作者：王伟 瓴羊数据解决方案总经理
编辑：唐晨
目前，我正在体系化更新数据资源管理/数据治理/数据中台系列文章。
看到前两天的热搜没，黑神话销量破 1000 万，这款国产 3A 单机游戏一经上市，就横扫美国、新加坡、加拿大、意大利等12个地区榜单。
创造国产单机游戏奇迹。
更为重要的是，在全球范围内掀起了“西游记”风，很多国际友人为了更好地玩游戏，纷纷阅读起了《西游记》，甚至还听上了《西游记》的主题曲，直呼太上头。
有网友甚至说：在文化输出方面，黑神话悟空这款游戏的贡献超过一万个孔子学院。
很多人有疑惑：什么叫 3A 游戏？
3A 通常是指：大量的金钱（A lot of money），大量的资源（A lot of resources），大量的时间（A lot of time）。
3A 游戏（AAA游戏）代表着巅峰的制作质量、顶级的技术和巨大的市场影响力。3A 游戏代表着行业的最高标准，也成为全球玩家心目中的黄金标杆。
在大数据领域，是否也存在 3A 神话呢？
今天分享一篇由瓴羊数据解决方案总经理王伟撰写的一篇关于数据治理的文章。（唐晨对部分内容做了修改）
以下是正文内容，enjoy~
原文链接：https://mp.weixin.qq.com/s/SBk67JIMR--BzQRTeSGOQA
| 01
政策引导：数据资产入表频现“天命人”身影
截至 2024 年 8 月 15 日，包含数据资产入表的上市公司有 27 家，公司名称和公司行业统计如下：
图片来源于 数据资产管理大讲堂
其中，入表数据资产公司行业钢铁行业占比 7.41%，数字传媒行业占比7.41%，通信服务行业占比 7.41%，轻工制造行业占比 3.70%，汽车行业占比 3.70%，交通运输占比 11.11%，建筑行业占比 7.41%，计算机行业占比 22.22%，化工行业占比 7.41%，电力行业占比 7.41%，医药生物行业占比 3.70%，机械设备占比 3.70%，国防军工占比 3.70%，电子行业占比 3.70%。
其中，中国移动数据资源合计为7000万元，无形资产2900万元，其半年报显示，中国移动数据资源沉淀量超2000PB，数据年调用量达千亿次，广泛服务于数据治理、应急管理、智慧文旅等多个领域。
更在多个数据交易所进行了数据产品挂牌，在数据资产治理方面，中国移动无疑走在了市场前列。
多家企业在数据资产入表方面取得进展的背后，离不开对数据治理的重视和数据治理工作的持续投入。
如中国移动、山东高速、中远海科等上市企业，均与阿里巴巴瓴羊长期就数据资产建设和治理工作进行深度合作探索和积累——基于对数据的规范、管理和全盘治理，确保了数据的质量、可靠性、可用性和安全性，构成了“入表”的基础。
不过，有 6 家企业在披露后，针对数据资产入表科目做了调整，调整比例高达 13%，也体现了数据治理的复杂性。。
图片来源于 数据资产管理大讲堂
如何更好地实现数据治理，正在成为产业各方面前的重要挑战和机遇。
| 02
企业数据治理指南：数据治理挑战与路径
“从0开始”的企业数据治理，究竟需要几步？
答案是三步。
数据治理可以分为“数据资源化、数据资产化、数据资本化”三个阶段。
第一步使得无序、混乱的原始数据，转化为有序、有使用价值的数据资源；
第二步也就是我们说的“入表”，基于既定应用场景与商业目的，进行加工和开发，形成可供企业业务部门应用或交易的数据产品，并在交换中传递数据的价值；
而第三步则是通过数据信贷融资和数据证券化两种方法，通过赋予数据金融属性，实现数据的资本化。
目前，绝大多数企业都处于“数据资源化”的初步阶段，仅有少数头部公司更进一步。
企业不同战略优先级的背后，源于决策者多个层级的困惑和压力：一方面来自于顶层规划的缺失，一方面来自于人才和组织的壁垒。
更多的压力，来自于对数据治理的价值的困惑。
如何进行投入和产出的比对，如何充分印证这笔“IT投入”的价值？
在传统的数据治理中，价值难以被量化与说明，这就给企业的决策者，特别是直接负责的部门和领导带来了许多挑战。
| 03
阿里巴巴在数据治理的经验分享
阿里巴巴是国内交易数据量最大的企业之一，面对数据治理的挑战，历经多年探索，形成了系统化的解决方案。
阿里的数据治理规模达到EB级，每天需要处理上千万级别的数据调度任务，涉及200至300个数据BU。
2015年，阿里巴巴开始系统化建设数据治理，经过十余年的发展，逐步从“重”到“轻”构建数据中台。
通过多年的实践，阿里巴巴培养了一批复合型人才，支持业务发展的同时，也积累了丰富的方法论和产品成果。
其中，智能数据建设与治理工具 Dataphin，正是基于这些实践经验，致力于赋能有需要的外部企业。
经过了多年的实践，阿里巴巴对“为什么要做数据治理”也有了深入思考。
首先，数据治理可以促进内部循环，驱动“需求-价值”的内部飞轮。比如，阿里巴巴在建设数据公共层时投入了大量精力，如今已能通过日常的数据产品持续赋能业务。
其次，通过打造数据产品，阿里巴巴链接了数商、企业、协会组织等不同主体，推动了业务分析、营销、风控等领域的合作，实现了数据的外循环。
在国家政策的指引下，数据治理不仅能内部赋能管理、营销、分析，还能促进数据资产的流通和表内化，推动双循环的发展。
从“为什么”到“怎么做”，数据质量是数智化治理的基石。
那么，什么样的数据才算“好数据”？
阿里巴巴过去拥有数百个BU，每个BU都有不同的数据规范和标准。通过推动从MoreData到OneData的转变，阿里巴巴在集团层面实现了全域数据的集成和统一。
随着AI技术的发展，数据治理的数智化转型迫在眉睫。企业应具备全新的视角和策略：
1. 视角转变：从技术视角转向业务和财务视角。
2. 标准转变：从固定化规范转向灵活、场景化的治理标准。
3. 治理方式转变：从长周期大项目的重投入转向敏捷化治理，注重治理过程中的业务价值产出。
“好数据”与“大模型”的结合能带来智能化的数据应用体系。例如，AI与BI结合，从传统的SQL到BI的“拖拽”，再到大模型的智能化问答，最终实现“智能问数”、“智能报表搭建”、“智能客服”等智慧应用。瓴羊Quick BI作为中国唯一连续五年登上Gartner ABI魔力象限的BI产品，积累了丰富的AI智能应用经验。
此外，“好数据”离不开“好运营”的支持。
数据治理的关键在于数据“耗材”、工具“器材”和智能“人才”的协同。如果能通过数智化运营手段，将其与数据流、工作流、商业流的“三流”融合，企业有望实现业务的倍增效应。
（正文完）
如果你的企业正在做数字化转型，苦于数据治理的开展和落地，可在文章底部点击“阅读原文”领取Dataphin产品白皮书。
补充：
之前有一些读者咨询我阿里的 DataPhin 是否支持私有化部署，他们也是支持的。
如果企业的大部分数据都在阿里云上，其实使用他们的 SaaS 服务更合适些，费用也会少一些。
今天的分享就到这里，希望对你能有多帮助和启发。
我是唐晨，日更大数据+AI 领域知识和个人观点，关注 Data + AI 领域的小伙伴，可以点击关注公众号。
看看都是哪些角色在订阅唐晨说数，点击下方选项查看:
有任何问题想咨询我本人，可添加微信。
