数据资产化是什么？
数据成为生产要素的根本条件是数据资产化，其本质目的是要解决“数据能量”的释放问题，实现“以数据为中心”的价值创造。数据资产化从管理、技术和运营3个维度形成体系，以数据资产运营、数据质量管理和数据资产管理规划作为数据资产化管理内容，以数据模型、标签画像、数据集成、数据仓库和数据湖等作为数据资产化技术能力，以组织、机制和制度等构成数据资产化运营环境。
数据资产运营
数据资产运营是在技术和管理双轮驱动下，以应用为目标，在数据采集（采集的渠道、内容、规则等）、数据存储、数据加工、数据分析、数据服务、数据应用等不同环节，通过计划、执行、监控、优化等运营手段，保障和提升数据价值的过程。数据资产运营的内容包括：数据资产盘点、数据质量及数据可信、数据安全及隐私保护、数据合规及价值评估等。
数据质量管理
数据质量是大数据的生命线以及大数据能否成功应用于企业数字化转型的基础。广义的数据质量管理泛指从产生数据开始到使用数据完成各种应用之间的所有数据处理活动，以保障数据在使用时满足组织的业务需求。数据质量关注指标包括准确性、唯一性、一致性、完整性、有效性、及时性和可解释性。
数据资产管理规划
数据资产管理是一个复杂的体系，其战略的实施、技术体系和保障体系都不是一蹴而就的，需要根据企业的实际情况，在满足现阶段数据资产管理需求的基础上，统筹考虑、分步实施和迭代更新。
数据模型
数据模型是指在技术上对现实世界数字化映射的抽象定义，是对现实中业务数据对象之间关系的描述。数据模型以实体和关系为基本数据单位，以面向业务对象为主要特征，描述业务对象的名称、属性和数据间的关系，是企业数据理解的基础、数据交换的规范、数据处理的标准、数据质量评估的依据、数据价值释放的基本途径。
标签画像
企业数字化转型过程需要构建人和物的知识图谱，通过智能标签、360°画像构建技术，实现企业数据的业务化和智能化管理。标签是对具有相同属性或规则的数据的标注，可以高度精炼地反映数据对象的特征、状态及行为，便于数据应用层快速、准确找到想要的数据，为决策提供依据。画像包含一系列标签构成的多维度用户信息资料库，可利用指标和标签体系对用户信息进行精准的全方位勾勒，实现数据的业务价值最大化。
数据集成
随着企业应用系统建设模式的变化，异构数据源集成逐渐成为数据集成的重要内容。当前数据集成需要支持结构化、非结构化、半结构化不同类型数据源之间的大量异构数据集成，支持数据在云和本地数据源之间双向移动和集成，支持实时流数据和静态数据批量数据的集成。
数据仓库
数据仓库是面向主题的、集成的、稳定的、随时间变化的数据集合，是用来支持管理决策的信息系统，也是企业进行数据分析、数据挖掘和人工智能应用的数据基础。数据仓库的实施通常采用“自顶向下”的规划和“自底向上”的技术相结合的方式。
数据湖
数据湖是一种集中存储多种形式和结构的企业级数据的环境，其目的是使企业能够更方便和经济地从海量数据中发掘更多的价值。数据湖的核心优势是数据不再受限于其类型和来源，采用原始存储格式保存而无须定义用途。