在数字化时代，数据资产已成为企业核心竞争力的重要组成部分。然而，如何准确地对数据资产进行定价，确保其价值的最大化，成为企业需要解决的关键问题。本文将深入探讨数据资产定价的方法、机制及关键因素，并结合实际案例进行分析。
一、数据资产定价的方法
数据资产定价的方法主要包括成本法、市场法和收益法。
成本法
成本法是基于数据资产产生和获取过程中所投入的成本来确定其价值。这种方法主要关注数据资产的直接成本、间接成本以及机会成本等。然而，成本法存在局限性，因为它往往忽略了数据资产的潜在经济收益和市场价值。在实际应用中，成本法更多作为定价的参考而非唯一标准。
市场法
市场法是通过参考类似数据资产的交易价格来确定其价值。这种方法要求市场上存在足够数量的可比交易案例，并对差异因素进行调整以确保估价的准确性。市场法的关键在于选择合适的可比案例和合理的调整系数。例如，在金融行业，金融机构可以参考其他金融机构类似数据资产的交易价格来确定自身数据资产的价值。
收益法
收益法则是预测数据资产未来可能带来的经济收益来确定其价值。根据数据资产的历史应用情况和未来市场前景，采用直接收益预测、分成收益预测或超额收益预测等方式进行估价。收益法能够较好地反映数据资产的经济潜力和市场价值，因此在实际应用中较为常用。例如，在科技行业，企业可以根据数据资产在研发、生产、销售等环节中的贡献来预测其未来收益，从而确定其价值。
在评估数据资产的价值时，虽然成本法、收益法和市场法提供了一般性的指导原则，但考虑到数据资产的价值往往与使用场景紧密相关，我们需要根据不同行业的特点来制定更加具体和适应性强的评估体系。数据资产的真实价值在不同行业和应用场景下表现出来的形式各不相同，因此场景化的估值体系显得尤为重要。
我们来看四个实际的例子。
第一个例子是制造企业上汽集团。上汽集团是中国三大汽车集团之一，主要业务是乘用车、商务车和汽车零配件的生产、销售、开发和投资，以及相关的汽车贸易和金融业务。上汽集团从传统的“产品为中心”模式转型为“用户为中心”，通过完整的数据闭环和应用，为用户创造了更多价值。对上汽集团来说，数据资产主要表现在客户关系维护方面的应用价值和创造力。这说明，在制造行业，数据资产的评估应重点考虑开拓和维护客户关系以及用户体验的提升。
第二个例子是金融企业浦发银行。浦发银行是大型股份制商业银行，2022年在英国《银行家》杂志发布的“全球银行品牌100强”中排名第19位，在上榜中资银行中排名第8位。浦发银行主要通过推动数据产品的创新和实用化，实现了数据驱动的场景金融服务，依托新技术快速响应客户和管理需求。因此，金融企业的数据资产价值不仅体现在其金融产品和服务的创新上，还体现在通过数据驱动提升的用户管理能力上。
第三个例子是医疗企业至本医疗。至本医疗是一家专注于肿瘤精准诊疗的创新型医疗科技企业。至本医疗的主要数据资产是其建立的癌症患者基因库，这项数据资产既具有科研价值，也具备转化为数据产品的潜力。因此，在医疗行业，数据资产的评估既要考虑其对科学研究的贡献，也要探讨其商业化的可能性和路径。
第四个例子是科技公司数库科技。数库科技是一家引领产融数字化的数据科技公司，作为平台化数商企业，主要面向金融机构、企业及政府部门提供智能数据产品，覆盖对公营销、智能风控、产业规划、招商引资等多种应用场景。数库科技的主要业务包括标准化推送产品（包含SAM产业链、供应链、SmarTag新闻分析数据、企业图谱、发债企业运营数据、企业财务数据六大产品）和定制化交易服务（包括数据治理及整合服务、定制化系统开发服务两大业务）。不同于前三个例子，数库科技的主要资产正是其数据资产。对于数库科技的数据资产的价值评估主要考察哪些成本支出可以被资本化，而哪些必须费用化。所谓资本化是指这些成本支出不是被当期消耗掉，而是形成了可以带来未来收益的资产。反之，费用化是指这些成本支出没有形成明显可以确认的资产，因此在当期作为费用处理。举个例子，普通家庭花10万元买辆汽车的支出应当被资本化，因为这辆车会服务这个家庭很多年，而这个家庭某次旅行花1000元租车的支出则应当被看作这次旅行的费用。同样的道理也适用于数据资产的评估。因此，在科技行业，数据资产评估的关键在于判明成本支出是否形成了能带来确定性未来收益的产品或服务。
这些例子说明，数据资产评估不能采取一种静态的、一刀切的做法。实际上，这个过程需要根据企业所在行业的特点、数据的应用场景以及数据资产的生命周期等因素来定制。这意味着，企业需要采取灵活的方法，根据自身实际情况调整评估策略和参数。
二、数据资产定价的机制
基于数据的数据定价
这种方法根据数据本身的特点和使用价值进行定价。例如，对于具有高价值的数据集，如精准的用户行为数据或市场趋势分析数据，可以设定较高的价格；而对于价值较低的数据集，如一般的市场调研数据，则设定较低的价格。这种定价机制能够直接反映数据的实际价值和使用情况。
基于查询的数据定价
在某些场景中，数据资产的价值主要体现在其被查询的次数和频率上。此时，可以采用基于查询的数据定价方法。例如，金融数据服务提供商可以根据用户查询金融数据的次数和频率来收费；科研机构可以根据科研人员查询科研文献的次数来收取费用。这种方法能够直接反映数据资产的使用情况和市场价值。
基于模型的数据定价
在某些复杂场景下，数据资产的价值需要通过模型计算来确定。例如，在人工智能领域，算法模型需要依赖大量高质量的数据进行训练和优化。此时，可以根据模型对数据的需求程度和数据的质量来定价。这种方法能够更准确地反映数据资产在特定场景下的经济价值和应用潜力，但需要较高的技术水平和专业能力支持。
三、数据资产定价的关键因素
数据质量
数据质量是影响数据资产价值的重要因素之一。高质量的数据通常具有更高的准确性和可靠性，能够为企业带来更多的商业价值。因此，在定价过程中需要充分考虑数据的质量因素。例如，在金融领域，信用评级数据的质量直接关系到金融机构的风险评估和信贷决策的准确性。
应用场景
不同的应用场景对数据资产的需求和价值评估存在差异。例如，在金融领域，信用评级数据可能具有较高的价值；而在医疗领域，病历数据则可能更为重要。因此，在定价过程中需要结合具体应用场景进行分析和评估。例如，在医疗领域，精准的医疗数据对于疾病诊断和治疗方案的制定具有至关重要的作用。
市场需求
市场需求是影响数据资产价格的关键因素之一。当市场需求较高时，数据资产的价格通常会相应上涨；反之则可能下跌。因此，在定价过程中需要密切关注市场动态和需求变化。例如，在数字化转型加速的背景下，企业对高质量数据资产的需求日益增加，从而推动了数据资产价格的上涨。
学制：集中3天，总计24学时。
对象：总经理，董事长，各部门负责人等。
地点：北京大学，（课程后颁发结业证）
学费：6800元（包含培训费，讲义，食宿自理）
报名：18911691751 李斌老师 微信号：pe2048 (请备注“课程咨询)
