洪泰精选 | 如何避免成为信息时代的囚徒？——浅析大数据发展趋势( 三 ) 提出了一个著名的

而到了大数据时代，随着分布式存储、计算和多种算法的应用，结构化数据之外的数据也被纳入到数据资产的内涵，将
海量的标签库、知识图谱、图片、视频
等内容都包括在内。

在数据资产化的的背景下，数据资产管理也在数据管理的基础上更进一步，
主要体现在视角不同以及管理功能和职能不同
。数据管理的立足点是防范并解决数据管理漏洞所带来的损失，而是
数据资产管理则更强调如何利用数据资产为企业带来更多增值。

传统数据管理的管理职能包含数据标准管理、数据质量管理、元数据管理、主数据管理、数据模型管理、数据安全管理等，而
数据资产管理针对不同的应用场景和大数据平台建设情况，增加了数据价值管理和数据共享管理等职能
。甚至企业的组织架构和管理制度也要有所变化，需要更专业的管理工具。

在行业实践中，数据资产管理的工具经历了三个阶段：

最早期：是通建立数据仓解决报表的经营分析的准确性；
第二阶段：是从分析延伸到生产，在数据库中开展数据治理，进行数据标准管理和数据质量管理。然后企业数据可以汇总到大数据平台，形成数据的采集、加工、计算和分析等配套工具，建立元数据管理、数据安全管理等机制，支持开发创新工具或应用；
目前阶段：数据资产管理已经
进入到数据资产运营阶段，数据也成为了企业的核心生产要素
。像DCMM数据管理能力成熟度模型这类评估工具也开始出现。

数据资产管理工具就成了重要且刚需的落地方式，但是由于这块技术上并无可参考模板，开发者多根据实践经验设计架构，而企业的实际需求各不相同，最后导致数据资产的管理工具虽然以各个功能模块的集成为主，但是形态上差异非常大。

随着数据量的增加和数据应用场景的丰富，数据间的关系变得更加复杂，问题数据也隐藏于数据湖中难以被发觉。
智能化的探索梳理结构化数据间、非结构化数据间的关系将节省巨大的人力，快速发现并处理问题数据也将极大的提升数据的可用性。

在数据交易市场尚未成熟的情况下，通过扩展数据使用者的范围，提升数据使用者挖掘数据价值的能力，将最大限度地开发和释放数据价值。因此
未来的数据资管工具将向着智能化和灵敏化的方向发展，甚至可以自助服务的方式对数据价值进行更深的开发。

趋势二：
技术发展融合化

1、算力的来源更多，范围更广

在移动互联网和云计算的高歌猛进中，应用场景细分且多样化，数据平台开始承载更多的计算任务，例如AI、物联网、视频转码等。同时数据的复杂度更高，颗粒度更细，并且对于并行强度、内存占用、高带宽以及高实时性的要求显著。因此，
以CPU作为基层硬件的传统技术逐渐体现出性能制约的技术瓶颈。

2、流批处理相互融合，平衡发展

流处理侧重于对即时信息的批量化处理，计算出反映热点的实时动态变化。而批处理的工作环境发生在离线，更侧重于对历史数据的累加反馈。虽然lambda, 流批融合的计算方式正在成为不可阻断的趋势的方向，一直呈更丰富的大数据处理要求。

在实时监控，风控预警等场景下，例如
今年爆发的大规模疫情的防控，流计算对于数据加工的实时性有着严苛的要求。