基于业务计划和收益的数据资产价值评估研究
本文阐释数据资产和数据资产价值评估的概念，分析和总结了数据资产价值评估的一般方法及其优缺点，经比较分析得出基于业务收益评估数据资产价值具有一定的可行性。本文提出了基于业务计划和收益的评估方法，并将其应用于某独角兽公司的数据资产价值评估实践，分析其应用局限及未来优化方向。基于企业数据共享利用角度对数据资产价值评估方法做出有益探索，为企业数据资产价值评估提供一种新的视角，有助于完善我国当前的数据资产价值评估理论体系。
关键词：数据资产；价值评估；数据共享；业务计划；收益法
论文引用格式：李春秋,李然辉.基于业务计划和收益的数据资产价值评估研究——以某独角兽公司数据资产价值评估为例[J].中国资产评估,2020(10):18-23.
Data Asset Valuation based on Business Plan and Revenue:
A case study of evaluating the value of data assets in a unicorn company
LI Chunqiu 1, LI Ranhui 2
（1. Beijing Normal University, Beijing 100875, China; 2. JD Digits, Beijing 100176, China）
Abstract:This paper firstly explains the concept of data assets and data asset value assessment. Then, the general methods, advantages and disadvantages of data asset value assessment are analyzed and summarized. Through comparison and analysis, this research concludes that it is feasible to evaluate data asset value based on business income. In this study, a method based on business plan and revenue is proposed and applied to the practice of data asset valuation in a unicorn company. Finally, the application limitation and future optimization direction of the proposed method in this paper are analyzed. Based on the perspective of enterprise data sharing and utilization, this paper provides a beneficial exploration on the method of data asset value assessment and a new perspective for enterprise data asset value assessment, which is beneficial to improving the current theoretical system of data asset value assessment in China.
Key words: data assets, value assessment, data sharing, business plan, income approach
2019年11月，中共十九届四中全会中提出将数据作为生产要素，让数据参与到生产、分配和流通的环节。2020年4月10日，《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》正式公布，数据首次被正式纳入生产要素范围。数据作为生产要素的理念引导企业更加重视数据要素，并日渐成为企业的新型重要无形资产，准确评估企业数据资产价值有助于促进数据资产的流通。只有促进数据资产的共享和融合，才能发挥出数据资产的更大价值。企业需要明晰可操作、易实现的数据资产价值评估方法并探索运用于业务实践以实现数据资产价值。构建易于操作和实现的数据资产价值评估体系成为当前企业亟需解决的重要问题。
无形资产是指由企业拥有或控制、无实物形态、可辨认的非货币性资产。判定无形资产可依据两个条件，一是该资产产生的经济利益很可能流入企业，二是该资产的成本能被可靠计量。由此可见，可将完全符合无形资产特征的数据视作无形资产。数据可从企业自身业务系统中产生或者从公共资源中获取，数据以电子形式存储，没有实物形态，具有商业价值并能直接或间接地为企业带来未来经济利益。
但是，数据和其他无形资产如专利、商誉具有不完全相同的特点。相同之处是可控制、可计量和可变现，即无形资产很重要的三个要素。不同之处是如果数据资产被交换和交易，其价值就会增加到所有利益相关方；数据资产的价值并不因其被使用而减少，相反地，随着使用而增加；多源数据聚集和跨组织、跨领域的深度融合挖掘将大大增加数据的应用价值。
2.2.1 定义
数据资产价值评估是按照一定的估值标准，采用适当的评估方法，通过分析各种相关因素的影响，计算确定数据资产在某一评估基准日的现时价值。
2.2.2 目的
在开展数据资产价值评估之前，无论是交易双方还是第三方，都应综合考虑应用场景、数据资产特性、结果应用等因素确定评估目的。不同的评估目的影响评价数据采集、测算精度和结果报告形式。主要的评估目的包括：
由企业发起、评估其所拥有的数据资产以分别确定企业所拥有的核心数据资产和总资产的价值。
由数据交易双方发起、评估交易过程中的数据资产价值以确定数据交易的定价。
2.2.3 影响价值评估的数据资产特性
数据资产的基本特征通常包括：非实体性、依托性、多样性、可加工性和价值易变性等。通过梳理明确数据资产基本特征，可以帮助资产评估专业人员分析不同类别的数据资产特征对数据资产价值评估的影响。
1） 非实体性：数据资产无实物形态。需依托实物载体，数据本身决定数据资产价值。这一特征使数据具有无消耗性，即数据不会因为使用频率的增加而被磨损被消耗，与其他传统无形资产相似。数据资产的非实体性增加了数据资产隐形价值评估量化的难度。
2） 依托性：数据必须依托一定的、形式各异的介质存储，例如，纸、磁盘、磁带、光盘、硬盘、化学或生物介质。同一数据可通过不同形式同时依托多种介质存在。数据资产的依托性影响价值评估采取的数据分析与处理技术。
3） 多样性：数据的表现形式具有多样性，与其所依托的载体相关，可以是数字、表格、图像、声音、视频、文字、光电信号、化学反应和生物信息等。数据资产的多样性还体现在通过数据与数据处理技术的融合可以形成融合形态数据资产。例如，可通过数据库技术与数据、数字媒体与数字制作科技等融合产生。多样的信息可通过采用不同方法互相转换以满足不同数据消费者的需求，具体表现在数据消费者上则是消费者对数据使用方式的不确定性。数据类型的差异带来不同的数据处理方式，同一数据资产也可有多种开发利用方式。数据应用的不确定性使得数据资产的价值变化具有较大的波动性。数据资产的多样性影响数据资产价值评估的方式和具体流程。
4） 可加工性：可通过维护、更新、补充数据以增加数据量；也可通过删除、合并、归集数据以消除冗余数据；还可通过分析、提炼、挖掘、加工数据以得到更深层次的数据资源。对数据资产的加工方式和加工程度影响数据资产价值的赋值和增值程度。
5） 价值易变性：数据资产的价值受多种不同因素影响，这些因素随着时间的推移不断变化，使得数据资产的价值随着时间推移也具有波动性。比如，某些数据在当前的条件下可能被视作没有经济价值，但随着时代、理念、技术的发展可能会产生更大经济价值。
一般而言，数据资产价值的常用评估方法包括成本法、收益法和市场法三种基本方法及其衍生方法。中国资产评估协会2019年制定的《资产评估专家指引第9号——数据资产评估》对这些常用方法予以了简要介绍。
利用成本法对数据资产价值评估时，需基于形成数据资产的历史成本开展。数据资产的成本和价值具有弱对应性，其成本具有不完整性。成本法对有些数据资产价值评估存在一定合理性，比如，以成本分摊为目的的数据资产价值评估。
利用收益法对数据资产价值评估时，需要预计数据资产带来的收益进而估计其价值。这种方法在实际中比较容易操作，在目前数据资产价值评估实践中比较易于落实。这种方法具有一定的局限性，现实中使用数据资产直接取得收益比较少见。但是，根据业务计划获得的间接收益，在一定程度上有助于把握部分企业数据资产的收益。
利用市场法对数据资产价值评估时，需根据相同或者相似的数据资产的近期或者往期成交价格，以对比分析结果为基础评估数据资产价值。根据数据资产价值的影响因素，比如数据有效性、稀缺性、场景经济性等因素，对比和分析调整可比数据资产的价值，进而反映被评估数据资产的价值。
成本法在本质上是对数据成本的归集。主要看数据资产在全生命周期各个阶段的成本，比如建设时期的建设费用（包括人工材料）、运维时期的运维费用（包括数据加工的费用）等，这些费用共同构成数据的全部成本。这种方法适用于没有明显的市场价值或正在产生市场的数据。成本法的优点是比较容易把握和操作，易于获取历史数据产生的费用，比如把软件、硬件、人工费等予以求和计算，便于财务处理，因为财务会计人员和所有成本都从成本角度归集。
成本法便于解决数据丢失产生的法律纠纷，对于有些数据丢失后怎么赔偿与赔偿多少的问题，甲方和乙方之间会因争执而协调不定。如果按照成本法评估，提供数据成本等证据有助于解决法律的佐证问题。这种方法评估的数据资产价值往往偏低，因为收益和成本之间有一个弱对应，数据产生成本可能很低，但其价值是多倍增长，所以基于这个方法评估的结果并不十分准确。该方法比较适合第三方的中立机构采用，特别是不以交易为目的的机构。比如在政务数据的共享方面，这类数据不以盈利为目的，但是要明确掌握国有资产的成本和流向。成本法在本质上是对数据成本的归集。主要看数据资产在全生命周期各个阶段的成本，比如建设时期的建设费用（包括人工材料）、运维时期的运维费用（包括数据加工的费用）等，这些费用共同构成数据的全部成本。这种方法适用于没有明显的市场价值或正在产生市场的数据。成本法的优点是比较容易把握和操作，易于获取历史数据产生的费用，比如把软件、硬件、人工费等予以求和计算，便于财务处理，因为财务会计人员和所有成本都从成本角度归集。
收益法是通过估算被评估资产的预期收益并折算成现值的方法。适用的条件是被评估资产未来预期收益可以预测并可以用货币计量。收益法相对比较真实准确地反映数据资产价值，如果预期收益预估准确，其对应的数据资产的价值是比较容易预测的。收益法的缺点是收益额和风险预测比较难以预测准确，而且会受到主观判断因素的影响。对于数据的需求方而言比较容易进行预测，比如数据的购买方可以预测数据获取之后能产生多大价值；还有企业自身也比较容易操作评估，因为对于企业自身数据未来可以应用的业务场景及其未来收益是比较容易明确的，所以收益法适合企业自身采用。但是对于交易数据则很难预测对方获取数据后的收益，故不太适用于对外预估。
市场法是根据市场上类似数据交易的价格类比估值的方法，需要活跃的市场交易环境，有大量的交易和数据积累后比较适合采用这种操作。该方法反映目前的市场情况，比较容易为买方和卖方接受。缺点是对市场环境要求比较严格，评估实施时需要依托市场上类似的交易进行类比。目前，采用市场法的条件不是特别充足，与数据类似的无形资产有一定的保密性，评估人员很难收集数据交易的价格，只能获取到交易的是什么数据但是并不能轻易获取数据内容。而且，交易的数据类型比较单一，大多是结构化的数据、数据集和标签数据，非结构化数据等其他数据比较少，交易类型限于企业数据、气象数据和交通数据等。另外，数据市场提供的数据的质量、用户的数量、频次等信息获取难度也很大。
表3-1 常用方法比较分析
评估方法 | 优点 | 缺点 | 实施难点 | 适应场景 |
成本法 | 容易掌握和操作 | 对价值的估算往往偏低 | 很难算准数据的全生命周期成本 | 不以交易为目的 |
收益法 | 能真实反映业务价值 | 偏主观 | 预期收益预测难度大 | 适合于数据消费方 |
市场法 | 能反映资产目前市场状况，易被买卖双方接受 | 对市场环境要求高、评估难度大 | 前提条件不具备，无法有效采用该方法 | 适用于活跃的数据市场，以交易为目的 |
收益法在数据资产价值实际评估中比较容易操作，根据未来预期收益衡量企业数据资产能够更加真实、准确地反映数据资产的资本化价值，是当前评估数据资产价值值得推荐的方法。收益法要求被评估数据资产具有较好的收益能力，对于技术实力雄厚且有着较多数据资源积累的企业，可以运用尖端的大数据技术对数据资产价值进行挖掘，激活数据资产为企业带来更多收益，运用收益法评估互联网企业数据资产也容易被交易各方接受。
综上所述，结合企业数据资产的发展现状以及数据资产自身特点，可以看出目前运用收益法评估企业数据资产价值更具优势。其一，收益法评估的是数据资产的未来收益能力，能够更好地体现数据资产的内在经济价值；其二，基于我国数据资产市场的运行情况，收益法在实际应用中与成本法和市场法相比，其操作性和可行性更强，得出的评估结果相对而言更具可信性。然而，运用收益法评估数据资产价值也存在一些难点，主要在于收益法涉及许多评估参数，包括企业数据资产的预期收益、收益期以及折现率的计算，能否实现对这些参数的合理预测将直接影响评估结果的准确性。因此，收益法要求评估人员对被评估资产的业务运作有较好的理解，同时需要互联网企业中多个涉及数据资产的部门共同参与，这对估值过程中双方人员的配合提出了更高要求。
资产评估假设是资产评估结论得以成立的重要前提，主要有内部共享假设和单项目共享使用假设，具体内容如下：
1） 假设数据共享范围局限于企业内部使用，不涉及对外输出；
2） 假设数据申请方将数据用于自身业务发展，不擅自将数据移为他用，只限于单项目共享；
3） 假设数据资产已经过脱敏化处理，是具有统一格式的数据包，且其流通和利用均符合法律规定；
4） 业务收益主要来自于流动资产、固定资产、数据资产和其他无形资产，暂不考虑各项资产间的协同效应。
业务计划可以视为一个由数据驱动的针对某个业务场景的项目，业务部门通常启动业务计划以支持其整体业务战略。业务计划一般有与之相应的财务指标，业务计划的财务指标可以作为数据收益测算的基础，能够为数据资产提供可衡量的财务价值。由于一般收益法需要预测多期超额收益，本研究的数据资产评估方法是针对业务部门为实现业务战略而执行的重大业务计划，基于业务计划是由数据驱动且面向特定应用场景，所以只考虑在项目周期内的当期业务收益。
在业务计划启动之前，可以根据业务目标和具体的财务指标，依据每项影响业务成功关键因素的重要程度，按照一定比例分解得出数据资产的价值。
在业务计划完成之后，可以根据实际财务指标完成情况，依据每项影响业务成功关键因素的重要程度，按照一定比例分解得出数据资产的价值。
第一步：通过业务计划执行前后效益对比，捕获关键财务指标，以便粗略估计业务计划的财务影响，进而确定由业务计划产生的财务价值。
第二步：评估每项数据资产对业务计划的重要性，以确定每项数据资产支持相应业务计划的价值贡献度。
第三步：根据财务指标和每项数据资产的重要性及其贡献度，为每项数据资产分配其收益数值。
图4-1 评估步骤
4.4.1 案例背景
2019年初，某独角兽公司希望在未来12个月内，每个客户的产品销售平均数量从5.70增加至6.20，以此来评估相关数据资产（例如，客户基本数据、消费偏好数据、财务能力数据等）的价值。
评估基准日为2018年12月31日。
4.4.2 评估过程
第一步：确定业务计划的经济价值
将每个客户平均销售产品数量从5.70提高至6.20，预计每个客户每个产品每年为企业产生的经济价值为31.33 元（见表4-1）。
表4-1 业务计划价值量化
关键变量 | 价值 |
每个客户平均产品数量 | 5.7 个 |
财务收入 | 1250 万元 |
客户数量 | 7000 万户 |
每户平均收入 | 178.57 元 |
每户每个产品平均收入 | 31.33 元 |
因此，如果我们可以利用数据资产驱动业务增长，将每个客户购买的产品数量从5.70增加至6.20，那么该独角兽公司每年创造的经济价值大约为11 亿元，其中因数据产生的财务收入约为1.1 亿元（见表4-2）。
表4-2 数据价值量化
关键变量 | 价值 |
产品数量新增量 | 0.5 个 |
客户数量 | 7000 万户 |
每种产品平均收入 | 31.33 元 |
新收入金额 | 11 亿 |
数据带来的价值 | 1.1 亿 |
第二步：评估每项数据资产对业务计划的价值贡献度
利用德尔菲法评估每项数据资产的粗略价值顺序，以确定每项数据资产支持业务计划的重要性。首先，访谈主要利益相关方获得初始值，然后组织关键业务利益相关者召开研讨会，确定最终的各数据资产贡献度，见表4-3。
表4-3 各数据资产贡献度
数据资产 | 对业务计划的贡献度 |
数据资产A | 30% |
数据资产B | 20% |
数据资产C | 50% |
第三步：为每项数据资产分配收益数值
接下来，需要计算每项数据资产对于业务计划的相对经济价值。评估模型如下：
本次案例评估的评估结果得到数据供需双方的认可，业务计划执行前的预估收益与实际收益结果相近，验证了本研究提出的基于业务计划和收益的数据资产价值评估方法具有一定的可操作性。该方法适用于企业内部共享数据资产的业务场景，数据资产被用于数据需求方自身的业务发展。可以起到推进数据供方积极共享数据，促进数据需方更好地利用数据的双重作用。
该方案实施的难点是收益变化可能有很多影响因素，数据资产只是其中之一，收益的增长数值很难明确有多少是由数据带来的。
基于收益法评估数据资产价值，很大程度上受到预期收益的预估情况的影响。如果数据需求方预估的收益偏保守，那么数据资产价值评估的结果可能远远低于其真实价值，将不利于数据提供方。成本法可以提供数据资产的底线价值参照和协助确定收益额度，所以可以通过将收益法与成本法相结合的方式进行优化，由数据供方负责核算数据成本，数据需方负责测算数据资产所产生的超额收益。若成本较高，在成本的基础上加成10%，按照使用方（需方）数量平均分摊；若收益较高，根据数据资产价值评估反复验证的实践经验，可将数据资产所产生价值在供需双方之间进行五五分成，这样数据供需双方都比较容易接受。结算时，取“成本*(1+10%)”和“收益/2”二者中较大者作为利益共享额度。
虽然大多数公司都认识到数据是企业的一项重要资产，在业务发展过程中以及从外部获取了大量的数据资源，但是数据的价值很难量化。本研究基于比较分析和案例实践提出了基于业务计划和收益的资产评估方法，对评估数据资产在赋能业务过程中所产生的价值具有方法指导和实践参考意义。
并非所有数据的价值都是相同的，某些数据在支持企业业务计划时比其他数据更重要。所以，通过评估判定哪些数据资产价值更大，进而识别企业的核心数据资产，可以促进制定有差别、有针对性、有适用性的数据资产管理策略，以便于降本增效，提升企业的竞争力。
参考文献
[1] 2019.中共中央关于坚持和完善中国特色社会主义制度推进国家治理体系和治理能力现代化若干重大问题的决定[C]//中国共产党第十九届中央委员会第四次全体会议，2019-10-31，人民大会堂（北京，中国）.
[2] 中共中央国务院.关于构建更加完善的要素市场化配置体制机制的意见[S].新华社，2020-4-9，http://www.gov.cn/zhengce/2020-04/09/content_5500622.htm.
[3] 李然辉.2018.专家视野|李然辉，数据资产价值模型的理论研究与技术实现[C]//数据资产价值评估研讨会，2018-10-15，中国信息通信研究院（北京，中国），https://mp.weixin.qq.com/s/48a0vnxiHoTMrmjaOUwErg.
[4] 中国资产评估协会.资产评估专家指引第9号——数据资产评估[S]. 中评协〔2019〕40号.
[5] 中国信息通信研究院云计算与大数据研究所[S].2018.数据资产管理实践白皮书4.0.
[6] 李永红，李金骜.互联网企业数据资产价值评估方法研究[J].经济研究导刊.2017(14).
[7] 德勤&阿里研究院.2019.数据资产化之路数据资产的估值与行业实践.
[8] 李然辉.2019.数据资产价值评估模型的理论研究与技术实现探讨.http://www.jnexpert.com/article/detail?id=907&spead=share.
[9] 董千祥、郭兵、沈艳、段旭良、申云成、张洪，基于利润最大化的数据资产价值评估模型.大数据[J]，2020，6(3):13-20.
李春秋，北京师范大学政府管理学院讲师，主要研究方向为数字图书馆、数据溯源、政府开放数据、数字治理等。
李然辉，数据管理专家，国际数据管理协会（DAMA）会员，CDMP，中国企业数据治理联盟成员，国家工程实验室特聘工业大数据工程技术专家，主要研究方向为数据资产管理体系、数据资产价值评估、数据资产运营以及数据治理，具有评估专业知识及丰富的数据资产价值评估实践经验。
(欢迎大家加入数据工匠知识星球获取更多资讯。)
联系我们
扫描二维码关注我们
微信：DaasCai
邮箱：ccjiu@163.com
QQ：2286075659
热门文章
我们的使命：发展数据治理行业、普及数据治理知识、改变企业数据管理现状、提高企业数据质量、推动企业走进大数据时代。
我们的愿景：打造数据治理专家、数据治理平台、数据治理生态圈。
我们的价值观：凝聚行业力量、打造数据治理全链条平台、改变数据治理生态圈。
了解更多精彩内容
长按，识别二维码，关注我们吧！
数据工匠俱乐部
微信号：zgsjgjjlb
专注数据治理，推动大数据发展。