产入表的步骤

数据资产入表分为以下六步：

数据资源和数据资产的盘点：由数据团队和业务团队完成，输出物为数据资产目录。
数据合规的审核和确权：由第三方机构（如律师事务所、会计师事务所、数据交易所等）和数据团队完成，输出物为合规和确权文书。
数据质量评估：由数据团队和业务团队完成，输出物为数据质量报告。
确定场景和收益：由会计师事务所等第三方机构和数据团队完成，输出物为场景和收益报告。
成本合理归集与分摊：由会计师事务所等第三方机构和数据团队完成，输出物为成本归集和分摊报告。
数据资源入表和披露：由会计师事务所和数据团队完成，输出物为会计报表和年终审计等。

五、数据质量的PDCA循环

定义：PDCA循环（Plan-Do-Check-Act）是质量管理的基本方法，用于数据资产入表管理中的数据质量管理。
应用场景：当现有数据资产的数据质量测量值低于目标值、新数据集增加到数据资产中、对现有数据资产提出新的数据质量要求、业务规则、标准或期望发生变更时，需要开展PDCA工作。
具体环节：
- Plan（计划）：确定入表数据的数据质量目标和策略。
- Do（执行）：根据计划进行实际的数据处理和分析工作。
- Check（检查）：对执行结果进行评估和检查。
- Act（行动）：根据检查结果采取措施改进数据质量。

六、数据质量管理的实施路径与原则

实施路径：包括制定数据资产标准、搭建数据资产质量平台、实施数据资产质量监控、开展数据资产质量评价和强化数据资产质量运营五个阶段。
原则：共有十条，其中最重要的是数据优先原则，其他原则包括标准驱动、客观测证和透明度、嵌入业务流程、系统强制执行、生命周期管理、预防、根因修正、治理、重要性。

七、数据安全管理

数据安全管理是数据资产管理的底线，主要内容包括：

明确安全策略与规范：制定数据安全策略和操作规程，设定数据访问权限。
数据分类与保护：对数据进行分类，识别敏感和核心数据，进行加密存储和传输。
强化数据质量控制：在数据入表前进行清洗、验证和去重，建立数据质量检查机制。
数据安全审计与监控：定期审计数据资产入表过程，实时监控数据访问和修改行为。
加强人员管理与培训：对参与数据资产入表的人员进行安全教育和培训，建立岗位责任制度。
建立应急响应机制：制定应急预案，定期进行应急演练。
利用先进技术保障安全：采用加密技术、数据脱敏技术和访问控制技术，利用大数据分析和人工智能技术进行实时监控和预警。

八、DIKW和DRAC模型

在数据管理领域，DIKW和DRAC是两个重要的模型，它们从不同角度阐述了数据的价值实现路径。

1、DIKW模型
DIKW模型描述了数据通过层层加工转化为智慧的过程：

Data（数据）：原始的、未经加工的事实和记录。

Information（信息）：经过整理和加工的数据，能够回答“是什么”的问题。

Knowledge（知识）：对信息进行分析和归纳后形成的规律性认识，能够回答“怎么做”的问题。

Widom（智慧）：基于知识的深度理解和应用，能够回答“为什么”以及“如何做出最佳决策”的问题。s

核心要点：数据通过信息、知识的转化，最终为业务赋能，间接实现其价值。

2、DRAC模型
DRAC模型则强调数据作为生产要素的直接价值：

Data（数据）：作为基础资源，是所有后续价值的起点。

Resource（资源）：数据经过整合和管理后，成为可利用的资源。

Asset（资产）：当数据资源具备经济价值、可被管理和计量时，就成为资产。

Capital（资本）：数据资产进一步参与市场交易和投资，形成数据资本。
核心要点：数据通过资源化、资产化和资本化，直接实现其经济价值。

九、数据治理与数据资产入表

数据治理是数据资产入表的前提和基础，它通过一系列管理活动确保数据的质量、安全和合规性，从而为数据资产的会计核算和信息披露提供支持。

数据治理的重要性
数据资产入表要求数据资源满足资产确认条件，如具有经济利益、可靠计量、企业控制等。这些条件的实现离不开数据治理的支持。数据治理通过以下方面发挥作用：
- 数据质量管理：确保数据的准确性、完整性、一致性、及时性。
- 数据安全管理：保障数据的完整性、保密性和可用性。
- 数据标准管理：统一数据的定义和格式，便于管理和应用。
- 元数据管理：帮助企业和组织识别、分类和评估数据资源。
  核心要点：数据治理为数据资产入表提供了可靠性和合规性保障。
数据资产盘点计划
数据资产盘点是数据治理的重要环节，包括业务视角和技术视角两个方面：
- 业务视角：从业务流程出发，梳理制度文件、流程表单，识别关键数据，定义数据的分类体系和业务属性。
- 技术视角：从系统数据出发，探查数据结构、存量、增量和存储方式，定义数据资产的技术属性。
  具体步骤：
1. 开始盘点：按照计划清点数据资产，确保记录准确无误。
2. 核实结果：通过交叉检查等方式，确保盘点结果的准确性。
3. 处理差异：对盘点结果与实际情况的差异进行调查和修正。
4. 编制报告：形成盘点报告，包括资产清单、盘点表格和盘点结论。
  核心要点：数据资产盘点是企业了解自身数据资产状况的基础，为后续数据治理和入表工作提供依据。