数据资产管理在管理理念、组织形态、管理方式、技术架构、管理手段等7方面的发展趋势
从信息时代到数字时代，数据由记录业务逐渐转变为智能决策，成为了组织持续发展的核心引擎。未来，数据资产管理将朝着统一化、专业化、敏捷化的方向发展，提高数据资产管理效率，主动赋能业务，推动数据资产安全有序流通，持续运营数据资产，充分发挥数据资产的经济价值和社会价值。本文从管理理念、组织形态、管理方式、技术架构、管理手段、运营模式、数据安全7个方面讲述数据资产管理的发展趋势。
一、管理理念：从被动响应到主动赋能
随着组织数字化转型的不断深入推进，数据资产管理占组织日常经营管理的比重日渐增加，传统以需求定制开发为主要模式的被动服务形式，已难以满足组织数据服务响应诉求，组织逐步在各业务条线设置数据管理岗位，定期采集数据使用方诉求，构建数据资产管理需求清单，解决数据资产管理难点，跟踪数据应用效果，加深数据人员对业务的理解和认识，主动赋能业务发展。
此外，随着数据素养和数字技能的不断提升，数据使用者培养了主动消费意识和能力，以数据资产目录为载体、以自助式数据服务为手段、以全流程安全防护为保障的数据主动消费和管控模式正在形成，在提升数据服务水平的同时，进一步提升数据应用的广度和深度。
二、组织形态：向专业化与复合型升级
区别于信息化阶段作为IT 部门的从属部门，数据资产管理组织与职能已逐步独立化。对于政府，由专门的政府机构承担，在业务部门设立数据管理兼职岗位，首席数据官（Chief Data Officer，CDO）制度也出现在了深圳、浙江等地的规划中。深圳市印发的《深圳市首席数据官制度试点实施方案》提出在市政府和有条件的区、部门试点首席数据官制度，明确职责范围，健全评价机制，创新数据共享开放和开发利用模式，提高数据治理和数据运营能力覆盖决策、管理、设计、维护的数据资产管理专业组织形态已逐步显现。对于企业，广东、上海等地发布相关政策推动企业设置首席数据官。广东省工业和信息化厅于2022 年出台了《广东省企业首席数据官建设指南》，鼓励在企业决策层设施CDO角色，以制度形式赋予CDO对企业重大事务的知情权、参与权和决策权，统筹负责企业数据资产管理工作，加强企业数据文化建设，提升企业员工数据资产意识，建立正确的企业数据价值观。
数据资产管理组织形成以CDO或CIO主导、业务部门与IT 部门协同参与的模式。Gartner 2021年报告显示，75%的公司将CDO 视为与IT、HR 和财务同样关键的职务。此外，在业务部门与IT 部门设置专职或兼职数据管理员，推动数据资产管理有效开展。
三、管理方式：敏捷协同的一体化管理
传统的数据资产管理建设往往由多个分散的管理活动和解决方案组成，造成数据资产管理各个环节之间的脱节（包括开发与管理、管理与运营）的脱节，使得数据从生产端到消费端的开发效率降低。例如，在开发阶段应遵循的数据标准规范，在管理阶段需要强依赖专业数据管理角色和过程监控才可能实现。同时，由于多数企业忽视了数据运营，使数据消费端未向数据资产生产端反馈有效的用户体验。
DataOps 倡导协同式、敏捷式的数据资产管理（如图 所示），通过建立数据管道，明确数据资产管理的流转过程及环节，采用技术推动数据资产管理自动化，提高所有数据资产管理相关人员的数据访问和获取效率，缩短数据项目的周期，并持续改进数据质量，降低管理成本，加速数据价值释放。例如，通过标准设计、模型设计指导数据开发，前置化数据质量管理，并建立SLA 开展数据资产运维，实现开发与管理的协同；数据资产管理成果通过被业务分析人员、数据科学家等角色自助使用，支撑业务运营，同时，运营结果反向指导数据资产管理工作，实现管理与运营的协同。
四、技术架构：面向云的Data Fabric
随着数据技术组件日益丰富，数据分布日趋分散，Gartner认为Data Fabric 已成为支持组装式数据分析及其各种组件的基础架构，通过在大数据技术设计上复用数据集成方式，Data Fabric可缩短30%的集成设计时间、30%的部署时间和70%的维护时间。
Data Fabric是一种新型、动态的数据架构设计理念，是综合利用元数据、机器学习和知识图谱等技术，打造一个更加自动化、面向业务、兼容异构的企业数据供应体系，以支撑更加统一、协同、智能的数据访问，有分析师称之为将“恰当”的数据在“恰当”的时间提供给“恰当”的人。
目前，IBM、Informatica和Talend等推出了针对Data Fabric的解决方案。以IBM 为例，其于2021年7月发布的Cloud Pak for Data4.0的软件组合增加了智能化的Data Fabric 功能，其中AutoSQL（结构化查询语言），可以通过AI 进行数据的自动访问、整合和管理，使分布式查询的速度提升8 倍，同时节约50% 的成本。
五、管理手段：自动化与智能化广泛应用
随着数据复杂性持续增加，依靠“手工人力”的数据资产管理手段将逐步被“自动智能”的“专业工具”取代，覆盖数据资源化、数据资产化的多个活动职能，在不影响数据资产管理效果的同时，极大地降低了数据资产管理成本。
具体来说，是指利用AI、ML、RPA、语义分析、可视化等技术，自动识别或匹配数据规则（包括数据标准规则、数据质量规则、数据安全规则等），自动执行数据规则校验，或是自动发现数据之间的关联关系，并以可视化的方式展现。此外，可利用VR、AR 等技术，帮助数据使用者探索数据和挖掘数据，提升数据应用的趣味性，降低数据使用门槛，扩大数据使用对象范围。
六、运营模式：构建多元化的数据生态
运营数据是持续创造数据价值的有效方式，多元化的数据生态通过引入多维度数据、多类参与方、多种产品形态，进一步拓展数据应用场景和数据合作方式，为数据运营提供了良好的环境。
充分借力行业数据资源优势，创新数据生态多种模式。能源行业以广东电网能源投资为例，通过成为首批“数据经纪人试点单位”，积极参与数据要素生态体系，打造电力大数据品牌，实现电力数据资产合规高效流通，获取电力数据资产价值收益。对于银行业而言“开放银行”是数据生态的典型代表，“开放银行”的本质是一种平台化商业模式，以API 作为技术手段，实现银行数据与第三方服务商的共享，从而为金融生态中的客户、第三方开发者、金融科技企业以及其他合作伙伴提供服务，并最终为消费者创造出新价值。随着开放银行的生态体系不断完善，银行将丰富与合作伙伴共建共享方式，充分运用数据智能，实时感知用户需求并精准匹配，有利于提供全方位、综合化、泛金融服务。
七、数据安全：兼顾合规与发展
首先，应意识到数据安全与数据资产合理利用并不冲突。两者之间存在着互相促进的关系。数据安全是合理利用的前提条件，合理利用是数据安全保护的最终目的。只有做好数据安全保护，才能让数据所有者愿意授予组织或其他主体对数据的使用权利，进一步推动数据资产流通。GDPR倡导平衡“数据权利保护”与“数据自由流通”的理念，在赋予数据主体权利的同时，强调个人数据的自由流通不得因为在个人数据处理过程中保护自然人权利而被限制或禁止。
其次，应从数据安全管理和数据资产流通两方面同步寻找平衡点。在数据安全管理侧，通过建立数据安全管理机制，制定数据安全分类分级标准和使用技术规范，提升数据安全治理能力；在数据资产流通侧，将数据安全合规、个人信息保护等要求作为基本“红线”，将其潜在风险作为成本指标，在不触碰“红线”的前提下，进行数据资产流通的收益分析，探索数据安全与资产流通的均衡方案。
（来源：CCSA TC601 大数据技术标准推进委员会）
扩展阅读：
讲述企业架构与业务架构、应用架构、数据架构、技术架构之间的关系