通常，当我们考虑数据治理时，我们会从小事开始，或者至少是“容易限制在几个表中”的事情。当我们寻求元镜像和反映现实的数据的目标时，我们需要从数据所代表的大目标驱动的事情开始。

数据资产是一棵大树的根

数据资产是数据业务控制的基础。这是关于资产的元数据树的开始，该树需要跨越资产生命周期的每个部分及其所有表现形式。

我们不详细讨论细节，而是尝试构建挑战，以便我们能够以连贯且可管理的方式应对这些挑战，从业务角度而不是数据库表的角度开始。

什么是数据资产

数据资产不是数据产品，数据资产的目的不是成为可部署的元素，它有不同的目标：

数据资产是具有已知业务价值的数据的可治理边界。

我们这里的重点是定义组织边界而不是模式。关于数据作为资产，我们想要了解的只是几件事

1. 它是什么

2. 哪个业务领域“拥有”该资产

3. 哪些业务领域从资产中获得价值

4. 我们将如何衡量价值

从有目的的大事开始

大多数数据工作都犯了直接深入细节的错误，并选择“简单”的东西(例如“客户”)作为非常清晰的数据资产。我永远不会说主数据不重要，但正如我一直所说的， MDM 是联邦世界中的外部参考。我们应该从资产入手，了解我们想要治理的现实世界，以便它准确地反映现实。不要从底部开始向上工作，而是从顶部开始向下工作。

以下是数据资产的一些良好起点的示例

1. 市场需求——对正在发生的事情的外部看法

2. 销售需求——来自市场、销售和接受订单的内部观点

3. 新产品——将新产品推向市场所需的信息

4. 产品执行——在市场上销售、分销和维护产品所需的信息

5. 碳影响——衡量整个内部和外部生命周期的碳影响

我建议从这个高层次开始的原因是，当您解构这些元素时，这提供了一种更简单的方法来映射价值。例如，“客户”是市场需求、销售需求、产品执行和碳影响的核心。这并不意味着客户不会成为数据资产，它绝对会成为数据产品，这意味着当你接触到客户时，你已经在定义它所在的数据资产上下文。

数据资产不是流程或服务

人们在看待数据价值时犯的另一个明显错误是以两种方式看待问题

1. 端到端流程

2. 业务部门

这些不是好的数据资产，它们使用数据资产，它们可以是数据资产提供价值的方式，但它们不应该是对数据资产的看法。数据资产需要明确的企业所有权吗?是的。数据资产是否需要明确的方式来实现其价值?是的。

但仅仅将结构模型从一种方法复制到另一种方法并不是一个好主意。正如流程模型会产生糟糕的服务模型一样，服务模型和流程模型也会产生糟糕的数据资产结构。但简单的说法是数据资产：反映企业的运营和战略现实。

数据资产的目标是与现实相匹配，这是唯一真正的质量衡量标准，因此它需要存在能力来实现这一目标，但它本身并不是一个“可操作”的东西。它用于行动，驱动决策。为此，我们可能在资产中拥有复杂的人工智能模型，计算指标并提供消费者可以订阅的信息流。

目的需要有价值的措施

要成为数据资产，我们需要知道它如何提供价值，以及如何衡量该价值。那么对于市场需求，我们为什么将其视为资产?它将如何帮助我们提高营收价值或降低营收成本?该数据资产将影响哪些组织 KPI?我们如何将资产与这些 KPI 连接起来?

后一点至关重要，这不仅仅是说“市场需求将影响营销支出”或“市场需求将减少未售出的库存”，而是绘制从资产到 KPI 的界限。一开始这些可能很模糊，但需要尽快变得具体。

如果数据资产不具有可衡量的价值，则不应将其视为资产。确定该价值以及如何衡量它可能是一项复杂的任务，因此从高级资产开始是有意义的，因为我们可以将它们链接到更高阶的元素，并且当我们进一步分解价值时，我们可以将其链接到特定的子资产和实际操作数据产品本身。

着眼大局而不是局部

因此，在考虑数据资产时，不要首先考虑“流程 X 使用哪些数据”或“部门 Z 创建哪些数据”，而是首先考虑如何解构业务运营和战略现实。这将包括内部数据和来自协作数据生态系统的外部数据。想想如何从数据角度划分现实，而不是当前报告几小时或几天前发生的事情的表格。

以业务为中心的数据之旅需要从实现元镜像的目标开始。数据资产的一个重要特点是它们可以在较低级别的数据资产和它们使用的数据产品中重叠。当我们将资产分解为产品时，治理不会是线性的，因此为什么从顶层开始是至关重要的。