2023基于数据资产全生命周期估值与实践报告

目录页 一、数据资产价值评估的意义和研究现状4 1.数据资产的概念和意义4 2.数据资产估值发展现状4 二、数据资产价值评估主流方法6 1.数据资产价值评估的方法6 2.数据资产价值评估的核心因子说明6 1）成本计算因子7 2）价值调节因子8 3.数据资产价值评估的技术实现探索10 1）血缘传播用于数据成本评估：10 2）层次分析用于数据管理要素评估：14 3）超额收益法用于数据收益率评估：17 三、数据资产价值评估应用场景与案例介绍19 1.数据资产价值评估应用场景19 1）内部治理运营19 2）外部数据流通24 四、趋势与总结25 1.数据资产价值评估总结26 2.数据资产价值评估未来趋势27 一、数据资产价值评估的意义和研究现状 1.数据资产的概念和意义 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。 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 1。 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.数据资产估值发展现状 国内各界自2019年起陆续关注数据资产价值评估领域，行业组织、科研院所和产业界 相继发布了相关政策文件、研究成果或实践案例。中国资产评估协会于2020年1月发 布了的《资产评估专家指引第9号—数据资产评估》，在传统资产评估三种方法（成本法、收益法和市场法）的基础上进行了优化，提出了数据资产评估方法。德勤-阿里在2019年联合发布了《数据资产化之路-数据资产的估值与行业实践》，其基本思路与《资 产评估专家指引第9号—数据资产评估》一致，同时深入分析了各个方法的优劣势。中 国信息通信研究院与浦发银行在2021年联合发布了《商业银行数据资产管理体系建设 1参考大数据技术标准推进委员会《数据资产管理实践白皮书（6.0版）》 实践报告》，结合浦发银行数据资产管理实践，提出了内在价值、成本价值、业务价值、经济价值和市场价值的五大估值维度。光大银行于2022年发布的《商业银行数据资产会计核算研究报告》中从数据资产入表的视角出发提出了货币度量数据资产价值的方法。总结而言，国内在理论层面当前数据资产价值评估方法主要划分为成本法、收益法和市场法三种基本方法及其衍生方法。其中，成本法为数据资产的价值由生产该无形资产的必要劳动时间所决定，是从数据资产的重置角度考虑的一种估值方法，即新建该项数据资产所需花费的成本；收益法为数据资产的价值由其投入使用后的预期收益能力体现，是基于目标数据资产预期应用场景，对未来产生的经济收益进行求取现值的一种估值方法；市场法是基于相同或相似数据资产的市场可比交易案例的一种估值方法。 此外，数据资产估值也引起了国外学者的广泛关注，但是更多以数据资产市场化定价为出发点倒推数据资产估值思路的。例如，斯坦福大学的研究者提出了基于市场价值的数据估值方法，主要基于数据资产带来的消费者剩余价值，并研究生产者的市场表现等因素；英国的金融科技公司和数据服务提供商根据自身在数据交易市场中的实践，开发了基于数据流量、数据质量和数据影响力等指标的数据资产估值模型。 我们认为数据资产估值当前在理论研究层面已有初步成果，但仍然面临三大问题，一是数据资产估值目的、场景和相应方法尚未统一，二是估值过程主观性较大、缺少量化指标、技术应用程度低，使得数据资产估值结果不准确，三是缺少各行业数据资产估值实践案例，导致理论方法对于企业实际开展数据资产估值的指导性有限。 二、数据资产价值评估主流方法 1.数据资产价值评估的方法 如前文所述，数据资产价值的评估方法主要有成本法、收益法和市场法三种基本方法及其衍生方法。阿里云及瓴羊在多年阿里内部实践及服务企业数字化转型的过程中沉淀了丰富的行业经验和数据技术，通过与中国信通院共同研究讨论，综合考虑主流的成本法，同时融合数据资产管理（包括数据质量和使用因素等）相关因素，提出了基于数据全生命周期的资产价值评估方法，从数据在不同阶段的影响因素出发，及完善数据资产价值评估框架。 数据全生命周期可以依据从生产到消费的链路分为“采“、”建“、“管”、“用”四个阶段，“采”代表汇聚异构数据的全过程，“建”代表数据治理的完备和连贯，“管”指全量数据资产的治理与管理，“用”则强调数据资产的应用与回报。基于前述的成本和使用维度，结合数据全生命周期的四阶段的相关因素，我们将单张表作为评估对象，评估模型基础公式(1)如下： Vtk=( N Σ n=1 Dcostn J )∗f(ΣαjMj)∗(1+RK¯)(1) j=1 其中，��(�)代表在业务域K的单资产表的价值，�푐표s�(�)是通过血缘成本分摊算法得到的基础成本，�j是数据管理要素的系数，�j是数据管理要素的分数，R是归属业务域k的市场投资回报率，和行业属性紧密相关。该公式来自于资产价值=成本*（1+ j=1 j 收益率）因此对于所有表的数据管理要素的期望值E(f(5JαM))应该为1，即我 j 们会采用对应的函数f(x)变化该5JαM项，使得整体数据管理要素满足对应分布的 j=1jj 期望值为1。该资产价值评估基础公式也展示出数据资产价值由数据成本计算因子和价值调节因子共同作用确定，其中数据成本会考虑为成本计算因子，数据管理要素和数据市场投资回报率为价值调节因子。 2.数据资产价值评估的核心因子说明 本白皮书中定义的数据资产价值由数据成本计算因子和价值调节因子共同作用确定。其中，成本计算因子由本次数据资产评估的核心技术实现，即采用血缘分析方法完成对数据整体建设成本到单一数据表建设成本的分摊计算。价值调节因子是包含企业数据管理水平及市场交易等其他要素，以对成本计算结果进行优化调整。 1）成本计算因子 a）数据资产总投入成本 从数据资产全生命周期出发，数据资产总投入成本包括硬件建设成本、软件建设成本、运维成本、资源成本、数据采购成本、数据咨询成本、人力支出、场地费用等方面，覆盖了数据资产采集、购买、存储、计算、管理、应用等环节。各类成本具体成本子项和说明如表所示（表1）。 表1:数据资产总投入成本说明 成本分类 成本子项 说明 硬件建设成本 设备采购费用 数据采集，数据存储，数据计算相关设备（服务器，交换机，物理机）的采购费用 设备折旧费用 数据采集，数据存储，数据计算相关设备（服务器，交换机，物理机）的折旧费用 设备租赁费用 数据采集，数据存储，数据计算相关设备（服务器，交换机，物理机）的租赁费用 云计算资源费用 数据采集，数据存储，数据计算相关的云计算资源费用 软件建设成本 软件许可费用 数据相关软件许可证的采购费，例如数据库套件，数据分析软件等 运维成本 设备维修费用 数据设备日常的维修和保养费用 资源成本 资源消耗费用 数据的影响到的水电的资源消耗 数据采购成本 外部数据采购费用 对非公司自有数据（政府数据，互联网数据）的单位期间采购费用 数据咨询成本 第三方外包咨询服务费用 数字化规划设计，给可行性研究报告，数据治理，数据应用等咨询类外包支出 人力支出 人员薪资和福利 数据采集，存储，开发管理人员的相关人力成本 场地费用 场地费用 数据资产设计场地租赁和购买费用 b）基于血缘成本分摊成本 在实际数据链路中，从源头的数据采买或引入，到最终的数据消费使用，会经过一系列的数据处理与加工。因此，对于某个数据对象，其成本不能仅考虑当前对象生产或直接上游引用来源的成本，还应考虑层层上游传递的成本。因此，我们用基于数据仓库理论的血缘成本分摊成本，对应着公式中的�푐표s�(�)。 在数据的“建“阶段，为了发挥数据价值而进行的数据处理和加工过程，可以基于数据血缘客观反映，呈现数据的来源以及数据随时间变化的位置。它有助于提供对分析管道的可视性，并将错误跟踪简化回源。血缘继承具有时效性和自更新特性。如果源端数据的加工逻辑和血缘关系发生变化，基于血缘继承的方法能及时自动更新价格试算，无需人为重新调优。 本白皮书采用血缘成本分摊和破圈算法来解决数据血缘对数据成本的影响问题。输入要素为上游血缘和下游血缘，在下文技术实现部分详细阐述。 2）价值调节因子 数据资产最终价值除去已经投入产生的成本外，还与企业自身数据管理水平及市场交易现状相关。其中，企业数据管理水平主要影响数据资产价值的真实有效性，成熟的数据资产管理体系可以确保数据可靠、可信及可用，降低因质量、安全等问题带来的负面影响；而市场交易因素则反应了数据资产在市场中的稀缺水平，从外部供需交易视角将数据资产价值调整至合适范围。 a）数据管理要素 在数据管理要素的选择和定义上，本白皮书主要参考了《数据管理能力成熟度评估模型》 （GB/T36073-2018）这一国家标准，同时考虑指标获取难易程度，确定了以下数据管理要素评价体系框架。 表2:数据管理要素评价体系 数据管理要素评价体系基本属性 质量属性 使用属性 数据规模 准确性 一致性 完整性 规范性 时效性 可访问度 使用热度 数据量 内容准确率 元素赋值一致率 元素填充率 值域合规率 周期及时性 平台访问次数 输出次数 增长率 精度准确率 跨表取值一致率 记录填充率 格式合规率 实时及时性 平台访问用户数 输出系统数 … … … … … … … … 企业在具体选择数据管理要素指标集合时，主要受两大因素影响：一方面应结合企业当前的数据基础设施的成熟水平，确保所选取的要素指标均可被计算；另一方面，应结合企业当前的经营状况和行业属性，选取与数据资产价值高度关联的评价指标。 本白皮书将通过层次分析法分别对每一项数据管理要素的权重和评分进行评价打分，其中�j代表每一类数据管理要素的权重，�j代表数据管理要素的分数。通过整合所有被 选取的数据管理要素评价指标（即5JαM)），可最终获得企业整体的数据管理评 j=1jj 价结果，并参与数据资产价值评估的后续计算过程。 b）数据资产应用回报率 数据资产的应用回报率（即RK¯）与其自身的应用场景和价值高度相关，即一项数据资产如果可以被广泛应用在多个不同的应用场景中，则可以为企业带来更高的商业价值和回报水平。然而，除自身建设水平外，数据资产应用价值高度依赖于数据市场当前的供 需水平、历史交易等因素，但由于当前尚缺乏成熟的数据相关交易市场，导致缺乏足够数据以支撑企业获取数据回报率结果。 因此，为了尽可能准确地衡量数据在使用过程中产生的价值，在本白皮书充分借鉴金融学模型，并采取学界讨论较多的超额收益法来对整体交易方案进行补充，具体内容详见 2.3.3章节。此外，考虑到数据应用回报率与数据交易市场、数据财会政策发展相关，本白皮书仅在此提供一些参考思路。 3.数据资产价值评估的技术实现探索 充分考虑数据资产在发挥价值的路径里面的所有对价值因素有意义的因素，对数据资产进行剖析，分类，以及针对不同类型的因素采用不同的技术化手段进行计算，得到了数据资产价值评估的完整且符合数据资产真实属性的评估体系，整体从数据成本识别和录入开始，以血缘图算法为主导的成本分配“计算器”为基础，数据资产要素评价体系和数据应用市场价值分析四大主要模块，对数据资产价值如何得出开展了突破性的落地研