数据资产的应用场景极其丰富，并仍在不断扩大。在金融领域，德勤和中科院联合开发的智能化产品“智慧债券”，其主要采用云、大数据和人工智能技术，基于基本面分析和舆情分析，实现了债券的信用风险实时预警；在公共事业领域，浙江省开展“公共数据资源梳理”项目，它包括企事业单位、政府单位，依托电子政务项目预审的工作，开展全省项目独立预审单位的信息系统实有数据普查等，借助数据系统更高效地处理政务工作。
数据的应用场景
内部使用——业务数据化
内部使用主要指将企业运营产生的数据进行收集整理分析，用于服务自身经营决策、业务流程，从而提升公司盈利能力。
电商平台在运营中会产生大量的平台交易数据，平台可以通过对现有交易数据的分析来制定下一步的运营和营销策略。各电信运营商都有成熟的高价值客户关怀维护体系，会定期分析高价值用户的套餐状态、消费情况、使用异常等，从而可以适时地采取客情维系策略，如在用户套餐即将到期时，通过一定的续约优惠（续约送手机、充值返话费等）吸引用户续约，延长稳定收益的时间。
外部商业化——数据业务化
外部商业化是指将数据整理分析后形成可以对外服务的数据商品，如芝麻信用和品牌数据银行等。
芝麻信用是一家旨在构建简单、平等、普惠商业环境的信用科技企业，是蚂蚁金服生态体系的重要组成部分。芝麻信用利用云计算、机器学习等领先科技客观呈现个人和企业的商业信用状况。芝麻信用从用户信用历史、行为偏好、履约能力、身份特质、人脉关系五个维度对用户的信用进行评估。目前已在租赁、购物、商旅出行、本地生活等众多商业场景中通过信用科技赋能，让商户为更多用户提供更好更便利的服务。人与人，人与商业之间的关系正因为信用而变得简单。比如，当用户的芝麻分达到一定数值，租车、住酒店时可以不用再交押金；有一定芝麻分的个人办理签证时可以等同于存款证明等等。目前芝麻信用已经在超过 40 个行业提供商业信用服务，免押金额超过 1000 亿元，服务过亿用户数。
除上述两款产品外，阿里巴巴旗下还有 “数据银行”等，也是使用数据进行外部商业化的实例。2017 年，阿里巴巴发布了服务于品牌的消费者数据资产管理中心——品牌数据银行（Brand Databank）。品牌数据银行的含义，就是将品牌消费者数据视为资产，像货币一样进行储蓄和增值。品牌商由此可以直观地看到相应的消费者资产，并用于帮助其营销决策。消费者资产的形成，与品牌在三个维度上的表现相关：消费者总量；消费者品类购买力；消费者转化力。它可以基于品牌消费者人数，预测该人群将为品牌带来的商业价值（按GMV 维度）。通过数据的全链路透视，消费者数据资产由此终于变得可评估、可优化、可运营，这在根本上改变了对营销效果的评估方式：消费者资产由一次次营销和运营活动逐渐积累和沉淀而来，它以资产为主线，将多个单次活动串联起来，从而能够支撑企业长期的营销规划和决策。例如，戴森Dyson 借助阿里巴巴Uni Marketing，准确地找到了潜在的消费者，并能够开展长期运营：所有与戴森有过联系的消费者，都沉淀在了它的品牌数据银行中，并以AIPL（认知、兴趣、购买、忠诚）的不同阶段进行了区分。正是基于对“品牌与消费者关系不断加深”的这一清晰分析，戴森可以有效地判断和规划某类营销活动中相关产品组合的有效程度。
影响数据资产价值的因素
影响数据资产价值的因素主要从数据资产的收益和风险两个维度考虑，数据资产的收益取决于数据资产的质量和数据资产的应用价值。数据资产的质量是应用价值的基础，对数据的质量水平有一个合理的评估，有利于对于数据的应用价值进行准确预测。
图 4 影响数据资产价值的因素
质量维度
数据资产质量价值的影响因素包含真实性、完整性、准确性、数据成本、安全性等。
- 真实性，表示数据的真实程度。如果数据有偏差，那么使用结果可能会差之毫厘失之千里；若数据造假，更将失去数据统计的意义。真实的数据才具有价值。
- 完整性，表示数据对被记录对象的所有相关指标的完整程度。关键数据的缺失，将影响数据在应用中的价值贡献，或需增加成本去补充数据。数据的采集范围越广，完整性可能越高，数据资产的价值相对也会越大。
- 准确性，表示数据被记录的准确程度。在工作 中，拿到的数据都需要先进行清洗工作，排除异常值、空白值、无效值、重复值等，这项工作很可能会占到整个数据分析过程将近一半的时间。专职工种“数据清理工程师”的出现也说明数据清洗工作的复杂性。数据的准确性越高，对数据的清理成本越低，数据的价值也就越大。
- 数据成本，在数据交易市场不活跃的情况下，数据的价值没有一个明确的计算方式，卖方出售数据的报价首先会考虑数据的成本。数据的获取方式通常为公司内部收集或者外购。对于公司内部产生和收集数据，显性成本主要有收集、持有程序下的人力成本、存储设备成本等，无法可靠计量的隐形成本主要为数据所附着业务的研发成本、人力成本摊销等。通常，获取成本越大，数据的交易价值相对越大。
- 安全性，表示数据不被窃取或破坏的能力。数据自身的安全性越高，就可以为企业产生越稳定的价值贡献；同时，数据持有企业对其支付的保护成本越低，其数据资产的价值越大。
应用维度
数据资产应用价值的影响因素包含稀缺性、时效性、多维性、场景经济性。
- 稀缺性，表示数据资产拥有者对数据的独占程度。商业竞争的本质，部分来自于对于稀缺资源的竞争。在制造差异化趋平的情况下，稀缺数据资源背后潜在的商业信息更加凸显价值。比如司机驾驶习惯的数据，如：驾驶速度的稳定系数、刹车油门踩动的频繁程度等——保险公司拿到这些数据，有助于它分析出司机的驾驶习惯、事故风险概率，从而相对精准地计算车险保费金额，更有效地提高经营效率。然而，这类数据是稀缺的，一般只有汽车生产商或出行服务运营商可以获得这类数据。相对于司机的姓名、联系方式等普通信息，驾驶习惯数据由于其稀缺性而体现出更高的价值。
- 时效性，数据的时效性决定了决策在特定时间内是否有效。比如交通信息数据，在没有智能交管之前，交管中心收集的交通数据通常比较滞后，司机收到的路况信息已经是几十分钟之前的，低时效导致数据的价值大打折扣。在有了智能交管之后，信息中心通过获取智能手机、车辆的实时位置，可以实时提供地区的人流量和车流量情况，提前分散车流、缓解交通压力。由此可见，数据的时效性在某些应用场景下至关重要(bingdata123, 2018)。
- 多维性，表示数据覆盖范围的多样性。比如用户在搜索引擎提问“美妆”、“学区查询”、“金融招聘”等问题，搜索引擎可以根据这些问题及打开的相关链接，分析出用户的年龄段、性别、文化背景、职业大类、需求偏好，再根据使用的手机或电脑品牌，更换通信设备的频率等推测出收入阶层，将这些数据挖掘整理后连接起来，就刻画出一个多维的用户形象。数据维度越多，适用的范围越广， 数据的价值也就越大。
- 场景经济性，数据的价值在于与应用场景的结合，不同应用场景下，数据所贡献的经济价值有所不同。比如我们上述提到的，司机驾驶习惯数据可以帮助保险公司更准确地计算保费和理赔概率以提高利润，该数据也可以帮助交通公司招聘合适的司机，但招聘场景下的应用价值，可能没有帮助保险公司提高利润所带来的价值更大；又如交通路况信息用于物流公司的场景，比个人出行场景下的经济价值更大；再如，当多维度的用户信息用于寻找高净值客户时，也比用于普通生活用品推广场景下的经济价值更大。
风险维度
数据资产的风险主要源自于所在商业环境的法律限制和道德约束，其对数据资产的价值有着从量变到质变的影响，在数据资产估值中应予以充分考虑。
- 法律限制，在法律尚未明确规定的情况下，哪些数据绝对不能交易，哪些数据可以通过设计合法后才能交易，这些问题在限制数据交易的同时也影响着数据资产的价值。例如，经去标识化处理后的个人信息虽然可以相对自由地进行交易，但其价值与去标识前的个人信息显然存在差异。从实际效果来看，对于数据交易的限制性规定越多，交易双方的合规成本和安全成本自然也会相应提升，虽然作为附带效果，数据合规和数据安全产业会因此得到发展空间，但却可能从整体上对数据资产市场的发展造成重大影响，进而影响到数字经济的整体发展，应以发展和包容的理念去平衡考虑数据的价值创造与风险控制。一部关于数据交易的法律法规的出台或者一个经典判决的作出，都可能对相应数据资产的价值带来从量变到质变的影响。
- 道德约束，是指来自社会舆论压力的风险等。获取个人隐私信息的公司如不恰当地使用个人信息，不尊重用户隐私，将会影响公司的品牌形象、客户信任，对于数据资产的价值和公司的价值都会带来负面影响。
图 5 对 GDPR 实施效果的评价
传统评估方法概览
由于数据资产不具有实物形态，估值时通常类比无形资产进行分析。无形资产评估在中国起步于 20 世纪 80 年代，在资产评估初期，企业价值评估以拥有的房产、设备等实物资产为主。但对于效益好、拥有良好信誉、先进专利技术的企业，无形资产的价值影响不可忽视。为保证股权交易的公平合理，客观上提出了对无形资产价值评估的要求。在行业实践中，无形资产价值的评估方法包括成本法、收益法和市场法三种基本方法及其衍生方法。
成本法的理论基础为无形资产的价值由生产该无形资产的必要劳动时间所决定，是从资产的重置角度考虑的一种估值方法，即投资者不会支付比自己新建该项产所需花费更高的成本来购置资产。成本法下，无形资产价值等于重置成本扣除无形资产的贬值。重置成本通常包括合理的成本、利润和相关税费，其中成本除了直接、间接成本外，还需考虑机会成本。无形资产的贬值通常需要从功能性贬值、实体性贬值和经济性贬值三个方面考虑。成本法在应用时需要重点考虑资产价值与成本的相关程度。
收益法的理论基础为无形资产的价值由其投入使用后的预期收益能力体现，是基于目标资产预期应用场景，对未来产生的经济收益进行求取现值的一种估值方法。收益法下衍生的无形资产估值方法主要有：
权利金节省法是基于因持有该项资产而无需支付特许权使用费的成本节约角度的一种估值方法。该种方法下，需要估算一项许可使用费率，用于计算“成本节约额”，特许权使用费率通常采用利润分成或与产品销量挂钩；
多期超额收益法是通过计算该项无形资产所贡献的净现金流或超额收益的现值的一种估值方法。该种方法下，需要对因持有该项无形资产所产生的收入增加额或成本减少额进行合理估计；
增量收益法是通过比较该项无形资产使用与否所产生现金流差额的一种估值方法，该种方法通常用于排他协议的估值。
市场法是基于相同或相似资产的市场可比交易案例的一种估值方法。在取得市场交易价格的基础上，对无形资产的性质或市场条件差异等因素进行调整，来计算目标无形资产的市场价值。市场法的应用前提为标的资产或其类似资产存在一个公开、活跃的交易市场，且交易价格容易获取。目前，我国已在贵州等地设立了多个数据交易中心，数据交易估值会随着数据交易中心等的探索而不断完善。
数据资产价值分析方法的适用性
相较于无形资产，数据资产还具有“有效期短、可以无限共享、集合使用价值更高”等特点。传统的三种评估方法在应用于数据资产估值时各具有适用性，但也存在局限性。
成本法
- 计算方法
评估价值=重置成本-贬值因素，或=重置成本×成新率
‒ 重置成本：为形成数据资产的合理成本、税费和利润。对于公司内部产生和收集的数据资产，显性成本主要有收集、存储、处理数据的人力成本、设备成本等，隐性成本主要为数据所附着业务的研发成本、人力成本等；对于外购数据资产，重置成本为在现行市场条件下，重新取得同样一项数据资产所需支付的金额；
‒ 贬值因素：传统成本法评估中，实物资产的贬值因素主要分为经济性贬值、实体性贬值和功能性贬值，但对于不具有实物形态且不作为功能性使用的数据资产而言，贬值因素主要来源于数据资产的时效性丧失带来的经济性贬值。
- 优势
‒ 易于理解，以成本构成为基础的分析方法；
‒ 计算简单，以成本加总计算为主。
- 局限性
‒ 数据资产对应的成本不易区分，数据资产为生产经营中的衍生产物，对于部分数据资产来说，没有对应的直接成本，且间接成本的分摊不易估计。比如用户在搜索引擎留下的查询信息等数据资产，其数据搜集成本包括网站建设成本、搜索引擎市场推广费用及管理、运营人员薪酬等，但这些成本中有多少应归属于“数据资产”，这一分摊比例难以估计；
‒ 数据资产的贬值因素不易估算，造成各类数据资产贬值的因素各不相同。比如交通数据的时效性、司机驾驶信息的准确性，这些贬值因素的价值影响很难量化；
‒ 无法体现数据资产可以产生的收益，虽然在成本的归集中需要按照成本加成的方式考虑一定的合理利润。传统资产评估的利润率可以参考实际利润率，例如房屋建造的利润率，而数据资产业务的利润率并没有行业通识或惯例，难以简单地选择一个合理利润率，由此导致成本法难以体现数据资产应用所带来的价值。
图 6 成本法的适用性
收益法
收益法是基于数据资产的预期应用场景，对在应用场景下预期未来产生的经济收益进行求取现值的一种估值方法。收益法下衍生的无形资产估值方法主要有：权利金节省法(Relief from royalty)、多期超额收益法(Multi-period excess earnings)、增量收益法(With-and-without method)。
权利金节省法(Relief from royalty)
许可使用费节约法是基于因持有该项资产而无需支付特许权使用费的成本节约角度的一种估值方法。
- 计算方法
详细公式见图 7 收益法的适用性
‒ 许可使用费：为授权他人使用该数据资产可以收取的许可使用费，通常按照收入的比率计算，即许可使用费=数据资产相关收入×许可使用费率；
‒ 折现率（i）：数据资产持有者要求的必要报酬率；
‒ 使用期限（n）：数据资产可以使用的期限；
‒ 所得税摊销收益：目前数据资产尚无法确认为无形资产入账，因此相关税收摊销收益无法确认。
- 优势
‒ 反映了数据资产的经济价值；
‒ 可以反映出数据资产与相关收入的对应关系。
- 局限性
‒ 许可使用费不易估计，数据资产的许可使用费率在市场上尚未形成明确的行业标准，较难估计；
‒ 使用期限不易确定，数据资产是动态的，导致确定数据资产的使用期限成为又一难点。
多期超额收益法(Multi-period excess earnings)
多期超额收益法是通过计算该项无形资产所贡献的净现金流或超额收益的现值的一种估值方法。
- 计算方法
详细公式见图 7 收益法的适用性
‒ 超额收益：数据资产的超额收益为因持有该项数据资产所产生的收入增加额或成本减少额；
‒ 折现率（i）：数据资产持有者要求的必要报酬率；
‒ 使用期限（n）：数据资产可以使用的期限；
‒ 所得税摊销收益：目前数据资产尚无法确认为无形资产入账，因此相关税收摊销收益无法确认。
- 优势
‒ 反映了数据资产的经济价值；
‒ 能比较充分考虑到数据资产所能贡献的收益途径。
- 局限性
‒ 超额收益不易估计，如智能交管数据，通过实时定位人车信息可以有效减少交通拥堵从而产生价值，但交通效率提升带来的经济价值则较难衡量；
‒ 数据资产在不同场景下可以贡献的超额收益不同，全面地计算数据资产的超额收益难度比较大，比如用户信息数据可用于消费领域、社交领域很多方面，而不同领域的收益不同，是否需要全部考虑，以及如何考虑难以界定；
‒ 使用期限不易确定，数据资产是动态的，导致确定数据资产的使用期限成为又一难点。
增量收益法(With-and-without method)
增量收益法是通过比较该项数据资产使用与否所产生现金流的差额的一种估值方法。
- 计算方法
详细公式见图 7 收益法的适用性
‒ 增量现金流=现金流（应用数据资产情景下）- 现金流'(不应用数据资产情景下)；
‒ 折现率（i）：数据资产持有者要求的必要报酬率；
‒ 使用期限（n）：数据资产可以使用的期限；
‒ 所得税摊销收益：目前数据资产尚无法确认为无形资产入账，因此相关税收摊销收益无法确认。
- 优势
‒ 反映了数据资产的经济价值；
‒ 直观、易于理解。
- 局限性
‒ 无法准确测算不应用数据资产情景下的现金流。增量收益法通过对比使用某些数据资产和不使用该数据资产两种情景下成交额的差异来计算该数据资产产生的收益贡献。但在实际操作上，由于市场情况在不断变化，很难准确测算在其他条件不变的情况下，不使用该数据资产所产生的现金流；
‒ 使用期限不易确定，数据资产是动态的，导致确定数据资产的使用期限成为又一难点。
图 7 收益法的适用性
市场法
- 计算方法
评估价值=可比数据资产成交额×Σ修正系数
‒ 可比数据资产成交额为在公开交易活跃下，相同或类似数据资产的交易成交额；
‒ 修正系数：用于对标的数据资产和可比案例的差异进行修正；
- 优势
‒ 能够客观反映资产目前的市场情况；
‒ 评估参数、指标直接从市场取得，相对真实、可靠；
- 局限性
‒ 需要存在公开活跃的市场作为基础，目前在贵州、江苏多地相继成立了数据资产交易平台，线上有HexBin、东湖等数据资产交易所，但目前交易所、交易平台尚未成熟，尚无法提供大量全面的交易数据等信息；
‒ 数据资产的价值需要根据交易背景不同进行具体分析，比如在分析用于美妆行业的女性客户数据时，可比案例为用于妇幼行业的女性客户数据，虽为同样的数据资产，但两种应用场景下价值不具可比性，也较难修正。
图 8 市场法的适用性
数据资产案例分析——“淘宝店铺”
电商行业经过多年的快速发展和业务累积，使得线上店铺与传统线下销售的实体店铺一样成为有价值有需求的交易标的。线下店铺可以通过协议转让方式进行有偿出售，线上经营的淘宝店铺由于不具有实物形态，在法律体系中未把虚拟店铺作为一项资产进行确权。即便如此，淘宝店铺在经营中积累了大量的粉丝、消费者数据以及店铺经营成长数据，使得淘宝店铺成为了一项不可忽视的“数据资产”载体，在市场中存在着一定数量的转让交易案例。同时，近年来有不少涉及淘宝店铺的案件，在判决时会将淘宝店铺，作为合伙或夫妻共同经营的资产进行判决分割。
影响淘宝店铺价值的因素
在线上淘宝店铺的转让定价中，购买者会关注淘宝店铺的等级、历史交易情况、未来成长空间等因素，一系列因素可以汇总为以下两大类：
- 店铺相关：指店铺自身的经营标识，如店铺等级（心钻冠）、好评率等。通常，等级较高的店铺消费者更具好感度，下单率更高，店铺的“品牌价值”也就越高；
- 消费者相关：指客户数量、订单信息、客户消费特征等。消费者粘性越高，相关资产的价值越高。
价值影响因素与资产识别
根据店铺的价值的驱动因素，并参考无形资产的定义，店铺相关的资产主要为以下两个：
- 品牌：店铺本身的等级、店名等类似我们传统定义的品牌。店铺通过名称、等级吸引新客户、维系老客户。
- 客户关系（或 数据资产）：在传统实体交易场景下，C 端消费者关系通常难以被确认为资产，因为商家通常无法掌握客户信息，进而进一步维护现有客户。随着线上店铺的产生，消费者关系有了数据载体，使得商家可以通过数据维系客户，进行精准营销，从而使得消费者数据逐步成为店铺销售增长的重要驱动因素。店铺购买者也从过去只关注店铺情况本身逐渐转向更为关注店铺承载的消费者数据。
淘宝店铺价值分析探讨
- 品牌：品牌属于传统的无形资产，已有较为成熟且通用的评估方法，一般通过权利金节省法或多期超额收益法进行评估。
- 客户关系（或 数据资产）：当数据成为客户关系的载体，客户关系和数据资产本质上具有较高的重叠性。需要指出的是，我们通常认为某个时点的客户关系是具有一定期限且不断衰减的，同样，我们看某一个时点的消费者数据，也是具有有效期限的，且当数据对应的消费者逐步流失，那其数据载体的价值也会随之下降。在这个意义上，我们可以采用传统评估客户关系的方法，如多期超额收益法进行评估。实践中，店铺购买者除了关注店铺现有的消费者数据外，也关注店铺可以持续获取消费者数据的能力。
数据资产估值中的关注点
数据资产的风险衡量
如上文所述，数据资产的风险主要来自于法律和道德层面。某些数据资产很可能因为一项法律的出台而价值归零，也可能由于一项法律的出台而价值倍增。因此，在数据资产的估值中，需要重点关注潜在的法律和道德风险，对可能存在的风险损失进行量化，并对可能性进行合理估计，从而在数据资产的经济价值中充分考虑到风险的影响。
数据资产的场景界定
由于数据具有多维使用的特性，在不同应用场景下，数据资产的价值不尽相同。在数据资产价值的估值中，需要首先明确应用场景前提，在该场景下，合理估计数据资产的收益贡献，测算经济价值。数据同时具有无限共享的特性，可以同时无损耗地应用于多个场景，数据资产的价值为其多场景应用的价值之和。数据资产的估值中需要关注所有可能的应用场景和每个场景下的价值贡献。
数据资产的外部性
由于数据资产具有可以无限共享、同时多场景使用且不可耗尽的特性，数据资产除企业自用外，还可以打包形成商品在外部市场销售，以产生更大的商业价值。
数据资产估值与数据商品定价
资产评估价值与市场交易价格都是资产价值的表现形式，资产评估价值是一个理论值或是理想值，它是在公平市场交易下、一般假设前提下，数据资产模拟计算的公允价值；但数据商品的定价，除了体现数据资产的内在价值外，还需要考虑市场供需、政府监管的影响。在市场情况不成熟的条件下，数据资产估值可能无法准确适用于数据商品的定价。其实，数据的定价与估值也是一个相互转换和相互促进的过程。当数据交易市场愈加成熟和活跃，市场定价可以为数据估值提供基础和依据；而在数据交易尚不完善的现阶 段，或者说当某类数据资产的独特性和定制化程度较高时，交易价格又需要依赖估值模型。因此，市场交易和估值体系需要共同发展，以期为数据资产定价提供更多、更为广泛接受的实践和理论依据。
总结
数据资产具有通用性强、外部性、不可耗尽等独有特性，使得数据资产的价值主要受其数据质量、应用场景及法律道德限制的影响。虽然行业中已有很多数据资产的交易案例，但目前尚未形成成熟的数据资产估值体系及方法，现有评估方法对于数据资产的估值均有其适用性和存在的问题。我们希望以此作为起点，在以上讨论框架下，协同各界研究力量和产业界的同仁，逐步探索和推进特定领域或具体案例中数据资产价值的分析，从而在构建数据资产评价体系道路上向前迈进。
本文摘编自德勤、阿里研究院发布的《数据资产化之路》，全文下载：
更多标准、白皮书、报告等高质量纯净资料下载，在文末扫码关注官方微信公众号“idtzed”，进入公众号菜单“治库”，或按自动回复发送引号内关键词。
助力小微企业保持收入和竞争势头，数治网DTZed通过移动友好型网站应用、数字媒体营销以及数字化人才服务，让你也能打造引人入胜的数字体验，来吸引、留住客户和员工。新的DigiPacks 数字推广计划通过量身定制的直播推广和全面的内容营销放大你的声音。与我们有更多合作，扫码添加老邪企业微信：
数据平台和工具入库；
论坛、讲座等活动推广；
新产品、场景、应用等在线发布；
技术、案例解读等线上公开课召募等。
