报告指出，数据资产管理包括数据资源化和数据资产化两个核心过程，旨在构建有效的数据资产管理体系，提升数据质量，保障数据安全，并丰富数据资产应用场景，建立数据资产生态，持续运营数据资产，以凸显其业务、经济和社会价值。
白皮书详细阐述了数据资产管理的概述、活动职能、保障措施、实践步骤以及发展趋势。其中，数据资产管理活动职能包括数据模型管理、数据标准管理、数据质量管理、主数据管理、数据安全管理等多个方面。同时，报告还提出了数据资产管理的保障措施，如战略管理、组织架构、制度体系、平台工具和长效机制等。
在实践步骤方面，白皮书提出了统筹规划、管理实施、稽核检查和资产运营等四个阶段，以指导企业和机构有效实施数据资产管理。此外，报告还展望了数据资产管理的发展趋势，包括管理理念、组织形态、管理方式、技术架构、管理手段、运营模式和数据安全等方面的变革。
总之，《数据资产管理实践白皮书（6.0版）》为政府机构与企事业单位提供了数据资产管理的全面指导和参考，有助于激发组织数据要素活力，加速数据价值释放，推动数据要素流通和市场化进程。
- 内容概览
- 数据资产管理概述
1. 重要性与内涵
-
推动数据要素市场发展：数据成为关键战略资源，我国数字经济规模居全球前列。数据资产管理通过构建体系，提升数据质量与安全性，推动数据要素流通，助力市场发展，国家积极推动相关制度建设。
-
助力企业数字化转型：企业竞争关键在于资源配置效率，数字化转型可优化此过程。数据资产管理能提高业务数据化效率，推动数据业务化，我国政府鼓励企业提升数据治理水平，加速数字化转型。
-
概念与内涵
-
数据资产：组织合法拥有或控制，可计量或交易，能带来效益的数据。其权属确认复杂，我国法律在这方面有待完善，相关法规在逐步明确各主体的数据权益。
-
数据资产管理：对数据资产进行规划、控制和供给的活动职能，包括数据资源化和资产化两个环节，旨在提升数据价值。
2. 演进与现状
-
发展历程：随数据理念与技术演变，从技术视角的数据管理发展到如今以释放数据资产价值为核心的全面管理，理论框架不断成熟，但部分框架未重视数据资产价值实现路径。
-
发展现状
-
政策环境优化：金融、通信、制造业等领域政策推动数据资产管理发展，如央行、银保监会、工信部等发布相关指引和规划。
-
整体处于初期：多数企业数据管理能力在二级及以下，通过DCMM贯标评估，企业数据资产管理能力建设逐步推进。
-
行业差异显著：传统行业起步较晚，金融、互联网等行业较早受益于数据红利，发展水平较高，如通信、电力、银行等行业领先。
-
关注价值评估与商业模式创新：企业注重评估数据资产价值，探索商业模式，如光大银行开展相关研究与实践。
-
安全管理受重视：国家和行业重视数据安全，出台政策法规，如中央网信办、工信部发布数据出境安全评估和工业领域数据安全管理办法。
3. 难点与挑战
-
内驱动力不足：外部动力增强，但多数组织内部存在数据资产管理价值不明显等问题，导致内驱动力缺乏。
-
与业务发展割裂：战略和组织层面缺乏协同，数据资产管理与业务脱节，如未在规划中体现结合方式，团队间缺乏有效协同机制。
-
数据质量不达标：数据质量未达预期，提升缓慢，原因包括源头治理缺失、协同不足、技术支持不够等。
-
资产难以持续运营：多数组织处于初级阶段，未建立运营理念与方法，缺乏沟通反馈机制，影响数据产品应用效果。
-
安全风险与合规复杂：数据安全风险加剧，数据泄露事件增多，合规要求复杂，企业需应对数据安全风险和满足合规要求。
- 数据资产管理活动职能
- 数据模型管理：
在企业架构管理和信息系统设计时，设计并管理数据模型，确保其与组织架构一致，提升模型质量和业务指导性。华为采用企业架构指导建立企业级数据模型，并引入一体化建模方法；证券行业发布数据模型行业标准；国家电网构建统一数据模型（SG - CIM），覆盖电网多业务板块，历经多年建设与优化。
- 数据标准管理：
制定并发布数据标准，推动其应用于数据开发和质量管理，提升数据质量和标准化程度。业务术语管理是基础工作，企业需建立管理制度和流程，统一归集、发布和应用业务术语。交通银行实施数据标准"强管控"，以新建或重构系统为契机，推动数据标准落地，并基于数据标准提升数据质量；中国工商银行通过编制管理办法和建立管理系统，规范业务术语应用。
- 数据质量管理：
衡量、提高和确保数据质量，遵循源头治理和闭环管理原则。源头治理在新建业务或IT系统时明确数据标准和质量规则；闭环管理对数据全流程进行质量校验管控，持续优化质量管理方案。交通银行建立质量管理体系，以"管理可度量""问题可闭环""质量标签化"为原则，提升数据质量管理水平。
- 主数据管理：
协调和管理与企业核心业务实体相关的数据，确保主数据的一致性、唯一性和稳定性。主数据管理包括计划、执行、检查和改进等关键活动，范围逐渐扩大。海尔集团实现全集团层面跨组织跨业态的主数据统一管理，纳入多种类型主数据，打破传统认识，注重业务场景和用户体验。
- 数据安全管理：
确保数据处于有效保护和合法利用状态，多部门协作实施系列活动。包括制定制度规范、构建技术体系、进行分类分级、保护个人信息等关键活动。数据安全分类分级成为基础性工作，各行业出台相关指南和标准。平安银行引入AI技术提升数据分类分级效率，制定细化标签，采用双向打标方法；个人信息保护成为焦点，企业需在确保安全前提下开展数据资产流通。
- 元数据管理：
规划、实施和控制元数据，获取高质量整合元数据，支撑数据资产管理全流程。元数据管理包括计划、执行、检查和改进等活动，贯穿数据资产管理各环节，增强对数据的理解，记录数据血缘关系，维护数据资产目录。广东电网依托元数据管理平台实现对重点应用数据链路的实时监测等功能；主动元数据利用底层人工智能技术实现对元数据的"主动"管理。
- 数据开发管理：
建立规范和机制，监控数据开发过程和质量，提升开发效率和规范性。关键活动包括制定规范、建设工具、进行集成和开发、监控任务运行、改进相关规范等。中国工商银行搭建大数据开发工作站和研发与测试管理系统，提升数据开发效率和质量，缩短数据需求研发周期。
- 数据资产流通：
通过共享、开放或交易等模式，推动数据资产在组织内外价值实现。数据共享打通内部壁垒，数据开放面向社会公众，数据交易需在安全合规前提下进行。公共数据开放平台建设不断发展，各地开放水平存在差异，上海市在公共数据开放方面表现突出；数据交易行业在制度和技术创新推动下发展，交易模式逐渐转变，金融和互联网行业流通实践深化。北京国际大数据交易所和贵阳大数据交易所等为数据交易提供平台和制度保障；气象数据等成为数据交易的优先选择。
- 数据价值评估：
构建体系计量数据价值，包括经济效益、业务效益和投入成本等，是数据资产化的关键环节。目前聚焦于资产估值、会计核算和参与生态等方面，企业和机构从不同角度进行探索。浦发银行编制经营报表评估数据价值；光大银行和南方电网开展会计核算相关探索；财政部和中国资产评估协会发布相关政策和意见规范评估操作；Gartner提出多维度评估模型。数据价值评估思路沿用传统方法，但需考虑数据特性进行优化调整。
- 数据资产运营：
持续跟踪分析数据服务和流通情况，促进数据资产迭代完善，适应应用创新需求。建立数据资产体系和目录是基础，丰富服务形式、拓宽用户和场景、创新商业模式是有效方式。中国移动打造数据资产体系和目录，赋能众多单位；中国农业银行搭建数据服务库提供服务；浦发银行打造数据经营生态圈释放价值；招商银行转变模式拓宽用户和场景；南方电网创新商业模式实现价值变现；政务数据授权运营成为新模式，多地积极响应。