在数字化视角中，以数据为物理载体，以算法和模型作为逻辑处理节点，将信息流高效率地持续转化为价值流。
而与之伴随出现的一个概念，就是数据资产化。因为有价值属性，所以数据资源摇身一变，成为数据资产。
值得一提的是，对于企业来说，数据资产管理和数据资源管理，虽然彼此仅一字之差，意思竟大不相同。
数据资源管理以数据本身为中心，目的是提升数据的质量和数据服务的效率；数据资产管理以数据价值为中心，目的是促进数据的流通和交易，更广泛、更高效地释放数据的业务价值潜力。
数据资产化框架包括数据确权、数据定价、数据流通与交易等多个环节的重要主题。关于这些主题当前并没有形成统一的方法和标准，因此，关于数据资产化的实践，业界主要在于早期探索阶段。
在大数据时代，数字化到底是什么？有很多不同的解释。
从软件的角度，数字化是服务；从AI的角度，数字化是算法或模型；从信息价值的角度，数字化就是数据本身——数据资产化，目的就是把数据本身“炼就”成数字化的交付产物。
关于数据资产化，主要有这么几个重要意义：
首先，从数据科学的原始规律看，跨领域、跨专题的数据往往更有价值。因此，在满足法律和行业约束的条件下，应当鼓励数据流通和交易。
其次，从数据所有者主体看，数据资产化可以解决企业的“财务困境”，提高企业估值，有利于撬动业务杠杆，释放更多潜在产能。
第三，可以促进数据产业生态形成，从而“倒逼”企业加快完成数字化转型进程。无论是数据治理，还是数据标注，这些因数据而产生的"成本项“，都会逐步转化为“投资项”，企业主对于数字化投入的态度会逐步改变“向好”。
数据价值评估，是数据资产化的重要基础，同时也几乎是最难的一件任务。
数据价值不能脱离数据的使用方式和使用场景来确定。
为了建立有效的数据资产体系，必须先确定数据到底怎么用（如信息验证、内容推荐、决策支持、指标评价），有几种用法（如数据服务、数据模型、数据标签），以及谁来用（如个人、企业、政府）。
因此，理想化的数据定价方式应该是一个三维“函数矩阵”，而非简单的系数相乘！
对于数据所有者来说，需要考虑的并非一次搭建完善的定价模型，而是需要通过case by case的方式，循序渐进地进行应用场景的填充。
未来，构建基于AI技术的数据资产加工能力以及面设计向行业应用的数据资产价值模拟方程式，都将面临极大的产业需求。
越来越多的传统企业，正在通过数据资产为“抓手”驱动自身业务加速变革，实现产业结构的敏捷化转型。
要知道，谁掌握最关键的市场“信息”，谁在供应链中的话语权就更加重要。
