日前，2021年世界人工智能大会“数据力+工具力”构建新型数字底座创新论坛成功举办。演讲嘉宾与来自不同行业的500多位用户齐聚一堂，共话新型数字底座的建设。会上，御数坊首席执行官、清华大数据产业联合会副秘书长刘晨分享主题为“赋能数字底座，实现数字资产管理能力跳跃”的演讲。此为速记整理，一切以现场信息为准。
【演讲摘要】：如何把数据资产管理从初步实践的水平提升到更加高级的阶段，实现能力的跃迁？御数坊首席执行官刘晨首次提出数据资产管理的新四化理念，包括价值化、协同化、精益化和智能化。他认为，要从以前体系化的资产管理变成更加敏捷的资产管理，数据资产管理才能够快速见效！
我分享的主题是数据资产管理能力的跃迁。我们从三个角度探讨今天的主题，第一个是如何理解数据底座；第二个是如何看待数据资产管理实践的现状和挑战；第三个是结合数据底座的打造如何进一步在企业、政府机构当中实现数据资产管理的能力跃迁。
01
跨越 30 余年，什么才是数据底座的内涵
数据底座不只是数据平台，还有源端系统
数据底座通常意义下主要是指数据的平台，1980 年前后，数仓就有很多数据技术，2011年提出数据湖，去年最新提出来的概念叫“湖仓一体”。
从我们做数据资产管理、数据治理以及数据分布的角度看，数据不仅仅停留在数据平台当中。现在很多企业的实践中，源端系统会和数据平台长期共存，比如原来本地部署的现在要上云，但是上云之后源端系统不会消失，还是会成为数据平台持续不断的数据提供方。从数据管理的角度看，如果不能把源端系统数据以及数据平台的数据管理好，数据的基础就是不牢靠的。从使用数据的角度看，如果源端数据不靠谱，那数据平台也一定不靠谱。所以从数据资产管理、数据治理角度来说，我们要把企业全部数据的基础底座打好。
大家做很多数据应用、挖掘、分析是想得到数据价值，通过数据底座、平台的构建，具备了挖掘、分析的能力，但是如果数据资产不牢固，数据有缺失，数字化转型就会受到阻碍，我们要把整个企业数据的底座打好。
数据资产管理的现状和挑战
数据资产管理相关理论，无论在国内还是国际上都已经有很多年的发展，现在已经比较成熟。国际上的理论模型 DMBOK——数据管理知识体系指南，分成了 10 到 11 个领域，包括数据架构、数据模型、数据安全、数据仓库等。
国内 18 年发布的国家标准 DCMM——数据管理能力成熟度评价模型，依托于国际数据理论，把数据治理分成了数据战略、数据治理等八个领域。展开来看，比如，我们要进行数据相关的底层设计，要有数据战略规划，数据相关组织和建设，要有数据应用，同时数据安全、数据质量、数据标准以及数据整个生命周期也需要管理好。在 DCMM 模型里面，通过 8 个维度，28 个子领域，还有 400 多项评价指标会评价一个单位完整的数据能力究竟如何。
这些理论在国内和国际上面已经比较成熟，也有很多企业都在做实践。但是在做数据治理的实践过程中，我们国家在 2005 到 2010 年之间主要在银行和运营商领域做数据治理，2010 到2015 年之间银行走的比较快，其他行业开始初步实践，2015 年之后各个行业都开始做数据治理，因为大数据起来了，大家都开始重视数据治理、数据资产管理。2018、2019 年数据中台起来，各个行业对数据资产管理的重视以及实践越来越多。
02
多年实践，困惑重重：建设有余，见效不足
很多企业做了数据治理的顶层规划，可能请大的咨询公司做了千万级的咨询规划项目，但是发现不知道如何落地，顶层设计和落地实践是脱节的。高层领导本来很重视数据治理工作，但发现做了半天效果不是太明显，久而久之就会偃旗息鼓。
业务部门会认为，数据资产管理、数据治理还是偏技术化，他们发现不太清楚怎么参与到这些工作中来，数据资产目录对业务部门真正的价值又不是特别明显，所以业务部门的参与度也很低。
数字化团队会觉得我们也建了组织，也发布了制度，也做了大量的咨询和技术工作，数据模型、数据标准也做了很多，但是因为领导不太认可，业务部门的参与度很低，业务价值不明显，所以数字化团队都很困惑，究竟怎么做才能让数据资产管理这项工作落地见效？
而在数据资产管理过程中，执行的过程大量还是靠人工，很多在互联网领域或者在数据的分析、利用这些领域已经有比较成熟的智能化技术，但在数据治理这个领域并没有得到很好的应用，做这项工作的人身心疲惫。这是我们整理起来的四方面主要的问题，如何解决这些问题呢？
03
以新四化理念，推进数据资产管理能力跃迁
我从自己的视角提出一些解决思路，如何把数据资产管理从初步实践的水平提升到更加高级的阶段，实现能力的跃迁？这里我们第一次提出数据资产管理的新四化理念。
首先是价值化。价值化的主要体现在无论你做什么样的数据资产管理工作，领导关心以及业务部门关心的就应该是你的发力点，一定要围绕大家最关心的业务场景、业务流程、业务应用去开展数据资产管理工作，让我们做的每一件事都能帮到业务部门提高他们的效率，甚至能帮他们降本增效。
价值化很强调要面向业务场景开展数据治理工作。数据认责等很多工作已经做过了，但是原点应该是业务场景。以前经常数据团队做了很多技术规则的检核，然后丢给业务部门，我们现在应该以业务场景出发，在业务场景内开展所有的数据资产管理工作，这时候业务人员的参与度就会非常高，因为你做的事情会对他们有直接的帮助。
第二是协同化。为什么放到第二位？以前我们做数据资产管理都是 IT 团队、信息化团队专门有一个信息治理的小团队或者部门，由这些人带着外部的服务厂商或者是产品厂商一起去梳理数据标准，进行数据资产目录构建，数据标准构建，业务部门参与度很低。而且这些工作往往都在集团的总部或者一个省公司总部，下面基层一线的业务人员参与度也很低，还是很割裂，各项工作开展也很割裂。所以我们需要用协同化的理念把这两者融合在一起。
协同化这部分，我们认为数据资产管理要实现几个协同，是以企业的数据资产为核心，首先数据资产自己这些小循环，小工作的协同，包括数据中台的建设，数据底座的建设过程、运维过程的协同。还有就是要促进多个业务之间基于数据的协同。在这种协同的基础是什么？实际应该是我们的数据认责的体系，从公司的决策层，有数据资产管理的领导小组，各个业务部门有自己数据的归口部门，华为叫数据管家，有的叫数据管理专员。一定要注意一线基层的业务人员也要参与进来，所以中间会有很多专项的工作组，一线人员为了解决具体的数据问题要有专项的工作组，所以形成一个横向到边纵向到底的立体化的数据认责机制，这样才能让各方有效协同起来。
第二个协同我们讲的是以前的数据治理工作都在数据中台内部做，这个是不够的，我们需要再延伸到源端业务系统。无论源端还是在本地部署，如果只在中台内部做数据治理，上游很多业务流程当中还存在断点，在业务流程当中如果不能提升，还是会有问题。从应用侧到数 据中台内部再到源端业务层要协同起来。
第三是精益化。精益化是指在单点工作上面进一步帮助我们形成小闭环和大闭环。
精益化说的是这些资产数据管理的工作，包括数据标准、数据认责，需要形成自己的小闭环。从制定标准到推行标准再到标准的落地改造需要形成小闭环。第二要把这些工作融入到我们整个数据平台建设过程中去，无论是建一个业务系统还是智能化。并且每个阶段都应该融入资产管理相关工作，实现精益化。同时在 DCMM 标准里面强调量化，很多企业评价下来是属于二级，实际上经过一段时间的实践之后形成量化指标体系可以达到四级。
最后是通过智能化的技术去为数据治理工作真正提效。以前都是靠人做数据资产的梳理和盘点，现在需要打造一个智能化引擎，基于知识图谱等技术对企业内部数据资产进行管理。
最后我们简单总结一下，现在的数字化转型过程当中，数据资产管理已经不是传统的概念，需要有一些新的变化。我们目标应该是更注重价值的体现，范围应该更加关注全域的数据场景，既包括工具的能力，也包括数据资产管理软性的制度能力、组织能力。我们的模式要从以前体系化的资产管理变成更加敏捷的资产管理，这样才能够快速见效！