论文：数据资产定价难点与应对策略(中文稿)

PowerData

编者荐语：

来自PowerData赛助力、成于念老师的论文分享。

以下文章来源于老司机聊数据，作者老司机

[

老司机聊数据 .

互联网+行业，数字化落地，包含IT数据管理、数据资产、数据应用、最佳企业数据案例实践分享等

](#)

前言

最近收获好消息，社区原创论文

《Difficulties and Countermeasures in Data Asset Pricing》中文翻译为

数据资产定价难点与应对策略，被SNCS收录，在国外Springer期刊已经发表。

Springer,译名施普林格,它是世界最大的私营科学出版社之一,集团总部设在德国柏林,目前拥有超过2900种期刊和250,000本图书,每年出版6,500余种科技图书和约2,000余种科技期刊,涉及到医学、心理学、生物医学、生物、数学、物理、经济学、法律等多种学科。其中,它在医学、计算机科学以及工程学方面的文献最为出色。凭借这三个方面,施普林格可谓是世界上最大的书籍出版者,以及第二大世界性杂志出版者。

施普林格科学出版物的质量非常高,出版社的作者大多是各个领域内享誉盛名的专家学者。根据形势的变化,施普林格在新时代还推出了Springer LINK系统,专门提供网上查询印刷型和电子型期刊的服务。施普林格链接 ( SpringerLink)

根据上期论文分享出来后，粉丝热情反馈，觉得英文原稿（热烈祝贺赛助力和成于念的论文，在Springer期刊发表）还不过瘾，不方便英文不好的同学阅读。为了方便大家阅读理解，本次小编将中文稿分享给大家，供大家学习，因内部版权机密，谢绝商业分享，以下是中文稿内容：

论文中文版

数据资产定价难点与应对策略

Difficulties and Countermeasures in Data Asset Pricing

作者：赛助力、成于念

摘要

8月16日财政部发布的《企业数据资源入表会计处理暂行规定》，正式拉开了数据资产入财务会计科目资产的序幕。随后，中国资产评估协会在9月8日印发了《数据资产评估指导意见》，并确认自10月1日起施行。后续关于数据要素确权、定价、交易流通、收益分配、试点等进展的指导政策将有望陆续推出。

系列政策发布后，各方企业专家积极响应，对数据政策的未来市场影响力和落实策略进行研究和探讨。这对拥有量级数据的企业来说是一项重大利好，因为数据“入表”了，将意味着数据完成从自然资源到经济资产的跨越。

但数据资产入表是结果，不是政策的目的。政策的目的在于推动企业进行数据治理，将有价值的数据资产转化为实际的经营收益。其中，“如何评估和定价数据资产”将成为企业数据资源入表的第一道难关。

本文将从数据资产入表这一核心难点——“资产定价”进行解读，提出可实施落地的应对策略与行动方案，为企业启动数据资产入表和数据研讨提供方向和参考。

关键词：数据资产、资产定价、数据资产入表

一

数据资产定价难点

数据资产具有无形的，可零成本复制的特性，所以定价相比较一般的商品是非常困难的，比如给某个项目的一套房源评估价值为200万 ,它可以通过地段、环境、户型、采光、建筑结构等条件考虑，可以通过市场报价评估，还可以参考周围同级别楼盘的价格范围区间等。而数据资产定价就没有这么多显性的特征，评估的随机性较大。接下来，我们拿如何制定珠宝价格的规则举例，来解释一下数据资产的定价规则：

（1）材料A1：原材料就是矿石的价格，同一批玉石，成色相当，价格就一定相当，但是经过详细分类之后，好的和差的，档次不同的雕刻原料，价格差距立马显现。而数据质量的问题，我们很难一眼看出来，只有在业务场景应用的过程中，才能评估数据质量的高低。

（2）雕刻A2：雕刻可以把同样大小的玉石价格区间拉的很大，比如同样大小的挂件，雕工好的要上百至千元，一般的，可能只要几百元，更差的可能百元以下。而数据的清洗加工流程更为复杂，需要相对固化，否则每一个环节产生多少的工作量就很难统计评估。

（3）抛光A3：抛光有两种方法：一种是机器刷光，几十元的价格。一种是手工揉光，很多高档玉器都是采用这种方法。根据不同的玉，不同硬度来定价，从几元钱（指头大小的玉雕也要5元以上）到上千元甚至万元不等。由于数据能应用到不同的业务场景，不同的行业对于相同的数据，可能产生的价值也不一，所以这部分的评估也需要更有针对性。

经过这三个评估，可以粗略计算一下玉器的出厂价格：最普通的材料，最普通的雕工和普通的抛光，假如原材料1000元（具体据实际价格而定）+普通雕工500元+50元抛光以及再算上各种经营费用，人工开支，一般也就是2000多元。PX定价=A1+A2+A3+市场调节。

当然，大部分商品采用的是市场调节价。所谓“市场调节价”就是指，国家不作规定，由生产者、经营者自行制定的商品价格和收费标准，价格一般遵循市场，自由涨落。市场繁荣，就会有需求，市场有需求，就会刺激价格攀升，某些商品稀少奇缺，也会刺激价格攀升，因为“物以稀为贵”也是一条市场价格原则。

回归到数据资产价格的制定来看，由于数据具备一些特殊属性，所以在定价的过程中更显复杂。首先，数据价值具独特性：同一数据对于不同场景的价值是不同的，对于同一场景不同数据的可用性与价值也是不同的。例如：某种电力数据，可以应用在电力定价、调度优化等场景实现经济价值；也可以与金融场景结合对企业金融服务参与信用评价产生经济价值；还可以用于地区经济的统计分析、规划决策的模型中。可见，对于不同使用场景，同一个数据产生的贡献与经济价值是不同的。

其次，数据价值具有协同性特征：在使用数据的时候经常会发现多种数据的组合对某个场景的应用产生超过单一数据生产价值的总和，这种“1+1>2”的现象也是数据科学非常有魅力的地方。多维度的数据可以更精准地帮助分析、预测、决策等关键经济活动中的动作，不像传统要素一样，数据价值的加总不能是线性的简单相加。

最后，数据价值具有无限可复用性：这也是数据要素具有的独特特征。不同于传统的生产要素，如土地（盖了房子就不能盖停车场，盖停车场就不能盖商城）同一时间单一使用场景的限制，数据可以在同一时间被不同主体调用参与多种经济活动（当然，这需要要在安全合规使用的前提下），在这个过程中数据产生了经济价值倍增的效应。当然这也可能造成无成本复用，导致数据滥用的情况。

这些数据特性导致了数据的实际价值难以确定，主要体现在数据价值只有在相应的场景下才能产生价值，如市面上出现了一批客户贷款的信息，这些信息只有在贷款企业使用之后才能产生收益，这些数据资产才有价值。如果某个旅游企业买了数据，但是它做的是旅游的服务，这些数据对它就没有价值。所以本文认为数据资源价值评估难主要有以下的一些原因：数据的使用价值难以事先确定、数据质量难以评估、数据资产权属不清、数据资产来源审查难度较大等。

二

数据资产定价方式

通常来说，数据的价值分为内部定价和外部市场定价，因为很多企业的数据资产并不是对外销售的，对数据资产的价值进行计价主要是用来评估数据部门的价值，提升企业效率的。所以从企业内部来看，数据资产的价值评估和定价是一回事，因为对于企业自身，数据产生的价值就是这些数据资产的定价。

然而从外部交易视角来看，这些数据出售的价格需要高于其价值，这样对于企业来讲才有更好的收益，而难点也就在这里。例如某个数据供应商从一些公开的平台上检索到很多的数据，然后经过企业自身的加工清洗，形成有价值的数据资产，整个过程花费全部成本10万。这些数据他需要放到市场上出售，可以卖给不同的企业做评估使用，每份数据就不一定是10万，有可能定价5万，最后成交了10家；也有可能该部分数据具有高度机密性、垄断性，只针对某一家公司进行定价50万。不管何种定价方式对于这家数据提供商这些数据的价值就产生了50万。所以我们可以通过两个维度去理解数据资产的定价（或者说价值评估）：

（1）企业内的定价：这个方式和价值评估类似，主要是评估企业数据部门的价值，企业经营效率。在企业收集，加工，产生的内部产生的数据资产，通过内部的成本+收益可以初步评估出数据的内部价格，也可以理解为价值，因为很多时候内部使用可能并不需要考虑价格。常见的评估企业内部数据价值的方法有三种：

成本法：按照数据收集、清晰、加工建设过程中所花费的各类成本统计，包含采集成本，平台建成本，人力成本等等。该种方案只能体现数据资产花费的成本，无法体现数据产生的收益，所以直接用来定价的话也是成本价，收益的价值难以确定。

收益法：估计未来数据资得数据价值产生的业务收益，并考虑资金的时间价值，将各期收益加总。该方法就是考虑了成本法的收益部分，但是预估收益是一个非常开发的评估，没有可靠的条件来支撑评估。如企业A部门的员工跑市场，收集和创建了一批客户数据，这些客户数据方便了后面很多部门数据使用和查询、沟通和销售沟通，成为了潜在的客户，最后成交却在B部门达成了一定的销售合同100万，在C部门找到了另外一个商机。企业内部都知道这批数据资产产生了价值，但是我们很难评估出这批数据在整个成交中收益是多少。比如某个数字化部门，研发了一个数据产品，生产出了一套数据资产，这过程花费了成本，并且提供给企业内部业务部门使用，但并未直接产生收益，那我们如何评价这个数字化部门做这个产品的价值呢，这将直接影响这个部门的命运，但目前还未看到有较好的方法。收益法很明显解决不了这个问题。

市场法：按照市场已有相类似的数据进行价值评估，企业拥有这些数据的价值进行类比，预估出数据价值。有点在于能够反映资产目前的市场情况，较为客观，在数据交易中更容易被交易双方接受。难点在于，市场的这些数据机构专业性和分类，市场不完善时，可能也没有一个合理的定价机制，甚至市场上也无法找到类似的产品数据。价值自然难以评估。

反向评估法：就是通过这些数据质量低，或者数据缺失不完整可能给企业带来的损失评估的，这个方法优点在于考虑了数据机会成本，反向论证因数据资产对企业的重要性和价值，甚至能预防企业经营中的风险。减少成本的方式，例如，某企业建立的主数据平台，通过统一录入主数据供应商数据，减少了5个部门的供应商重复录入，减少用户数据录入工作量，要评估这项工作带来的价值，利用反向评估法，假如有10万个供应商数据，通过主数据的建立，只需要A部门统一录入，其他4个部门接入使用即可，减少其录入数据工作量，示例如图：

数据资产价值估算表

序号

数据对象

数据使用部门

每条数据录入时间

数据总量

累计节省时间（工作天）

人工成本单价（元/天）

多余数据录入成本（万元）

数据价值（万元）

供应商主数据

运营，采购，成本，财务

1min

10万

208*4

500

41.6

41.6

…...

针对于企业数据资产外部定价只能依赖数据交易市场的校准，完善数据的报价-议价-定价流程机制。由数据交易所建立相应的数据资源目录，由数据提供方负责报价，数据交易所提供一定的建设意见，沉淀相应的资产目录挂牌价格（类似淘宝），这个交易平台可以由政府来承接，数据需求客户可依据数据资源目录进行筛选，并进行议价，对应数据交易金额较大的可以进行协商，最终签订数据交易合同，确定法律授权主体，完成数据资产交易。随着数据交易的不断产生，逐渐的形成对某类数据合理的价格区间，形成合理公正的定价。

这里不得不讲到的是数据议价过程将存在很多变故，双方进行沟通就是一个商业谈判的过程，其中需要考量和影响的因素较多，包括市场需求，数据用途，数据的类型、用途、市场需求以及数据的质量等，这些因素在定价过程中的影响较大，都是需要提前了解和慎重考虑的。如下：

l市场需求：数据的价值通常与市场需求相关。如果某种类型的数据在特定行业或市场中具有高需求，那么它的价值可能会更高。例如，金融市场对实时股票市场表现数据的需求很高，因此这种数据通常很有价值。

l用途和效益：数据的价值取决于它能够支持的用途和产生的效益。如果数据可用于制定关键业务决策、改进产品或服务、提高效率等，那么它的价值就会相应增加。例如，客户数据可以用于个性化营销和客户保留，从而提高销售和客户忠诚度。

l数据质量：高质量的数据通常比低质量的数据更有价值。数据的准确性、完整性和时效性对其价值产生重大影响。修复不准确，不及时或不完整的数据可能需要花费额外的成本，这降低了数据的价值.

l竞争环境：数据的价值也受到竞争环境的影响。如果某种类型的数据相对稀缺，那么它可能具备更高的价值。在某些情况下，市场上的竞争者可能愿意支付更高的价格来获取独特或独占性的数据.

l数据流通收益：一些公司从数据交易中获取收益。例如，数据经纪商可以从数据的买卖交易中获取佣金或许可费用，这也可以反映出数据的价值。

l成本效益分析：企业可以通过成本效益分析来估算数据的价值。这包括考虑数据采集、处理、存储和维护的成本，并将其与数据的潜在收益进行比较。如，在广告技术领域，广告主经常使用数据来定位其目标受众。一家汽车制造商可能会愿意支付高价获取有关用户购车倾向和购车历史的数据，因为这些数据可以帮助他们更精确地定位潜在的汽车买家，并提高广告投资的回报率。

三

数据资产定价应对

尽管目前数据资产定价评估存在不少难点，且数据要素市场仍然处在规范阶段。但是我们仍然可以形成一些应对策略，来化解这些难点。以下是具体的应对策略：

3.1评估内在价值

无论是企业内部产生的数据或者向数据商采购的数据，都是企业待挖掘的数据资源。通常情况下，我们会通过清洗加工形成数据资产，并进行资产盘点，形成数据资产目录。在进行数据资产定价评估之前，我们第一步就需要对还未形成数据资产的这部分资源进行潜在价值评估。即数据资产的内在价值。具体我们需要评估的内容如下：

（1）数据质量：数据质量的高低决定资产的价值高低，数据的完整性、准确性、规范性、时效性需要通过评估体系进行价值评估。如果对于质量非常低的数据，应该从资产类别中剔除，或者进行资产减值。

（2）数据规模：判断数据量的规模，例如某城市的人口数据和某省各市的人口数据，其规模量不一样，价值也就不一样。

（3）使用频率：预估数据在一定时间内被使用的次数，例如每天、每周、每月等等。使用频率和价值不会有必然联系，但使用频率越高其价值一定程度来说，有可能就越高。

（4）服务效果：通过数据提升了那些服务，例如通过加工清洗后的高质量数据减少了人工核对的工作量，提升了决策分析的准确性，需要进行评估。

我们在进行内在价值评估的过程中，可以归集业务流程散落产生且未利用的客户信息、交易信息、关联信息，并进行内在价值评估，评判此部分数据资产的潜能。

3.2评估成本以及业务价值

脱离“场景”的数据是无法评估其价值的，所以“数据 + 算法”是实现价值的手段，而应用场景就是评估其价值的关键。在评估数据资产的真实效能时，有如下关注点：

• 关注场景分析：基于某一个业务场景，分析统计数据应用的过程中产生了哪些价值；

• 关注以终为始：在应用的过程中，通过提升的效果反推数据资产价值；

• 关注变量控制：分析出仅由数据资产的增量效益；

• 关注综合考量：结合收益及过程中所产生的各项成本，评估数据资产的综合效能。

由于应用场景的灵活性，我们可以设计场景矩阵以进行计算方法的统一及分析内容的降维，例如纵向按照业务场景价值链，横向按照业务分类的价值链—业务类型场景矩阵。针对每一场景大类，设计大类中普遍适用的价值计算口径，计算场景总价值。

成本价值方面，需要考虑数据从采集到应用的生命周期中所发生的成本，可以对数据资产形成中的采集、清洗加工、开发、运维、管理等过程的成本进行归集，以测算其成本价值。

业务价值方面，通过业务关键绩效指标，计算数据资产的增量效益，衡量数据资产对业务的赋能效果。其计算因子有交易量、成交额、客户总数等。例如，可通过产品销售额，即“推荐位引流成交金额*产品费率计算出业务价值。或者，通过主数据的数据拉通共享，减少了之前重复录入核对的工作量，提高了业务效率价值。

3.3评估市场交易价值

数据资产如果要具备市场交易的条件，首先就是看是否能进行货币化度量。这里面主要是看，数据资产的效能中的可以用货币化计量的部分体现为数据资产的经济价值；以及服务型数据资产/数据产品在开放市场中进行交易，所获得的实际经济收益，体现为数据资产的市场价值。

在计算数据资产的经济价值过程中仍需要结合应用场景，计算场景价值中的可货币化收益，并拆分出归属数据资产的部分。在计算数据资产的市场价值时参考交易单价*交易量”进行归集计算。例如，手机银行产品精确推荐清单，其场景货币收益的计算方式为名单内成交额*产品费率应用该清单后提升的效，假设应用“手机银行产品精准推荐清单”后约可以提升 60% 的成交率，则可以计算出清单的经济价值。同时，比较市场上同类算法或者营销洞察的交易情况，可以测算出市场价值。

四

数据资产规划“五步法”

前面讲到数据资产入表面临的问题中，无论是外部市场环境，还是企业内部困点，在现阶段都难以有效解决，仍需要相应的法规政策的和完善和出台作为支撑。有了政策保障，企业操作才能有理有据。行业才能有序进行数据要素确权、定价、交易流通、收益分配、试点。在此之际，企业需要提前修好“内功”，即搭建适用的数据资产管理体系，提升自身的数据资产管理能力；同时在国家出台相应的政策时能够快速积极响应，争取最大的效益。

数据资产入表前置条件很多，除了要有量化的定价，还要有清晰的权责，数据合法合规，数据安全有保障，如何搭建这样的数据标准化体系，相信很多企业都在苦思冥想。本次我们进行相应的项目实践调研，总结了部分优秀的国内企业数据管理经验。发现这些企业共同点是都有比较完善的数据治理体系为基础，在进行数据资产管理能力提升，我们结合项目实践理解，整理出用于支撑普遍企业数据资产管理的通用体系，简称“数据资产规划五步法”，介绍如下：

第一步，数据资产识别及盘点：理清家底，从资产的定义、识别以及标准制定，是数据资产价值评估的基础。企业应该弄清楚自身到底哪些数据是高价值的，哪些数据价值相对较低，哪些数据待挖掘，有了这样的分类，才能理清楚重点发力点。

第二步，数据资产使用情况：统计数据资产的使用情况以及频率，可以为定价评估提供重要的依据，通过数据资产目录分列出数据使用情况，对于使用率为0的资产，是否是无用数据，可以忽略，对于使用率非常高且市场上很稀缺时，可以考虑对外特定企业输出，获取最大价值回报。

第三步，数据资产治理：与数据治理体系进行关联，对于元数据，主数据，数据标准，数据质量进行治理，一方面建立和完善企业自身的数据标准，另外一方面对于企业已经产生的数据要进行持续性的清洗，不断提升数据质量，保证数据安全，提高数据应用价值。在数据治理过程中要建立相应的数据管理组织，重视数据制度规范，定期进行考核晾晒等。

第四步，数据资产运营：无论是内部使用还是外部交易，都要有长期专门的人员对数据进行运营保障，来确保资产在使用的过程中问题即使消化，高效率的输出数据资产，同时也有利于数据资产的持续增值保值，精益求精。三个建立，建立标准化的数据资产服务流程支撑数据资产对内和对外服务过程中的规范机制，沟通渠道、对接人员等；建立数据资产运营管理机制主要用于规范数据使用过程中的对接机制，运营服务标准等；建立数据资产运营度量体系用于评价数据资产对内和对外的考核指标，评估服务质量水平。

第五步，数字化系统保障：建立数据资产管理平台，包括数据采集，数据加工，数据清洗，数据质量监控，数据接口，数据分发等的数据服务平台；也包含数据资产呈现端的数据资产目录，如数据目录、数据驾驶舱，以及对外数据交易平台，数据计价评估平台，数据付费系统等等。

通过这“五步法”基本上搭建了企业内部以及企业与外部数据资产交易的基础设施，基本满足持续性的数据资产交易，当然是否能利用好数字化工具，也需要在使用过程中市场对其的反馈，不断迭代和优化。

总的来说，对于数据资产来说，无论是企业内部还是对外交易数据定价是不能缺失，否则没有价值的事情是难以长期执行的，同时我们也应该深刻的认识到数据的价格制定也无法一蹴而就，需要持续不断的完善，尊重市场，积极相应市场的反馈。没有完美的数据定价机制，所有的调整目标都需要依赖于这个千变万化的市场，建立符合市场变化规律，公平公正的数据定价标准，不仅能够为数据资产提供方的付出提供合理回报，同时也能为数据资产需求方使用数据后产生经营价值回报，实现“双赢”，这样的数据定价机制才能够促进数据资产交易长远健康发展。