|
导言：数据，作为新时代的重要生产要素，正逐步被纳入企业资产管理的范畴。数据资产入表，即企业将数据确认为资产负债表中的资产，成为当前企业数字化转型的重要议题。然而，数据资产入表并非易事，企业面临着数据成本梳理、经济效益证明、数据确权等诸多挑战。
为此，5月25日晚帆软举办数据圆桌派第一期——“数据资产与数据要素管理”专题线上直播，并有幸邀请到帆软战略副总裁-沈涛、帆软数字化专家-吕品、帆软数据应用研究院院长-梅杰三位嘉宾进行分享交流，数字化专家们结合多年的行业实践经验，探讨数据资产入表的含义、价值以及企业面临的挑战，分析如何应对这些挑战，尤其是如何梳理数据成本和证明数据产品的经济效益。
从字面意思上来理解数据资产入表，就是将数据确认为企业资产负债表中的资产一项。这里资产的核心对象是数据，但最后可以表现为存货或者是无形资产等形式。
这样的资产入表就是资产负债表，像是打开冰箱把大象放到冰箱的过程，看起来很简单，过程却有一些复杂。
那么如何站在企业视角去理解“把大象放到冰箱”的这个过程？又为什么要这样去做呢？
其实自去年8月份“数据资产入表“一词出现后，在企业内部就掀起了一波热潮。但实际上在相关政策出来之前，数据资产的概念在企业里就已经存在了。
第一层是实质性的含义，就是只要某样东西对企业来说有价值，它就是一个资产。例如存在一批客户的数据，其中有1万条数据属于高精人群，那么无论这项资产入不入表，这样的数据对于企业来说就是有价值的。
第二层含义产生于去年会计层面暂停规定出台之后，即在入表层面，把原本在数据方面的支出计入到费用一项。如果可以计入到资产，那就能去修复资产负债表，从而使得它在会计层面有一个有更大的意义。
第三个层面是市场价值层面，比如说企业做出来的数据产品，在市场上是有公允的市场交易价值的。那就可以拿这样的数据资产去售卖，使它具备一定的经济价值。
举个例子，一部iPhone手机的售价是12000元，生产成本与营销成本是8000元。由于现在普遍使用历史成本法，将手机产品累计支出的成本8000元计入表中，最终它的资产价值就是8000元。但在交易过程中会涉及到iPhone的产品评估和资产评估，评估下来之后发现公允的交易价值是12000元，那么这就是资产在市场层面的价值。还有一个维度是在实质层面，比如说这部手机含有前持有者大量的个人数据，例如通讯录数据，照片数据等，如果购买者认为有用，那么这部手机价值可以变为20万，甚至是300万。
第一层从财务表现来看，对于一些上市公司而言，如果整个公司的资产规模在增加，那么对于提升公司整体业绩以及对于市场估值的管理来说是有利的。
第二个层面，当资产增加后，对企业的信用评级，包括以往的贷款融资等也可能会产生一些比较有利的影响。例如一些非上市公司，像高新科技或者创新性企业，由于它们本身的资产没有那么多，那么在融资层面可能会有一些挑战，包括信用评级等。当它资产规模增加后，这几个部分就会有所改善，也会有更多机会，从而增加核心竞争力。
第三个层面是从数据类研发的成本费用来看，把研发支出的一些成本费用资本化后，它就变成或者形成了资产负债表中的一项，这样就增大了资产负债表的规模，从而使利润表表现得更好。此外也不用计入现金流量，所以现金流量表也同样会表现得更好。所以从资产增值、信用角度，包括现金流量表、利润表的表现来看，整体都会产生一些比较不错的影响。
另外从资源到资产的推动，以数字角度去看企业自身，也有另外三方面事情需要思考。
第一点是企业数据意识的提升。因为如果要做好一件事情，不管是面对大数据还是小数据，企业首先都要从养数据开始，即关注数据数量积累的同时也要注重数据的质量积累。
第二点，若要将数据变为真正的资产，必定会经历一个从无序、非规范到一个有序的过程，中间的治理过程也必不可少。众所周知数据治理的表层对象是数据，但是它深层次的治理对象不能仅仅停留在数据层面，应停留在企业自身，例如信息化系统的改造，再往下延伸就可能触及到企业内部业务流程的完善。所以整个数据治理的动作在数据层面、系统层面以及流程层面都起到了一个反向推动的作用。
第三点，如今很多企业拥有大量的数据资源，实际上未来它们也可以称之为数据资源密集型企业。这些数据资源的价值在未来也能够产生更大的价值，所以数据资产入表可以从财务及整个数字化的角度去思考，未来它对企业还是提供了很大的帮助。
总体来看，人们对数字化的关注度会越来越高，国家提出数据要素相关内容的目的就是让大家行动起来。如何行动起来？数据资产入表是一个载体，是一种形式，要不断推动和完善前面的基础事宜，打下良好的地基，未来企业才能行稳致远。
数据资产入表对于企业最大的挑战是什么？
自《企业数据资源相关会计处理暂行规定》通知发布后，很多的企业都在关注这个问题，有些企业仍在观望，但有的企业已经开始逐步探索。其实目前来看，对于企业进行数据资产入表操作时会直接面临两个最主要的困难：
因为入表是一个会计层面的操作，其中有一个模块需要去梳理清楚在数据领域投入了多少成本。这些成本就包含了买一批数据源的成本，买一些数据处理的软件工具的成本，找人做数据治理或数据产品开发的人力成本，找律师做数据确权的成本以及找评估机构做评估等一系列成本。
举个具体的例子，假如整个数字化部门中负责数据处理和数据产品相关开发的团队由五个人组成，这五个人一年的人工费用是100万，这在做入表的时候要根据数据项目或者数据产品来划分。再比如说一共有五个项目，并分别是生产管理、营销、后勤等。他们在生产数据产品时可能买了一些数据源，买了一个BI，也找内部其他人做产品开发。那如何去梳理清楚100万费用在生产管理这个数据产品上面的花费分摊？再比如说其中一个人一年的工资是20万，他可能做了无数个项目，但是不能完全梳理清楚在某个项目上面的支出，于是在最终入表环节就存在了漏洞和纰漏，此时这部分成本就不能够被算入进去。
这其实是很大的一个问题，因为实际上很少有企业能在日常过程中就能梳理清楚他们在数据领域的投入，比如一些极端型企业和上市公司，他们一年可能在数字化领域的投入有5000万以上，甚至一个亿左右，那么此时这样大规模投入的具体划分是很难梳理清楚的。
帆软数字化专家吕品提到，他们曾经设计了一个类似于“ Time Booking ”的数字应用，包含开会、培训等内部项目模块，以及顾问对外具体服务的外部项目模块。这个应用会及时记录每人每天工作时间，录入每个人每个时间段的工作内容，基于这些数据记录去分析顾问的时间有多少用于客户面。如果客户面时间能够提升20%，那就意味着一线多了20%的力量。这个场景其实展现了更深层次的价值——原本企业的目的可能是为了去做数据资产入表，于是采用一套工具计算人员工时，从而计算清楚人员成本，但近一步它能够让 CIO 或者 CEO 知道这些人力成本花在哪些场景上面，投入成本是否有效。
帆软战略副总裁沈涛又将场景拓展到了苏州某银行的一个案例。该银行想要给中小纺织企业贷款，但由于这些中小企业掌握不了内部经营数据，所以给每台纺织机装上传感器，这样就能知道传感器上纺织机的运行数据，包括拆机时间、关机时间和一些其他的运行数据，进而知道企业订单量的具体情况。银行最终通过数据脱敏处理，知道原来有些企业的机器一天24小时只有4小时的开机时间，即订单量比较小或者不太稳定。如果有企业的机器能一天运行20小时，并且机器都能保证运转，或者它的纺织机也比较多，那银行在给这些企业去贷款的时候，会觉得这些企业存在的贷款风险更小，也更乐意放贷。
由此可见，原本这些企业数字化的目的是为了去向银行贷款，实现数据到贷款的推动，但同时这些纺织机的数据也可以使用于企业内部的数字化分析，一箭双雕。此时数据的二次价值和三次价值就可能渐渐浮现出来了，所以这就是资本化阶段融资的需求反向推动数字化的过程。
首先资产在会计层面的定义是一定要证明它具备经济价值和经济效益。
证明经济效益时主要有两个方面，一方面是对外出售后能够获得相应的回报，这能通过交易合同直接证明。另一方面是在数字化层面的所有投入对内使用能够产生降本增效的作用。一般在数据领域，目前大部分人还是偏向后一种判定方法。
但是此时如果要证明它是能起到降本增效的作用，就需要有一个判断规则。比如说企业原来纸质处理成本是15万，使用系统后确实节省了10万，这是一种方式。或者通过这个数据产品节省了线下的人力成本60万，这也是一种证明。但实际上目前可能有80%-90%的企业很难去定量证明数据产品的经济效益，这就导致最终在入表时会遇到评估的困难。
此外，帆软战略副总裁沈涛补充道，在数据资产入表的挑战中还会遇到一个普遍性的数据确权问题。一些企业在数字化方面主要进行的是软件投入、硬件投入及人力投入这三大投入，可能一年投入5000万或者一个亿，但实际最终能够入表的只有100万。目前主流的解决办法还是咨询一些专业律所，对于数据确权他们有规范性文件来参考，并从法律的角度去理解，刨根问底地去扒清每一条数据到底从何而来，理清路径，最终给出一个数据确权的指导意见。
因此在数据资产入表的过程中，如同现代管理学之父彼得·德鲁克曾经说过的“无量化，无管理”，我们首先应注意到企业数据成本被有效量化的过程，仍然需要通过数字化手段一步步去解决。其次，数据资产如何进行确权，怎么进行提升与定价的价值评估过程目前也依旧需要有能力的人不断去探索。 |
