博文视点Broadview
以下文章来源于ITPUB ，作者王静

ITPUB .
ITPUB官方账户，分享社区技术干货内容，了解社区最新动态，参与社区精彩活动。
本文转载《ITPUB》，已获授权。

在当今数字化浪潮席卷的商业世界中，数据资产已成为企业核心竞争力的关键要素。
数据资产运营绝非简单的数据收集与存储，而是涵盖了资产价值规划、分析与治理等一系列关键环节。资产价值规划犹如绘制一幅精准的商业蓝图，需要结合企业的战略目标与市场动态，为数据资产赋予明确的定位与价值导向，确保每一份数据都能在企业的商业版图中发挥最大效能。
近日，ITPUB 有幸采访到《数据资产增值运营》作者叶秋萍老师，一起探讨数据资产从技术实现到商业价值转化、组织管理、从行业应用到全球化生态的全生命周期核心挑战等内容。

01

风采展示

问题1：您好，叶老师！很荣幸有机会采访到您，先简单介绍一下您自己！是什么契机或者机缘，您出版《数据资产增值运营》一书？
主持人您好，其实我们已经是老熟人啦，还记得此前我在你们直播间做过一期数据治理的直播。在这本书之前我已经出版过《数据运营》，也与人合编过《商业数据分析》，写数据资产书籍说是机缘巧合也是必然，我个人的工作包括此前的几本书一直围绕在“数据价值”，而数据资产是更全面的“数据价值”管理与实现，它是企业数据价值体系成熟以及升华的最后表现，所以写数据资产只是时间上的早与晚。

02

生态与标准化

问题2：您在参与数据分析、数字化营销相关标准编写过程中，主要关注哪些方向？在制定标准时，如何确保内容既具前瞻性又贴合实际应用场景？
好的，实际参与标准制定有很多专家，说说我个人的思考吧。一般制定标准会考虑当前行业的需求以及未来的趋势需求，因为标准不能只适应当前，至少还需要适应未来的3-5年或者5-10年，所以会考虑企业的现状以及行业前沿的趋势。在确保内容具前瞻性与贴合实际应用场景这块，可能是得益于我过去的一些项目经验，有一些很前沿的项目让我看到了更多的可能，打开了更广阔的思维，所以这点确实有点难，所以经验以及个人不断学习、思考都是关键支撑要素。
问题3：企业未被利用的“暗数据”占比可能超过50%，如何通过元数据管理、数据血缘追踪等技术识别其价值并制定治理策略？
主持人这个问题正好切中了很多企业的要害，当前各企业的数据价值挖掘确实不是很理想，不理想的影响因素有很多。我们可以通过元数据管理建立统一的数据资产视图。通过数据血缘追踪，识别数据的来源、流向和使用频率，从而判断哪些数据具有潜在业务价值。在此基础上，可结合数据分类分级机制，明确数据治理优先级和应用场景。不过要提下最核心的点是当你识别出来了“暗数据”，你能不能快速判断它是否有价值，价值在哪好像更重要，当然也更加有难度。

03

数据资产管理与价值实现

问题4：在数据要素市场逐步发展的背景下，企业如何通过数据治理工具体系（如数据资产目录、数据质量管理、主数据平台等）提升数据资产化程度？有没有您认为成熟或值得借鉴的做法？
数据资产化的关键在于“可识别、可度量、可运营”。通过建立统一的数据资产目录可以帮助企业了解自身拥有多少“资本”，当然企业首先要让数据“有清单”，再通过有效的数据质量管理让企业数据具备可使用性。这是最基础的工作。
其次，要用数据标准和标签体系打通不同业务系统，形成数据资产全景视图，为数据资产评估和价值变现打下基础。
在我看来，成熟的做法是把治理和业务结合起来，还是我之前直播时候讲的“以用促治”，因为数据治理是一项浩大且持续周期长的工程，脱离业务最后只会演变为信息化部门的部门工作。
数据治理很重要，我每次数据分析的培训都会带上数据治理，因为企业讲数据应用，要形成数据资产，数据治理是最关键的，而数据治理里面有很多工具都是不可或缺的。
问题5：随着数据价值实现路径逐渐清晰，企业在推动“数据资产运营化”过程中面临哪些挑战？如何通过制度、组织或技术手段，让数据从“被管理”真正走向“被经营”？
很多企业在推动数据资产运营化时，最大的挑战其实不是技术，而是认知，然后是规划及执行机制。
首先要从“数据管理”转向“数据经营”，也就是从控制风险到创造价值，这个对企业管理者来说很难，扭转一个人的认知确实非常难，如果认知没有到位，认知决定行动，那么行动必然不理想。
在实践中，可以通过进行数据价值应用全景规划，然后建立数据治理制度，采用先进的数据价值“挖掘”手段和技术，例如大家最感兴趣的大模型。如果说数据不对外进行交易买卖，那么做到这些我觉得企业是会有一定获益的。如果从战略到战术都想当清晰，那么企业已经实现了“在经营”了。

04

企业项目实践

问题6： 老牌企业存在大量遗留IT系统，数据孤岛严重。在项目交付中，是优先重构系统还是通过中间件/API实现数据流通？成本与效率如何权衡？
对于老牌企业来说，系统重构肯定是理想以及最优路径，但往往投入大、周期长，不一定符合现实业务节奏。
更可行的方式可能是以中间层（如数据中台、API网关、数据虚拟化等）为桥梁，实现数据流通与共享。
在项目实践中，我们通常会优先盘清数据资产，判断哪些系统具备改造价值、哪些适合通过接口打通。
成本与效率的平衡关键在于规划与建设蓝图：可以用“小步快跑”的集成方式积累信任与成果，再逐步推进系统重构。
问题7：文本、图像、视频等非结构化数据占企业数据总量的80%以上，但评估难度大。是否有通用框架（如基于NLP/CV提取特征后关联业务指标）衡量其潜在价值？
这个问题正好给一家企业培训了这部分内容，我发现有些行业非结构化数据确实占据了企业数据的大部分，但其价值评估要从业务关联入手，而不是单纯做内容解析。
建议先通过NLP、CV等技术提取可量化特征，如情感倾向、对象识别、主题标签等信息，当然现在大模型处理非结构化我觉得比人工处理可能会更高效一些，毕竟非结构化数据比结构化数据天然更困难，有了一些关键信息后再与业务指标进行关联看看是否有使用场景。
因为数据价值必然与场景相关，数据分析是数据价值挖掘的重要手段，我一直说无场景不做数据分析的。

05

数据资产与组织文化变革

问题8：如何通过KPI设计（如将数据使用率纳入部门考核）和激励机制（如数据创新奖励）推动业务部门主动参与数据资产运营？（数据资产与组织文化变革）
竟然有了KPI，那么可以设置一些指标纳入年度考核或者季度考核，这个我觉得确实有必要。当然如果是大型企业，建议举行一些数据治理、数据应用大赛作为激励，你看很多企业数据分析经常搞大赛其实就是为了让大家重视数据分析，然后培训的时候能够认真对待对吧。
让业务部门主动参与数据资产运营应该是有难度的，我们都知道数据治理干到后面多半是IT部门自己的工作，就是很多业务部门不大愿意长期配合，所以企业数据文化建设我觉得是相当重要的，首要职责就是要让业务人员重视数据，理解数据与其自身的利益关系，当然要实现这一步并不简单，对培训讲师的认知要求很高，不然说服不了业务人员。
问题9：过度开放数据访问可能导致业务部门滥用数据（如错误解读指标），如何设计“受控民主化”机制（如权限分级+数据使用培训）？
我们可能可以从两个方面来思考吧：一方面通过权限分级管理，根据岗位职责和业务需求分配不同的数据访问权限，确保敏感数据或关键指标仅限授权人员使用；另一方面配合数据使用培训和指南，让业务部门理解数据来源、指标含义和分析方法，降低误用和错误解读的风险。这样可以在保障数据安全的前提下，尽最大努力实现数据驱动决策。
问题10：未来职场是否需强制要求“数据素养认证”（如理解数据血缘、隐私计算原理）？教育体系如何培养“数据+行业”的复合型人才？
未来职场对数据素养的要求肯定会越来越高，但“强制认证”可能并不一定，关键是确保员工具备理解数据来源、数据血缘和隐私保护原理 的基本能力。但是企业培训是必不可少，而且还要考虑对症的培训，因为很多企业我发现每年都做培训，但是可能都是无效的。
教育体系方面，建议要在专业课程中嵌入数据分析、数据治理、AI应用等内容，同时结合实际行业案例，让员工既懂业务又会用数据，从而满足未来企业对数据能力与业务理解结合的需求。这些都是企业能够形成数据资产增值的有效方式手段。
特别提醒的是企业不要陷入到工具主义的教育中，因为认知与方法才是决定人才走向的关键。

作者寄语：非常感谢主持人的精彩提问，也感谢我们ITPUB号上各位读者的关注和支持。后续有时间，我会再为大家直播一些实用的知识。希望今天的分享，能对大家理解数据资产管理、数据资产增值以及企业实践中的各种难题有所启发。再次感谢主持人和各位读者，也欢迎大家去看看我的新书《数据资产增值运营：从数据治理到数据资产入表和运营》。