在现今快速发展的数字经济新时代，中国作为数据生产大国已明确表明数据在我国社会经济发展中的重要战略意义。现阶段缺乏明确交易规则和定价标准，数据交易双方承担了较高的交易成本，制约了数据资产的流动。如何破解数据资产价值之谜，如何建立健全数据资产定价机制已成为促活数据要素流通的关键因素。
我们探索数据资产在不同开发及交易阶段与数据资产估值方法的对接，剖析现阶段交易范式下最适合推广的数据资产价值量化模型，从而进一步面对当前数据资产估值与定价的两大难点，提出初步解决思路 — 如在数据资源到数据产品资产化过程各个阶段共摊成本的分摊机制、标准化数据产品和定制化数据产品定价和价值分析的异同，以及不同阶段下数据资产价值的相互对照与验证。
与此同时，我们还逐步探索和推进特定领域或具体案例中数据资产的价值分析途径与方法，以期在未来一段时间内深化相关研究，为进一步完善数据资产估值体系及数据产品定价实践提供新的思路。
一、数据资产分类新解
随着多样化数据资产的交易流通，我们发现估值和定价已离不开数据资产的功能与场景（应用行业/领域）以及交易阶段。因此，结合数据资产的商业应用和开发形式，对数据资产类别划分进行了一定调整，更便于在估值实践过程中进行数据资产价值分析，并进一步从商业化角度探索数据产品的定价问题。
- 按功能应用划分：依照功能应用，数据资产可分为实时交换数据、离线数据包、模型、算法和算力等。实务上，实时交换数据和离线数据包等数据产品的交付多见为标准化数据产品，而模型、算法则更多为定制化数据产品。
- 按数据应用的行业划分：数据资产可分为金融行业数据资产、电信行业数据资产、政府数据资产等，不同行业的数据资产具有不同的特征，如金融行业数据资产具备高效性、风险性和公益性等特点。各行业数据资产的鲜明特点由其行业发展的要求和需求产生，这些特征可能对数据资产的价值产生较大的影响。
鉴于如上特性，相同的数据资产在其实现价值的过程中，也会因应用领域、使用方法和获利方式的不同而价值不同。
二、数据资产实现路径与估值方法对接
在探讨估值框架时，从数据资产本身的价值实现路径进一步对接至其交易生态，从资源化、资产化及资本化三大阶段剖析数据资产的估值方法及价值驱动因素。
| 价值实现路径 | 与传统估值方法对接 | 方法适用性探讨 | 价值影响因素 |
| 数据资源化 | 成本法 — 多因子修正 成本模型 |
该阶段指将无序、混乱的原始数据开发为有序、有使用价值的数据资源的过程。该阶段中的数据资产尚未体现出完整的场景应用价值，因此对该阶段的数据资产进行估值时主要依赖成本法，即从数据开发、加工及维护过程中所耗费的必要劳动时间及所花费的其他软、硬件设施的成本为计量基础。
尽管数据资产的成本和价值先天具有弱对应性且其成本具有不完整性，但尚未形成完整场景价值下的数据资产时，成本法具有其一定的合理性。 |
如前述，该阶段的数据资产尚未体现出完整的场景应用价值，因此影响数据资产价值的除成本外，主要为数据资产的质量因素，包括准确性、完整性、时效性、唯一性、可访问性和安全性。对于多因子修正成本模型，价值贡献因子较低，而多场景增速因子默认为1。 |
| 数据资产化 | 成本法 — 多因子修正成本模型 收益法 — 增量效益现 模型 — 非核心资产 /因素剥离折现模型 — 实物期权定价模型 市场法 （有限使用） |
该阶段下，以既定的应用场景及商业目的，将数据资源进行一系列加工，形成可供企业部门应用或交易的数据产品。数据资产在该阶段拥有了场景赋能，预期可产生经济利益。
• 从场景价值角度，成本法下需在成本上考虑额外价值修正因素（包括价值贡献和多场景效应）； • 从预期产生经济利益角度，收益法下的模型亦有了适用可能，其中增量效益折现模型是通过比较该项数据资产使用与否所产生现金流差额的一种估值方法；非核心资产/因素剥离折现模型类似于无形资产估值中 的多期超额收益法，是通过计算该项数据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；实物期权法则是应用于数据资产在企业的使用场景尚存在一定不确定的情况下，通过期权定价模型对数据资产价值进行估计的一种估值方法。收益法的使用前提是对未来预期的经济收益进行可靠计量，在现阶段数据资产更多地处于卖方开发阶段（即相对缺少买方使用效益评价结果）的情形下，且数据资产在不同场景下可以贡献的超额收益（或增量收益）尚无法全面地或合理地进行衡量，因此收益法在现阶段尚受到一定的限制。 • 对于市场法的运用，受限于交易的活跃程度，我们认为在数据资产化阶段初期，其运用将受到较大限制。 |
该阶段的数据资产为既定应用场景和商业目的进行开发，预计为企业带来额外的经济利益，因此需考虑数据产品开发商要求的必要回报，现阶段该回报虽为卖方视角，但仍应基于市场对数据资产的稀缺/垄断程度、标的数据资产开发创意等进行判断。此外，由于数据资产有了进一步进行多场景开发的可能，多场景增速因子在数据资产化阶段可能大于1。 |
| 数据资本化 | 收益法、市场法（绝对估值/ 相对估值） | 到数据资产化阶段发展后期，数据资产进一步赋予金融属性后，则有了数据资本化阶段。由于目前数据资产所处阶段尚早，探索数据资本化阶段的不确定性仍较大。 | 底层资产价值及活跃程度、金融产品性质与结构安排。 |
现阶段数据资产交易仍欠活跃，尚未经买方场景验证，因而从卖方视角探索数据资产的开发价值及预期的场景价值（即数据资产在资产化阶段的内在价值），并提出现阶段数据资产估值和定价通用模型及实践方案，为当前急需解决的数据资产交易定价问题提供一定的参考与借鉴。随着数据资产管理的完善，数据资产交易市场的逐步活跃，必然能促进数据资产交易生态平衡，届时可通过数据资产交易买方（通常为数据资产的使用方）的场景应用反馈，采用不同估值方法以验证交易价格的合理性，并促进数据资产“市场价值”概念的形成。
实务难点探讨之一：数据资产的开发价值与成本核算
多因子修正模型在实务运用中，首先需要解决的难点为数据开发价值，而这其中涉及数据资产开发过程中各项成本的核算和归集。从数据资产的形成来看，包括直接外购和内部开发，直接成本主要包括数据获取阶段的原始购买价款、数据采集相关的人工工资、数据采集相关的系统（软件）成本以及数据加工阶段的人工成本等；无法直接计量的间接成本主要为数据所附着业务的研发成本、安全支出等，如公司层面投入的安全方面公共支出（软硬件投入等）、维护/更新相关的公共管理系统成本等。
关于数据资产的成本核算，能确定由某一成本核算对象负担的，应当按照所对应产品具体的成本项目类别，直接归集计入成本核算对象的相关成本核算项目；若由几个成本核算对象共同负担的（即主要为间接成本，无法直接对应单一成本对象），应当选择合理的分配标准分配计入，通常以成本动因占比的方式确定。成本动因可包括开发相关数据资产所耗费的工时、开发相关数据资产所需的硬件运行小时数、数据资产的存储量、数据资产未来的经济收益预期、数据资产的可变成本总额和直接成本总额等。
实务难点探讨之二：标准化和定制化数据产品定价策略异同
通常来说，实务上，数据产品在开发前均需分析其潜在市场规模及竞争情况，并进一步分析拟定交易数据产品价值与价格之间的关系。采用合适的方法对数据产品价值进行分析计算。
标准化数据产品
实务上多见为数据包（实时交换数据服务或离线数据包），指依据技术或者经验，非针对特定用户进行开发的数据产品，具有多样性、相关性的特征以及特定形式和统一标准。通常，标准化数据产品需要在规划设计阶段，结合市场供需、竞争情况预估未来产品的市场规模（潜在用户数量）。
针对标准化数据资产，由于预计潜在的用户数量较多，就数据产品既定的开发价值回收问题，开发者会基于不同的商业模式进行定价，如按次收费、按年收费、按包收费等；或采用将数据产品价值按照潜在用户数量做一定的分摊后（即价值接近于数量*客单价/ 隐含客单价），再根据产品的实际销售情况动态调整对先前市场规模的估计。
定制化数据产品
实务上常见为算法或模型类数据产品，指为满足特定功能或实现特定需求而定制个性化开发的数据资产，既没有既定标准，也没有固定形式。
由于定制化数据产品通常是为单个特定用户进行开发，因而该类产品的交易定价往往在开发价值基础上结合开发环节的利润，考虑通过一次交易实现回收。
三、数据产品开发定价分析
以多因子修正成本模型举例，数据资产A产品的具体功能是帮助企业及金融机构获取目标企业工商信息、行政处罚信息等营业信息，或以深化创新企业金融服务模式的数据产品。该产品依托于数据库，经过数据库融合、数据开发或质量管理等，通过输入企业名称、统一社会信用代码和区域编码，获得数据资产。
该产品提供的信息包括但不限于：企业、个体工商户、个体经营者、事业单位外机构信息、事业单位信息、社会组织的工商基本信息、严重违法失信企业详细信息、工商行政处罚信息、企业异常名录详细信息、法人失信被执行人信息、自然人失信被执行信息等。其目的是为了帮助客户企业了解合作企业或目标对象的基本经营情况。该数据产品按照功能应用划分，是一款标准化的实时数据交换产品。
产品开发价值分析
根据产品开发方，数据资产A产品的原始数据系通过产品开发方自建的数据采集平台A取得（产品开发方为经认证可授权获取相关原始数据为其开发数据产品而建立数据采集平台A）。为进一步开发该款数据产品，产品开发方依次投入建设了数据资产A产品相关的数据清洗（治理）模块、开发加工模块、产品审核模块、运维模块等。具体开发建设成本如下表所示：
| 名称 | 平台开发费用 | 云资源/年 | 安全投入/年 |
| 数据采集平台A | 22,500,000 | 2,286,000 | 235,000 |
| 数据治理平台B | 2,290,000 | 620,000 | 240,000 |
| 开发加工平台C | 2,300,000 | 580,000 | 286,000 |
| 产品审核平台D | 1,406,600 | 170,000 | 156,600 |
| 运维管理平台E | 1,798,000 | 214,800 | 233,000 |
根据产品开发方，数据资产的开发成本分为相关平台模块的建设投入、存储成本（云资源）和安全支出等方面。根据产品开发方，数据采集平台A用于原始数据的交换采集过程，在取得原始数据后通过数据治理平台B完成数据清洗治理过程，并针对数据资产A产品个性化定制了开发加工平台C，产品审核平台D完成了数据资产A 的产品加工过程，数据资产A产品在云端部署后通过运维管理平台E完成后期的运维管理。
根据产品开发方，考虑到前述数据采集平台A取得的原始数据并不局限于开发数据资产A产品，亦可用于其他数据资产开发利用，产品开发方根据数据资产A产品与其他数据资产预期的未来经济利益进行分摊。数据资产A产品占20%的权重，因而针对数据资产A产品，需要分摊数据采集平台A 20%的开发成本。
| 成本类型 | 数据资产A | 其他数据资产 |
| 平台开发成本 | 2,250万元 | |
| 预期的经济利益权重 | 20% | 80% |
| 分摊的开发成本 | 450万元 | 1,800万元 |
数据治理平台B除用于数据资产A产品的数据清洗治理，亦可用于数据资产B产品的数据清洗治理，产品开发方根据两项数据资产对该模块的工作小时数进行分摊，数据资产A产品占据了55%的权重，因而需要分摊数据治理平台B 55%的开发成本。
| 成本类型 | 数据资产A | 数据资产B |
| 平台开发成本 | 229万元 | |
| 工作小时数权重 | 55% | 45% |
| 分摊的开发成本 | 125.95万元 | 103.05万元 |
除上述外，开发加工平台C、产品审核平台D、运维管理平台E均为针对数据资产A产品定制化开发投入，其建设投入成本应归属于数据资产A产品。
各平台投入成本，分别按其用途归集到数据资产的各项开发成本； 云资源费用和安全支出在按开发时长12个月和各平台对应的比例 归集之后，分别归集进入数据资产A产品的储存（云资源）和安全投入。
除上述开发建设成本投入，对于数据资产A产品，产品开发方提供的相关人员投入成本如下：
| 职位 | 人数 | 月均工资 | 小时成本 | 开发期人均工时 | 开发期人均成本 | 开发期成本 | 对应阶段 |
| 产品设计部 | 获取 | ||||||
| 产品总监 | 1 | 22,000 | 126.44 | 200 | 25,287 | 25,287 | |
| 产品高级经理 | 3 | 15,000 | 86.21 | 400 | 34,483 | 103,448 | |
| 产品经理 | 6 | 11,000 | 63.22 | 400 | 25,287 | 151,724 | |
| 研究开发部 | 加工 | ||||||
| 研发总监 | 1 | 24,000 | 137.93 | 200 | 27,586 | 27,586 | |
| 研发经理 | 2 | 20,000 | 114.94 | 400 | 45,977 | 91,954 | |
| 平台架构师 | 2 | 18,000 | 103.45 | 400 | 41,379 | 82,759 | |
| 软件工程师 | 5 | 15,000 | 86.21 | 600 | 51,724 | 258,621 | |
| 市场拓展部 | 获取 | ||||||
| 客户总监 | 1 | 16,000 | 91.95 | 200 | 18,391 | 18,391 | |
| 客户经理 | 6 | 12,000 | 68.97 | 400 | 27,586 | 165,517 | |
| 风控部 | 安全 | ||||||
| 法务 | 3 | 10,000 | 57.47 | 100 | 5,747 | 17,241 | |
| 总计 | 30 | 163,000 | 936.78 | 3,300 | 303,448 | 942,529 |
如上表，人员成本分为产品设计部、研究开发部、市场拓展部和风控部等4个部门。其中，产品设计部和市场拓展部的人员成本归属于数据获取成本，研究开发部的人员成本归属于加工环节，而风控部的人员成本归属于安全投入。通过计算每个职位的人员数量、每人每月成本以及开发期每个职位每名员工平均发生的工时，可得出开发期的各部门人员成本，并归集到数据产品开发的各个环节。
在介绍了以上平台成本、云资源(存储)投入、安全投入和人员成本等方面归集方式的基础上，我们得出了如下成本核算结果：
| 成本核算 | 平台投入成本 | 云与安全费用 | 人员成本 | 小计 | 备注 |
| 获取 | 4,500,000 | – | 464,368 | 4,964,368 | C0 |
| 加工 | 4,966,100 | – | 460,920 | 5,427,020 | C1 |
| 储存 | – | 1,763,000 | – | 1,763,000 | C2 |
| 安全 | – | 854,600 | 17,241 | 871,841 | C3 |
| 维护、更新 | 1,798,000 | – | – | 1,798,000 | C4 |
| 总计（未调整质量系数） | 11,264,100 | 2,617,600 | 942,529 | 14,824,229 |
根据对数据质量和安全性的评估，得到具体各项质量调整系数：
| 准确性q1 | 完整性q2 | 时效性q3 | 唯一性q4 | 可访问性q5 |
| 93% | 100% | 92% | 94% | 100% |
综上所述，数据资产A产品的开发价值为：13,831,355
价值贡献因子中，考虑投资回报率𝑟0为10%，调整系数𝛽为1.1。我们可以得到价值贡献因子为：f1 = (1 + r0 * β) = (1+10% * 1.1) = 1.11
通过提供企业基本信息，数据资产A产品帮助客户改善金融服务模式，了解企业风险。此外，数据资产A产品还提供农业和医疗板块的拓展服务。因此，可以将数据资产A产品的应用场景归类为：通用、金融、农业及医疗。结合预测行业增速为6%，采用下图所示的函数，可以得出多场景增速因子为1.6382。
最后，可以估算得出数据资产A产品的价值约为：Vd = C*f1*f2 = 13,831,335 * 1.11 * 1.6382 = 25,150,964
产品的定价思考
由于数据资产A产品针对非特定用户进行开发，是具有标准形式的数据产品，且潜在用户较多，通常的商业化模式下可采用按次收费。因此，需要从产品的内在价值出发，按预计使用次数对价值做一定的价格分摊。根据市场调研及预期未来市场规模，数据资产A产品预计使用次数大致为2,000万至3,000 万左右。所以，该系列产品建议的客单价价格区间约为0.84至1.26元/次。
此外，产品开发方亦考虑到前期需要一定的市场拓展，若用户一次性订阅多次服务，可考虑一定的数量优惠折扣。假设平均每日查询次数为2-2.5次，并考虑50%的数量折扣， 则年订阅费用约为306至574元。
请注意：本案例涉及数据均为第三方提供并经脱敏化处理，仅作示例，不可作任何商业目的参考。
本文摘编自普华永道、贵州省数据流通交易服务中心发布的《数据资产价值与数据产品定价新思考》。
即日起，前沿资料更新将只对数治网DTZed 正式会员开放免费下载，每月前100位申请开通、加入 AIGC + X 赋能成长营，即可获取 AI 人才匹配、自主学习课件和数据素养基础测评三大星舰会员权益：
- 填写开通申请；
- 扫码获邀入群；
更多内推、热招职位征集中，还可领取入门公益宣讲和升值加薪计划福利，一起用 AI 工具打败工具人。
