2020.3.6 总结
数据资产 是什么
在以下的基础上
- 数据标准（命名、模型、开发、流程规范）
- 数据治理（元数据、数据质量、血缘分析、生命周期、数据安全）
- 数据连通融合（全域标签、oneid）
以数据服务为分析价值的路口，给数据打上业务标签作为常见载体，
实现数据业务化，做到
资产分析：（资产地图：有哪些标签、缺哪些标签、精品标签）
资产治理：（数据治理：数据质量、生命周期、安全 不合理的地方）
资产应用：通过对数据服务、以及底层的ETL逻辑 实现血缘跟踪，保证重要资产的稳定可靠性，实现低成本高价值。
数据资产 应用场景
1、对数据打标签，让业务了解我们有什么数据，怎么使用这些数据。
2、落地实例举例：芝麻信用分、品牌数据银行、生意参谋
3、资产治理相关
4、数据服务的ROI
2020.3.1 总结
数据资产 是什么
我理解：能带来价值的数据。
例如 数据仓库 能带给 企业日常运营和决策的数据支持。
例如 芝麻信用分 能让其他公司也能够使用。
数据资产 怎么做
-
资产分析：通过对数据的业务属性 打上业务标签，生成资产地图，清晰方便了解哪些是核心数据，数据的使用场景和业务价值。
-
资产治理：获取 数据存储和计算成本，对业务的收益价值。计算数据的ROI（成本收益比）。
通过数据的被使用情况、业务价值、ROI， 对数据进行不同级别的分类。 -
资产应用：通过血缘数据，对应用层的数据进行全链路的资源和稳定保证、全链路ROI的情况，是否有安全质量的问题 。
数据资产 应用场景
- 1、资产分析
资产地图：快速查找想要的数据资产，更方便了解核心资产和不足的资产，了解数据对业务的价值。 - 2、资产治理
节约数据成本：对孤岛类数据 进行周期性删除、或者对冷数据压缩。
提高效率：每个开发者对于自己的任务（根据ROI）进行不断的分析检查和优化。 - 3、资产应用
全链路保障（资源分配、稳定及时性、错误定位）
应用层数据 链路ROI
数据安全管理
影响数据资产价值因素
- 1、数据质量（真实、准确、完整、控制成本、安全）
- 2、应用价值（多维、稀缺、时效、场景）
- 3、风险（道德、法律）
例：芝麻信用分 应用价值高 原因
1、对于用户的数据维度可能不局限于基础信息，还会有 身份特质、人脉关系、行为偏好、历史信用、履约能力 这多个不同维度的数据支持
2、对于身份的特质、行为偏好，因为基础数据全面并且准确，经过复杂的算法计算后，数据很稀缺。
3、比如用户最近有违约的行为，能很快的反馈在芝麻信用分。
4、对于用户生活方面：租车、租移动电源 不用交押金。有应用场景