数据资产化之路：数据资产的估值与行业实践-德勤+阿里研究院-2019.10-40页_1mb

数据资产化研究报告总结

核心内容

本报告探讨了数据资产化的概念、价值体现、影响因素及评估方法，旨在为数据资产的识别、评估和管理提供理论框架和实践参考。随着数字经济的发展，数据正逐渐成为企业的重要战略资源，其价值体现在数据的收益与风险两个维度，并受到法律、道德、技术等多方面的影响。

主要观点

• 数据资产的定义与特性
  数据资产不完全符合传统会计准则中对资产和无形资产的定义，因此尚未被明确体现在企业的财务报表中。但数据资产具有通用性、外部性、不可耗尽性等特性，使其在企业经营中发挥着越来越重要的作用。

• 数据资产的价值体现
  数据资产的价值体现在其应用场景中，包括内部使用（如业务数据化）和外部商业化（如数据产品、数据服务）。数据资产的收益依赖于数据的质量和应用价值，而风险则来源于法律限制和道德约束。

• 数据资产的评估方法
  传统三种评估方法（成本法、收益法、市场法）在应用于数据资产估值时各具适用性，但也存在局限性。数据资产的特殊性（如时效性、多维性、共享性）使得其估值更具挑战性。

• 数据资产的重要性
  数据资产的形成有助于企业建立统一的数据语言，提升核心竞争力，加速数据交易，以及明确数据产权，推动相关商业模式的发展。

关键信息

数据资产的特性

• 通用性：数据资产具有更高的通用性，可应用于多个行业和场景。
• 外部性：数据资产可以打包形成数据产品，用于外部市场交易，创造更大商业价值。
• 无限共享：数据可以被多方同时使用而无损耗，具有更高的使用价值。
• 集合使用价值更高：多维度数据结合使用可能产生 1 + 1 > 2 的价值。

数据资产的影响因素

• 质量维度：包括真实性、完整性、准确性、数据成本、安全性。
• 应用维度：包括稀缺性、时效性、多维性、场景经济性。
• 风险维度：法律和道德风险对数据资产价值有显著影响。

数据资产的估值方法

• 成本法：基于重置成本和贬值因素，但数据成本和贬值因素难以可靠计量。
• 收益法：基于数据资产的预期收益，但许可使用费和使用期限难以准确估计。
• 市场法：基于可比交易案例，但市场尚未成熟，缺乏大量交易数据。

数据资产的案例分析

• 淘宝店铺：作为数据资产的载体，其价值受店铺等级、客户数量、消费特征等因素影响，评估时需考虑数据的持续获取能力。
• Facebook收购LinkedIn、Instagram、WhatsApp：展示了数据资产在企业并购中的重要性，数据资产的价值远超账面价值。

数据资产与法律环境

• GDPR的影响：提升了消费者对数据的控制权，增加了企业的合规成本，但也促进了数据合规和安全产业的发展。

结构清晰总结

1. 数据资产化概述

• 数据是数字经济时代的重要资源。
• 数据资产尚未被纳入财务报表，但其价值已被广泛认可。
• 数据资产化有助于企业提升竞争力，推动数据交易市场发展。

2. 数据资产的特性

• 通用性：数据可应用于不同行业和场景。
• 外部性：数据可被外部交易，形成数据产品和服务。
• 无限共享：数据可在同一时间被多方使用。
• 集合使用价值：多维数据结合使用价值更高。

3. 数据资产的价值体现

• 内部使用：用于业务流程优化和决策支持。
• 外部商业化：如芝麻信用、品牌数据银行等。
• 应用场景：如金融、物流、零售等。

4. 数据资产的影响因素

• 质量因素：数据真实性、完整性、准确性、成本、安全性。
• 应用因素：数据稀缺性、时效性、多维性、场景经济性。
• 风险因素：法律和道德风险，可能对数据资产价值产生重大影响。

5. 数据资产的评估方法

• 成本法：评估价值 = 重置成本 - 贬值因素。
• 收益法：评估价值 = 预期收益的现值。
• 市场法：评估价值 = 可比数据资产成交额 × 修正系数。

6. 数据资产的挑战与前景

• 数据资产尚未形成统一的估值体系。
• 数据的动态性、多维性、共享性等特性增加了估值难度。
• 随着数据交易市场的发展，估值方法和体系将逐步完善。

结论

数据资产是数字经济时代的重要资源，其价值受质量、应用场景及法律道德风险影响。尽管目前尚未形成成熟的数据资产估值方法，但随着数据交易市场的成熟和技术的发展，未来将逐步完善相关评估体系，推动数据资产的合理管理和交易。