摘 要： 数据资产管理作为新兴领域，已成为各行各业关注的重点。随着计算机技术和信息化建设的不断发展，传统电网逐渐向智能电网转变，电力企业的数据呈爆炸式增长，如何有效发挥电力企业数据价值成为电力企业发展的当务之急，数据资产管理作为电力企业实现数据增值的关键变得愈为重要。文章介绍了数据资产管理相关内容，分析了电力企业数据现状，阐述了数据资产管理的实现价值，构建了适用于电力企业的数据资产管理体系，为推动电力企业高质量发展提供参考。
关键词： 数据资产; 数据资产管理; 大数据; 电力企业;
Abstract： As an emerging field, data asset management has become the focus of various industries. With the continuous development of computer technology and information construction, the traditional power grid is gradually transformed into a smart grid, and the data of power enterprises are growing explosively. How to give full play to the data value of power enterprises has become an urgent task for the development of power enterprises. Data asset management, as the key for power enterprises to achieve data value-added, becomes more and more important. This paper introduces the relevant contents of data asset management, analyzes the current situation of data in electric power enterprises, expounds the realization value of data asset management, and constructs a data asset management system suitable for electric power enterprises, so as to provide reference for promoting the high-quality development of electric power enterprises.
Keyword： data assets; data asset management; big data; electric power enterprises;
1、 概述
大数据、人工智能、物联网等技术的不断涌现，为电网企业注入新的活力，助力完成传统电网向智能电网的转型。电力系统作为经济发展和人类生活依赖的能量供给系统，具有地理位置分布广泛、实时运行从不停止、传输能量数量庞大等特点，这些特点使得电网系统运行时产生的数据规模庞大、数据来源丰富、数据种类繁多。数据作为电力企业的无形资产，其重要性与日俱增。然而并非所有的数据都构成数据资产，数据资产是能够为电力企业产生价值的数据资源。数据资产管理通过充分融合业务、技术和管理，规划、控制、保护、提高数据资产的价值。掌握丰富的高价值数据资源日益成为抢占未来发展主动权的前提和保障。现实中，数据资产的管理和应用仍面临诸多挑战，数据资产管理如何推动电力企业高质量发展还需进一步深入研究。本文立足于数据资产管理在电力企业中的应用，从理论上分析数据资产管理实现路径，构建了适用于电力企业的数据资产管理体系，以期全面提升数据价值，为电力企业的高质量发展提供借鉴和参考。
2、 研究现状
数字化、信息化、智能化与各行各业融合发展的过程中，加速了海量数据的产生，使得国内外学者开始关注和承认数据的经济价值。并提出了数据资产的概念。2019年，中共十九届四中全会从国家治理体系和治理能力现代化的高度把数据与劳动、资本、土地、知识、技术、管理一并视为生产要素，进一步突出了大数据作为国家基础性战略性资源的重要地位。然而对比实物资产，电力企业对数据资产的管理面临诸多挑战。当前，电力企业的数据由生产数据和管理数据组成。生产数据贯穿发、输、变、配、用和调度等生产环节，包括来源于电力数据采集和监控系统等的实时数据和实现生产业务处理的生产管理系统中的数据，如发电量、电压稳定性、系统实时负荷等方面的数据。管理数据来源于信息管理系统，如ERP、协同办公等系统。虽然核心业务的系统之间通过接口实现了数据的互联互通，但信息系统呈烟囱状导致信息孤岛化严重，频繁的开发接口抽取数据给业务系统造成一定的压力，从某种程度上阻碍了数据的共享应用及跨业务的协同工作。其次，分布在各业务系统的数据标准不同、数据质量参差不齐，加大了数据采集、存储、分析、应用的难度。最后，电力企业数据数量庞大、增长快速、数据种类繁多，并且不仅包含结构化数据，还包含半结构化和非机构化数据，数据融合困难，数据应用深度不够，难以最大限度地发挥数据价值。
3 、数据资产管理概述
数据库是数据资产的重要表现形式。Algan(1997)[1]指出，企业创建数据库是充分利用数据的第一步，公司数据的数量、质量、完备性以及由此决定的可用性直接决定了公司的市场价值和竞争定位。由此可见，企业数据的价值早已得到学者的关注。2008年Nature出版了“Big Data”专刊，从网络经济学、超级计算、互联网技术、生物医药、环境科学等多个方面介绍了海量数据带来的挑战，让大数据在科研领域正式得到了高度重视。2011年Science推出数据处理专刊，指出若能有效地组织和利用海量数据，人们将得到更多的机会发挥科学技术对推动社会发展的巨大作用。数据资产管理是指规划、控制和提供数据及信息资产的一组业务职能，以确保数据资产保值增值[2]。当下的大数据技术可实现结构化、半结构化和非结构化等各种类型数据的接入、存储、查询、共享、实时数据动态管理。电力大数据集成管理技术，包含关系型和非关系型数据库技术、数据融合和集成技术、数据抽取技术、过滤技术和数据清洗等[3]。大数据存储中的重要技术NOSQL数据库技术采用分布式数据存储的方式，数据存储更加简化和灵活，具有良好的可扩展性，解决了海量数据存储的问题。大数据分析技术包含关联分析、机器学习、数据挖掘、模式识别、神经网络、时间序列预测模型、遗传算法等多种不同的方法[4]，可从海量数据中提取知识与信息，为电力企业的发展提供决策支持。数据作为新的生产要素，驱动着智能化、数字化、信息化与实体经济的深度融合，使数据资产化成为必然趋势[5]。然而，在数据资产化背景下，仅有大数据技术是无法保证电力企业中的数据被高效地组织和利用。只有建立起数据资产有效管理和应用的体系，打破数据壁垒，打通数据价值到业务价值的路径，才可能实现数据资产的闭环管控，充分释放数据的价值，以实现电力企业的数字化转型。数据资产管理既支持以价值创造为导向的数据应用开发，又依托大数据技术实现数据全生命周期的管理。数据资产管理包括两个重要方面，一是数据资产管理的核心管理职能，二是确保这些管理职能落地实施的保障措施，包括组织架构、制度体系[6]。通过有效的数据资产管理，并借助大数据技术，发挥数据资产在电力企业的作用，保障电网安全稳定运行的基础上实现电力企业收益最大化。
4 、数据资产管理实现价值
数据即资产，已成为行业共识，但与实物资产相比，数据资产的管理仍面临诸多挑战，如数据标准混乱，数据质量参差不齐，难以实现数据共享；数据分散在不同的应用系统中，数据规模大，数据来源丰富，数据融合困难，数据的价值无法得以有效的实现。如何对数据有效管理，发挥其真正价值，推动电力企业高效发展仍是值得研究的课题。数据资产管理贯穿数据采集、数据存储、数据分析、应用和价值实现等整个生命周期全过程，不仅仅是对数据的全生命周期的管理，更是通过责权的划分、标准的建立、技术的创新，展开数据资产管理工作，是集过程、标准、技术于一体的工作，最终为管理层提供决策支持，以解决目前电力企业面临的数据问题。数据资产管理具有核心管理职能，有助于数据标准化和规范化管理，建立数据标准，统一数据口径，提升数据质量，实现数据全面共享，实现电力企业各个生产环节数据的融合和提炼，融合不同来源的数据，从传统的以业务系统为中心的模式逐渐转换成以数据为中心的思路，实现跨部门和跨业务数据的分析和共享，只有数据资源实现了共享，并从海量的数据中提取知识与信息，才能发挥数据的真正价值，才能提高电力企业的运营和管理效率，实现电力企业效益最大化。数据资产管理通过全面盘点数据资产，了解数据来源、数据采集方式、硬件设备情况，结合实际情况，建立标准，并对数据资产进行归类、分层管理。数据资产管理涵盖管理和技术两部分，引入新的技术，完善技术平台的搭建，推动电力企业不断向智能化、数字化的方向发展。
5 、数据资产管理实现路径
目前，数据资产管理在医疗、金融、工业等领域有了一定的实践[6]，为其他领域的数据资产管理实践提供了一定的参考，但是数据资产管理工作具有较强的行业特点，还需根据电力企业的实际情况，制定适应电力企业实际需求的数据资产管理体系。本文通过BOR方法，提出“规划→实施→长效”的实现思路，如图1所示，将“制度”“标准”“技术”相结合，提出适用于电力企业的数据资产管理体系，制度和标准的建立保障数据资产管理落地执行，各职能相互配合，打破信息壁垒，建立数据标准，提升数据质量，实现数据共享，技术为数据资产管理的实施提供技术支撑，实现数据资产的全生命周期管理，确保数据资产管理的可操作性和可控性。
第一阶段：规划。构建信息化规划、数据资源规划，设计数据资产管理体系。第一步，建立完善组织架构，制定数据资产管理制度规范，统一电力企业数据资产全生命周期管理，建立各业务部门协同沟通机制，为数据资产管理工作的推进和落地提供保障。建立高效管理模式，明确数据资产管理的目标，将责权利清晰化，明确具体分工，培养适应数据发展的管理型和技术性人才，确保各项指标有效推进。第二步，盘点数据资产，评估数据资产管理现状，结合自身数据资产管理实际需求，建立数据标准，建立数据模型，确保数据规范一致，保障数据质量，为数据资产管理提供基础。
图1 数据资产管理体系
第二阶段：实施。根据企业数据量、数据类型、硬件情况、存储周期、备份、业务需求，结合大数据技术合理规划和建设数据资产管理平台，保障实时数据的监测和采集、存储、处理和分析能力，对外开发服务接口，实现来源业务系统的数据的全面采集并到应用输出的全过程开展数据质量监控，从而实现数据质量的实时监控与数据服务能力的统一，最终为数据开放共享、数据融合、最大化数据价值提供基础。在大数据技术的基础上，适当引入机器学习和人工智能新技术，构建一套成熟稳定的数据资产管理平台，能够帮助电力企业实现数据标准、数据模型、数据安全、数据共享、数据价值的规范管理。大数据技术拥有海量数据的高速分析处理能力，能够实现资源隔离及数据的安全存储，提升数据价值，为实现数据资产全生命周期管理提供了技术支撑。通过数据资产管理平台使得数据资产管理全生命周期管理落地执行，数据质量得到管控提升。
第三阶段：长效。数据资产管理是一个持续和动态的过程，数据资产的综合运营是数据资产管理的核心目的，以释放数据价值驱动电力企业数据资产管理战略规划、管理职能和技术平台的持续更新。在电力企业运营的过程中，制定不同的规划方案，进行经济型对比，或者不断完善现有规划，实现对数据资产管理过程合理的管控，对数据资产全生命周期的成本形成制约。综合运营包括数据资产价值评估、数据资产运营流通等。其中，数据运营通过明确数据权属，评估数据价值，实现可信数据交易和多样数据服务，促进数据流通，加大数据开放的广度、深度，加快数据流转速度和数据资产化进程[7]。通过加强管理运营手段和方式方法，促进数据资产对内支撑业务应用，对外形成数据服务能力。在数据资产全生命周期中，设置一定的信息反馈机制，形成过程的闭环管控是很有必要的。通过信息的反馈和传递反映出计划和控制不到位的情况，完善规划，整合过程资源，加强系统化控制，协调各职能部门，加强协调沟通，提升数据资产管理工作的有效性和科学性。随着数据资产管理能力的进步，电力企业积极开展数据资产管理能力评估，不断提升管理和运营能力。另外，审计机制是实现数据资产管理长效化的保障，通过信息化审计和第三方审计并行的方法，评估数据资产管理体系组织架构、管理规范、规划、数据管理、数据应用等各环节的合理性、规范性、时效性、完整性、一致性。衡量数据资产的投入产出，对投入大于产出的环节进行管控，提出优化方案，完善现有规章制度，使数据资产管理的全生命周期更加合理，能发挥出更大的作用和价值。
6 、结束语
随着业务系统的不断建设，数据资产管理作为新兴领域，逐渐成为电力企业实现数据增值的重要课题。本文提出了适用于电力企业的数据资产管理体系。数据资产管理通过数据资产管理职能，完善组织架构，制定管理规范，保障数据资产管理落地。另一方面通过以数据资产管理平台为技术支撑，结合大数据技术、人工智能、机器学习，完成数据从源头到输出的流转过程，最大化数据价值，对内支撑数据运营、对外提供服务，实现数据资产全生命周期管理，同时推动电力企业向着智能化、先进化方向发展。最后，数据资产管理工作是个长效化过程，随着业务需求、市场环境的变化，通过数据运营、价值评估、运营流通、审计机制，不断完善数据资产管理体系，各环节形成迭代优化、闭环管控的模式，使数据资产管理工作更加合理化、科学化、规范化。随着数据资产管理能力的提升，发挥数据价值，推动电力企业高质量发展。
参考文献
[1] Algan Ugur.Anatomy of an E&P Data Bank:Practical Construction Techniques[J].The Leading Edge,1997,16(6):901-902.
[2] 华烨，王莉.烟草企业数据资产管理方法研究及实践[J].中国烟草学报，2020,26(05):114-122.
[3] 中国电机工程学会信息化专业委员会．中国电力大数据发展白皮书[M]．北京：中国电力出版社，2013:10-15.
[4] McKinsey&Company.Big data:the next frontier for innovation,competition,and productivity[M].New York:Mc Kinsey Global Institute,2011:1-28.
[5] 马丹，郁霞.数据资产：概念演化与测度方法[J].统计学报，2020,1(2):15-24.
[6] 中国信息通信研究院.数据资产管理实践白皮书3.0[R].2018.
[7] 李雨霏，刘海燕，闫树.面向价值实现的数据资产管理体系构建[J].大数据，2020,6(03):1-15.
