数据资产：价值的源泉与释放之道

---

引言

在当今数字化时代，数据已成为企业和组织最为宝贵的资产之一。随着信息技术的飞速发展和大数据时代的来临，数据以前所未有的速度和规模产生、积累。数据资产不仅是企业运营过程中的副产品，更是一种具有巨大潜力的战略资源，能够为企业带来显著的竞争优势和经济价值。

财政部印发的《关于加强数据资产管理的指导意见》强调了数据资产在推动数字经济发展中的重要性，指出数据资产正日益成为推动数字中国建设和加快数字经济发展的重要战略资源。然而，如何有效地管理和利用数据资产，使其真正转化为实际的价值，是众多企业面临的关键挑战。本文将深入探讨数据资产如何产生价值以及发挥价值的途径，为企业更好地挖掘数据资产的潜力提供参考。

---

数据资产的概念与特性

数据资产的定义

数据资产是指特定主体合法拥有或者控制的，能进行货币计量的，且能带来直接或者间接经济利益的数据资源。它不仅包括原始的数据，还涵盖经过处理、分析后的信息，这些信息能够为决策制定、战略规划以及市场预测等提供重要支持。

从不同的角度来看，数据资产具有多种表现形式。在企业内部，数据资产可以是客户数据、产品数据、营销数据、财务数据等；在外部环境中，数据资产可能包括市场调研数据、行业动态数据等。随着企业数字化转型的深入，数据资产的范畴也在不断扩大，涵盖了更多类型的数据和信息。

数据资产与传统资产的比较

数据资产与传统资产（如石油、土地等）存在着显著的差异。

生成与可再生性

石油的生成至少需要数百万年时间，作为天然存在的资源，消耗后不可再生，资源有限。而数据是由专业人员设计、开发、运行的系统产生的，只要系统持续运转，就会源源不断产生数据。原始数据源在生成新数据时不会消失，如果不主动销毁，将长期存在，但需要资金投入维护。

复制与传输特性

数据易于复制和传输，出售时不需要实质的实体转移。如果丢失或销毁，不可能重新生产，替换可能非常昂贵。因此很难察觉数据被盗，数据的风险安全管理方法、技术与其他资产也不同。

用途与适用性

石油的用途存在普遍适用性，而每个组织的数据都是唯一的，数据资产的使用更专业，使用价值与上下文背景紧密相关，尤其行业与个体适用性等。某些数据只对特定行业、特定组织有用，某些数据对某类客户价值很高，但可能对另一些客户毫无价值，使用者需要深刻了解并挖掘可能用途。

价值评估标准

把石油提炼为汽油，有公认的等级标准与市场公允价值，随着市场波动，当市场价格低于炼油成本时，企业可能会停止生产。虽评价数据质量有相应的标准，但没有统一的标准来定义数据的价值内涵与等级，数据质量有时可能不是评价数据价值的最关键因素。

数据资产产生价值的基础

数据资源化

数据资源化的概念

数据资源化是指将分散、无序的原始数据收集、处理并转化为有组织、易于访问和分析的格式的过程，这是数据资产化之路的第一步。某个数据有潜在价值但还未经过加工，那这就是数据资源。如果这个数据加工后成可以产生经济利益的数据，那它就变成了数据资产。所以，数据有没有价值，不是其本身决定，而是由需求决定，不同的使用场景，同一数据的价值也不同。

数据采集的挑战与策略

数据收集可以通过多种方式进行，包括自动化工具、在线表单、调查问卷、传感器等。每种方法都有其优势和局限性。收集数据的挑战在于确保数据的质量和相关性，同时也要考虑到成本效益、数据隐私和安全性的问题。

• 数据的质量和准确性：如果数据质量差或不准确，那么基于这些数据的决策可能也会有误。因此，必须确保数据采集方法和设备的可靠性，以提供准确的数据。
• 数据的整合和分析：随着数据量的不断增加，如何有效地整合和分析这些数据成为一大挑战。不同来源和格式的数据需要进行统一和转换，以便进行深入分析和挖掘。此外，还需要借助先进的数据分析技术，如机器学习和人工智能，以发现数据中的隐藏规律和价值。
• 数据的安全性和隐私：在收集和处理个人数据时，需要遵守相关法律法规，确保数据主体的隐私权不被侵犯。同时，还需要采取一系列技术措施，如加密、访问控制等，以防止数据泄露和滥用。这要求企业在数据采集和处理过程中，不断完善数据安全和隐私保护机制。
• 成本效益：数据采集和处理需要投入大量的人力、物力和财力。如何在保证数据质量和相关性的前提下，尽可能地降低成本，是数据采集过程中需要考虑的一个重要问题。合理选择数据采集方法和技术，以及优化数据处理流程，都可以有效降低数据采集的成本。
• 实时数据采集：在某些场景下，如金融交易和交通监控，实时数据采集至关重要。这要求数据采集系统具备高实时性和稳定性，以确保数据的及时性和准确性。同时，还需要对数据进行实时分析和处理，以便及时发现问题并采取相应措施。
• 数据采集的可持续性：随着业务的发展和环境的变化，数据采集需求也会不断变化。因此，数据采集系统需要具备良好的可扩展性和适应性，以满足不断变化的数据采集需求。

为了应对这些挑战，企业和研究机构可以采取以下策略来提高数据采集的效率和质量：

• 选择合适的数据采集方法和工具：根据需求和资源，选择最适合的数据采集方法和工具，以提高数据采集的效率和质量。
• 建立数据质量管理体系：通过制定数据质量标准和检测方法，建立数据质量管理体系，确保数据的质量和准确性。
• 加强数据安全和隐私保护：遵守相关法律法规，采取适当的技术措施，加强数据安全和隐私保护。

数据资产化

数据资产挖掘

数据资产挖掘是数据资产化的基础，主要对应业务数据化、数据资源化、数据产品化三个阶段。数据资产化，简单来说，就是数据从原始数据逐步转变为数据资产的过程。从数据资产的形成过程来看，数据资产化是围绕数据的价值创造活动，包括数据加工、治理、开发以及交易等诸多环节和流程，最终目的是推动数据向数据资产转化，激发和释放数据价值潜能。结合数据形态变化与价值实现的具体过程，数据资产化过程可以概括为以下四个阶段：

• 业务数据化阶段：企业应意识到数据要素对企业经营发展的促进作用，在合规的前提下，更积极主动地收集、汇聚各项业务数据。此外，企业需要建立数据战略与规划，明确数据管理的组织机构与职责，制定数据管理制度与流程，打造企业数据资产管理体系。
• 数据资源化阶段：企业应当对存量数据与增量数据进行全面盘点，按业务部门、项目、系统等维度，梳理形成数据资源目录，明确数据资源的血缘链路，构建全域数据资源地图。通过数据资源盘点，加强跨部门、跨层级业务协同，提高数据资源使用率。建立数据字段标准、数据字典、数据质量规则、数据资产标准等，形成数据加工治理工作的统一共识。依据相关法律法规和行业标准，对数据资源开展分类分级安全管理，指导未来数据产品的开发应用。
• 数据产品化阶段：数据产品的研究开发要与数据应用场景紧密结合。企业需梳理应用场景标签与数据产品类型，通过多元组合，寻找数据产品的机会点与服务提供方式，建立数据产品体系。通过数据产品开发，将数据资源转化为有实际价值的数据产品，满足企业内部或外部用户的需求，为企业提升业务效率，并带来新的商机和收益。
• 数据资产化阶段：在这一阶段主要通过确权、估值、入表、交易等手段，明确数据产品的权属和价值，将数据产品转变为具有金融属性的数据资产，为持有人提供保值、增值和资金融通等功能。

数据权属确认

确认数据资产权利归属是数据资产化应当解决的首要问题，也是数据资产进行会计确认计量的前提条件。2022年12月，中共中央、国务院印发《关于构建数据基础制度更好发挥数据要素作用的意见》，明确提出建立数据资源持有权、数据加工使用权和数据产品经营权“三权分置”的数据产权制度框架。

这一制度框架的核心在于区分数据的不同使用阶段和用途，明确不同阶段的权利人和权利范围。数据资源持有权关注的是数据的原始拥有者和其对数据的基本控制权；数据加工使用权允许持有者对数据进行处理和分析，以创造价值；而数据产品经营权则涉及将加工后的数据进一步用于商业活动，如销售数据产品或提供基于数据的服务。通过“三权分置”，可以更好地保障数据资产相关主体的权益，促进数据资产的流通和应用。

数据资产发挥价值的途径

数据资产入表

数据资产入表的意义

数据资产入表是指将企业的数据资源进行全面梳理、分类、定价和登记，形成数据资产台账，纳入企业资产管理体系。这是数据资产管理的基础性工作，是后续数据资产运营的前提和基础。

数据资产入表可以提高数据资产管理水平，使企业更加清晰地了解自身的数据资产状况。通过建立规范的数据资产台账，企业可以对数据资产进行有效的监控和管理，及时发现数据资产的变化和问题，并采取相应的措施进行处理。此外，数据资产入表还可以为企业的决策提供更加准确和全面的信息支持，帮助企业更好地制定战略规划和业务决策。

数据资产入表的步骤

• 数据资产梳理：全面盘点数据家底，企业要从数据种类、数据量级、数据质量、数据获取方式、数据存储方式等维度开展工作。例如，全面盘点内部各个业务系统和外部渠道中的各类数据，如结构化数据（如数据库）、半结构化数据（如日志）、非结构化数据（如文本、图片、音视频等）；统计每类数据的数量和容量，评估数据规模；评估数据的准确性、完整性、一致性、及时性等质量维度；梳理每类数据的来源渠道和获取方式，如自主采集、外部购买、合作交换等；盘点数据的存储介质、格式、工具等，了解分布式存储、云存储、数据库、大数据平台等存储方案的使用情况。通过系统梳理，企业可以绘制出一幅清晰的数据资源地图，这是开展数据资产管理的第一步。
• 数据资产分类：在梳理的基础上，根据数据特征和企业需求，构建科学合理的数据分类体系。通常可以从业务维度、重要性维度、敏感度维度、应用维度等角度来考虑。例如，根据数据对应的业务领域或业务流程来分类，如客户数据、产品数据、营销数据、财务数据等；根据数据对企业运营的重要程度分类，如核心数据、重要数据、一般数据等；根据数据的敏感程度分类，如个人敏感信息、商业机密、内部数据、公开数据等；根据数据的应用场景分类，如分析型数据、运营型数据、决策型数据等。合理的分类体系有利于数据全生命周期的管理，如存储优化、访问控制、安全保护、价值评估等，让数据管理更加精细化、标准化。
• 数据资产定价：对数据资产的价值进行量化评估，为数据资产交易、融资等提供价格基础。常见的定价方法有成本定价法、收益定价法、市场定价法、数据要素定价法等。成本定价法根据数据获取、存储、加工、维护等环节的成本支出，加上合理利润来定价；收益定价法评估数据资产未来可能带来的收益，如节省成本、提高效率、辅助决策等，然后折现到当前来定价；市场定价法参考市场上同类数据的交易价格，并考虑自身数据的独特性、稀缺性等因素来定价；数据要素定价法将数据划分为多个要素，如时间维度、空间维度、业务维度等，分别对每个维度评估定价，再综合得出数据资产价格。数据定价是一个复杂的过程，需要权衡各种因素，如数据质量、数据规模、数据获取成本、供需关系、使用场景等。同时，要关注数据价格的动态变化，及时调整定价策略。
• 数据资产入表：将梳理、分类和定价后的数据资产进行账务处理，登记造册，形成企业的数据资产负债表和明细账，用于反映企业拥有和控制的数据资产情况。具体步骤包括制定数据资产入表标准，明确哪些数据需要入表，入表的标准如何，数据资产如何分类核算等；搭建数据资产台账系统，建立数据资产台账登记与管理信息系统，用于录入、存储、查询、统计数据资产信息；健全工作流程，梳理数据资产入表各环节的工作内容和职责分工，建立跨部门协同的业务流程和审批机制；明确数据资产财务处理，研究制定数据资产的会计核算、计量、报告方式，以及与企业其他资产的关系处理；开展数据资产盘点，定期对数据资产进行盘点，核实账实相符情况，对盘亏盘盈情况进行账务处理。

数据资产交易

数据资产销售

数据资产销售是最直接的变现方式，即数据拥有方将数据产品出售给数据需求方，获得销售收入。常见的销售模式有：

• API销售：数据拥有方通过开放数据API接口，供需求方调用获取数据，并按调用量、频次等计费。如号码认证API、企业工商信息查询API等。
• 数据集销售：数据拥有方将特定主题、特定时间段的数据打包成数据集产品出售。如某App一个月的用户行为数据、某行业的企业财报数据等。
• 数据服务销售：数据拥有方利用自身数据，提供数据分析、数据挖掘、数据可视化等增值服务，并按服务内容和效果收费。
• 数据应用销售：数据拥有方将数据与业务场景相结合，开发数据应用产品对外销售。如风控模型、营销策略等数据驱动的解决方案。

数据销售要注意几点：一是要保护用户隐私，对个人信息要进行脱敏；二是要遵守数据安全法律法规，严防数据泄露；三是要制定合理的定价策略，综合考虑数据成本、市场行情等因素；四是要做好售后服务，为客户提供必要的技术支持。

数据资产交换

数据资产交换是指数据拥有方之间基于各自需求，进行数据互换共享，以实现数据价值最大化。交换通常采取等价交换原则，即用等值的数据进行交换。如果双方数据价值有差异，则可以补足现金或其他资源。

数据交换的优势在于：

• 优势互补：不同企业拥有不同领域的数据优势，通过交换可以弥补自身数据短板，实现数据互通有无、取长补短。
• 降低成本：与自建数据相比，交换数据可以显著降低数据获取和处理成本。
• 提升效率：交换可以快速获得需要的数据，减少重复采集，提高数据使用效率。
• 创新业务：交换数据可以开拓新的业务场景，催生数据驱动的创新产品和服务。

例如，零售公司和手机运营商交换数据，零售公司可利用通信数据分析客户位置、出行轨迹，优化网点布局；运营商则可利用消费数据丰富用户画像，提供更精准的营销服务。

数据资产融资

数据资产融资是指企业以数据资产为基础，通过质押、证券化等方式获得资金的过程。随着数据资产价值的不断提升，数据资产融资逐渐成为企业融资的新途径。

数据资产质押融资

企业可以将其拥有的数据资产进行质押，向金融机构申请贷款。金融机构会对数据资产的价值进行评估，并根据评估结果给予企业一定的贷款额度。数据资产质押融资可以帮助企业盘活数据资产，提高资金使用效率，同时也为金融机构提供了新的业务增长点。

数据资产证券化

数据资产证券化是指将数据资产的未来收益权进行打包，发行证券进行融资。通过数据资产证券化，企业可以将未来的现金流提前变现，缓解资金压力。同时，数据资产证券化也可以吸引更多的投资者参与，提高数据资产的流动性和市场价值。

数据资产代运营

数据资产代运营是指企业将数据资产的运营管理委托给专业的第三方机构，由第三方机构负责数据资产的开发、利用和维护，以实现数据资产的价值最大化。

代运营的优势

• 专业能力：第三方机构通常具有更专业的数据分析和运营团队，能够更好地挖掘数据资产的价值。
• 资源整合：第三方机构可以整合更多的资源，为企业提供更全面的服务。
• 降低成本：企业无需投入大量的人力、物力和财力来建立自己的数据运营团队，降低了运营成本。

代运营的模式

• 数据托管模式：企业将数据资产托管给第三方机构，由第三方机构负责数据的存储、管理和维护。
• 数据分析服务模式：第三方机构根据企业的需求，对数据资产进行分析和挖掘，为企业提供数据分析报告和决策建议。
• 数据应用开发模式：第三方机构利用企业的数据资产，开发数据应用产品，为企业提供增值服务。

数据资产价值实现的案例分析

温州大数据运营有限公司“信贷数据宝”案例

2023年10月，浙江省温州市大数据运营有限公司的数据产品“信贷数据宝”完成了数据资产确认登记。“信贷数据宝”是基于温州政务区块链的“数据资产云凭证”体系研发的数据产品。主要功能是通过个人或企业授权后，在确保隐私和数据安全的前提下，为金融机构提供信贷业务相关的数据服务，以此简化申贷材料和流程，提高授信审批效率和银行核查精准度。

自上线以来，“信贷数据宝”对接多家金融机构，共推出贷款产品42项，累计授信673亿元，用信182亿元，惠及用户15.2万。通过将数据主体授权信息“上链”，形成数字资产“云凭证”，有效解决了信息认证、存证、追踪、关联、回溯等方面繁琐性和风险性，实现信贷平均办理时间从之前的近10个工作日压缩到1 - 2个工作日。

浙江五疆科技发展有限公司“化纤制造质量分析数据资产”案例

2024年1月，全国首单工业互联网数据资产化案例在浙江省桐乡市落地。浙江五疆科技发展有限公司的“化纤制造质量分析数据资产”通过感知、汇聚来自工艺现场的生产数据，经清洗、加工后形成高质量的数据资源，用数据融通模型计算分析后，可实时反馈并调控、优化产线相关参数，也可实现对产品线关键质量指标的实时监控和化纤生产过程总体质量水平的实时评级，从而达到提高化纤产品质量、提升企业质量管理能力、提高经营效能的目标。

目前“化纤制造质量分析数据资产”包含了2787万条质量管理数据，物理化验数据、过程质检、控制图数据、对比指标参数、指标报警、预警趋势、不合格率等共27个数据模型，质量指数、合格率、优等率、稳定度等共38类指标体系。在使用该系统前，公司面临过程质量信息传递不及时、不准确、不全面、不系统等问题，导致产品质量难以把控，生产与市场需求脱节。使用系统后，数据要素驱动的品控体系日臻完善，质量管理效率和管理水平持续提升，吨质量成本年下降约6.81%，客诉率年下降约35.72%。

数据资产价值实现的挑战与对策

挑战

数据质量问题

数据质量是影响数据资产价值的重要因素。低质量的数据可能导致决策失误、业务效率低下等问题。数据质量问题主要包括数据不准确、不完整、不一致、不及时等。例如，数据采集过程中的错误、数据录入的失误、数据更新不及时等都可能导致数据质量下降。

数据安全与隐私保护

随着数据资产的价值不断提升，数据安全与隐私保护问题日益突出。数据泄露、数据滥用等问题不仅会给企业带来经济损失，还会损害企业的声誉和客户信任。此外，数据安全与隐私保护还面临着法律法规的严格监管，企业需要遵守相关法律法规，确保数据的安全和隐私。

数据资产价值评估困难

由于数据资产的特殊性，其价值评估存在一定的困难。目前，尚未形成统一的、科学的数据资产价值评估标准和方法。不同的评估方法可能得出不同的评估结果，这给企业的数据资产入表、交易、融资等活动带来了一定的困扰。

数据资产流通障碍

数据资产的流通受到多种因素的限制，如数据权属不清、数据安全担忧、数据标准不统一等。这些因素导致数据资产的流通效率低下，难以实现数据资产的价值最大化。

对策

加强数据质量管理

企业应建立完善的数据质量管理体系，加强对数据采集、存储、处理、分析等环节的质量控制。例如，制定数据质量标准和检测方法，定期对数据进行质量评估和清洗；加强对数据采集人员的培训，提高数据采集的准确性和规范性；建立数据质量监控机制，及时发现和解决数据质量问题。

强化数据安全与隐私保护

企业应加强数据安全和隐私保护意识，采取有效的技术措施和管理措施，确保数据的安全和隐私。例如，采用加密技术对数据进行加密存储和传输；建立访问控制机制，限制对敏感数据的访问；加强对员工的安全培训，提高员工的安全意识和防范能力。同时，企业还应遵守相关法律法规，确保数据的使用和处理符合法律要求。

完善数据资产价值评估体系

政府和行业组织应加强对数据资产价值评估的研究和规范，制定统一的、科学的数据资产价值评估标准和方法。企业可以参考相关标准和方法，结合自身实际情况，选择合适的评估方法对数据资产进行价值评估。此外，还可以引入专业的评估机构，提高评估结果的准确性和可信度。

促进数据资产流通

政府应加强数据要素市场的建设，完善数据资产流通的政策和法规，打破数据流通的障碍。例如，建立数据资产交易平台，规范数据资产交易行为；推动数据标准的统一，提高数据资产的兼容性和互操作性；加强数据权属管理，明确数据资产的权利归属，保障数据资产交易的合法性和安全性。

结论

数据资产作为数字经济时代的重要战略资源，具有巨大的价值和潜力。通过数据资源化和数据资产化，企业可以将原始数据转化为有价值的数据资产；通过数据资产入表、交易、融资和代运营等途径，企业可以实现数据资产的价值最大化。然而，数据资产价值的实现也面临着诸多挑战，如数据质量问题、数据安全与隐私保护、数据资产价值评估困难和数据资产流通障碍等。

企业应充分认识到数据资产的重要性，加强数据资产管理，积极探索数据资产价值实现的途径。同时，政府和行业组织也应发挥积极作用，加强政策引导和支持，完善数据要素市场体系，为数据资产价值的实现创造良好的环境。只有企业、政府和社会各方共同努力，才能充分释放数据资产的价值，推动数字经济的高质量发展。