张舰 哈尔滨远东理工学院经济管理学院
随着互联网、云计算、物联网和人工智能等新一代技术的不断发展,数字经济发展迈入新的发展阶段,全球数字经济的规模加速增长,各国的数字经济在国民经济中占有的比例不断增加,数字经济正在创造经济社会新的发展动力。
2019年,我国的数字经济增加值规模达到35.8万亿元,占比全国GDP总量36.2%,占比同比提升1.4个百分点。按照可比的口径计算:2019年我国数字经济的名义增长率为15.6%,高出同期GDP的名义增速约7.85个百分点。(数据来源:《中国数字经济发展白皮书(2020年)》)
2020年,我国数字经济进一步发展,尤其是在新冠肺炎疫情和全球经济下行双重不利的条件下发挥着重要作用。2020年,我国数字经济增加值规模达到39.2万亿元,占GDP的比重为38.6%,数字经济在国民经济中的地位日益凸显。(数据来源:《中国数字经济发展白皮书(2021年)》)
在全球经济数字化的背景下,众多企业开始探索数字化转型之路。同时,更多企业开始关注数据资产管理,企业也由实体经济阶段迈入数字化转型发展的阶段,关于企业数字化转型和数据资产管理的研究也开始逐渐兴起。
数字经济时代背景下,数据不再是单一的技术符号,正在逐渐演变成为一种重要的生产要素,从政府到企业对数据的重视程度都在不断提高。伴随着数字经济的进一步发展,企业的一部分可将数据资源转化为企业拥有或控制的数据资产,数据不再是虚拟工具和技术手段,而是能够切实为企业带来经济利益的重要资产。
目前,相关学者研究数据资产主要集中在以下几个方面:一是政府、行业以及社会服务部门基于提升数据治理能力的数据资产管理创新;二是以数据为主要产品的互联网、信息技术以及金融企业数据资产的价值评估;三是基于企业资产管理和权益保护需要的数据资产安全管理。
由于相关法律的不健全以及实务操作的复杂性,尽管数据资产是企业一项重要资产已经成为普遍共识,但在实践中,企业如何将数据转化为资产以及如何利用、管理数据资产的相关研究还不够深入。本文将以探究数据资产的内在属性为出发点,通过相关研究分析,寻求数据资产形成的途径,构建数据资产管理机制,以期为企业进行数字化转型和有效进行数据资产管理提供借鉴和参考。
“数据资产”这一概念最早由理查德·彼得斯(Richard Peters)于1974年提出。理查德认为,数据资产是指企业持有的政府债券、公司债券和实物债券等资产。理查德提出数据资产的概念与如今数据资产的概念还存在较大差别,其更接近于现在的金融资产,而不是现在以数据要素为主构成的数据资产。随着时间的推移,人们对数据资产的认识在不断深入,其内涵和范围也在不断扩展。
李雅雄,倪杉(2017)[1]认为数据资产是指经过加工后能实现企业特定的商业目的并给企业带来经济利益流人的可计量的数据化资源。
朱扬勇,叶雅珍(2018)[2]认为数据资产是拥有数据权属、有价值、可计量、可读取的网络空间中的数据资源,数据资产兼有无形资产和有形资产、流动资产和长期资产的特征,是一种新的资产类别。
目前,尽管关于数据资产的定义学界尚未有统一的定论,但在以下观点上学者们基本趋同:数据资产是一种数据资源并可以为企业带来经济利益;数据资产具有资产的基本属性,但又具有数据的某些特性,是一种新型资产;并非所有的数据资源都是数据资产,数据资产是那些可计量、可读取、有价值的数据资源。
因此,本文认为数据资产是指由企业拥有或控制的、预期能为企业带来经济利益的可计量、可读取、有价值的各种数据资源。
数据资产首先应当符合资产的定义,具有资产的特定属性,即数据资产预期可为企业带来经济利益的流入。同时,数据资产来源于数据的加工和整理,具有数据的某些特性,与传统资产的定义有所区别。因此,数据资产兼具资产与数据的双重属性。具体来说,数据资产具有业务附着性、技术依赖性、可复制性、非排他性、时效性、价值不确定性等突出特性。
1.业务附着性
数据源自于业务,每一项原始经济业务的发生都会产生相应的数据,从某种角度上说,这些数据是原始经济业务的映射产品。企业对这些数据经过加工、整理形成了对企业经营决策和运营管理具有参考价值的高质量数据,此时的数据可称之为数据资产。尽管数据资产具有了资产的属性,其依然是原始经济业务的映射产品,并不能单独为企业创造价值。数据资产价值的实现必须依附于业务,即通数据资产促使业务端的整合与创新,从而增强业务为企业创造价值的能力。
2.技术依赖性
数据资产价值大小,取决于数据资产分析、加工、整理的质量。面对海量的数据源,并非所有数据都具有价值,数据获取与加工同样需要各种成本,只有经过专业的技术处理后数据资源才转化为有价值的数据资产。因此,数据资产质量的高低很大程度上依赖于数据处理技术的好坏,而且即便是相同的数据资源,采用的技术处理角度与方法不同也会形成不同价值的数据资产。
3.可复制性
不同于其他资产的是,数据资产是可复制的,而且复制成本较低。使用数字资产时,可以获取任意数量的副本,而不会降低数据资产的价值和质量。使用数据资产时也不会发生腐蚀或磨损等自然消耗现象。当然,数据资产的相关性可能会随着时间的流逝而降低,但不会磨损或减少。
4.非排他性
数据资产是一种特殊的资产。与实物资产相比而言,数据资产不具有排他性,即同一数据资产可以被多次使用,也可以被多个对象共同使用。因而数据资产在物理上可以共享和多次使用,并由此而产生巨大的经济效益与社会价值。
5.时效性
关于数据资产费用化目前尚无深入研究,其价值也并非因使用次数而减小。在企业核算中,固定资产折扣、无形资产摊销都是有固定年限的,可按其原始成本进行折旧或摊销。与之相比较,数据资产的价值更容易受到时间的影响,尤其是一些经营数据资产具有较强的时效性,企业收集整理这些数据耗费大量的人力、物力,一旦某些数据被公开或者过时,其能为企业带来价值的潜力也即将消失,数据资产的价值不复存在。
6.价值不确定性
在数据资产的加工和价值发现过程中,最典型的特性是价值不确定性。数据资产的价值不因为加工而一定增值,也同时随着访问用户角色不同和应用场景不同有大的差异。同一数据资产对于不同使用者来说,所能产生的价值是不同的。例如,网站上的服装消费数据对于服装企业来说要比食品企业更具价值。
1.数据资产的估值
数据资产的估值是数据资产管理的一个难点。当前,常用资产估值的方法主要有成本法、收益法和市场法三类[3]。成本法是指对资产价值的确认需要以其形成过程中耗费各项历史成本总和进行估值;收益法是指对资产价值的确认需要以其预期为企业带来经济利益流入总量进行估值;市场法是指对资产的确认需要以其在市场交易日买卖双方认可的价值进行估量。三种估值方法都有其合理性,可应用于不同类型资产的估值。
但由于数据资产的特殊属性,其价值评估很难用某一常规方法进行准确衡量,应采用综合估值的方法。在数据资产进行估值时,除了要考虑数据资产形成过程中耗费的历史成本,也应对其预期带来的经济利益流入以及在交易市场上的公允价值进行估计。此外,对数据资产进行估值需要考虑更多方面的因素,如数据质量水平、不同应用场景和特定法律道德限制均对数据资产的价值有所影响[4]。除了采用传统估值方法外,还应从质量、应用、风险几个维度来综合评估数据资产的价值(见表1)。
表1 数据资产价值的影响因素
尽管不同学者从不同角度提出了不同的估值方法,但在实际应用中应受到诸多限制,在法律政策层面、市场交易层面、企业实际操作层面均存在一定的困难,构建成熟的数据资产评估体系还需进一步研究探索。
2.数据资产的计量
数据资产的计量是数据资产管理的另一个难点,目前为止数据资产还没有单独设立会计科目进入资产负债表,一些重要的数据资产对企业产生的价值也无法直接以货币形式计量,这也是企业容易忽视数据资产价值创造的一个重要因素。
刘玉[5]认为应该在“无形资产”科目下增设“大数据资产”来核算数据资产,并且在其核算过程中使用无形资产的科目。
李雅雄,倪杉则认为应该针对数据资产单独设置一个会计科目在资产负债表中予以反映。
从形式上看,数据资产与无形资产确有一些类似之处,如两者都不是实物形态的非货币性资产。但在某些特性上两者又存在显著差异。数据资产难以单独从企业经营管理中剥离出来,独立地体现其价值,同样的数据资产对不同企业产生的价值也很难相同,数据资产使用寿命具有很强的不确定性等。
这些差异都使数据资产明显有别于其他类型的资产,因此本文更倾向于数据资产应单独设立会计科目进入资产负债表,并对那些可用货币计量的数据资产以其获取成本进行会计确认,记入企业资产总额。
伴随着数字经济的发展,数据资产的重要性将愈加显著,对数据资产进行核算是一种必然趋势,尽管当前数据资产在会计确认和计量上存在诸多困难,但数据资产计量的会计方法也将不断改进,数据作为企业最有潜力的资产必定给企业创造更多的价值[6]。
数据资产是一种新型资产,它的价值增长方式与传统资产有着显著差异,尤其对于资源有限的企业,如果能够重视数据资产的潜能挖掘并持续不断地把零散的、孤岛式的数据转变成为可利用的数据资产[7],那么在不明显增加其他投入或更新生产技术的前提下,企业也能创造巨大的价值空间,从而增强企业的核心竞争力,这是数字经济时代赋予数据资产的价值扩增潜能。
企业数据资产价值的实现有两种基本方式:一是数据本身可产生价值,数据资产价值实现的过程就是数据交易的过程,常见于以数据交易为主要业务的部分企业,属于比较简单的价值实现方式;二是利用数据资产为业务间接赋能实现价值,无论是企业战略布局还是生产运营均可利用数据资产进行赋能进而提高决策和经营效果,常见于不以数据交易为主要业务的多数企业,其价值实现方式则相对复杂,主要通过以下几种途径来实现其价值。
1.运用数据资产打造企业核心竞争力
在数字经济时代,企业如何利用数据资产进行合理的数据布局,打造企业未来的核心竞争力,占领未来的数据高地,将是各企业在未来的重中之重[8]。企业可基于海量数据分析,深度挖掘数据背后的信息,统筹数据分析整理,并制定企业深度信息化产品的应用解决方案,全方位、多角度助力企业发展。企业应充分运用数据资产,对企业内外部环境进行分析,精准把握产业发展动向,不断整合与创新业务端,优化资本结构,建立适应动态发展的战略体系,不断强化自身优势,打造品牌、管理与文化的核心竞争力。
2.运用数据资产组织智能化生产
企业可将生产数据加工形成的数据资产用以改善生产环节、降低成本,从而为企业创造更大的利润空间。在对整个生产过程进行数据采集的基础上,使主数据流和工业网络、智能装备、智能仓库、智能系统等方面系统集成[9],实现数据流贯通与共享。通过生产工艺数字化信息平台建设,打通设计、工艺、制造之间的数据流,实现上下游高效协同,可以较高提高生产效率,降低生产成本。
3.运用数据资产精准定位客户价值
企业可通过数据分析定位现有客户与潜在客户未来的价值。企业在商业活动中产生了大量的数据,包括商业数据、交互数据和传感数据等[10]。商业数据主要来自企业的交易系统,包括企业与供应商、客户的各种交易信息和收付记录等。交互数据主要来自客户的业务咨询、市场问卷调查,各种社交媒体的消费意向等。传感数据主要来自GPS设备、无线网络、视频监控设备等。通过对产生的各类数据进行归集、分析,可掌握客户的背景、消费心理、行为习惯、购买期望等相关信息。基于数据分析企业可将客户及潜在客户划分为不同消费群体采用精准推送、个性化订制、市场细分等销售策略提升客户的满意度和忠诚度,创造更多价值。
4.运用数据资产优化财务管理
由于财务管理对信息数据的高度敏感,数据的完整性、准确性和及时性以及如何挖掘数据资产价值并为公司决策提供科学依据已成为财务管理由会计核算型向价值创造型[11]转变的重要途径。企业可通过打造一体化财务信息工作平台,持续提升数据资产质量,运用构建仿真分析预测模型,有力支撑财务辅助决策智能化。企业可通过大数据、互联网等技术,将数据资产全部进行指标化管理,实现重要指标展示、专业业务分析、多维数据搜索。充分利用资金数据资产,积极开展资金监控研究和探索,涵盖资金收、支、余及资金预测,为企业科学决策提供可靠准确的财务支撑[12]。
5.运用数据资产提高产品研发质量
面对不确定的市场发展趋势,企业产品研发存在较高风险。企业可以运用数据资产精确分析客户需求,降低风险,提高研发成功率。产品研发的主要环节是消费需求分析,产品研发数据化的关键环节是数据收集、分类整理和分析利用[13]。
数据资产能否产生价值受到其在企业内部流通性好坏的影响,数据资产在企业内部流通性越强,其创造价值的可能性就越大。根据数据资产的业务附着性可知,除了能够直接交易的数据资产,大部分数据资产很难独立为企业创造财富,必须依靠赋能业务产生价值。而一项数据资产只有在企业内部充分流通,才能寻找到与之相匹配的业务调整或创新,进而为企业创造价值。
在实践中,出于管理需要企业经常被划分成若干个业务单元或职能部门,企业内部存在多个业务系统,各类系统的开发流程很多还不一样,日常生产经营的各类数据主要产生于各系统内部。尽管这些系统内部的数据管理都有各自的规则,但从企业整体的角度看,各类系统之间的数据并不兼容,缺乏统一标准,企业在日常经营活动中产生的各种数据资源仅能供系统内部使用,无法用于企业整体数据分析,很难实现系统之间数据资源的有效共享,造成了“业务墙”和“数据孤岛”现象,数据资产价值扩增功能被囿于系统之内。
要实现企业数据资产价值就必须提高企业数据资产的流通性,而进行数据资产的规范管理是提高其流通性的必要条件。因此,企业应建立相应的数据资产管理制度与流程,统筹企业数据标准与质量规则,通过数据资产规范管理形成统一的数据标准。
欧美一些国家的企业数据管理的经验值得借鉴,其企业在数据化过程中非常注重数据标准的统一性。在各类数据库建立之初就构建了统一的数据标准,按照数据模型不同组合形成不同的数据系统,标准化的数据可在各数据系统之间共享和利用,大大减少了数据资产形成的成本。因此,针对企业数据资产应进行规范和梳理,根据自身的业务需求和特点建立相应的数据标准和规范,对现有不同的数据系统进行整合与改造,让各类重要数据能够在企业内部有效流通,为企业科学决策、改善经营管理提供可靠保障。
随着数字经济的发展,面对内外部环境,企业形成了更加复杂的业务模式和组织结构,并在每时每刻不间断生产出大量数据。行业数据量的快速增长累积,促使数据结构、数据类型更加趋于多元化。企业经营场景的持续丰富和拓展,也引发了严重的数据质量、安全、成本等问题,在数据的管理和治理上面对前所未有的困难和挑战。
如何精细化运营海量数据,指引业务进化路径、实现新的增长曲线显得格外重要,在这方面,无论是传统厂商还是海外服务商,都没有成熟的模式,而数据中台成了解决这类问题的一种有效探索。
数据中台以元数据管理和标准管理为基础,通过建立组织保障和制度规范,构建多领域包括质量、安全、资源(成本)的核心解决方案和技术能力,并创新性地提出治理引擎,保障各领域治理问题闭环流转,最终为企业和用户提供多样高效的数据服务。企业利用数据中台将分散在各个应用系统数据库中的数据通过 ETL 过程(抽取、转换、加载)汇集到企业数据仓库(EDW)[14],经过数据治理再将这些资产化的数据以服务的形式共享给各个业务单元,满足不同业务场景的数据分析需求。
企业数据中台的建设需要实事求是、量力而行。因此,数据中台在建设过程中不仅需要正确的方法论,更重要的是要有成熟的实施条件,同时需要一套完备实施的流程保障。数据中台解决方案既包含数据技术平台,也包含数据集成、数据建模、数据治理和数据应用。它通过集合需求调研、需求分析、架构设计、数据与应用开发、部署和测试运维等实施流程,形成了一个不断循环、反馈而使系统不断增长与完善的数据体系。在这个不断完善的数据体系中,企业可以全面梳理数据资产,连接打通数据孤岛,构建全域数据中心,实现业务数据化。
目前,很多企业还没有专门设立数据资产管理部门或者建立数据资产管理团队,仅凭信息技术部门或者是业务部门很难独立完成企业数字资产的管理工作。一方面,企业主要经营数据源于业务部门,信息技术部门只能进行数据的收集工作,但不能根据业务需求及特点进行有针对性的分析和甄别。另一方面,相关业务部门数据收集能力不足,难以利用专门的技术方法进行数据爬取,更不用说如何高效利用数据为业务赋能创造价值。
因此,企业在数据化转型过程中,要高效利用数据创造价值,并形成高质量的数据资产,就必须打造高效的数据资产管理团队。一个高效的数据资产管理团队应该有明确的管理目标,数据资产管理要以客户为中心,通过数据资产了解客户需求和痛点,为企业提高产品和服务质量提供可靠数据支持。同时,数据资产管理团队成员应该选择企业各岗位中的精英,组成动态网络型组成结构,以项目为中心,发挥组织不同成员的最大优势,保持组织的快速应变能力和敏捷性,使数据资产管理和为企业实现价值更加迅速精准。
安全管理是企业数据资产管理中的重要工作,数据一旦变为可交易的产品,数据价值不可避免地与数据安全性相关联。企业数据资产涉及企业经营管理、商业机密以及指挥中枢等重要活动,尤其是数字化企业,数据资产意义更为重大,其安全性直接影响企业的生存与发展,企业数据资产的安全管理主要涉及以下几个方面[15]。
1.数据资产来源安全
企业数据资产的形成一般可分为三种情形,第一种是企业完全自主研发的数据资产;第二种是企业对交易过程中产生的各种数据进行加工后形成的数据资产;第三种是企业通过互联网搜集加工形成或外购的数据资产。由于数据来源广泛,其可能涉及数据权属、国家秘密或公民隐私等问题。数据获取的合法性是其形成数据资产并为企业创造价值的基本前提。数据本身并不一定具有价值,但数据资产一定要具有价值,因而在其形成过程还必须保持数据的准确性、及时性、完整性和一致性。
首先,要对各种数据进行分类分级管理,赋予不同人员处理数据的权限。其次,要对数据进行合法收集与获取,对涉及国家秘密、商业机密和公民隐私的数据要进行脱敏处理;对涉及权属划分不清的数据要谨慎获取。最后,要建立专门的组织机构和数据质量监控体系,保持数据资产形成的准确性、及时性、完整性,保证数据资产的质量水平。
2.数据资产存储安全
数据资产存储安全的目标是保障数据资产的完整、不受损坏、不被窃取。从数据资产发展的趋势看,未来存储安全的核心是以数据恢复为主,兼顾数据备份、数据擦除。在实践中,企业应建立数据资产的存储安全机制,要注意细节,不断检查,确保存储解决方案继续满足业务不断改动的需要。
首先,基于数据量增长、数据存储安全需求和合规性要求制定适当的存储架构,以实现对数据资产的有效保护。其次,通过建立数据资产访问授权机制,防止非授权人员对数据资产的窃取的篡改。再次,通过定期开展数据的复制、备份和恢复,实现对数据资产的冗余性管理。最后,通过执行对数据资产存储时效性的管理,对不再具有价值的数据资产进行定期清理,保证数据资产的质量安全。
3.数据资产交易安全
数据资产不通过正常交易渠道的流转、复制会损害数据资产的稀缺性,降低数据资产的价值,而在流转和复制过程中对数据资产内容恶意篡改的后果则更为严重,不但会改变数据资产的原有价值量,甚至会导致不可预料的损失。数据资产在非交易状态下的流转复制首要关注的就是数据安全,而在价值变现过程中的流转复制除了数据安全,数据防篡改可能是同样需要优先关注的问题。
4.数据资产销毁安全
数据资产与固定资产相比因其虚拟性,是一种非实物资产,而报废是针对具有实物形态的资产而言的,所以数据资产不存在报废的情况[16]。但当数据资产时效性发生变化时,企业应对那些不具有价值的数据资产进行销毁处理。此外,企业存储数据资产的各种介质在弃置、转售或捐赠前必须将其所有数据彻底删除,并保证其无法复原,以免造成数据泄露,尤其是那些具有价值的数据资产。数据资产需要被销毁而不是简单的删除,而需要采用专门的数据销毁技术,以保证数据资产销毁安全。
综上,在全球经济数字化发展浪潮的引领下,中国的数字经济正在向着更加互信、共享、均衡的方向发展,数据的“生产关系”正在进一步重塑[17]。中国企业数字化转型方兴未艾,数据资产的价值将被进一步挖掘,逐步成为企业构建核心竞争力的重要元素。伴随5G网络、大数据、云计算、人工智能和区块链等新一代信息技术的融合发展,面对更加复杂并呈动态发展的内外部环境,任何企业都不可能“闭门造车、独立发展”,企业对数据资产的依赖将与日俱增。
尽管数字经济引领未来,数据资产未来将成为企业的核心资产这一认识被越来越多的企业所认可,企业数字化转型以及如何有效进行数据资产管理仍面临诸多挑战,现实中存在着技术层面和政策层面的双重困境。
一方面,伴随着海量数据的产生,云计算、区块链等技术的成熟与应用,各种数据之间的关系变得更为复杂,一些问题数据也匿藏在数据湖中难以被发觉,增加了数据资产化的难度。同时,数据资产价值实现也面临诸多挑战。阻碍数据资产价值实现的关键原因主要包括数据确权困难、数据估值困难和数据交易市场尚未成熟。企业如何有效管理数据资产仍需要进一步研究探索,企业耗费大量人力、物力形成的数据资产必须能为企业带来更多的价值,否则数据资产就会演变为数据负债,这也是企业数据管理需要注意的问题。
另一方面,明确数据权属是数据资产管理的前提,但目前在数据权利主体以及权力分配上存在着诸多争议,数据资产化的相关法律尚未完善,数据的所有权、使用权、管理权、交易权等权益没有被明确界定。数据也尚未像商标、专利一样,有明确的权利申请途径、权利保护方式等,对于数据的法定权利,尚未有完整的法律保护体系,这些现实问题都亟待相关法律完善后进行解决。