企业数据要素与资产运营的建设路径

　　从技术上拆解数据要素价值的生成路径，企业数据要素与资产运营的建设路径可分为三个典型的阶段：数据资源化、数据资产化和数据资本化。第一阶段是做好数据治理和安全，使企业有数据产品用并且能够管理起来;第二阶段进入流通阶段，基础设施组成部分包括：隐私计算、沙箱、数据资产登记以及数据流通之后，跨境数据的统一安全管控;最后一个阶段比较新，星环科技也在帮助企业做资产目标的试点，包含从资产识别到价值评估到合格审计、持续性盘点等一系列工作。

　　第一阶段：做好数据治理和安全

　　随着大模型技术的快速发展和成熟，企业对数据资源整合的动力更加强大。一个成功的实践经验是利用大模型的语义理解能力将知识库外置，而大模型只负责意图识别和上下文理解。目前，这种架构在企业中取得了显著的效果，已经逐渐接近企业端的精度要求。然而，仅仅拥有数据是不够的，还需要对数据进行管理，确保其可控、可用。

　　将汇聚的数据转化为知识至关重要。传统的数据治理主要从技术层面进行描述，例如对表字段要有质量、规则和标准等要求。而基于大模型的核心思想是直接将数据应用于业务中。以某种账号为例，涉及到接收方、贷款方、贷出方还是收入方，需要具备业务语义，并将其抽象为基于数据实体模型的内容。因此，其描述对象不再是基本的源数据，而是业务术语。一旦建立了完善的业务术语体系，企业就能够围绕这些术语打通技术部分，使数据能够作为知识注入到企业应用或模型智能化的应用中。

　　将数据转化为知识后，可以利用算力能力构建全球性资产。然而，要实现数据流通，首先需要建立核心敏感资产的脉络。构建这个脉络的方式有很多种。以星环科技推出的一款数据安全管理平台Defensor为例，企业可以利用Defensor完成数据分类和合规检查的工作，实现自查自纠并向监管单位提供合规检查报告。

　　同时，Defensor将大模型引入数据安全、合规和分类分级中，提供了一种辅助性的智能化手段。Defensor可以提供特定行业的预训练模型，并将一些领域的知识库作为知识汇装进去。因此，企业在进行数据治理时不再是从零开始，而是直接基于预训练模型进行数据安全和质量贯标。同时，通过与企业共建的方式，引入企业知识库并沉淀为本地的模型或本地的知识库。

　　在一个股份制银行的实践案例中，原本需要数月完成的任务现在可以在两周内完成，并且准确度也很高。

　　第二阶段：数据流通体系建设

　　在数据流通阶段，主要采用的技术是隐私计算。星环科技拥有自己的隐私计算平台，并协助各个数据交易所进行数据运营体系建设工作，包括数据安全合规和通过大数据平台提供数据加工挖掘等能力。

　　在跨境数据管控领域，星环科技推出了一款数据流通一体机，解决了许多实际问题。以银行客户为例，银行不仅需要核验接口API，还需要探索性接口来进行预测性分析。星环希望数据提供方能够将数据存储在一个密态数据库中，并放在一个隔离的沙箱中，然后将整个数据库交付给银行作为前置机使用。前置机接入到银行侧后，所有的探查和安全策略管控都由提供方来负责。换句话说，提供方以某种服务的方式提供了使用权。

　　例如，银行想在风控系统上探索某一类型的数据，企业可以通过前置机提供一定的端口来开通服务，并实时开通白名单以获取不同安全等级的数据数据。同时，每天的合规使用报告也可以实时获取。这样一来，即使在异构环境中，提供方和接收方也能够保持相同的管理水平。星环科技在北京、广西和江苏等地已经成功落地了这种一体机方案。

　　第三阶段：数据资产入表

　　资产入表的方式不仅限于存货，还包括无形资产。关键在于对资产进行识别、持续盘点和价值评估。大致可以分为以下六个步骤：

　　前三个步骤主要涉及技术问题，主要难点在于需要用财务语言进行表述，包括资产的形成过程、资产的位置以及加工方式等。在明确了前三个段的定义之后，需要进行资产登记，然后再进行资产评估。目前，有专门从事资产评估的企业，主要采用成本法进行评估。

　　最后一点在技术端非常重要，一旦资产入表后，需要进行审计和持续的价值残留评估。因此，它需要满足财务审计上的隔离性、可审计性等相关要求，并且成本必须是可量化的。核心关键词有三个：数据合规、成本可计量和能够创造业务价值。