2024年数据要素产业利好政策密集出台，企业数据资产“入表”成为了大势所趋。数据要素顶层设计方案加速落地，推动企业数字化转型提档加速，提升数据管理能力、实现数据资产价值成为企业下一阶段核心竞争力构建的关键。
数据资产可以为企业提供更丰富的融资渠道，降低融资成本，为企业的可持续发展提供有力支持。企业可以将数据作为底层资产，在数据资产抵质押贷款、数据资产融资租赁等方面进行有益探索，拓宽融资渠道。此外，数据资产入表还有助于外界更直观地了解企业在数字经济，如智慧城市等新兴领域的实力和潜力，提高企业未来前景预期，推动企业估值的提升。本文将从以下方面介绍：
1. 什么是数据资产入表
2. 企业数据资产入表准备——数据治理
3. 企业数据资产入表准备——数据资产盘点
对于数据资源、数据资产和数据要素这三个概念，人们往往容易混淆。为了更好地理解和利用数据，有必要对这三个概念进行深入的辨析。下面逐一探讨这三个概念的定义、特征以及相互关系，以建立清晰的认识，为实际应用提供指导。
数据资源是指为以电子化形式记录和保存的具备原始性、可机器读取、可供社会化再利用的数据集合。区别数据与数据资源的依据主要在于数据是否具有使用价值。具体 而言，经过收集、存储、运维后形成的电子化、规模化、能够为组织（政府机构、企事业单位等）产生一定价值的数据被视作数据资源。数字资产是个人和企业拥有的财产，数据资产包含结构化数据和非结构化数据，包括以数据形式记录的照片、视频、文件、订单、合同等资源，这些资源以电子形式存在，并具备给个人或企业带来经济价值的潜力。数据资产具有以下特征：非实体性和无消耗性、可加工性、多样性、依托性、价值易变性、多次衍生性、可共享性和零成本复制性。数据资产将数据视为类似于资金、设备、技术等要素资源，并将数据资源转化为可交易的“数据资产”。对于企业而言，数据资产包括无形资产或存货等类型的数据资源，以及企业合法拥有或控制的数字资源，这些资源预计将为企业带来经济利益。3. 数据要素（Data Capital as Factor of Production）数据要素是指为根据特定生产需求汇聚、整理、加工而成的计算机数据及其衍生形态。依据十九届四中全会提出的“将数据列为生产要素”与生产要素的定义，数据要素是参与到社会生产经营活动中，为所有者或使用者带来经济效益的数据资产。因此，“数据要素”一词是面向数字经济、在讨论生产力和生产关系的语境中对“数据”的指代， 是对数据促进价值生产的强调。4. 数据要素市场化（Market-based allocation of factors）数据要素市场化是指将数据作为一种要素资源，通过市场机制进行交易、流通和配置。数据要素市场化配置的关键在于通过市场化的流通手段，让数据向最需要的地方流转聚集，让不同来源的优质数据在新的业务需求和场景中汇聚融合，在跨领域数据融合中产生更大效益，实现双赢、多赢的价值利用。数据要素化的实施路径
基于大量的理论研究和应用实践，我们认为商业银行要实现数据要素化且最终参与到数据要素产业生态中，需要经历以下三个阶段：
业务数据化：业务数据化是指将各项业务活动和过程转化为可量化、可记录和可分析的数据形式。商业银行涉及广泛的业务领域，包括存款、贷款、投资、交易等。业务 数据化的第一步是通过系统和技术手段收集和整合各项业务的数据。这些数据可以来自于客户交易、业务操作、市场行情、风险评估等多个来源。通过对这些数据进行治理和管理，保证数据的源头质量，未来可以帮助银行更好地理解和分析业务运营状况，支持决策制定、风险管理和客户服务等方面。数据资产化：数据资产化是指将数据视为一种重要的资产，并将其管理、促进利用和价值最大化的过程，通过对数据进行识别、分类和标记，以确定不同数据的价值和用途。数据资产可以包括客户数据、交易数据、风险数据、市场数据等。不同类型的数据资产基于数据应用目标进行相应的成本与价值计量，并进行有效的管理和利用，帮助银行提高数据价值和运营效率。资产要素化：资产要素化则是通过要素化识别出有“活性”的数据资产，在分析和挖掘中发现有价值的信息和洞察，支持决策制定和业务创新，实现客户洞察、风险管理、 营销策略优化等方面的增值。同时，也能为银行带来商业机会，例如数据交易、数据合作等， 进一步增强银行的竞争力和盈利能力。数据资产常态化的识别、确认、计量、使用、交易及最大化持续发挥价值，涉及企业内部的数据治理、数据资产确权、配套数据资产管理的制度设计、数据架构设计、数据资产的全生命周期管理等内容。1. 什么是数据资产入表
数据资产入表就是将企业的数据资源以资产的形式纳入财务报表中进行管理和计量。
2. 数据资产入表有什么好处？
对企业而言，有助于提升企业的数据资产运营和变现能力。通过将数据资源纳入财务报表，企业可以更加清晰地了解自身数据资产的规模、质量和价值，从而制定更加合理的数据资产管理和运营策略。这将有助于企业更好地挖掘数据价值，实现数据资产的保值增值。（1）提高企业的数据管理效率：这有助于企业更好地组织和管理数据，提高数据的可访问性和可用性。（2）提升企业的决策能力：数据是企业决策的重要依据，而数据资产入表可以为企业提供全面、准确的数据信息。（3）盘活数据资产价值：展示企业数字竞争优势，为企业依据数据资产开展投融资提供依据，有效促进内外部会计信息使用者提升决策水平，优化市场资源。（4）拓宽融资渠道，降低融资成本：数据资产可以为企业提供更丰富的融资渠道，降低融资成本，为企业的可持续发展提供有力支持。企业可以将数据作为底层资产，在数据资产抵质押贷款、数据资产融资租赁等方面进行有益探索，拓宽企业的融资渠道。此外，数据资产入表还有助于外界更直观地了解企业在数字经济，如智慧城市等新兴领域的实力和潜力，提高企业未来前景预期，推动企业估值的提升。对经济而言，数据资产入表能够促进数据流通和使用。在传统的财务报表体系下，由于数据资产的价值难以体现，企业往往缺乏动力去共享和流通数据。而数据资产入表后，企业可以通过财务报表展示自身数据资产的价值，从而吸引更多的合作伙伴和投资者。这将有助于打破数据孤岛现象，促进数据的共享和流通，推动数字经济的发展。对国家而言，数据资产入表也是展现数字经济实力的重要体现。随着全球数字经济的蓬勃发展，各国纷纷将数据作为战略性资源进行布局。数据资产入表作为我国在制度层面上的创新举措，将有助于提升我国在国际数字经济领域的竞争力和影响力。3. 参与主体
企业内部部门：决策机构、数据部门、财务部门、IT 部门、业务部门。外部机构：数据交易机构、数据治理机构（数据商）、律师事务所、会记师事务所、数据资产评估机构、银行金融机构等。
4. 数据资产入表流程
主要分为企业数据资源/资产管理、登记确权、数据 流通交易及金融化、会计核算处理。数据作为新时代重要生产要素和战略资源的地位已然确立，数据治理作为激活数据要素价值的基础工程，已成为各行各业抢抓数字化发展先机的焦点和主战场。数据治理是一个囊括了顶层设计、数据治理体系建设、数据服务和数据洞察多个模块，并不断循环改进的闭环体系。本文从数据治理实施的流程体系出发，梳理了数据从战略到应用的治理过程，以期给广大政企提供方法论与思路参考。
（一）数据治理顶层设计
1. 规划数据战略
数据战略是企业为了实现其长期目标在数据方面所做的方向性的选择和资源的聚焦。它是一个以终为始的路径，企业要做好数据战略的规划，就得在明确自身定位的前提下，找准目标和方向，然后再做出相应的路线规划。
数据战略来自对业务战略固有数据需求的理解：组织需要什么数据，如何获取数据，如何管理数据并确保其可靠性以及如何利用数据。一般来说，数据战略有以下三种基本类型：2. 成立数据治理委员会
数据治理项目的实施绝非是一个部门的事情，必须由上往下统筹，建立专业的数据治理组织体系，确定对数据进行管理的责权利，即数据的产生者、使用者、拥有者和管理者。在数据治理建设初期，需先成立数据治理管理委员会，从上至下由决策层、管理层、执行层构成。决策层决策、管理层制定方案、执行层实施，从而进行层级管理、统一协调。
一套奖惩有序的数据治理绩效考核体系，能帮助企业规范数据管理流程，落实数据治理相关方的职责，从而提升整体数据质量，实现数据战略。考核指标包括两个方面内容：一方面是对数据的生产、管理和应用等过程的评估和考核指标；另一方面是数据质量的评测指标。数据治理的绩效考核6大基础维度：数据治理人员、数据质量问题、数据标准贯彻、治理策略执行、技术达成、业务价值实现。数据治理的绩效考核4大方式：日常考核、定期考核、系统自动考核、人工考核。1. 元数据管理
元数据是企业数据的DNA。元数据管理则是对元数据的创建、存储、整合、控制的一整套流程，是数据治理过程的一部分。基于业务需求，元数据管理系统建设可分为以下4大模块：(1) 元数据获取：各阶段元数据的统一收集、存储和输出。包括自动获取和手工获取两部分。(3) 元数据功能：包括元数据基础操作（查询、新增、修改和删除等管理操作）、元数据分析（包括业务指标一致性分析、数据血统分析、数据影响分析等）、元数据权限管理以及元数据服务封装等。(4) 元数据应用：包括元数据基础能力开放、报表指标优化清理应用、指标运算关系分析应用等。
主数据是数据之源。围绕主数据需求开展的数据治理工作，往往成为各类组织推进业务数字化的首要任务。主数据项目实施的标准流程，分为咨询规划和实施落地两大部分，主要是4大步骤，分别是现状分析评估、体系规划、实施规划、平台搭建与落地。
(1) 现状分析与评估：了解企业现状，识别企业当前问题以及数据管理成熟度。(2) 体系规划阶段：就要去设计企业内部的一个组织架构、企业的主数据管理制度、考核办法标准规范以及主数据运营怎么去设计。(3) 主数据实施：有了一个顶层设计规划之后，就要去落地主数据实施，制定编码分类、属性、字段、审批流程、整合清洗分发、集成切换策略等，主数据实施的过程中是根据这些策略去执行的。(4) 平台落地：将主数据实施内容了解清楚之后就到主数据管理平台上去进行落地了，包括主数据模型、主数据维护以及主数据治理相关的内容落地。3. 数据标准管理
数据标准化是企业进行数字化转型的根基。数据标准与企业数据管理的每个域都相关，是数据治理工作的最基础内容。数据标准的建立通常有5个步骤，包括标准分类规划、标准体系建设、标准评审发布、标准落地执行、标准运营维护。
（1）标准规划：构建数据标准分类框架，并制定开展数据标准管理的实施路线。（2）标准制定：在完成标准分类规划的基础上，定义数据标准及相关规则。（3）标准发布：征询意见，在完成意见分析和标准修订后，进行标准发布。（4）标准执行：把企业已经发布的数据标准应用于信息建设， 消除数据不一致。（5）标准维护：根据业务的发展变化以及数据标准执行效果不断更新和完善数据标准。4. 数据质量管理
数据质量管理是对数据从计划、获取、共享、维护、应用、消亡生命周期的每个阶段里可能引发的各类数据质量问题，进行识别、度量、监控、预警等一系列管理活动，并通过改善和提高组织的管理水平使得数据质量获得进一步提高。全国信息技术标准化技术委员会提出了数据质量评价指标（GB/T36344-2018 ICS 35.24.01），它包含以下几个方面，分别是完整性，一致性，准确性，时效性，唯一性和可访问性。
（1）定义高质量数据：对数据质量改进的目标和优先级事项达成一致。（2）定义数据质量战略：数据质量优先级必须与业务战略一致（3）识别关键业务和质量规则：确定关键数据后，识别梳理数据质量特征要求的业务规则。（4）执行初始数据质量评估：执行初始数据质量评估，定义可操作的改进计划。（5）识别改进方向并确定优先级：分析问题的业务影响，最终讨论确定优先顺序。（6）定义数据质量改进目标：量化业务价值，设定具体的、可实现的目标。（7）开发和部署数据质量操作：围绕数据质量方案制定实施计划，管理数据质量规则和标准、监控数据与规则的执行一致性，识别和管理数据质量问题，并报告质量水平。5. 数据交换共享
当数据从一个系统跨授权边界访问或传递到另一个系统时，就需要使用一个或多个协议来指定每个组织的责任、要访问或交换的数据类型和影响界别、如何使用交换数据，以及在交换系统的两端处理、存储或传输数据时如何保证数据安全。数据交换主要用于实现不同机构不同系统之间进行数据或者文件的传输和共享，可以帮助消除数据孤岛，提高信息资源的利用率。数据资源交换共享与开发应用平台按数据的流向自下而上分为5层，分别为外部数据资源层、数据汇聚层、数据融合层、服务管理层和服务门户层。（1）外部数据资源层：即源数据库，为系统外部数据的来源。（2）数据汇聚层：根据获取数据的特性采用相应采集方案整合外部数据源。（3）数据融合层：为工程数据提供持久化存储和访问的场所。（4）服务管理层：主要包括目录管理、资源管理、服务管理、交换管理等功能。（5）服务门户层：通过服务门户和接口支持，提供标准化服务给应用系统调用。6. 数据安全治理
数据安全管理是用来实现和维护数据保密性、完整性、可用性、可核查性、真实性和可靠性的过程。
数据安全问题贯穿数据全生命周期的各个环节。在新形势下，要做好数据安全治理，就要做好企业的数据安全防护能力建设，建立起一个强保障且动态化的安全保护机制。这个机制的攻坚点主要是三个方面：完善数据安全治理规划，提高数据安全技术防护能力和加强数据安全审计。（1）完善数据安全治理规划：评估数据安全现状，识别数据安全需求，完善数据安全治理组织规划和制度保障体系（2）提高数据安全技术防护能力：主要包括自动化数据分级分类和精细化数据权限管控，并从防御风险、识别风险、预测风险、解决风险四个方面，来提升组织的抗风险能力。（3）做好数据安全监控审计：除日常审计外，还需进行以业务线为单位的专项审计。7. 数据生命周期管理
数据生命周期管理是一种基于策略的方法，包括数据的创建、使用、归档和销毁的策略和过程。（1）数据创建：利用数据模型保证数据完整、执行数据标准保证数据准确、加入数据质量检查创建准确、保证数据在合理的系统生成。（2）数据使用：利用元数据监控数据使用、利用数据标准保证数据准确、利用数据质量检查加工准确、确保数据在合理的系统使用、控制数据的派生。（3）数据归档：利用评估手段保证归档时机、分数据类型归档数据。（4）数据销毁：利用评估手段保证数据销毁时机，分数据类型销毁数据。
（三）数据服务和数据洞察
1. 数据资产管理与运营
数据作为企业一种“特殊资产”，已被列入企业的资产负债表。怎样识别数据资产、有效管理和运营数据资产，利用现有的数据资产创造价值，也是数据治理中的一项重要工作和目标。从技术上拆解数据要素价值的生成路径，企业数据要素与资产运营的建设路径可分为三个关键阶段：数据资源化、资源产品化和产品价值化。（1）数据资源化：把不同来源的数据经过必要的加工、整合和处理，在物理上按照一定的逻辑归集后达到“一定规模”，形成可重用、可应用、可获取的数据集合。这个阶段需要数据战略规划方法、构建数据能力体系、建立企业数据治理体系。（2）数据产品化：企业通过自己组织或有效授权给外部机构，以数据使用方需求为导向进行数据产品的研发。这一阶段包括建立数据资源可能的应用价值图谱、分析目标客户的数据需求及应用场景，选择合适的测试客户、联合共同组织数据产品及其技术开发。（3）产品价值化：数据产品已经可以放在数据要素交易市场上进行买卖了，能够带来持续的收益。这一阶段需要建立数据资产化战略、构建数据资产管理体系、实现数据资产的经营管理。
数据服务是指为用户提供数据相关的各种服务和支持的一种业务模式，包括数据收集和整理、数据分析和洞察、数据可视化、数据安全和隐私、数据应用和功能这5方面。（1）数据收集和整理：收集各类来源的数据，并对其进行整理和组织，使其更易于理解和使用。（2）数据分析和洞察：对收集的数据进行分析和挖掘，找出其中的模式、趋势和关联性，实现智慧决策。（3）数据可视化：数据服务可以将复杂的数据以图表、图像或其他形式进行可视化展示，使用户更容易理解和解释数据。（4）数据安全和隐私：采取安全措施，确保用户的数据在处理和存储过程中安全可靠；同时也会尊重用户的隐私权，保护用户的个人信息不被滥用或泄露。（5）数据应用和功能：为用户提供各种应用和功能，满足不同领域和行业的需求。
三、企业数据资产入表准备——数据资产盘点
数据作为企业一种“特殊资产”，已被列入企业的资产负债表。只有对数据资源进行统筹规划，全面梳理，“摸清家底”，才能让数据更好地服务于企业的业务应用。怎样识别数据资产、有效管理和运营数据资产，利用现有的数据资产创造价值，也是数据治理、数据资产管理中的一项重要工作和目标。财政部正式印发《企业数据资源相关会计处理暂行规定》，对于符合规定定义和确认条件的数据资产，可确认为无形资产或存货。数据资源会计处理方式的确定，意味着数据将作为资产正式被纳入会计报表，数据价值凸显。而数据资产盘点也是实现数据资产入表的关键一环。从企业自身而言，数据资产盘点是对企业数据现状进行全面梳理，盘点出可视化的可复用的有价值的数据资源，形成数据资产目录，供企业内共享应用，为企业数字化转型赋能。数据资产盘点不仅能发现数据资产、剖析数据现状，也能发现数据问题，查漏补缺，为企业数据资产管理指明了后续工作方向。通过对数据进行盘点可帮助弄清楚以下问题：解决“有什么”、“用什么”、“如何用”等问题。
（二）数据资产盘点工作步骤
基于数据资产现状和现阶段管理要求，明确数据资产盘点目标，并规划所需资源和本阶段数据资产盘点想要达到的效果。方式包括：- 通过调研问卷，对企业数据现状、管理现状等进行梳理了解。
- 通过关键问题访谈，了解企业数据资产的采集、处理、应用等问题难点。
- 通过了解企业的发展战略、集团数据战略要求，以及企业系统各类资料，指定盘点目标。
- 根据DCMM要求的能力项进行成熟度评估，了解企业数据资产管理难点。
企的数据散落在各个异构系统、甚至业务人员电脑中，数据结构、数据类型、存储形式、敏感级别、重要程度各不相同，整体看起来就像是一团乱麻的线，如何盘点理出头绪并不容易。数据资产盘点到底要盘点啥？数据盘点的范围一般从三个角度定义：- 组织范围：盘点要覆盖哪些组织和部门，例如：集团本部、集团+分子公司等。
- 业务范围：盘点哪些业务的数据，例如：生产业务、采购业务、营销业务、财务业务、人力资源业务等。
- 系统范围：盘点哪些应用系统的数据，例如：ERP系统、MES系统、SCM系统、CRM系统、HR系统等。
基于不同的数据来源，根据不同的划分策略，盘点的内容侧重会有所不同：- 基础数据：需要盘点数据分布在哪些IT系统，区分其中哪些是需要跨系统流转、共享使用且变化缓慢的主数据信息，哪些是与IT系统定位相匹配的业务流程交易信息。
- 衍生数据：需要盘点数据的不同应用场景，比如监管、统计、内部管理等等。一方面根据衍生数据基于不同使用场景进行分类，另一方面通过盘点，梳理对基础数据的使用热度。
- 外部数据：需要盘点外部数据需求、数据类型、数据来源、采集频率、获取成本、数据质量以及数据价值评估方式等。
该阶段需要根据盘点内容，制定数据梳理模板并定义数据资产标准项。内部对盘点工作进行培训和宣贯，相关人员对盘点范围、目标、内容等达成共识，理解并学会数据资产梳理模板的使用。正常来讲，我们最终实现的数据资产清单，它一定是一个对同类型的这个数据 ，可以有一个统一的模板， 需要根据我们确定的盘点的内容确定盘点的一个模板，比如说盘点的是你的数据库表类的数据，那就可以去看系统表名，然后中文名英文名包括他的一些日常的管理的属性等。
基本上盘点会从系统摸查到数据库表，然后再摸查到数据字段的力度。通过整体数据情况摸查后，补充相关信息的基础属性、管理属性、业务属性。并可以在过程中直接使用元数据管理工具进行数据的采集摸查，并在系统中进行属性的补充完善。根据实际需求可在过程中建设企业数据标准，为数据资产的分类管理提供标准化基础依据。
采集盘点范围的元数据，快速识别各类数据以便进行数据梳理分析，剔除相关数据，补充数据资产元数据属性为后续实现资产分目提供基础资源。
把元数据补充完毕之后，再去根据企业调研结果或者是针对数据的基础判断，然后就能知道我们的核心数据或核心的数据资产有哪些了，就可以形成我们的资产清单以及资产目录。
数据资产盘点成果的发布，并不是将数据资产清单以邮件或其他方式发布出去就行了，而是需要搭建起来专业的数据资产管理平台，通过平台落地数据资产目录，将数据资产以“服务”的形式进行发布，实现数据资产在企业内的共享，以及面向外部的数据开放。
- 遇复杂分类对应关系时，需建立目录与系统及关键字对应关系表，用于增量分类管理。
（三）数据资产盘点的保障机制
数据资产盘点的过程中还涉及到盘点的保障机制，包括以下三点：决策、管理、执行三级组织架构，职责清晰、任务明确，进行数据盘点项目组织及配合。也就是说做数据资产盘点工作时，是谁来对接哪方面的数据，需要做的任务是什么，都是需要有明确的管理组织设置和职责定义。包括制定数据资产盘点制度、资产盘点管理办法、元数据管理办法、数据标准管理办法、数据质量管理办法。根据实际盘点需求，确定数据资源的采集、处理、分类、映射等管理方案。数据资产盘点方案，通过盘点及生成的数据资产目录让数据资产有口径、有溯源、有案例场景，用户才能“看得到、用得上、能放心”，并为后续数据资产门户、全景地图、安全、数据资产运营等应用提供支撑。
在数字化时代，数据已经成为企业的重要资产。数据资产化是将数据视为一种有价值的资产，对其进行有效管理和利用的过程。而数据资产入表则是将数据资产纳入财务报表，以反映其价值和对企业财务状况的影响。1. 数据资产入表的实际需求和现实挑战
由于数据资源具有多种形式、多次衍生、价值易变和零成本复制等特点，因此在将数据资产纳入财务报表时，相关的确认和计量过程较为复杂。
由于企业对数据资产入表的路径理解不足，各部门协同难度大。需要业务、财务、IT部门的专业人员共同理清数据生产链路，建立畅通的企业内部各部门协同关系和实现路径规划，对企业而言，难度很大。2. 数据资产入表的基本原则、参与主体和流程路线
①企业内部部门，决策机构、数据部门、财务部门、IT 部门、业务部门。②外部机构，数据交易机构、数据治理机构（数据商）、律师事务所、会记师事务所、数据资产评估机构、银行金融机构等。流程路线包括数据资产管理、登记确权、数据流通交易及金融化、会计核算处理。
（二）数据资产入表关键流程
1. 数据资产评估
（1）数据资产评估的概念
数据资产评估是评定和估算数据资产价值的专业服务行为。（2）数据资产评估需求
包括数据资产转让、使用许可、出资、企业兼并重组、质押融资、企业清算或司法重整、财务报告和资产证券化等。（3）价值类型
包括市场价值和市场价值以外的价值类型，如投资价值、在用价值和清算价值。（4）数据资产评估方法
包括成本法、收益法和市场法，考虑数据资产的特征和影响因素。（5）数据资产评估过程
包括前期准备、现场调查、质量评价、市场调研、评定估算和出具报告。
企业原始数据来源一共可分为三个渠道，公共数据开放或授权、系统生成、交易市场采购，这三个渠道通过简单的清洗、加工生成的成果，可称为数据资源。数据资源在企业投入实质性加工或创新性劳动后形成的成果，可称为数据产品，数据产品可对内使用、共享或开放，也可对外交易。针对数据资源的确权主要需要解决数据来源的合法性。而针对数据产品的确权主要需要解决数据可交易性合规审查。（1）数据资产的确权报告
涉及数据来源合法性审查和数据产品可交易性合规审查。（2）数据资产的登记行为
包括数据资源登记和数据产品登记，是数据资源持有权确权的关键途径。3. 数据交易
（1）数据交易市场分类
分为场内交易和场外交易，场内交易通过数据交易所或交易中心进行。（2）数据交易流程
包括注册认证、登记挂牌、产品订购、合约评估、产品交付、交易结算和记录归档。
作为交易的直接证据，包括合约信息、合约评估信息、数据交付记录和资金支付记录。4. 成本的归集与分摊
（1）成本构成
数据资源成本包括获取成本、加工成本、储存成本和管理成本。（2）会计确认和计量
涉及存货和无形资产的确认与计量，以及非资产类数据资源的规定。（1）列报
根据企业会计准则和《暂行规定》要求，对数据资源相关交易和事项进行会计确认、计量和报告。（2）披露
包括强制披露和自愿披露，涵盖无形资产和存货的数据资源相关信息，以及其他相关信息。（三）企业全方位应对数据资产化
为了更好地实现数据资产化与数据资产入表的共同发展，企业需要采取一系列措施：1. 建立完善的数据治理体系：明确数据的所有权、责任和流程，确保数据的准确性和可靠性。同时，加强数据安全和隐私保护，确保数据资产的安全可控。2. 提升数据处理和分析能力：加大数字化技术的投入和应用，提高数据处理和分析的效率和准确性。培养和引进具备数字化思维和技能的人才，为企业数字化转型提供人才保障。3. 创新商业模式和组织架构：利用数据资产优化业务流程、创新商业模式和提高决策效率。同时，调整组织架构以适应数字化转型的需求，提高组织的灵活性和敏捷性。4. 加强与外部利益相关者的合作：与供应商、客户、合作伙伴等利益相关者建立良好的合作关系，共同开发和利用数据资产，实现互利共赢。数据资产如何常态化的识别、确认、计量、使用、交易及最大化持续发挥价值，涉及企业内部的数据治理、数据资产确权、配套数据资产管理的制度设计、数据架构设计、数据资产的全生命周期管理等内容。。总之，数据资产化与数据资产入表是相互影响和共同发展的关系。通过加强数据治理和管理、提升数字化能力、创新商业模式和组织架构等方面的措施，企业可以更好地实现数据资产化与数据资产入表的共同发展，为数字化转型和可持续发展奠定坚实基础。
18个行业，106个中国大数据应用最佳实践案例：
（1）《赢在大数据:中国大数据发展蓝皮书》；
免费试读：https://item.jd.com/12058569.html
（2）《赢在大数据:金融/电信/媒体/医疗/旅游/数据市场行业大数据应用典型案例》；
免费试读：https://item.jd.com/12160046.html
本册“微信读书”免费阅读：https://weread.qq.com/web/bookReview/list?bookId=f0532d707159f0dff058c4e
（3）《赢在大数据:营销/房地产/汽车/交通/体育/环境行业大数据应用典型案例》；
免费试读：https://item.jd.com/12160064.html
（4）《赢在大数据:政府/工业/农业/安全/教育/人才行业大数据应用典型案例》。
免费试读：https://item.jd.com/12058567.html
或点击“阅读原文”，购买“赢在大数据系列丛书”。
推荐文章
微信ID：SDx-SoftwareDefinedx
❶软件定义世界, 数据驱动未来；
❷ 大数据思想的策源地、数字化转型的指南针、创业者和VC的桥梁、政府和企业家的智库、从业者的加油站；
❸个人微信号：sdxtime，
邮箱：[email protected]；
=>> 长按右侧二维码关注。
底部新增导航菜单，下载200多个精彩PPT，持续更新中！
