2025年数据资产驱动苏州制造业数字化转型的机制研究报告-

数据资产驱动苏州制造业数字化转型的机制研究2025年I在当今数字化转型的时代浪潮中，数据资产已成为企业运营的核心驱动力，深度融入生产、管理与决策全链条，受到高度关注，并在宏观层面成为数字经济体系的重要组成部分，在微观层面成为企业创新与价值重塑的关键要素。苏州凭借雄厚的制造业基础以及完善的产业体系，为数字化转型筑牢了坚实根基。然而，在数字化转型的过程中，企业普遍面临着诸多挑战。苏州制造业亟须深度挖掘数据资产价值，以数据驱动创新，以创新引领发展，从而打造核心竞争力，实现高质量发展。本文首先系统梳理了数据资产的基本概念，并从多维度构建数据资产分类框架。其次，深入介绍数据资产管理的关键支撑技术体系，聚焦区块链、人工智能和虚拟现实等新兴技术在其中的作用。再次，定义了数据资产化的三个重要阶段，即业务数据化、数据资源化和数据资产化，并且明确数据资产化的实施路径。同时，本文列举了多个数据资产在制造业中的经典应用场景，为制造业企业提供了可借鉴的路径与参考。此外，报告还深入探讨了数据资产从多个维度驱动制造业数字化转型的机制，揭示其在制造业数字化转型中的关键作用。最后针对苏州制造业的具体情况，深入分析其在数据资产管理的难点和痛点，全面总结亟须解决的问题和挑战，为有效应对这些挑战，提出了切实可行的建议对策。最后提出全面促进制造业数字化转型升级的创新建议。 2 3 5 5 6 6 6 7 7 11 20 21 261一、数据资产概念和分类（一）基本概念从技术层面而言，广义上的数据资产是指由信息系统产生的各类数据，这些数据以电子或其他形式被记录下来，包括但不限于文本、图像、音频、视频、网页内容、数据库条目及传感器信号等结构化和非结构化的数据，统称为数据资产。而狭义上的数据资产，则特指利用加密和安全的分布式账本技术，或类似技术进行记录，来源明确且可被拥有的原生电子或互联网资产。从企业角度来看，数据资产是企业在历史交易或事件中积累下来的、合法持有或控制的、能够量化且预期可为企业创造经济效益的信息资源。（二）数据资产分类1.按数据处理阶段分类（1）原始类数据资产：从外部渠道获取以及内部自行收集的详细数据，构成了后续数据处理与应用的基础；（2）过程类数据资产：通过数据仓库、大数据平台及数据中台等技术，对基础信息进行清洗、转换以及聚合等步骤后形成的轻度汇总数据；（3）应用类数据资产：基于原始类和过程类数据，通过深入的数据分析、挖掘和处理手段所生成的定制化统计数据或数据产品，旨在满足具体的业务需求。2.按数据来源和权属分类（1）公共数据：指各级党政机关、事业单位以及承担2公共服务职能的机构，在依法行使公权力、履行公共职责或提供公共服务过程中所产生的非涉密数据资源；（2）企业数据：指企业在经营和生产过程中自主产生或通过合法渠道获取的具有经济价值的数字资产，涵盖了研发设计数据、生产制造数据、供应链物流数据、市场营销数据等各类数据；（3）个人信息或数据：是以电子或者其他方式记录的与已识别或者可识别的自然人有关的各种信息，涵盖了基础信息（身份证号、生物特征）、行为信息（移动轨迹、购物记录）、敏感信息（医疗健康、金融账户）等多类信息。3.按资产属性和技术属性分类如果从资产属性和技术属性两个维度对数据资产进行分类。从资产属性看，可分为传统资产的数字化与线上数字内容的资产化。从技术属性看，可以分为非代币化资产与代币化资产。其中，代币化是指将存在于传统账本上的金融或实际资产的所有权记录到区块链可编程平台上的过程。（三）数据资产的关键特性数据资产的独特价值，源于其一系列区别于传统资产的关键特征。深入理解这些特征，对于制定有效的数据战略、管理方法和价值评估体系至关重要。一般认为数据资产具备如下特征：132345678（四）数据资产价值评估数据资产作为核心生产要素，蕴含着巨大的价值潜力。为准确衡量和评估数据资产价值，数据资产评估应运而生。评估由专业机构及其专家团队遵循法律、行政法规、行业标准与准则，针对评估基准日特定目的下的数据资产价值进行专业评定与估算，并出具权威资产评估报告。数据资产价值评估方法一般分为收益法、成本法和市场法。其中，收益法侧重于预测该数据资产在未来可能带来的经济回报，并将这些预期收益折现为当前价值，以此来衡量数据资产的总体价值。而成本法则基于重新获取或构建等同数据资产所需的成本来进行估价，并对这一成本进行适当的调整以反映其真实价值。最后，市场法是在具有公开并活跃的交易市场的前提下（如各地数据交易所），通过参考近期4类似数据资产的成交价格，并考虑到特定差异因素后作出相应调整，从而得出待评估数据资产的具体价值。5二、数据资产关键技术支撑体系数据资产技术迅猛发展，区块链、人工智能以及虚拟现实等先进技术，在数据资产的生成、运用、安全保障及管理方面扮演着至关重要的角色。（一）区块链技术区块链是数据资产的关键技术支持，通过集成密码学、时间戳、共识算法、数字签名及分布式数据库等多项技术，确保了数据资产的安全性和可靠性。在数据资产的生成阶段，区块链技术不可篡改的特性为资产提供了唯一性保障。在流通环节，跨链技术通过实现异构区块链系统之间的互操作性，打破了传统数据孤岛现象，促进了不同链上资产的可信流转。在交易过程中，智能合约作为运行于区块链上的可自动执行协议，将交易规则以程序代码的形式进行表达，实现了交易逻辑的透明化、自动化与不可干预性。经过多年演进，区块链技术应用已形成公有链与联盟链并行的产业格局，但是我国区块链发展以联盟链为主。根据中国信息通信研究院发布的《区块链白皮书（2023年）》显示，我国联盟链技术不断迭代升级，其在性能、节点规模和安全性等方面已取得显著进展。随着区块链与隐私计算技术的融合发展，通过数据加密、同态计算与可验证计算等手段，有效解决了链上隐私保护与数据共享的矛盾，形成“可用不可见”的数据流通机制。企业能够在合规前提下安全获取并利用外部数据资源，开展跨组织、跨领域的数据协同计算与分析，在不泄露敏感信息6的情况下充分释放数据价值，推动数据的高效流通与创新应（二）人工智能技术目前，人工智能技术正以前所未有的速度革新各领域。AIGC能够产生包括文本、图像以及音视频在内的多种形式的数字内容，结合区块链等技术进行权属认证，生成的内容可转化为高价值数字资产。此外，人工智能的数据分析能力同样值得关注。机器学习与深度学习算法不断深化，广泛应用于市场趋势挖掘、风险评估和决策支持等关键领域。（三）虚拟现实技术利用虚拟现实技术不仅能创造全新的数字资产，如虚拟物品、虚拟道具等，还允许用户多维度沉浸式体验，从而有效提升其感知价值与市场价值。同时，通过虚拟现实（VR）技术，企业能够创建高精度的数字化知识资产，如三维设计图纸、工艺流程数据库、设备运维手册等。这些资产在完成确权登记后，可进入数字资产交易平台实现交易流转。（四）其他相关技术数据资产技术框架中还涉及其他多种关键技术，包括数字身份验证、物联网、加密算法、数字签名和水印等。这些技术相互协作，构筑了可靠的数据资产管理框架。7三、数据资产化不同阶段和实施路径（一）数据资产化的不同阶段数据只有经过资产化过程才能拥有数据资产特征。我们把这一过程分为三个阶段：业务数据化、数据资源化和数据资产化。1.业务数据化阶段业务数据化是把数据当作载体，用来描述各类业务或事物，该阶段侧重于数据的创建和积累。根据数据来源可分为如下三种类型：（1）第一方数据：指企业在经营和生产过程中直接采集和积累的重要数据资源。这类数据主要涉及生产环节中的设备工艺、质量控制、执行流程和研发信息，电商平台交易中的消费者基础信息、行为信息及市场需求数据，以及为特定目标获取的原始数据，如科研观测数据、政府公共数据、问卷调查数据和行业内部数据等。业务数据化阶段主要依赖第一方数据。（2）第二方数据：指企业把部分运营管理数据交由专业服务商处理。这些服务商通过为企业提供大数据应用和技术支持，积累了大量行业数据、营销数据及用户行为数据。（3）第三方数据：指企业通过网络爬虫、文本挖掘等技术，从互联网及各类公开或非公开文件中获取的数据。2.数据资源化阶段在数据资源化阶段，数据从原有系统中脱离，进入深度价值挖掘。该阶段包括数据管理、治理、价值挖掘与融合应8用等环节。由于数据具有多源异构、流程多样、场景复杂等特点，通过有效治理与综合应用，可实现标准化、规范化。数据资源化可从业务、技术和管理三个维度进行分类。从业务角度看，通过对数据的整理与分析，可形成用于对外服务的数据产品。不同应用场景下，数据的价值体现各有侧重。例如，同样是电商数据，经过分析处理后可用于精准推荐或者研究消费决策。从技术角度看，数据资源化涵盖海量数据的采集、存储、分布式计算及突发事件处理，要求具备对多种格式和类型数据的加工、识别与解析能力。从管理角度看，涉及数据共享、安全、质量、元数据等体系，需要建立配套制度与组织架构。由于数据在各系统中流动，必须实现跨系统的端到端治理，应设立专门机构统筹规划，保障数据全生命周期的保值增值。3.数据资产化阶段数据资产化是推动数据社会化利用的关键过程，即将数据作为独立资产进行确权、流通和交易，通过交易、抵押、融资等方式实现从数据资源向数据资产的跃迁，最终完成价值变现。当前数据资产化仍处于探索阶段，尚未形成统一认知。一方面受限于制度和技术条件，另一方面在于数据资产评估缺乏共识，价值认定存在分歧，尽管已有数据资产评估的国家标准出台，但推广应用仍需加强。要实现数据资产的社会化流转，还需增强社会对数据资产价值的认可度。9综上所述，数据资产化是企业挖掘数据价值、实现数字化转型与创新发展的重要途径。以下是数据资产化实施路径的全面总结，涵盖从数据生产采集到资本化应用的各个环节，为企业提供清晰的实践指引。123456789源，依据会计准则确认为无形资产或存货，用四、数据资产在制造业的典型应用场景在制造行业，数据资产的应用正日益广泛，为企业的生产、管理、决策等各个环节带来了前所未有的变革，以下列举了部分典型应用场景。（一）生产过程优化在现代制造业企业中，通过实时采集生产线上的关键数据，并结合物联网技术，利用机器学习算法对数据进行深入分析，可有效实现设备故障的预测预警。根据麦肯锡全球研究所数据显示，到2024年，基于AI的预测性维护可为全球制造业节省约6300亿美元的维护成本，一些高精密行业，预测性维护的采用率已达到67%。同时，构建数字孪生模型并动态模拟生产参数，能够帮助企业优化产线与资源配置，从而提高生产效率。据Gartner预测，到2025年，超过80%的制造企业将采用某种形式的数字孪生技术，全球数字孪生市场规模将达到480亿美元，其中制造业占比超过40%。（二）生产质量提升数据资产在产品质量控制中发挥着关键作用。企业通过全面收集并深入分析质量检测数据，能够实现精准溯源。借助人工智能视觉识别技术与大数据分析工具，可实现对产品缺陷的自动识别与诊断。同时，借助社交媒体、在线评价系统以及客户服务记录等多渠道获取的用户反馈，企业能够全面了解产品在实际使用中的性能表现与用户体验。这不仅有助于及时发现产品的薄弱环节和潜在问题，还为后续的产品优化与升级提供真实、可靠的决策依据。例如，Airbnb开发“Brandometer”系统，利用自然语言理解技术（NLU），每月分析约2000万条社交媒体用户反馈，生成品牌感知评分，实现品牌形象监控。（三）供应链协同管理数据资产在供应链协同中可发挥关键作用。通过数据资产打通供应商、制造商与零售商之间的信息壁垒，构建透明高效的协同网络，实现全链路价值创造。企业还能利用数据资产精准预测销售趋势，调整库存策略，有效降低仓储成本。同时，深度挖掘物流数据有助于优化配送路径，提升响应速度与效率。以京东为例，通过整合海量用户交易、物流节点及供应商数据，京东构建了覆盖采购、仓储、配送的全链路数据体系。智能补货系统可根据数据动态调整库存水位，降低滞销风险，物流调度系统则通过实时分析优化运输路线和仓储布局，大幅提升“当日达”和“次日达”的覆盖率。根据相关估值模型测算，京东在供应链管理场景下的数据资产显性经济价值达457.79亿元，充分体现了数据资产在供应链体系中的重大价值。（四）柔性定制生产随着市场对个性化产品和服务需求的持续增长，制造业企业正加速从“标准化批量生产”向“柔性定制化生产”转型，数据资产在这一过程中发挥着关键支撑作用。通过深入分析客户的购买行为、产品的使用情况以及售后反馈等信息，基于多维度数据构建客户画像，企业能更准确地把握消费者的具体偏好及需求趋势，从而提供个性化推荐与定制。例如，依托卡奥斯工业互联网平台，为青岛某服装公司搭建服装行业大规模个性化定制解决方案，通过该方案，消费者可以自由DIY设计服装，实现了服装“一人一版”。项目落地后，定制订单增加了30%，产品开发周期缩短70%，订单响应周期缩短50%，不入库率达到65%，成衣生产周期缩短36.6%，产能提升50%。五、数据资产驱动制造业数字化转型（一）数据资产是制造业企业数字化转型的基础数字化转型的核心在于利用数字技术和数据资源，重构业务流程、客户体验与商业模式，以提升效率、增强竞争力并推动创新。数据资产作为信息和知识的关键载体，是企业数字化转型的基础，而且高质量、结构化、可治理的数据资产不仅可提升数据可用性，还能支持业务的量化分析与优（二）数据治理是数字化转型的前提数据治理是保障数据质量的关键，通过系统化的治理确保数据的准确性、一致性、完整性和安全性。数据治理涵盖标准制定、元数据管理、主数据维护、质量管理、权限控制与安全防护等关键环节，形成闭环管理体系，解决“有哪些数据、从哪来、谁负责、如何保障质量、怎样合规使用”等核心问题。随着《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》等相关法规的出台，数据治理已被提升至企业战略规划及合规性管理的核心位置，成为推动数字化转型不可或缺的前提条件。（三）数据资产管理能力决定数字化转型成效制造业企业数字化转型的成败，关键在于对数据资产的综合管理能力。这种能力贯穿于数据采集、清洗、整合、建模、分析到应用落地的全生命周期。企业还需具备跨平台、跨系统的数据集成能力，打通设备层到管理层的纵向链路，实现从研发、生产到服务的横向协同，支撑端到端的业务优与此同时，企业必须完善组织架构、制度流程和人才体系建设，设立专门的数据管理部门，推进数据标准化与资产目录建设，并通过培训机制与激励机制，提升全员的数据素（四）数据资产闭环驱动制造业企业持续进化数据资产的价值通过“业务数据化、数据资源化、数据资产化”的闭环机制不断放大，驱动数据在不同环节中流转增值，形成数据与业务相互促进的正向循环。在制造业企业中，首先需采集设备状态、工艺参数、质量检测等生产数据，并进行清洗、治理和结构化处理，转化为高质量的数据资产。接着，基于这些数据开发预测模型、异常识别算法及优化决策等智能服务组件。然后，将这些服务嵌入排产调度、质量控制、设备维护等业务流程，促进业务智能化升级。随着系统运行，新的业务数据反馈至数据体系，促进模型和服务的迭代优化，最终实现业务与数据之间的双向循环。（五）数据资产驱动制造业企业组织与生态变革数据资产不仅是技术工具，更是推动组织变革和生态重构的关键力量。在数据驱动下，制造业企业的组织结构趋向扁平化与敏捷化，决策方式从集中式向分布式转变，业务流程从线性推进向并行协作演进。与此同时，数据资产正在重塑产业生态系统。通过开放数据接口、构建行业数据平台，制造业企业能够实现与供应商、客户及合作伙伴之间的高效协同，推动从“单点智能化”向“生态级智能化”的跃迁。（六）数据资产具有独特的战略价值和增长潜力相较于传统资产，数据资产具备“越用越增值”的特性，其价值在于不断地积累、流通与再利用。企业通过对数据的持续挖掘与深度分析，不仅能够识别潜在风险与瓶颈，还可拓展新的应用场景，挖掘业务增长机会。同时，随着AI、物联网和数字孪生等技术的发展，数据资产还将成为智能化决策、自动化执行和业务创新的关键驱动要素，持续释放乘数级价值，构建企业的长期竞争优势。（七）数据资产塑造未来企业的核心竞争力在数字经济时代，数据资产已成为制造业企业的“新石油”，其价值不仅体现在资源积累上，更在于通过治理、整合与应用能力的释放，形成差异化的竞争优势。未来，企业数据资产管理的成熟度将直接决定其能否在智能化、场景化、生态化的竞争格局中占据先机。六、苏州制造业企业数据资产管理挑战苏州作为中国制造业的领军之地，集聚了众多具有影响力的制造业企业。近年来，积极致力于推动制造业的数字化转型，并取得了显著的阶段性成果。但是通过调查，我们发现苏州本地制造业企业在数据资产管理方面仍面临诸多挑（一）普遍面临数据孤岛问题一方面，制造企业的设备种类繁杂、新老设备混杂，设备数据通信协议累计达几百种，主流协议也有40余种，难以互联互通。根据对苏州制造企业进行的智能制造诊断服务显示，有近70%的企业设备互联互通条件差，难以形成数字客户关系管理（CRM）、企业资源计划（ERP）以及制造执行系统（MES）往往作为独立的项目分别进行采购，独立运行，未充分考虑与其他系统的集成需求，缺乏数据互通的接口或平台，数据无法高效流动与共享。此外，上下游不同制造业企业在信息化建设方面的投资力度及技术水平存在较大差异，部分企业已经实现高度自动化和信息化，但有一些仍在采用传统手工记录或半自动化系统。（二）数据质量参差不齐苏州制造业企业在数据质量管理方面存在多方面问题。一方面，数据标准缺乏统一性，数据分类、编码等标准往往由各业务部门自行制定，导致多种标准并存，“一物多码、一客/商多码”现象普遍，例如，某集团有超过4千个螺钉料号，相同的螺钉在不同部门是不同编码，引发信息混乱。另一方面，数据信息不完整，属性定义不完善，普遍存在数据维护不完整、不规范的问题。此外，企业内数据流向不清晰，数据在多个系统中重复存储或采集，如同一物料信息在不同系统中被多次录入，导致数据冗余和一致性差。最后，数据统计维度不一致，各业务部门在数据统计分析时采用的规则和口径经常不同。（三）缺乏专业的数据管理人才调研中，企业普遍认为人才是制约企业开展数字化转型的关键，尤其缺乏横跨多领域的复合型人才。据统计，苏州制造业企业中，数字化人才占比仅为10%，而高级数字化人才占比仅3%。苏州制造业企业因普遍缺乏专业的数据分析、管理和挖掘人才，导致企业在数据治理体系建设、数据标准制定、数据质量提升以及数据安全管理等方面能力不足，难以构建系统化、规范化的数据管理体系。（四）数据安全与隐私保护难度大当前，制造业企业普遍面临数据安全与共享之间的矛盾。随着数字化转型的深入和网络化程度的提升，涉及生产工艺、设备运行、客户信息等敏感数据面临日益严峻的安全威胁。然而，部分苏州制造业企业在数据安全管理方面仍存在短板，如加密机制不完善、访问控制不够精细、审计能力薄弱，难以保障数据全生命周期的安全与隐私。同时，在产业链协同与跨企业合作中，企业既希望通过数据共享提升协同效率与资源配置水平，又因缺乏完善的权限管理机制和可信共享平台，导致商业机密和客户隐私数据难以安全流通，“不敢共享、不会共享”的现象普遍存在，制约了数据资源在产业链中的流动效率与价值释放。（五）数据资产价值实现路径不清晰尽管苏州制造业企业在长期发展中积累了大量数据，但多数企业尚未建立起系统的数据资产管理机制，难以有效识别、评估和利用这些数据。统计数据显示，仅有30%的制造业企业实现了对生产数据的深度分析与应用，大量数据处于闲置或低效使用状态。此外，企业在数据资产的价值实现方面普遍面临路径不清的问题。一方面，缺乏对数据资源经济价值的认知。另一方面，也欠缺将其转化为实际商业价值的能力，导致了“有资源、无价值”的困境，不仅造成了资源浪费，也严重制约了企业在数字化转型过程中通过数据驱动实现提质增效的目标。20七、苏州制造业企业数据资产管理对策数据资产管理能力不足，已经成为苏州制造业企业数字化转型的瓶颈。为应对挑战，企业应建立一套高效、系统的数据管理体系，提升数据治理与应用能力，推动实现“用数据说话、靠数据决策、依数据创新”。（一）构建工业互联网生态，促进数据高效流动为解决系统间数据割裂与设备协议不兼容等各种问题，苏州制造业企业应加速构建企业级数据中台和工业互联网平台，打通ERP、MES、SCM、CRM等核心业务系统之间的数据壁垒，推动支持协议转换和边缘计算技术应用。随着建设逐步推进，苏州已在工业互联网生态系统构建方面取得显著进展。截至目前，已有16个国家级双跨平台落户苏州，培育出如盛虹、波司登等21个国家级特色专业型工业互联网平台，以及永鼎、中亿丰等52个省级重点平台，这些平台为制造业数字化转型奠定了坚实基础。（二）夯实数据质量基础，完善数据管理标准为确保数据准确性和一致性，苏州制造业企业应引入数据管理标准，规范数据收集、处理和分析流程。同时建立完善的数据治理架构，包括统一的数据分类、编码、统计口径和管理流程，以解决“一物多码、信息缺失、重复录入”等问题，提升数据质量。最后，加快建设行业级数据标准，消除数据格式差异和语义歧义，促进不同企业间高质量数据的共享与利用。（三）推进智能制造与自动化建设，增强核心竞争力21智能制造与自动化是推动制造业企业数字化转型的关键。企业应加快引入机械臂、智能生产线等设备，实现生产自动化。同时，通过实时采集分析生产设备的工作数据，实现预测性维护，从而减少非计划停机时间和故障概率，延长设备使用寿命，提升整体生产效率。苏州众捷汽车零部件股份有限公司通过智能工厂建设，显著提升制造效能，产品研制周期缩短25%，生产效率提高30%，单位产品生产成本降低15%，不良品率下降50%，能源利用率提升22%。然而，对广大中小企业而言智能化改造面临严峻现实挑战，据统计，平均智能化改造投入超500万元，但约70%的企业因资金不足而推迟或放弃。此外，中小企业还普遍存在专业人才匮乏问题，既懂制造又熟悉智能技术的复合型人才多流向大型企业。因此，企业应立足自身发展阶段，摒弃“一步到位”的冒进思维，科学制定分阶段的技术投入与人才培养计划，优先在关键环节实施改造，并积极对接政府诊断服务与扶持政策,稳步推进符合自身实际的智能化转型。（四）打造行业垂直领域语料库，提升AI应用效能当前，人工智能成为推动产业变革的核心力量，正在加速赋能新型工业化，而发展具身智能与大模型技术是实现人工智能深度赋能新型工业化的核心路径。在这一进程中，算力、算法与数据构成三大关键要素，其中数据是最具杠杆效应的突破口。为提升AI大模型应用效能，企业亟需构建制造业垂直领域语料库。语料库通过对行业内的文本、图像、22视频及传感器数据进行清洗、标注与结构化处理，形成“AI教科书”式的训练素材，可显著提升模型在特定场景下的准确率，幅度可达30%～50%。以工业质检为例，通过积累大量标注清晰的图像数据（如电缆行业中的10万条线缆接头质检图像），训练出的专用模型可替代90%的人工质检工作，显著提升效率并降低成本，展现了行业语料库在推动人工智能技术落地的关键作用。（五）从“经验驱动”出发，向“数据驱动”迈进在管理决策过程中，传统制造型企业倾向于依赖基础的统计指标，并结合管理人员的经验来做判断，形成了以个人直觉为基础的经验主义决策模式。然而，随着数字技术的发展，苏州制造业企业应主动变革，推动转型升级，积极利用数据分析工具和技术，从传统的“经验驱动”转向“数据驱动”。通过深入挖掘和分析生产、销售、市场趋势等多维度数据，制定出更科学、更具前瞻性的决策方案。23八、促进制造业数字化转型升级创新建议（一）提升数据管理能力，加速数字化转型DCMM，即国家标准《数据管理能力成熟度评估模型》CapabilityMaturityModel），这是由中国电子技术标准化研究院主导起草的我国首个数据管理领域正式发布的国家标准。通过标准评估，能帮助企业利用先进的数据管理理念和方法，提升自身的数据管理能力，持续完善数据管理组织、程序和制度，有效释放数据价值，加速企业数字化转型进程。目前，苏州已有多家企业通过DCMM贯标评估，包括江苏永鼎股份有限公司、金龙联合汽车工业（苏州）有限公司和太极半导体（苏州）有限公司等知名企业。但在江苏省但其中仅有8家为制造业企业，这一比例与苏州作为全国重要制造业基地的地位并不匹配。为在苏州制造业企业中更有效地推广DCMM贯标评估，建议加强政策引导和财政支持，具体措施包括设立专项资金、提供税收优惠等，以激励企业参与评估，并根据结果提升管理能力。同时，可将DCMM贯标评估结果作为智能制造示范项目申报和专精特新企业认定的重要参考，增强其在企业数字化转型中的引领作用。（二）打通数据资产价值实现路径，鼓励评估入表打通企业数据资产的价值实现路径，是推动数据资源入表与实现资产化的关键步骤。财政部发布的《企业数据资源24相关会计处理暂行规定》为企业数据资源合规入表提供了明确政策依据，为制造业拓展融资渠道、探索数据资产质押融资和证券化等金融创新奠定了基础。针对苏州本地制造业的需求，政府应加强指导与支持，协助企业系统地梳理可用于入表的数据资源，明确其权属、类型及应用价值，为后续资产入表和交易做准备。科学有效的数据资产评估是确保数据资产入表和合规流通的重要环节。然而，当前数据资产评估领域普遍缺乏统一规范和技术标准，影响了评估结果的权威性和市场认可度。由中国电子技术标准化研究院牵头起草，联合中国资产评估协会、中联资产评估集团有限公司等多家单位共同制定的国家标准《信息技术大数据数据资产价值评估》（20214285-T-469）为数据资产交易、入表和流通提供了统一的技术支撑。该标准涵盖了数据质量评价（质量、成本、应用要素）和价值评估（收益法、成本法、市场法），同时规定了数据资产价值评估的整体框架、评估方法、实施流程等内容，可帮助企业进行系统化、标准化的