一、数据资产评估的核心理念
数据资产评估，本质上是对数据资源在经济层面价值的深入量化与分析。这一过程不仅涵盖数据的内在特质，比如准确性、完整性和时效性，还涵盖了数据在外部应用场景中的潜在价值，以及数据如何支持企业决策等方面。
二、数据资产评估的关键作用
数据资产，作为企业或组织长期运营过程中累积的宝贵资源，包括结构化、非结构化和半结构化等多种形式。评估这些数据资产的重要性不言而喻，主要体现在以下几个方面：
优化投资决策
通过精确评估数据资产，企业可以更加明智地规划资源投入的方向。了解哪些数据资产具备更高的价值，有助于企业做出更加合理的资源配置决策，确保投资能够产生最大的经济效益。
强化数据管理
数据资产评估可以为企业揭示数据的质量、相关性和可用性等重要信息，进而支持更高效的数据管理活动。这包括数据的清洗、整合、存储和保护等，确保数据资产持续保持其应有的价值，并随时可供使用。
提升透明度和合规性
随着数据隐私保护法规的不断加强（如GDPR和CCPA），企业需要对其数据资产有更加清晰的认识，以确保合规。通过评估数据资产，企业可以更加明确地了解数据的来源、用途和存储方式，从而提升透明度，确保遵守相关法规。
加速数据货币化
了解数据资产的价值是企业实现数据货币化的重要基础。企业可以通过直接销售数据、提供数据分析服务或利用数据提升产品和服务价值等方式实现数据资产的货币化。精确的数据资产评估有助于企业制定更为有效的数据货币化策略。
助力企业估值与并购
在并购交易中，数据资产的价值评估对于确定企业的整体价值至关重要。特别是对于以数据为核心的企业而言，数据资产可能占据企业价值的重要部分。准确评估数据资产可以确保并购交易中的定价更加公正合理。
驱动创新与竞争优势
通过识别和评估数据资产的价值，企业可以发现新的机会，利用这些资产推动创新，并开发新的业务模式。这有助于企业在竞争激烈的市场中脱颖而出，通过独特的数据驱动洞察形成自身的竞争优势。
（上图为拼图资本创始人王磊 讲授数据资产与产业发展趋势）
三、数据资产评估的核心方法
（一）成本法
成本法作为数据资产评估的一种经典方法，主要侧重于从数据资产的获取、处理和维护过程中的成本角度来评估其价值。以下是成本法的详细解析：
定义概述：
成本法依据数据资产整个生命周期的成本来估算其价值，涵盖从数据采集、存储、处理、分析到长期维护的每一个环节。
应用场景：
成本法通常适用于初步评估数据资产的价值，特别是在市场价值不明确或收益模式不清晰的情况下，成本法能够提供一个相对可靠的评估基础。
评估流程：
a. 数据采集成本估算：全面计算获取数据所需的各项成本，包括直接成本（如购买数据、传感器等）和间接成本（如人力投入、时间消耗等）。
b. 数据存储成本分析：评估数据存储环节所需的各项费用，如硬件设备购置、软件许可费、数据中心租赁费、能源消耗等。
c. 数据处理与清洗成本计算：确定对原始数据进行处理、清洗和转换所需投入的成本，涵盖软件工具采购、算法开发、人工参与等费用。
d. 数据分析与挖掘成本估算：估算数据分析、挖掘和建模过程所需的成本，包括算法研发、模型训练、计算资源等支出。
e. 数据维护成本考虑：计算数据维护所需的长期投入，包括数据更新、备份、恢复、安全防护等方面的费用。
f. 折旧与摊销处理：根据数据资产的使用寿命，合理计算各项成本的折旧和摊销，以准确反映其当前价值。
g. 风险与机会成本考量：在评估过程中，还需考虑数据资产在特定应用场景下可能面临的风险和潜在机会，从而对评估结果进行适当调整。
优缺点分析：
优点：
易于理解与操作：特别是在数据资产的直接成本能够被明确量化的情况下，成本法提供了一种直观且易于理解的评估方式。
初始价值参考：它为数据资产的初步估值提供了一个基本的参考点，有助于决策者初步判断数据资产的潜在价值。
缺点：
市场价值反映不足：当数据资产具有潜在的高市场价值时，成本法可能无法准确反映其真实的市场价值。
忽略潜在收益：成本法主要关注于历史成本和当前投入，往往忽略了数据资产可能带来的未来收益和潜在价值。
改进建议：
为了弥补成本法的局限性，提高评估的准确性，建议采取以下改进措施：
综合评估方法：结合市场法和收益法等其他评估方法，从多个角度综合考量数据资产的价值，以获取更全面的评估结果。
引入专家意见：借助专家知识和行业经验，对数据资产的价值进行更深入的剖析和评估，确保评估结果更加贴近实际情况。
（二）市场法
定义：
市场法，顾名思义，是一种以市场上相似数据资产的交易价格为基准，来评估目标数据资产价值的方法。该方法基于自由市场假设，认为相似资产的交易价格能有效作为评估的参考依据。
适用场景：
市场法尤其适用于那些在市场上具有明确交易记录和高度可比性的数据资产。例如，公开交易的数据集、数据服务或数据驱动型企业股权。
评估流程：
a. 明确评估目标：首先，要清晰地界定评估数据资产的具体目的，如并购、合作、投资等。
b. 挑选可比资产：接着，寻找与目标数据资产在数据类型、数据量、数据质量、数据来源等方面具有相似特征的可比数据资产。
c. 收集市场数据：然后，收集这些可比数据资产在市场上的交易价格、交易条件、交易时间等详细信息。
d. 分析市场态势：分析当前市场条件，如供需关系、市场趋势和竞争环境等，以了解它们对数据资产价值的影响。
e. 计算价格比率：基于可比数据资产的交易价格和特征，计算出相应的价格比率，如每GB数据的价格、每条记录的价格等。
f. 调整价格比率：根据目标数据资产与可比数据资产之间的差异，对价格比率进行必要的调整，以更准确地反映目标数据资产的独特价值。
g. 估算价值：最后，将调整后的价格比率应用于目标数据资产，从而估算出其价值。
优缺点分析：
优点：
直接反映市场对数据资产的价值认可，市场敏感性高。
对于具有明确交易记录和可比性的数据资产，评估结果更具说服力。
缺点：
需要充足的市场交易数据和详尽的可比性分析，这在某些情况下可能难以实现。
忽略了数据资产的潜在收益和未来价值，可能导致评估结果有所偏颇。
改进策略：
为了提高市场法的评估准确性，建议结合其他评估方法（如成本法和收益法）进行综合分析。同时，引入行业专家知识和经验，对数据资产的价值进行更全面、深入的评估。
（上图为拼图资本创始人王磊 讲授数据资产与产业发展趋势）
（三）收益法
定义：
收益法，作为一种前瞻性评估手段，侧重于预测数据资产未来能够产生的经济收益，并据此估算其价值。其核心理念在于，数据资产的价值源于其未来能为所有者带来的经济利益。
适用场景：
收益法尤其适用于那些能够直接或间接创造经济收益的数据资产，例如数据驱动的产品与服务、以及基于数据支持的决策优化等场景。
评估流程：
a. 明确评估目标：首先，界定数据资产评估的具体目的，如投资决策、并购考量或合作洽谈等。
b. 预测未来收益：根据数据资产的应用场景和市场需求，对其未来可能产生的收益进行预测。这包括直接收益（如销售收入、服务费用等）和间接收益（如成本节约、效率提升等）。
c. 设定收益期限：确定预测收益的时间范围，这通常基于数据资产的预期使用寿命和生命周期。
d. 确定折现率：选择合适的折现率，以反映预测收益的不确定性和时间价值。折现率的确定需考虑市场风险、项目风险以及资本成本等因素。
e. 计算净现值（NPV）：利用折现率将预测的未来收益折现至当前时点，计算出数据资产的净现值。
f. 风险评估与调整：对数据资产面临的风险和不确定性进行深入分析，并据此对评估结果进行必要的调整。
g. 估算资产价值：综合净现值和其他调整因素，最终估算出数据资产的价值。
优缺点分析：
优点：
直接体现数据资产的盈利潜力和未来价值。
适用于具有明确经济收益预期的数据资产。
缺点：
预测未来收益涉及不确定性，可能导致评估结果出现偏差。
对于收益模式不清晰的数据资产，收益法的应用可能受到限制。
改进策略：
为提高收益法的评估准确性，建议结合其他评估方法（如成本法和市场法）进行综合考量。同时，引入行业专家知识和经验，以更准确地预测数据资产的未来收益，并充分考虑潜在的风险和不确定性。
四、案例详解：如何评估数据资产？
本案例聚焦于政务数据资产的价值化、资产化过程，特别是在地方政府积极寻求数据价值实现路径的背景下。政务数据若能高效、合理地转化为经济价值，对于解决地方政府的财源问题乃至地方债务问题具有重要意义。
案例背景：
地方政府致力于汇聚数据资源并进行价值化利用。本案例中的数据资产已经汇聚，并进行了商业化应用。
评估流程：
数据资产来源梳理：
委托人b公司的数据资产是通过两步授权获得的。首先，甲市出台了相关政策，授权给当地国有企业a公司；随后，a公司成立了全资子公司b公司，并授权其处理金融公共数据。
价值评估对象与范围界定：
b公司拥有的数据资产虽涉及27家政府机构的221张表、2,500多个字段、3亿多条数据，但评估范围仅限于两个明确的商业应用场景，涉及6家机构、22张表、339个字段、近2,000万条数据。
数据资产内容明确：
这些数据涵盖了企业基本信息、市场监管、税务、财政、法律等多个领域的信息，经过分析提炼，形成了两个主要应用场景：新客优选和企业风险扫描。
评估方法应用：成本法分析：收益法分析
针对上述情况，我们可以采用两种主流方法来评估数据资产的价值。
首先，是成本法。该方法侧重于分析数据资产的形成过程，并据此确定其成本。这包括从数据采集、汇聚、存储到开发运维、安全防护等各个环节的直接投入。例如，数据开发过程中的需求调研、业务分析、概念设计、功能设计等环节均构成成本的一部分；数据采集则涉及外购数据、数据更新保障、网络建设及人工投入等。这些直接成本是固定的，但还需根据数据质量进行相应调整。
在成本计算中，我们还应考虑间接成本，如职能整体研发的分摊成本、软硬件成本分摊等。此外，机会成本也是一个不可忽视的因素，因为数据资产的形成需要投入时间和资源，这些资源若用于其他项目可能会带来收益。综合考虑以上成本，我们得出成本法的评估值为910万。
其次，是收益法。该方法基于数据资产的具体应用场景、产品形态及销售业绩进行估值。例如，在本案例中，两个应用场景的销售单价为每年15万/客户，当前用户数为9个。结合未来物价水平、市场规模及企业拓展能力，我们预测了用户增长和总收入。
在收益预测中，我们采用直接收益预测法，既考虑收入也考虑与收益相关的直接支出，如数据产品开发、运营维护、安全保护、软硬件投入以及销售和客户维护费用等。扣除这些成本和费用后，我们得出预测期内的净收益。通过折现处理，我们得出收益法的评估结果为1,790万。
对比两种方法的结果，收益法评估值明显高于成本法。但这并不意味着其中一种方法有误，而是两种方法从不同角度反映了数据资产的价值。对于具有商业应用场景且已实现创收的数据资产而言，其收益与价值往往高于投入成本，这是客观存在的现象。因此，收益法与成本法之间的差异是合理的。
五、数据资产评估的现状、面临的问题与挑战
现状概述
数据资产评估，作为数字经济时代的关键领域，旨在实现数据资产价值的精准量化。目前，这一领域呈现出以下发展态势：
评估机制日趋完善：中国资产评估协会发布了《数据资产价值评估指导意见》，为数据资产评估提供了标准化的指导原则。
政策支持不断加强：财政部颁布的《企业数据资源相关会计处理暂行规定》为数据资产纳入财务报表提供了政策支持，推动了评估体系的规范化。
技术进步助力评估：随着大数据、人工智能等前沿技术的发展，数据资产评估方法不断更新，如通过先进的经济主体功效函数与决策模型贡献度耦合进行定量评估。
实践探索日益深入：多地如上海、北京、深圳和贵阳等地正积极开展数据资产评估与交易的实践探索，为市场积累宝贵经验。
面临的问题与挑战
尽管数据资产评估取得了一定进展，但仍面临诸多挑战：
权属复杂性：数据资产的权属确认存在困难，多方贡献的数据难以形成统一的所有权共识。
价值波动性：受技术更新、市场变化等多重因素影响，数据资产价值具有较大的波动性。
评估方法局限：传统的收益法、成本法和市场法等在数据资产评估中的应用存在局限性，需要不断创新和完善。
质量评价难题：数据资产的质量评价涉及数据的准确性、完整性等方面，需要专业知识和技术支持。
法律与监管挑战：数据资产的法律地位和监管框架尚不完善，不同地区的法律法规差异对数据资产评估与交易构成挑战。
市场成熟度不足：数据资产交易市场尚未成熟，缺乏完善的市场机制和充分的交易数据，影响市场法的应用。
技术与人才短缺：数据资产评估需要高度专业化的知识和技术支持，目前相关专业人才相对匮乏。
数据治理挑战：企业在数据资产管理方面面临技术和管理的双重挑战，需要构建科学有效的数据治理结构和流程。
北大数据资产与企业数字战略研修班
学 制: 3天 第三期时间：6月14-16日
学 费：6800/人 上课地点：北京大学校内
结业证书：北京大学结业证
报名微信：陈老师
2024年开课安排及报名咨询
陈老师