数据资产化

数据资产化，即为挖掘数据价值，将数据转变为企业资产，直接在资产负债表中显示。

数据有价值吗？一定是有的，甚至买方会开出大价钱购买数据。而特定领域的数据价值巨大。

对人工智能的影响

参考 专家数据的开发章节。

人工智能的三要素即为：数据、算法和算力。而这三者的天花板也决定了人工智能的天花板。

数据资产化，即是将数据变为可供交易的资产，在市场上自由交易。可以在很大程度上推动人工智能的发展。

目前人工智能已经将公开领域的数据吸收殆尽，而更有价值的数据则是私有的行业数据，这部分数据无法在市面上自由地流通。

数据资产化可以打破这一瓶颈，极大推动信息技术的发展。

数据资产化的主要关注点

根据文章：万字长文：数据资产入表全流程，实操指南！

数据变为资产的过程我总结为以下几点：

• 数据价值化：并非所有的数据都是有价值的，而原始数据经过处理后变为有价值的数据，是数据成为资产的先决条件。
• 规范的数据管理：有数据，就有安全性问题。数据的加密，防拷贝，访问控制等都是非常重要的问题。文中还说明了管理制度和企业架构应该做出的一些改变。
• 价值数据转变为数据资产：更多的是财务流程。解答一个问题：有价值的数据如何评估其价值？如何计为资产？如何体现在资产负债表上？
• 交易和流通：已经完成资产化的数据，则应该被打包成产品，在市场上流通。

关键数据

• 主数据：MD Master Data。跨系统和应用程序中共享的核心数据。
• 元数据：数据的数据，是最关键的数据

数据的治理体系

数据标准化的五个步骤：规划，指定，发布，执行和维护。总的来说还是从需求中来，到数据中去的规则路径。

数据质量管理：多定义，多评估，制定优先级。

数据交换与共享：指定数据交换协议。

数据交换的五层结构，用先后顺序表示。前两层表示接口，中间层表示存储过程，最后一层表示应用和展示：

• 外部数据层：代表系统的外部数据来源
• 数据汇聚层：用统一的规范，整合外部数据源。将复杂的数据整合到一起。
• 数据融合层：持久化存储和访问
• 服务管理层：数据管理和运维
• 服务门户层：数据展示和使用

资产盘点

对系统中的所有数据逐一盘点，提问，解答。明确数据资产现状，发现数据问题。

资产盘点的范围：

• 组织范围：那些组织和部分
• 业务范围：采购、营销、财务、人力资源？
• 系统范围：ERP，MES，SCM，CRM？

盘点侧重点：

• 基础数据：多系统跨系统饮用的数据
• 衍生数据：基础数据之上的衍生数据
• 外部数据：从外部获取的基本数据

最终的结果：需要哪些字段，并且定义名称

数据资产化倒逼数据治理

数据资产化挖掘了数据的价值，而后端价值的交易会与前端的数据治理形成双循环，互相促进形成正反馈。

会计核算

核心问题：数据资源是否可以认定为资产？如何认为资产？

数据资源可以被认定为资产，也可没有被认定为资产，都应该有固定的流程。

会计核算的计量方法

• 初始计量：历史成本法和公允价值计量。利用市场价格计算资产价值，为资产评估价值。
• 后续计量：主要解决资产在时间尺度上的折旧问题。