《上海银行&德勤：2023商业银行数据资产体系白皮书（68页）.pdf》由会员分享，可在线阅读，更多相关《上海银行&德勤：2023商业银行数据资产体系白皮书（68页）.pdf（68页珍藏版）》请在三个皮匠报告上搜索。

1、商业银行数据资产体系白皮书 商业银行数据资产体系白皮书 CONTENTS 目录目录 第第 1 1 章章 数据资产化与数据要素市场化相辅相成，相互促进数据资产化与数据要素市场化相辅相成，相互促进 .1 1 1.1 企业数据资产化方兴未艾，数据要素市场化起到了催化作用.2 1.2 数据要素市场建设迫切需要企业数据资产化.3 1.3 企业数据资产化所需具备的条件正在成熟.5 第第 2 2 章章 数据资产化是企业数据治理向上演进的必经之路数据资产化是企业数据治理向上演进的必经之路 .7 7 2.1 先行开展数据治理的企业，数据治理工作步入深水区.8 2.2 当前数据治理工作的局限与困境.10 如何做到

2、“神形兼备”.10 如何避免“孤军作战”.11 如何体现“物有所值”.13 2.3 数据资产管理是企业数据治理向上演进的必经之路.14 第第 3 3 章章 数据资产体系发展概述数据资产体系发展概述 .1717 3.1 数据资产体系发展阶段.18 3.2 数据资产相关术语.19 3.3 数据资产管理相关术语.21 3.4 国内外数据资产标准概述.23 第第 4 4 章章 “三位一体”数据资产体系的构思“三位一体”数据资产体系的构思 .2525 4.1“三位一体”数据资产体系的构成与工作机制.26 数据资产管理.27 数据资产运营.28 数据资产评价.29 商业银行数据资产体系白皮书 数据资产体系

3、工作机制.29 4.2“三位一体”数据资产体系的相互作用关系.29 4.3“三位一体”数据资产体系的构建.31 4.4“三位一体”数据资产体系的优势.33 第第 5 5 章章 商业银行数据资产商业银行数据资产体系建设体系建设实践实践 .3434 5.1 商业银行开展数据资产体系建设的背景和目标.35 外部背景.35 内部需求.35 实践目标.35 5.2 商业银行数据资产体系建设的工作步骤.36 明定义：厘清数据资产的范围.36 成规矩：建立数据资产体系.37 落系统：数据资产体系落实.37 展规划：数据资产价值实现规划.38 5.3 上海银行数据资产体系建设实践的主要成果.38 数据资产体系

4、建设.38 “三层七域一管控”数据资产目录搭建.39 数据资产盘点梳理.39 数据资产穿透管理.40 数据资产服务运营优化.40 数据资产评价及估值.41 第第 6 6 章章 数据要素流通市场赋能企业数据资产化数据要素流通市场赋能企业数据资产化 .4242 6.1 全国多层次数据要素市场的建设.43 全国多层次数据要素市场结构基本概况.43 全国多层次数据要素市场互联互通的基本要求.44 6.2 上海数据交易所赋能企业数据资产化.46 基于互联互通市场的数据资产凭证.46 商业银行数据资产体系白皮书 上海数据交易所赋能企业数据资产估值.47 上海数据交易所赋能企业数据资产入表.48 6.3 数

5、据要素流通交易市场赋能企业数据资产化的展望.52 第第 7 7 章章 未来演进与展望未来演进与展望 .5454 附件一：上海银行数据资产价值评估方法与实践附件一：上海银行数据资产价值评估方法与实践 .5656 数据资产价值评估的原理.56 商业银行数据资产价值评估试点探索采用的方法、逻辑与实践分享.56 数据资产价值评估方法的应用设想.57 商业银行数据资产体系白皮书 声明声明 本白皮书由上海银行股份有限公司（“上海银行”）、上海数据交易所有限公司（“上海数交所”）、以及德勤企业咨询（上海）有限公司（“德勤企业咨询”）共同撰写，三方共同享有相关知识产权。关于上海银行的声明：本白皮书所作出的分析

6、与判断，仅代表编写者的观点，并不构成任何专业建议或服务。本白皮书受法律保护，转载、摘编或利用其它方式使用本白皮书或者观点的，应注明来源。违反上述声明者，我行将追究其相关法律责任。关于上海数交所的声明：本白皮书版权受法律保护，转载、编撰或其他方式使用本白皮书或者观点的，应注明来源。违反上述声明者，将追究其相关法律责任。关于德勤企业咨询部分的声明：本白皮书中所含内容乃一般性信息，任何德勤有限公司、其全球成员所网络或它们的关联机构并不因此构成提供任何专业建议或服务。在作出任何可能影响您的财务或业务的决策或采取任何相关行动前，您应咨询符合资格的专业顾问。我们并未对本白皮书所含信息的准确性或完整性作出任

7、何（明示或暗示）陈述、保证或承诺。任何德勤有限公司、其成员所、关联机构、员工或代理方均不对任何方因使用本白皮书而直接或间接导致的任何损失或损害承担责任。德勤有限公司及其每一家成员所和它们的关联机构均为具有独立法律地位的法律实体，相互之间不因第三方而承担任何责任或约束对方。德勤有限公司及其每一家成员所和它们的关联机构仅对自身行为及遗漏承担责任，而对相互的行为及遗漏不承担任何法律责任。德勤有限公司并不向客户提供服务。请参 了解更多信息。商业银行数据资产体系白皮书 序言序言 从数字中国战略，到数据要素市场布局，再到企业数字化转型实践和数据资源“入表”探索，数字经济和数据要素驱动千行百业创造了新的业务

8、模式、新的产业生态和新的认知洞察。数据作为新型生产要素，是我国在数字经济时代一项重要的制度创新。2022 年中共中央、国务院印发关于构建数据基础制度更好发挥数据要素作用的意见（简称数据二十条），为深化数据要素市场化配置改革，释放数据要素价值，推动数字经济高质量发展提供了方向指引。中国人民银行发布金融科技发展规划（2022-2025 年）（银发2021335 号文印发），原中国银行保险监督管理委员会发布中国银保监会办公厅关于银行业保险业数字化转型的指导意见为金融机构开展数字化转型、业务经营管理数字化和数据能力建设等五大领域提供了落地指导。近期，上海市印发的立足数字经济新赛道推动数据要素产业创新发

9、展行动方案（2023-2025 年）的通知，阐述了上海市数据要素产业发展的具体目标和策略，以及实现目标的关键行动领域。在顶层设计的框架和政策引领之下，数据要素流通交易的参与主体是企业，数据要素价值体现于企业生产经营活动之中，企业做好数据要素的管理和经营，创造数据要素的价值，成为数字经营时代赋予每个企业的使命。当前，企业数字化转型方兴未艾，如火如荼。企业通过数字化能力建设，可以实现更广泛业务流程的信息化覆盖，更通畅的产业链上下游连接，更具吸引力的客户服务体验，更敏捷的管理层级和业务条线间的融合协同。所有这些举措，都极大地丰富了企业数据资源的广度和深度，可以说企业的数字化转型之路，就是企业数据资源

10、丰产丰收之路。但是，数据资源丰富不是目标，也没有终点，企业成建制地将数据资源管好用好，形成可辨识、有边界、多形态、可使用的数据产品，在企业生产经营的过程中，通过人机交互或机机交互，持续使用数据产品，以实现预期的收益，进而形成可被认定的数据资产，这一围绕数据的“蒸馏提纯”过程以及配套的管理体系，就是企业的数据资产化过程。“春江水暖鸭先知”，金融业的信息化基础设施较为完备，数字化转型启动较早，每年投入较大，业务经营对数据依融程度较高，同时又有明确的数据治理与监管报送数据质量要求，所以金融业一直都高度关注并践行数据要素流通和企业资产化。2023 年IDC PeerScape：中国金融业数据治理实践与

11、案例研究报告中提到，中国金融业数据治理正在进入全新阶段，但是也伴随着困难，包括数据治理整体战略规划与项目落地之间的衔接、数据确责、数据的持续运营、数据治理工作的价值衡量、数据治理工作与业务应用的结合等难题。这其中，数据治理在完成铺底建设后，需要提升能级，通过数据资产化的建设和运营，着力解决上述大部分问题，例如数据确责、持续运营和价值衡量等。上海银行股份有限公司（以下简称“上海银行”）乘金融行业数字化转型的东风，于 2021 年将“数字化转型”写入行内的战略规划，并且成立了由董事长亲自挂帅的“战略推进领导小组”，成立了牵头全行数据管理和数据应用开发工作的一级部门“数据管理与应用部”（以下简称“数

12、管部”）。近几年，全行高度重视数据资产化建设与数据要素流通工作，2021 年成为上海市数商协会首批签约数商，2022 年与商业银行数据资产体系白皮书 上海数据交易所建立了战略合作伙伴关系，2023 年成为首家通过“数据管理能力成熟度（DCMM）”量化管理级（4 级）的城市商业银行。上海银行于 2013 年开始数据治理工作，并将数据管理贯穿数据平台建设与数据应用开发的全过程。在行领导的带领以及全行各业务部门、金融科技部、数据管理与应用部的齐心协力下，建成了“盘古”数据中台、“昆仑”AI 中台两大数智赋能体系，形成多层级、类型丰富的数据产品和数据服务，深入业务场景中为业务经营与管理决策提供数据洞察

13、。银行以“极客大赛”为主要载体，打造全行数据文化，培养数据人才。2022 年启动全行数据资产体系的建设升级工作，在第三方专业服务机构的配合下，提出“打造数字生态，价值共建共赢”的愿景，明确了“保障数据资产长效运营、提升数据资产活跃应用，推动数据资产价值评估”的三大目标，根据愿景和目标构建数据资产研发运营（以下简称“数据资产运营”）、数据资产全生命周期管理（以下简称“数据资产管理”)、数据资产价值评估（以下简称“数据资产价值”）三位一体的数据资产体系，明确实现以上内容所需的五大支撑组织团队、制度体系、平台工具、安全合规和文化建设。经过研讨辨析，明确了行内数据资产的定义，建立了数据资产分类体系，形

14、成了数据资产认定、确权、登记、使用和退出的全生命周期管理机制，厘清了专门的数据资产管理职责，并试点了数据资产价值评估。通过数据资产体系建设，数据治理的能级得以提升，数据资产管理工作真正走出了“数管部”，使用数据资产而受益的业务部门成了数据资产主人，以数据资产的管理与运营，实现业数融合，缩短数据需求的满足时长，提升数据服务的响应效率，提高数据产品使用的活跃度。通过数据资产体系建设工作的开展，银行也更深刻体会了数据作为生产要素对企业“把数据由生产资料转变为生产力”的推动作用。数据要素的生产力来自于对数据的创新性劳动，所带来的经济价值的创造，这也正是企业数据资产获得或者生产、管理并运营，其价值被识别

15、和计量的过程，也是数据要素在企业内外流通，为企业经营提质增效的应有之义。我们将开展数据资产体系建设升级工作以来所面临的困惑、遇到的挑战、进行的思考、引起的争论、设计的方案、开展的试点、形成的成果，以及上海数据交易所对我们提出的建议和帮助，汇聚成本白皮书。一方面是对前期工作进行归纳总结，提请业界同行批评指正，另一方面，希望能在欣欣向荣的数据要素市场化建设中，提供一些我们的管理经验和劳动成果，贡献一份绵薄之力。风云动，旌旗胜，数字中国展宏图，上海银行将在数据资产化的道路上，与各方数据生态伙伴携手并肩，孜“资”以求，耕耘不辍。商业银行数据资产体系白皮书 1 第第1 1章章 数据资产化与数据要素市场化

16、相辅相数据资产化与数据要素市场化相辅相成，相互促进成，相互促进 到 2025 年，基本形成横向打通、纵向贯通、协调有力的一体化推进格局，数字中国建设取得重要进展。数字基础设施高效联通，数据资源规模和质量加快提升，数据要素价值有效释放，数字经济发展质量效益大幅增强.”“释放商业数据价值潜能，加快建立数据产权制度，开展数据资产计价研究，建立数据要素按价值贡献参与分配机制。”-中共中央 国务院数字中国建设整体布局规划，2023 年 2 月 https:/ 商业银行数据资产体系白皮书 2 数据天生具有很强的业务属性，企业的生产经营活动通过电子表单、信息系统、数字化连接以及数字孪生等技术手段，形成不同类

17、型、不同时效、不同价值密度的数据。数据是企业生产经营行业和外部竞争势态的刻画，包含了丰富的业务信息和价值。数据的价值蕴藏于业务经营与管理决策中通过数据分析与应用，对过往业务经营状况的准确反映，或是对未来趋势发展精确预测，以提升管理者的对业务经营的认知和决策的准确性，形成企业差异化以及可持续的竞争力。企业的数据资产化是通过信息化及数字化建设和技术应用，构建内外部数据生态，将内部生产运营数据、管理数据和生态圈数据，进行整合、加工和应用，为企业提供商业洞察、机会捕获、运营增效以实现商业价值的一系列技术和管理活动，最终实现以数据资产为主体的新型价值体系。我们认为，在数字化时代，数据资产在企业资产结构中

18、的比重将逐步提升。数据要素是对数据经济价值更社会化的表述，反映了数据作为社会化生产资料的特质。根据全国信标委大数据标准化工作组 2022 年发布的数据要素流通标准化白皮书中的定义，数据要素是指参与到社会生产经营活动、为使用者或所有者带来经济效益、以电子方式记录的数据资源。从实践来看，国外尚未把数据上升为数据要素，多是从产业本身出发，注重数据在企业转型升级和经营决策中的重要作用。把数据作为第五大生产要素，是我国的一项重要创新。党的十九届四中全会首次提出将数据纳入生产要素范畴，参与生产和分配。2020 年 3 月，中共中央、国务院印发的关于构建更加完善的要素市场化配置体制机制的意见中，正式将数据列

19、入与土地、劳动力、资本和技术并列的生产要素。数据要素化特征体现在生产经营和服务提供过程中作为生产性资源投入，能够创造经济价值。因此，经济价值是数据资产化和数据要素化的共同且唯一的特征。数据要素市场化则进一步突出和彰显了数据作为生产资料在价值实现过程中的交易关系和市场属性。数据要素商品化、社会化后，通过数据要素市场进行货币化交易，实现数据商品权属的交换，进而实现价值置换。2022 年 4 月，中共中央、国务院印发的关于加快建设全国统一大市场意见中，明确提出加快培育数据要素市场，建立健全数据安全、权利保护、跨境传输管理、交易流通、开放共享、安全认证等基础制度和标准规划，深入开展数据资源调查，推动数

20、据资源开发利用。近几年，多个省市陆续出台数据要素市场化促进文件，推动了我国数据要素市场的蓬勃发展。企业的数据资产化与数据要素市场化相辅相成，相互促进。企业数据资产化是数据要素市场的前提，为数据要素市场提供充分的产品供给。数据要素市场化为数据产品流通变现、价值实现提供了规范合规的市场条件和交易环境，进一步激发企业数据资产化的意愿和活力。1.11.1 企业数据资产化企业数据资产化方兴未艾，数据要素市场化起到了催方兴未艾，数据要素市场化起到了催化作用化作用 企业数据资产化自有其内生动力。数据资产化其本质是企业数字化战略的迭代升级，是基于数字技术、数据技术和数据管理，与业务经营全面融合，对企业的业务边

21、界、竞争能力和资产价值进行重构的过程。首先，通过数据资产化，企业可以将数据资源转化为有价值的资产，可以为企业提供更准确、更全面商业银行数据资产体系白皮书 3 的商业洞察。通过对数据资源的深度分析和挖掘，企业可以发现潜在的市场机会、了解客户需求、优化产品和服务，从而提升竞争力。其次，数据资产化可以优化企业的运营效率。通过对数据的实时监控和分析，企业可以及时识别风险并调整策略。最后，数据资产化可以促进企业的创新和业务模式的转型，发现新的商业模式、创新产品和服务，从而在市场中获得竞争优势。根据2022 年全国数商产业发展报告中介绍的数据要素全链路 15 类数商，数据产品供应商、数据资源集成商、数据加

22、工服务商、数据分析技术服务商、数据治理服务商是围绕数据要素开展加工、治理、应用使其产品化的服务商，其中自身拥有数据资源，并能形成数据产品，进而资产化的企业主要是数据产品供应商，在该报告中定义为数据要素型企业，指自身拥有大量数据且能够提供自身数据给第三方数据处理商、存储商、分析商的企业，通常这些企业来自于数据密集型行业，如金融、互联网、交运、医药健康、能源、工业制造和通信运营 7 大行业。截止 2022 年 11 月，数据产品供应商样本占比为 5.11%，与其它类型数商相比，占比偏低。以银行为例，银行通过长期多轮信息化和数字化建设，从业务经营、客户服务、生态伙伴中积累了海量数据，数据技术储备充分

23、，并较早开展了数据治理工作，形成了一批用于企业经营分析、营销获客、风险评估、运营提效等数据应用。虽然大部分银行参与数据要素生态是以数据需求方的角色出现，较少作为数据产品供应商，但在数字化转型过程中，银行的数据搜集和应用能力得到进一步提升。随着银行金融科技能力的提升和数据资产化进程的深入，银行与专门的金融科技公司、或是与第三方金融科技公司联合，在安全合规的框架下，将有场景需求的行业级数据产品通过数据要素市场挂牌，以数据产品供应商的角色参与数据要素市场，探索并引领金融数据产品创新。当然，银行作为金融机构，还可以通过数据交易清结算、数据资产抵质押融资、数据资源受托开发、数据咨询服务等多种角色，借助金

24、融资源和专业服务参与数据要素市场，护航数据要素的金融属性发展。数据要素市场化是企业数据资产化的“催化剂”。数据要素市场提供了数据生态体系中各类企业发挥优势的场所，供需匹配、合规流通和价值发现的优势，会进一步激发企业数据资产化的意愿和动力，同时数据要素市场也是顺应数据要素发展趋势、创新型业务模式和提升自身数据研发能力的实践平台。1.21.2 数据要素市场建设迫切需要企业数据资产化数据要素市场建设迫切需要企业数据资产化 任何要素市场的主体都是企业，数据要素市场也不例外。数据要素市场主体包含供给主体、需求主体和中介服务主体，数据商品是交易标的，通过场内或场外开展流通交易。数据商品供给是市场建设与运行

25、的基础原料，数据商品的生产过程，同频同步就是企业数据资产化的过程。供给主体企业建立数据商品生产体系，同时配套建立完善的数据治理体系，严格管控数据商品生产全过程的质量，及时收集要素市场和需求主体的数据商品的反馈，迭代优化产品，不断创新升级，保持自身商品在数据要素市场的活跃度和认可度。数据需求是数据要素市场价值实现的来源。需求主体通过要素市场交易获得数据资产后，作为生产资产投入企业内部数据资产研发工序，与企业内部业务场景数据分析需求相结合，通过创新性加工和实质性商业银行数据资产体系白皮书 4 劳动，以管理认知的价值或是业务创新迭代的价值，达到数据再次资产化的条件。由数据供需双方的数据资产化，形成了

26、数据要素流通与交易的主轴线。数据要素市场的运行机制有赖于企业数据资产化。国家给数据要素市场的定位，激发数字经济的活力，驱动企业数字化创新。数据要素市场运行的逻辑，是有效匹配数据供需，发现数据价值，实现数据合规有序流通。数据要素供需双方可能存在以下问题，从而影响要素市场发展，企业数据资产化可以在供需矛盾解决中发挥积极作用。数据要素供需矛盾 企业数据资产化解决之道 数据商品数量不足。发展多元化数据要素型企业；聚焦数据产线提升产能。数据商品可信度存在缺陷。企业增强数据管理能力，完善数据合规体系，企业数据管理能力评级与数据交易商评级挂钩。不同层级数据商品有所欠缺，如满足普适性需求的标准化数据商品和特定

27、场景需求的非标准化数据商品。企业建立产品经理责任制，建立数据产品核心竞争力，从产品规划、产品形态、产品设计和产品规范四个维度打造数据产品。数据商品的行业属性较强，但缺少行业示范性应用而导致需求侧潜力未能充分挖掘。牵手行业头部企业建立示范数据产品应用案例；进行充分的市场/行业/用户调研；引入数据经纪人。数据商品价格不透明，未能充分发挥市场价格发现机制。企业数据资产化过程中，建立数据资产价值自我评估体系，并引入外部第三方独立开展数据资产价值评估；企业数据资产参与数据要素流通的定价可参与数据资产价值评估结果；发挥数据资产金融属性，为数据资产价值背书。图 1 数据要素供需矛盾与解决之道 数据要素市场的

28、高品质商品供给，离不开企业高质量的数据产品生产和高质量的数据治理。尽管我国数据要素市场刚刚兴起，配套设施正在完善中，各类“数商”企业的数据资产化的实践进程，将促进数据要素市场规范化与规模化发展。我国将数字经济作为高质量发展的强国之策，提出了构建数据要素大市场的宏大愿景，“摸着石头过河”，同时“实践出真知”，需要每一位市场参与者“躬身入局”，“细嗅蔷薇”，共同探索出具有中国特色的数据要素市场体系。商业银行数据资产体系白皮书 5 1.31.3 企业数据资产化所需具备的条件正在成熟企业数据资产化所需具备的条件正在成熟 在实践中，企业数据资产化有三大难题，分别是数据资产确权、数据资产价值评估、数据资产

29、会计处理。一方面数据资产化还是新兴事物，在国家顶层设计的框架下，相关理论体系、法律法规、实施细则等还在制定完善中；另一方面，企业在数据资产化实施过程中碰到的阻碍，也驱动着各类配套制度措施制定出台。我们欣喜地看到，企业数据资产化所需具备的条件逐渐成熟。首先是数据资产确权。数据资产的产权明确是企业数据资产化的前提条件，也是数据要素收益得以合理分配的基础。数据二十条提出“探索数据产权结构性分置制度，建立公共数据、企业数据、个人数据的分类分级确权授权制度”，特别是“建立数据资源持有权、数据加工使用权、数据产品经营权等分置的产权运行机制”，这一项极为鲜明的制度创新，创造性地指出了一条旨在解决数据资产化过

30、程中企业群体性贡献和个体性拥有之间可能存在的冲突的路径。尽管目前还未有进一步明确的数据产权立法出台，但以数据二十条为先导，可预见各地方会积极寻求法规层面的突破，以促进数据要素流通和市场化，我们可以拭目以待。在此之前，企业间的数据交易可以以合同条款的形式，明确所交易的数据权属，同时以技术手段保障各自权属主张可追溯和无争议。企业内部也可以建立数据资产登记确权的试点，集团公司以下属实体企业为单位，单一法人以部门为单位，界定数据资产以及生成该资产所需的数据资源的权属类型和权属对象。统一登记数据权属，以权属分配数据管理职责，明确数据共享机制，决定收益分配或绩效考评。企业内部数据资产权属管理为后续参与数据

31、要素市场打好基础，积累经验。其次是数据资产价值评估。由于数据资产的特有性质，数据资产的价值实现不仅与数据资产的内容和质量相关，也与数据资产利用过程中的算法、模型和算力相关，并依赖于数据资产的使用者在业务场景中的应用能力和执行能力，其易变性、多样性、可复制性和弱排他性是价值评估的难点。企业建立一套逻辑自洽的数据资产价值评估方法，对数据产品研发的投入产出进行量化分析，推动数据产品研发成本的准确归集，展现数据产品在业务经营中带来的经济利益并达成内部共识，进而推动数据资产再研发再运营的良性循环。企业寻求独立第三方开展数据资产价值评估，通常有三个目的，一是数据产品参与数据要素交易，实现合理客观的定价；二

32、是企业将数据资产抵质押给金融机构以实现融资，这是数据资产金融属性的体现；三是在财务报告和信息披露中，通过第三方对数据资产特定价值进行评定和估算，向外界展现企业应用数据资产产生的经济利益。中国资产评估业协会为规范资产评估机构及专业人员执业操作，先后发布资产评估专家指引第 9 号数据资产评估和数据资产评估指导意见。企业可根据数据资产价值主张的目标和评估结果的使用途径，自行决定采用何种评估方法，细化评估参数。现阶段以内部应用为主的数据资产，仍以成本法为主。数据要素类企业，有较为明确的数据产品交易场景且收益认定直接，可试点采用收益法。无论采用何种方法，数据质量都是需要重点考量的因素，数据质量对数据价值

33、的认定起着决定性的作用。实现数据资产化闭环的数据资产会计处理政策，也在近期得以突破。数据资产在业务端的认定、分类、管理与运营，部分企业启动较早，陆续开展试点，但财务端的准则基准、科目设置、会计处理与信息商业银行数据资产体系白皮书 6 披露一直未有政策指导和具体行动。2023 年 8 月，财政部印发的企业数据资源相关会计处理暂行规定实现了财经领域的突破，引起了广泛关注和持续研讨。尽管在会计准则层面主要是基于现有关于存货和无形资产的定义和确认条件进行规范，企业判断数据资源是否可以“入表”的原则没有发生重大的变化，但单独针对数据资源设定特定科目、以业财一致性为原则开展成本计量、初始会计处理和后续处理

34、，以及针对企业数据资源来源、加工、使用以及发挥作用情况进行自愿披露，以展示企业在数据资产领域的投入和成效。暂行规定出台后，已经有企业在研讨解读，从数据产品立项选择、可行性分析、研发成本台账、内部控制和财务系统等方面，积极准备在生效日后，试点数据资源入表从 0 到 1 的第一步，也为各行业数据资源入表积累典型案例。后续，随着法律法规、地方条例、实施细则的陆续出台，行业领先的企业开展数据资产入表案例的引领作用以及数据要素市场的助推下，千行百业的数据资产化更将百花齐放。商业银行数据资产体系白皮书 7 第第2 2章章 数据资产化是企业数据治理向上演进数据资产化是企业数据治理向上演进的必经之路的必经之路

35、 “健全数据治理体系。制定大数据发展战略。确立企业级的数据管理部门，发挥数据治理体系建设组织推动和管理协调作用。完善数据治理制度，运用科技手段推动数据治理系统化、自动化和智能化。完善考核评价机制，强化数据治理检查、监督与问责。加强业务条线数据团队建设。”“增强数据管理能力。构建覆盖全生命周期的数据资产管理体系，优化数据架构，加强数据资产积累。建立企业级大数据平台，全面整合内外部数据，实现全域数据的统一管理、集中开发和融合共享。加强数据权限管控，完善数据权限审核规则和机制。”-中国银行保险业监督管理委员会 关于银行业保险业数字化转型的指导意见，2022 年 1 月 https:/ 商业银行数据资

36、产体系白皮书 8 2.12.1 先行开展数据治理的企业，数据治理工作步入深水区先行开展数据治理的企业，数据治理工作步入深水区 伴随着企业信息化和数字化的进程，对“数据治理”的探索由来已久。从早期探索到广泛应用，可以分为三个阶段。第一阶段为早期探索，早在 1988 年由麻省理工学院的两位教授启动了全面数据质量管理计划（TDQM），可以认为是数据治理最初的雏形，同年，DAMA（国际数据管理组织协会）成立。时间一直走到 2002 年，数据治理概念首次出现在学术界，美国两位学者发表题为数据仓库治理的研究探讨了Blue Cross 和 Blue Shield of North Carolina 两家公司

37、的最佳实践，由此拉开了“数据治理”在企业管理中的大幕。第二阶段为理论研究，在美国学者发表数据仓库治理的第二年，2003 年 DGI（国际数据治理研究所）成立，研究数据治理理论框架，与 ISO 国际标准化组织对数据管理与数据治理进行定义。直到 2009年，国际数据管理协会 DAMA 国际发布数据管理知识体系指南（简称“DMBOK”），至此数据治理的理论框架基本固定。第三阶段为广泛接受与应用，伴随着数据仓库的建设，主数据管理与商务智能平台的实施，国内也逐步开始接受并利用数据治理的概念进行推广实践。我国数据治理之路在 DMBOK 基础上不断延伸和扩展，里程碑事件为在 2015 年提出了数据治理白皮书

38、国际标准研究报告。在总结数据治理中国实践的基础上，2018 年由国家标准化管理委员形成并发布了数据管理国家标准数据管理能力成熟度评估模型(GB/T 36073-2018)，进一步明确并建立了数据管理相关的 8 个领域，5 个等级的能力模型。为指导企业开展能力自我评估和第三方独立评估，2022 年发布了国家标准数据管理能力成熟度评估方法（GB/T 42129-2022），并于 2023 年 7 月 1 日起正式实施。2018 年，当时的银行业监督管理委员发布了银行业金融机构数据治理指引（以下简称数据治理指引），这是首个以行业监管指引的方式明确提出的全行业覆盖的数据治理规范，标志着数据治理在银行业

39、的全面实施。各家银行数据治理起步工作可能稍有前后，但以数据治理指引的发布为标志，数据治理工作进入深水区。银行业作为全面实施数据治理工作的行业，监管指引的发布使得数据治理成为银行业的刚需。数据治理的复杂性日益提升，主要体现在以下几个方面：一、数据治理与银行数字化转型战略紧密结合，数据治理的自我驱动力增加一、数据治理与银行数字化转型战略紧密结合，数据治理的自我驱动力增加 在银行业数字化转型的浪潮下，银行的资产规模虽然仍然很重要，但已经不足以成为银行成功的必要因素；另一方面，数据规模和质量方面的竞争对于维持竞争优势将更为重要。同时，银行主营业务收入将不只是依赖传统、标准化的产品服务，而是来自高度定制

40、化的产品和通过数据驱动的智能化决策所实现的个性化互动。银行通过数字化手段创建连接客户、产业链、供应商、合作伙伴的能力，该能力带来的数据资源的飞速增长，如果未能通过有效的数据治理，将数据资源转化高度契合业务决策和洞察力所需要的匹商业银行数据资产体系白皮书 9 配链接能力，银行终将失去领先于同业的差异化竞争优势。因此，银行由自身数字化转型实现差异化竞争，而产生的数据治理内生驱动力，对数据基础和应用能力提出了更高、更迫切的要求。二、数据治理由面向数据对象转化为面向数据应用，数据治理的复杂度提升二、数据治理由面向数据对象转化为面向数据应用，数据治理的复杂度提升 大部分银行的数据管理起始工作，是从建立基

41、础数据以及指标数据的数据标准开始的，以数据对象的业务属性、技术属性和管理属性的规范定义为目标，形成企业级数据标准，并开展数据质量的检查、分析、改进和控制，提升局部的数据质量。数据管理工作多数是围绕数据对象展开，并且以存量数据为主，是对存量数据的规范性进行修复。面向数据应用的数据治理，以数据应用成效为目标，着力提升数据分析和应用的核心能力，数据治理需要覆盖数据应用以及生成该应用的一系列数据资源，包括源头数据、加工过程中的数据模型、逻辑规则、分析算法、数据服务提供模式、以及为保障端到端数据质量的数据标准、数据质量规则以及元数据等。在数据应用投入运营后，数据管理还需要对增量数据，甚至实时数据进行持续

42、监控，不断收集应用效果的反馈，优化分析规则和算法模型，从而保障数据应用成效可以达成预期的应用目标，包括对过去业务经营情况的准确反映，以及对未来业务趋势的准确预测。三、三、数据治理广度和深度增加，需要更加自动化和智能化的工具支持数据治理广度和深度增加，需要更加自动化和智能化的工具支持 数据治理的对象日益复杂，数据应用需求琐碎多样，数据加工链路多时序并存，生产数据的源头系统变更无法及时感知等，通过手工方式无法实现复杂的数据管理要求，需要借助自动化和智能化工具，在日渐智能化的数据应用研发过程中，数据管理的方法和工具需要与时俱进。结合当前技术的成熟情况，我们总结了以下数据管理自动化与智能化的应用场景。

43、功能描述 技术应用 数据资源盘点 将企业所有的元数据进行自动采集，形成完整的数据资源清单、分布以及关联关系，建立企业数据资源的知识图谱。元数据采集技术，知识图谱，自然语言处理技术、血缘分析等。数据资源信息补齐 在数据字典缺失的情况下，借助预训练大语言模型，根据表和数据字段名自动生成中文字段名称和字段含义，并自动匹配数据标准。自然语言处理语义理解、相似度计算等。数据模型校准 建立企业级数据模型库，在信息系统和数据应用的研发全过程，使用数据模型进行业务需求分析和系统设计，运用数据模型和数据标准对表结构进行一致性比对，识别系统实现态的数据与模型规范及设计态的偏离。元数据分析技术，数据模型分析、相似度

44、计算等。数据变更协同 数据链路上的任何一点发生数据结构的变化，自动评估对下游数据链路的影响，并通知受到影响的相关岗位。元数据动态捕获，消息队列，血缘分析等。数据自动分级分类 根据数据分级分类标准和历史数据分级分类结果，借助预训练大语言模型，自动对存量或增加的数据资源标注分级分类标签。深度学习、自然语言处理等。商业银行数据资产体系白皮书 10 数据需求智能匹配 对文字描述的数据需求进行语义解析，提取数据需求列表，并与已实现的数据产品进行匹配，以减少数据需求的重复开发。自然语言处理语义理解，相似度计算等。图 2 数据管理自动化与智能化应用场景 四、四、数据安全在数据治理中的比重增加数据安全在数据治

45、理中的比重增加 数据安全一直是数据治理体系中的组成部分，数据安全管理与防护措施，用以确保数据的完整性、机密性和可用性。近几年，随着网络安全法、数据安全法和个人信息保护法等上位法的发布，以及中国人民银行陆续发布的行业数据安全规范，包括金融数据安全 数据安全分级指南（JR/T 0197 2020）、金融数据安全 数据生命周期安全规范（JR/T 0223 2021）以及业务领域数据安全管理办法（征求意见稿）等，数据安全在数据治理领域的重要性突显，数据合规不仅是保护企业自身数据权益，也是满足法律法规要求的必要条件。在银行实践来看，数据安全侧重于数据加工全链路中的数据对象安全，面向业务应用的数据服务安全

46、，以及面向数据内外部流通的数据共享安全。通过对全链路数据对象的分级分类，形成等级完整的数据保护机制，将数据安全管理流程与数据保护技术相融合，主要包括数据脱敏、加密解密、数据防泄漏、身份认证、数据权限、数据库审计等，同时依托网络、主机、操作系统等基础设施层级的信息安全保护机制，形成专业分工、守护底线、服务应用的平衡型数据安全体系。数据合规还需要关注个人信息保护与数据应用权属之间的平衡，这也是数据治理中的一个难题。以银行为例，在零售金融业务活动中，个人用户在享受便捷的金融服务同时，也将部分个人数据、家庭数据、消费数据、账户资金数据等沉淀在银行。银行在数据安全体系下，通过脱敏、加密、标签化等技术手段

47、，形成数据应用，并在营销、风控等场景中发挥作用并产生收益，这个过程中需要做到个人信息保护的底线未被突破，又需要在明确权属的情况下鼓励对数据的创造性加工。目前我国尚未发布个人信息保护法的具体实施细则，也未有数据应用权属的明确立法，在数据治理实际工作中，需要坚决守住红线，加强对个人信息的技术防护，在内部应用场景中也需要限制对个人信息的接触范围，及时跟进法律法规进展和相关判例，在合规的框架下更有信心地开发有创新性的数据产品。2.22.2 当前数据治理工作的局限与困境当前数据治理工作的局限与困境 如何做到“神形兼备”如何做到“神形兼备”无论是国际数据管理协会引入的 DMBOK，还是数据管理能力成熟度的

48、国家标准，亦或是银行业的数据治理指引，企业开展数据治理有章可循，有据可依。通过开展一系列“规定动作”，企业初步成立了数据治理的组织架构，明确了数据管理职责，建设了数据管理的制度及流程，抓住“数据标准”、“数据质量”和“元数据”三项数据管理核心工作，开展重要的数据标准定义和数据质量提升等工作。更进一步，一些先行开展数据治理的企业还积极推进主数据管理，或是以关键业务系统如核心系统、信贷系统、中间商业银行数据资产体系白皮书 11 业务系统等的重构为契机，落地数据标准，进一步从数据源头强化数据标准落地和数据质量控制。还有一些企业，通过数据仓库、湖仓一体等数据平台建设，以规范入仓入湖的数据标准化为抓手，

49、通过唯一性整合、编码映射、重分类、清理异常值等方式实现数据标准落地，支撑日常统计、多维度经营分析、场景营销、风险管控等各类数据分析应用。这些工作的引入和运作，初步搭建起企业数据治理的骨架，数据治理的“形”有但更需“神”在。数据治理的“神”在于将数据管理活动贯穿于数据应用开发的全流程中，建立起从数据源头到数据应用空间链路，数据从生成到销毁全生命周期的时间链路的伴随式数据管理机制，数据在时空链路上的流动变换，数据治理中的需求分析、模型设计、标准建设、质量监控、血缘追溯、安全管理等各项具体工作依次展开，如图 3 所示。数据治理与数据应用的融合，并不是在时空各环节依次叠加数据管理的各项工作，而是分析拆

50、解数据应用的需求，提取需求中基础数据和数据加工的共性部分，以数据模型为核心，以数据血缘关系为连接，整合数据标准和数据质量检核规则，在数据应用开发过程中，保障时空链路中的数据规范有序，加工逻辑准确无偏，及时识别数据质量问题并有效纠偏。数据应用上线运行后，数据治理持续守护数据时空链路中的增量内容，第一时间感知源头数据库表结构变化或业务变化带来的数据偏离，监控数据链路中数据各层级接口、数据订正、数据加工调度、维度数据变化导致的数据质量异常，阻断脏数据通过时空链路向数据应用的蔓延。图 3 时空全域数据治理 打通数据管理与数据研发流程，将规范的数据模型与数据标准伴随数据研发全过程，研发人员在编写代码的环

51、境中可以获得模型和数据标准的提示，或是自动补齐 SQL 代码，让数据管理的要求无缝嵌入项目建设的各个环节。通过需求拆解和模型复用，下沉共性数据加工逻辑，减少数据需求响应时长，避免重复资源浪费和单独加工可能导致的不一致性。从数据需求至服务供给的端到端数据研发治理一体化，数据可信程度提升，也进一步增强业务人员自主取数用数的能力。如何避免“孤军作战”如何避免“孤军作战”数据治理之所以称其为“治理”，与企业上下层级间的统一共识、跨部门的协作配合密切相关。企业治理层参与数据治理目前在大部分企业已达成共识，治理层参与制定企业数据战略决策，评议并决策数据管理工作中的重大或争议事项。在实务工作中，治理层的参与

52、形式主要是定期或不定期召开的数据治理相关会议，更重要的是在会议过程中“有事可议”并形成决策事项。这就要求数据归口管理部门收集并整理商业银行数据资产体系白皮书 12 数据管理工作中的重大事项或争议事项，提请企业治理层进行决策，形成决策事项的落实台账，并跟进执行情况。企业设置数据归口管理职责，通常存在三种模式。一种是单纯行使数据管理职责，另一种是整合数据应用研发与数据管理职责，第三种是数据底座建设、数据应用研发与数据管理职责三合一。这三种模式各有优劣，企业可根据自身数据能力成熟情况与资源分配进行排列组合。同时，我们也认识到，这三种模式都有一个共同点，即数据归口管理职责，往往不在产生数据的部门，也不

53、在最终应用数据的部门。数据管理具体工作琐碎而细致，同时又责任重大，数据归口管理职责按数据的业务性质分配具体的数据标准维度、数据质量问题修正等工作，其优先级往往低于一般的业务作业。一旦出现数据质量问题导致业务损失，又出现相互推诿的情况。以银行业数据治理中的监管报送数据质量管理为例，近几年监管机构对报送数据的质量要求越来越高，因监管数据质量产生的行政处罚成为悬在各家银行头上的“达摩克利斯之剑”。监管报送的目的是为了收集反映银行保险机构经营情况和风险状况的数据，而数据由业务部门办理业务记录沉淀下来以后，经信息系统加工汇总，根据监管的各类报送要求规范进行映射转换，由相关部门复核后，由数据管理部门或者监

54、管报送归口部门报送至监管处。如原银保监的检查分析系统(Examination and Analysis System Technology,EAST)，需要银行报送各类客户数据、账户数据、合约数据、交易数据，业务部门需要理解相应的报送口径，识别该类数据在哪些源头系统的哪些业务流程中产生，数据开发部门需要根据监管的规范要求对源头系统中的数据进行标准化转换，数据管理部门对整个过程进行管理监控，不仅需要组织对监管口径进行解读，还需要开展必要的质量校验，一方面满足监管的基本规则要求，另一方面还需要满足各表之间的关联校验以及不同报送的数据校验，并对出现争议的问题组织管理层进行决策。因此，数据治理并非是单

55、一部门的事情，针对全行数据的创建采集、处理应用、处置销毁整个路径上不同部门所承担的职责，以及数据从源头系统到数据平台进行映射转换、到报送系统整个空间路径上分工不同，需要各部门相互协同共同完成高质量数据报送。数据治理齐抓共管，需要明确数据管理、数据资源供给和数据产品消费这三者在数据价值链条上的各自权属和价值收益，转变数据管理只有“责任分派”，没有“权属收益”的状况。建立企业内数据权属类别和权属分配原则，以权属为桥梁，权属与责任相匹配，权属与收益相挂钩，从而调动各方参与数据管理的积极性。根据“数据二十条”数据确权原则可以包含以下内容，如图 4 所示：商业银行数据资产体系白皮书 13 图 4 数据确

56、权原则 “数据二十条”定义的数据资源持有权，数据加工使用权和数据产品经营权，并且倡导“平衡兼顾数据内容采集、加工、流通、应用等不同环节相关主体之间的利益分配”，“数据要素收益向数据价值和使用价值的创造者合理倾斜”的原则，在企业内部同样适用。数据资源持有权对应数据创建生产的环节，通常是某一业务的主管部门，其需要落实源头数据质量管控措施；数据加工使用权对应数据应用的研发部门，包括前面论述的在数据加工环节落实数据管理需求；数据产品经营权对应在业务场景在使用数据产品进行业务分析决策的业务部门，并且需要对使用效果进行收集和反馈，保持数据产品的生命力。数据应用的价值通过归因逻辑分配至各个角色，适当体现在部

57、门或岗位绩效之中，数据应用的价值成效，通过各参与方的权属分配，落实具体的各参与方的数据管理职责，“以用促管”使得数据管理工作更加深入业务经营环节。如何体现“物有所值”如何体现“物有所值”数据治理工作类似房屋装修中的“隐蔽工程”，作用不可或缺但显性化的成效难以体现，或是短期投入与长期收益之间的错配，让数据治理是否“物有所值”存在质疑。数据治理工作的成效，可以从三个方面体现：数据质量改善数据质量改善：数据质量管理是数据治理的生命线，也是评价数据治理成效最重要的维度。数据质量改善成效可以从三个子维度进行评价，即数据标准偏离情况、数据业务质量达成情况以及用户评价，可以建立以下评价指标，包括数据资源内容

58、空值率、数据内容查得率、质量检核规则通过率、元数据内容空缺数量、数据业务真实性、数据业务完整性、质量用户评价等。数据研发效能提升数据研发效能提升：商业银行数据资产体系白皮书 14 侧重考察数据治理对数据研发时效性、有效性、交付质量和成本等维度，评价维度包括数据研发运营特征、数据研发过程、数据研发交付能力以及数据研发成本等。数据治理对数据研发过程质量提升、响应时长缩短以及研发成本降低，是其成效的重要体现。数据产品业务价值数据产品业务价值：数据产品在应用场景中发挥的业务价值，是数据治理的终极目标，也是数据资源认定为数据资产的前提条件。业务价值中多少比例可以归因于数据治理，这个还有待探讨和实践，但两

59、者呈现强烈的正相关性，这一点是毋庸置疑的。业务价值的评价维度包含了对数据应用质量的评价和数据应用所达成的业务收益的评价。前者包括应用范围、应用质量和应用热度等维度，后者包括业务创新、收入增长、成本降低、风险管控等价值认定，还包括了数据应用带来的社会责任、环境责任的评价。企业可以从上述三个维度建立数据治理成效评估体系，以可视化的方式定期生成数据治理综合看板，在管理层和业务部门宣传数据治理成效，也接受同仁对数据治理工作的监督，形成众人拾柴火焰高的数据治理文化。2.32.3 数据资产管理是企业数据治理向上演进的必经之路数据资产管理是企业数据治理向上演进的必经之路 当前，数据治理工作中存在的困境，都是

60、推动数据治理走出单一管理或者技术的局限，以数据治理为基础，面向应用数据的业务场景，以服务业务决策、提升业务认知、创造业务价值为目标，实现数据资源向数据资产的转变。我们认为，数据资产管理是企业数据治理向上演进的必由之路。2023 年 4 月国际数据公司 IDC 发布的首份中国金融业数据治理市场洞察报告IDC Perspective：中国金融业数据治理市场洞察，2023中也表示，作为中国金融业数据治理的更高级阶段，中国金融业数据资产管理市场正在开启。2023 年 8 月，Gartner 发布的2023 年中国数据分析和人工智能技术成熟度曲线（来源：https:/ 5 所示。在这条曲线上，“数据治理

61、”处于顶峰下滑阶段，接近“泡沫破裂低谷期”（Gartner对这个时期的定义是：“随着竞争者的加剧，优胜劣汰开始出现，只有拥有核心技术和找到成功商业模式的公司存活下来。媒体对它的报道逐步冷却。”），而在其身后正在向“期望膨胀期”（Gartner 对这个时间的定义是：“该技术逐步成型，出现了成功的案例，一些敏锐的公司开始跟进。媒体开始大肆报道，产品的知名度达到高峰。”）攀登的，其中一个技术领域正是“数据资产管理”，并且是唯一一个在未来 2 年内实现生产成熟的技术。这条曲线与我们对数据资产管理的观点有异曲同工之妙，即数据资产管理是数据治理向上演进的必经之路。商业银行数据资产体系白皮书 15 图 5

62、2023 年中国数据分析和人工智能技术成熟曲线 如图 6 所示，数据管理能力成熟度第 3 级稳健级到第 5 级优化级能力提升的路径，反映了企业对数据价值从有意识、到可量化、再到持续创造更多价值。数据资产在企业中发挥的作用逐级提升，从实现绩效目标，到获取竞争优势，再到成为生存发展的基础。其中，数据管理效率和效益的量化评估，是高等级数据管理能力的重要特征，它体现了数据管理从单纯以数据为对象、以技术为手段，转变为注重数据在业务经营和认识决策中收益的识别、度量和评估，强调数据价值的可量化、可监控和可持续优化。这也体现了数据管理向高等级发展，所需具备的技能和特征。图 6 数据管理能力成熟度 商业银行数据

63、资产体系白皮书 16 在数据资产体系中，数据治理仍然占据着基础性的地位，并且贯穿数据资产的全生命周期。数据资产研发、运维和业务运营的过程，各项具体细致的数据管理工作将保障数据资产从业务需求到达预期可使用状态的数据基础。商业银行数据资产体系白皮书 17 第第3 3章章 数据资产体系发展概述数据资产体系发展概述 “数据作为一种新的生产要素，已成为企业机构的竞争优势。数据具有快速、多样、大量和描述事实的特点，因此企业机构必须整合流程来生成数据洞察。”-Gartner 2023 年中国数据分析和人工智能技术成熟度曲线，2023 年 8 月 https:/ 商业银行数据资产体系白皮书 18 3.13.1

64、 数据资产体系发展阶段数据资产体系发展阶段 数据管理与经营主要经历四个发展时期，依次是数据资源化时期、数据产品化时期、数据资产化时期和数据资本化时期。数据资源化时期：数据资源化时期：在于建设业务信息化，积累数据资源。该时期聚焦于数据治理，属于价值积累阶段，主要任务包含建立数据治理体系、构建数据能力体系、产生并积累数据要素和打造高可信数据集。数据产品化时期：数据产品化时期：在于面向业务需求，供应数据服务。该时期更多关注数据产品，属于价值创造阶段，主要工作包括分析用户数据需求与应用场景、管理数据产品开发生命周期和衡量数据产品价值。数据资产化时期：数据资产化时期：在于经营数据资产，主张数据价值。该时

65、期数据资产是核心，属于价值运营阶段，工作重点在于数据资产常态化管理、数据资产敏捷化运营、数据资产价值评估和数据资产入表。数据资本化时期：数据资本化时期：在于数据要素流通，数据资产增值。该时期数据资产仍是核心，属于资本增值阶段，旨在完成数据资产交易流通，通过数据资产价值提升促进银行在资本市场的市值提升。图 7 银行业数据管理与经营发展时期 数据是构成数据资源、数据产品和数据资产的基础，数据资产体系又建立在数据资源、数据产品和数据资产之上。数据资源、数据产品、数据资产三者相互依存，又有所区别。为更快更稳地从数据资源化时商业银行数据资产体系白皮书 19 期和数据产品化时期，向数据资产化时期和数据资本

66、化时期迈进，接轨数据要素市场，首先厘清数据资产及数据资产管理相关的基本概念至关重要。3.23.2 数据资产相关术语数据资产相关术语 什么是数据：什么是数据：数据通常是指事实或观察的结果，是对客观事物的逻辑归纳，是用于表示客观事物的、未经加工的原始素材。它是对客观事件、客观事物的性质、状态以及相互关系等进行记录并可以鉴别的物理符号或这些物理符号的组合。维克托迈尔-舍恩伯格、肯尼斯库克耶在大数据时代：生活、工作与思维的大变革中提出了大数据一般具有多样化、大量化、快速化、价值密度低等特点。什么是数据资源：什么是数据资源：于企业内部而言，业务经营和管理的过程，就是数据资源生成和积累的过程。数据资源来自

67、于企业日常的生产经营管理活动，涵盖范围较广，具体包括生产系统库表、数据仓库表、指标加工程序、合同文本、Excel 记录、客服录音等，手工台账、打印报表、口头通知等则不属于数据资源的范畴。上海数据交易所将数据资源定义为来自于不同生产源的数据集，在物理上按照一定的逻辑归集后达到一定规模，且具有可重用、可应用、可获取的数据集合。该定义更聚焦于数据本身，关注数据集的来源、规模以及其应具备的特点。企业将直接或间接获取或采集的原始数据进行必要的加工整理、归集和存储后，从而形成数据资源。什么是数据产品：什么是数据产品：对企业内部来说，数据产品是指面向业务需求和应用场景，通过对数据资源的加工，形成可供应用的面

68、向业务需求和应用场景，通过对数据资源的加工，形成可供应用的数据服务。数据服务。其主要强调数据产品是基于数据资源和应用需求形成的一种服务，比如经营分析指标、监管报送报表、算法生成的营销名单、客户标签、风险加权资产金额、提供数据服务的 API 接口等。生产系统库表、数据仓库表、指标加工程序等则不是数据产品。上海数据交易所认为数据产品是指面向内外部用户，拥有特定应用场景的数据集，或是从数据集中衍生出的数据服务。其将数据集和数据服务都纳入了数据产品的范畴。数据资源持有方通过自己组织或有效授权给外部机构，以数据使用方的需求为导向进行数据产品的研发，形成可服务于内外部用户的、以数据为主要内容的数据产品。什

69、么是数据资产：什么是数据资产：业内对于数据资产的定义一直有所讨论，但截止目前仍未对该概念达成一致。如叶雅珍叶雅珍 刘国华刘国华 朱扬朱扬勇数据资产化框架初探（勇数据资产化框架初探（2018）中定义）中定义“数据资产是指拥有数据权属（勘探权、使用权、所有权）、有价值、可计量、可读取的网络空间中的数据集。”史学智史学智 阳镇从资产要素之定义重新审视阳镇从资产要素之定义重新审视“数据资产”（“数据资产”（2021）中定义）中定义“源自企业自身的商业数据资产可以定义为企业控制的、以电子化形态存在的、源于企业自身的、对客观世界进行记录和表达的资产，源自其他主体的商业数据资产可以定义为企业控制的、以电子化

70、形态存在的、源于其他主体且经授权的、能够合法地对客观世界进行记录和商业银行数据资产体系白皮书 20 表达的资产。”许宪春许宪春 张钟文张钟文 胡亚茹数据资产统计与核算问题研究（胡亚茹数据资产统计与核算问题研究（2022）中）中将“数据资产”定义为：“拥有应用场景且在生产过程中被反复或连续使用一年以上的数据。”。从企业的角度看，数据资产是指面向内部和外部提供的数据产品，加上用以形成该产品的数据资源，面向内部和外部提供的数据产品，加上用以形成该产品的数据资源，并满足可确定权属的、可追溯来源的、可被有效管理的条件，为企业带来可被衡量的价值并满足可确定权属的、可追溯来源的、可被有效管理的条件，为企业带

71、来可被衡量的价值。数据资产由数据产品和与之相关联的数据资源组合构成。例如，经营分析指标加上用于计算指标的程序、数据仓库表和生产系统库表，满足可确定权属、可追溯来源、全过程有效的数据管理、业务价值可以被衡量四个条件，都算作数据资产。该定义着重指出数据资产直接面客，是为用户提供的数据产品，面向企业内部和外部，通过通用查询、智能检索、可视化、数据挖掘等方式服务于业务分析与数据应用。该定义还强调数据产品和数据资源的关系，那些用以形成数据产品的数据资源，其权属应可以被明确分配到对应的部门与联系人，其上下游的加工链路应可以被追溯，同时其也应可被企业有效管理；处于无法确定权属、无法追溯来源、无法被有效管理任

72、一情况下的数据资源都不能列为数据资产。与此同时，该定义还关注数据资产能够带来可被衡量的价值，数据应通过直接或间接的方式为企业带来潜在或实际的价值，并且其价值可以被衡量；无法带来价值或带来的价值不可被衡量的数据不能划分为数据资产。此外，数据资产可以被企业内部数据资产价值评估体系认定，或者在数据交易所挂牌并产生交易。上海数据交易所将数据资产定义为企业拥有或控制的、预期会给企业带来可持续经济利益（内部价值或外部收益），以数据为主要内容和服务的可辨认形态，拥有应用场景且在生产过程中被反复使用一年以上的数据。该定义对数据在权属、经济价值、应用场景和使用时间等方面做了一定程度的约束，从而限定数据资产的范围

73、。数据资源之于数据资产就像饮用水资源之于瓶装水产品，数据资源变成数据产品再到数据资产所经历的过程如同饮用水资源被装瓶并贴牌的过程。数据资源根据不同的业务需求和应用场景被加工成多种多样的数据产品，就好比饮用水资源依据地区、身份背景等因素影响所产生的不同受众偏好与客户需求，被搬运至工厂分别进行装瓶，变成各式各样的瓶装水。而数据产品经过定价变成可被交易的数据资产的阶段，就如同瓶装水进行贴牌，完成后变成品牌瓶装水产品进入市场可被售卖的阶段。图 8 数据资产 VS 矿泉水产品 商业银行数据资产体系白皮书 21 3.33.3 数据资产管理相关术语数据资产管理相关术语 中国信通院在数据资产管理实践白皮书（5

74、.0 版）中指出，数据资产管理是指对数据资产进行规划、控制和供给的一组活动职能，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。企业应优化数据管理体系，构建数据资产管理体系，从数字化转型等企业级战略出发，自上而下地规划全企业的数据资产管理工作，数据资产的各项管理活动具体涵盖数据资产盘点、数据资产分类、数据资产确权、数据资产认定、数据资产登记、数据资产处置、数据研发运维一体化（Data Ops）、数据资产评价、数据资产价值评估等方面。数据资产盘点：数据资产盘点：数据资产盘点是指企业对拥有的数据资产及其相关属性信息进行详细梳理清点，

75、以全面掌握当前数据资产情况的过程。企业应制定盘点计划，对存量数据进行系统化梳理，开展存量数据资产盘点，同时管理增量数据资产，逐步建立数据目录。数据资产分类：数据资产分类：数据资产分类是指根据数据资产的属性或特征，将其按照一定的原则和方法进行区分和归类，并建立起一定的分类体系的过程。企业应建立数据资产分层分类体系，明确数据资产类型与应用领域分类，以满足不同用户的用数需求，为数据资产管理奠定基础，从而促进数据资产的积累与广泛应用，实现数据赋能业务。数据资产确权：数据资产确权：数据资产确权是指企业各部门确认数据资产权属的过程，从业务流程和数据应用的视角出发，确认数据资产归属部门。数据资产确权是完善数

76、据资产各项属性的前提，企业应建立数据资产确权原则，制定具体的数据资产归属部门认定规则，明确参与数据资产管理的各角色方及其相应的权利与职责内容，规范数据资产管理工作，保障数据资产管理稳步开展。在数据二十条中对数据提出了要“根据数据来源和数据生成特征，分别界定数据生产、流通、使用过程中各参与方享有的合法权利，建立数据资源持有权、数据加工使用权、数据产品经营权等分置的产权运行机制”。依托数据二十条，数据资产明晰了确权的内容和方向，并且藉由这一条令，在企业中推广数据三权确认，加强数据的管理和应用推广。数据资产认定：数据资产认定：数据资产认定是指判断数据资源是否属于数据资产，明确划分数据资产范围的过程。

77、不同类型的数据资产，如指标、报表、API、标签等，有各自不同的作用、价值、使用场景、使用量等，数据资产认定需要依据数据资产的特点和数据资产管理要求制定出通用的和个性化的数据资产认定规则，为日后指导开展数据资产登记做准备。数据资产登记：数据资产登记：商业银行数据资产体系白皮书 22 数据资产登记是指依据数据资产认定原则，认定数据资源纳入数据资产范围并将数据资产记录在数据资产目录中的过程。企业应根据自身现状建立自动化、半自动化或手工等形式的数据资产登记机制，并针对存量数据资产与增量数据资产制定相应的数据资产盘点流程与数据资产发现流程，推动数据资源转化为数据资产。数据资产运营：数据资产运营：数据资产

78、运营是指通过对数据资产服务、数据资产交易、数据资产使用等的需求实现、运维支持、成效分析等过程，形成数据资产的闭环管理，促进数据资产的迭代和完善，不断适应和满足数据资产的应用和创新需求。数据研发运维一体化（数据研发运维一体化（Data OpsData Ops）：）：数据研发运维一体化（Data Ops）是旨在构建可协作、敏捷化、自动化的数据管道和应用程序开发运维体系，帮助数据团队从数据孤岛、手工或重复工作以及大量数据质量问题中脱离，从而不断改进业务并为业务提供价值。企业应将数据资产的需求与研发运营流程融合，结合开发和运营流程进行嵌入，建立数据研发运维一体化，提高数据开发与管理效率。数据资产评价：

79、数据资产评价：数据资产评价是指在数据资产管理过程中，对数据资产的数据热度（包括应用场景划分、使用情况以及质量情况等维度）、数据成本和数据重要性进行全面评估。企业应建立数据资产评价体系，定期对数据资产进行多维度评价，推动数据资产相关问题的预防、检查、发现、分析与整改工作，通过评价过程与结果，促进数据资产使用和价值提升。数据资产价值评估：数据资产价值评估：数据资产价值评估是指对数据资产的价值进行量化衡量，确定数据资产的效益与成本的过程。企业应构建数据资产估值体系，对数据资产固有价值、运营效能和各应用场景下的业务效益进行归因分析，最终实现数据资产价值的评估，盘活数据资产，实现以价值为导向的数据资产与

80、业务运营能力持续提升，为企业管理决策提供参考依据。数据资产处置：数据资产处置：数据资产处置是指根据实际需要，对数据资产进行变更或下线处理的过程。企业应建立数据资产处置机制，定期开展数据资产后评估工作，基于现实需求变更数据资产属性信息或下线数据资产，保证数据资产内容及时更新，高效开展数据资产运营。商业银行数据资产体系白皮书 23 3.43.4 国内外数据资产标准概述国内外数据资产标准概述 社会各个行业包括银行业都应该首先重视标准体系维护统一规范的建立，避免数据资产在定义、管理过程、应用流通的差异化阻碍其价值释放。截止 2023 年 9 月，国内外已正式发布 6 项数据资产标准，如图 9 所示。编

81、号 名称 类别 发布时间 归口单位 状态 GB/T 37550-2019 电子商务数据资产评价指标体系 国家标准 2019.6 全国资产管理标准化技术委员会 实施 DB52/T 1468-2019 基于区块链的数据资产交易实施指南 贵州省地方标准 2019.12 贵州省市场监督管理局 实施 ITU-T F.743.21 Framework for data asset management 国际标准 2020.8 ITU-T 发布 GB/T 40685-2021 信息技术服务 数据资产 管理要求 国家标准 2021.10 全国信息技术标准化技术委员会 实施 DB14/T24432022 政务数

82、据资产登记目录清单编制规范 山西省地方标准 2022.3 山西省政务服务标准化技术委员会 实施 YD/T 4243-2023 电信网和互联网数据资产识别与梳理技术实施指南 通信行业标准 2023.5 中国通信标准化协会 发布 图 9 国内外已发布的数据资产标准 电子商务数据资产评价指标体系（GB/T 37550-2019）是首个以数据资产评价为目标的国家标准，它将电子商务数据资产评价指标分为成本价值和标的价值。成本价值包括建设成本、运维成本、管理成本；标的价值包括数据形式、数据内容、数据绩效。基于区块链的数据资产交易实施指南（DB52/T 1468-2019）提出了基于区块链技术实现数据资产交

83、易的主体要求、合规要求、安全要求、交易规范。但该标准并不以数据资产运营管理为重点，其主要侧重基于区块链如何实现交易的过程。Framework for data asset management（ITU-T F.743.21）是最早发布的关于数据资产的国际标准。ITU-T F.743.21 建议书定义了数据资产管理框架及其相应的对象、活动和支持。数据资产管理的对象是数据资产，包括主数据、元数据和其他数据资产；活动包括数据标准管理、数据模型管理、数据质量管理、数据安全管理、数据评估管理和数据共享管理；为了保证适当的管理水平，需要相应的负责人、规章制度和技术工具。遗憾的是，该标准并未给出数据资产定义

84、，而是在术语定义章节给出了数据资产管理的解释：一组用于规划、控制和提供的业务功能数据和信息资产，包括制定、执行和监控数据相关的计划、政策、商业银行数据资产体系白皮书 24 计划、项目、流程、方法和程序，以控制、保护、交付和提高数据资产价值。数据资产管理需要业务、技术、管理的充分融合，确保数据资产的保值增值。信息技术服务 数据资产 管理要求（GB/T 40685-2021）是我国首个也是目前唯一发布的以数据资产管理为目标的国家标准。该标准明确给出了数据资产的定义：指合法拥有或者控制的，能进行计量的，为组织带来经济价值和社会价值的数据资源。该标准通过资产管理框架将数据资产管理分为管理域和非管理域两

85、层：管理域包括管理对象、管理过程、管理保障，其中管理过程包括目录管理、识别、确权、应用、盘点、变更、处置、评估、审计、安全 10 个活动；非管理域包括组织战略、目标制定、价值实现。该标准清晰地阐述了数据资产运营管理的整个过程以及与组织战略、业务价值的关系，并且在附录中给出了数据资产价值评估的参考方法。政务数据资产登记目录清单编制规范（DB14/T24432022）定义了政务数据资产目录清单如何形成的规范性过程，该过程包括准备、梳理、生成目录清单、持续维护四部分。电信网和互联网数据资产识别与梳理技术实施指南（YD/T 4243-2023）定义了电信网和互联网数据资产识别的过程，包括准备、梳理、识

86、别、展示四部分。该标准特别给出了识别数据资产的两个方法：扫描发现和流量监测，并建立标签体系标识数据资产，以及通过图表分布、检索等方式进行展示。除了已发布的数据资产标准外，国内外还有一些正在研制的标准。在国内，由中国电子技术标准化研究院牵头研制的国家标准信息技术 大数据 数据资产价值评估（20214285-T-469）已在征求意见中。根据目前公开信息，该标准会进一步明确数据资产的定义和基本属性，并详细规范数据资产评估框架、评价的关键要素以及价值评估的主要方法。国际上，ISO/TC 251于2023年5月在美国费城ASTM总部举行的第13次全体会议审议，ISO 55013（数据资产价值评价体系（D

87、ata asset value evaluation index system）已推进至 DIS（Draft International Standard）注册阶段。ISO 55013 为组织提供了关于提升和保持数据资产的有效性以实现资产管理目标和组织目标的指导，同时可以帮助组织更好地管理和利用其数据资产。ISO 55013 描述了广泛适用于各类资产和多种业务环境的数据要素范围，并为数据资产管理服务于组织目标提供支持。ISO 55013界定了数据资产、资产数据、数据质量等术语，同时界定了数据资产可能具有的价值类型及其对应的相关方，并明确哪些组织内外部相关方可能对数据资产价值的利用感兴趣。尽管目

88、前还没有已发布的数据资产价值评估的国家标准和国际标准，但都已在研制中。可以观察到，数据资产的价值评估也是国内外标准研制的焦点，围绕数据资产价值评估，未来可能会构建更多的细化标准将成为一个趋势。商业银行数据资产体系白皮书 25 第第4 4章章 “三位一体”数据资产体系的构思“三位一体”数据资产体系的构思 “数据研发运营一体化（Data Ops）聚焦于协同从数据需求输入到交付物输出的全过程。聚焦于协同从数据需求输入到交付物输出的全过程。明确研发运营目的，细化实施步骤，在价值运营、系统工具、组织模式、安全风险管理的支撑下，实现数据研发运营的一体化、敏捷化、精益化、自动化、智能化、价值显性化理念。”-

89、中国信息通信研究院，中国 XOps 应用创新发展研究报表，2022 年 12 月 http:/ 商业银行数据资产体系白皮书 26 要实现有效的数据资产管理，企业需要克服一些重要的难题。首先，企业需要建立一个全面、准确的数据资产目录。这需要对所有的数据资产进行全面的识别、分类和描述，包括数据的来源、类型、质量、价值以及其所在的分布存储位置等关键信息。同时，企业还需要定期更新和维护这个目录，以确保其准确性和及时性。其次，企业需要设立一套有效的数据资产管理制度和流程。这包括数据的采集、存储、处理、分析和使用等各个环节的规则和标准，以及对于数据安全和隐私的保护措施。这一制度和流程应该能够覆盖企业的所有

90、业务部门和大部分数据应用场景，确保数据的合规性和有效性。再次，企业需要培养一支专业且熟练的数据资产管理团队。这支队伍应具有丰富的数据管理经验和技术知识，能够熟练掌握和运用各种数据管理工具和技术，同时也需要具备良好的沟通和协调能力，以便于跨部门和跨业务的协同工作。只有这样，企业才能确保数据资产的有效管理和高效利用。此外，企业在进行数据资产管理的同时，也需要注意数据资产的价值实现。数据资产的价值实现并不仅仅是通过出售或交换数据资产来获取经济效益，更重要的是通过对数据的深度挖掘和智能分析，为企业创造更大的商业价值。这就要求企业在数据资产管理的过程中，不仅要注重数据的质量，也要注重数据的整合、共享和创

91、新应用。只有将数据视为一种战略资源，而不仅仅是一种技术工具，企业才能真正实现数据资产的价值最大化。从数据治理向上演进到数据资产管理，企业的管理手段继承了数据治理时期的治理、管理和执行能力，同时也关注企业在数据文化、组织架构、制度章程、系统平台等方面的支撑能力。这些手段和能力在数据资产管理过程中，逐步形成了数据资产所需的管理手段、运营能力以及评价方式，这三者组合形成了“三位一体”数据资产体系。三者相互促进、相互牵引，让数据资产朝着更加规范化、自优化的方向发展。4.14.1“三位一体”数据资产体系“三位一体”数据资产体系的构成与工作机制的构成与工作机制 数据资产体系是以价值为导向，以运营为手段，以

92、管理为抓手以价值为导向，以运营为手段，以管理为抓手的三位一体方法体系。是为了满足数据资产的管理以及使用，所产生的数据资产全生命周期管理、维护的整体架构。数据资产体系应该服务于数据到数据资产的演进过程、促进数据资产产生价值、计量价值的转化流程。数据资产体系应该要满足企业对数据资产的管理能力，满足企业使用数据资产的运营能力，满足企业掌握数据资产价值情况的评价能力。数据资产体系应包括数据资产管理、数据资产运营、数据资产评价三方面工作，形成“三位一体”的整体体系，如图 10 所示。商业银行数据资产体系白皮书 27 图 10“三位一体”数据资产体系 数据资产体系以数据资产运营为中心，形成“运营融合管理、

93、价值驱动运营”的理念，让“三位一体”形成相互循环。数据资产管理数据资产管理 数据资产管理应包括数据资产识别及盘点、数据资产分类、数据资产确权、数据资产认定、数据资产登记以及数据资产处置等全生命周期管理工作，如图 11 所示。数据资产管理从生命周期出发，将数据资产或数据产品从数据资源中剥离开来，识别出已能够提供应用价值或产生业务影响的数据资源/数据产品；定义数据资产分类框架，应用标签+分类的方式来展示、区分、索引数据资产；认定并确认数据资产的归属权限；形成数据资产登记注册的机制，并完善数据资产纳入管理和最终完成生命周期后的处置工作。在整个管理过程中，需要让企业的各个业务部门、管理部门在数据生命周

94、期过程中作为数据资产的权属角色、数据资产使用角色参与具体流程，包括盘点、识别、认定、确权、登记、处置过程，执行审核、申请、确认等不同的工作。同时，数据资产管理也需要系统端在线化、自动化的支持，减少人工投入导致的数据资产管理成本增加、数据资产管理静态化等问题。商业银行数据资产体系白皮书 28 图 11 数据资产管理生命周期 数据资产运营数据资产运营 数据资产运营应包括数据资产需求管理、基于数据资产需求的研发过程以及交付过程管理、数据资产或数据产品上线后的运维管理，如图 12 所示。数据资产的需求、研发到交付可视为一个一体化的小循环，从用户对数据整合、分析、应用的需求出发，将数据资源加工成为数据产

95、品，交付给用户使用，产生价值后认定为数据资产。此外，数据资产还需要长期运维支持，例如数据质量长期的维护、新数据的纳入、新功能或新工具的叠加等，均属于数据资产运营过程。数据资产是面向多层次、多时序的业务用数需求，通过一体化的运营方式，能够提升数据资产运营效能，增加数据资产价值体现。图 12 数据资产运营 商业银行数据资产体系白皮书 29 数据资产评价数据资产评价 数据资产评价工作是为了让数据资产的价值显性化、可量化，数据资产管理工作的成果能够可评价，如图 13 所示。通过数据资产的使用评价、运营情况评价、业务效益评价以及价值评估，提升数据资产管理和运营的 ROI，并为数据资产入表提供切实依据。数

96、据资产的评价可以从数据资产使用的热度、频率等方面了解业务效益相关情况；可以从数据资产的数据质量、规范化情况进行衡量，评价数据资产本身的“含金量”；还可以从数据资产对业务提升、风险化解、战略拓展等方面产生的影响、价值展现，来评价数据资产的实际作用等等。数据资产评价工作是数据资产管理和数据资产运营的量化体现，能够让前两者的循环输入新的考量因素或改进方向，促进数据资产体系良性成长。图 13 数据资产评价 数据资产体系工作机制数据资产体系工作机制 数据资产体系可以从需求端触发，从数据需求方提出数据加工或数据应用的需求开始，在开发过程中逐步认定数据资产，实现交付及管理。同时在完成数据需求后，持续运营及评

97、价数据资产。数据资产体系也可以从管理端触发，从数据资产盘点开始，将数据资产纳入生命周期管理，通过数据资产目录促进需求方发现自身需求、挖掘自身需求，进而实现从管理到应用的循环。4.24.2“三位一体”数据资产体系的相互作用关系“三位一体”数据资产体系的相互作用关系 “三位一体”的数据资产体系之间的关系，可以从“运营融合管理、价值驱动运营”两个角度来阐述，如图 14 所示。商业银行数据资产体系白皮书 30 图 14“三位一体”数据资产体系的相互作用 运营融合管理：运营融合管理：数据资产运营是数据资产体系中心，是实现数据资产价值的重要工作。数据资产需求的有效落实才能让数据资产体系展示其管理意义。因此

98、，数据资产管理可以视为服务于数据资产运营的管理能力，其管理内涵是为了更便利地开展数据资产运营工作、更有效地提升数据资产需求到落地的效益。数据资产的全生命周期管理，包含了数据资产从需求到研发到交付到运维的整体过程。数据资产需求的产生，对应数据资产盘点及识别；数据资产研发到交付，对应数据资产的认定确权以及注册登记；数据资产运维的终点，是数据资产的处置。数据资产运营过程中所需要的管理支持、管控要求等，均可以通过数据资产管理工作来实现，数据资产管理的成效则通过数据资产运营的价值来展示。通过资产运营，持续产生与丰富资产内容，快速响应资产管理需求；通过资产管理，输出管理规范和需求，促进资产运营的敏捷化与业

99、务融合。数据资产运营过程不能离开有效的管理，数据资产管理的目的是为了数据资产有效产生价值。因此，运营过程需要融合各项管理工作，两者之间的循环，能够让管理伴随运营提升，运营基于管理优化。价值驱动运营：价值驱动运营：数据资产管理和运营的成果，是资产评价的切实依据。基于运营与管理融合这一基础，数据资产价值评价能够通过驱动数据资产的需求，来驱动运营工作有效开展，进一步促进数据资产管理工作提升变化。基于资产评价结果，推动资产运营的效能进一步提升。数据资产运营需要关注数据资产需求上线后用户的实际使用情况，因此数据资产的热度、数据资产使用的反馈等，都是提升数据资产运营的有效途径。数据资产价值评价，能够展示数

100、据资产运营的重点、数据资产被使用的情况、数据资产的需求集中情况等等。这些分析以及展示都能够帮助数据资产运营工作了解其自身现状以及业务偏好，从需求服务的角度来提升数据资产运营的有效性。商业银行数据资产体系白皮书 31 同时，数据资产的评价，也能够洞察数据资产管理情况。通过定期复核数据资产评价情况，能够了解数据资产管理的缺漏、数据资产服务支持的差异，从而优化管理，从管理进一步提升运营。为了实现“三位一体”数据资产体系，不仅仅需要构建三者之间的循环，还需要从五大支撑方面来实现管理能力、运营能力以及评价能力，如图 15 所示。4.34.3“三位一体”数据资产体系的构建“三位一体”数据资产体系的构建 图

101、 15 数据资产体系与 5 大支撑 “三位一体”数据资产体系在组织团队、制度流程、平台工具、安全合规、文化建设等五大方面需要企业建立支撑能力。数据资产的管理、运营和评价离不开有效的制度体系指导、职责分明的组织团队协作，更需要平台和系统工具实现其自动化、智能化的各项工作。最后，还需要评价数据资产体系是否符合安全合规管理要求的框架、通过文化宣贯渗透企业各个层面，让整体循环体系有源源不断的“活水”。组织团队：组织团队：在组织团队方面，企业应结合现有的数据相关组织架构，增加数据资产相关的管理、运营以及评价工作职能或岗位角色，让数据资产融入原有的数据管理组织团队。数据资产相关工作与其他数据治理工作、数据

102、应用工作息息相关，不可分割。例如数据资产盘点工作，离不开各个系统元数据管理情况、数据需求情况和数据应用情况的整合与梳理，需要与元数据管理、数据需求管理、数据应用等相关职能角色交互。因此，数据资产相关角色应纳入现有体系，而不是建立一套新的体系。当然，数据资产体系在组织团队上需要提出新要求。数据资产体系需要有新的数据资产管理岗、数据产品管理岗等角色，承担数据资产生命周期管理、数据资产运营、数据资产评价等相关工作。数据资产管商业银行数据资产体系白皮书 32 理岗不仅仅需要开展管理工作，更多的是需要开展协调工作，将业务部门、其他管理部门引入数据资产体系中，带动各个部门的积极性。数据产品管理岗需要更多关

103、注数据资产需求、数据资产价值实现，尤其是在整合需求、挖掘需求、价值评价以及与外部数据要素市场接轨等方面，需要增加专设岗位来实现相关工作。从整体组织架构来看，治理层、管理层、执行层都需要明白数据资产体系构建的战略规划、管理方针以及执行策略，由上至下一致统一，才能实现有效的机制运营。制度流程：制度流程：在制度流程方面，既要考虑到数据资产体系的独立制度架构，包括一级制度定性数据资产、细则规定用于规范数据资产流程控制、操作指南明确执行步骤等等；同时也要考虑数据资产从管理到运营再到评价的各项工作的流程要求、职责划分等具体事项，让管理工作能够有制度可依据、有指南可参考；最后，还需要在整体数据制度体系中，结

104、合其他数据相关要求，例如数据合规、数据安全、数据质量、数据标准、数据开发等等已有的制度要求。如存在相互应用的情况，需要整体考量管理方案，减少已建制度和新建制度之间的冲突和矛盾。制度流程不仅仅需要在纸面上落实，还需要考虑到在管理工具、系统流程上的落实和控制，在制度要求中，减少对于人员操作的依赖，增加系统控制、自动控制。尤其是在数据资产管理和评价方面，流程需要在制度层面与实操层面实现一致性、自动化，既能降低成本，同时也能实现呈现更加有效的成果。平台工具：平台工具：为实现管理角色以及制度流程要求，平台工具起到了“承上启下”的作用。“三位一体”数据资产体系不仅仅需要平台工具在流程控制上发挥作用，更需要

105、在数据资产运营提升、价值实现上展现作用，通过数据资产与工具的结合，形成“数据产品组合”的概念，进一步加强数据资产的效用。在实现管理控制方面，数据资产管理平台、数据治理平台等系统，起到了主要作用。通过构建这些管理平台，嵌入管理流程，增加相关控制，来实现数据资产有效管控和评价。数据资产的生命周期管理流程，以及数据资产的评价成果都能在这些工具上可视化展现。在价值实现方面，各类数据分析应用系统、嵌入式小工具，都可以实现数据资产价值的提升。甚至部分智能化小工具，在数据资产价值实现方面能够以小搏大，展现出更加广泛的应用实现能力。例如指标平台、标签平台等数据资产展示、使用的平台，是数据资产产生效用的依托；例

106、如血缘分析工具、智能标签工具，能够优化数据资产的管理效率，增强数据资产可用性等。平台工具方面，随着技术的飞速发展，工具类型、平台架构等都在迅速迭代更新，数据资产体系的平台工具亦处于变化之中，数据资产体系的平台工具还需要根据实际情况与发展规划相结合。安全合规：安全合规：商业银行数据资产体系白皮书 33 数据资产的安全合规需要注意已有的数据安全、数据治理、信息安全、个人信息保护等等已有的安全合规相关要求的适配性，同时也要注意其他与数据资产、数据要素市场、数据交易等方面的规范要求。在已有合规要求方面，例如数据资产需要与数据安全的分级分类要求相适配，减少在数据资产层面引发数据安全风险、引起数据泄露问题

107、的情形；在数据要素、数据交易等方面，数据资产要注意在外部交易过程中，符合交易前的合规检查、数据评估、数据审查等要求。数据资产体系的安全合规不仅仅是数据团队的工作，也需要企业结合三道防线将数据资产的相关合规要求纳入相应职责来实现。从数据资产的应用角度来说，需要业务部门与管理部门共同参与；从合规管理角度来看，数据资产也需要各个部门齐心协力。文化建设：文化建设：文化建设是企业各类业务提升、管理建设不可或缺的部分。数字化、智能化、数据资产、数据要素等概念，目前在业界炙手可热。但是在不同的企业业态中，尤其是业务部门，对数据、数据管理等的接受程度参差不一，业务与科技之间的认知差异需要消弭。数据资产体系建设

108、，需要更多地宣贯来提升各个部门对概念的认知、对工作的支持。数据资产的文化建设方式可以通过培训的形式开展，例如每月开展数据资产认定、数据资产盘点、数据需求管理等等的介绍培训；可以通过各类海报、屏保等形式让数据资产等概念耳熟能详；可以通过数据资产竞赛活动，通过正向激励，带动大家在数据资产体系建设中的参与积极性。当然文化宣贯不仅仅需要覆盖面广、受众多，同时也需要加强对治理层、管理层的汇报和介绍。在治理层与管理层的认可和支持下，能够更容易地由上而下实现数据资产体系建设。4.44.4“三位一体”数据资产体系的优势“三位一体”数据资产体系的优势 在企业实践数据资产体系建设的过程中，往往重视数据资产管理的建

109、设，认为从数据资产的管理角度，做好数据治理、完善数据质量、定义或盘点数据资产，是为数据资产的使用“夯实基础”，缺少数据资产应用的思考和数据资产需求的挖掘；或从数据应用角度出发，使用数据、应用数据成为主要方向，缺少对数据基础的重视，在数据开发过程中，存在大量的需求重复开发、数据整合不足、难以量化评价的情况。“三位一体”数据资产体系能够做到平衡管理、运营和评价三者之间的关系。在数据资产化过程中，做到数据资产管理工作支持数据资产运营，数据资产运营工作带动数据资产管理优化，数据资产评价洞察数据资产运营成效，数据资产管理优化评价结果及价值实现。三者相互作用，才能够实现数据资产体系自优化、自提升的良性循环

110、模式。商业银行数据资产体系白皮书 34 第第5 5章章 商业银行数据资产商业银行数据资产体系建设体系建设实践实践 “深化数据管理体系建设，持续打造掌上行经营信息展示与数据驱动管理平台应用；重点推进数字化转型项目，建设包括智能风控、智能运营、智能销售、智能投顾、智能客服等领域的业务场景建设。加大大数据、人工智能、云计算、区块链等数字化技术在产品、服务、渠道和管理等方面的研究和应用，自主研发与合作研发相结合，积累和培育核心技术，为客户服务与经营管理赋能。”-上海银行 上海银行股份有限公司 2022 年度报告，2023 年 4 月 https:/ 商业银行数据资产体系白皮书 35 5.15.1 商业

111、银行开展数据资产体系建设的背景和目标商业银行开展数据资产体系建设的背景和目标 外部背景外部背景 中共中央国务院关于构建数据基础制度更好发挥数据要素作用的意见发布了以数据为中心的二十条政治措施，对银行的数据资产管理提出了要求，也为数据资产管理提供了条件。数据作为信息时代的新型生产要素，与传统资产的特性和价值存在较大差异，需要全新的管理体系以激发数据潜在价值。内部需求内部需求 上海银行已初步具备数据资产管理意识，但数据资产体系尚未明确。银行业务种类繁多，数据量大，确定数据资产定义、明确数据资产所包含的范围是做好数据资产管理工作的关键第一步。初期，行内暂未形成对数据资产的定义与范围、以及数据资产特征

112、要素的统一共识。上海银行内部体系化数据资产管理制度流程亟需确立。行内已开展部分数据资产工作，如数据资产的梳理、数据资产门户的建设，但各资产管理工作的关联、协同和基础保障需建立健全制度体系。在规划方面，行内需要建立数据资产专项发展规划，以及对应的发展框架与实施路径。数据资产在业务层面的价值显化程度还需提升。虽然现有数据资产管理工作不仅着眼于“建”，也有数据资产应用实例，但全行数据资产的整体价值释放和业务触达能力还有较大提高空间。业务部门对于已有的数据服务应用感知尚显不足，数据资产服务成效、服务场景丰富程度还需要提高。实践目标实践目标 上海银行开展数据资产体系建设工作，致力于在全行范围内建立并运行

113、数据资产管理、数据资产运营和数据资产评价的相关工作。数据资产体系的建设向上支撑全行“数字化转型”战略，构建多层次数据资产应用场景，释放数据要素价值；向下推动明确数据资产的战略定位，打造开放、创新、敏捷的数据资产服务生态，通过价值评估促进数据资产在业务侧的增值。如图 16 所示，行内最终形成以数据资产为依托，数据价值文化为导向的数字生态，实现数据推动业务，业务反哺数据的良性运作体系。商业银行数据资产体系白皮书 36 图 16 上海银行数据资产体系建设实践目标 5.25.2 商业银行数据资商业银行数据资产体系建设的工作步骤产体系建设的工作步骤 明定义：厘清数据资产的范围明定义：厘清数据资产的范围

114、为开展数据资产体系建设工作，上海银行首先明确了数据资产、数据产品、数据资源三大关键概念的定义与关系。上海银行在指标、报表、标签和 API 四类先行先试的数据资产的基础上，加入内置模型和算法、用于业务营销的分析应用，确定行内服务层数据资产（数据产品）范围，并以此为出发点进行溯源，进一步下钻数据产生过程，确定了用以形成数据产品的四类生产加工层数据资产（数据资源），包括数据模型、算法模型、规则模型、库表数据。除此以外，上海银行梳理面向全体数据的规范管理类资源，确定了模型规范、数据质量、数据标准和数据血缘四类管控层数据资产。至此，上海银行数据资产的定义与分类工作已初步完成。在明确数据资产分类的前提下，

115、上海银行数据管理与应用部内部对各类数据资产的属性进行调研与完善。数据资产属性目录的设计将各类数据资产真正串联起来，是进行数据资产盘点并形成全域数据产品地图的基础。行内服务层五类数据资产已初步形成较为完整的属性目录，但主要聚焦于数据资产本身。一方面，不同数据资产类型之间属性差异较大，缺乏统一管理和应用方式；另一方面，数据资产属性类型较为单一，缺乏对数据情况的全面展现。上海银行对现有的数据资产属性进行梳理和重构，横向建立全局属性分类体系，包括基础属性、业务属性、技术属性、管理属性、和安全属性，并且引入业务领域概念，拉齐服务商业银行数据资产体系白皮书 37 层数据资产应用场景。同时，上海银行在属性目

116、录中开创性引入关联属性，将数据血缘与引用依赖关系纳入属性管理与展示中，下钻至加工层和生产层，纵向连通数据资产的生产加工过程。成规矩：建立数据资产体系成规矩：建立数据资产体系 数据资产体系的建设实现是数据资产化的重要工作，也是数据资产化过程的载体和结果的展现。根据“三位一体”的数据资产体系方法论，上海银行在管理、运营和评价三方面着手开展了工作。数据资产管理：数据资产管理：在数据资产管理方面，上海银行从制定制度入手，在行内明确了数据资产的管理制度以及具体流程。制度涵盖数据资产的目录模板制定、数据资产的识别、确权、展示登记、使用、评价和处置环节等全生命周期；覆盖数据资产的全生命周期的重要节点，并将业

117、务部门（需求部门）、技术部门（研发部门）、数据资产统筹管理部门的工作内容和角色进行明确和细化。其中多个环节将原本的线下工作转移到线上，以自动化方式辅助人工，提高数据资产管理的效率和准确性，一定程度上落实了数据资产管理的权责划分和可追溯性。数据资产运营：数据资产运营：在数据资产运营方面，上海银行将管理与使用相结合，所有数据资产的管理流程均联动使用流程。例如标签平台、指标平台等不仅仅是数据资产产生的源头，需要纳入到数据资产管理流程中，同时也承载着服务行内标签、指标等数据资产使用的功能，需要从运营管理角度开展优化，确保管理运营一致性。数据资产运营同时还包括整体运营体系的构建，在需求管理、研发管理、运

118、维管理等方面重新定义工作要求和标准，并在后续实践中逐步落实。数据资产评价：数据资产评价：在数据资产评价方面，上海银行构建两层评价能力。一层是在行内使用过程中，数据资产的使用情况评价；另一层是数据资产在价值提升、成本节约、风险防控等方面所产生的量化价值。这两层评价均需要在内部开展试点试行，确认体系是否在现有阶段可试可行。在内部使用的情况评价上，上海银行结合现有技术能力，明确评价属性以及计算方式，明确评价权重与参数，并与数据资产门户结合，在门户上实现自动化统计量化。在价值评估方面，上海银行侧重数据资产评价的方法论实践，通过价值评估模型试点来确认数据价值评估的可行性。落系统：数据资产体系落实落系统：

119、数据资产体系落实 数据资产全生命周期管理流程在需求和加工阶段主要依赖于上下游系统及各部门间对属性目录的填写和维护，在应用和服务部分，则主要依赖于数据资产门户 2.0 的展示与推广。上海银行将管理流程与数据资产门户 2.0 设计相结合，将数据资产的展示登记、评价与处置环节嵌入门户功能，充分扩大数据资产受众群体及用户在数据资产全生命周期中的参与程度，实现数据价值释放和业务反哺数据的闭环管理。商业银行数据资产体系白皮书 38 展规划：数据资产价值实现规划展规划：数据资产价值实现规划 在构建数据资产体系后，上海银行还将进一步思考如何让数据资产价值实现更加显性化、数据资产管理成效在行内产生更大的作用。提

120、高数据资产体系的全员参与程度提高数据资产体系的全员参与程度：数据资产体系构建后，各部门尚处于初步接触阶段，作为数据的“主人”，各部门还需要加强数据资产体系在各部门内部的落实和管控力度，在分阶段落实数据资产存量盘点和新增管理工作后，自主参与数据资产的运维和管理工作。优化数据资产全生命周期管理能力：优化数据资产全生命周期管理能力：通过数据资产闭环运营流程，形成覆盖数据资产全生命周期的运营体系，实现对数据资产的统一维护、监测、评价等，为数据资产持续和最大化地发挥价值提供保障。提升数据资产在不同分析场景的业务服务能力：提升数据资产在不同分析场景的业务服务能力：通过优化数据资产平台和统一数据资产目录，将

121、数据资产相关信息开放给全行的业务人员，使他们能够便捷地准确获取并运用所需数据，极大提升业务部门的数据使用分析效率。推广数据资产价值评估体系：推广数据资产价值评估体系：促进数据价值文化。通过构建数据价值多维度评估方案，实现对数据资产投入产出的有效衡量，使决策者能够了解掌握行内重要数据资产情况及资产价值分布情况。与数据资源会计处理的关系：与数据资源会计处理的关系：根据财政部暂行规定的说明，数据资产价值评估与数据资源会计处理没有必然关系。满足无形资产或存货确认条件的数据资产通常采用资产形成过程中开发成本和相关费用的计量与归集。数据资产价值评估通常用于数据资产后续计量中的减值测试、交易定价、财务报告信

122、息披露事项列示数据资产应用收益等。判定数据资源能否为企业带来经济利益流入时，通常可以采用数据资产价值评估方法进行测算和评定。5.35.3 上海银行数据资产体系建设实践的主要成果上海银行数据资产体系建设实践的主要成果 数据资产体系建设数据资产体系建设 根据商业银行数据资产体系建设，上海银行构建了数据资产管理、数据资产运营和数据资产评价三位一体的数据资产体系。在数据资产管理的建设过程中对数据资产的分类目录体系进行了设计，分为“三层七域一管控”，除了对行内的存量数据资产进行盘点和梳理之外，还对数据资产的注册登记流程进行设计，保障数据资产有效管理。在数据资产运营的建设过程中通过数据资产门户对数据资产服

123、务的内容进行全流程管理，持续提高运营效率。在数据资产评价的建设过程中，针对不同类型的资产设计不同的评价指商业银行数据资产体系白皮书 39 标，以更全面的开展数据资产的评估，结合运营能效关键数据的记录和价值评估试点为数据资产价值衡量和数据资产入表提供支撑。“三层七域一管控”数据资产目录搭建“三层七域一管控”数据资产目录搭建 上海银行根据行内现状，建立“三层七域一管控”数据资产目录分类框架，明确数据资产类型与应用领域分类，如图 17 所示。图 17“三层七域一管控”数据资产目录分类 三层包含了服务层、加工层以及生产层。其中，服务层面向业务用户，包含分析应用、API、报表、指标、标签五类数据产品；加

124、工层面向技术用户，包含数据模型、算法模型、规则模型三类数据资源；生产层面向技术用户，包含库表数据一类数据资源。七域指数据资产业务领域分类，包含营销服务、运营管理、风险管理、财务管理、技术管理、综合管理与监管数据。一管控指对数据资产的规范、标准管控与血缘链路的贯通管理。包含模型规范、数据标准、质量规则与数据血缘四类数据资源。通过“三层七域一管控”的数据资产目录分类框架搭建，上海银行明确了行内的数据资产范围与类型，实现数据资产自上而下的溯源，与全局视角的归集，为数据资产的后续管理、运营、应用及价值评估夯实基础。数据资产盘点梳理数据资产盘点梳理 数据资产的盘点是开展数据资产管理的首要工作。上海银行结

125、合对数据资产不同形式的定义，明确了各类数据资产所需的管理属性，包括基本属性、业务属性、管理属性、技术属性、安全属性、评价属性、关联属性等，用于统一对不同数据资产类型的属性进行管理。例如基本属性对业务分类、应用场景、资产编号、资产名称等进行定义统一规范，实现从全局的角度对所有的数据资产进行统一的登记和管理。具体的盘点路径优先从面客的视角，对各类数据服务的内容进行识别，按照图 18 所示的步骤，结合数据资产的范围、血缘追溯的内容、资产要素信息的补全等，纳入到全行的数据资产管理工作中。商业银行数据资产体系白皮书 40 图 18 上海银行数据资产盘点实施步骤 数据资产盘点是一项持续性的工作，结合银行现

126、有工作节奏的安排，可以对行内服务层五类数据资产进行盘点，并根据业务条线和所属部门划分为七大板块，便于业务部门根据板块管理、检索并应用数据资产。具体资产数量涉及行内敏感数据，此处不做披露展示。数据资产穿透管理数据资产穿透管理 数据资产穿透管理：数据资产盘点与血缘穿透：数据资产穿透管理：数据资产盘点与血缘穿透：针对数据资产目录属性和数据血缘工作的可行性问题，上海银行以监管报送数据作为试点，对金融基础数据和人行大集中的指标、报表类数据资产进行目录的重构和盘点工作，完善资产目录属性，同时完成贴源层到集市层、集市层到应用层的数据血缘穿透分析。试点期间，上海银行在金融基础数据模块优先完成报表类数据资产的梳

127、理工作；在人行大集中模块，从报表类数据资产和指标类数据资产着手开展梳理工作。目录盘点内容涉及基础属性、业务属性、技术属性、管理属性、安全属性、评价属性和关联属性七大方面，同时考虑监管报送工作特点，纳入监管报送特有属性，在指标类别明确了 45 项属性内容，在报表类别明确了 34 项属性内容。梳理过程中，上海银行以监管制度文件为基础，重新规范梳理血缘链路上的数据资产业务定义与口径，细化颗粒度，提高准确性。在数据血缘分析方面，上海银行融合人工智能技术，完成试点范围内指标与报表数据资产的溯源，追踪超过十万条映射关系，并实现查询字段和条件字段的区分，进一步优化数据血缘的精确程度。数据资产服务运营优化数据

128、资产服务运营优化 服务运营优化：数据资产门户服务运营优化：数据资产门户 2 2.0.0 数据资产管理体系工作成效主要以数据资产门户作为载体和展示窗口，上海银行计划对数据资产门户进行体系化重构与优化，数据资产门户 2.0 的搭建是上海银行数据资产体系建设工作的重要一环。数据资产门户 2.0 将承接多个上游系统，整合数据属性目录、评价体系和数据血缘三大数据资产关键信息，将全生命周期管理流程中前序的数据资产识别、确权、登记工作结果充分展示。同时，门户 2.0 将支撑数据资产的使用、评价和处置流程，实现闭环管理。商业银行数据资产体系白皮书 41 在数据资产使用环节，为数据门户 2.0 计划进一步优化功

129、能设计，提高用户体验。一方面，针对数据资产使用推广，门户根据用户角色、所在部门及使用行为等，提供常用资产、推荐资产、自定义收藏等模块，便于用户快速查看使用数据资产，提高日常工作效率；同时，门户内嵌自然语言处理等算法，支持门户智能搜索、相似内容推送及智能助手问答功能，有助于用户便捷搜索和获取所需数据资产，以扩大数据资产的辐射范围、充分发挥数据资产价值。在数据资产评价环节，数据门户 2.0 规划在数据资产详情页新增资产评价功能，提供量化打分和文字评价两种形式，并对用户评价情况进行收集和分析，形成数据资产评价体系的重要维度，并及时进行更新，切实从用户角度反映资产资料和价值。在数据资产处置环节，数据资

130、产门户 2.0 提供面向全行的用户工单和社区问答两种数据资产反馈方式。用户工单包含严密的流转和权责机制，提出者可提出对资产的修改、下线申请，并追踪工单处理进度；社区问答作为数据资产用户与管理人员的沟通渠道，后台将自动根据问答内容将其转至对应负责人员处，做到数据资产问题及时响应。数据资产门户 2.0 结合两种反馈场景，保障数据资产相关信息的准确性和及时性，真正服务业务、赋能业务。数据资产评价及估值数据资产评价及估值 数据资产评价数据资产评价 上海银行数据资产评价体系考虑数据热度、数据成本和数据重要性三大维度对服务层数据资产进行量化评估。其中数据热度包括应用场景、使用情况、质量情况，综合下游调用查

131、询次数、内容完整性、属性完整性、质量检核标准、用户评价及下游依赖情况等细项指标。量化评估采用线性赋分方式，在各类数据资产之间建立具有普适性的评价指标，在各类数据资产内部根据资产特性对数据来源、指标口径、分值分布等进行个性化调整，最终形成面向服务层全体数据资产的评价体系。对于建立的评价体系，上海银行在服务层四类数据资产（指标、报表、标签、API）进行试点，从不同数据资产相关评价所需的数据获取情况、结合数据进行得分计算及进行最终的评价验证，验证了评价体系的可行性与可靠性。数据资产估值试点成果数据资产估值试点成果 上海银行在实践过程中主要选取了“基金销售”与“反电诈”两个场景作为数据资产价值评估试点

132、1。在本次数据资产价值试点评估实践中，除了对两个应用场景进行了探索性评估，在应用层面还凝结形成了数据资产评估的初步模板，包含针对不同价值评估目标的活动数据收集表，用于统计采用数据资产或未采用数据资产的活动下，投入资源及获得收益的差异；以及产品数据收集表，用于统计采用数据资产的情况下，未来每天的应用覆盖规模及开发运维成本；同时还有基本假设表，用于获取价值评估模型核心参数，例如税率、WACC 等指标，为未来行内全面推广数据资产价值评估夯实基础。1 试点详情请参见 附件一：上海银行数据资产评估方法与实践 商业银行数据资产体系白皮书 42 第第6 6章章 数据要素流通市场赋能企业数据资产数据要素流通市

133、场赋能企业数据资产化化 “数据作为新型生产要素，是数字化、网络化、智能化的基础，已快速融入生产、分配、流通、消费和社会服务管理等各环节，深刻改变着生产方式、生活方式和社会治理方式。数据基础制度建设事关国家发展和安全大局。为加快构建数据基础制度，充分发挥我国海量数据规模和丰富应用场景优势，激活数据要素潜能，做强做优做大数字经济，增强经济发展新动能，构筑国家竞争新优势。”-中共中央国务院关于构建数据基础制度更好发挥数据要素作用的意见，2022 年 12 月 https:/ 商业银行数据资产体系白皮书 43 6.16.1 全国多层次数据要素市场的建设全国多层次数据要素市场的建设 2022 年 12

134、月，中共中央、国务院印发数据二十条，初步搭建我国数据基础制度体系，对构建全国多层次数据要素市场，以及数据交易所的发展起到举旗定向的积极作用。“数据二十条”中包含关于构建多层次市场交易体系的相关要求，提出要加强数据交易场所的体系建设，统筹优化数据交易场所的规划布局，严控交易场所数量，出台数据交易场所管理办法，建立健全数据交易规则，制定全国统一的数据交易、安全等标准体系，降低交易成本。在数据基础制度的框架之下，我国推进数据要素市场建设的目标是构建全国统一的数据要素市场，保障其健康运行，并以数据要素流通国家标准体系作为基础，以国家层面、地方性法规规章和其他规范管理的制度体系作为保障，构建数据要素市场

135、制度和标准体系。全国统一的多层次数据要素市场是指在全国范围内各交易机构对数据要素资源确权与登记、可交易数据产品挂牌、数据产品流通交易和交付等流通环节，按照统一的秩序和规则，将数据要素流通管理、交易服务规则和标准、技术平台、市场监管等相关的组织与技术系统有机地融合为一个整体，形成全国多层次要素市场的协同效应和整体效能，以实现可信的数据要素流通体系。在多层次数据要素市场中，一般有四类建设主体：国家级数据交易所、地方数据交易中心、行业数据交易平台和企业交易机构。这些交易机构应该遵循一致的秩序和规则，确保体系的一致性，这包括建立一体化的业务规则和统一关键领域的标准。多层次数据要素市场的目标是建立可信的

136、数据要素流通体系，增强数据的可用、可信、可流通和可追溯水平，并实现数据流通全过程动态管理，在合规流通使用中激活数据价值。以下我们将从市场结构基本概况和建设全国多层次数据要素市场互联互通的基本要求两部分展开讨论。全国多层次数据要素市场结构基本概况全国多层次数据要素市场结构基本概况 目前，我国数据要素交易市场的探索仍然处于起步阶段。自 2014 年以来，在相关政策的推动下，我国涌现了一大批数据交易平台、数据交易中心、数据交易所等机构。截至 2023 年 6 月，全国各地由政府发起、主导或者批复的数据交易所达到 44 家，头部数据交易所交易规模已达到亿元或者十亿元级别，且呈现爆发式增长趋势，如图 1

137、9 所示。以上海数据交易所为例，目前场内挂牌产品 1500 个左右，这些产品呈现行业多元化、主体多元化、交易方式多元化的特点。商业银行数据资产体系白皮书 44 图 19 我国数据要素市场建设情况 以上海数据交易所、北京国际大数据交易所、贵阳大数据交易所、深圳数据交易所和广州数据交易所为例，我们梳理了交易所成立时间、挂牌企业数、挂牌产品数、注册数商数、发布的规则文件等重要信息，如图 20 所示。图 20 我国主要数据交易机构的实践进展 全国多层次数据要素市场互联互通的基本要求全国多层次数据要素市场互联互通的基本要求 数据要素市场互联互通指的是国家数据交易所、地方数据交易中心和行业数据交易平台之间

138、的互联互通，主要通过统筹建设国家级数据交易所、合理布局区域性数据交易所、有组织有计划推进行业性数据交易平台来构建全国多层次、互联互通的数据要素市场。商业银行数据资产体系白皮书 45 互联互通是指数据交易机构之间在共享全国数据要素流通的基础设施的基础上，按照统一的系统接口标准以及交易业务的规范规则，上海数据交易所正在建设一张一体化的数据要素流通交易网络和全国数据要素交易链，以实现“数商互认、产品互通、交易互联”的基本理念、“基础设施集约管理，服务环境高效配置，执行过程安全可控”的数据流通专有云、“数商一地注册，全国可互认；数据产品一地挂牌，全网可交易”的数据产品互通网络和“数据产品一站交易，全链

139、可追溯；数据资产一证颁发，全链可互信”的国家数据交易链。统筹建设国家级数据交易所：统筹建设国家级数据交易所：为了促进数据要素市场的互联互通，需要引导多种类型的数据交易场所共同发展，突出国家级数据交易场所合规监管和基础服务功能，强化其公共属性和公益定位，推进数据交易场所与数据商功能分离，鼓励各类数据商进场交易。我国目前已经有如上海数据交易所在内的区位优势显著、制度规则体系完备、市场潜力巨大并且示范作用较强的交易所承担着国家构建大统一数据要素市场的战略使命。在统筹建设国家级数据交易所的工作中，我们应该充分结合“数据二十条”对于公共数据、企业数据、个人数据的运营理念，结合跨境数据、行业数据等不同类型

140、的数据流通交易，依托国家级数据交易所设置若干个专门的交易板块，形成多层次数据要素市场的基本架构。合理布局区域性数据交易场所：合理布局区域性数据交易场所：我国数据资源丰富，数据产品的应用场景非常多样，但是各个地区存在数据管理技术成熟度差异化较大的特点，因此，合理布局区域性数据交易场所是构建全国多层次数据要素市场的关键一步。区域性数据交易所将承担统筹推进本地区公共数据授权运营和区域性数据产品交易与服务，促进社会数据和公共数据融合使用，并推进形成有规模、有地方特色、有长期发展潜质的区域性交易市场。有组织有计划发展行业性数据交易平台：有组织有计划发展行业性数据交易平台：数据要素市场呈现明显的行业特征，

141、各行各业的数据开放共享、融合创新有助于实现数据赋能实体经济的主要功能，比如上海数据交易所撮合隧道股份城市运营与智能汽车创新发展平台实现数据交易。从数据产品的挂牌到交易，上海数据交易所作为重要的功能性平台，在供需对接、数据产品挂牌及交易等方面扮演关键的“组织者”角色，让沉淀的数据资源“动起来”，激活数据要素价值，赋能更多企业、行业数字化转型。行业性数据交易平台的功能更多是促进数据要素与各行业场景充分融合，有效赋能千行百业。国家需要规范各地区各部门设立的区域性数据交易场所和行业性数据交易平台，构建多层次市场交易体系，推动区域性、行业性数据流通使用，如图 21 所示。最后，上海数据交易所通过构建集约

142、高效的数据流通基础设施，促进区域性数据交易场所和行业性数据交易平台与国家级数据交易场所互联互通，为场内集中交易和场外分散交易提供低成本、高效率、可信赖的流通环境。商业银行数据资产体系白皮书 46 图 21 展数据要素交易市场建设的四类主体 6.26.2 上海数据交易所赋能企业数据资产化上海数据交易所赋能企业数据资产化 基于互联互通市场的数据资产凭证基于互联互通市场的数据资产凭证 数据资产凭证是一种用于记录数据资产交易、交付、权属等信息的电子凭证，该凭证依托于全国数据交易链，基于不同的应用场景发挥相应的作用，可用于各层次数据要素市场。依托全国数据交易链的数据资产凭证生成标准化协议与智能合约，结合

143、交易链上数据产品挂牌、数据产品交易存证，实现数据资产凭证发放“智能生成，全链共识”的全国统一的认证、发放与验证机制。数据资产凭证通常包括记录数据产品登记；每一次链上交易信息，并将电子订单、数字签名、发票等信息上链保存；同时包含价格、交易量、复购率、使用场景、用户评价等参数的指标清单。数据资产凭证的内容可以追踪数据的来源、类型、权属、质量等关键信息，同时凭证与数据产品关联起来，真实记录了数据产品交易合同、交付情况以及清结算情况，提供可追溯的证据，确保数据产品交易的完整性、真实性和相关性，为数据交易参与者提供信任和保障。数据资产凭证是上海数据交易所在数据资源确权方面的探索，也有很多学者参与探讨数据

144、资产凭证的应用场景和功能定位。首先，数据资源持有权的确权途径是数据资源登记，数据资产凭证登记了数据资源用于形成数据产品或服务的相关信息，可作为数据产品经营权的确权凭证。对于授权运营的公共数据，凭证记录了被授权企业进行数据资源登记，并与公共机构分享数据资源持有权的情况。对于企业相关业务自主生产的数据，可以进行数据资源登记，由企业取得数据资源持有权。其次，对于通过爬取的公共数据，不宜登记取得数据资源持有权，企业只要遵循行业规则，没有采用非法侵入计算机信息系统和非法获取计算机信息系统数据等非法方式，就可以获得数据加工使用权。对于通过交易市场采购的数据，在签订数据商业银行数据资产体系白皮书 47 交易

145、合约时，便赋予数据购买方数据加工使用权。对于企业间委托加工的数据，要求在合约允许范围内加工数据，形成数据产品，可以获得数据加工使用权。由于数据加工使用权是一种灵活的、有限的“防御性权利”，不能作为资产性权益，也无需登记机构颁发确权凭证。最后，企业对数据资源需要付出了实质性加工和创新性劳动，从而形成可交易的数据产品。数据资产凭证记录企业加工使用数据的过程，可以作为企业可以登记取得数据产品经营权的重要依据2。综上所述，数据资产凭证有可能成为企业数据资产化应用场景的基础要件，并进一步加速推进数据交易市场互联互通的实现。上海数据交易所赋能企业数据资产估值上海数据交易所赋能企业数据资产估值 数字经济在国

146、民经济发展中的重要性逐渐显现，成为经济发展中不可缺失的部分。数据资产评估技术方法研究及准则制定是现代经济社会发展进步的必然需求，也是相关评估工作开展的参考标尺。明确数据资产的概念和定义边界，识别数据资产的权利和权属特征，确定数据资产的价值与评估路径，作为探索数据资产评估的重要环节，是学术界、应用界多年来持续探究和研讨的话题。目前，资产的价值评估方法主要包括成本法、收益法、市场法以及前述三种方法的衍生方法。考虑到数据资产的特殊因素，在实际操作中还需要结合资产特征对评估模型加以修正和改进。成本法一般是按照重置该项数据资产所发生的成本作为确定评估对象价值的基础，并根据自身特性对重置成本的价值进行调整

147、，以此确定评估对象价值的评估方法。它假设资产的价值等于取得或生产该资产所发生的成本。成本法的优点是简单且直接，但不考虑现有市场条件和资产的实际价值。在仍处于数据资产化阶段初期的当下，市场交易有待活跃，数据应用场景有待开发，因此成本法具有较强的适用性和可操作性。具体而言，成本法的实现包括两步。首先，汇总重置成本并归集到可辨认数据资产中，其中数据资产的重置成本包括了前期费用、直接成本、间接成本、机会成本和相关税费；其次，根据影响数据价值的因素对数据资产价值进行调整，常见的调整因素包括复用情况、数据质量评价、数据冗余情况等。收益法是基于数据的应用场景，通过数据资产预期带来的经济效益并考虑相关风险后折

148、现计算的价值。它将数据资产的价值建立在其未来现金流量的基础上，通过预测数据资产的未来收益并将其折现至现值来确定当前价值。收益法考虑了数据资产的盈利能力和风险，并更加注重数据资产所能产生的现金流量。数据资产的买方，相较卖方，对其需要购买的数据产品的使用场景及其能带来的增量效益有更明确的认识，因此更倾向于使用收益法对数据资产进行估值。市场法是通过参考市场上类似资产的交易价格来估值的方法。它假设市场上已存在类似或可比的交易，通过比较资产与这些可比交易的价格，确定资产的市场价值。在市场法下，通过参考可类比的市场交易案例，可形成某一数据产品的价格波动区间，进而确定该数据产品的价值。市场法的优势在于能够反

149、映 资料来源：黄丽华,杜万里,吴蔽余.基于数据要素流通价值链的数据产权结构性分置J.大数据,2023（2）。商业银行数据资产体系白皮书 48 数据资产的市场供需状况对其价值的影响，便于买卖双方更快速地理解和接受；其劣势在于其对市场环境要求高，当数据资产交易市场成熟、有序且活跃，且具有大量的交易数据和数据资产交易信息，该方法才有较大的运用。现阶段场内交易还不活跃，获取参考样本难度大。上海数据交易所确立了“非合规不挂牌，无场景不交易”的原则，从数据合规审查、挂牌与交易定价、产品与交易登记等方面构建了可信的数据交易制度体系。一方面，上海数据交易所坚持自身的公益定位，充分发挥数据市场交易组织者的职能。

150、上海数据交易所的重要职能是撮合潜在的交易参与者并提供相应的基础服务，在这个过程中履行公平撮合与信息披露的义务。具体而言，上海数据交易所为每一个进场交易的参与者提供均等、公正的交易机会，及时进行会员公示并公布交易相关信息。基于公平可信的交易环境，企业可以通过数据交易所获得大量可信赖数据源，为企业的数据资产估值提供了准确、全面的数据支持。传统的企业资产估值往往依赖于自身内部的数据积累，这些数据往往存在着不足和局限。而数据交易所可以通过与多个数据供应方合作，汇聚各种类型的数据，为企业在数据资产估值时提供参考依据。这种多源数据的使用，能够更全面地反映企业的真实情况，从而提高资产估值的准确性和可信度3。

151、另一方面，上海数据交易所正在探索基于全国数据交易链的数据资产交易凭证，该凭证会记录数据产品的权属、合约和交易信息，反映价格、交易规模、信用情况、场景情况、用户评价等非会计信息，可以为数据资产风险和预期收益的测算提供可靠信息来源。这不仅有助于提高数据资产估值的准确性，还为探索市场法估值提供了基础。随着数据资产交易市场的发展，我们可以预期未来会有越来越多的企业在场内交易数据产品，数据资产凭证的应用场景和功能定位也会越来越明晰。上海数据交易所赋能企业数据资产入表上海数据交易所赋能企业数据资产入表 数据资产入表路径数据资产入表路径 根据企业数据资源相关会计处理暂行规定（下称暂行规定），现就企业数据资产

152、入表一般路径做出如下梳理，如图 22 所示：图 22 数据资产入表一般路径 1）判断数据资源业务 资料来源：包晓丽,杜万里.数据可信交易体系的制度构建基于场内交易视角J.电子政务,2023(06):38-50.商业银行数据资产体系白皮书 49 入表过程中，企业首先需要明确数据资源的业务模式、确定数据资源的主要用途。数据资源是用于内部运营还是作为服务提供给外部客户或合作伙伴，或是出售给其他组织。不同的业务模式将影响数据资源在财务报表中的分类和会计处理方式。2）确定数据资产权属 确定数据资产的权属至关重要，这涉及到确定数据资源持有权、数据加工使用权和数据产品经营权。上述权属确定将决定数据资源是否可

153、以作为数据资产在财务报表中进行披露。3）区分数据资产类别 企业使用的数据资源，符合企业会计准则第 6 号无形资产（财会20063 号，以下简称“无形资产准则”）规定的定义和确认条件的，应当确认为无形资产。企业日常活动中持有、最终目的用于出售的数据资源，符合企业会计准则第 1 号存货（财会20063 号，以下简称“存货准则”）规定的定义和确认条件的，应当确认为存货。4）数据资产作为无形资产的会计处理 企业应当按照无形资产准则、企业会计准则第 6 号无形资产应用指南（财会200618 号，以下简称“无形资产准则应用指南”）等规定，对确认为无形资产的数据资源进行初始计量、后续计量、处置和报废等相关会

154、计处理。企业内部数据资源研究开发项目的支出，应当区分研究阶段支出与开发阶段支出。研究阶段的支出，应当于发生时计入当期损益。开发阶段的支出，满足无形资产准则第九条规定的有关条件的，才能确认为无形资产。5）数据资产作为存货的会计处理 企业应当按照存货准则、企业会计准则第 1 号存货应用指南（财会200618 号）等规定，对确认为存货的数据资源进行初始计量、后续计量等相关会计处理。6）自愿披露 企业对数据资源进行评估且评估结果对企业财务报表具有重要影响的，应当披露评估依据的信息来源，评估结论成立的假设前提和限制条件，评估方法的选择，各重要参数的来源、分析、比较与测算过程等信息。数据资产入表的实践意义

155、数据资产入表的实践意义 商业银行数据资产体系白皮书 50 上海数据交易所研究院认为：“暂行规定的正式落地为企业数据资产化路径的研究探索提供重要支撑，解决了现行规则下可入表但不敢入表的情况。”随着暂行规定的正式落地和数据资产在现代企业中的重要性不断增加，对其会计处理的重视程度逐渐上升。如图 23 所示，企业数据资产入表的实践意义体现在以下几点：图 23 数据资产入表的实践意义 1）财务透明度和可靠性 将数据资源入会计报表能够提高财务透明度，让企业内外部的相关人员更好地了解企业的财务状况。通过准确和完整的数据，会计报表可以更可靠地反映企业的资产、负债、收入和支出等情况，增强了报表的可信度。2）合规

156、性和法律要求 许多国家和地区都有法律法规规定企业需要按照一定的标准编制和公布会计报表。将数据资源整合入报表可以帮助企业满足合规性要求，避免违规行为。3）投资者关系和融资活动 投资者、股东和潜在投资者通常会通过会计报表来评估企业的财务健康状况和潜在价值。准确、清晰的会计报表有助于建立良好的投资者关系，吸引投资，支持融资活动。4）内部决策支持 企业的管理层需要根据财务数据做出战略决策。将数据资源整合入会计报表可以为管理层提供更全面的财务信息，帮助他们做出基于事实的商业决策，优化资源分配和战略规划。5）税务申报和税务优化 税务部门通常要求企业按照特定的规定编制会计报表，作为税务申报的依据。将数据资源

157、入会计报表可以帮助企业遵循税法规定，同时也有助于优化税务筹划。6）风险管理 财务透明度和可靠性合规性和法律要求投资者关系和融资活动内部决策支持税务申报和税务优化风险管理商业银行数据资产体系白皮书 51 数据资源入会计报表可以帮助企业更好地识别和管理风险。通过监控财务数据，企业可以及时发现潜在的风险和问题，并采取相应的措施进行风险防范。上海数据交易所赋能入表上海数据交易所赋能入表 暂行规定的正式发布意味着推进数据成为一种新型生产要素从会计上开始显性化，一方面指引企业披露数据资源，另一方面为推进数据要素市场交易与流通奠定基础，标志着我国正式迈出了数据资源入表从 0 到 1 的关键一步。随着数据要素

158、市场的成熟，数据资产入表势在必行。上海数据交易所突出准公共服务功能，协同数商共同推进企业数据资产入表，提升财政部暂行规定的执行效果，如图 24 所示。图 24 上海数据交易所赋能企业数据资产入表 1）夯实理论研究，赋能会计实务 上海数据交易所以企业实际运营数据和财务数据为基础，循序推进企业数据资源入表相关理论研究，并就其中可能的难点探索解决方案。上海数据交易所将在财政部、地方财政局等相关部门的领导下继续夯实理论研究，大力培育一批数据资产入表企业，淬炼一批可复制、可推广的数据资产入表典型案例，形成更多“上海方案”，为国家和企业探索数据资产入表的会计实务提供理论支撑。2）推动场内交易，赋能资产确权

159、 上海数据交易所推动场内交易，探索场内交易相关凭证成为企业数据资源入表的可行路径，充分发挥上海数据交易所准公共服务机构特性，对标暂行规定中数据资源披露条件和要求，落地数据资产确认和计量标准，并探索数据资产凭证成为会计披露的有力支撑，降低披露准备工作成本，提升披露信息真实性、及时性、合规性。3）提供高效服务，赋能合作共赢 推动场内交易，赋能资产确权提供高效服务，赋能合作共赢夯实理论研究，赋能会计实务商业银行数据资产体系白皮书 52 上海数据交易所始终秉持“共识共创”的企业价值观，积极为数据要素市场培育数商生态，已经培育和发展了一批第三方服务提供商，如涵盖专业会计师事务所和资产评估公司的数据资产评

160、估服务商、数据经纪服务商以及数据咨询服务商，以便企业在数据资产治理领域选择合适的合作伙伴，打造数据资产高质量治理生态圈，实现共创共赢。6.36.3 数据要素流通交易市场赋能企业数据资产化的展望数据要素流通交易市场赋能企业数据资产化的展望 随着数字经济的发展，数据正在成为企业经营决策的新驱动、商品服务贸易的新内容、社会全面治理的新手段，带来了新的价值增值。因此，加快推进数据价值化、发展数据要素市场是数字经济发展的关键。切实用好数据要素，协同推进技术、模式、业态和制度创新，将为数字经济的深化发展带来强劲动力。对于企业来说，数据资产化是企业高质量发展的一种体现。企业通过深入挖掘数据价值，实现数据的资

161、产化，明确数据资产价值实现路径，推进商业模式变革是大势所趋。可以说，数据资产化是企业实现数据价值进而逐步释放数据生产力的过程。因此，数据要素的流通和交易是释放企业数据价值的重要抓手，助推数据使用价值向交换价值迈进，促进数据从自用到“二次使用”。数据要素流通交易市场的建立和运营也将助推企业数据资产化进程，为企业数据资产化提供显性化的应用场景，进一步助力国家数字经济的战略规划。上海数据交易所正在探索数据资产化进程，推动实现从数据资源化到数据产品化，再到数据的资产化，以达到数据价值的最大化，如图 25 所示。图 25 入表数据要素流通市场赋能数据资产化 商业银行数据资产体系白皮书 53 数据资产化是

162、一个新的领域，数据要素化在理论上来讲是必然的，在实践中也是可行的。但是要实现数据要素化，必须要通过市场机制让数据要素实现大规模、低成本可得。推动构建全国统一多层次数据要素市场，是数据资产化发展的必然路径。商业银行数据资产体系白皮书 54 第第7 7章章 未来演进与展望未来演进与展望 习近平总书记强调，发挥数据的基础资源作用和创新引擎作用，加快形成以创新为主要引领和支撑的数字经济。党的二十大报告提出，加快建设数字中国，加快发展数字经济。制定暂行规定是贯彻落实党中央、国务院关于发展数字经济的决策部署的具体举措，也是以专门规定规范企业数据资源相关会计处理、发挥会计基础作用的重要一步。-财政部会计司有

163、关负责人就印发企业数据资源相关会计处理暂行规定答记者问，2023 年08 月 21 日 https:/ 商业银行数据资产体系白皮书 55 数据资产化路径的探讨，可以视为数字化过程的构建，也可视为企业治理课题的一部分；“三位一体”数据资产体系建设和实践更是数据资产化路径的一次“试水”。我们期待数据资产管理能够在一次次的试验中越辨越明。数据资产体系建设和数据治理体系建设一样，是数据要素市场构建的发展阶段之一。数据资产必将以实现数据市场化交易为最终目的，在管理、运营和价值化等方面持续演进。随着企业数据资源相关会计处理暂行规定在 2024 年的正式施行，数据资产与其他资产一样，纳入企业资产负债表管理，

164、进一步拓展企业治理、企业运营的边界与范围。商业银行数据资产体系白皮书 56 附件一：上海银行数据资产价值评估方法与实附件一：上海银行数据资产价值评估方法与实践践 数据资产价值评估的原理数据资产价值评估的原理 会计理论中资产价值的来源有两方面：一是资产的销售，如果资产价值来源于对其的销售，那么该类资产具有“交换价值”；其二是资产的使用，若资产价值来源于对其的使用，那么该资产则具有“使用价值”。而数据的价值在于对其的开发和应用，因此数据资产价值的来源主要是数据应用。2023 年财政部发布的企业数据资源相关会计处理暂行规定中要求，企业内部使用的数据资源，符合企业会计准则第 6 号无形资产规定的定义和

165、确认条件的，应当确认为无形资产；企业日常活动中持有、最终目的用于出售的数据资源，符合企业会计准则第 1 号存货规定的定义和确认条件的，应当确认为存货。并按持有目的、形成方式、业务模式，以及与数据资源有关的经济利益的预期消耗方式等，对数据资源相关交易和事项进行会计确认、计量和报告。结合数据资产的初始定义和企业数据资源的管理要求趋势，本次上海银行数据资产价值评估实践中遵循以下三个的基本原则：1）数据资源有关的经济利益流入企业的概率大于 50%时，才符合确认资产的经济利益门槛；2）数据资源的成本或者价值能够可靠地计量，相关成本包含直接外部获取的增量成本和可能发生的间接分摊等成本；3）针对内部使用的数

166、据资源，参考无形资产评估方式，基于数据资产全生命使用周期开展价值评估。确定基本原则后，本次实践旨在结合数据资产与无形资产会计计量的研究，充分考虑数据资产的投入成本与产出效益、价值创造路径等因素，构建符合上海银行数据资产管理要求的数据资产价值评估体系，实现对于数据资产价值的较为精确地衡量。商业银行数据资产价值评估试点探索采用的方法、逻辑与实践分享商业银行数据资产价值评估试点探索采用的方法、逻辑与实践分享 由于不同类型的商业银行数据资产通常具备不同的价值实现方式，各数据资产评估方法也存在不同的适用条件，因此在选择评估方法、设计评估指标的过程中需进行综合考量。结合上海银行的数据资产特性和数据资产化管

167、理目标，本次试点实践在遵循一般无形资产评估流程的基础上，纳入数据资产特性评估环节，量身构建数据资产价值评估“五步法”，包含价值目标识别、收益预测、数据价值归因、计算要素确认和数据资产评估五个关键步骤，主要逻辑如下：在第一步价值目标识别中，通过对数据资源应用业务场景开展业务逻辑分析，确定数据在不同业务环节中的应用方式，梳理业务整体的资源投入并汇总效益产出，以识别数据资源投入对创造价值能力的影响，从而确定资产评估的价值目标。同时，对影响价值目标的因素进行分析，识别正负面影响并梳理影响量化指标。商业银行数据资产体系白皮书 57 第二步为收益预测，结合数据资产价值评估实践中的三个的基本原则，进行场景下

168、业务数据的收集和数据资源业务的收益测算，最终实现数据资源入表计量。第三步为数据价值归因，类比一般的商品，一个完整的价值创造流程需要多种因子的投入，包括但不限于开发、运维、管理、营销及软硬件等，通过识别业务场景下整体价值的影响因子，构建价值归因模型，将整体收益进行归因拆解，测算在不考虑市场波动的情况下使用数据资产赋能业务的增益数据。第四步为计算要素确认，由于不同场景下的价值目标不同，数据资产评估中的计算要素因场景、影响因子而变化。举例来说，若评估场景下价值目标为降本增收，计算要素可能会涉及市场、服务、客户等影响因子及相关评价指标。第五步为数据资产评估，通过对评价指标的梳理，确认计算要素并将其添加

169、进数据资产价值评估算法中，使得最终的估值结果更加贴合业务逻辑和时间跨度，最终实现最后一步的数据资产评估计算。结合上述数据资产评估“五步法”的方法论，上海银行选取了“基金销售”与“反电诈”两个场景为试点实践，进行了数据资产的探索性评估。在基金销售的评估场景中，价值目标为中间业务增收，考虑到市场指数、市场成交量和产品超额收益率的影响因子，通过构建价值归因模型、人均中收增益模型，测算剔除其他影响因子后，由数据资产带来的人均中收增益数据，结合产品超额收益递减率、CPI 指数、所得税率浮动等特定计算要素和估值假设，采用现金流折现模型最终进行数据资产价值评估，最终得到该场景下的数据资产价值，并根据预期的市

170、场采用现金流折现模型最终进行数据资产价值评估，最终得到该场景下的数据资产价值，并根据预期的市场行情而浮动。行情而浮动。不同于基金销售，反电诈评估场景要求通过核心交易流水、个人客户基础信息、公安电信欺诈涉案名单等数据资源，分析、判断客户是否存在电诈可疑交易或团伙诈骗行为，协助总分行运营条线及时发现和管控相关账户，保障客户资金安全。因此，该场景同时涵盖了节约成本和创造社会效益两大价值目标。就降本目标而言，基于数据资产应用后节约的人力，计算反欺诈人力节约和月度运维需要支付的外包费用，结合 CPI 指数、所得税率、WACC 指数等计算要素，估算使用数据资产应用后的总体节约成本，及数据资产的价值创造。同

171、时，除经济价值外，反电诈还包含社会效益反电诈还包含社会效益（ESG）的贡献。根据历史数据，按全年涉诈户规模和中国信息通信研究院发布的2020 年中国手机安全状况报告中人均损失金额来估算，数据资产的应用可挽回巨额损失，创造高额的社会价值。数据资产价值评估方法的应用设想数据资产价值评估方法的应用设想 基于本次数据资产价值评估的试点实践结果，上海银行对未来数据资产价值评估的应用场景进行了初步规划与设想。在未来行内的实践应用中，以“厘清数据资产成本与收益，驱动数据资产运营与管理与业务侧的融合”为数据资产评估应用的主旋律，以“数据驱动应用场景，应用反哺数据资产”为主目标，通过治理结构的优化，触发新的数据

172、资产应用场景，逐步实现数据资产与业务的融合，充分发挥数据赋能的“放大、叠加、倍增”效应。具体的应用设想如下：未来数据资产价值评估可触发的应用场景包括数据管理与产品研发后评估、数据管理与产品研发预算编制和数据管理与产品研发绩效评估，在上述场景下，数据资产的可能用法包括：商业银行数据资产体系白皮书 58 测算数据管理与产品研发成本、预期收益及实际收益，评估数据产品投入产出比，精细化管理产品研发预算；在绩效评估中引入数据资产价值及投入产出比等指标，驱动数据产品研发运营锚定价值目标；除此之外，未来数据资产价值评估可触发的应用场景包括通过数据资源进行成本核算，数据资产的可能应用设想包括：配合未来会计准则

173、关于数据资产入表的修订意见，在数据产品研发运维周期，建立科学合理的成本计量、分摊、核算及入表规则；年报中准确反映银行数据资源的金额，实现数据资产入表入报告；以业务经营与管理等部门为例，未来数据资产价值评估可触发的应用场景包括数据产品权属认定和数据产品应用增值效益评估，数据资产的可能用法包括：数据资产价值货币化，权属与相应义务可匹配，有利于推动数据产品权属认定，以及业务侧深入参与数据产品应用及运营；逐步推动数据产品应用产生的增值效益在业务目标达成中的比重，推动业务侧主动用数，用好数。商业银行数据资产体系白皮书 59 后记后记 上海银行开展数据资产体系建设的过程中，主动与上海数据交易所沟通，探索银

174、行参与数据要素流通的多种角色，以及数据资源“入表”的可行性，为数据要素市场注入金融属性。2023 年 8 月 21 日，财政部发布了企业会计资源相关会计处理暂行规定，从财务的角度为企业数据资产化闭环管理提供了实践指引。同年 9 月 8 日，在财政部指导下，资产评估业协会发布的数据资产价值评估指导意见，为数据资产价值评估提供了参考意见，并规范数据资产评估行业的执业操作。这两份文件的出台，从财经角度为数字经济发展和企业数据资产化起到了“助推器”的作用。基于上述两份文件对本白皮书部分内容进行了调整，使其更加符合两份文件对数据资产认定、管理和价值评估等方面的要求。企业数据资产化是数据要素流通和交易的重

175、要组成环节，也是前置条件，数据资产任何价值评估是数据要素和交易的保障措施，是数据要素价格发现和寻找机制，是数据资产金融属性的基础条件。银行业在数据要素市场，目前主要是数据需求方的角色，未来将在合规框架的要求下，形成符合客户和市场需求的数据产品和服务，探索数据供应方的角色。同时，围绕着数据交易的清结算、数据资产抵质押的信贷服务、数据资产无质押的增信服务以及其它创新金融产品，银行业可以在活跃数据要素市场、促进数据要素交易和繁荣数字经济方面，发挥更大的作用。在形成本白皮书的过程中，得到了上海银行各级领导及各职能部门的大力支持。同时，上海数据交易所韦志林副总经理、上海数据交易所研究院黄丽华教授、赵丽芳

176、博士、德勤中国合伙人何铮等同志为白皮书的编写贡献了大量时间和专业内容，在此一并表示衷心感谢。国家为数据要素产业发展举旗定向，企业数据资产化号角已吹响，我们将继续努力，以数据资产为数字化转型和业务经营赋能，践行业数财融合的三位一体的数据资产管理、运营与价值评估体系，以数据的业务价值增值为驱动力，不断提升数据资产化管理效能，积极参与数据要素流通工作，并不断总结经验，持续提升能力，为银行业在我国数字经济中发挥多层次、多角色的作用贡献智慧和力量。商业银行数据资产体系白皮书 61 参考文献参考文献 1 中共中央 国务院关于构建数据基础制度更好发挥数据要素作用的意见Z,2022.2 中共中央 国务院关于构

177、建更加完善的要素市场化配置体制机制的意见Z,2020.3 中华人民共和国财政部.企业数据资源相关会计处理暂行规定,2023.4 全国人民代表大会.中华人民共和国国民经济和社会发展第十四个五年规划和 2035 年远景目标纲要,2021.5 全国人民代表大会.中华人民共和国数据安全法,2023.6 全国人民代表大会.中华人民共和国个人信息保护法,2021.7 全国人民代表大会.中华人民共和国网络安全法,2016.8 全国信息技术标准化技术委员会(SAC/TC 28).数据管理能力成熟度评估方法.GB/T 42129-2022.2022-12-30.9 全国信息技术标准化技术委员会(SAC/TC 2

178、8).数据管理能力成熟度评估模型.GB/T 36073-2018.2018-03-15.10 中国银行保险监督管理委员会.银行业金融机构数据治理指引,2018.11 中国电子技术标准化研究院.数据治理白皮书国际标准研究报告,2015.12 中国人民银行.中国人民银行业务领域数据安全管理办法（征求意见稿）,2023.13 中国人民银行.金融数据安全 数据生命周期安全规范.JR/T 0223 2021.14 中国人民银行.金融数据安全 数据安全分级指南.JR/T 0197 2020.15 上海市人民政府办公厅.立足数字经济新赛道推动数据要素产业创新发展行动方案（2023-2025年）,2023.1

179、6 黄丽华,杜万里,吴蔽余.基于数据要素流通价值链的数据产权结构性分置J.大数据,2023,9(02):5-15.17 许宪春,张钟文,胡亚茹.数据资产统计与核算问题研究J.管理世界,2022,38(02):16-30+2.DOI:10.19744/ki.11-1235/f.2022.0030.18 史学智,阳镇.从资产要素之定义重新审视“数据资产”J.清华管理评论,2021(Z2):14-21.19 叶雅珍,刘国华,朱扬勇.数据资产化框架初探J.大数据,2020,6(03):3-12.商业银行数据资产体系白皮书 62 20 维克托迈尔-舍恩伯格;肯尼斯库克耶:大数据时代：生活、工作与思维的大

180、变革,浙江人民出版社.21IDC PeerScape:中国金融业数据治理实践与案例,2023-08-29,https:/ IDC Perspective:中国金融业数据治理市场洞察,2023.23 Gartner:2023 年中国数据分析和人工智能技术成熟度曲线,2023.24 Watson H J,Fuller C,Ariyachandra T.Data warehouse governance:best practices at Blue Cross and Blue Shield of North CarolinaJ.Decision support systems,2004,38(3)

181、:p.435-450.25叶雅珍;朱扬勇:数据资产,人民邮电出版社 2021 版.26中国信息通讯研究院.数据资产管理实践白皮书（6.0 版）.27中国信息通讯研究院.数据资产管理实践白皮书（5.0 版）.28王伟玲等:数据要素市场 全球数字经济竞争新蓝海,北京电子工业出版社.29全国信标委大数据标准工作组.数据要素流通标准化白皮书2022 30上海市数商协会等.全国数商产业发展报告（2022）2022 31全国标准信息公共服务平台，2023.7.https:/ F.743.21-2020，2020.8.https:/ 33ISO 55012 与 ISO 55013 进入 DIS 阶段。全国资产管理标准化技术委员会，2023.6.https:/