序言
进行数据资产管理可以保护、管理和利用有价值的企业数据资产–企业数据及其数据化服务。如今，人们广泛认为数据资产对于推动和赋能业务价值至关重要。
就像其他有形资产货币化一样，企业数据服务在资产负债表上也具有财务价值。通过数据资产管理从企业数据和服务中提取商业价值–推动数据要素创新，促进数字经济时代新数据产品和服务的发布以及支撑竞争性商业计划，可提供增强的运营绩效和加速的业务价值。
每天，在每个组织中，依靠从企业数据中获得的分析和见解所提供的大量决策和行动，正日益受到新的和不断发展的数据资产管理框架、数据架构和技术平台的推动。
在各个行业中，企业都在不断争夺独特的数据资产并在开发数据利用方法方面展开竞争。那些不将数据视为企业核心资产或无法制定数据资产管理战略的公司面临竞争力下降的危险，并最终冒着业务失败的风险。
一、数据资产管理–信息成熟度模型（IMM）
现在，许多组织正在通过数据资产管理改变规划设计、业务管理、产品生产和物流供应的方式，从而提供了一种更成功，更有效的方式来持续改进核心运营和流程的日常执行和结果。
数据资产管理体系结构、方法和技术、数据服务和平台支持数据创新，以创建新的数据产品和服务，并可以推动企业竞争力来提高业务绩效。
数据资产管理涉及的核心内容：
数据资产模型–企业和域级别的数据、服务和数据模型
数据架构–业务和技术数据架构和路线图
数据技术平台–社交、移动、分析和云平台
数据资产管理框架–企业数据和服务框架
快速数据设备–内存计算– GPGPU / SSD（SAP HANA）
大数据平台– Hadoop集群，Spark（Cloudera，Hortonworks，MAPR）
数据科学平台–倾向和预测模型、分析和见解
人工智能平台–人工智能（AI）/机器学习
通过创新的方式将这些新数据资产组装和集成在一起，可以创建新的业务模型和数据架构，例如社交智能、生活方式分析和消费者行为分析。
如今，可以通过数据创新实现以数据为驱动的特征和功能，例如微型营销和大规模定制，满足每个个人消费者独特需求的特定产品和服务定制，不仅可以通过新的生成手段来实现，而且还可以通过数据创新实现竞争优势和开拓新市场，大大提高运营效率和经济效益。
二、数据资产管理–数据信息知识智慧模型（DIKW）
数据资产作为企业数据和服务既不是丰富的资源也不是随时可用的资源。数据资产可能会分解为大量稀缺、独特、有价值且经常来之不易的数据点和应用程序。每个数据点均由其共享的元数据（格式）及其特定的内容（值）定义。
数据点出现的特征可以是结构化的事务性的基于事件的数据，包括时间（历史）和空间（地理），个人（人口），位置（地点），财政（货币），条件（状态）和事务性（事件）数据项值，也可以是非结构化的文本、图像、音频和视频数据内容。
每个数据点都与特定的一组应用程序（数据服务）、源、成本和收益相关联。正如企业无法在没有必要的种子资金或资本的情况下参与新的市场和经济一样，同样，企业也无法在没有数据和算法支持的情况下产生新的预测模型或定价测量。
三、数据资产管理-企业数据框架
数据资产管理和支持数据资产管理的数据体系结构和技术平台，包含一组企业数据框架，而该企业数据框架又由执行企业数据管理任务和决策的方法、技术和过程组成。
企业数据框架：
治理–审计，报告和控制
可用性–健壮性，可靠性，扩展性
性能-速度，可变性和容量
质量–标准，合规性，可追溯性
采集–识别和捕获
应用–索引，编目和注释
管理–存储，访问和安全
交流–检索，出版和发行
数据资产管理必须支持对速度、可变性和容量的关键数据要求，从而可以将传统的本地应用程序（ERP，CRM，DWH和BI）转换为一组健壮、有弹性和可靠的SMAC（社交、移动、Analytics，Cloud）数据服务。这些新的SMAC数据资产通过Internet交付，并作为公共、私有或混合云服务托管。SMAC数据资产还必须与企业信息系统集成才能有效。
SMAC数据资产释放的价值不仅将极大地提高运营效率，而且还进一步增强战略竞争优势。
竞争优势是通过部署数据科学/大数据/快速数据，为分析和洞察力提供动力，API服务访问、云计算和其他第三方消费者平台来推动的。
SMACT / 4D数据技术集合：
1.社交媒体| 用户内容
2.移动平台| 智能设备| 智能应用
3.分析| 数据科学| 大数据– Hadoop，Spark | 快速数据– GPGPU，SSD
4. 云平台– AWS，Azure，NetSuite，Salesforce，Workday
5.远程数据处理–机器生成| 自动数据流| 物联网
6.地理空间数据科学| 地理人口统计| GIS映射和空间分析
四、数据资产管理关注的重点
数据资产管理及其混合云架构以及开源软件和商业软件之间的协作，为数据服务的扩展提供了机制：流程执行、数据管理和集成、分析和见解。但是，所有这些都需要大量投资。数字化时代，许多企业更加关注以下数据资产管理能力。
（1）数据驱动的定制化
数据资产管理在微观营销和大规模定制等领域中需要支持数据驱动的定制功能，这些定制化功能和服务可以满足每个消费者的独特需求。机器学习算法通过在多个周期内处理更多输入数据来增强倾向性和预测分析，从而随着时间的推移提高准确性。要发现在什么条件下有效以及在多长时间内有效，需要进行迭代实验，并且需要在许多系统周期中重复进行。数字资产驱动的定制化使分析预测场景更具成本效益，可以按计划和临时运行，并且可以“即时”修改分析中需要输入的参数。
（2）内外部数据获取应用
除了针对标准，反复出现的问题的最终用户分析以及针对“高级用户”的临时分析之外，数据服务还需要提供访问内部和外部数据的可能性，这些市场可以满足对新智能产品和扩展数据消费的需求。内部和外部数据的视觉和图形界面使数据科学家和其他主要利益相关者能够以与在任何电子商务站点上购买商品的方式相同的方式浏览和访问新数据集。可视化地发现、分析、转换、组合和显示内部和外部数据的数据应用功能使探索新的风险因素或商业机会的实际成本低于未能调查问题的机会成本。
许多公司收集可能与其他组织共享的数据，也许在进一步处理之后–充实和增强（与其他数据源结合）或匿名化（清除专有和个人识别信息）。其中一些数据可能对其贸易伙伴或供应链中的其他方面非常有价值，一些数据可能对不相关的外部组织（政府机构等）具有商业价值。
（3）嵌入式分析
应用程序中的嵌入式分析使用户获得计划的和期望的结果，例如，将“购买倾向”转换为“购买意图”。这些措施包括呼叫中心代表的最佳行动、产品推荐和移动应用中的进度指标，这些指标可推动目标的实现，鼓励消费者实现特定的结果、目标和目的。
（4）按需数据服务
将数据作为按需服务进行采集，就像其他任何按需服务一样进行调配和管理。许多公司通过社交媒体平台、音频和视频流服务、地理人口统计信息提供者在机场、火车站和汽车站、酒店和其他媒体、旅行和休闲公司，创建内部和外部应用程序，以通过自动化的应用程序获取按需数据接口服务（API），以多种方式削减新数据存储和现有数据存储的成本，并提高数据资产的业务价值。
数据资产管理–实施路线图：
五、综述
数据资产将加强算法分析和见解的影响力，从根本上改善人工决策的结果。随着管理人员将更多数据纳入其决策过程，更多的问题或机会将暴露出其嵌入式逻辑。那些曾经被认为是人类的日常性分析工作将更多的由机器承担。
联系客服
