一文解析场外数据交易：市场现状、挑战与未来趋势

点击蓝字

关注我们

指令者导读昨天，我们介绍了“数据交易市场分类——场内交易”，今天，我们就来解析下场外交易。

1. 场外交易概述

1.1 定义与特点

场外交易（Over-the-Counter, OTC）是指在交易所之外进行的交易，不通过中央交易所，而是通过各种通信方式在买卖双方之间直接进行的交易。这种交易形式在数据市场中表现为数据供需双方直接协商，不经过第三方平台。

特点：

• 灵活性：场外交易的条款可以由交易双方协商确定，包括数据的种类、价格、交付方式等。

• 隐私性：交易双方的信息和交易细节不公开，有助于保护商业秘密和个人隐私。

• 非标准化：与场内交易相比，场外交易的产品通常没有统一的标准，每笔交易可能都是独一无二的。

计算公式：

• 数据交易成本：总成本=单价×数据量总成本=单价×数据量

• 数据交易收益预测：预期收益=数据应用带来的额外收入−总成本预期收益=数据应用带来的额外收入−总成本

在实际应用中，数据交易双方会根据数据的类型、质量和应用场景来协商价格，而收益预测则需要考虑数据应用的潜在市场和实际效果。

1.2 与场内交易的对比

场内交易通常指在交易所内进行的标准化交易，如股票、期货等，其交易规则、产品和流程都相对规范化。与场内交易相比，场外交易具有以下不同点：

• 监管程度：场内交易受到严格的监管，而场外交易的监管相对较少，这使得场外交易在合规性方面存在一定风险。

• 交易效率：场内交易由于其标准化和自动化的特点，通常交易效率较高；而场外交易可能因为协商过程较长而效率较低。

• 透明度：场内交易的信息公开透明，市场价格和交易量等信息易于获取；场外交易则信息不公开，透明度较低。

2. 场外交易的规模与趋势

2.1 市场规模分析

场外交易（Over-The-Counter, OTC）在数据交易市场中占据主导地位，其特点是交易的非标准化和个性化。根据中国信通院发布的《数据价值化与数据要素市场发展报告（2023年）》，我国数据流通交易仍以场外交易为主，场内交易加速推进。2021年我国数据交易规模超500亿元，其中场外交易占比高达98%，而场内交易仅占2%。

场外交易的规模之所以如此之大，一方面是因为数据需求的多样性和个性化，另一方面也是因为数据的敏感性和隐私性要求。例如，金融行业的风控数据、医疗行业的病历数据等，这些数据往往需要在确保安全和隐私的前提下进行交易，而场外交易因其灵活性和定制性更能满足这些需求。

2.2 发展趋势预测

场外交易市场的未来发展趋势可以从以下几个方面进行预测：

1. 技术驱动：随着隐私计算、区块链等技术的发展，数据的安全和隐私保护能力将得到加强，这将为场外交易提供更可靠的技术保障，推动市场规模的进一步扩大。

2. 合规性要求：国家对于数据交易的法律法规将不断完善，合规性将成为场外交易的重要考量因素。数据来源的合法性、数据交易的透明度和可追溯性将成为市场参与者必须关注的重点。

3. 垂直行业深耕：场外交易将在特定垂直行业中得到更深入的应用和发展。例如，在医疗、金融、交通等领域，专业数据交易服务提供商将通过提供定制化服务来满足行业特定的数据需求。

4. 数据定价机制：目前数据交易的定价机制尚不成熟，未来将会出现更多基于数据质量、数据稀缺性、数据应用潜力等因素的数据定价模型，以促进数据交易的标准化和市场化。

以金融行业为例，假设某金融机构需要购买征信数据用于信贷风险评估，其数据交易的定价可以采用以下简化模型进行计算：

𝑃=𝐶×(1+𝑅)

其中：

• 𝑃 代表数据购买价格。
• 𝐶 为基础成本，包括数据采集、处理和交付的成本。
• 𝑅 代表风险溢价，根据数据的敏感性和使用风险进行调整。

假设基础成本为10万元，风险溢价为5%，则数据购买价格为：

𝑃=100,000×(1+0.05)=105,000 元

这个模型简单展示了如何基于成本和风险来估算数据交易的价格，实际应用中会有更多复杂因素需要考虑。随着数据交易市场的成熟，类似的定价模型将更加精细化和系统化，以适应市场的多样化需求。

3. 场外交易的参与者

3.1 数据供方

数据供方通常是指掌握大量原始数据或者经过加工的数据集的个人、企业或者政府机构。这些数据可能来源于金融交易记录、社交媒体、医疗健康、交通物流等多个领域。数据供方通过场外交易将数据的使用权或者访问权出售给需求方，从而实现数据的价值转换。

• 百度、阿里巴巴和腾讯等互联网巨头，作为数据供方，通过自身的平台积累了大量的用户数据。这些数据在经过脱敏和处理后，可以通过场外交易的方式提供给数据需求方，如市场研究机构或者金融科技公司。

3.2 数据需方

数据需方是指需要购买数据来支持其业务决策、产品开发、市场分析等活动的个人或组织。这些需求方可能没有足够的资源来收集或生成所需的数据，因此他们依赖于数据供方提供的数据。

• 一家制药公司可能需要通过场外交易购买医疗健康数据，以支持其新药物的研发和临床试验。通过分析这些数据，制药公司能够更好地理解疾病模式和药物效果。

3.3 第三方服务机构

第三方服务机构在场外数据交易中扮演着中介、咨询、技术支持等角色。这些机构可能提供数据评估、数据清洗、数据安全、法律合规等服务，帮助数据供方和需方顺利完成交易。

• 中介服务：第三方数据交易平台如贵阳大数据交易所，为数据供方和需方提供撮合服务，帮助双方找到合适的交易对象，并通过平台进行安全、合规的交易。

• 法律合规：数据交易需要遵守相关的法律法规，如数据安全法、个人信息保护法等。第三方服务机构可以提供法律咨询，确保数据交易的合法性。

• 数据评估：数据的价值评估是场外交易的重要环节。第三方评估机构通过一系列评估模型，如成本法、市场法、收益法等，来确定数据的交易价格。

• 计算公式：

• 成本法：数据价值=数据获取成本+数据处理成本+预期利润数据价值

• 市场法：数据价值=类似数据市场交易价格×调整系数数据价值

• 收益法：数据价值=预期收益/折现率数据价值

• 案例：一家数据评估公司可能会使用收益法来评估一个健康医疗数据集的价值。如果预计该数据集能够在未来五年内每年为需求方带来100万元的净利润，且合理的折现率为10%，则该数据集的评估价值为：

4. 场外交易的挑战与机遇

4.1 确权和定价问题

场外交易市场中，数据的确权和定价是核心问题之一。数据的所有权难以界定，因为数据可以被无限复制，且其价值随着使用场景和用户需求的不同而变化。

• 确权难题：数据的产生往往涉及多个主体，如用户、平台、服务提供商等，确定数据所有权归属变得复杂。例如，用户在社交平台上生成的数据，其所有权是否完全属于用户，还是平台也有权使用，目前尚无明确的法律规定。

• 定价机制：数据的价值难以量化，目前市场上缺乏统一的定价标准。通常，数据的价格由供需关系、数据的稀缺性、质量、以及潜在的商业价值等因素决定。定价公式可以简化为：

  𝑃=𝐶×(1+𝐷𝑆)

  其中，𝑃 代表数据的价格，𝐶 是基于数据获取和处理成本的基础价格，𝐷 代表数据的潜在需求，𝑆 是市场上数据的供应量。

4.2 数据安全与合规性

数据交易的安全性和合规性是场外交易面临的另一大挑战。

• 数据安全：在场外交易中，数据在不同主体间传递时的安全性难以保证。数据在传输过程中可能被截获或篡改，因此需要采用加密技术来确保数据的安全。例如，采用端到端加密技术，确保只有数据发送方和接收方能够解密和阅读数据内容。

• 合规性问题：不同国家和地区对于数据交易的法律法规不同，如何在遵守各国法律法规的前提下进行数据交易是一个挑战。例如，欧盟的《通用数据保护条例》（GDPR）对个人数据的保护提出了严格要求，违反规定可能会面临高额罚款。合规性检查可以通过以下步骤进行：

案例分析：

• Facebook与Cambridge Analytica事件：Facebook用户数据被Cambridge Analytica非法获取并用于政治广告分析，这一事件凸显了数据安全和合规性的重要性。Facebook因此事件受到了GDPR的处罚，罚款高达数亿美元。

• 中国的数据交易所：中国的贵阳大数据交易所通过建立严格的数据审核和安全保障体系，确保数据交易的合规性和安全性，为场外交易提供了一个相对规范的平台。

通过上述分析，可以看出场外交易在数据确权、定价、安全和合规性方面面临着不少挑战，但随着技术的发展和法规的完善，这些挑战也逐步转化为行业发展的机遇。

5. 政策与法规环境

5.1 相关政策法规

数据交易市场的健康发展离不开政策法规的指导和约束。近年来，我国在数据交易领域的政策法规建设取得了显著进展。

• 《数据安全法》和《个人信息保护法》的实施，为数据交易提供了法律基础，明确了数据的收集、存储、使用和交易等方面的规范。

• 《关于构建更加完善的要素市场化配置体制机制的意见》提出了数据要素市场化改革的方向，为数据交易市场的发展提供了政策支持。

• 各地政府也纷纷出台相关政策，如《上海市数据条例》等，旨在促进数据资源的开放和交易，规范市场秩序。

5.2 政策对市场的影响

政策法规对数据交易市场的影响是多方面的，可以从以下几个角度进行分析：

• 市场准入门槛提高：随着政策法规的完善，数据交易市场的准入门槛相应提高，不合规的数据交易行为受到严厉打击，市场环境得到净化。

• 数据交易成本增加：合规要求使得数据交易的成本增加，包括数据清洗、脱敏、合规性审查等方面的投入。

• 市场规模预测模型：可以建立一个简单的市场规模预测模型，以场外交易为例，模型可以表示为：

   市场规模=交易数量×平均交易金额市场规模

  假设某数据交易平台有100笔交易，平均交易金额为10万元，则市场规模为1000万元。

• 案例分析：以某数据交易案例为例，某金融机构通过场外交易获取了价值500万元的数据资产，用于信贷风险评估，提升了信贷决策的准确性，减少了约10%的信贷损失。

• 市场活跃度提升：政策的明确和支持，使得更多的企业和机构愿意参与到数据交易中来，市场活跃度显著提升。据统计，某数据交易平台的交易活跃度在过去一年中增长了30%。

6. 案例分析

6.1 百度与行业巨头的合作

在数据交易市场中，百度作为搜索引擎巨头，拥有海量的用户数据和行为数据。2022年1月，百度联合美团、小红书、顺丰、携程、知乎、同程、猫眼、58同城等十余家企业宣布开启流量、技术、服务生态三大层面的互联互通合作。这场合作是典型的场外交易实例，通过数据的共享与流通，各方能够更深入地挖掘数据价值，提升服务效率和用户体验。

合作模式分析：

• 数据共享：合作企业之间通过API接口等方式共享用户数据，实现数据资源的互补。

• 流量互通：利用各自的平台优势，进行流量引导，增加用户覆盖面。

• 服务互补：通过技术合作，提供更加丰富和便捷的服务，如智能推荐、精准营销等。

数据价值计算：以百度为例，假设通过合作，每月能够额外获得1000万用户的搜索数据，每条数据能够为百度创造$0.01的直接广告收入，则每月的数据价值为：每月数据价值=1000万×0.01=10万元。

6.2 个人简历数据业务的数据价值化过程

个人简历数据是数据交易市场中非常敏感且具有高价值的数据类型。贵阳大数据交易所通过数字化、隐私计算等技术采集求职者的个人简历数据，加工处理成数据产品，确保用户数据可用不可见，保障个人隐私。通过“数据产品交易价格计算器”结合价格计算模型和应用场景，为个人简历数据提供交易估价参考。

数据价值化流程：

• 数据采集：收集求职者的个人简历信息。

• 数据加工：对原始数据进行清洗、分类和格式化处理。

• 数据产品化：将加工后的数据整合成数据产品，如人才市场分析报告。

• 数据交易：通过数据交易平台进行数据产品的销售。

数据价值计算公式：假设每份个人简历数据加工后能够创造$10的交易价值，贵阳大数据交易所一年内处理了10万份简历数据，则年交易价值为：年交易价值=10×10万=100万元。

以上两个案例展示了场外交易在数据交易市场中的多样性和灵活性，同时也体现了数据价值化过程中数据安全和隐私保护的重要性。通过场外交易，数据供需双方能够在更加宽松的环境中探索数据的潜在价值，实现数据资源的优化配置。

随着数字化转型的深入，更多行业将参与到场外数据交易中，推动数据交易市场的多元化发展。

推荐阅读

数据资产交流群

随着数据科学和大数据技术的飞速发展，数据资产已成为企业和个人不可或缺的宝贵资源。为了促进数据资产的共享、交流与创新应用，我们特此创建了[数据资产交流群]。

加入方式：
请扫描二维码，添加小助手，备注“数据资产”，通过后，小助手会把您拉入我们的[数据资产交流群]，与志同道合的伙伴们一起探索数据的无限可能！

END

发现“分享”和“赞”了吗，戳我看看吧~