权威推荐：多位数据管理领域专家联袂推荐，五步构建企业数据资产体系。 实战导向：兼具落地“硬度”与思维“锐度”，助力AI大模型时代激活数据价值。 全覆盖：提供从定义、管理框架到数据产品运营的全条、可复制实操方案。 前沿洞察：系统解析数据要素化、可信数据空间、数据资产画像等关键议题。 广泛适用：适合企业管理者、数据从业者及数字化转型推动者，即学即用。
售 价：¥
纸质售价：¥74.20购买纸书
6.6
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
前言
CHAPTER 1 第1章 数据资产与五层价值金字塔
1.1 数据何以成为资产
1.1.1 我们身边的数据资产
1.1.2 数据资产定义
1.2 数据资产五层价值金字塔
1.2.1 第一层价值：守法合规、符合伦理
1.2.2 第二层价值：文化塑造、科学决策
1.2.3 第三层价值：增强控制、管理透明
1.2.4 第四层价值：风险控制、生态连接
1.2.5 第五层价值：业务创新、未来发展
1.3 本章小结
CHAPTER 2 第2章 数据资产“画像”
2.1 分类
2.1.1 基础型数据资产
2.1.2 服务型数据资产
2.1.3 两类数据资产的关系
2.2 三大特性
2.2.1 复制无消耗性
2.2.2 形式多样性
2.2.3 价值衍生性
2.3 价值释放三阶段
2.3.1 第一阶段价值释放：业务贯通
2.3.2 第二阶段价值释放：数据决策
2.3.3 第三阶段价值释放：产品赋能
2.4 管理五原则
2.4.1 够用原则
2.4.2 甜区原则
2.4.3 互利原则
2.4.4 场景原则
2.4.5 流通原则
2.5 三大核心步骤
2.5.1 基础型数据资产管理
2.5.2 服务型数据资产管理
2.5.3 数据产品的开发和运营
2.6 数据管理团队组成
2.6.1 CDO
2.6.2 数据治理团队
2.6.3 数据洞察团队
2.6.4 数据产品开发团队
2.7 管理发展趋势
2.7.1 管理理念：从被动到主动
2.7.2 组织形态：团队专业化
2.7.3 数据架构：DataOps
2.7.4 数据治理：面向AI
2.7.5 管理手段：智能化
2.7.6 运营模式：多元化
2.7.7 数据安全：统一规范化
2.8 本章小结
CHAPTER 3 第3章 数据要素市场与可信数据空间
3.1 从数据资产到数据要素
3.2 数据要素市场的生态
3.3 数据要素市场的使命
3.3.1 推动制度建设，提供基础保障
3.3.2 构建基础设施，加速升级之路
3.3.3 服务AI，促进产业革命
3.3.4 推进数据财政，带动经济发展
3.3.5 沉淀场景案例，激发价值释放
3.4 数据要素市场的意义
3.5 参与数据要素市场的注意事项
3.6 可信数据空间
3.6.1 什么是可信数据空间
3.6.2 可信数据空间组成体系
3.6.3 可信数据空间运营模式
3.7 本章小结
CHAPTER 4 第4章 盘活基本盘：主数据资产与管理
4.1 什么是主数据资产
4.1.1 主数据资产定义
4.1.2 主数据与其他类型数据的比较
4.1.3 主数据资产的价值
4.2 主数据资产的管理目标与成熟度模型
4.2.1 主数据资产的管理目标
4.2.2 主数据资产管理的成熟度模型
4.3 主数据建模方法
4.3.1 概念建模
4.3.2 逻辑建模
4.3.3 物理建模
4.4 主数据资产类型
4.5 主数据管理系统
4.5.1 系统架构
4.5.2 构建的工作流程
4.5.3 架构模式
4.5.4 与相似系统的区别
4.6 本章小结
CHAPTER 5 第5章 疏通水源：交易型数据资产与管理
5.1 交易型数据资产的价值
5.2 交易型数据资产管理流程
5.2.1 数据生成
5.2.2 数据抽取
5.2.3 数据预处理
5.2.4 数据存储
5.2.5 数据分析
5.3 交易型数据资产质量管理
5.3.1 数据质量维度
5.3.2 数据质量问题成因分析
5.3.3 数据质量管理过程
5.3.4 数据质量管理常见误区
5.3.5 交易型数据资产质量管理成熟度模型
5.4 本章小结
CHAPTER 6 第6章 定海神针：数据指标体系建设
6.1 场景挖掘
6.1.1 价值驱动树法
6.1.2 场景优先级
6.1.3 典型数据需求场景
6.2 指标的属性、维度、分类、命名
6.2.1 指标的属性
6.2.2 指标的维度
6.2.3 指标的分类
6.2.4 指标的命名
6.3 指标设计原则
6.3.1 原则1：指标应该衡量你关心的事物
6.3.2 原则2：指标应易于计算和理解
6.3.3 原则3：指标应保证一定的时效性
6.3.4 原则4：指标应该难以被操控
6.3.5 原则5：指标不应预设任意的阈值
6.3.6 原则6：用良好的指标提供上下文信息
6.3.7 原则7：指标需要明确的负责人
6.3.8 原则8：好的指标可最大限度地减少噪声
6.3.9 原则9：标准指标应保持一致
6.4 指标设计方法
6.4.1 树上结果：完成价值驱动树
6.4.2 澄清问题、达成共识
6.4.3 确定决策模型
6.4.4 深入理解领域
6.4.5 构建数学模型
6.4.6 规划指标维度
6.4.7 专用方法
6.5 数据指标体系建设
6.5.1 何为数据指标体系
6.5.2 数据指标体系建设中的问题
6.5.3 角色与权责
6.5.4 梳理价值驱动树
6.5.5 “户籍”与“身份证”
6.5.6 指标标准建设
6.5.7 规范应用场景
6.5.8 设计驾驶舱数据指标体系
6.6 指标血缘关联
6.6.1 何为指标血缘
6.6.2 指标血缘的重要性和特点
6.6.3 如何维护指标血缘
6.6.4 血缘数据平台
6.7 指标中台建设
6.7.1 何为指标中台
6.7.2 指标不能复用带来的问题
6.7.3 理想中台
6.8 本章小结
CHAPTER 7 第7章 运筹帷幄：决策模型
7.1 何为决策模型
7.1.1 决策模型定义
7.1.2 决策模型与数据资产
7.2 如何使用决策模型
7.3 应用决策模型
7.3.1 勒温力场模型
7.3.2 多维度模型
7.3.3 漏斗模型
7.3.4 帕累托模型
7.4 本章小结
CHAPTER 8 第8章 数据产品：从定义到落地案例解析
8.1 数据产品定义
8.2 数据产品分类
8.2.1 按输出形态分类
8.2.2 按应用场景分类
8.3 数据产品开发过程
8.4 DataOps产品架构
8.4.1 为什么需要DataOps
8.4.2 DataOps的能力构成
8.4.3 成功的DataOps特征
8.4.4 典型DataOps架构
8.5 数据产品运营
8.5.1 数据产品上架
8.5.2 数据产品的盈利模式
8.5.3 估值模型与定价
8.5.4 数据产品增值
8.6 数据产品落地案例解析
8.6.1 案例1：某电子控股集团公司工业数据产品
8.6.2 案例2：某医疗科技公司医疗数据产品
8.6.3 案例3：某市生态环境局生态环境数据产品
8.7 本章小结
附录 企业大数据的类型、特征与治理要点
推荐阅读
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
