大數據時代，數據價值、數據資産、數據交易等關鍵詞被經常提及。那麼到底是如何定義數據資産的？數據資産又包括哪些方面？數據的價值又可以通過什麼形式進行量化，本文将一一闡述。

數據資産的定義

接下來舉例說明，比如煤炭、石油、天然氣等，隻有少量存儲則不可能被稱做資源，隻有在規模足夠大，具有使用價值之後，才會被稱做資源。後期則需要對其進行開采和加工，自然需要組織、制度、流程等來保證工作的有序運轉，并使資源轉化為資産。

數據資源也是同樣的道理。當數據資源達到一定規模，具有使用價值了，就需要組織對其進行開發和利用，達到了量化、資産化後才能稱之為數據資産。

對于數據資産，業内的定義是：企業在運營活動中形成的，由企業擁有，在數據的産生、獲取、處理、存儲、傳輸和應用全過程可控的，并能夠給企業帶來價值的數據資源。

數據資産包括哪些方面

對于個人而言，數據資産則比較具象，比如個人攝影圖片、自己拍攝剪輯的視頻、編輯的文檔、錄音等都屬于個人的數據資産。

對于企業而言，比如設計圖紙、企業運作信息、合同等一切以電子介質為載體的企業各類業務，都可以稱作是企業的數據資産。

數據資産的量化

因為數據資産既具有類似無形資産的特征，又因多樣性和非耗盡性使得其異于常見的無形資産。所以對于數據資産的量化，可分為兩種情形來看：

在暫沒有活躍交易市場的情形下，主要根據數據的發展階段從成本角度及收益、效益角度對數據資産價值進行分析。

在有活躍交易市場的情形下，可從數據資産交易價值（市場角度）結合類比數據資産特征進行分析，通常使用的是多因素評價比較法與神經網絡模型。

01成本思路

成本思路是從形成數據資産所需花費的成本進行評估的一種思路。盡管無形資産的成本和價值先天具有弱對應性且其成本相對欠完整，但一些處于開發初期的數據資産（即原始數據及粗加工階段數據資産）因尚無明确應用場景，沒有形成社會價值及經濟價值。因此對于該階段的數據資産，成本思路評估其價值存在一定合理性。

02模糊因素/數學評價思路

模糊因素/數學評價思路同樣适用于處于開發初期階段的數據資産（即沒有形成顯著社會價值及經濟價值的數據資産），為成本思路的進階應用。其基本原則：由于同樣的投入不一定有同樣質量的數據，通過模糊數學評價方法對數據資産進行估值時，需要根據數據的特征列出評價項目，對每個項目定出評價的等級，并用分數表示，最後将所得分數進行加權平均，得到加權評價分數。

03數據勢能模型

數據勢能模型适用于經過精細化加工處理後形成一定應用場景的數據資産。該階段的數據資産處于“能量”的存儲積累的狀态中，蓄勢待發。雖然沒有産生商業利益，但在以數據驅動社會發展的重要趨勢下，形成了不同程度的社會價值。

04實物期權模型

實物期權模型一般适用于企業數據資産，同時該數據資産的應用場景仍然存在不确定性。例如，企業未來可能會繼續加大在該數據資産方面的投入，還可能因該數據資産預計收益不能覆蓋前期投入的成本而放棄數據資産的繼續投入。實物期權模型不僅能夠幫助企業有效衡量數據資産于當下時點價值的最佳估計，也能夠協助企業管理者在企業的不同發展階段對于數據資産的發展做出最優決策。

05多因素修正後的增量效益折現模型

該模型适用場景：數據資産已完全實現商業化，即産生穩定經濟效益，但該數據資産一般為企業價值賦能之存在，而非企業核心資産或最主要的價值驅動因素。例如，數據資産能夠幫助企業降本增效或者助力企業獲取更多用戶和開拓市場等，為企業進一步賦能。

06非核心資産/因素剝離折現模型

該模型适用場景：數據資産已完全實現商業化，即産生穩定經濟效益，一般作為企業的核心資産和最主要的價值驅動因素。例如，企業的主營業務收入及收益來源于出售或許可市場用戶使用企業所擁有的數據資産。

07可變現淨值思路

該思路适用場景：數據資産經驗證後發現沒有适合的應用場景，或将被淘汰。以數據資産于預計處置日的估計處置價格，減去為處置該資産需要額外發生的費用（例如交易成本、稅費）等，得到期末的可變現淨值，将其通過合适的折現率折現以得到數據資産于當下的估計價值。在該方法下，可能需要配合其他方法（例如市場法）來确定數據資産的預計未來處置價格。在極端情形下，結果接近于零。

08多因素評價比較法

該方法适用場景：存在活躍的數據資産交易市場。企業價值評估領域有市場價值比率的概念，類似P/E、P/B等，以可比上市公司的市場價值比率乘以被評估企業對應的财務指标從而得到被評估企業的股權價值。在數據資産估值中，同樣可以采用該相對值比較法，且在分析分母的過程中可以帶入該方法——通過選取與被評估數據資産價值高度相關的驅動因素，并對這些因素進行量化評價得到綜合評價系數。相對于單一财務指标而言，以通過考慮數據資産價值驅動因素的綜合評價系數作為價值比率的分母更能反映數據資産價值的驅動源，可得到更有意義的價值比率。

09神經網絡模型

該模型适用場景：數據資産交易市場成熟、有序且活躍，且具有大量的交易數據和數據資産交易信息。神經網絡模型是一種以神經元數學模型為基礎、模拟人腦系統結構和功能的抽象數學模型，是一個高度複雜的非線性動力學習系統，具有“學習”和“充分逼近複雜的非線性關系”等特性。

數據資産的重要性

（1）企業共通的數據語言

數據作為各部門運行的衍生産物，分散在企業的各個部門。數據分析者往往需要花費大量的時間和精力收集各類數據，尋找數據共通的連接方式，才能将其歸類分析應用。數據資産化則意味着在公司内部可形成共同的“數據語言”，由此，企業的管理層可以更高效地對數據進行讨論和溝通。

（2）企業的戰略資産

數據資産化之後，數據資産會漸漸成為企業的戰略資産，企業将強化數據資源的存量、價值，以及對其分析、挖掘的能力，進而極大地提升企業核心競争力。

（3）加速數據資産交易進程

目前在缺乏交易規則和定價标準的情況下，數據交易雙方承擔了較高的交易成本， 制約了數據資産的流動，但随着數據資産管理的完善，必然能加速數據資産交易的進程。

新一代數據保險箱基于SOC核心架構，綜合運用基因标識、量子加密、區塊鍊、隐私計算等關鍵技術，解決數據所有權歸屬問題，為數據所有者提供一站式數據資産保值增值服務。S-box是企業數據管理必備工具，各行業數據所有者皆可使用。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!