随着企业的数字化转型，在数字化方面的投入由于没有相应的资产概念，会侵蚀利润。数据资产入表，企业应该怎么办？本文对此进行探讨，希望对你有所帮助。

财政部发布《关于印发<企业数据资源相关会计处理暂行规定>的通知》，自2024年1月1日起施行，这意味着企业的数据资源将成为资产被计入资产负债表。对于企业的数据资源，一是要形成产品，二是产品要标准化，三是产品能够在市场中形成流通和交易，这样的数据资源才能形成数据资产。对应这些要求，现在只有金融业、互联网业、零售业会产生有可实现的数据资产。

对于企业数字化方面的投入，由于原来的准则里没有相应的资产概念，很大的一部分都计入了期间费用，会增加企业当期损益，进而影响利润表，利润会被侵蚀掉。入表以后，这部分数字化方面的支出由损益变成资产类，可以计入资产，从而改善资产负债率。所以入表后，一方面是减少企业数字化投入期对利润的影响，进而改善利润率；另一方面，会改善企业整体的资产负债率，方便企业融资或上市。

根据《暂行规定》，数据资产有三种：

1. 无形资产。为了开发数据资产而投入的研发费用，按照研发成本算做无形资产计入资产负债表。
2. 存货。通过对数据的采集、存储、加工等，形成可以内部使用或对外交易的数据产品，按照数据交易所的市场定价，算做”存货“计入资产负债表。
3. 收入。将数据产品进一步模型化、API接口化，形成拱外部企业直接实时调用的在线数据产品，按照对外部企业服务的合同价格，以”收入“计入资产负债表。

可以看出来，对企业的数字化转型来说，这三种形式的数据资产可以分三期投入，按以上顺序依次开发出来，下面以零售行业为例进行说明。

一、数据平台搭建-无形资产阶段

说起有价值的数据，很多人会认为就是用户数据，比如用户的身份信息、使用信息、购买信息等。同理，对企业来说，真正有价值的是企业运行过程中产生的各种数据，比如货物流转的数据、资金流转的数据、员工处理业务留下的所有痕迹数据、管理者的决策行为数据等等，当然也包括用户的所有行为数据。但由于大多数企业的数字化转型不到位，内部沟通的信息停留在口头上，决策信息停留在脑子里，运转数据分散在各个系统中。

这导致这些企业运行过程中所产生的关键数据，实际上是收集不到的。即便企业直接上了数据中台，也是把各个系统中的数据简单汇总，其本身没有业务逻辑，也没有这些数据本身产生过程的数据，也就变不成真正意义上的数据产品。

企业真正有价值的数据来自业务本身，因此需要企业有很高程度的数字化水平，能做到所有外部世界的数据汇总到业务中台上，后面企业内部的沟通、决策、反馈、处理也在业务中台上，这样才能收集到所有的有逻辑、有关联、有价值的数据。这些数据再通过数据中台的处理，反作用于现实业务，最后形成业务->数据->业务的闭环，不断运转，才能产生有价值的数据资源。

现在的零售企业一般都有自己的erp、wms、pos等系统，可以在已有的系统上再搭建一个业务中台，统一所有的业务流程和数据，让所有的业务和信息处理都在业务中台上。然后在业务中台的基础上搭建数据中台，使数据在业务中台和数据中台之间循环运转，越滚越大，最后形成有业务价值的数据池。这个业务、数据双中台，就是数据平台的搭建，这部分的投入，是可以按照成本，以无形资产计入资产负债表的。

二、数据产品化-存货阶段

通过上一期的数据平台收集的数据池，如果要形成数据产品，还需要进行处理，通常分四步：数据标准的统一、数据质量的筛选、数据安全的清洗、数据关联的打标。

（一）数据标准是用于描述企业层面需共同遵守的数据含义和业务规则，通常从业务、技术、管理三方面进行定义，使企业组织内外部使用和交换的数据是一致且准确的。需要在数据中台中创建数据标准模板，也就是一个标准集，用来约束每个标准的每个属性的填写规范，以便约束基于该模板创建的所有标准，实现一次定义多次复用。也就是说，数据中台中的同一个东西，必须叫同一个名字，通过单选来保证，避免如果使用输入，不同的人给同一个东西起不同的名字的情况。

另外，数据的值也需要对其取值范围和单位进行统一，比如数量的值一定是正整数，再比如所有水果的单位都用”克“，不用”个“等等。

（二）数据的高质量、高可信，是数据价值的重要保证。数据质量主要从以下7个纬度进行筛选：

完整性，用于对表或字段是否存在所有必要数据进行判断，用于检查数据是否完整，比如必填的有没有都填。

1. 唯一性，用于对字段是否唯一进行校验，比如身份证只能有一个。
2. 及时性，用于对数据时间更新的频率和间隔进行验证，比如8点进的货，10点才能在系统里看到。
3. 有效性，用于对数据内容填写是否符合规范进行校验，比如年龄不能是-1.
4. 一致性，用于对比不同列、不同表之间的数据一致性或者业务一致性，比如一个水果在A系统叫菠萝，在B系统叫凤梨。
5. 稳定性，用于校验数据总大小/总条数是否稳定，以及数据的汇总值、平均值是否稳定等，比如一个月的某条数据突然多出50%，可能存在异常。
6. 重复性，用于对同一条数据在不同系统中的情况进行排查，最后剔除重复的数据，该数据只保留一条。

数据在经历上面的7重筛选后，大致能保证数据的质量。

（三）数据安全是随着《中华人民共和国数据安全法》的施行而诞生的更高要求。通过对数据分类分级、敏感数据识别、敏感数据脱敏等措施，建立完善的数据安全体系，确保数据使用的安全合规。比如用户的具体个人信息需要清洗，财务相关的数据需要脱敏等等。

（四）数据关联通常是通过标签系统来实现的，给同一条数据，按照不同业务的不同纬度打上不同标签，也就是将不同数据用一个标签关联起来，这种关联在一定程度上实现了数据业务化的价值。此外，标签系统本身对业务有很强的反馈作用，比如将利润率低于5%的商品打标，然后每周将这些打标的商品自动下架，能实现很多实用性很强的功能。这需要数据中台从企业的业务场景出发，围绕核心业务实体，梳理标签类目体系，通过业务中台实现，基于标签类目进行标签开发、管理、应用、治理。

数据经过以上四步的处理，大致能形成一个可以内部使用，也可以对外出售的数据产品了。但具体这个数据产品的价值几何是需要在数据资产交易所进行评估的。如果不经过市场的评估，通常会将该数据产品化的成本记为价值。最后，数据产品的价值以“存货“计入资产负债表。

三、数据产品对外服务-收入阶段

数据产品对外服务，简称数据服务，是当企业数字化成功转型后，并经过前面两期的处理，已经将自身的数据打造成数据产品，或用自身数据训练出来AI大模型，再通过API接口的形式，对外部企业提供的服务。

这需要数据中台构建API 市场，实现接口复用，外部企业的开发者可以在API 市场查看已有的接口，签订合同并付款后，申请使用权限授权后即可调用数据。数据中台需要具备认证、权限管理、限流、监控等功能，认证鉴权保障了接口安全，数据安全，同时提供服务限流、监控告警功能，保障数据是被合理的访问与调用。数据中台需要具备从API 开发、测试、调试、调用，监控，运维等的一站式API 生命周期管理解决方案。

此外，也需要业务、数据中台的底层，在技术层面有服务组件，中台上各服务组件采用基于微服务的非直接耦合模式和基于共享库的数据耦合模式，通过定义标准化的 Web 服务或者数据表实现离散、模块化、可重用的服务组件之间的交互。中台应采用“中台-应用-服务组件”三个层次的模型，即将中台作为一个整体，而中台上部署若干个应用，每个应用完成相对独立的业务功能，并可调用多个服务组件。这种结构为API 数据服务，包括服务管理、API 管理、API 授权与安全等的实现，提供了基础的技术条件。

对于零售企业的数据服务来说：

1. 可以将某个品类（如可乐）的所有相关联数据进行产品化，直接卖给该品类下的几大竞争的品牌，或者用这些数据进行训练，用训练出来的AI大模型为该品类下的几大竞争品牌提供数据服务。
2. 可以将与某个供应商（如某气森林）相关联的销售情况等数据进行产品化，为银行向该供应商提供供应链融资提供数据服务。
3. 可以将不同地点的门店的人流、消费等有关数据进行训练，给其他业态的连锁商（如奶茶、零食）提供数据服务。

本期的研发费用可以按照成本，以无形资产计入资产负债表。所有通过API对外提供服务而产生的收入，可以按照合同价格，以“收入”计入资产负债表。

通常的为企业的数字化转型提供基于微服务的技术中台、适用于零售行业的业务中台的源代码交付的服务商，大部分基本满足企业数据资产入表前两期的开发要求，第三期需要接入有自己大模型管理模块的数据中台服务商。