明略科技：数据资产化是如何实现核心数据要素价值的
共 3979字，需浏览 8分钟
·
2021-03-05 19:26
2020年4月，中共中央国务院发布了《关于构建更加完善的要素市场化配置体制机制的意见》，《意见》首次将数据列为五大生产要素之一，并指出数据要素将发挥对其他要素效率的倍增作用。作为推动经济高质量发展的新动能，国家正鼓励加快培育数据要素市场。
数据价值的重要性被越发凸显，由此，数据资产化迎来了新一轮的发展。
但，数据资产化发展到了怎样的阶段、有着怎样的特点？数据资产化工具的机会在哪里？企业如何发挥数据资产化价值？…
为深入了解和分析这些问题，推动数据资产化市场快速健康发展，中国软件网联合中国软件行业协会应用软件产品云服务分会、海比研究院推出“新增长时代——2021中国数据资产化系列报道”，对行业资深人士进行深度访谈，全面反映他们在数据资产化行业发展中的理解与思考，并在此基础上进一步研究，形成《2021中国数据资产化工具市场研究报告》。欢迎关注。
本文为系列报道第一篇。中国软件网、海比研究院团队采访了明略科技数据中台负责人——刘国栋。
明略科技数据中台负责人刘国栋
个人简介：全面负责数据中台的产品研发、运营、服务以及数据技术等工作。刘国栋先生毕业于北京大学，计算机专业硕士学位。刘国栋先生拥有超过18年的分布式数据库内核、CEP、搜索引擎、机器学习，数据中台相关工作经验。
在刘国栋看来，数据资产化的本质是发挥数据的价值，而随着数据的价值与数据的变现价值越发接近，数据流通、数据交易开始自由化进行时，数据要素的价值才能真正得以充分发挥。
在向中国软件网讲述数据资产化时，他提到：在国外发达地区，数据作为企业资产的一种类型已成为广泛共识。在欧美体系中，数据作为企业或个人资产的一种类型被认为是与生俱来的，而且有较完善的立法体系支撑。”
那么，为什么国内数据资产化在近些年来才火起来？
刘国栋认为，主要原因是，在国内的产业发展不同阶段中，数据价值的重要性程度展现有所不同。凭借多年的观察，他将国内数据资产化的发展史归纳为四个阶段。在这些发展阶段中，数据在不断发挥更大价值，从而推动了数据资产化的技术发展以及数据资产化工具的出现。
01
起步阶段
发挥企业组织内部辅助角色
在上世纪九十年代中期以前，企业已经出现了数据意识，并受到组织内的法律保护。对企业来讲，企业通过利用数据制作报表、运营等方面的工作，从而发挥了数据的一定价值。
这一时期有一个典型事件——某大型跨国连锁超市“啤酒+尿布”案例：通过复盘销售数据发现年轻父亲们的“啤酒+尿布”搭配式消费行为习惯，进而推动了超市对这类消费群体的个性化营销。
“这一阶段数据的价值主要体现为企业与组织内部的辅助性功能。”
从技术维度上来讲，这一时期的数据资产化工具及工具方法论，主要帮助企业解决两个问题：一是数据记账；二是分析预测。如九十年代中期以前Oracle，Teradata等产品体系。
“我们可以将这个阶段的数据资产工具看作是数据库工具，主要用于存储和查询。”
02
发展阶段
数据辅助功能增强
进入九十年代末期，国内互联网行业进入爆发式发展，带来了大量的数据量增长。“数据量激增，促使数据的搜索推荐、分析功能需求大增。数据对于企业及组织的价值增强，开始从辅助因素向核心因素转变。”
这一时期，出现了一套新技术体系——NoSQL。
NoSQL，结构简单、分布式、易扩展、高效且便捷的新型非关系数据库。NoSQL的出现要解决的问题是，当数据量剧增时，旧数据库已不再能支撑数据之上的应用场景新增变化。比如Cassandra， MongoDB等。
“从技术维度上来讲，这种新变化带来的问题并不很复杂，除了数据量增大外，数据的操作使用仍然简单。”如在2012-2013年时出现的大量移动阅读需求：高并发情况下，要快速检索到一个小说，然后让用户一页一页地翻阅。在这其中，后台核心的支撑是Cassandra，Redis类工具。
而技术人员在做的是，将数据技术体系层层地重构最终完成全栈的重构——这场浩大的工程，掀起了数据技术发展中的史诗级浪潮。
“随着NoSQL的快速发展，我们需要在海量数据上构建更为复杂的场景，即大规模的机器学习，代表工具是Hadoop。”
Hadoop的高速运算和存储能力，帮助企业与组织在海量数据中完成迭代性较强的分析。Hadoop通过不断地对原来的关系模型进行排序更新，在此之中，也形成了算法最核心的数据架构PageRank，从而实现了搜索引擎在海量的、动态的非结构化数据里，更为有效、及时的排序。
“至此，我们可以看到，数据在转换成要素之前，数据资产化管理工具所发挥的是存储性功能，以及更复杂些的是海量数据化分析能力。”
在数据管理维度上，公认的DAMA（国际数据管理协会）标准治理体系出现，以及雨后春笋般的数据管理工具类厂商（后来多经大企业收购）。这一时期的数据管理工具，主要是帮助企业实现数据管理规划、质量、集合、标准以及落地。
“我们需要在海量数据之上，来实现我们经典的数据技术标准，所以又出现了NewSQL（不仅具备NoSQL的优势，更保持了传统数据库支持ACID和SQL等特性）。”
云计算、分布式文件系统、新型的并行计算引擎、支持分布式并行计算的开发语言等技术以及逐渐壮大的生态系统，正处在一个快速发展的阶段，但成熟稳定尚需6-8年。
03
变革阶段
数据向要素转变
“数据开始变成真正的核心要素/核心资产的重要因素是：数据的价值，与数据的市场价值更加接近。”
这个特征，最早和最佳成效出现在互联网金融体系的建立与运营过程中。
例如，2008年淘宝宣布，淘宝是一家数据公司，不是电商公司，不久后，淘宝的数据资产支撑的巨大的、高速发展的互联网金融体系出现了。“这标志着数据真正进入产业、进入市场，变成企业真正的核心要素或核心资产。”
HAO 智能体系 打通感知、认知、行动系统，实现AI闭环落地
要知道当数据发挥辅助决策价值、落地后，需要有一个周期的时间才能得出数据的整个价值迭代规律。而这一时期，数据资产化的发展，促生和推动了巨大的业务创新和全面数字化转型效应，成为市场的新驱动力量，进而数据的价值和变现的价值愈发接近。“由此体现的是，你拥有数据就获得了价值。”
从技术维度上来看，“前两阶段中，数据管理与数据治理技术工具主要是一些低层的架构体系，而到了第三阶段，技术的首要任务是Follow数据法治标准。”
但从使用维度上来看，当前整个行业或整个数据资产使用度上都是非常落后的。“这种落后体现在两个方面：最重要的因素是数据法案还没有完全落地下来，即如何实现数据更加有效流通没有得到解决；其次，技术并不完善，同时市场需求度不够，技术的落地就变得更困难。”
总的来看，这一阶段数据从辅助角色正式转变为核心要素被产业、市场、社会所认可。数据要素的认知建立起来后，企业所考虑的是，怎样管理好数据要素。
04
融合阶段
数据要素应用
数据资产化发展至今，数据的价值应用已经取得了很好的成果。从预测到直接参与生产，在各个行业中都能够看到大量的数据应用案例出现。
越来越多的企业及组织在布局数据要素，并至少已在组织内部使用起来。与传统行业相比，在数据管理、共享、应用方面，政府、金融行业、新能源汽车智造业走在了前列，疫情之下的健康码体系，就是一个很好的场景；一些起步较晚但相对较开放的行业，也涌现出机会与延展性。
数据资产化涵盖了整个生命周期，包括，数据资产收集、分析、评估、管理、应用，以及淘汰废弃。由此凸显了一个问题：数据的含义要比前三阶段中复杂更多，可谓，数据即‘现金’，那么数据怎样才能流动起来？
明略科技 针对结构化数据治理全生命周 期的可视化管控平台
“我认为，只有在法律的充分约束与规范之下，数据才能真正作为一种资产，开始在市场中流通。只有当数据的市场使用环境场景、合规性固定下来之后，数据要素供需应用场景才能真正爆发，从而推动数据的交易。”
不难看到行业赛道之外，数据交易的刚需大量存在。例如基于信用的生意小贷、金融等，这些公司需要更多维度的数据来壮大自身的评估模型，但数据的获取，在目前来讲是十分困难的。
因此，如何建立一个更好的数据交易体系支撑，是第四阶段发展的重要目标。
2020年以来，数据要素如何生成、如何实现生命周期管理、如何在组织内部发挥前所未有的价值，越来越成为企业和组织关注的热点。所有人都知道，数据就在那里，但怎么去发挥它的价值？
“当前，大数据平台储存需求已基本满足，数据要素全生命周期管理成为主要需求点。百分之七八十的企业在做的是数据管理和应用，但数据的市场化供给这扇门还远未打开，不过尝试和探索并未停止，如贵阳大数据交易所等。”
明略的做法是，帮助企业数据进行指标体系化运作，为整个企业做精细化运营，进而输送一种新的业务体系：企业的主营收在哪？企业营收高但为什么净利润低？“在指标体系化运作中，我们就会发现，虽然营收较好，但可能像电费等部分耗费的成本竟远远超过其它营收，于是，据此，我们帮助企业制定新的运作方式。”
明略科技 数据中台技术架构图
“在此过程中，作为数据资产化基础设施的数据中台也在发挥着作用。”数据中台的建设，除了对组织的决策链条和体系进行数字化，还需要对组织的经验、know-how进行系统化、体系化建设，进而将组织的数字化体系与Know-how体系进行结合，搭建起协同机制。
“组织的决策链条体系、经验、know-how，是数据中台建设的核心。明略科技帮助企业及组织打造的是，数据体系结合知识体系的数据中台，可基于数据进行智能决策的数据中台。”
