品牌企业数据资产管理模式比较研究.docx

品牌企业数据资产管理模式比较研究 摘要：随着大数据时代的到来，以面向直接消费者提供产品和服务为主的品牌企业需要在已有的数据资产管理模式下为适应大数据资产管理的需求而进行变革。这些变革涉及数据获取来源、数据管理原则、数据处理模式以及数据安全和使用策略等方面。通过对这些变革要点的考量并与大数据资产管理的需求进行联合分析，可实现品牌企业在转向大数据资产管理中的平稳过渡和数据资产的保值和增值。 下载 关键词：数据资产管理 大数据资产 数据边界 数据调用模型 品牌企业 中图分类号：G931.6 文献标识码：A 1 品牌企业数据资产管理模式 1.1品牌企业属性定义和其数据的产生来源 品牌企业指依法成立具有独立法人资格、拥有专属品牌标志并提供产品和服务的公司和组织。品牌企业在生产运营中会在ERP、CRM等系统中产生大量数据，这些即构成了企业的数据资产。 数据资产可以按获取的渠道分为内部和外部两大类。内部来源指企业用于内部人员和自身所需的消耗资源而产生的数据，如工资单、税务、办公设备管理等数据。外部数据指与品牌企业服务对象交互所产生的数据，如CRM数据、ERP数据等。 1.2 品牌企业数据管理现状和发展 1.2.1 数据管理形式的现状和变革 通过多年的发展，企业数据管理由粗放到精细、传统的纯人工管理模式也逐渐被IT管理方式取代。伴随着数据资产管理理论和实践的发展，企业数据量级不断增长、数据更新频次实时度要求渐高、信息颗粒度也越来越细。进入移动互联网时代以来，企业数据管理中所得数据资产从数量和质量都有明显提高，数据资产的价值挖掘手段也层出不穷。 1.2.2 数据管理系统实现方式的分类 品牌企业的数据管理按实施方的不同可分为三大类型。 第一类，企业自建数据管理系统对数据进行管理和运营：大部分以IT技术为基础的公司都自建自有数据管理平台，可称之为自建式。 第二类，当品牌企业面临IT技术实力较弱、数据管理难度高时会将数据管理系统的建设和运维外包给第三方公司完成，可称之为外包式。 第三类，企业核心数据的存储和分析以及整合都由企业自身完成，对多渠道的数据管理和运维则外包给第三方公司。企业的数据管理系统由自建和外包两个模式混合而成，此种模式可称之为混合式。 知名品牌企业一般都采用混合式的数据管理模式，如OA系统自建，CRM系统和ERP系统外包但由企业IT部门或在CIO领导下进行数据整合。 1.2.3 品牌企业大数据资产管理变革 伴随大数据的兴起和发展，企业数据的应用也开始强调实时监控和事前预判等大数据数据管理的需求。在大数据模式下，数据间的关联分析所需全量数据越来越多、实时性要求高。这就要求品牌企业必须采用混合式的数据管理模式且必须采用大数据的处理方式和原则来确保企业数据管理的有效性和功能性要求。 1.3 品牌企业数据管理原则 作为企业的重要资产，以数据为载体的数据资产具有获得数据的成本可变、数据利用的价值不唯一、数据应用的边界有严格限定等特性。数据资产的特殊属性使得数据资产管理具有如下特点。 1.3.1 数据取得需具备合法性 企业的内部和外部数据合法性有很大的差别，品牌企业数据取得需要在合法的边界框架内实现。品牌企业内部数据，属于企业管理工作的一部分可以合法取得和使用。但对外部数据，尤其是消费者与企业交互不相关的数据取得需要符合消费者隐私保护等安全要求。许多品牌企业自建DMP系统用于对消费者全量数据的分析，在合法的范围内对这些数据分析结果可以形成企业数据资产。对消费者的非相关信息甚至是隐私数据的获取则可能触犯消费者隐私而导致企业可能形成违法行为。 1.3.2 ?稻荽娲栌邪踩?性保障 企业数据涵盖了内部资源、消费者、产品和服务等众多敏感信息，对这些信息的分析和解读可以得到出企业财务和商务等商业机密，而对消费者信息的处理不当可能直接侵犯消费者隐私。因此当企业获取了这些数据后，需对数据存储有一整套严密的安全性保障策略以确保信息的安全。 对数据存储安全的保障分为技术层和业务层两大部分，其中技术层包括软硬件方案的选择、技术安全策略和应急保障方案的实施等，业务层主要集中在数据管理和使用权限和数据使用范围的界定等。 1.3.3 数据使用需对有效性进行预判 品牌企业数据具有数据来源多、数据分散的特点。对数据的使用需要基于明确的使用需求来进行。对所用到的数据是否可以满足需求且不会造成数据的过度浪费则需要对数据使用的有效性进行预判。 有效性预判主要来自对需求的理解和数据本身的把握，例如当需要对CRM用户年龄、性别、来源等进行画像统计的时候，CRM数据中关于用户的支付方式、支付金额等数据权限不需要对此需求开放。如果对类似的需求没有很好地进行有效性预判，则容易出现数据泄露或数据无效等问题导致数据使用效率和成果下降。 2 品牌企业大数据资产管理模式 2.1 品牌企业大数据管理原则 当品牌企业数据资产管理扩展到大数据资产管理层面，其数据资产管理在获取来源、使用方式和使用结果三方面与原有数据管理模式有很大的不同，具体如下。 2.1.1 取得方式 当企业数据管理升级为大数据资产管理模式后，企业数据来源将从企业自身经营行为扩展到企业经营行为的相关领域协同产生。传统的企业数据管理其所拥有和控制的数据只来自其自身经营范围，一个消费者的数据只能体现消费者在这个企业内的交互信息而与消费者在其他平台的信息无关。大数据模式下因为大数据的全量分析需求导致企业不得不将其他平台的信息引入到自身数据平台以实现对消费者更深刻地洞察和行为预判。在这样的大数据运营市场需求下，企业将不断寻求和获得超过自身体系以外的数据并形成企业自身的大数据资产。 2.1.2 使用方式 ?c传统的品牌企业可以相对自由的决定其数据的使用层级和尺度不一样，在大数据模式下，其数据资产来源涵盖了非自有渠道，因此其使用方式需要在模型化和表意化层次进行层级和尺度的评估。 模型化指在大数据模式下对其他平台获得的数据资源的使用是需要在使用边界基础上通过模型化特征获取的方式来取得数据结果。基于对数据的分析和大数据算法的建立所形成的模型化特征需要在整个大数据平台进行模型匹配，作为整个大数据平台的运算基础。 表意化则是在模型化基础上的结果展现，在大数据源基于安全边界和调用模型的基础上得到的数据展现结果往往是图表类型、趋势类型等模型算法的结果。这个方式具有明显的大数据调用结果特性。 2.1.3 使用结果 常规的品牌企业数据资产的使用主要用于企业管理和市场营销和广告推广决策，主要特点为通过定期分析以往数据进行消费者洞察和品牌拓展决策支持。而大数据的使用主要用于数据模型建立和未来趋势预测。因为加入了更多的非自有数据源构成了企业大数据源，所以其使用的方式和结果的展现也与传统的企业数据分析结果侧重点有所不同。 在大数据模式下，企业数据资产使用从事后分析走向了实时监控和事前预测的位置，结合了大数据算法的大数据资产管理也将更广泛用于决策模型预演、数据模型验证以及基于趋势分析的企业管理和战略决策支持等。 2.2品牌企业大数据资产管理在管理手段、管理方法和管理监控的变革 2.2.1大数据资产管理层 与传统的以本地存储本地使用为主的数据资产管理手段不同，由于大数据本身具备更大的泄露和滥用风险，因此大数据资产管理对大数据应用的边界管理要求更需规范和严格。对应用边界的度量则需要与整个大数据行业对安全边界的规范保持一致方可确保自身数据安全。在大数据模式下，每个品牌都可能既是数据源使用方也是数据源供应方，因此对大数据的调用模型的有效评估也是企业品牌大数据管理的重中之重。 2.2.2 大数据资产管理方法层 传统的资产管理手段较为单一，通常以人工监控为且首先确保信息安全，数据资产的使用和变现需求被放到了第二位。在大数据模式下，数据资产的管理以模型分析和技术管理为主，人工主动监控所占比重将会大幅下降，大数据算法和机器学习算法监控将会成为大数据资产管理的主流。 基于大数据模式下的多数据供给方联合管理和监控的需求也会变得特别强烈。在大数据模式下，从数据的调用到数据的结果产出和数据的脱敏处理等都需要多方联合实现。 2.2.3 大数据资产管理监控层 传统企业数据资产管理监控主要以企业制定的规章制度为主在企业内部完成。只有当出现严重的数据管理失误或在工作中对消费者权益和信息安全造成了负面影响时才需政府部门介入。 在大数据模式下，大数据资产管理工作主要由大数据行业联盟和大数据产业监管组织完成。在正常情况下，品牌企业在整个大数据生态圈中根据其对大数据的需求分居不同的位置各行其是，大数据的管理和协调都将在统一的规范和标准下进行多方协调完成。 3 结束语 在大数据时代，品牌企业必须重新审视其自身数据资产的管理模式并适应大数据时代的需求进行变革以确保企业数据资产的有效利用和数据资产价值的最大化发挥。通过大数据资产的来源、使用边界