[数据概念|方案实操]数据治理如何支撑数据入表与资产化及价值实现

最新推荐文章于 2024-06-24 14:24:07 发布

yyri

最新推荐文章于 2024-06-24 14:24:07 发布

阅读量952

点赞数 21

分类专栏：大数据数据资产化文章标签：数据资产化数据入表

本文链接：https://blog.csdn.net/yyri/article/details/137557006

版权

大数据同时被 2 个专栏收录

58 篇文章 5 订阅

订阅专栏

数据资产化

58 篇文章 9 订阅

订阅专栏

“ 数据资产入表是推动数据资产化的关键第一步。”

加强数据治理，推动数据入表，已成为新发展格局背景增强企业竞争力的关键。

在近日贵阳大数据交易所主办，光大银行承办的“新要素新资产新发展——数据资产价值共创主题论坛”上，毕马威发表了以“数据治理支撑资产化入表与价值实现”为主题的演讲，下边我们就演讲内容跟大家做一个分享，看看四大咨询机构是如何看待数据入表的。

01—演讲主旨

近期我国陆续发布了多项政策文件，致力于推动数据资产化和价值化的发展。这些政策不仅涉及促进数据要素市场的形成、完善基础制度建设和规范，还详细阐述了数据要素市场规则的要点，为数据资产化和价值化提供了坚实的政策基础。

此外，财政部出台的《企业数据资源入表会计处理暂行规定》进一步规范了企业数据资源的会计处理，加速了数据资产化和价值化的进程。这些政策举措有利于加快发展数据要素市场，推动数字经济的健康和持续发展，并为企业的数据治理提供了明确的指导。

毕马威陈立节认为，数据治理的关键在于建立统一的数据规范和流程，涵盖数据质量管理、安全管理以及流程管理等方面。通过构建健全的数据治理体系，企业能更有效地管理数据资产，确保数据的准确性和完整性，提升数据的质量和可信度。同时，数据治理还能降低数据泄露和滥用的风险，保护企业的商业利益。关于数据资产化入表的问题，陈立节建议企业应将数据资产体现在财务报表中，更真实地反映企业价值。这样做不仅有助于提升企业的透明度和信誉，还能为企业带来更多的融资机会和资本支持。企业需要建立完善的数据资产评估体系，包括数据资产的分类、计量和价值评估方法。毕马威也将凭借其深厚的技术实力，帮助企业实现数字化转型和可持续发展。

02—数据资产化策略框架

在数据资产化的策略框架中，分为三个主要部分，全方位为企业制定了数据资产化的实施路径。

在“知止篇”中，他着重阐述了明确数据资产相关定义的重要性，对数据资源、数据资产、数据要素等核心概念进行了详尽阐释，并确立了数据资产化的目标及其双循环模型。通过对关键事件线索的整理，他帮助企业更准确地把握数据资产化的前进方向。

在“何为篇”中，陈立节从企业的实际操作出发，提出了具体的数据资产化实施步骤。他详细说明了企业如何真正理解并推进数据资产化，以及如何将数据资源纳入财务报表。通过运用专业的方法和策略，他助力企业实现数据资产的有效管理和应用。

最后，在“未来篇”中，陈立节关注企业的长期发展，提出了“六度实修要点”，指导企业如何在市场纷扰中保持清醒，专注于加强数据资产管理和运营的实践。他从目标升级、体系重构、管理强化、产品创新、运营升级、合规保障等六个维度，为企业提供了全面的发展策略。同时，他还提出了虚实结合、有生于无、内外兼备、行藏以养、动静有致等五大核心理念，为企业的数据资产化策略提供了全面的指导。

03—数据资产化推进方法

陈立节在讨论数据资产化的推进方法时指出，数据资产化的首要步骤是对数据资源进行清点和确保数据的合规性。这包括通过自主开发和授权运营对数据资产进行管理、运营和安全评估，以提升数据的可利用性、便捷性和安全性，为数据资产的价值实现打下坚实的基础。在完成数据资产化的基础流程并形成闭环后，为了将数据资产纳入财务报表，需要与“数据管理部门”、“法律合规部门”、“业务部门”、“绩效考核部门”、“科技部门”和“财务部门”等协同作业，共同推动企业完成数据资产入表的相关工作。

04—数据资产化入表与价值实现

在数据资产化入表与价值实现上。毕马威在数据战略、价值释放、数据治理、数据资产运营等方面制定了一系列配套保障机制。同时结合最近数据市场管理，总结出“建、管、用、评”，以及“采集、连通、汇聚，盘点、规置、治理，融合、敏捷、引导，评估、评议、评论”一体化的数据管理体系。

建

首先，企业需要建立健全的数据基础，包括数据的采集、贯通和汇聚。采集指的是确定采集哪些数据，其范围、标准和要求是什么。贯通则涉及内部各部门和系统之间的互联互通，以及与业务场景和流程的对接，避免数据、业务和技术之间的脱节。汇聚指的是将不同业务部门的数据集中到一个统一的数据平台上进行统一管理。

管

在建立数据基础之后，企业应转向数据的管理，这包括盘点、归档和治理三个环节，这些都是数据治理的传统做法。盘点是对数据进行分类和分级，建立目录，然后根据数据资产目录制定标准和规范进行治理，确保数据质量和合规性。

用

接下来是数据的应用，这包括融合、敏捷和引领三个要素。融合是指将数据治理与业务应用相结合，找到具体的业务场景，如客户营销，分析数据质量、安全合规性以及是否需要脱敏等因素，开发相应的营销数据产品。敏捷是指在规划好业务场景后，迅速开发并落地实施，将数据治理的理念和要求与开发过程相结合。引领是指引导业务部门有效地利用数据，包括选择合适的技术手段、模型和算法，以及寻找外部机构进行合作。