摘要：大数据资产管理是对传统数据管理的扩充和升级，通过降低企业数据使用的成本，提高以数据指导管理决策的效率，数据资产管理已然成为大数据时代中企业竞争力的重要来源。
移动互联、云计算、物联网等技术快速发展，数据总量呈现出指数型的增长态势，数据来源也越来越多样化，大数据的概念开始进入公众视野。在“互联网+“行动计划、大数据发展行动纲要、“中国制造2025”等政策的推动下，中国企业纷纷开启数字化转型之路，大数据由概念走向落地。现如今，大数据已经不再被视为一种新兴技术，而是被广泛应用于精准营销、金融风控、供应链管理等诸多实践领域中。
大数据时代下非结构化数据爆发式增长，对数据加工的复杂度和速度要求更高，传统的数据管理已经无法适应当下企业对数据管理的需求。大数据资产管理是对传统数据管理的扩充和升级，通过降低企业数据使用的成本，提高以数据指导管理决策的效率，数据资产管理已然成为大数据时代中企业竞争力的重要来源。
数据资产管理为大数据提供价值体现的前提
数据资产管理（data asset management, dam）是规范、控制和提供数据及信息资产的一组业务职能，包括开发、执行和监督有关数据的计划、政策、方案、项目、流程、方法和程序，从而控制、保护、交付和提高数据资产的价值。 数据资产管理面向数据的全生命周期，其核心思路是将数据对象以资产的标准和要求进行管理。
在数据资产管理的能力中，数据管理层为大数据从采集到应用提供辅助支撑，由早期以元数据和数据模型为核心的数据治理向数据安全管理、数据生命周期等能力拓展。随着数据源日益丰富，数据采集逐渐成为大数据能力框架中的单独层次，通过数据资产管理平台，企业既能够获得离线和实时的内部数据，还可以取得互联网公共数据和第三方数据。数据仓库层基于传统数据仓库技术，提供数据集市的构建、公共数据的汇总等能力；数据整合层则需要依赖数据资产管理所提供的大数据技术，实现离线数据整合与实时数据整合。数据服务层重点解决数据本身的问题，包括提供数据查询接口、数据交换和数据共享等能力。大数据的价值最终体现在数据的分析和应用过程中，因此数据资产管理是大数据分析和应用的前提条件。
通用型大数据产品是现阶段发展的重点
大数据市场上存在着 通用型 和 定制型 两大类产品。 通用型大数据产品要求对数据需求具备抽象能力，提供普适性的处理和分析功能，典型产品如数据资产管理、数据挖掘、数据分析、数据可视化等。通用型产品的使用门槛相对比较低，能够以较低的成本获得大量的用户群体，通过规模效应实现数据产品本身的增值。随着企业用户对大数据应用和需求的增加，通用型大数据产品会在短期内取得快速发展。
随着大数据产品与诸多应用场景相结合，大数据应用的爆发催生了定制化的大数据需求。定制化产品是基于用户的最终需求，如行业特性、业务流程、数据情况等，制定的符合用户实际情况的解决方案。定制化大数据产品因为更加贴合用户自身的特点，能够给用户带来更高的效益，有利于后续的升级和扩展。但定制化的实施周期长、成本高，对产品提供方的项目经验和开发水平都有非常高的要求。部分大数据厂商针对行业共性提供面向行业的定制化产品，以增强企业的差异化竞争能力。
数据价值日益凸显，数据资产管理发展空间可观
自2012年以来，中国大数据软件和服务行业市场规模增长迅猛。2016年，大数据软件市场规模72.6亿元，同比增长47.7%；大数据服务市场规模41.5亿元，同比增长51.1%。软件市场占比高于服务市场的原因是用户更习惯于软件许可授权的付费模式。企业逐渐认同数据作为无形资产存在的价值，并意识到大数据对企业发展的重要性。以bat为代表的互联网公司通过不断的挖掘沉淀大数据，利用大数据驱动自身业务的增长。信息化建设相对完善的金融和电信行业同样是大数据领域的先行者。面对互联网金融的冲击，金融机构积极采用大数据分析来进行客户管理、营销管理、风险管理以及内部的运营优化；移动流量的激增对电信运营商实时的数据处理能力、网络优化能力等提出更高要求，其大数据应用主要集中在流量运营、精准营销等领域。此外，政府和传统制造业也在积极加强大数据建设，与各行各业的结合让大数据的应用场景越来越丰富，推动了大数据产业规模的增长。
大数据产业的繁荣带动对数据资产管理需求的升级。一方面，数据加工的复杂度和速度要求增加，另一方面，数据交换、转让、租赁、交易等创新模式出现。企业不断暴露出系统烟囱化、数据碎片化、管理标准缺乏、价值变现困难等问题，传统的数据管理方式已经很难适应大数据时代的需要。数据资产管理通过集中整合企业内外部数据，建立标准化的数据管理体系，并面向业务运营提供数据服务能力作为支撑，既降低了企业数据使用的成本，又提高了以数据指导管理决策的效率。同时，数据资产管理的深化为整个大数据产业的良性发展奠定了基础。数据资产成为企业的核心战略资产，为数据交易市场提供了广阔的发展空间，高质量的数据又反过来促进大数据应用及后续商业价值的实现。
未来四年，大数据软件和服务市场将继续保持高速增长。考虑企业服务付费观念的形成，大数据服务市场的占比会逐渐增加，增速会略高于软件市场。 预计到2020年，大数据软件市场规模将达到268.2亿元，年复合增长率38.6%；大数据服务市场规模将达到165.9亿元，年复合增长率41.4%。
大数据软件和服务发展方向：数据资产管理
互联网等新兴行业对大数据的运用已经不再限于以数据辅助决策，而是可以更加直接的从大数据当中获取收益。数据变现价值的加速显现让数据管理的重要性日益凸显，作为大数据应用和变现的必经渠道，数据资产管理市场未来将处于快速上升阶段。
伴随着企业内部业务区隔的划分与数据量的高速膨胀，海量分散的数据加大了数据资产利用和管理的难度，企业外部业务所产生的数据与内部核心数据不能够很好的融合。异构化的数据体系使得数据治理成为数据资产的基础环节。采用数据治理的手段，企业能够消除数据的不一致性，建立规范的数据标准，提高数据质量，进而发挥数据资产的商业价值。数据治理涉及元数据管理、主数据管理、数据质量、数据集成、监控与报告等方面，其中元数据管理是数据治理成功的关键。赋予数据上下文和含义的参考框架，元数据管理能够有效管理复杂数据集成环境中的变化，交付安全、可信的数据。
大数据时代数据资产的安全问题变得越来越重要，数据泄露不仅会造成数据资产的流失，更可能威胁到公司的生存。大数据技术的发展导致传统以防御为核心的安全策略无法应对时代变化，信息安全显然是现阶段数据资产管理当中的重要课题。同时，大数据的应用给隐私保护带来了更大的困难。在保留原始特征的基础上改变数值的数据脱敏技术，既可以保护敏感数据免于未经授权的访问，又能够允许企业进行相关的数据处理和分析，正在成为数据资产管理中的一项核心内容。
大数据软件和服务发展方向：数据可视化
数据可视化可以降低大数据的使用门槛，让大数据走向平民化。通过专业的统计数据分析系统，建立数据不同维度数据之间的联系，发现数据背后的内在规律；通过整合多视图的大屏展示，直观清晰的呈现数据，高效准确、精简全面的传递信息。随着大数据产业发展的不断深入，企业对大数据的需求已经不再停留于对历史数据的处理和分析，越来越多的企业开始实时动态处理数据。大数据的可视化也会顺应这一发展趋势，由静态的历史数据呈现，转向能够获取实时动态数据的交互式可视化。
大数据软件和服务发展方向：机器学习
机器学习是大数据软件和服务行业向下一阶段发展的关键词。大数据和机器学习的关系是相互依存和促进的：一方面，机器学习是数据挖掘当中的重要工具；另一方面，大数据应用可以提升机器学习模型的准确性。当前机器学习技术不断取得突破，未来的大数据产业势必会与机器学习深度融合。运用机器学习不仅能够帮助企业减少人力资本的投入，快速有效地对海量数据进行处理分析，更可以让大数据在预测分析方面发挥出巨大的作用。尽管目前企业在大数据预测分析方面的应用还比较少，但是预测分析能够为企业带来实际的效率提升和效益增加。以大数据风控为例，机器学习技术在自动化审批、区分精准度、开发效率等领域比传统的风控统计方法更有优势，未来将为金额风控领域带来全新的技术变革。