数据要素市场化已成为建设数字中国不可或缺的一部分，而数据资产化是数据要素化的基础，在企业数字化转型和全面数据管理能力的基础上，进一步提升数据应用和数据流通，以最大化数据资产的价值。
1. 数据资产的概念和意义
数据资产是组织(政府机构、企事业单位等)与个人合法拥有或控制的数据，以电子或其他方式记录、存储，例如文本、图像、语音、视频、网页、数据库等结构化或非结构化数据。数据资产的构建和应用，对于企业发展，对于社会进步，都具有重大价值和意义。
数据资产估值在厘清数据资产权属、构建数据资产的定价和交易体系、促进数据要素市场发展具有至关重要的作用。对企业自身发展而言，数据资产估值结果将更加直观、丰富的展现数据给企业带来的业务和财务价值，进而推动企业构建数据文化，加大数据资产管理投入，调动各方参与数据资产管理工作的积极性，提高企业使用数据辅助决策的效率。对社会经济发展而言，数据资产的流通将极大的促进全社会的数据丰富度，创新更多数据应用场景，在此基础上，社会各界可加快对数据资产价值的共识，加快形成不同数据资产的不同定价和多种交易模式，引导数据流通和交易健康有序发展。
2. 数据资产价值评估应用场景
数据资产价值评估目前在企业内部数据治理运营和外部数据资产市场流通领域都发挥着重要作用。依据我们过去的部分探索和实践，主要从以下的两个内容进行阐述。
- 在企业内部，通过数据资产估值，可以达到企业内部数据治理和运营的有效目的。 在一些集团型统建数据体系中，对数据成本有准确、统一可接受的价值后，进行合理的成本分摊，可极大的节省企业的数据成本，达到成本集约化和构成合理化。
- 在外部数据资产市场流通上，通过数据资产的全生命周期估值方法，推动数据资产收益向数据价值和使用价值的创造者合理倾斜，确保在数据内容采集、加工、流通、应用等不同环节相关主体的投入有相应回报。
1） 内部治理运营
数据治理及建设方案评估
对特定公司内部由于组织架构庞大，业务线众多，产生了多样化的海量数据，通过对于数据价值的评估，可以很好地衡量数据建设产生的实际业务影响，可以很好评估已建设的数据是否得到较好应用，从而推动数据建设方式向更加合理与高效的方向进行改进，主要影响动作包括：
- 重点数据影响分析、指标监控及异常保障
- 数据架构及生产流程合并及优化
- 数据合规化方案选择及成本优化
- 无效或低效数据治理
具体案例
某集团公司，旗下拥有电商、地产、物业多个业态，通过数据采集及整合，构建了相对完善的数据体系。在完成数据分类分级、确保安全合规流通的前提下，为了促进数据流通，最大化发挥数据价值，该公司在内部建立了相关数据流通平台，致力于让不同的业务之间可以合规流通数据，其中的关键一步是设计数据流通过程中的价值评估方法，让数据生产和使用双方在数据使用过程中的成本和相关信息得到充分还原，并进一步指导数据治理工作。
如下图所示。首先，对公司内部生产并维护的所有数据，通过收集维护每张表产出过程中系统的存储、计算、运维等相关成本得到每张表的直接生产成本；然后，通过血缘分摊算法将所有成本分摊至对外使用数据方(图 1)。
具体地，如图左侧在整体的数据生产流程上，通过分摊算法最终数据 A 的成本为 90，数据 B 的成本为 60，数据 A 和数据 B 承载了整体数据生产流程的全部生产成本。该结果可以确保业务方对于数据A 和数据B 的使用可以直观反应实际数据消耗成本对于业务的流向情况。如图右侧所示，数据 A 和数据 B 带有数据分类分级标签，在保障合规流后，对具备资质的业务 BU1-BU4 开放数据使用，最终这 4 个业务单元均会承担数据生产成本，如图右下角所示。
基于这一方案，1. 可以实现对拥有复杂数据加工链路的公司进行精准且清晰的数据成本拆解；2. 基于血缘分摊算法的结果（即数据的成本）和治理 ROI 评估体系（不同业务不同场景 ROI 评估都不一样，比较简单的方法包含，成本/访问量，计算单次访问的成本，成本高于一个阈值可以认为是低价值），可以对低价值的数据或数据加工链路进行清理；3. 公司内部不同业务之间的数据交换，可基于分摊后的数据成本，实现较为公平的成本分摊。案对于数据生产成本进行有效分摊。
图 1: 数据生产成本承担
数据运营及业务策略制定
通过对于数据产生价值所影响的业务线、业务场景进行关联分析，可以对于公司当前运营状况及数据化程度进行衡量，从而影响企业内部业务决策及战略治理，主要影响动作包括：
- 评估重点业务场景、数据产品及其商业价值，为企业战略决策提供依据
- 基于数据价值流通链路调整组织结构关系，保持企业各部门工作顺畅进行
- 确认数据产品价值模块，优化数据产品商业模式
- 了解内部各个部门数据化建设状态，拉齐数据化建设水位，推动内部数据价值流动
- 对于数据相关部门工作目标制定提供方向及考核标准
- 业务价值分配及绩效衡量指标依据
具体案例：
在获取完整的数据流向后，企业可以进一步基于数据血缘分摊相关信息，得到数据对于企业内部各个数据产品、业务场景、相关团队的支持情况。并进一步得到每份数据的实际业务价值贡献，从而得到数据的价值分层。同时，也可以对于高价值数据流向的业务场景、数据产品及团队进行追踪，从而为企业相关业务运营提供指导和战略决策依据（图 2）。
- 业务可以通过分摊后的血缘数据，感知生产链路的变化。如果业务使用表的数量没有大的变化而分摊成本发生剧烈变化，那么从血缘分摊的明细数据可以得知，业务 所使用表的成本组成（包含自身生产+存储费用和上游链路分摊下来的费用），继而定位生产链路的变化：包含上游加工链路增删改的变化导致的费用变化，上游任务成本变化导致的费用变化等。这可以一定程度上反应数据链路的稳定性。
- 基于不同评估体系（图 3），筛选出高价值的数据，进行数据监控。通常一个公司的监控资源是有限的，因此，将监控资源放在重点业务和重点数据上是必要的。通 过分摊后的数据成本以及数据各维度的打分，计算出数据表的 ROI，继而选出高价值数据进行保障。
- 基于数据表下游服务的业务场景，数量和稳定性，业务可以选出“可信赖的优质表”。通常在一个庞大的数仓中，存在许多相似的表，或者相同的表。“使用哪一张表比较可靠？”这个问题对业务或者数据加工者均是一个难题。因此，拥有丰富的描述信息（包含不限于下游服务的业务场景，数量和稳定性）对业务和数据加工者的帮助是巨大的，这些信息可以帮助他们筛选出质量过硬，价值更高，链路稳定性更强的数据。
图 2: 数据成本生产趋势
图 3: 数据的评估体系
2） 外部数据流通
近年来，各地掀起了新一波数据交易所建设热潮，北京、上海、深圳等地成立了新一批数据交易所，在数据登记、合规审查、估值定价、交易流通等领域进行了深入的探索。 本方法论旨在为估值定价的应用进行方法论上的阐述。
前文已经介绍了如何通过“采建管用” 在企业内部实现数据全生命周期的价值评估，面对后期全社会多方协同的数据流通体系下，有必要提倡在企业内部治理及外部流通中建 立一套统一的价值评估体系，作为数据产品上架交易所时的价值评估，以及数据衍生产品的二次价值评估，具体流程如下(图 4)：
图 4: 数据交易资产价值评估体系
- 首先数据持有方（如企业与政府）在内部进行数据产品加工时，依赖价值评估公式，计算基础成本、管理系数、管理要素及回报率，作为数据产品的基本属性在上架到 交易所时进行登记，数据产品中每张表的价值之和构成了数据产品整体价值，数据持有方通过该流程可以做到企业内部的数据账本分明。
- 其次在数据交易场所，基于已上架的数据产品进行二次开发时，也同样依赖价值评 估公式计算在可信数据空间内成本及回报率。通过交易场所不断产生新的数据产品，让更多的真实数据参与计算市场收益率，增加价值评估的准确性。所有价值评估的结果作为数据产品定价的参考，让流通交易规则更加量化。
数据可以实现对内成本和权属可知，对外权属和价值释放的过程，为后续在社会上流通提供有依据的衡量标准。
以上场景均可通过如智能数据建设与治理 Dataphin 等第三方产品的资产建设、治理、运营和隐私计算等能力来支持。
图 5：Dataphin 资产评价模块示意
3. 数据资产价值评估总结
数据资产市场目前正处于高速发展的阶段，对于数据资产价值评估领域的关注也在不断加强。政府部门和监管机构开始关注并积极推动相关研究和规范制定，同时越来越多的企业也意识到自身拥有大量有价值的数据资产。然而，尽管已有大量学术研究、行业报告等理论沉淀，但均未突破理论与实践的鸿沟，导致数据资产价值评估体系尚未在企业内部得到有效的落地与应用。
本白皮书打破了数据资产估值理论研究和企业系统落地实践的壁垒难题，通过对数据资产的深度刨析，以及对不同技术手段的探究，明确了对企业内部中所处“通关用”阶段数据表采用“以血缘分摊为核心、管理及交易要素为调节“的核心思路。
数据是通过企业内部采集、存储、加工、应用等一步步加工链路完成价值的逐步积累与释放，而血缘关系则准确地记录了数据在企业内部的价值传递链路。因此，本白皮书通过血缘分析视角，完整、清晰的为企业揭示每一项数据从源端直至应用过程中成本价值积累至释放的详细过程。进而帮助企业有针对性地识别、分析高价值、高成本流程或节点，进一步优化企业内部的数据资源配置。
同时，利用血缘分摊的思路，也可以实现以场景价值为输入的数据资产评估场景。通过记录、分析参与到每一类具体应用场景中的数据血缘关系，可以将应用场景中的总价值逐层、逐步的分摊至各项数据节点，进而为企业提供了以应用收益为主视角的数据资产价值。通过进一步结合成本分摊结果，可最终帮助企业评估每一项数据资产的净收益情况，开展更多维度的分析与评价。
最后，本白皮书结合血缘成本分摊的特点，从企业内外视角，分析了估值系统的具体应用场景和实践案例，旨在帮助企业更高效、顺利地在内部完成数据资产估值系统的落地实践，帮助企业更好地感知、理解数据资产估值对数据管理工作的价值提升作用。同时，确保数据资产估值这一创新体系成果可以更好地融入并协同其他数据管理工作模块，实现为数据为企业发展赋能的价值。
4. 数据资产价值评估未来趋势
随着数据资产估值系统在企业内部得到落地与应用，数据资产管理工作将实现由“人员主观判断”向“量化客观评价”的质变转型。数据资产价值评估将帮助企业科学、高效、 精准地区分出内部的“低投入、高产出的优势资产”和“高投入、低产出的劣势资产”。这将使企业能够进一步丰富、拓展自身的运营管理手段，持续深化优势数据资产的成熟水平，并在巩固优势地位的同时，有效迁移成熟经验，赋能优化其余数据资产。同时，企业也可以及时采取止损手段，停止对劣势数据资产的持续投入，优化内部资源配置。通过逐步打造企业自身的核心数据资产竞争力，真正实现数据资产对企业战略发展的赋 能与提升。
另外，数据资产估值体系的实践经验将加速数据要素市场整体发展的速度，为未来数据资产核算入表、市场交易定价等数据流通场景提供丰富而关键的理论基础和实践参考，真正实现数据资产的变现与流通。例如，在财政部发布的《企业数据资源相关会计处理暂行规定（征求意见稿）》中则明确说明成本核算是数据资产登记入表的基础与前提。同时，未来的数据资产估值体系也将超越企业的视角，立足于社会、国家乃至国际的视野，通过评估数据资产要素在社会生产经营活动中的具体价值，确保国家和社会可以更好地把握数据资产的经济规律，为人类社会的发展提供更加高效且长效的动力支持。
同时，数据资产估值技术并不是一项独立的技术领域。面向大模型，数据资产在其发展中具有关键性的作用，数据决定了模型的训练质量、性能表现和应用领域的广度与深度，高价值数据资产的有效供给是保障大模型技术的关键。未来高价值的数据一定是和人工智能和专业领域行业知识结合，充分促进企业的数字化发展，即数据会有更高阶的杠杆价值。在面向未来的数据资产价值评估的框架中，需要充分考虑到面向应用落地的智能技术的因素影响。
另一方面，大模型也可以助力于智能的资产价值评估体系的构建。例如，在未来大模型可以通过搜集并分析海量的市场交易数据，精准揭示数据市场供需关系，帮助决策者制定合理的定价策略；大模型也可以基于企业历史数据资产价值数据，建立预测模型有效预测数据资产未来价值变化趋势，为投资者、管理层等提供决策参考、数据资产配置及优化等策略内容，进一步丰富、释放数据资产估值领域的技术应用场景与价值。
总体而言，数据资产价值评估市场有着巨大的潜力和发展空间。随着技术的进步和监管环境的改善，这个市场将继续壮大并提供更多创新的解决方案。未来，将会有更多企业和个人积极地参与到这个市场中，以实现数据资产最大化利用的价值。
本文摘编自瓴羊、阿里云和中国信通院发布的《基于数据资产全生命周期估值与实践报告》。
下载所需前沿标准、白皮书和报告，加入 AIGC+X 赋能成长营，￥99 起即可开启自主学习、素养测评、社群辅助、刷题考证、资料更新等升值加薪通道。AI 共创导师就在你身边，扫码添加老邪企业微信，入群领取指南、预约宣讲：
更多内推、热招职位征集中，一起用 AI 工具打败工具人。
