数据资产运营要有效开展，需要配备专职运营人员对资产对象进行统筹的运营执行管理，因此和看、选、用、治、评相对应的有以下几部分运营执行工作，

组织登记是数据资产运营执行的第一步。想要让消费者看到数据资产进而利用数据推动业务发展，实现企业业绩的增长，需要运营人员先将数据资产在系统登记入库，在通过管理审核后，才能开放出来让消费者看到。

运营人员在这一阶段需要确认企业现有的数据有哪些，对业务有帮助的数据又有哪些，将对业务有帮助的数据资产进行完整信息登记后上架数据资产信息，以供业务人员在前台的资产门户页面中查看。

(1)掌握现有数据

“巧妇难为无米之炊”，当资产运营人员需要利用数据资产来推动业务运营时，先要掌握企业现有的数据资产情况。

不同行业、不同规模的企业，所掌握的数据各不相同，但是只要是实现了信息化的企业，都可以在其使用的业务系统、管理系统中找到可用的有价值的数据资产。

·对于规模较小的企业，数据库以及数据表的数量较少，方便整理，通过简单分类、标注即可让运营人员掌握当前大部分数据。

·对于大规模的企业，会出现跨部门、跨业务、跨系统、跨项目的现实情况，不同的数据库与表的干系人、权限要求各有不同，对数据收集工作带来很大挑战。

当企业的数据资产标准化之后，资产运营人员即可看到企业数据资产的全貌，掌握哪些数据资产可用。

(2)收集业务需求

资产运营人员收集完企业现有全量的数据资产信息后，需要根据当前主六、核心的业务需求筛选有价值的数据资产对象进行信息登记上架。

业务需求通常来自一线业务人员，不同行业的业务人员在日常工作中面对的对象不同，提出的需求也各不相同。比如电商行业的类目运营人员，可能会针对复购率高的女性用户精细化运营，那么在向资产运营人员提需求时，就会将“复购率”和“性别”作为主要的标签需求;对于制造业的业务人员来说，要增强设备制造产品的成品率，那么某零件的“制造失败率”就是主要的标签需求。

资产运营人员在调研、收集、了解、提炼数据需求时，不仅要能够理解一线业务人员所描述的内容，还需要掌握他们参与的生产经营活动流程，这样才能在标签信息的登记工作中以业务人员的视角记录、录入资产信息时，准确地使用专业术语定义及标签信息规则。同时，由于对生产经营活动流程非常熟悉，因而能够不局限于现有的流程现状所需要用到的数据资产对象，通过基于对流程发展的有效预估，将未来可能使用的数据资产对象也一并入库登记，提早考虑可能会使用到的数据资产。

(3)信息登记上架

对于资产运营人员，数据资产是一种承载价值的“商品”，只有被“交易”或者“使用”，才会体现出数据的价值以及对数据梳理、开发的价值，也可以通过交易和使用的数据反馈来优化、改善，持续提升数据对业务的赋能。因此还需要一个数据资产管理工具来实现资产的上架、展示和使用。

数据资产管理工具需要支持从资产申请上架、使用审批、使用、评价等功能，和前台的资产门户配合起来提供给业务人员“看”“选”“用”，并持续完成“治”“评”。

当资产运营人员认为某资产可能发挥价值时，选择该资产可用业务范围，并提交上架申请。通过批准后，相关业务人员即可看到该数据资产并申请使用。当使用量长时间为零或者因为业务调整撤销，不再需要这种数据资产时，可以将其下架，此时系统需要发送通知给正在使用、曾经使用或关注该数据资产的业务人员，并在一定时间内停止对该资产计算、存储、读取的支持。

宣传推广是数据资产运营执行的第二步。运营人员通过各种营销手段和方案，激发业务人员对数据资产的兴趣后，才有可能进入选用合适数据的阶段。

数据资产在上架审核通过后，就可以对外展示。初始阶段，数据资产对于业务人员是一个新概念，如何将数据资产进行包装并推广到实际应用中，考验着资产运营人员对运营和营销知识的掌握程度和对业务使用数据场景的理解。同时在数据资产的不断生产上新过程中，也需要对新标签、优化标签、高质量和高价值标签进行营销活动式的包装营销出去，方便业务人员在第一时间了解标签上新信息，或者对标签产生需求，因此在资产的推广宣传上，需要融入一些营销的思路，才能更快地让企业的数据被用起来。

对于数据资产，要以点带面地进行推广宣传，无法一蹴而就。初期的推广仅针对已有的标签进行即可。在上文提到的标签需求收集阶段，资产运营人员与小范围的业务人员进行了接触，所以对于数据资产这个“产品”，这部分业务人员是种子用户。面向种子用户，撰写精准有吸引力的广告文案或者推送消息，在资产门户端对数据资产这个“产品”进行产品营销。在这一阶段，需要资产运营人员持续跟进已有标签在实际业务中发挥的作用和产生的效果。可以定期安排业务人员产出报告，将使用标签后与使用前的业务状态进行比对，比如在使用标签后，业务进行效率是否有提升、盈利能力是否有上升等。除此之外，也可以通过监控标签调用频率来了解标签使用频率。如果标签调用的频率稳步增长，说明前台业务对其逐渐依赖，这些标签的价值逐步体现，也证明了标签的有效性。

当验证过数据资产价值后，可以通过持续的宣传推广手段来传递有效标签信息:对于原有组织用户，推荐更多适配业务场景需求的有价值、高质量的标签;对于新组织的用户，可以研究分析其业务共性、数据需求，将现有成功案例包装宣传，通过内部邮件、事务海报、内网发帖、行政建议等方式介绍现有数据资产并将其效果广而告之，以此激发更广泛的业务人员对数据的兴趣。

在有效的推广宣传后，除了会引导产生出对现有数据资产的使用动作，还会产生对新数据资产的使用需求，因此资产运营人员也需要对收集到的新资产需求进行评估、设计、下发开发任务、登记上架等操作，并逐步完善数据资产体系。

服务保障是数据资产运营执行的第三步。运营人员只有搭建出一个可看、可控、可追溯、可预警的服务保障平台，才能让业务人员放心地使用数据服务。

数据资产通过与各种服务组件结合，例如分析服务组件、圈人服务组件、推荐服务组件等，形成各种类型的数据服务输出，进而被上层应用产品或业务系统调用。在这个过程中，作为数据资产的运营人员，就要保障数据服务的稳定性，避免因为数据服务的不稳定导致企业业务受损。那么如何保障数据服务的稳定性呢?

首先，需要对所有要调用数据服务的上层应用进行审核，确保所有的上层应用都是经过授权的，避免外部应用不经过授权直接调用服务，从而导致数据资产泄露。

其次，还需要对服务调用的性能进行保障，服务调用的响应时间、QPS、处理数据体量等都会对应不同的计算引擎的选型，同时会配合一些负载优化、分流控流的机制来避免调用激增、恶意攻击等因短时间内有过多服务调用，导 致服务请求阻塞引起故障。也可以通过流量控制实现流量倾斜，控制尾部应用 的服务调用次数，向头部应用倾斜更多的流量，从而保障头部应用服务的稳 定。

最后，还需要一套完整的服务监控体系，对所有的服务进行监控。当服务出现请求异常、内容匹配异常以及访问超时等情况时，系统会自动向相关的运营人员和技术人员发送告警邮件，告知相关人员去修复该服务，从而保障服务正常。每周期定时提供服务监控报告，告知运营人员服务的调用情况，例如哪些服务经常被调用，哪些服务不经常被调用，哪些服务调用的请求时间比较长，哪些时间段服务被调用得比较频繁等。根据服务监控报告，运营人员可以制订相应的运营策略，保障服务正常运行。

治理优化是数据资产运营执行的第四步。运营人员作为数据资产管理者中的一员，需要对数据资产使用过程中的问题做好登记、人工修正或下发治理任务，同时不断迭代优化资产，形成正向循环。

在项目管理领域有一个模型叫戴明循环，也就是PDCA循环。它是一个持续改进模型，包括持续改进与不断学习的四个循环反复的步骤。其中A代表Action，表示效果优化。对于做得好的部分，可以通过模式化或者

标准化进行推广;而对于做得不好的地方，要总结经验，在下次任务中优化。对于数据资产，戴明循环同样适用。数据资产并不是用完就可以不管了，运营人员需要对其进行持续优化:

1)对于业务人员反馈的使用过程中的资产问题，及时做好信息登记，并触发工作流任务。部分资产治理工作可以由运营人员自己完成，例如元标签信息不够完备、有错误、不标准;或某些数据资产具体取值存在错误，需要人工审核;或随着企业业务发展，原有的资产类目结构不再适用或者需要新增修改类目结构等。部分治理工作由于需要以技术方式解决，则需要下发任务交由技术人员完成。

2)对于能正常使用的数据资产，也要定期关注其使用价值情况及占用资源成本，需要及时清理长期不用、过时、性价比低或不合时宜的资产，沉淀出

有价值的数据资产并进行资产体系优化，进而影响新数据资产的设计、迭代与落地。

例如在保险业务中，因为渠道考核的标准变化比较频繁，所以经常需要对数据资产进行优化和迭代。拿保费来举例，根据管监的要求，有些渠道需要关注规模保费指标，有些渠道需要关注价值规模保费指标，还有些需要关注价 VNB指标。根据管监不同的要求(业务显性驱动)，要对这些指标数据不断迭代和优化。

如果说上面这个例子是因为业务方强制优化和迭代数据资产，那么下面这个就是一个业务驱动的例子。在电商平台上，手机配件市场还没有像现在这么庞大的时候，它是作为数码3C下的一个子类目存在的。智能手机的爆发式增长，也带动了手机配件市场的火爆，许多用户开始在电商平台上查找手机配件。以往通过先查找数码3C再查找手机配件的方式，因为整个链路太长导致许多用户放弃下单。这个时候，就需要对现有的数据资产做优化。原本作为二级 类目的手机配件变成和数码3C平级的一级类目，从而大大提高了成交转化率，避免了用户流失(见图10-12)

所以，无论出于什么目的，运营人员都需要持续对数据资产进行治理优化，这样数据资产才能真正发挥价值。

价值评估是数据资产运营执行的第五步。运营人员作为管理角色，还要对数据资产进行价值评估，同时需要将这些价值信息定期上报管理层并合理披露给业务人员，以方便业务人员持续使用数据资产并对其进行评估。

毫无疑问，对数据资产的价值评估是根据数据资产的使用情况进行整体判定的。作为数据资产的载体，标签的使用情况也就代表了数据资产的使用情况。如果一个标签被开发人员辛辛苦苦加工出来却无人问津，那么这个标签的价值可想而知。反之，如果一个标签被业务频繁使用，甚至连业务的运转都离不开它，那么它的价值显然会更高。

当然，对于标签的价值评估，并不能仅仅根据标签调用次数这个单一指标。要知道有些标签虽然调用次数比较多，但并不能给业务带来多大的实际价值。比如“用户姓名”“用户手机号”等标签，虽然大多数业务线都会调用，但这仅仅是因为这些标签是基础标签。而像一些算法标签，比如“用户信用评分”这个标签，可能只被风控业务线调用，但是这个标签给该业务线带来的价值却是巨大的，甚至整个业务线都会围绕这个标签运转。

所以，在对数据资产进行价值评估时，资产运营人员需要综合多个指标进行多维评估，包括数据资产使用准确率、关注热度、调用量、可用率、故障率、持续优化度、持续使用度、成本性价比等。同时系统也可以把每一个价值评估指标放入价值评估模型进行模型运算，最终得到标签的综合价值分，从而得到数据资产价值的综合排名。

因此对数据资产的价值评估既可以从各个细分维度展开，也可以根据综合指标进行排名。运营人员可以根据需求制作数据资产的价值看板或BI报表并上报给管理层进行阅览，同时需要将这些资产价值信息通过登记、同步、联动等方式展示在资产门户相应位置上，方便业务人员根据价值评估指标判断所需数据资产能否满足业务对性能与质量的要求。

---摘自《数据中台》