前言

从数据管理到数据资产运营，其实质是通过数据资源的价值获取实现企业资源的高效优化配置。数据的治理、数据的增长、数据资产的运营，需要通过扶持生态赋能者，形成行业协同和数据资产管理模式协同。在工业互联网应用驱动下，企业智能制造内循环与工业互联网的外循环必然会催生一批新工具、新的商业模式以及基于数据资产运营的第三方生态平台，将成为产业数字化专业化分工的关键，从而推动生产力与生产关系的良性发展。

当前全球数据总量正在以“10年10倍”的速度增长，到2025年将达到约163ZB（1ZB约等于1万亿GB）。其中，中国的数据总量到2020年末预计将超过8ZB，全球占比18%左右，有可能首次超过美国跃居全球第一。理查德•彼得斯于1974年就提出“数据资产”这一名词，但数据资产仍然无法计入会计报表，表明数据资产化的难度非常大，这也妨碍数据流通、再生产和交易。随着智能制造、人工智能、工业互联网、大数据等技术的兴起，数据是数字经济的关键要素这一观点已被广泛认识。未来五年的随着新一代信息技术与产业深度融合所带来的数据发展，从IDC的数据预测为22%-24%的增长；而同期的工业数据将会是商业数据的5倍，想象一下消费数据已经催生至少BATJT五家互联网巨头，而工业数据按照规模效应至少是25家以上的巨头，而且由于工业是分行业的从而带来的新的商业模式将是无法预估的，而通过数据与劳动力，与新技术的融合将形成全面。 

图一、未来五年数据市场规模

图二、消费数据与企业数据比较

2020年4月，中共中央、国务院发布了《关于构建更加完善的要素市场化配置体制机制的意见》明确提出发展数据要素市场，加快数据资产化进程。这意味着，数据资产的形成、流通、交易、开发等过程都会纳入规范化市场框架中。”数据”首次作为一种新型生产要素写入中央文件中，与土地、劳动力、资本、技术等传统要素并列为要素之一，这一重要创新论述对数据资产化提出紧迫的要求。

数据资产被认为是数据时代最重要的资产，数据资产化涉及法律、会计、技术、方法等多方面因素。

首先：数据资产的定义指由个人或企业拥有或控制能够为企业带来未来经济利益的以物理或电子方式记录的数据资源，具体来讲数据资产是个人或企业的图片、文档、图纸、视频、数字版权等以文件为载体的相对于实物资产以数据形成存在的一类资产。

其次：数据资产的特征，从目前的研究来看，数据要成为资产必须满足几个条件：

• 第一是企业过去业务活动和经营活动形成的；

• 第二是由原发数据企业控制或与合作方联合拥有；

• 第三应该是被标记和验证的且可以电子化的数据，预期可以为企业或产业链带来收益的。

基于以上的认知，数据资产首先选取目前具有一般商品属性的可交易物做为对标对象,同时列举一些相关的特征属性如可复制性、稀缺性、流通性、有形与无形、是否需要再加工、是否可以带来循环价值（增值速度）等几个维度做比较，如下表：

从比较来看，可以推到出无限供应量、可复制性、价值（形成数据价值链，需要再加工）、数据增值速度（越用越有价值）等可度量的特征是可以作为数据资产的基本特征，特别是无限量、可复制和数据增值速度是数据资产比较有特色的。数据本身天然具备金融属性，其体现数据的资产特性，一方面，所有的数据从更广泛的意义而言都可以看成是一项资产，为持有人提供保值、增值和资金融通等功能；另一方面，由于不同数据在稀缺性、流动性、可储存性、复用放大效应等方面存在差异，从而导致其作为一项资产形式时的优劣条件存在差异，进而表现为一些数据（经验数据或管理数据）的金融属性较强，另一些数据（实时数据或生产数据）的金融属性较弱。

新的研究表明，数据的自身资源（数据价值）在一段时间内会逐渐减少（机会价值降低），但由于可以方便储存，后期可以进行较长时间的存放，而不会因为质量问题而影响买卖（可存储性）。同样数据在不断复用和迭代过程会形成更大的价值（复用放大效应），这一点也是让很多资本愿意介入的重要因素，而且会让市面资源进一步减少（稀缺性），另外数据由于自身的刚性需求，在高价时（如生产急需时，或市场关键趋势数据）都可以随时达成交易（流通性较强）。

数据资产管理是采用资产的管理方法结合数据有效的特征的全生命周期管理。

第一，从系统和使用的角度，需要从企业应用系统来看实现系统间的数据整合及维护费用最小化；提高跨系统间数据存储和共享的效率。从企业数据资产使用是对整个数据生命周期中数据的处理、存储、转换、整合以及支持这些策略、模型、流程。

第二，从数据的价值维度考量，需要从数据的业务流程、用户体验、增值服务三个维度来考量数据价值的管理空间。

第三，从大数据平台自身的全生命周期、全流程的数据治理，主要包括数据资产管理、元数据管理、数据开发流程管理、数据质量管理、数据安全共享管理。

从实践和研究表明，建立一个数据资产化基本框架时必须的，包括数据确权、数据治理、数据资产的应用（数据价值认定、数据质量管控）、数据资产的运营（数据产品化、货币计价与评估、数据资产增值）等3个步骤，从而为数据资源的资产化提供一条可行的路径即数据资产管理进阶方法论：

第一步：实现从数据资产采集及治理（数字化），实现数据的一致性、完整性、有效链接、闭环，从而降低IT&OT系统的建设成本和重复建设。这里需要考虑的基础设施建设是数据标准、数据安全以及数据平台。

在这一阶段主要是采集、连接、数据治理等功能化的产品、系统，可以由系统集成商、软件提供商、数据链接服务商、数据工具提供商提供。其商业模式可以是传统的集成、租赁等模式，或可以是通过购买供应商的产品及服务实现的。这个阶段的数据所有权应该是清晰的，在用户端的。

第二步：实现数据资产应用及服务（智能化）考虑使用便捷，提高决策水平和管理能力（精益化）通过使用数字孪生工具达成数据可视、数据分析和数据交互。

在这一阶段主要是App、服务和数据优化等系统化的平台，提供数据运营平台、数据存储服务、数据增值服务、基于数据的资源优化配置等，可以由平台运营商、数据工具提供商、数据分析服务商提供，可以是传统的购买模式、也可以是租赁、订阅模式，甚至可以有收益分成模式。在这个阶段，由于数据的安全性和数据所有权的问题，建议的业务模式的考虑：一种可以是平台自我建设，购买服务的模式，一种是以资本的纽带建立合作合资公司的方式运营数据平台和数据服务，从而确保数据安全和所有权归属。

第三步：达到数据资产管理和运营（智慧化）从而实现数据资产的流动、分发、开发、交易，完成数据价值的内部赋能和外部投射，获得脱敏数据、完善数据模型、定义数据产品。

在这一阶段主要是数据的定价、交易和分发，从而决定数据从单一企业内部转换到行业端，需要经验数据、优化的模型、基于微服务的垂直应用，从而其商业模式应该是利益共享和市场增量共享模式，可以由数据运营商、链接运营商、数据资产交易商共同提供。在此阶段需要独立的第三方交易平台实现数据定价和交易，进而通过数据资产的交易形成资产的流动、增值。

对于以上三个过程，结合目前市场上工业互联网运营模式的比较表：

表二、工业互联网运营模式的比较表

从目前的实践来看，数据资产由于场景、加工、实施对象、使用能力及水平的不同，所体现的价值也是不同的，由此带来的数据资产价值的不确定性，从而传统的交易模式是否能够公平地体现数据资产的价值，或需要通过创新的专业数据服务来体现体现，例如一杯茶在五星级酒店卖和在街边奶茶店卖，甚至网红店卖也是不一样的，同样需要专业的数据运营商；进一步的实践与思考认为，数据资产运营或需要第三方的服务平台，同样数据资产的定价也应该是由第三方运营平台提供(例如化工宝、鉴微模式， 见表二)。同样对于应用的行业来讲，必然会产生一批新工具、新的模式，第三方数字资产运营平台或将成为产业数字化专业化分工的关键。从历史经验来看，应避免原有的头部垄断性企业利用市场地位，打压新进入者，这样会遏制工业互联网的良性发展（目前对于互联网巨头的反垄断约谈，是一个明确的信号），同时也将扭曲市场解决方案的价格。需要扶持生态赋能者，形成行业协同和数据资产管理模式协同与创新。

未来数据可能成为最大的交易商品，因此数据的价值是通过数据共享、交叉复用后获取最大的价值。未来数据将会如基础设施一样，有数据提供方、管理者、监管者，数据的交叉复用将会是企业的智能制造、工业互联网落地的助力器和价值倍增器，因此数据运营管理和平台化的服务模式是非常重要的。

从目前的发展趋势和研究数据分析和应用发生了四个方向的变化：

• 第一，从统计分析向预测分析转变；

• 第二，从单领域、结构化数据向多学科跨领域转变；

• 第三，从被动分析向主动预测转变；

• 第四，从非实时阶段性向实时持续处理转变。

此种转变对传统的数据服务平台和数据管理模式提出了更高的要求，对数据功能的要求体现在数据处理、分析、预测、时效、互通、共享机制以及平台轻量化、可移植、适用性、开放性等方面；从而以数据资产管理为核心、数据安全共享机制的大数据生态运营管理成为选择。

为此必须从数据价值、数据交易理论、数据市场框架、数据资产标准化、数据平台以及数据实现的技术架构等维度需要设计、研究和实践三者结合推进。

1. 数据价值的评价方法，涉及数据资产的商品属性研究、数据资产交易的市场模型，为参与者进入市场提供理论参考依据。

2. 数据的可行性和安全性，例如采用区块链技术确保数据流通过程的安全性。

3. 数据资产的标准化思路以及数据资产管理通用过程框架。

4. 建设面向价值实现的数据资产管理体系。

5. 为确保数据管理满足业务需求，需要研究一个更加轻量化、可移植、有弹性、自主可控、自我管理的技术架构（数据湖）实现数据承载。

6. 需要一个基于SOA 架构的云—边—端的数据平台实现数据治理、数据资产管理的有效性和可测量性，

7. 同时结合行业应用和互联网数据思维，形成可赋能、可推广、定制化的应用，这才是实现数据赋能的根本价值所在。

从生产技术+精益管理结合的智能制造，到生产内循环+市场运营外循环的工业互联网其实质是生产技术数据+经营管理数据的有机整合和相互映射（广义的数字孪生）实现基于数据价值的数字化转型的本质是通过基于数据实现企业内外部资源的优化配置，达到提升生产力改善生产关系。

工业互联网驱动下的数字化转型必须是企业的战略方向，从两个维度考虑：第一，数字化技术改善和优化企业生产链，通过数字化手段、技术和平台，以数据核心、工序牵引、场景创造形成从点到线到面的数字化转型，从而提高生产效率，提高生产运营水平，实现数据的采集和价值提升；第二，通过数字化转型实现商业模式创新，以数据价值为导向，通过提供独特的产品或服务，提升企业竞争力，为企业创造和获取价值。

工业互联网的运营模式（或者商业落地），是通过企业的销售和服务与市场端、客户端有机结合，把企业内在动能包括系统、流程、能力甚至是文化传递到客户，为客户传递价值。这个是目前大多数公司最为头痛的，因为通常理论容易建立而实践是非常艰难的，特别是那些体制内的依靠利益安排下的企业组织或者大多数的初创技术公司。

到了数字经济时代，由于“一切互联”，信息的流通、生产的极大丰富，使客户需求呈现出更加多元和个性化的趋势，企业的目标不再是简单地卖“所有权”，而是需要基于数据挖掘客户的需求，考量产品和服务的销售是否真正给客户创造价值（如化工宝等的商业模式，见表二）。由此，企业生存和发展的逻辑，也从工业化时代的“为质量而管理”，转变为“为客户价值而管理”。

数据服务在传统制造领域的应用会越来越广泛，为重塑传统行业竞争格局起到不可忽视的决策性作用，谁能够最先、最有效、最大程度地把数据转变成对市场、客户、流程的有效认知，并且使其有所作为，为客户适时提供最优质、最贴心的创新产品与服务，谁就将会在未来的竞争中脱颖而出，新型的数据资产管理公司为此专门为场景公司提供“贴身式管家”数据运营服务模式（见表二）。

数据管理说到底还是为企业服务的，现在传统产业的IT或OT架构大多分为在线系统、近线系统与离线系统。

为此，数据管理从两个视角展开：

• 第一，从企业应用系统角度出发，使得系统间的数据整合及维护费用最小化；提高跨系统间数据存储和共享的效率，如头部企业内部孵化的工业富联、以及从传统IT自动化公司出发的宝信软件、而如青岛海尔的奥斯卡工业互联网平台在企业内部先行孵化，同样树根互联面对数据安全的内外部困境的突破。

• 第二，从企业数据资产管理的角度，需要从整个数据生命周期中数据的处理、存储、转换、整合、以及支持这些策略、模型、流程出发考虑。通过贴身管家服务和数据资产运营新模式的出现：如宝武智化实现化产品全产业链数字化转型赋能、如鉴微数字等这是第一家设立在工厂内的工业互联网和数据运营公司。

制造业通过工业互联网以数据为核心管理模式和商业模式的转变，实现行业认知的改变，从传统生产管理向数字化企业、知识型管理架构和智慧化商业模式转变，以数据为核心、场景驱动业务、数据资产管理是大趋势，一方面企业必须从数据治理、数据分析增值、数据资产化的角度利用新一代信息技术实现企业数字化转型，另外一方面需要加强企业数字化顶层设计，成为企业的业务战略，形成持续推进的动力和系统化的架构。更为重要的是，建立和培养数据资产运营的团队，以数据管理为核心，解决业务难题，降低风险和成本，实现各个业务领域协同和企业管理的透明化、智慧化。随着数据成为资源要素，数据资产的管理、运营和数据资产的定价、证券化会成为未来的热点和新商业模式的驱动力。

因此基于以上的论述，在制造业工业互联网推进和数字化转型的进程中考虑从生产资料和生产关系两个方面来推动资源优化配置，为此本文建议：

第一，建立创新能力生态平台：创新是任何事物发展的动力，对于制造业的发展来说亦是如此。创新平台主要是以数据为核心，数据增值服务的赋能平台，通过数字化制造业生产设计流程（场景创造），全面获取产业的生产、制造所需要的共性数据，从数据中获取价值进行创新活动并通过知识管理形成可迭代、可复制的经验能力体系（数据管理），从生产关系的角度优化和改变传统企业的升级,同时实现数据的行业和跨行业推广（知识管理平台）。

第二，数据资产运营：考虑数据的生产资料属性，无限量、可复制和数据本身天然具备金融属性。数据资产管理是采用资产的管理方法结合数据有效的特征管理数据的全生命周期管理。从生产资料角度帮助传统企业多年累计的信息转化为数据进而形成数据资产的保值增值（资源优化配置）。

第三，数字化转型：虽然数字化转型是产业界的共识，但理解数字化转型的价值维度，厘清传统产业数字化转型的理论逻辑是需要的。数字化转型在驱动产业效率提升的同时，改变了传统产业的经营理念， 一方面通过数字化技术的使用，数据平台的建立，提升企业的生产效率，降低企业内部交易成本，增加产品的附加价值；第二方面，企业跨界融合，提高全要素生产率促进了要素配置的优化，倒逼企业技术创新能力的提升。第三方面，数字化转型重构了以数据价值为导向，改变企业的竞争模式，提高资源利用效率、推动企业的持续优化。显而易见数字化转型既是生产资料匹配也是生产力优化匹配（见表二的生态派）。

第五，政策端的修订：对于工业互联网的支持一直是政府在大力推进的，但常常是落花有意流水无情，原因无外乎企业借政策之名获利，或者没有可靠的评估和监管机制，同时工业互联网推行本身的长周期和成长性无法与企业短期收益和政府快速出效果吻合；从而出现所谓的工业互联网政策申请的“代理人“和以工业互联网为名的智能制造公司，极大地损害市场、投资者、商业伙伴的信心。所以，政策的制定者应该包括工业互联网的实践者，政策采取“事后监管，事前自主申请，简化申请流程“，同时政策与法律配套，避免无法可依，有空可钻；同时奖励创新者最为重要的是让创新者没有负担，政策需要有容错空间。

随着工业互联网时代的到来，结合行业知识的工业互联网行业深度的拓展，配合互联网禀赋实现工业场景的规模化，从而从互联网训练人的消费习惯转型到实现制造业的管理和生产精益化习惯，从ToC的用户体验到ToB的数据价值服务才是其核心。（参考文献略）

备注：本文摘自《中国发展观察》

陈江宁：博士，四源合智能制造基金鉴徽数字高级副总裁，玉狮基金创始人

在智能制造、产业互联网等领域具有成功的创始人经验，特别是AI、大数据技术并购、团队组建、智能制造基金等组建、投资决策、投后管理等具有丰富的创建经验，重点研究智能制造和工业4.0领域的趋势、发展、实践及应用、标准、商业模型、人才培养、数据资产研究、资本+技术+资源的整合模式研究。

中国两化融合技术委员会委员（TC743）

联合国SDG创新专家委员会委员

中德政府数字化转型，中德智能制造人才培养专家组成员

中国智能制造国家标准总体工作组专家

IEEE工业智能终端标准组主席

中国智能制造系统集成商联盟专家委员会成员

中德智能制造/工业4.0标准化工作组专家

工信部赛迪研究院学术委员会委员

中国企业家联合会智能制造专家委员会

中国人工智能产业创新联盟专家委员会成员

中国知网专家