认识“数据资产”

　　日前，中国银行在内部成立数据资产管理部，进行有关数据的基础、数据的标准、整个数据的价值挖掘方面的工作。随着数据价值逐渐得到普遍认可，数据资产也越来越成为一个重要议题。尽管数据资产不完全符合会计准则中对于“资产”及“无形资产”的定义，尚无法体现在企业的财务报表上，但这并不影响企业对于数据的价值及其对企业价值的贡献的认可。

　　何为数据资产？

　　在数字经济时代，随着数据、算法的发展，“资产”的形态和范围正在出现全新的革命性变化。“数据资产”的概念逐渐被更多人所接受，这个概念由信息资产、数字资产衍生出来，并随着大数据的蓬勃发展而被提出，在当下，“数据资产”的内涵包括：对巨量数据进行分析，提取出有价值的信息，并利用该信息为企业创造经济价值。

　　那么需要如何从广义上认可数据的价值及其对企业价值的贡献呢？数据资产化的重要性在于形成企业共通的数据语言，数据作为各部门运行的衍生产物，分散在企业运营各部门处。各部门由于职能不同，对数据的理解表述方式也各不相同。数据分析者往往需要花费大量的时间和精力收集各类数据，寻找数据共通的连接方式，才能将其归类分析应用。数据资产化意味着在公司内部形成共同的“数据语言”，各部门为了统一的分析目的，形成各自对应的统计标准，在运营过程中实时对数据进行收集汇总分析。由此，企业的管理层可以更高效地对数据进行讨论和沟通。

　　其次，形成企业的战略资产。数据资产化之后，数据资产会渐渐成为企业的战略资产，企业将进一步拥有和强化数据资源的存量、价值，以及对其分析、挖掘的能力，进而会极大提升企业的核心竞争力。

　　最后，促使数据资产产权问题明确。数据资产的所有权问题，在未来也会越来越明确，法律制度会随着基础管理能力的提高而完善，以数据资产为核心的商业模式，也将会在资本市场中越来越受到青睐。

　　资产化视角下的数据有着显著特性——

　　l 通用性

　　资产具有通用性和专用性，数据资产与传统资产最重要的区别在于数据资产的通用性更强。资产的通用性是指资产替换使用程度以及与其它资产结合使用的程度。数据相对于一般的无形资产、实物资产可以说具有更高的通用性。有形资产往往由于其形态限制，而数据通常可以用于不同行业不同领域，比如个人的信用信息在金融行业和消费领域都是非常重要的营销、运营依据。

　　l 外部性

　　数据除企业自用外，还可以打包形成数据产品、数据服务等在外部市场销售，以产生更大的商业价值，而且数据的外部性往往是其价值的重要组成部分。生产数据的企业可以利用数据提升自身的业绩，同时这些数据对其他企业也会具有相当的价值。比如，租车企业在搜集到用户的用车习惯后，不仅可以进行针对性的客户维护和营销活动，还能在合法合规的前提下，把相关数据提供给保险公司作为其分析寻找目标客户的重要信息。

　　l 可以无限共享

　　数据可以在在同一时间被多方使用而没有任何损失，这一特性使得数据具有更大的使用价值。

　　l 集合使用价值更高

　　数据的价值取决于数据的应用场景，单一数据的应用有限，多维度的数据结合应用可能产生1+1大于2的价值。

　　数据资产的应用场景

　　数据资产的应用场景极其丰富，并仍在不断扩大。如，在公共事业领域，浙江省开展“公共数据资源梳理”项目，它包括企事业单位、政府单位，依托电子政务项目预审的工作，开展全省项目独立预审单位的信息系统实有数据普查等，借助数据系统更高效地处理政务工作。按照使用场景可将数字资产的应用分为：内部使用的业务数据化以及外部商业的数据业务化。

　　其中，业务数据化主要指将企业运营产生的数据进行收集整理分析，用于服务自身经营决策、业务流程，从而提升公司盈利能力。如，电商平台在运营中会产生大量的平台交易数据，平台可以通过对现有交易数据的分析来制定下一步的运营和营销策略；各电信运营商定期分析高价值用户的套餐状态、消费情况、使用异常等，从而可以适时地采取客情维系策略等。

　　数据业务化是指将数据整理分析后形成可以对外服务的数据商品。如，芝麻信用利用云计算、机器学习等科技客观呈现个人和企业的商业信用状况。芝麻信用从用户信用历史、行为偏好、履约能力、身份特质、人脉关系五个维度对用户的信用进行评估。目前已在租赁、购物、商旅出行、本地生活等众多商业场景中通过信用科技赋能，让商户为更多用户提供更好更便利的服务；品牌数据银行是阿里巴巴发布的服务于品牌的消费者数据资产管理中心，它将品牌消费者数据视为资产，并由一次次营销和运营活动逐渐积累和沉淀，将多个单次活动串联起来，从而能够支撑企业长期的营销规划和决策，品牌商由此可以直观地看到相应的消费者资产，并用于帮助其营销决策。

　　值得注意的是，影响数据资产价值的因素主要从数据资产的收益和风险两个维度考虑，数据资产的收益取决于数据资产的质量和数据资产的应用价值。数据资产的质量是应用价值的基础，对数据的质量水平有一个合理的评估，有利于对于数据的应用价值进行准确预测。

　　数据资产质量价值的影响因素包含真实性、完整性、准确性、数据成本、安全性等。其中，完整性表示数据对被记录对象的所有相关指标的完整程度。关键数据的缺失，将影响数据在应用中的价值贡献，或需增加成本去补充数据。数据的采集范围越广，完整性可能越高，数据资产的价值相对也会越大。准确性，表示数据被记录的准确程度。在工作中，拿到的数据都需要先进行清洗工作，排除异常值、空白值、无效值、重复值等。安全性表示数据不被窃取或破坏的能力。数据自身的安全性越高，就可以为企业产生越稳定的价值贡献；同时，数据持有企业对其支付的保护成本越低，其数据资产的价值越大。

　　数据资产应用价值的影响因素包含稀缺性、时效性、多维性、场景经济性等。其中，稀缺性表示数据资产拥有者对数据的独占程度，商业竞争的本质，部分来自于对于稀缺资源的竞争。时效性，数据的时效性决定了决策在特定时间内是否有效。比如交通信息数据，在没有智能交管之前，交管中心收集的交通数据通常比较滞后，司机收到的路况信息已经是几十分钟之前的，低时效导致数据的价值大打折扣。场景经济性，数据的价值在于与应用场景的结合，不同应用场景下，数据所贡献的经济价值有所不同。

　　综上，数据资产具有通用性强、外部性、不可耗尽等独有特性，使得数据资产的价值主要受其数据质量、应用场景及法律道德限制的影响，尽管目前尚未形成成熟的数据资产估值体系及方法，但仍需要逐步探索和推进特定领域或具体案例中数据资产价值的分析，从而在构建数据资产评价体系上更进一步。