2026-05-28
2024年1月1日，《企业数据资源相关会计处理暂行规定》正式实施。数据资产入表首先会考验企业的数据治理水平，企业需要改善自己的数据管理制度、提升数字化能力，才能有更好的盘点数据存量，明确数据所有权和管理职责，这样才能保证数据的安全性和可靠性，让数据能够真正并入资产。
国有企业作为驱动数字化转型升级的排头兵，在数据资产入表的背景下，如何充分发挥海量规模数据和应用场景等优势，如何解决数据难点，管好用好数据资产，已成为国企数字化转型的关键命题。
盟拓从数据管理入局，结合当下政策，潜心研究整理了“数据资产入表从理论到实践一站式学习包”，欢迎领取↓↓↓
对于数据资产的落地路径，总体来说主要涉及到两个方面的数字构建，一方面是业务侧咨询管理相关的数字体系构建，另一方面是应用侧数据资产实施落地相关的体系构建。
围绕业务侧，这部分主要进行经营管理指标的梳理、拆解和溯源。具体来讲，首先第一步是要确定管理维度和管理单元，只有依托于企业的业务管理情况、系统情况和数据质量情况确定下的目标范围，才能保障接下来数据层的指标梳理、拆解、溯源有足够的业务匹配度和管理深度。
以泛地产行业为例，依托盟拓在泛地产行业构建数据资产平台的经验，可以套用指标体系构建的“四步分解法”。
第一步：明确管理维度，如可划分为运营维度、财务维度、销售维度、成长维度四大维度；
第二步：基于管理维度聚焦业务最关注的管理单元，以销售维度为例，可对应拆分出销售业绩分析、供销存分析是重要的管理单元；
第三步：从管理单元提炼指标，即通过量化的指标去描述业务；
第四步：围绕上一步提炼的指标即能遵循对应计算口径深入完成指标梳理、拆解，从而溯源定位到相关数据来源的业务系统，搜查到相关的数据表和数据字段，通过这些要素信息方能顺利再按照自下而上的逻辑完成指标层层加工。
再看应用侧，数据资产的落地遵循自下而上的逻辑，整个过程简述来说就是从业务源头通过数据交换或数据采集的能力，将得来的数据加工至整合层，基于此进一步通过ETL工具（数据工厂）去加工到数据业务层、指标层，由此以数据服务的形式最终完成应用。
要想有效实现这一整体过程的打造，需要依托一定的平台能力，该能力包含两个方面，一个是数据资产构建能力，另一个是数据质量管控能力。
（1）数据资产构建需要的几个核心能力 ✦
·数据建模能力
基于上述讲解的指标拆解过程，可以了解到指标是有复合指标、派生指标和原子指标之分的，整个数据层级可能会涉及到维度数据模型、业务数据模型、指标数据模型等等。因此针对指标具备数据可视化建模能力则会大大便于后续数据资产的落地。
·数据加工能力
建模之后，数据从源头加工到ODS层，进而再加工至业务数据层，最终加工成指标，这个过程需要有数据加工能力。其关键在于从ODS层到业务层和指标层的这一环节中，需要借助ETL工具完成，也就是需要其发挥数据加工能力。
·数据整合能力
通过将数据采集到数据平台里，对于加工好的数据，其不只是用于看板，可能还会应用于其他业务场景，以上是数据提供的服务，也是数据整合能力的体现。
·资产管理能力
指标、模型、数据在数据资产平台中可形成一个数据资产管理的门户，通过此，可以及时查看到资产目录、指标档案、指标地图等，以便于IT人员管理数据资产。
（2）数据质量管控能力建设：数据质量管控整体框架设计 ✦
数据质量管控作为体系化的工作，是较为庞大的话题。究其根本，数据质量管理以业务（治理）需求为驱动，通过数据质量计划、监控、评估、改进的循环，持续提升数据质量，以达到数据质量结果满意。同时通过制定数据质量管理制度，构建完整的数据质量管理组织、流程和工具，支撑数据质量管理工作，使数据质量管理系统化、持续化、常态化。
