为进一步加速推动我国数据智能转型进程，推动“十四五”期间数据智能产业交流与合作，由中国信息通信研究院、中国通信标准化协会指导，中国通信标准化协会大数据技术标准推进委员会（CCSA TC601）主办的2022大数据产业峰会于6月28日在京召开。
在6月29日的数据资产分论坛上，中国信通院云大所大数据与区块链部工程师李雨霏进行了题为《数据估值框架介绍》的分享。
以下为演讲实录，完整PPT附后：
大家下午好，我是中国信通院李雨霏，很高兴结合我们团队前期研究和调研成果，为大家发布数据估值框架。我的介绍主要包括三个部分，一是数据估值的意义是什么，我们为什么要开展这项工作；二是对主流数据估值方法进行分析；三是基于前期的分析和产业实际情况，提出一套切实可行的估值框架。
（一）数据估值的意义
我认为主要包括2方面原因，第一个原因是量化数据价值，加速数字化转型。从2014、2015年开始，各行各业开展全面数字化转型，覆盖数据基础设施、数据治理、数据分析挖掘、数据应用服务等领域，涉及资金、人力、设备等方面。但是很多企业之所以开展数字化转型更多是动力是国家政策指引或者同业压力，缺少一套量化的指标评价数字化转型的成效，这可能导致企业高层对于数字化转型的投入产出比认识不清楚，进一步限制了企业在数字化转型的持续投入。因此，我们认为，通过量化数据价值，理清数据对企业发展的成效，计算数据间接经济价值，对于提高数据意识、加速数字化转型具有重要意义。
第二个原因是数据估值指导数据定价，推动参与数据交易。简单回顾我国数据交易市场的发展历程，从2015年到2018年进入第一个发展热潮，随后发展速度有所下降，但是自2020年起国家和行业陆续发布了关于数据要素、数据交易、数据产业相关的政策文件，同时伴随着企业数字化转型和大数据产业的日趋成熟，我国数据交易市场进入了第二波发展热潮。但是，应注意到，当前我国数据交易市场发展仍不成熟，那么如何在市场发展不成熟的情况下进行数据定价？数据估值提供了一个基本参考。
回顾国内外数据估值的研究与实践时，认为整体来说数据估值仍处于初步阶段，主要原因是各方聚焦于评估理念和关键因子，尚未形成标准的、可操作的计算方法。比如Gartner于2015年提出的信息价值评价框架，涉及信息内在价值、信息商业价值、信息绩效价值、信息成本价值、信息市场价值、信息经济价值等6个维度，但是未明确相应的应用场景、评估对象和计算公式。我国从2019年起产业界陆续开展数据估值的研究与实践，包括光大银行、南方电网、浦发银行等均形成了相应的成果。但是，我们应注意到，一个比较理想的数据估值的成果是给单一数据产品或者企业所有的数据一个价格表示，比如某一数据产品的售价是100元，企业所有数据的价值是1000万。从各方成果来看的话，距离这一结果仍有一定距离。总结来说，我们认为当前主要估值方法是在考虑数据自身特性的基础上，对传统资产评估方法（成本法、收益法、市场法）进行优化，引入包括数据质量、数据应用、数据风险在内的优化因子。
（二）数据估值方法分析
首先是成本法。成本法指在当前条件下完全重新购建相同的被评估资产所需的重置成本扣减其已损耗的价值, 据此确定评估价值的方法。目前各方对于数据历史成本测算基本达成共识，基于数据加工链路，数据历史成本主要包括数据规划成本、数据采购成本、数据采集成本、数据加工成本、数据分析成本、数据服务成本、数据管理成本、数据建设成本（平台、存储、计算、运维）等方面。那么如何获得成本法的计算结果？尽管我们已经明确了如下几个核心的计算指标，但是实际上在企业内部这些数据并不是容易取得的，或者取得了却不准确。一定程度上有赖于企业自身的财务管理、IT治理能力。
成本法有其适用场景和局限性。首先，我们认为为保证优化成本法的准确性，其适用评估对象主要是企业全部数据资产而非单一数据产品。事实上，数据加工链路上的任一数据形态在满足安全合规的前提下，均可作为产品进行估值、交易，但是各个环节的数据产品之间存在着错综复杂的关系，涉及到的各项成本往往是复用的，比如我们很难精准测算出某一人力成本的投入归属于“加工数据“阶段而非”统计数据“阶段。此外，重置成本、预期利润率的计算存在困难。重置成本至少受到物价、人力等因素的影响，变动较大；预期利润率取决于评估主体所处的行业背景、评估对象的种类、评估目的、评估基准日等因素，而这些因素的准确性受限于交易市场相关数据的可靠性和透明性。
其次是收益法。收益法的核心计算公式如下所示，在考虑时间因素的前提下，需计算数据在未来第t个收益期的收益额。但是，对于不同的评估对象（单一数据产品、企业全部数据资产）其数据价值维度有所差异。当我们评估企业全部数据资产时，可以采用权利金节省法、增量收益法等方法测算数据直接经济收益，也就是使用数据带来的诸如许可费用减少或者直接交易数据获取的营收，也可以采用超额收益法计算数据间接经济收益，也就是应用数据为企业降本增效的效果。当我们评估单一数据产品时，则多聚焦这一数据产品的间接经济收益，光大银行、《资产评估协会》的收益法也是从这一视角切入。
收益法有其适用场景和局限性。由于数据的无损耗性、价值异变性，导致优化收益法数据经济周期难确定。此外，由于数据交易市场尚未不成熟，数据资产平均收益率的不稳定导致数据折现率难以确定。
最后是市场法。市场法背后的逻辑是价值决定价格、价格围绕价值上下波动。因此，通过参考可类比市场案例，可形成某一数据产品的价格波动区间，进而确定该数据产品的合理数据价值范畴。评估主要步骤包括：1）分析该数据产品的形态，明确其核心组成部分；2）调研国内外相对成熟的数据交易市场，搜集与该数据产品相关价格信息；3）对价格信息进行统计分析，形成价格分布，明确影响该类数据产品价值的主要影响因素。
市场法的主要适用对象是单一数据产品，评估方法有赖于成熟的数据交易市场。由于当前我国数据交易市场发展尚不成熟，主要以场外交易、点对点交易模式为主，标准化的数据产品体系、定价机制尚未建立。
在分析以上三种方法后，我们认为面向单一数据产品、评价数据产品对于企业降本增效程度的收益法更有参考价值和实践指导意义。事实上，主要用于数据成本管理，我们测算的数据投入总成本并不能作为估值的依据，不能说企业数字化转型累计投入了1000万，企业全部数据的价值是1000万，对于企业而言，更多的指导意义是如何优化管理成本，将达到同样管理效果的同时将成本压缩。市场法则主要用于数据定价。我们应明确如采用市场法进行数据估值，其最终的目的还是数据定价，因此，通过市场法可获得定价的话没有必要再通过其进行估值。
（三）可行的数据估值框架
数据估值框架首先应明确评估对象和评估目的。我们认为将单一数据产品作为评估对象，并通过基本特征（数据、场景）、辅助特征（算法）识别数据产品。为什么将算法作为辅助特征呢？这主要是考虑到尽管目前AI技术在公司里应用逐渐广泛，但是还是应该认识到应用的局限性，对于多数公司而言，BI仍然占主流，因此，我们将算法视为辅助特征而非基本特征。
那么如何认识单一数据产品的价值呢？我们认为数据价值集中于具体场景的数据应用，在此基础上进一步实现数据商品流转和交易，因此，数据估值主要解决如何衡量特定场景下的经济价值的问题，并为数据交易提供定价参考。
如何评估数据价值呢？我们认为主要采用货币法和非货币法结合的方式，货币法用于计算数据的直接经济价值、间接经济价值，非货币法从数据自身特性出发，计算数据效用，用于对货币法计算结果进行修正，提高估值的准确性。
由于直接经济价值是指数据作为商品用于交易获得的直接经济收益，因此，在此不再赘述。关于数据估值的间接经济价值，我们认为主要从成本降低、收益增加2个维度考虑。其中成本降低包括成本投入、潜在风险2个维度，涉及研发、生产、营销、坏账等内容；收益增加从商品单价、商品销量2个维度考虑，商品单价关注的是如何获取单价竞争优势，商品销量则是指运用数据和算法建模提高获客总量、月活、高净值客户人群等。
如何衡量间接经济价值呢？右侧给出了示例，主要是通过A/B Test的方式，即将使用数据前后的效果进行比对，计算变化率，比如成本投入节约比率、违约/坏账风险降低比率等。那么在现实中，可能并非所有的数据产品都可以使用A/B Test的方式，比如如果一次测试造成的损失巨大的情况，但是我们总是可以采用类似的方法、优化算法模型进行模拟或者仿真实验。
如何考虑数据本身的特性计算数据效用呢？主要是通过建立一套规则体系，并将规则应用于单一数据产品上进行评分。实际上这套规则属于数据管理的范畴，而且是数据管理的基础性工作，包括数据质量评价维度、计分规则，也包括数据应用相关的场景、用户、使用效果等统计指标，以及围绕数据全生命周期的安全合规规则。
那么在建立了数据估值的框架后，该如何开展估值呢？我们认为数据估值主要包括以下三个步骤。第一步是明确估值对象。正如我们前述所言，主要是数据产品，那么企业需要做的是从估值的可行性、准确性角度出发，依据前述数据产品的基本特征和辅助特征筛选出明确数据、场景、算法的数据产品。第二步是设计估值框架、指标和计算方法。我们前面所展示的更多的是一种相对通用的框架，实际上不同的数据产品其计算指标和逻辑仍然存在较大的差异，因此，可以综合采用AHP层次分析法和专家打分法等方法进行测算。第三步是估值结果确认，涉及到管理层、专家、数据生产/管理部门、业务部门等利益相关方。不论是从衡量数据对于业务发展的经济贡献度角度出发，还是从数据收益内部分配、外部交易角度出发，经由利益相关方确认都是很有必要的。
（四）数据估值未来工作计划
大家可以看到，目前这块的研究仍处于比较初步的阶段，但是，我们同时也认识到这项工作是非常有价值的，就像是一个指路明灯，指引着企业更有目标、更有动力推动数字化转型。
下一步，我们主要是围绕4个方面开展。一是研讨先行。前期我们已联合浦发银行、南方电网等机构组织了沙龙讨论，在7月和8月我们也会陆续举办，希望大家积极参与；二是标准跟进。尽管估值尚未形成共识，我们在举办研讨沙龙的同时，也将进一步推进估值共识的达成；三是试点验证。我们计划于10月开展试点评估工作，选取典型的场景和产品，同时修正标准；四是成果推广。总结数据价值评估成果，提炼企业实践经验，形成研究报告。
最后，再次欢迎大家加入数据估值的工作中，为企业数据资产化的探索和实践作出积极贡献，加速迈入数字化转型新阶段。谢谢！
数据估值相关工作请咨询：
李雨霏 liyufei@caict.ac.cn
