Ⅰ 数据资产管理
在当今时代，离开数据，很难有企业可以正常运行，各个企业都依赖于数据资产做出的数据分析来进行更加明智和有效的决策，市场领导者正在利用数据资产，通过丰富客户资料、信息创新使用和高效运营来取得竞争优势。企业通过数据资产，提供更好的产品和服务，降低成本，控制风险。随着企业对数据需求的不断增长以及对数据依赖性的不断增强，人们可以越来越清楚数据资产的商业价值。
什么是数据资产?
数据资产是指具有无形资产的资源形态、以数据形式存在的企业战略资源。数据资产的关键核心是资产，其应具备资产的特征，又因其是以数据为载体的资产，又兼顾有数据的特性，因此数据资产属于一种信息化资产。数据资产应具有以下特征：
1、可以广泛使用。数据资产的最主要特征即可以提供给各类型的用户进行使用，其使用范围要比实物及无形的资产更为广泛，企业可以对数据信息进行出售或出租，以此来获得收益。买方可以对数据进行挖掘分析，再进行获益。同样的数据也可以提供给不同种类的用户。
2、收益高于成本。数据资产和其他资产的共同特性即购买需要支付一定的金额，并且收益应该大于成本。同时，从数据的产生、到存储、到维护使用都需要一定的成本，只有当收益价值大于支出的价值时，这些数据资产才会有价值。而海量数据中，一大部分数据其实是没有价值的，这对数据资产的管理造成了一定的困难。
3、寿命周期性。数据资产具有一定的使用年限，随着信息的不断更新，数据也会在一段时间后变得不可用，也需要进行更新和更换。因此，对数据资产来说，存储数量多，寿命周期长未必是优势，因为数据是具有时效性的。
什么是数据资产管理？
数据资产管理概念最早是在2012年的达沃斯经济论坛上被提出的,其借助了传统的资产管理理念,将数据看做货币或者黄金作为新型的经济资产进行管理,主要指的就是对于一个企业进行数据资产化,形成一个完善统一的管控架构,从而对企业不断的创造价值，和应对大数据发展过程中带来的机遇与挑战。
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，从而起到控制、保护、监督、交付和提高数据资产价值的相关管理工作。数据资产管理也将成为企业的“实物资产”、“无形资产”、“人力资产”以外的第四大资产管理，并且其在未来的价值不可估量。
数据资产管理的目标是实现对数据资源进行全面采集、统一存储、有效管理、深度挖掘和创新应用。主要包括以下三个方面的工作内容：
一、数据资产管理
数据资产的管理贯穿数据的全生命周期，让数据更加准确、一致、完整、安全，降低开发成本，主要内容包括数据资产的生产（数据采集和集成）、数据资产的评估及数据资产的质量保证（数据质量管理）。
二、数据资产应用
提升数据服务能力，使得数据的使用过程更加方便、快捷、智能，从而提升管理决策水平。
三、数据资产运营
支持数据资产的分发、开发、交易等数据价值的实现。
Ⅱ 大数据资产化与决策智能化
大数据资产化与决策智能化
前些日子，美国洛杉矶警察局开始利用大数据预测犯罪的发生，这是大数据帮助人们做出前瞻性的决策的实例。然而大数据的作用远不止是这一点。在商业领域，大数据对于企业管理者的决策也有重大的参考价值。本文介绍了企业决策者如何收集数据和利用大数据做决策的方法。
近年来，全球数据的增长速度之快前所未有，数据类型也变得越来越多。一方面，海量的多样化数据对信息的有效存储、快速检索提出了挑战，另一方面，其中蕴藏的巨大商业价值也引发了对数据处理、分析的巨大需求。
对于大数据的概念，至今没有一个被业界广泛采纳的明确定义。根据大数据概念的内涵，并结合业界对大数据特性的普遍认同，我们提出以下概念：大数据是指需要通过快速获取、处理、分析以从中提取价值的海量、多样化的交易数据、交互数据与传感数据。
其中，海量和多样化是对大数据的数据量与数据类型的界定；快速是对大数据获取、处理、分析速度的要求；价值是对大数据获取、处理、分析的意义和目的；交易数据、交互数据与传感数据是大数据的来源，交易数据来自于企业ERP系统、各种POS终端，以及网上支付系统等业务系统；交互数据来自于移动通信记录以及社交媒体等；传感数据来自于GPS设备、RFID设备、视频监控设备等。
对大数据的利用将成为企业提高核心竞争力、抢占市场先机的关键。大数据将推动各个行业的信息技术应用产生两大重要的趋势：
一是数据资产化，信息部门将从成本中心转向利润中心。在大数据时代，数据渗透各个行业，渐渐成为企业战略资产。拥有数据的规模、活性，以及收集、运用数据的能力，将决定企业的核心竞争力。
二是决策智能化，企业战略将从业务驱动转向数据驱动。智能化决策是企业未来发展的方向。过去很多企业对自身经营发展的分析只停留在数据和信息的简单汇总层面，缺乏对客户、业务、营销、竞争等方面的深入分析。
在大数据时代，企业通过挖掘大量内部和外部数据中所蕴含的信息，可以预测市场需求，进行智能化决策分析，从而制定更加行之有效的战略。
那么对于行业用户，应当怎样制定大数据应对策略以充分利用大数据所蕴含的巨大商业价值呢？以下两方面建议可供参考：
一方面，应当通过云平台实现数据大集中，形成企业数据资产。对于大型集团企业，各级子公司和分公司的ERP系统每天都在生成大量的交易数据和业务数据。分散在各个业务系统中的数据无法形成集中的资源池、不能互联互通，将严重影响对大数据的统一管理与价值挖掘。实现数据集中是大数据利用的第一步。
另一方面，应当深度分析挖掘大数据的价值，推动企业智能决策。行业用户应当重视对大数据的价值的深入分析与挖掘，推动企业决策机制从业务驱动向数据驱动转变，提高企业竞争力。根据预测，大数据挖掘和应用可以创造出超万亿美元的价值，数据将成为企业的利润之源，掌握了数据也就掌握了竞争力。企业必须更加注重数据的收集、整理、提取与分析。
未来3-5年，那些真正理解大数据并能利用大数据进行价值挖掘的企业，与对大数据价值挖掘重视程度不够的企业之间的差距进一步拉大。真正能够利用好大数据，并将其价值转化成生产力的企业将具备强劲的竞争优势，从而成为行业领导者。
Ⅲ 企业如何运用大数据战略快速发展
运用大数据战略实践的关键问题不是数据规模或高精尖技术，而是如何利用数据迅速产生价值，如何用数据改变企业的经营管理方式。企业越早从数据中洞察事实，并据此快速做出行动越早受益。这其中关键问题的确不是数据的大小，而是如何利用数据迅速产生价值。
一、用数据为经营管理提供帮助
信息化时代市场竞争进一步加剧，企业的运作越来越复杂，充满了各种风险和不确定性，企业核心能力的主要差异越来越体现在各个细节之中。若仍依靠定性和数据统计简单分析，凭经验大致判断问题形成改进方案的做法，难以在现代市场竞争中取得优势地位。用数据建模的方式自动识别问题并采取行动，可以更好地为企业经营管理服务。未来的金融竞争一定会比拼数据建模能力，若不尽快在精准营销、风险识别、产品个性化定价等方面开展数据建模实践，就很难形成相应的核心竞争力。
二、数据应用要面向解决企业问题
企业为迎接数据时代的到来，需要建立一支数据分析队伍，并设置独立的部门。他们的职责任务就是用数据帮助寻找和解决企业经营管理中存在的问题，提升企业的核心竞争能力。
数据专业人员由于专业特点的局限，对业务知识掌握和理解存在缺陷。数据人员要主动学习业务知识，尝试在某一局部用数据发现和解决业务问题，然后与业务人员交流讨论，看是否能够对业务有些帮助。数据应用先不要涉及解决复杂的问题，避免起步阶段迟迟无法打开局面。最好从解决简单问题做起，可以考虑直接引入其他外部公司的成功实践，迅速产生实际成果，让大家快速看到数据应用带来的成效。
三、面向问题收集和管理数据
传统金融行业因为过去IT资源相对昂贵，本着节省开销的考虑，只记录与金融交易相关的数据，这造成其数据所覆盖的范围较窄，难以支撑大规模的数据应用。
现代IT技术降低了IT成本，同时随着数据应用带来价值的提升，各金融企业扩大数据收集范围和粒度的意识普遍提高，为更大规模和更加深入的数据应用创造了条件。
四、确定数据的拥有者
企业会产生大量数据，不同业务单元和部门所产生的数据不同，数据使用的情况也不同，很可能会形成企业内的数据交叉使用。为避免内部的数据使用冲突造成数据的混乱，就需要明确各数据的主人，赋予其管理数据的责任和权利。数据拥有者要管理保护好自己的数据，同时要考虑如何让这些数据产生更大的价值。
五、共享数据平台支持服务
数据应用需要配套的软硬件环境支持，需要在企业内建设一套共享的数据应用平台环境，并安排专业团队提供服务支持。
大数据工作的重点不是数据规模或高精尖技术，而在于用数据改变企业的经营管理方式。企业越早从数据中洞察事实，并据此快速做出行动越早受益。不要将资源投放在建设豪华的设备环境和队伍上面，不用先准备大规模数据，只要开始实践就会有收获。