从数据规划到产品运营，拆解数据资产产品化的6大路径

数据资源入表对于企业数据资产的估值影响并不大，要想提升数据资产的整体价值，将数据资产进行产品化是更有效的途径之一。

那么，数据资产产品化的具体路径是怎样的？

在由WakeData惟客数据联合星光数智推出的直播栏目《星光对话》第5期中，星光数智首席数据架构师魏战松对该路径做了总结。

他认为，数据产品化的路径可以分为六大步骤。这六大步骤是孵化有价值的数据产品的必要步骤，包括产品规划、产品孵化、合规审查、产品上市、交易撮合，最后到产品运营。

1、产品规划

首先是产品规划。在做产品规划时我们要明确这个产品到底要达到什么样的目标，这是非常重要的，包括产品用户是谁？为他解决什么问题？带来什么价值？是要帮他优化某个流程，还是预测未来的营收趋势，还是产品的创新？又或者是通过这个产品提供更好的客户体验？这些都是产品目标。

那么有了产品目标之后，接下来就要做两件事，一个是数据资源的评估，另一个是技术可行性的评估。

所谓数据资源评估就是要知道企业到底有哪些数据，产品数据有哪些、客户数据有哪些、交易的数据有哪些，然后财务相关、设备相关的数据又有哪些，以及数据质量情况，例如数据的完整性，是否准确，数据更新频率如何等等，都需要做评估。在资源评估环节，主要输出两个文件，一是数据资源目录，这个资源目录是针对整个企业资源全景的看板，搞清楚数据是如何分布的；二是数据质量评估报告，用来判断数据好坏的文件。

第二部分是技术可行性评估。做技术可行评估的大前提是要有一个数据处理平台，比如数据采集、开发、治理，包括数据服务平台，这些产品模块是少不了的。如果没有这些工具，后面很多事情都做不了，尤其是在数据体量比较大的情况下，要做大规模的变线计算、算法预测、前后端的分离，都需要这些底层的数据平台模块，以及整个计算资源、存储资源、硬件资源等的支持。如果哪个模块有短板，一定要去补充。假设没有数据服务模块，那么数据就很难对外提供数据能力，即使发布成功，也是以比较低的效率在进行数据流通，所以相关的数据服务模块一定是要具备的，在技术可行性评估时也要做相关的诊断。这是整个数据产品的规划过程。

2、产品孵化

在有了规划之后，接下来是产品孵化，也就是数据链路的研发过程。有些企业在数据处理方面其实已经有一套相对完善的机制了，包括如何做数据采集、如何设计模型、如何做数据治理、如何做发布，这套流程其实在企业内部或多或少都有，核心还是通过这套数据处理流程，更高效的孵化产品。因为数据项目跟ERP或者信息化系统不一样，数据项目产品迭代非常快。

比如，我今天用了某个模型，可能一周之后就要做调整了。尤其是一些预测类模型，它的调整周期是非常快的，有些是T+1，有些是T+一周，有些是三个月一个大版本迭代，所以在这种高效率的数据产品孵化过程中，底层产品模块一定要具备高效数据处理能力，从数据的采集到模型的设计，再到治理监控，都要高效的去完成。

3、合规审查

接下来就是数据产品的合规审查，这里想强调一下，之前有很多企业把合规审查放到数据盘点部分，也就是数据资源化的过程当中，实际上数据资源化过程中的合规审查更多是对数据来源和存储合规的审查。而数据产品更多是对数据权益的审查，包括数据属不属于该企业，数据流转是否合规，数据应用场景是否合规等等，并且会有专门的律师事务所出具相关的法律意见书，确保整个产品从数据来源到处理到流转到应用，整套流程都是合规的。这种情况下，我们才可以把这个数据上架到数据交易所，然后做后续的流通。

4、产品上市

接下来是数据产品的估值和上市。因为数据估值是比较大的课题，目前我们更多是跟第三方合作，比如专门的资产评估机构，因此本期将重点提下怎么样让数据产品的估值更高。

这里有几个因素是要考虑的，首先是成本因素，成本因素对整个估值的影响其实不是特别大，因为它只考虑入账价值。成本因素是把形成数据资产所涉及的前期费用、取得成本、加工成本、设备及存储成本、安全维护及更新支出、相关税费等做一个评估。

那么，到底如何使数据产品增值呢？更多要考虑剩下的3个因素。

第一个是场景因素，场景因素强调产品到底卖给谁，解决哪些问题，这个是很重要的。举个极端的例子，有些数据是竞争对手很需要的，那么对他来讲这个数据产品的价值就非常高，但是对不相关的行业，数据可能就一文不值，所以客户选型非常重要，包括定价上也会根据不同场景、不同用户去制定不同的价格。现在很多数据交易所也在研究定价模型，核心目的就是通过场景把定价定的更高一点，让产品价值更详细一些。

第二个是市场因素，市场因素要考虑到相关数据的市场活跃度，即这个数据是不是大家都需要的，比如现在供应链数据可能在市场上需求比较高，活跃度也比较强，涉及参与方也比较多的。还有一点是数据本身的相关属性，比如可复用性、冗余度、稀缺性、垄断程度、数据热度等等，这个数据是不是你独有，别的地方拿不到。这些都是市场因素。

第三个是质量因素，质量因素会涉及质量评价报告，就是从数据准确性、一致性、完整性、规范性、时效性和可访问性六个维度，去评估数据好坏。数据越准确、越及时，对业内的价值就越大。

所以，综合以上3个因素去做评估，会对整个数据估值提升有很大帮助。

5、交易撮合

接着是交易撮合环节，这部分更多是数据交易所的能力。我们可以将“数据交易所”理解为一个中介平台，他们会整合自己的生态资源，比如数商、律师事务所、资产评估机构、金融机构等整个数据价值化链路上的所有第三方机构，去做供需衔接，产生数据交易。

数据交易所本身承担着数据流通的部分职责，以及数据产品的合规保障、上架和发布，还有数据资产等级证书发放。

为什么数据交易所要做这些事情呢？目前有很多关于隐私计算、联邦学习、跨机构之间的数据运算场景，虽然只是政策层面在推试点，但未来一定会有更多具体的应用场景。比如我们想把两家零售公司的数据融合，输出一个模型，然后按照各自的需求去训练各自的模型，满足双方个性化的需求，这其中就会涉及到一个问题：当双方不愿意直接把数据给到对方时，那怎样灵活的做数据融合计算呢？这就涉及到第三方平台，这个平台就是数据交易所。

数据交易所通过设计数据可信空间，把两部分数据都放在一个空间里做共同的计算。基于一个处理模型，各自训练，保证对方的数据是互相可用不可见的。现在已经有数据交易所在相关的硬件或者软件产品上，开始投入研发了。

总结来说，数据交易所主要承担供需衔接、产业生态融合、数据合规保障、流通技术支撑这4大职能。

6、产品运营

最后是数据产品的运营，前面提到数据产品迭代周期是非常快的，因此我们需要持续的对数据产品进行运营，要快速判断哪些数据用了之后是没有价值的，并立刻把它下线，同时也要不断去开发新的产品。有些通用化的产品已经沉淀下来了，那么一些定制化的产品也要及时止损。通用的产品可以理解为大家都需要这部分数据和报告，那么这个数据只需要生产一份，因为它是可复用的，可以持续去卖。假设有些数据只有一两家客户需要，那么就可以做一些定制化的产品，单独定价、单独交易，这种方式也会是未来比较常见的交易方式。

另外，企业内部需要建立数据文化，包括内外部的分享交流，上下游的生态合作拓展，以及对数据持续使用的评价和评估。比如数据产品上架之后，调用量怎么样，准流量怎么样，规范性怎么样，ROI怎么样，都是要考虑的。当然，数据产品运营离不开两大支持，一是数据质量的长效机制，所谓长效机制跟之前的专项质量治理不太一样，长效机制是数据已经经过一轮治理之后，有了一定相关的考核指标，去考核的数据质量，确保数据在后期不再出现新的问题，所以它是一个长效机制。

那么第二个就是数据安全合规机制，这个也是要保证的。因为数据安全报告出来后，整个安全合规的相关流程、制度、平台的能力支持，都是要有的，确保整个数据交易链路合规。所以目的只有一个，在整个数据产品运营期间，确保数据可以持续带来价值增值，带来收入，也就是所谓的数据挣钱。

通过以上6步，最终实现数据资产产品化。