棋论文关于企业如何下好数据资产这盘棋论文范文参考资料VIP

棋论文关于企业如何下好数据资产这盘棋论文范文参考资料 若让你列出资产，你能想到哪些金钱、房产、公司抑或土地其实，现如今数据也进入了资产的定义行列，尤其对于企业来说，数据资产已是标配资源，但管理起来却并非易事。从选择性采集到合理化运用仍须跨越道道鸿沟。 大数据时代，数据成为企业重要资产。大数据之父维克托迈尔-舍恩伯格表示，数据列入企业资产负债表只是时间问题。从财务的资产衡量指标来说，数据资产一般具备数据可控、价值衡量、增值预期三个属性。数据资产如何计入资产负债表，采用无形资产或其他形式有待研究。但是，将数据作为资产进行管理，需要考虑三个逐层递进的问题：如何积累数据资产如何确保数据资产的品质如何促进数据资产的价值实现 养“数”千日 采“数”有道 树立养数据意识。养数据是一种数据战略，与用数据不同。用数据只是被动地使用已存在的数据，以挖掘现有数据价值潜力为目标，养数据是根据企业面临的问题以及解决问题的场景，有意识地采集数据，以解决未来问题为导向。企业所需解决的业务问题，从市场角度，是获取新客户、激活老客户、深挖客户价值；从产品角度，是优化产品功能，提升差异竞争力；从运营角度，是优化内部流程，提升服务效率。养数据需要逐步实现以下步骤： 梳理业务诉求，找出数据差距。业务梳理是将业务诉求转化成数据需求，找出数据需求与数据现状之间的差距。举例来说，消费者在线下商场购买衣服之后，并未留下足够的数据，企业也难以了解用户的社会属性、消费偏好、行为特征等。从客户价值挖掘角度来说，数据是缺失的，仅有的支付数据不能识别消费者大部分属性，难以满足客户分析要求。 结合数据差距，补充数据采集。明确所需采集数据的内容，设定数据采集方法，满足业务诉求。若是业务系统本身产生而没有采集的数据，重新采集即可；若是常规途径难以采集，就需要采取一定的方法，激发数据产生。上述案例中，可能需要通过流量赠送、会员卡等方式，采集用户数据，进行客户价值分析和客户关系管理。 根据数据战略，完善数据采集机制。企业战略是动态调整的，关心的内容不断变化，数据价值重心也会发生变化，所以，如果业务需求持续，那么数据采集也应该持续，要形成持续、完善的数据采集机制，而不是临时性数据采集行为，从而实现客户价值挖掘从传统定性的经验决策走向定量的大数据决策。 整合内部数据资源。数据价值随数据整合程度呈几何级增长，公司价值与其拥有的数据规模、数据活性以及解释、运用数据的能力成正比。企业内部数据产权清晰，整合难度相对较小，是建立企业数据资产的核心。经过ERP、办公自动化等多年应用，企业内部业务系统、财务系统等日趋完善，产生了丰富而有价值的数据，但是部分企业缺乏统一的大数据规划，数据资源分散在各个系统，形成了信息孤岛，业务系统与财务系统数据不一致等现象并不鲜见。因此，整合企业内部数据资源成为优先任务，需要考虑两个统一： 其一，统一数据标准。规范数据标准是数据整合共享的前提，是数据建模和数据应用的基础，也是数据治理的关键内容。建立数据标准化体系分为全面数据标准化和渐进式数据标准化。对于新创企业，宜采取全面数据标准化，高起点布局大数据资源。对于已运行企业，可采取渐进式数据标准化，实现速度与标准并重，确保实用性。 其二，统一数据管理。统一数据管理机构，健全组织、规范管理，集中监控管理数据，明确数据管理部门的职责范围、工作程序、监控内容、考核奖惩等，建立数据通报、培训等制度，制定信息采集、审核、录入、分析比对、信息传递等相关办法，使数据监管与运用工作逐步规范。解决部门数据利益和数据孤岛问题，形成统一、科学的数据管理机制。 融合外部数据资源。当企业的内部数据资源不足以支撑问题解决，就需要充分利用外部数据资源。企业可以问题导向，与运营商、银联等第三方数据机构合作。当然，跨组织的数据资源整合是当前大数据应用的难点之一。外部数据资源拥有者不会提供裸数据，而是脱敏数据，且不会让数据*地流出，替代以数据分析结果。以上述服装企业为例，可以为运营商提供手机号码等信息，运营商输出消费者精准画像结果，这是目前可操作的数据合作模式。外部数据资源合作时，需要关注： 数据成本与收益。企业进行外部数据合作，主要目的是降本增益，也是数据合作的主要动机。反之，建立数据合作商业模式就比较困难。 数据质量与规模。外部数据规模大，在海量数据中找出有价值、高质量的数据，需要数据本身质量保证以及企业的数据价值发现能力。避免有规模无质量或者有质量无规模的情况。如果某企业是全国市场，需要三大运营商的数据标签，省公司的数据较为完整，质量相对较高，但是只覆盖本省，而全国数据只有关键字段，且部分数据缺失，质量相对较差，但是覆盖全国。那么在数据合作时，就要结合业务诉求，制定合理的数据合作策略。 质量管理 治而不乱 大数据不仅要有数据规模，更要有数据质量，数据质量甚至重于数据规模。一直以来，数据被比喻成矿产，可是矿也有富矿和贫矿之分。数据噪音多，这个数据资产就是贫矿，数据价值就不大，甚至没有开采的必要。因为数据开采成本可能高过数据矿产价值。若数据质量有问题，则大数据不如小数据，小数据不如无数据。所以，数据质量决定数据价值和应用，是衡量数据资产价值的一杆秤。那么，该如何确保数据质量呢 首先要建立全生命周期数据管理。企业积累数据资产，涉及数据计划、采集、存储、交互、维护、应用、消亡的全生命周期，每个阶段都可能引发数据质量问题，通过识别、度量、监控、预警等手段，提高数据质量。确保数据质量的工具和方法有很多，比如ETL、数据校验等，具体问题需要具体分析，有事前预防、事中校验、事后评估等。目前来说，还没有“包治百病”的数据质量管理方法，要将有限的精力和资源投入到关键阶段，纵向来看，把握重点问题环节，产生数据质量问题的重灾区是数据采集阶段和加工阶段；横向来看，关注重点问题领域，找出容易产生数据问题的数据源，设定更为严格的数据质控标准。 其次要建立数据质量评估体系。评估数据质量的维度主要有：准确性、完整性、一致性、及时性。数据准确性要求数据真实可靠，不能杜撰。如果搜索“数据准确性”，会发现统计的栏目提及很多。因为统计调查是填报数据、手工输入，受人为干预因素多，容易失真。数据完整性是指衡量某个对象的数据指标要完整，不然就成了盲人摸象。对于总体洞察的分析，更强调数据完整性，正如衡量一个学生的综合素质，需要德智体美劳全面指标而非仅仅靠IQ。数据一致性是指数据要检查校验，确保前后不能矛盾，不同数据要互相佐证。就如各省GDP数据汇总起来要和全国GDP数据一致。数据及时性是指数据要动态更新，要有活性，能够准确衡量对象的动态变化。还原人的真实行为是大数据的主要价值，对于个体对象的刻画，数据一定要有可识别性，至于数据指标维度可以按需增加、调整。 还要重视外部数据输入质量。数据质量问题的解决，关键在于数据资源输入质量。在很多情况下，数据清洗被误认为就是数据质量管理，一定程度上体现出数据清洗对于数据源质量的重要性。外部数据质量鉴别、控制比较困难，所以在积累数据资产时，特别是整合外部数据资源时，需要选择优质的数据合作伙伴，秉承宁缺毋滥的原则。外部数据提供者参差不齐，都高举大数据口号，号称优质数据，但大多数据来历不明，质量可想而知。另外要加强数据品质检测。在外部数据输入时，注重数据质量测试，经检验合格方能进入数据资源池。大数据背景下，最痛苦的就是外部数据资源的价值衡量，如何确保整合进来的数据真实有效成为重要课题，这也是大数据治理备受重视的原因。 数据变现 价值驱动 因为数据资源易获取、整合难度小、价值密度高、数据成本低，应该重新审视大数据对于企业的价值，丰富大数据价值内涵。数据资产的价值实现方式有两类：一是内部数据应用，降本增收。通过获取新客户，挖掘老客户，提升用户价值，降低运营成本。二是外部数据应用，实现服务价值。解决用户痛点，通过为外部客户“抚平伤痛”来挣钱。数据资产的外部变现，或者利用第三方数据变现，对于企业来说更有诱惑力，一定要结合应用场景与行业痛点，才能真正体现价值。数据资产的外部变现渠道主要有四类： 精准营销。大数据应用最多的领域是精准营销，狭义来说就是DSP（需求方平台），通过DMP（数据管理平台）进行用户精准画像和RTB（实时竞价）程序化购买、智能化推荐产品，赚企业客户的市场费用。 数据征信。互联网金融需要快速对接资金需求和资金供给，实质上是信用管理和风险管理，如何衡量资金需求方的信用，传统方法是通过基于信贷数据的央行征信，存在的问题是征信覆盖面低，静态历史数据不能反应用户当前的动态信用能力，速度较慢等。目前芝麻信用、腾讯征信等已经获得征信牌照，大数据征信市场也是未来数据资产的主要变现渠道，毕竟金融行业买单能力强。 区域洞察。主要是客流、人流分析，了解某区域内的价值点，此类业务数据资源方最笃定，因为不涉及隐私问题，提供的是整体的数据分析结果或者解决方案。比如商圈选址、商圈经营业态调整等。 咨询服务。传统定性的咨询服务正向基于数据的咨询服务转型，越来越重视数据的力量，把大数据作为企业服务的重要价值点。以前做咨询，一个项目几十万元甚至上百万元，现在互联网化运营，下