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。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
