智库访谈 | 王建峰：掘金”数据资源，开启数据资产化时代

3月13日晚，我们有幸邀请到了中国两化融合应用联盟副理事长、国家工业大数据工程实验室特聘专家、《数据治理驱动的数字化转型》书籍主编王建峰，做客《智库访谈：聚焦两会》直播栏目，为我们带来了一场《掘金”数据资源，开启数据资产化时代》的主题探讨。

以下根据直播访谈内容整理：
物联网智库视频号可观看直播回放

数据资源与数据资产

近年来，企业在信息化和数字化建设方面取得了显著进展，尤其在人力资源、财务管理、生产流程和业务运营等关键环节，积累了丰富的数据资源。

2019年，数据被正式认定为新型生产要素，并纳入中央文件《关于构建更加完善的要素市场化配置体制机制的意见》中。围绕数据资产化的讨论也开始如火如荼地展开，企业也逐渐认识到并开始挖掘数据资源的巨大价值。

在今年的全国两会上，众多代表提出了关于如何管好用活数据资产的建言。

智次方：企业里的所有数据都是资产吗？什么样的数据资源能够看作是企业的数据资产？

王建峰：我们知道企业的各环节都积累了大量的数据资源，这些数据根据其特性和处理方式，可以分为结构化、非结构化和半结构化数据。此外，数据还可以根据其用途被归类为主数据、业务数据和分析数据等。这些数据的生命周期和对业务的价值各不相同，有的可能仅保留数天，而有的则要保留很多年，数据的质量也参差不齐。因此，并非所有数据都能被视为数据资产。

一些白皮书上对数据资产做了定义：数据资产特指那些由企业拥有或控制，能够为企业带来经济利益，并以物理或电子形式记录的数据资源。

在实际应用中，只有那些能够为企业创造价值的数据才能被称作数据资产。有些数据在其生命周期内未能得到有效利用，或未能对业务产生实质性价值，这些数据通常不能被视为资产。而那些质量低劣的数据，甚至可能对业务决策产生负面影响，自然也不能称之为数据资产。

数据资产通常指的是那些能够为企业带来价值，经过加工后能支持业务战略的数据资源。例如，通过数据进行设备预防性维修、优化库存成本、流程优化、产品创新、服务创新，以及推动数字化转型和业务模式创新等，都是数据资产的典型应用场景。

目前，许多央企正在开展数据资产管理项目，往往可能分成这么几个步骤。
企业首先进行数据盘点，对生成的数据进行整理和规范。然后，通过加工将数据转化为数据资源，这些资源通常集中在BI和分析层面。资产化则是评估这些分析对企业业务的具体影响，如通过数据分析优化库存，或通过提升数据质量来确保决策的数据驱动性。

简而言之，从数据本身到数据资产的应用，是一个逐步转化的过程。尤其是国家对数据资产入表的政策支持，企业在数据资源盘点和资产化方面的工作将更加坚实。许多企业正在此基础上，推进数据资产的入表工作，为数据资产管理打下良好基础。

数据资产入表的机遇与挑战

去年财政部印发了《企业数据资源相关会计处理暂行规定》，首次从政策角度提出企业数据资产入表相关办法。数据资源被视为一种资产纳入财务报表，这也成为数据资源化走向数据资产化的关键一步。

智次方：数据资产入表会对企业/行业带来哪些影响？

王建峰：实际上，在去年颁布数据资产入表的政策之前，我国对数据资源和数据资产的探索与实践已有深厚的历史积累。

2019年，首次提出数据是生产要素的观念。作为生产要素，数据无疑需要得到有效管理，并在企业生产、经营以及社会交易中发挥其作用。

2022年，我国出台了“数据二十条”新规，明确了数据权属的三种形式：资源持有权，加工使用权，以及产品经营权。这就意味着，数据的流通和交易不再仅限于资源的拥有者。

2023年，我国发布了两项重要法律，分别是数据安全法和个人信息保护法，从而确保了数据交易的合规性。

随后，颁发了关于数据资源纳入资产负债表的暂行办法。

从这个过程中可以看出，数据被正式视为资产，是数据作为生产要素管理的落地体现，这与以往仅在口头或文件中提及数据资产概念有很大区别。数据资产入表对我们的社会具有划时代的意义，体现了我国在这一领域的独创性创新。

数据资产入表实际上是数据资源化、资产化、资本化的必经之路。这一变革将直接影响企业的资产负债率。在此基础上，企业的数据资产化和资本化得以加强，对企业开展数据信贷、数据融资、数据入股乃至数据证券化等活动具有深远的影响和重大的意义。

那么，哪些企业或行业可能在这个过程中受到较大影响呢？
其实我们可以发现，数据生产和采购类企业，由于数据的生产量和需求量较大，因此它们可以选择资本化的方式来处理相关的支出。数字化程度高、数据产出频繁且数据治理规范的企业，如金融、医疗、电力、电信、交通和零售等行业，将受到显著影响。

当前，数据资产入表的实践仍处于探索阶段。企业在合规性和数据价值计量方面面临挑战，需要进行创新和突破。传统的会计管理办法并不完全适用于数据资产，因为数据资产与传统资产有着本质的不同。尽管数据可以归类为无形资产，但我们需要对它进行标准化处理，以适应会计和资产管理的需要。

比如，我们需要对数据资产进行分类。目前，业界普遍认为数据资产应先产品化，然后才能进行价值计量并纳入资产负债表。然而，对于“数据产品”的定义，国内尚未有明确的共识。它可能包括数据集、算法模型或其他工具，但缺乏一个统一的界定。因此，企业在内部需要对数据资产进行明确的分类和定义。

其次，我们需要对数据资产进行标准化，包括资产编码、描述标准等。这涉及到资产的名称、类型、适用场景等关键信息。此外，数据资产的减值处理等也与传统资产有所不同，这些都是在现有框架下需要突破的领域。

实现数据资产入表的常态化是关键。许多人可能认为数据资产入表是一次性的工作，但实际上，它应成为企业日常记账的一部分。一旦数据资产被纳入账目，其成本可能会随时间变化，这就要求企业进行持续的管理和更新，确保数据资产的准确性和时效性。

智次方：对于数据入表这样的动作，如果从长远的数字化转型或者数据资产管理的角度来看，它具有哪些价值和意义？

王建峰：首先，我们常说数据是资产，但可能并没有真正的把它视为资产。就像企业中的设备是资产，我们会衡量设备的投入产出率，进行维修维护，避免非正常停机对企业带来的影响。然而，对于数据，我们可能并没有这么重视。很多企业还没有用数字化的思维去思考数据对企业的贡献。因此，当我们把数据作为资产入表以后，企业对数据的重视程度肯定就不同了。我们会明白，数据的质量越高，它的价值就会越大。对它的减值、增值都会产生影响，自然会更加重视。

其次，我们可以从长期来看，把数据纳入资产负债表，对于社会总体的经济收益应该会有所增加。我们把无形的数据视为资产，社会的总资产随着对数据的重视程度的提高，也会增加，这对整个社会的影响是深远的。

最后，我们意识到土地经济已经发展到了尽头，需要用新的方式和模式去突破。许多专家也主张从土地财政向数据财政转变。这需要我们在整个数据交易过程中，考虑到数据元素会产生税收，然后再分配到社会的不同资源配置上，这对社会可能也会产生影响。

数据资产化实施思路

数据资产落地后，企业也会开始逐步对内部数据进行综合盘点和评估，从而确定哪些数据是可自用的、哪些可用作交易、哪些计为成本。

智次方：企业开展数据资产化的过程中，有没有可以遵循的一些思路和方法？

王建峰：在我们的企业中，对于数据的价值有两个方面的认识，一是对企业内部的赋能，二是通过数据交易产生价值。因此，我们对于数据资产的路径应该从整个过程中去理解。首先，我们现在面临的问题是很多企业的数据质量不高，这对于我们的应用会产生巨大的影响。因此，大家提出了从源头进行数据治理，即从数据产生的时候开始就控制其质量，保证在整个数据供应链过程中，能达到形成数据价值的要求。

我们需要从数据的生命周期出发，从数据的采集、传输、存储到应用，甚至数据的消费过程中，都需要进行良好的管理。

在我们企业中，对于数据资产，我们现在的想法可能是：一是数据资源化，即对数据进行加工，形成不同的资源，以更好地赋能于我们的企业；二是进行数据资产化，即度量数据对企业内部赋能的能力，或者用指标化的方式度量它。比如，我们需要分析数据产品对我们的客户服务创新和产品创新产生的价值是多少。接下来，就是数据资本化，即通过数据在企业中不断增加价值，实现数据证券化和数据融资。很多企业可能通过数据在其他企业融资，因为数据本身就有价值，我们需要把它资本化，最终可能从国家层面形成新的数据财政模式。我们认为这是一个路径，即数据的资源化、资产化和资本化。同时，我们通过数据交易，形成数据对企业对外的价值贡献。

另外，我们也有观点认为应该把数据形成数据产品，而数据产品不一定就是对外的产品。从数据供应链来看，企业内部也是一个数据供应链。对于整个社会产业来说，它也是一个供应链的过程，即数据供应链和数据产品。在数据资产化的过程中，如果我们能把这些理念融入进去，对于企业和整个社会来说，应该是一个良好的路径。

在数据资产入表新规出现以前，我们处理过一些大型央企的数据资产管理项目，但我们发现，我们实际上处理的并非数据资产，往往可能是数据资源。为什么这么说呢？因为现在所谓的数据资产盘点是一项庞大的工作。

我们首先需要对数据资产进行分类，然后在整个公司内进行盘点。许多企业将数据资产和数据资源的盘点对象放在数据仓库，数据湖，或者湖仓一体数据中台这样的数据基础设施里，并没有从整个公司所有的系统所有的数据去做盘点，因为这项工作非常庞大。这就是我们所说的数据资源，也就是已经整合过的数据。

我们现在的大多数企业仍处于盘点阶段，也就是我们将数据清晰地盘点整理到系统中。然后，如何利用这些数据呢？我在企业中经历过的一个场景很典型，就是我们做了数据资产后，然后形成数据产品，或者叫数据资产产品，然后将其放在数据资产管理平台上。这是资产化的过程，但在这个过程中，我们也必须对其进行认定。这个资产对我们的企业，不管是从战略上，业务上，还是我们说的人财物产供销，确实起到了重要的作用。然后我们将其上架，企业中的不同部门，不同的数据使用者，可以通过平台去检索有哪些数据资产。当然他们看到的是对数据资产的描述，而不是具体的数据。如果他可以从业务上分析和使用，他就可以申请使用，然后通过数据管理员或者我们称之为数据管家，通过API的方式将数据配置给他，然后进行应用。

对于需求可能有两方面，一方面可能是纯粹需要这些数据，另一方面可能需要通过这些数据，或者通过几类数据构建一些分析模型。现在可能更重视数据科学，比如预测等等，这些人工智能可能通过这些方面的应用，形成了一个完整的应用链条。然后，在数据资产应用过程中，我们还需要重视数据安全，不能让数据泄露出去，不能让不应该看到的人看到这些数据，对于企业的价值或者企业会产生负面影响。特别是当一些数据涉及到国家安全时，我们需要在数据的使用过程中特别重视数据安全，像数据的加密脱敏可能都需要采用这些措施，包括在使用过程中可能还需要有一些监督监控的机制。

这是一个从数据资源形成数据资产的过程，它就像我们的商场模式。但是这个过程是通过治理，组织等实现的。同时，我们还需要对资产进行评价，看看这个资产使用后好还是不好？我们可能会做一些标签，对其进行一些定量或定性的评价，同时对资产有一个维护的意义。

如果这个资产非常好，我们可能会在这个基础上增加，因为数据是一直在增加的，我们对其进行维护。如果在某些方面可能有问题，我们可能还需要采取一些措施，比如在质量、及时性、完整性方面可能要进行一些管理，使资产在企业中真正产生更好的价值。这是我见过的比较好的管理链条，也就是说它是数据真正作为资产去管理起来了，而不是只是将其整理好了放在那。