|
数据资产的定义 维克托·迈尔·舍恩伯格在《大数据时代》中曾经提到：“虽然数据还没有被列入企业的资产负债表，但这只是一个时间问题”。 什么样的数据能够成为资产，或者说什么样的数据有资格成为资产？首先让我们了解一下什么是财务意义上资产。资产是指由企业过去经营交易或各项事项形成的，由企业拥有或控制的，预期会给企业带来经济利益的资源。 类比资产的定义，数据资产是企业或组织拥有或控制，能带来未来经济利益的数据资源。因此，并不是所有的数据都是资产，只有可控制、可计量、可变现的数据才可能成为资产。其中，实现数据资产的可变现属性，体现数据价值的过程，即称为“数据资产化”。怎样识别数据资产、利用现有的数据资产创造价值，将是金融机构不得不面临的一个课题。 数据资产的属性，主要包括可控制、可计量和可变现。其主要含义如下： 可控制 目前，数据的所有权问题还没有统一的界定。从来源和控制力度来分，数据可以分为两类—— 一是生产型数据。例如搜索引擎公司对使用其搜索引擎的用户执行各种行为收集、整理和分析。这类数据来源于用户，但控制权和使用权却在企业手中，企业可以自由地最大限度地发挥其商业价值。 二是加工型数据。是对于原始生产型数据的再加工与提炼，如金融机构依靠网络爬虫工具、黑客手段、嵌入式渠道入口等获取经过自身加工的数据。此类数据中，数据的使用权经过合法授权的是金融机构可控制的数据资产，如果并不能对数据拥有合法的控制权和使用权，则该类数据并不属于合法的数据资产。 可量化 数据要成为资产，必须能够用货币进行可靠的计量。尽管目前大多数企业已经意识到了数据作为资产的可能性，但除了极少数专门以数据交易为主营业务的公司外，其余企业尚无法准确地量化数据资产，无论是现有的会计分类和科目的设置、资产披露形式、使用寿命与摊销方法等均缺乏合理的设计。 虽然数据尚无法作为资产在企业财务中得到真正的应用，但将数据列入无形资产的收益则不言而喻：例如很多高科技企业都具有较长的投入产出期，如能将其通过交易手段获得的数据，按实际支付价款作为入账价值计入无形资产，则能为企业形成有效税盾，降低企业实际税负。 可变现 资本区别于一般产品的特征在于其不断增值的可能性。因此，如果不能为企业带来经济利益，数据便不能称之为资产。只有能够转化数据并实现增值的企业，其数据才能称为“数据资产”。 以数据资产为核心的商业模式主要有租售数据模式、租售信息模式、数据媒体模式、数据使能模式、数据空间运营模式和大数据技术模式等六种。 租售数据模式，主要是出售或出租原始数据； 租售信息模式，则是出售或者出租经过整合、提炼、萃取的信息； 数字媒体模式主要是通过数字媒体运营商进行精准营销； 数据使能模式，其代表性企业诸如阿里巴巴公司，其通过提供大量的金融数据挖掘及分析服务，协助其他行业开展因缺乏数据而难以涉足的新业务，如消费信贷、企业小额贷款业务等； 数据空间运营模式主要是出租数据存储空间； 大数据技术模式则是针对某类大数据提供专有技术。 同时数据资产的共享性也使得数据的应用领域和价值成倍扩大。然而，做数据资产管理的时候，银行很可能会遇到一系列的问题，如数据架构失控、元数据管理混乱、数据标准缺失、数据质量参差、数据增长无序、数据安全问题突出等。这些问题的核心根源往往在于IT系统变更频繁、积木式迭代，以及烟囱式建设，缺乏企业级的整体架构和整体数据规划。 数据资产管理的四层架构 数据资产管理(Data Asset Management,简称DAM）是规划、控制和提供数据及信息资产的一组业务职能，包括开发、执行和监督有关数据的计划、政策、方案、项目、流程、方法和程序，从而控制、保护、交付和提高数据资产的价值。 在国际上，随着数据管理行业的成熟和发展，数据资产管理作为一门专业管理领域逐渐被人们广泛研究和总结。国外一些数据资产领域的专家和学者成立了数据资产管理专业论坛和组织—国际数据管理协会（DAMA International），并总结了数据资产管理相关理论指导体系 DAMA—DMBOK。根据其经典理论，数据资产管理一般包括：（1)数据治理；（2)数据架构；（3)数据开发；（4)数据操作管理；（5)数据安全管理；（6)主数据管理；（7)数据仓库和商务智能管理；（8)文档和内容管理；（9)元数据管理；（10)数据质量管理等十大数据管理职能。 按照数据的生命周期，可以将数据资产管理划分为基础层、数据层、分析层和价值层共四层架构体系。其中，基础层着重于基础架构和设置，包含数据仓库和商务智能管理、数据安全管理等；数据层着重于数据获取，质量和标准，包含数据治理、数据架构、参考数据和主数据管理、元数据管理、数据质量管理等；分析层着重于数据挖掘、建模与分析，包含数据操作管理和数据分析等；价值层则是数据资产管理的最高层，是数据为企业创造价值、促进生产、提高业务经营效果和企业战略的最终解决方案。 价值导向的数据应用 在大数据时代下，价值导向的数据应用是企业级数据资产变现架构的核心。基于数据资产管理的四层架构，金融机构可以有效地开发、使用不同数据，拓展数据应用领域，通过充分释放数据的价值帮助企业提升市场竞争力。 以价值为导向，指的是企业需要识别其在各个管理及业务领域的需求，包括战略规划、经营效率、风险管理、合规内审等方方面面，并确立数据类别和数据需求，以及相应的模型分析、基础架构的需求。 以网点绩效提升为例，其与网点业务定位、内部布局、人员销售服务能力以及位置布局等要素息息相关。其中，好的网点选址是高绩效网点的必要条件之一。科学、客观、定量的网点选址评估方法和明确的网点管理工作流程，可以提升网点管理水平和精细化程度。针对网点选址建立“聚客—人流—同业”的铁三角选址模型，以及成功网点复制、目标客群分析、同业布局跟踪等多种选址实践，并结合行内数据和外部数据进行机器学习，不断修正模型精度，最终协助银行实现全渠道转型。 第二个例子是银行非现场监测模型的建立。其可以帮助内审和合规等二三道防线更好的识别高风险业务领域，并采用风险热力图、数据建模的手段对风险进行预警，通过建立风险预警平台实现预警可视化、报告数据化，使合规检查及内部审计工作更具针对性和高效性。 数据资产化的影响和意义促进信息科技部门的转型和信息产业的重组。 数据资产化之后，信息科技部门将从原来的成本中心（或称服务职能部门）变成利润中心，直接产生盈利和现金流。未来数据资产会渐渐成为企业的战略资产，渗透各个行业。企业拥有数据资源的存量、价值，以及对其分析、挖掘的能力，会极大提升企业的核心竞争力。数据资产化将深刻影响产业结构。同时，数据所有权和其产生的利益分配问题将会越来越深化，以数据资产为核心的商业模式将会在资本市场中越来越受到青睐。 孵化数据资产交易市场。 出于对数据价值的认可，在以数据资产为核心的商业模式中，数据或信息的租售将拥有广阔的市场空间。虽然目前在缺乏交易规则和定价标准的情况下，数据交易双方承担了较高的交易成本，制约了数据资产的流动，但随着数据交易市场的建设和规则的完善，其必然能加速数据资产交易的进程。 催生复合型业务与技术人才新需求。 数据资产化对于高级数据分析技能的要求日益增长。随着数据资产化的进程，除数据管理和信息系统维护的IT专业人才外，金融机构同样需要精通大数据应用的业务骨干。例如，数据资产化需要在原有的系统和科目中加入新会计元素，需对原有的会计体系进行重构。金融机构可以尝试在独立核算的信息部门中加入数据资产，设计数据资产会计分类和科目，利用模拟考核逐步提高数据资产在行内资产的价值地位。综上所述，数据资产化进程注定会给金融行业带来重生、颠覆和创新，金融机构应重点关注、顺势而为，适时建立起符合自身业务和数据特点的数据资产化体系和能力。 |
|
|
