ITPUB專訪 | 葉秋萍：為什么說‘數據資產入表’是場危險的賭局？

在當今數字化浪潮席卷的商業世界中，數據資產已成為企業核心競爭力的關鍵要素。

數據資產運營絕非簡單的數據收集與存儲，而是涵蓋了資產價值規劃、分析與治理等一系列關鍵環節。資產價值規劃猶如繪制一幅精準的商業藍圖，需要結合企業的戰略目標與市場動態，為數據資產賦予明確的定位與價值導向，確保每一份數據都能在企業的商業版圖中發揮最大效能。

近日，ITPUB 有幸采訪到《數據資產增值運營》作者葉秋萍老師，一起探討數據資產從技術實現到商業價值轉化、組織管理、從行業應用到全球化生態的全生命周期核心挑戰等內容。

01風采展示

問題1：您好，葉老師！很榮幸有機會采訪到您，先簡單介紹一下您自己！是什么契機或者機緣，您出版《數據資產增值運營》一書？

主持人您好，其實我們已經是老熟人啦，還記得此前我在你們直播間做過一期數據治理的直播。在這本書之前我已經出版過《數據運營》，也與人合編過《商業數據分析》，寫數據資產書籍說是機緣巧合也是必然，我個人的工作包括此前的幾本書一直圍繞在“數據價值”，而數據資產是更全面的“數據價值”管理與實現，它是企業數據價值體系成熟以及升華的最后表現，所以寫數據資產只是時間上的早與晚。

02生態與標準化

問題2：您在參與數據分析、數字化營銷相關標準編寫過程中，主要關注哪些方向？在制定標準時，如何確保內容既具前瞻性又貼合實際應用場景？

好的，實際參與標準制定有很多專家，說說我個人的思考吧。一般制定標準會考慮當前行業的需求以及未來的趨勢需求，因為標準不能只適應當前，至少還需要適應未來的3-5年或者5-10年，所以會考慮企業的現狀以及行業前沿的趨勢。在確保內容具前瞻性與貼合實際應用場景這塊，可能是得益于我過去的一些項目經驗，有一些很前沿的項目讓我看到了更多的可能，打開了更廣闊的思維，所以這點確實有點難，所以經驗以及個人不斷學習、思考都是關鍵支撐要素。

問題3：企業未被利用的“暗數據”占比可能超過50%，如何通過元數據管理、數據血緣追蹤等技術識別其價值并制定治理策略？

主持人這個問題正好切中了很多企業的要害，當前各企業的數據價值挖掘確實不是很理想，不理想的影響因素有很多。我們可以通過元數據管理建立統一的數據資產視圖。通過數據血緣追蹤，識別數據的來源、流向和使用頻率，從而判斷哪些數據具有潛在業務價值。在此基礎上，可結合數據分類分級機制，明確數據治理優先級和應用場景。不過要提下最核心的點是當你識別出來了“暗數據”，你能不能快速判斷它是否有價值，價值在哪好像更重要，當然也更加有難度。

03數據資產管理與價值實現

問題4：在數據要素市場逐步發展的背景下，企業如何通過數據治理工具體系（如數據資產目錄、數據質量管理、主數據平臺等）提升數據資產化程度？有沒有您認為成熟或值得借鑒的做法？

數據資產化的關鍵在于“可識別、可度量、可運營”。通過建立統一的數據資產目錄可以幫助企業了解自身擁有多少“資本”，當然企業首先要讓數據“有清單”，再通過有效的數據質量管理讓企業數據具備可使用性。這是最基礎的工作。

其次，要用數據標準和標簽體系打通不同業務系統，形成數據資產全景視圖，為數據資產評估和價值變現打下基礎。

在我看來，成熟的做法是把治理和業務結合起來，還是我之前直播時候講的“以用促治”，因為數據治理是一項浩大且持續周期長的工程，脫離業務最后只會演變為信息化部門的部門工作。

數據治理很重要，我每次數據分析的培訓都會帶上數據治理，因為企業講數據應用，要形成數據資產，數據治理是最關鍵的，而數據治理里面有很多工具都是不可或缺的。

問題5：隨著數據價值實現路徑逐漸清晰，企業在推動“數據資產運營化”過程中面臨哪些挑戰？如何通過制度、組織或技術手段，讓數據從“被管理”真正走向“被經營”？

很多企業在推動數據資產運營化時，最大的挑戰其實不是技術，而是認知，然后是規劃及執行機制。

首先要從“數據管理”轉向“數據經營”，也就是從控制風險到創造價值，這個對企業管理者來說很難，扭轉一個人的認知確實非常難，如果認知沒有到位，認知決定行動，那么行動必然不理想。

在實踐中，可以通過進行數據價值應用全景規劃，然后建立數據治理制度，采用先進的數據價值“挖掘”手段和技術，例如大家最感興趣的大模型。如果說數據不對外進行交易買賣，那么做到這些我覺得企業是會有一定獲益的。如果從戰略到戰術都想當清晰，那么企業已經實現了“在經營”了。

04企業項目實踐

問題6： 老牌企業存在大量遺留IT系統，數據孤島嚴重。在項目交付中，是優先重構系統還是通過中間件/API實現數據流通？成本與效率如何權衡？

對于老牌企業來說，系統重構肯定是理想以及最優路徑，但往往投入大、周期長，不一定符合現實業務節奏。

更可行的方式可能是以中間層（如數據中臺、API網關、數據虛擬化等）為橋梁，實現數據流通與共享。

在項目實踐中，我們通常會優先盤清數據資產，判斷哪些系統具備改造價值、哪些適合通過接口打通。

成本與效率的平衡關鍵在于規劃與建設藍圖：可以用“小步快跑”的集成方式積累信任與成果，再逐步推進系統重構。

問題7：文本、圖像、視頻等非結構化數據占企業數據總量的80%以上，但評估難度大。是否有通用框架（如基于NLP/CV提取特征后關聯業務指標）衡量其潛在價值？

這個問題正好給一家企業培訓了這部分內容，我發現有些行業非結構化數據確實占據了企業數據的大部分，但其價值評估要從業務關聯入手，而不是單純做內容解析。

建議先通過NLP、CV等技術提取可量化特征，如情感傾向、對象識別、主題標簽等信息，當然現在大模型處理非結構化我覺得比人工處理可能會更高效一些，畢竟非結構化數據比結構化數據天然更困難，有了一些關鍵信息后再與業務指標進行關聯看看是否有使用場景。

因為數據價值必然與場景相關，數據分析是數據價值挖掘的重要手段，我一直說無場景不做數據分析的。

05數據資產與組織文化變革

問題8：如何通過KPI設計（如將數據使用率納入部門考核）和激勵機制（如數據創新獎勵）推動業務部門主動參與數據資產運營？（數據資產與組織文化變革）

竟然有了KPI，那么可以設置一些指標納入年度考核或者季度考核，這個我覺得確實有必要。當然如果是大型企業，建議舉行一些數據治理、數據應用大賽作為激勵，你看很多企業數據分析經常搞大賽其實就是為了讓大家重視數據分析，然后培訓的時候能夠認真對待對吧。

讓業務部門主動參與數據資產運營應該是有難度的，我們都知道數據治理干到后面多半是IT部門自己的工作，就是很多業務部門不大愿意長期配合，所以企業數據文化建設我覺得是相當重要的，首要職責就是要讓業務人員重視數據，理解數據與其自身的利益關系，當然要實現這一步并不簡單，對培訓講師的認知要求很高，不然說服不了業務人員。

問題9：過度開放數據訪問可能導致業務部門濫用數據（如錯誤解讀指標），如何設計“受控民主化”機制（如權限分級+數據使用培訓）？

我們可能可以從兩個方面來思考吧：一方面通過權限分級管理，根據崗位職責和業務需求分配不同的數據訪問權限，確保敏感數據或關鍵指標僅限授權人員使用；另一方面配合數據使用培訓和指南，讓業務部門理解數據來源、指標含義和分析方法，降低誤用和錯誤解讀的風險。這樣可以在保障數據安全的前提下，盡最大努力實現數據驅動決策。

問題10：未來職場是否需強制要求“數據素養認證”（如理解數據血緣、隱私計算原理）？教育體系如何培養“數據+行業”的復合型人才？

未來職場對數據素養的要求肯定會越來越高，但“強制認證”可能并不一定，關鍵是確保員工具備理解數據來源、數據血緣和隱私保護原理 的基本能力。但是企業培訓是必不可少，而且還要考慮對癥的培訓，因為很多企業我發現每年都做培訓，但是可能都是無效的。

教育體系方面，建議要在專業課程中嵌入數據分析、數據治理、AI應用等內容，同時結合實際行業案例，讓員工既懂業務又會用數據，從而滿足未來企業對數據能力與業務理解結合的需求。這些都是企業能夠形成數據資產增值的有效方式手段。

特別提醒的是企業不要陷入到工具主義的教育中，因為認知與方法才是決定人才走向的關鍵。

作者寄語：非常感謝主持人的精彩提問，也感謝我們ITPUB號上各位讀者的關注和支持。后續有時間，我會再為大家直播一些實用的知識。希望今天的分享，能對大家理解數據資產管理、數據資產增值以及企業實踐中的各種難題有所啟發。再次感謝主持人和各位讀者，也歡迎大家去看看我的新書《數據資產增值運營：從數據治理到數據資產入表和運營》。