数据运营活动包括哪些？

数据运营活动主要包括数据目录管理、数据应用场景构建、数据服务推广、数 据动态优化、数据成本管理和数据价值评估等主要活动。

1.数据目录管理

数据目录是指为满足企业内数据安全、数据标准等内部管理诉求，以体系化、 结构化的方式展现企业内部海量数据资源的各项属性信息。而数据目录管理则是对于 数据目录这一工具，开展全生命周期的管理与维护措施，包括数据目录的规划、编 制、发布、运维等管理活动。 数据资源目录作为数据管理阶段的产物，为数据目录的构建奠定了基础。多数 企业在前期数据管理工作中通过盘点数据资源、理清数据资源分布，建立了数据资源 目录，方便企业管理层掌握数据资源全貌，也是数据管理人员工作的抓手。数据资源 目录多从技术视角出发，根据企业业务架构或者数据架构，从数据主题域视角对企业 内部数据资源进行梳理与整合，帮助包括数据管理人员、数据开发人员、数据分析人 员等角色高效定位所需数据，统筹开展数据管理。

数据运营阶段，数据目录从数据使用者视角出发，优化数据资源目录架构，完 善数据信息。数据目录的搭建工作需要企业分别从“横”、“纵”的视角关注数据目录的 合理性与科学性。数据目录的“横向”管理主要是指数据的属性信息，一般分为业务属 性、技术属性和管理属性信息，在继承数据资源目录的描述信息以外，数据目录通常 在“管理属性”方面有所丰富。例如，随着近年来数据流通交易涉及的个人信息保护、 数据安全合规等要求的重要程度持续提升，逐渐增设数据安全等级、数据合规性等内 容作为了扩展属性；在精细化数据应用的需求下，数据需求描述、服务场景、效益评 价等也逐步纳入描述范畴。数据目录的“纵向”管理主要是指以数据应用场景的维度构 建目录体系，以充分贴合前台业务人员的数据使用习惯、业务使用场景，帮助各类数 据使用人员找数、知数、用数。与此同时，数据目录管理工作在保证数据信息准确、 权限合规等管理要求的同时，还应保证目录底层数据的统一性与一致性，避免出现 “多套”数据目录进而增加管理难度与成本。

中国电信集团通过打造全集团一体化数据资产目录（包含集团总部、31省、专 业公司），推进各域数据资源的有效归集、规范管理，实现从数据源到数据应用的全 链路贯通，健全数据全生命周期管理。在数据资源目录的基础上，以内部数转、外部 产数需求为导向，构建以数据运营为目标的目录架构，协同业务人员梳理业务流程、 提炼核心业务对象，以客户、产品、终端、渠道、基站、网络资源等业务对象。该目 录作为数据运营的抓手，逐步开展数据价值评估、数据服务推广等工作，推动数据要 素向生产要素的转化。 浙江移动依托企业级数据治理工作，创新常态化数据资产盘点法，通过现状调 研、模板制定、系统梳理、审核确认、服务发布5大步骤，明确数据目录业务域、业 务子域、业务系统、数据实体、字段5级管理架构，制定业务元数据、技术元数据、 管理元数据三类、共40个属性，打造了一本盘得全、看得清、读得懂的高质量企业 级数据资产目录，实现了公司数据资产的全面盘点、规范管理和高效开放。截止目 前，浙江公司数据资产目录已纳管公司BOMS四域超200个系统的2万多项价值数据 资产，数据开放内部订阅量达1.8万笔，有效促进了公司数据端到端高效流转，助力 公司实现数智化转型。

南方电网基于底座式数据中心，按照“一本总账、两大视角”的思路，实现全域数 据资产目录的构建，数据资产项超48万，涵盖了公司10余个数据域、200+个数据主 题、40万+项数据实体、400万+项数据字段的数据资产卡片，覆盖多种数据类型， 打破业务、数据之间的鸿沟，突破数据资产不可用不可见等难题。 充分利用人工智能、大模型等前沿技术，优化数据盘点和目录管理的效率。广 东移动构建以数据地图为核心的常态化的数据智能盘点机制。数据盘点以统一元数据 为基础，经过以下三个步骤实现数据资产的自动智能盘点：一是数据发现，即通过元 数据采集获取数据资源信息，并解析日志、SQL开发脚本和程序代码以获取数据关 系；二是稽核评估，即根据数据资源及开发规范，评估采集后的元数据的冗余度、完 整性、一致性和合理性等，并统计分析出数据资源的摘要信息；三是信息识别，即内 嵌智能技术，智能化盘点数据资源，实现自动梳理数据资产、自动分类数据标签，自 动生成数据资产目录，形成全域数据地图。这种基于“自动化+AI智能化+自下而上”的 梳理和编目方法，降低了人工成本和时间周期达30%以上。

2.数据应用场景

数据应用场景构建是指在明确应用过程中的数据安全、数据质量及隐私保护要 求的基础上，构建应用场景地图，明确各类应用场景的数据用户、数据内容、血缘关 系、算法模型、效果评价指标等，以推动数据共享、内部应用、外部流通，从场景出 发满足数据价值评估和成本核算的需求。 数据需求管理是开展数据应用的基础。数据需求管理是对各业务领域数据需求 的产生、定义、获取等进行统一的管理，其目的是从需求源头进行数据管控，确保数 据治理的效果，并促进数据在组织内的共享和应用。以联通集团为例，通过对全集团 数据需求进行统一管理及支撑，制定需求响应流程，建设需求响应平台工具，对需求 收集、需求评审、需求更新及需求归档进行有效管理，实现了数据需求申请、审批、 跟踪、运营的全过程在线化，并能对数据需求响应效率进行量化分析和持续改善。

基于业务能力地图构建数据应用场景地图，提升数据应用的业务价值。随着企 业数字化专项进程的推进以及数字技术的兴起，数据部门也会通过挖掘、分析形成面 向业务的分析主题，但往往由于业务部门认同度不高，最终都成了空中楼阁。数据应 用的目的始终是解决业务的问题或提升业务的能力，因此数据部门需要理解业务需 要、形成分析主题，进而解决业务问题。以商业银行为例，结合企业发展需求和监管 要求，可以形成包含产品创设、营销销售、业务运营、业务支持、报告决策5大领域 共28项能力的银行内部共享的业务能力地图，并分析业务能力需求中的所需数据需 求以及所需的数据相关能力，形成完整、详细的企业数据应用能力地图。

基于数据应用场景地图，形成针对应用场景的数据策略是数据应用的最终价值 体现。以银行业为例，聚焦对公客户授信定价、普惠业务潜客分析、经营管理三大关 键领域，构建相应的算法和流程。对公客户授信定价模型，公司可以依托数据目录， 自主筛选出单位客户在该行的代发、账户、流水等数据，为制定综合授信定价模型提 供科学全面的参考依据。普惠业务潜客分析，普惠业务人员借助数据搜索工具，可以 通览行内零售与普惠客户标签与画像模型，明确了解申请审批流程，最大化评估发挥 行内已盘点数据的融合效应。经营管理，机构借助数据运营平台，在找到所需数据报 表类后，可以发起从查到用的全线上化审批，系统自动根据该类资产的分级结果完成 对应查询操作下载权限的发放登记。 以汽车行业为例，建立全客户旅程的数据场景体系，对散点式的应用场景进行 整合，进一步在主要环节优化用户体验、提高交易成功率。例如，从用户的购买需 求、到店体验、确定方案、购买使用、增值服务、维修保养、投诉/反馈、复购等活 动出发，构建包括智能线索评级、异常线索识别、会员成长体系、出行服务续约推 荐、流失车主挽回、个性化保养套餐推荐、保养流失预警和挽回、存量客户再购模型 预测在内的关键模型，并将策略分别推送给销售管理、市场管理、售后服务等部门， 实现应用场景驱动下的业务发展。

电力行业以国网北京市电力公司（以下简称“北京电力”）为例，北京电力在数据 共享和应用方面，通过数据要素在公司内部流通，实现数据价值充分利用，助力公司 经营管理提质增效、业务转型创新发展；在公司外部以及数据要素市场流通，实现数据价值最大化，助力全社会数字化转型及数字经济发展。融合应用数据中台和能源大 数据平台，基于电力和能源行业大数据，对内通过数据业务图谱、电网模型、数据分 析场景等手段推进数据业务化，通过电网一张图、设备质量画像、交易主体综合评价 等应用实现数据融合应用，深入挖掘数据价值、赋能基层数据应用；对外通过电力看 经济、电力看双碳、电力看治理等“电力看”系列大数据应用积极服务城市治理和辅助 决策，提升公司数据资产价值和社会地位。

指标、标签、算法模型是各类数据应用的关键组成，不断丰富指标、标签、算 法模型体系和工具，有利于扩大数据策略的触达用户范围。例如，中国农业银行通过 搭建覆盖财会、资负、风险、零售、公司、机构等业务的指标库、标签库、智能模型 库，为总分行及时提供包含绩效考核指标、营销客户画像、客户AUM等在内的数据 服务，并提供数据探索、模型训练发布、报表设计发布、可视化结果发布等能力。

3.数据服务推广

数据服务推广是指通过培训宣贯、赛事举办、交流分享、外部合作等方式，丰 富推广渠道，推动企业数据文化及数据生态建设，构建数据用户画像，精准触达内外 部各类数据使用方。 建立企业数据文化，构建数据驱动型的组织是数据服务推广的关键。数据服务 推广存在供给、需求两方面难点，业务与数据人员互不理解、各说各话。在供给方 面，由于数据人员不懂业务，且业务侧需求个性化高、变化快，导致供给侧无法及时 响应、投入产出比低，多数数据部门疲于应付业务部门数据服务需求，停滞于被动的 服务模式。在需求方面，业务部门在用数方面已不止于数据提取、报表开发等基础需 求，数据统计分析、数据应用场景挖掘需求越来越多，但是由于数据分析应用门槛 高，业务人员不懂数据，不清楚数据有哪些、如何用，导致数据需求无法得到满足， 不能充分发挥数据要素价值。因此，建立企业数据文化，构建数据驱动型的组织是推 动数据内部共享的关键。

数据用户运营是数据服务推广的主要抓手，围绕用户的获取与留存，构建以数 据用户为中心的推广策略。一是提升用户触达率。企业数据的目标群体包括企业内部 的员工个体、部门群体、分公司和合作伙伴等多种类型。因此，可以通过公司总体宣 贯、企业门户网站、内部OA系统、合作伙伴网络等方式让更多目标群体关注到数 据。二是唤醒用户数据意识。例如充分嘉奖数据应用和创新的部门，设立企业“数据 应用奖”。三是提高数据友好性。用户运营的目标是让数据被用起来，但很多企业在 实际情况中，数据往往因为无法被业务人员理解而被废弃。因此，需要从数据用户的 角度来理解和呈现数据，让数据可见、可懂、可用，包括以数据易于理解的方式进行 命名和描述。四是提高数据易用性。降低数据使用技术门槛，例如通过参数设置就可 以快速适配数据的不同业务逻辑和要求，降低业务试错成本。

积极发展数据要素生态合作伙伴，构建数据产品体系，参与数据交易流通市 场，加强数据对外合作能力。例如，北京电力与中关村环保科技园园区、北京国际大 数据交易所签订《电力大数据合作与交易框架协议》，签订多项数据服务合同，合同 签订金额达236万元，累计到账127万元；在2022年全球数字经济大会上实现全国首 个能源行业百万元级数据线上交易；与海淀区政府的合作框架协议，每年有望争取外 部资金1000万元。

4.数据动态优化

数据动态优化是指通过核验数据的准确性、规范性、应用量、投入产出比等信 息，对不一致、性价比低的数据进行变更或处置，优化数据配置的过程。数据动态优 化主要包括数据核验、数据变更、数据处置等内容，建立对数据目录、数据内容以及 数据访问权限的规范化维护流程，实现数据动态更新，对数据持续升级优化。 数据需要根据数据使用情况和业务发展情况进行动态优化，以提升数据供需两 端的适配性。一方面，构建一套完整的数据核验机制，对数据的定义、内容、结构、 权限进行持续核验，以保证数据信息的完整可信。另一方面，建立数据应用分析机 制，持续跟进数据应用情况，通过评估分析，触发数据的迭代优化，保障数据建有所 用、用有所得。中国移动在数据运营过程中对数据订购情况、数据更新情况等进行持 续跟踪和分析，重点关注长期无订购无授权的数据以及个性定制化数据需求涉及的数 据，提升数据价值密度。长期无订购无授权的数据无法产生数据价值，同时长期消耗 昂贵的大数据储算资源，所以企业会在评估其影响后对将其下线处理，结束数据生命 周期，或者对数据模型进行重构优化改造后再上架开放。个性定制化数据的复用度 低，价值密度低，数据开放和服务周期长，通过对定制化数据进行分析，评估其潜在 共享价值，提炼和沉淀共性数据内容，进行共性、标准化改造后补增入数据开放清 单。

交通银行在数字化营销等过程中应用了海量标签数据，为进一步提炼萃取高价 值标签，实现标签资产的“优进劣汰”，交行以元数据为依托，以血缘及应用端埋点数 据为数据基础，对标签资产从质量、共享及应用三个维度进行多维度分析统计，实现 持续的标签价值量化与识别分类，指导对标签资产开展下线、推广、促活、迭代等一 系列优化运营活动，包括高价值标签资产质量监控、中低价值标签资产使用促活、下 线低价值/无价值标签等。

构建多维度场景化数据使用评价体系是提升用户体验的依据。中国联通实现数 据服务运营全流程闭环可视评估评价，建立场景化“数据好用”评价体系，建立面向共 性数据/能力使用和总部省分两级生产线落地标准的指标评价体系并持续跟踪。中国 移动构建价值化数据价值评估模型量化数据，基于四象限矩阵价值划分准则，制定层 级式资产价值化运营策略，通过数据生命周期管理流程促进数据“优胜劣汰”，形成良 性的数据内循环。

5.数据成本管理

数据成本管理是指对于企业内部数据资源所产生的各项成本明细开展规划、梳 理、运营等管理活动的过程。企业开展数据成本管理的关键目标在于“厘清、算清、 管清”与数据相关的各项成本数据。 “厘清”数据成本要求企业从数据生命周期的视角，逐一识别每阶段产生的数据成 本类型。数据生命周期通常分为数据采集、数据传输、数据存储、数据处理、数据应 用、数据销毁等阶段，同时还有数据管理、数据运维等横跨所有阶段的管理及运维活 动。不同阶段由于涉及不同的数据活动，进而会产生不同的成本类型。例如数据采集 阶段通常包含企业数据采集工具、采集人员、采集系统以及外部数据采购等成本，数 据处理阶段包含企业数据分析人员、数据处理平台、数据加工处理项目等成本类型。 因此，企业应结合自身数据生命周期特点具象化每个阶段所参与数据活动的对象与要 素，进而识别出对应的成本内容。

总体来看，目前企业内与数据相关的成本类型主要可以分为以下四类，分别是 与数据相关的人力成本、数据采购成本、软件成本和硬件成本。其中，数据采购成本 最为清晰且直接，应以企业对外采购数据的合同金额为成本梳理的核心依据，软件及 硬件成本需要企业按照财务处理要求计算好每年所产生的摊销或折旧金额。从成本内 容来看，与数据相关的人力成本可区分为企业从外部采购的人力服务成本和企业内部 投入的自有人员成本，而从成本形式来看，则可分为以项目制建设数据的项目成本和 负责日常生产运营的人力成本。 “算清”数据成本是指企业应根据识别的数据成本类型，整理相应的成本采集依 据，为数据成本核算提供合规、可用的成本整合依据。例如，企业数据类项目建设成 本信息，需要企业整合规定期限内的相关项目合同信息，包括项目内容、项目金额 等；企业数据相关的人力成本信息，需要企业留存相关类型人员在处理数据工作时所 留存的工时记录、对应人员的薪酬信息等内容；企业数据相关的系统或平台工具信 息，则要梳理系统、平台或工具等建设时所投入的成本信息，并按照财务的摊销费用 处理要求，识别每年度产生的相关成本费用。

在企业开展成本梳理及核算工作时，主要面临如下难点与挑战。第一，与数据 相关的成本存在杂糅、不易区分的情况。在数据资源入表背景下，数据建设成本和软 件建设成本将分别归入企业“无形资产-数据资源”和“无形资产-计算机软件”科目下， 且不同科目成本的会计处理要求也有差异。因此，需要企业开展数据成本核算工作 时，能够有效区分与数据建设和软件建设的成本内容。但由于企业在过去开展数据建 设工作时，主要以项目制的方式推进建设，项目通常同时包含数据加工和软件开发的 成本费用，在梳理项目时难以有效对两类成本进行有效的识别与拆分，进而影响数据 成本核算工作，未来企业可尝试在立项阶段对数据类和软件类项目加以区分。第二， 数据成本难以合理的分摊至某一数据场景下的数据集。在数据应用赋能过程中，数据 通常以数据集、数据表乃至字段粒度的形式参与到应用过程中，如果仅从数据规模的 角度对总成本进行均摊处理将无法客观反应企业过往对不同类型数据投入的事实现 状。因此，企业应首先识别并定义内部数据资源的形态类别，并建立起不同形态数据 资源所关联的成本项，再考虑成本分摊的处理动作，避免成本分摊结果与数据实际投 入的差异失真。 “管清”数据成本是指企业应针对最终核算的数据成本结果，常态化开展数据成本 运营分析、成本决策优化等管理运营活动。企业在过去投入了大量的资源以完成数字 化转型、数据管理体系等内容的基础建设工作，目前企业已经从过去的高速发展期逐 步迈入科学管理阶段。因此，企业在未来开展数据投资建设工作时，应逐步从原来人 员主观经验判断转向量化管理数据决策，利用客观、多维、清晰的数据管理数据指导 企业开展数据投资建设工作。

6.数据价值评估

数据价值评估主要从数据成本投入、收益获取和市场供需的角度考虑，根据评 估目的选择合适的评估方法。《资产评估专家指引第9号—数据评估》、《数据评估 指导意见》 (中评协(2023) 17号) 针对满足数据资产定义的数据，在传统三类资产评 估方法（成本法、收益法和市场法）的基础上提出了数据价值评估方法。目前，由于 数据要素市场正处于初期的快速发展阶段，在具体估值过程中，市场法指标的采集来 源可能会因此受限。因此，企业在当前阶段可结合数据应用、数据成本管理等工作成 果，优先围绕成本法、收益法开展数据价值评估工作，探索企业数据价值评估实践路 径。 现阶段，企业可以以数据价值评估为起点，将“价值管理”作为数据运营的目标之 一，明确数据价值构成，形成数据价值链，理清数据预期经济收益的范围和来源，并 为深化数据赋能业务、产品定价、数据入表、交易流通奠定基础。

透过企业内外部数据应用的关键环节和链路，形成数据价值链，指导明确数据 估值的范围和对象。在数据开始建设阶段，数据首先展现其固有的价值属性，包括数 据规模和数据质量等方面；在数据投入使用后，数据将展现对企业人员和组织的支持 价值，包括数据使用频率和用户满意度等方面；随着数据应用逐渐明确其具体的业务 需求和支持目标，不同的应用场景将呈现出不同的业务价值类型，可以结合不同业务 的KPI指标进行评估，如用户参与率和投诉率等；最终，随着数据在业务运营中的作 用不断加深，数据价值最终将以提升企业社会影响力、降本增效等结果形式进行展 现。

数据内在价值与运营价值是伴随数据生产及使用过程所带来的固有属性，因此 企业应围绕上述两类价值开展常态化的运营检测工作，及时检测、监管数据的生产和 运营使用状态，确保数据后续应用过程的稳定运行。由于不同数据应用场景所实现的 具体业务目标、经济目标或社会目标均有差异，因此数据的业务价值、社会价值和经 济价值则需要企业根据不同数据所服务数据应用场景的具体目标来进行个性化的评价 （其中经济价值评估可主要结合数据价值评估的收益法进行测算），进而帮助企业主 动的识别自身优势的数据应用能力。

北京电力针对关键电力数据开展了数据资产价值评估实践。依据“流通应用度最 高、推广认可度最高、社会关注度最高”原则，选择两项优质评估对象。一是11张基 础数据表（以下简称“11张表”），包括数据中台汇聚的被各类应用广泛调用的基础数 据；二是“海淀智慧能源城市大脑”数据产品（以下简称“城市大脑”），包括电力看经 济、电力看民生等大数据应用场景，该产品已在公司系统全面推广，广泛服务于各地 推进城市治理工作。主要思路是在北京国际大数据交易所完成数据资产登记，分别由 中国信息通信研究院完成数据质量评估，由北京中华同资产评估有限公司和北京中企 华大数据科技有限公司完成价值评估。 南方电网以电力数据为样本，结合具体目的、针对特定对象、建立科学合理的 方法，构建“目的-对象-方法”的评估框架。针对数据生产、处理、分析、价值提升全 链条，按照价值管理和价值创造两条主线，构建价值发现、内部增效、成本优化、外 部增值、社会责任、会计计量6个评估模型与方法，发布《电力数据要素价值评估白 皮书》，提高电力数据的价值管理能力、加速数据的市场化流通。

从《暂行规定》的适用范围看，两种类型的数据资源可以推进入表，第一种是 满足资产确认条件，可以确认为无形资产或存货的数据资源，可以纳入资产负债表； 第二种是不满足资产确认条件，但企业拥有或控制、预期能给企业带来经济利益流入 的数据资源，可以在企业财务报告中予以披露。数据价值评估一定程度为数据入表提 供了过程依据和结果参考。一是企业可以结合数据价值评估成本法的工作成果，梳理 成本采集依据，核算数据全部投入，以确保数据成本的可靠计量。二是结合收益法估 值工作成果，探索、论证数据在企业内已经达到使用或出售的“可行性、意图、有用 性”的证据证明。三是依据数据血缘脉络关系，从数据应用场景出发，清晰展示每一 项数据从源端直至应用过程中成本积累过程，为科学、合理的成本分摊奠定基础。四 是数据估值所采集的数据规模、数据分布、数据质量、应用效益、数据产品等信息， 可纳入披露范畴。 数据估值结果为数据定价提供策略依据。一般来说，影响定价的因素较多，包 括产品的市场供需状况、产品成本、竞争状况、政府对价格的干预等。数据估值结果 为数据定价提供策略依据，包括理清相关数据产品的投入成本，明确该类数据产品的 高价值场景和潜在需求方，便于在一定交易场景下获得议价优势。同时，综合考虑企 业的品牌策略、渠道策略、营销策略，以及市场竞争程度等因素，指导企业在不同环 境下形成合理的定价策略。