数据资产化可大致划分为两个阶段，分别是数据资产形成阶段和数据资产管理与变现阶段。数据资产形成阶段则分为两个环节，分别是数据基础能力和业务数据化两个环节，主要是以源数据建设、数据采集、数据分析与应用等为主，数据资产管理与变现阶段，则包括数据资产化和数据资产变现两个环节，包括数据全流程治理、数据分析、可视化、数据决策应用和数据营销变现等。
01数据分析是数据资产变现的战略环节
要将数据变现为企业的资产，必须要对数据进行加工处理，加工成对事物的分析，形成对事物的认知，甚至形成独有的知识，数据就有了更高的含金量，成为有价值的数据资产。数据资产是可以变现成利润的数据，只是停留在企业服务器中的数据不是真正的数据资产。
数据标签化
数据的标签化能让我们快速理解一个用户，一个商品，乃至一个视频内容的特征，从而方便我们去理解和使用数据。以电商平台为例，对每个客户进行标签化处理，每个人都有上千个标签标记个人的特征，而这些特征又与商业化的推荐服务进行关联，并且对这些关联后的效果进行了数据验证，把某一个特征的产品推荐给拥有某类标签的用户之后，对转化后的数据进行不断跟踪、不断优化，客户标签和产品标签之间的匹配越来越好，转化效果不断提升。
数据指标化
原始数据记录本身只是业务活动的记录，是过去发生的事情留存的证据。这些证据需要通过一些统计汇总的算法形成数据报表，这些统计报表可以使人们更清楚地知道发生了什么，是如何发生的，结果是什么。
客户购买企业的产品和服务，该企业需要每天统计卖了多少，成交了多少客户，有多少新客户，这样就形成了每日销售报表，这个报表通过一些指标化的处理就形成了对当日经营活动的标识，如成交率、客单价、新增客户数、新增客户数量占比、新增客户成交占比、新增获客成本、新客户客单价、新客户中大客户占比等，这些形成了对企业每日运营质量和运营效率的表征指标。这些二次加工的数据能够对企业的经营管理活动进行评价，能够对业务管理起到反馈作用，这些指标开发出来之后，本身就是数据应用，也是数据资产。
数据可视化
企业还需要通过可视化的方式提升数据的易用性，但仅有图表，没有解读，就无法产生真正的数据价值。随着人们对数据和数据分析的关注，以及管理者整体数据解读能力的提升，越来越多的企业开始重新启用数据可视化功能，通过可视化的数据图表为管理者提供数据服务。
数据模型化
通过建立数学模型，将原始数据进行加工，为管理决策提供支撑。数据分析模型非常多，在不同的场景下有不同的模型。常规来说，除基本的对比分析方法外，还有很多算法模型可以使用，包括最多使用的分类算法、关系算法和预测分析方法。
分类算法是最常使用的算法，根据事物的相似性提炼加工，找到事物的基本特征，然后就能够推此及彼，更深刻地认知事物，并以此进行识别。关系算法则是寻求事物间的关联性，从而通过控制一种事物得到另外一种事物想要的结果。预测分析方法的常用方法有四种，包括经验法、类比法、惯性法和关系法，但未来的多变性、影响因素的复杂性会使预测的准确度下降。
02数据挖掘分析处理是数据资产变现的核心技术
资料来源：海比研究院
Gartner 2020指出，这些数据分析技术趋势将有助于在未来三到五年内加速更新、推动创新和重建社会。
增强分析
作为数据分析的高级增强阶段，增强分析能为分析计划带来更多自动化动能以及创新洞察力。因为在正式进入数据分析之前，都需要对数据进行抽取、清洗、融合等准备工作，以提高数据分析的效率和准确性，更利于决策。而增强分析则能够帮助普通用户在没有数据科学专家或IT人员协助的情况下，访问有效数据，并对理论和假设情况展开测试与验证。
增强型数据分析侧重于增强智能的特定领域，利用机器学习（machine learning）转变分析内容的开发、使用与共享方式。
Gartner表示到2020年，增强分析将成为分析和BI解决方案的主要卖点。
机器学习和人工智能、增强型分析将为数据和分析市场带来颠覆，因为它将彻底改变开发、消费和共享分析内容的方式，可使数据准备、洞察力获取和洞察力可视化这个过程实现自动化，在许多情况下无需专业的数据科学家。
可解释的AI
AI已经越来越多地用于数据管理，但AI解决方案如何解释为什么他们得出某些结论？这是可解释的人工智能的用武之地。
数据科学和机器学习平台中的可解释AI是关于在自然语言中准确性，属性，模型统计和特征方面生成数据模型的解释。
增强分析
作为数据分析的高级增强阶段，增强分析能为分析计划带来更多自动化动能以及创新洞察力。因为在正式进入数据分析之前，都需要对数据进行抽取、清洗、融合等准备工作，以提高数据分析的效率和准确性，更利于决策。而增强分析则能够帮助普通用户在没有数据科学专家或IT人员协助的情况下，访问有效数据，并对理论和假设情况展开测试与验证。
增强型数据分析侧重于增强智能的特定领域，利用机器学习（machine learning）转变分析内容的开发、使用与共享方式。
Gartner表示到2020年，增强分析将成为分析和BI解决方案的主要卖点。
机器学习和人工智能、增强型分析将为数据和分析市场带来颠覆，因为它将彻底改变开发、消费和共享分析内容的方式，可使数据准备、洞察力获取和洞察力可视化这个过程实现自动化，在许多情况下无需专业的数据科学家。
NLP/会话分析
到2020年，50％的分析查询将通过搜索，自然语言处理（NLP）或语音生成，或者将自动生成。分析复杂的数据组合并使组织中的每个人都可以访问分析的需求将推动更广泛的采用，使分析工具像搜索界面或与虚拟助手的对话一样简单。根据另一项单独研究，NLP用例非常庞大，预计到2020年NLP市场价值将达到134亿美元。
图像技术
到2023年，图像技术将在全球30%的组织中促进快速情景化决策。图像分析是一组分析技术，它允许探索相关实体(如组织、人员和事务)之间的关系，帮助数据和分析领导者发现数据中未知的关系，并审查传统分析中难以分析的数据。
例如,在世界应对当前和未来疫情时，图像技术可以从人们手机上的地理空间数据到人脸识别系统，对照片进行分析，以确定谁可能接触过被确诊冠状病毒检测呈阳性的个体。
如果说数据是“石油”，数据分析技术则是“炼油厂”。
数据分析通过各种技术获得数据背后价值，将原始数据加工为信息和知识，进而转化为决策或行动，已成为推动数字化转型不可或缺的关键技术。
03颠覆BI的也许是“CharGPT”
增强分析似乎很强大，但概念提出这么多年，有强大的产品出现吗？没有，为什么？
虽然早期的人工智能（AI）技术在数据分析和其他领域取得了一定的成就，正如增强分析中提到的那些能力，但它们在理解复杂的自然语言和生成有意义的文本方面的能力仍然有限，也就是说，人们使用增强分析的门槛其实挺高的。
老板要分析数据，还得直接找数据分析师提出问题，数据分析师再把老板的问题转化成对BI增强分析的要求，这个转化过程是漫长的，数据分析从端到端的全业务流程的角度来看，整个流程是割裂的，一会儿在线上，比如利用BI在线分析问题，一会儿在线下，比如提出问题，接收问题，输出答案，数据分析这个业务的数字化转型并不彻底，因此，AI对数据分析师的替代作用并不是很大。
然而，随着GPT系列等自然语言处理（NLP）技术的不断发展，ChatGPT这类先进的AI模型已经能够在很大程度上理解自然语言，并生成连贯、准确的文本。
1、老板可以直接在线用自然语言向ChatGPT提出问题，ChatGPT可以很好地理解老板的要求，把问题转化成需求和目标。
2、数据分析师在接到需求和目标后，可以充分利用ChatGPT的自动分析能力，提供有针对性的数据探索和分析建议，从而减轻自己的工作负担。
3、ChatGPT可以根据数据分析结果生成详细的分析报告，解释关键发现、趋势和预测，并且可以提供自然语言的方式，在线解答老板各种问题，完成数据分析的最后一公里，这种体验是以前没法想象的。
最近出了一个基于GPT的ChatPDF的应用，你只要导入PDF文档，它就自动为你分析出结果，并且可以在线解答任何问题，显然这是未来数据分析的一种形式。这也许能解释为什么人工智能刚出现的时候，少有人提出人工智能可以替代数据分析师，但ChatGPT出来后，这种声音就多了的原因。
注：本段内容摘至《颠覆BI的，不是增强分析，而是ChatGPT!》作者：讨厌的大鱼先生，公众号名称：大鱼的数据人生