近年来，数据成为资产逐渐成为行业共识。然而，相对于实物资产，企业对于数据资产的管理还处于非常原始的阶段，数据资产价值评估还存在很多问题和挑战。
为进一步促进数据资产价值评估相关问题的研究交流，推动通用的数据价值评估机制建立，2018年10月15日上午，CCSA TC601大数据技术标准推进委员会在中国信通院召开“数据资产价值评估研讨会”。符山进行了题目为《数据资产价值评估的框架思考》的演讲。
在演讲中，他首先介绍了数据资产评估在国内外当前的发展现状，同时还从数据特性、数据资产与无形资产的异同以及进行数据资产价值评估时要考虑的维度等方面，介绍了数据资产价值评估工作的思路以及框架设计。
以下为演讲实录
大家好，我今天讲四个方面。
我在介绍的时候就说了咱们是个攻坚工作，其实打了伏笔，这个事很难，不光难在咱们一家，不光难在中国。
先看中国的实践：革命尚未成功。从2015到2018年，关于数据资产价值评估的事件，我摘了几个新闻。从这上面看，感觉2015年数据资产价值评估这事儿就成功了，大数据资产评估中心已经落户了；2016年更是落地道“数据贷”的应用了；但到了2017年有点矛盾，一边讲有一个全球首个评估模型，一边又讲急需建立标准，大数据评估体系需要标准化，似乎又回到2015年前的情况；最后，来到2018年，再次传来好消息，首个官方授权的数据评估中心在内蒙古成立。从这几个看起来前后有点曲折矛盾的消息，其实不难得出结论，数据资产价值评估的事情在国内实际上是“革命尚未成功”。
国际情况呢，也可以总结为一句话：环球同此凉热。我们看一下国外在这方面的结论：这是UCSD和戴尔EMC公司一起做的关于数据资产价值评估的一个研究，其结论是，无论在交易数据价值还是内在价值、模型价值，目前都没有成熟方法论。
这一页和上一页出处一样，都是戴尔专门研究数据的总裁Steve Todd去年的演讲，Steve是专门研究数据价值的专家，在业界比较有影响力。很多人都在讲数据资产，但谁也别吹牛。叫资产，那么它进表了吗？没进表怎么叫资产？当然这个评判标准比较绝对，但这个绝对的标准在一定程度上也反映了数据资产价值评估还前路漫漫。
数据没有进表就不能算是正式的资产，但就没有交易了吗？当然不是。国外有些地方数据交易比较成熟的操作下，有一些相对来讲成型的套路。特别是政府和企业之间的数据的交换，有一种是以物易物（Barter）的模式，一种是license模式。虽然如此，市场上数据交易缺乏价值评估标准的现实没有改变，没有这样一个公认的标准的数据价值评估模型的时候，大家都只能摸着石头过河。
数据资产价值和价值评估的内涵是什么？我把“数据资产价值评估”作为一个词组拆开，分成三部分分析。其中有一些内容和前面几位专家讲的可能有所重叠。
我的思路是讲数据资产价值评估，按照顺序其实应该先讲数据、然后讲资产，最后再讲价值评估。目前我看到业界很多研究都是在看资产、无形资产怎么评估，而比较缺失的部分正是怎么样认识数据。我认为，只有理解了什么是数据的价值，才能说数据资产的价值。而实际上，数据资产价值这件事是非常复杂的。
这一页的左边列出了几个当前比较多见的几个关于“数据价值”的“共识”。右边是我对这些说法的解读。举例而言，原始数据价值比较低，而经过处理的数据价值比较高，这个说法是否正确呢？我认为，这么说有其道理，实际上是在强调结构化处理和数据分析的重要性，但是未加工数据也并非等同于低价值密度。再比如，大家一般也都认同数据和有形资产一样会贬值，也有人更进一步的说，数据需要维护，否则就会贬值。的确如此，无论是否维护数据都会贬值，而不维护会贬值更快，但数据的时效性也有其场景，或者说时效性也是相对的，并不是在所有的时候数据都会随着时间的推移而贬值。
还有种说法就更困惑了。有人说数据使用的时候价值高，不使用价值低，还有的干脆说数据不用没有价值，真相到底是什么？我理解，数据加工带来增值，数据的价值并不取决于使用的动作，只是价值的大小在使用时才能确定。虽然常用的数据价值的确较高，但并不是说这个数据不用就没有价值。
再问，是否数据质量越高价值越高？理论上是对的，但实际上，数据的买卖双方是有价值鸿沟的，数据质量如何为高，怎么评判，和什么样本做比较，这里面涉及了比较多的问题。总而言之，关于数据价值，即使是上面这些貌似共识的叙述都是模棱两可的，其复杂性可见一斑。
出于上述复杂性，我们讨论企业数据资产价值的时候，就必须对数据特性有清晰的理解。在企业信息化的环境里，我们首先看数据的三个基础属性。其中业务附着性最重要，绝对化讲一切数据都是在还原业务的现状，代表业务的含义。关于业务这个概念，中文的表达不太精确。什么叫业务，是一个业务流程还是一项业务活动？我理解，企业信息化语境中，与生产、收益相关的事项都叫业务。可以说，数据的定义、衍生、盘点、估值都是业务决定的。基础属性中的另外两项也是跟业务附着性相关，一个是价值的不确定性，另一个可复制性虽然是数据本身的特性，但实际也跟业务有一定的相关性。
右边的这些属性，较之基础属性而言称为条件属性，也可以叫做相对属性。很多文章讲数据的非枯竭性、稀缺性、规模增值性、维度增值性，我认为这些数据的特性都是相对而言，不是绝对的，因为它跟业务相关、随业务情况而改变。不同的业务场景、不同的数据处理能力、甚至信息技术进步、数据获取成本、企业信息化成熟度都会影响数据的价值表现。
理解了数据的特性，再看数据资产。从资产到无形资产再到数据资产，三者的特性有一定的延续性，也有一定的差异。先看差异的部分：资产定义是拥有或可控制，数据资产则有意的把“拥有”二字去掉，只讲可控制，因为在更多的时候数据产生价值的前提并不是所有权。无形资产的价值需要有外部的认可，但是数据资产似乎并非如此，外部变现当然是最直接的价值体现，但内部收益并和企业外部的认可无关。在共性的部分，最重要的是可计量，我们要确定数据资产的价值就需要能够计量，而事实上，这个问题已经成为谈论数据资产的一个瓶颈。
最后我们来价值评估。讲到资产价值评估，通常就是上面的三种方法。我理解不同方法实际对应的是资产价值的不同应用维度，也就是效用价值、成本价值、战略价值、交易价值。需要首先明确需要评估的是哪个维度的价值，回过头来看到底用哪些方法。基于这样一种思路，从数据到资产到价值评估，在关注计量模型之前首先是评估目标是什么，根据不同的评估目标，是战略的、还是企业并购的、还是内部成本核算的、还是政府资产评估，不同的目标之下大致对应不同的维度，一个目标下也可以有多个维度，不同的维度对于不同的计量模型组合。
数据资产价值评估中的概念内涵澄清后，不难看到这个工作的复杂性。因此我大致勾勒了一个数据资产价值评估的框架，其中核心部分当然是中间的方法论层。在这个方法论中，左边三个相对都好说，前面也有所述及，而最难的就是“落地方法”。落地方法难在哪里？我们的看法是：数据价值的评估，无论用什么模型，最后绕不开的就是主观评价。我今天来做这个报告之前还在想，难道主观评价就没有客观的量化标准吗，我还没有一个明确的答案。
事实上，数据资产价值评估除了方法论的难题之外，之前必须要有资产评估所依赖的数据基础建设。企业的数据平台、数据组织、制度、规范等治理工作的保障没有建立起来的时候，谈数据资产价值评估是非常困难的。
关于数据资产价值评估的方法论，业界能看得到的有这么几个。首先当然是Gartner的方法论体系，去年Gartner推出了全球首个数据资产价值评估模型。从落地角度看，目前最可以借鉴的是Dell EMC和旧金山大学做的收益法。国家电网运监中心在2015年也有一个论文，采用的层次分析模型也有一定的可参考性。
按照前面绘制的框架，我们逐一解读一下数据资产价值评估工作的各个模块。首先看评估目标。我总结归纳了六类数据资产价值的应用目标，不见得全面，只是放在这儿当个靶子。
Gartner的数据价值评估方法论是其信息经济理论的一部分，在美国政府中有一定的影响力，其中的IPG和IVG被认为是信息经济学中最重要的两个概念。
Gartner的价值评估框架如上图（由于涉及知识产权在此略去），其英文名字是Valuation Models，用了Model这个词的复数形式，所以我认为更适合翻译为个方法论而不是模型。按照这个方法论，信息价值分成内在价值、业务价值、绩效价值、成本价值、市场价值、经济价值六种。左侧三者偏向于内部收益，右侧偏向于外部变现，但也不是简单的按内外划分的，而是主观评分和货币计价的差异：左边基本都不是用财务的角度讲，都是主观的评估评分，右侧都要转化成Dollar Value。
其实我也看到网上有人介绍和引用这几种价值评估的模型，但其实我认为Gartner的这套方法论的精髓不在于单一模型或公式，而是这几种方法针对不同场景的复合运用。也就是说，根据实现某种目标和某种应用维度混合运用上述不同的模型，比如如果是投资场景评估数据价值的目的，可以用内在价值加上业务价值，最后推出经济价值，也可以有不同的展示和使用的方式。
我们团队是做落地的，从纯粹落地的角度评估，当前公开的大部分模型都不能工程化落地，都只是框架。当然，这些思路是我们是可以借鉴应用的。
Gartner的业务价值评估方法论中的业务和经济价值评估，在现实中有几种从业务应用入手的实践。前面提到的戴尔EMC的研究使用的是协作价值生成框架法，它是从业务的战略到战略目标分解成财务的dollar value，再往下分解到不同的业务模块，然后映射到各信息化的应用，最后看不同信息化应用使用的数据，并评估数据的价值。
上图就是具体的操作过程，这个论文在网上大家可以下载到，我看过后有可以落地的感觉。但实际上这些大多还只是感觉，真正要落地的话绕不开主观评价和各个业务部门如何去认可你的数据，你评估的数据颗粒度大小，是到表还是到数据，等等问题。我们团队在实践中使用的价值九宫格的方法，在这里就不详述了，欢迎大家会后来交流。
另外值得强调的是，数据资产价值评估的前序动作是数据资产盘点。之前在信通院的数据资产管理大会上，也听过阿里的专家讲阿里巴巴的相关方法论，其中也强调先进行资产盘点。数据资产盘点这件事情如果不做的话数据资产评估是无从谈起的，无论是内部收益评估的还是外部交易的价值评估的都要去做这件事情，政府和各个行业都适用。
最后，我想谈一谈关于生态协同的几点想法。站在信通院的角度想，我认为今天我们谈数据资产价值评估的行业生态建设，可能要考虑两点。首先，生态建设的开始要选好队友。从需求方来看，需要找数据治理比较成熟的企业，不是他卖了多少数据，数据交易量可能是可参考的，但是可以帮助我们理论化的东西会少一点。供给方要集思广益，我们不但要有信息化解决方案商，传统资产评估机构的理论实践依然重要，当然还有大学科研机构。理想做法是真正跟大学科研机构在一起成立专门的小组，在相当长一段时间内做一些实证案例的研究，才能够真正把框架建立起来。其次，是考虑生态建设应该做些什么。数据资产价值评估的相关理论已经够多了，现在的重心应当是向实证方向努力。行业的差异非常大，所以做一个放之四海皆准的标准是不容易的，所以我建议可以做框架，也就是说告诉各个行业可以按照这样从目标到维度到模型到落地方法这样的框架去做，但是真正到每个行业标准真的挑战比较大。
作为最后总结的一句话，数据资产价值评估的生态建设，需要在座的各位真抓实干，和信通院一起把这件事情推进下去。
近年来，数据成为资产逐渐成为行业共识。然而，相对于实物资产，企业对于数据资产的管理还处于非常原始的阶段，数据资产价值评估还存在很多问题和挑战。
为进一步促进数据资产价值评估相关问题的研究交流，推动通用的数据价值评估机制建立，2018年10月15日上午，CCSA TC601大数据技术标准推进委员会在中国信通院召开“数据资产价值评估研讨会”。符山进行了题目为《数据资产价值评估的框架思考》的演讲。
在演讲中，他首先介绍了数据资产评估在国内外当前的发展现状，同时还从数据特性、数据资产与无形资产的异同以及进行数据资产价值评估时要考虑的维度等方面，介绍了数据资产价值评估工作的思路以及框架设计。
以下为演讲实录
大家好，我今天讲四个方面。
￭魏凯：符山总从国际几个模型研究出发，结合你们给客户服务过程中的经验，后面提了对于TC601怎么做这个工作，首先有一个通用的模型，这个模型有分支，再跟行业结合看看垂直行业怎么做这个事，这是比较现实的做法，一个模型普适所有行当是不现实的。
￭符山：我更愿意用框架这个词，而不愿意用标准或模型，太大了以后往前推进户比较难。
￭提问：数据价值这块存在生态圈，具体的生态圈的思路有没有更详细的想法？
￭符山：今天是一个开始，我只是试着站在魏主任的角度想这个事情，大的思路就是甲方乙方都要进来，我们要做模型的尝试真的不是一蹴而就的，或者是原来的什么东西拿过来就用，戴尔EMC这个案例大家可以看一下，要做到他们这个样子很多基础工作是大学科研工作，怎么样跟产业结合的工作，都是最基础的东西，我们要走很长的一段路。
￭提问：看到您讲了那么多框架收获很大，我想问一个问题，这么多方法真正能够落地的我们实际用的比较多的有哪些？
￭符山：这个问题之前几位专家也有提及，大家应该有个感觉，就是没有一招包打天下的，每家讲数据资产价值评估的时候初衷想法都不太一样，反过来讲如果没有这样一个明确的想法，落地就很难。如果领导说我们要评估一下数据资产，你也不问就去干了，那完蛋了，你干一年两年都干不下去。如果一定要抛开应用背景讨论具体是哪个方法最可以用，大致的说收益法是大家最常用的东西，成本法是评估内部的，效益法是评估外部的。但无论哪一个都很难落地，因为主观评价价值太难了，最后只能从中选择一个相对来讲容易一点的干。所以最终还是要回到目标是什么，如果是内部的可能成本法稍微容易一点，如果是外部的市场交易的就用市场法，但市场法解决不了问题，解决不了最开头的问题，大家交易市场撮合只能到这儿了，撮合这个价值从哪儿出来，甲方认为10块钱乙方认为5块钱，10块钱5块钱怎么出来的还是解决不了。不同的方法要混合使用，还要看战略目标，看数据的业务价值，看数据业务属性。
联系我们请点击：
数邦客
