艾瑞咨询_2026年中国数据交易观点报告_10页_1mb

> **来源：[研报客](https://pc.yanbaoke.cn)** # 以买方需求重塑数据交易 # 2026年中国数据交易观点报告 部门：研究院 署名：李超 ©2026 iResearch Inc. # 1. 数据交易顺利展开遵循的基本框架 # 1.1. 长期失效的数据交易 从2003年以来，互联网产业发展已经度过了23个春秋，在这期间诞生了无数的数字经济奇迹。在云服务和数智化等趋势加持下，数据成为经济圈公认的新生产资料，也因此数据作为生产资料的流通与交易，成为经济增长的重要事项。 当前我国数据交易市场虽已实现形式层面的落地运作，各类数据交易场所、交易行为逐步出现，数据也被纳入资产范畴完成权属界定与资产并表等基础操作，但整体仍处于名义交易阶段，尚未形成实质性推动产业发展的模式。交易过程多停留在表层数据的流转，缺乏对产业深层需求的挖掘与匹配，且未构建起供需双方共赢的商业逻辑。这导致数据交易无法为产业发展提供实际支撑，尚未发挥数据要素作为新生产资料的核心价值，对产业发展的实质性促进作用尚未显现。 # 1.2. 从交易基础到交易规则的两步走 数据交易的顺利运转，核心在于“基础构建”与“规则制定”的两步递进，二者缺一不可，但这里的规则制定并非单纯的交易规则，而是潜藏在交易双方背后，使双方都能够获得商业利益的逻辑。 # 交易基础 数据可用问题 数据确权问题 数据深度问题 # 交易规则 第一步的交易基础构建，本质是解决数据“能不能交易”的问题。原本的原始数据往往处于零散、模糊的状态，缺乏明确的权属界定和统一的规范标准，无法直接进入流通环节。要实现从不可交易到可交易的转变，关键是完成数据的标准化梳理。包含明确数据的来源边界、使用范围，厘清权属归属，消除模糊性和不确定性，让数据具备清晰的商品属性。只有当买家能明确知道自己购买的是什么、能用于什么场景，卖家也清楚自己出让的权利边界时，数据才真正具备了交易的基础。 第二步的交易的商业规则，核心是解决交易“能不能持续”的问题。核心在于构建双方共赢的商业测算逻辑。交易不是单一的买卖行为，而是双方的价值交换，卖方的价值体现在数据变现，而买房的价值体现在数据有效可用。 # 1.3.交易基础的核心要点 交易基础是数据能否交易的前提，交易基础的构建，核心卡在数据可用性、数据确权、数据深度这三大相互交织的阻碍上。 # 1.3.1. 数据可用 数据可用这个基础要点的核心矛盾基础是产业数字化程度高低，但亦有其他程度上的阻碍。 不同产业的数字化进程差异，本质上造成了数据能不能被有效利用的鸿沟。有的产业虽早早就引入了数字化工具，但早期系统缺乏统一标准，数据分散在多个互不兼容的平台中，形成企业内部的数据孤岛。而且这些数据可能以纯文本、扫描件、非结构化表格等形式存在，既无法被快速提取，也难以和其他数据关联验证。 有的产业则处于数字化初期，大量数据依赖线下记录或人工录入，不仅存在遗漏、错误等问题，还缺乏基本的分类和编码，就算勉强收集起来，也需要投入巨大成本进行整理，不具备交易所需的即时可用属性。更关键的是，数据结构化并非有字段就行，而是要实现“定义统一、格式兼容、逻辑自洽”。比如同样是“用户活跃度”，不同系统可能按日登录次数、单次使用时长、周互动频率等不同标准统计，这样的结构化数据，买家拿到手也无法直接对接自身需求，可用性自然大打折扣。 # 1.3.2. 数据确权 数据确权的难度源于数据本身的非实体特性与复杂的权益边界。 首先数据存在多方所有的困境。比如一笔交易数据可能涉及交易双方、服务平台、支付机构等多个参与方，每个人都为数据的形成贡献了信息元素，却很难界定谁拥有完整的所有权。权利归属模糊，交易就无法实现。 其次，隐私保护的天然阻力。数据大多携带个人或组织的敏感信息，就算厘清了所有权，卖家也不能随意转让，必须在确权的同时划定隐私保护的边界。需要在剥离敏感信息、界定匿名化的标准、喝避免交易后数据被滥用侵犯他人隐私等问题上落实明确的解决方案。 最后，跨境场景让确权问题更加困难。不同国家对数据主权、数据出境的规定千差万别，国内认可的权属划分，可能在境外违反当地的数据主权法规，导致跨境交易中的确权结果无法落地，进一步压缩了数据交易的空间。 # 1.3.3. 数据深度 数据深度的稀缺性直接击中了交易的核心价值诉求。 表面统计级数据之的结构化是停留在现象记录层面的结构化，比如某类行为的发生次数、某类指标的汇总数值，这类数据无需复杂的加工分析，只需统一统计口径就能形成标准化格式。 但买家真正需要的数据，是能穿透现象、触及产业本质的深层洞察。比如驱动产业波动的核心变量、不同环节的关联逻辑、潜在需求的演变趋势等，这类数据无法通过简单收集获得，需要对海量原始数据进行长期跟踪，想做到对买方有用还要结合产业逻辑进行解读。 其稀缺性源于两重困境：一方面是收集难，深层数据需要覆盖产业全链条的多维度信息，很多时候需要跨主体、跨场景整合数据，协调成本极高；另一方面是转化难，原始数据本身没有深度，需要专业能力将其转化为有决策价值的洞察，而这种转化能力并非所有数据持有方都具备。 # 总结：框架跑通，价值欠缺 总的来看，历史上很多数据交易所之所以没有形成稳定、持续且火热的数据交易市场，是因为它们并没有遵循数据交易规则两步走的核心思想，只单纯以美好的交易理念和远景为出发点，并不能真正的浸润真实的商业生活，对实体经济无益。 这些数据交易所的困境，本质是脱离了商业交易的本质逻辑。只沉迷于数据流通的概念包装，却不愿下功夫破解实际阻碍。它们既没有推动数据完成从零散到可交易的基础转化，也没有构建起让双方共赢的利益规则，导致所谓的交易市场始终悬浮在真实商业场景之上。 商业世界的核心是价值对等交换，空泛的远景无法替代实打实的利益支撑。数据交易应该是一个需求推动的市场，而现阶段能满足需求的数据大多不可轻易获得。所以数据交易的框架虽然早已完善，但这个产业距离完美还有很长一段距离。 # 2. 数据交易的商业化逻辑 如前文所述，数据交易的两段结构“交易基础”和“交易规则”，大体可以理解成交易基础是监管机构为主导的一段，而交易规则则是市场主导的一段。所以在实现数据交易这个大前提下，两段反映出的问题有所不同 # 2.1. 交易基础的建设集中在数据资产化阶段 由于交易基础所涵盖的内容，比如数据可用，数据确权等，都涉及法律层面的明确定性，所以在交易基础的构建上，多以法学研究为主。法学研究所解决的问题是数据合法地位，可用性，权责归属等等。 目前放眼全球，这类型的研究都达成了其既定的目标，明确了数据独立存在的法理依据，并使之可以作为一种资产计入企业的资产负债表。核心价值在于填补传统核算体系的空白，让数据要素的经济价值得到具象化呈现。但是并表并不等于数据的公允价值得到了评估，典型的卖方思维无法客观的反应数据价值，这需要通过实际的交易过程来体现。 # 2.2. 交易规则的商业思考 从目前市场交易较为活跃和成熟的金融与营销板块来看，数据交易的主体只有买方和卖方两部分。 # 2.2.1. 卖方视角 对卖方来说，可用以交易的数据资产分成三个部分：自有数据、外部采购数据和混合型数据。自有数据通常是最有价值的数据源，是卖方通过多年经营积累后的数据资产，有一定稀缺性。 而外部采购数据和混合型数据，一方面有可能是平台为了满足自身数据产品输出的需要而做的必要补充；另一方面则可能是通过卖方本身的企业或政府关系，拿到的稀缺数据。虽没有明确的特权经营的概念，但实质上就是一种特权经营行为。 目前有能力进行数据交易的卖方，已经在市场上形成了充分的竞争，数据几乎不存在高溢价。 # 2.2.2. 买方视角 数据交易的买方通常与卖方存在产业链上下游层面的关联关系，因为自身业务需求需要从卖方购买数据或数据产品服务。其购买意愿核心考量原则，按照目的可划分为三个等级： 本质目标 付费意愿 逻辑描述 增加利润 最高 情况一：获取数据后可开展一个新业务，这类情况概率很小 情况二：获取数据后可以扩大原有业务的规模 减少成本 中等 获取数据后，可以降低原有业务的成本，往往与增加利润的情 况二拱辰发生。 提高效率 研发环节的必要基材：中等 多以科研，尚未实现盈利的产品或业务线为主要载体，需要 大量数据投喂训练。比如当下的AI、具身智能等…… 业务环节中提升效率：最低 只在业务非核心环节有效能层面的微弱提升，企业跟随市场 热点进行的宣发层布局。或因其他重要合作附带完成的利益 交换。 虽然原则上，这三类本质目标的数据购买需求都可以促进数据交易发生，但第三类需求通常只发生在有行政目的的促进下。对数据交易有实质性推进的，还得是有实际增加利润，扩大原有市场功能的交易类型。 # 2.3. 数据交易的商业化逻辑 # 2.3.1. 卖方主导的数据交易 在数据交易的商业化逻辑中，主要存在以下几种变量：买方数据应用前收益，买方数据应用后收益，买方使用量、卖方技术水平和市场竞争程度。 从直接的市场定价来看，（使用后收益-使用前收益） $\div$ 使用量=单次数据使用的定价。 这个市场定价原则上与卖方技术水平和市场竞争程度成反比，换言之，技术水平越高，定价可能越低；市场竞争越充分，定价可能越低。 (1) 卖方派遣人员，驻场了解需求并开发模型 (2)注入数据，进行A/B测试 (3)计算收益差，预估全年用量 (4)完成交易，并进行售后 在数据交易的全商业环节上，可分成四个操作流程： # 第一，由卖方派遣人员，驻场了解买方需求，并开发模型。 如前文所述，目前相对成功的数据交易市场，买卖双方大多是产业链上下游的关系，所以当卖方打磨自身产品的过程中，势必需要更加理解买方用途。因此越深入了解买方的业务模式，就越可以让数据在对方商业体系内运转的更加高效。 来源：公开市场资料。 这一点虽然对数据交易有所促进，但也同时带来了巨大的问题，即这种销售模式与传统2B服务无异。通常很考验买方的数字化程度，数字化理念以及公司高管的态度。若三者均较差，那么未来数据在买方应用过程中的效果会大打折扣。 第二，在模型构筑完成后，由卖方注入数据。买方以一部分业务为试验田，进行A/B测试。 这一步是给数据定价的核心，也是数据在买方业务体系内能否有效的核心验证。主要评估的是最终使用效果。通常会结合常规的销售模型来评估，比如A/B两组的通过率、购买率等。在一些长周期的业务中，还可能监测后续的风险数据和复购率等指标。 第三，计算AB两组的收益差，通过差额对最终利润的影响情况，确定单次数据使用的价值，评估未来全年使用量。 计算出来的最终利润差值是双方进行数据交易后的总成果。也是卖方数据价值的终极体现。价值与价格的区分在于双份就总成本展开的分润谈判。从目前市场的结果来看，卖方可以分配的利润比例非常低。这种现象由两方面要素造成：一方面是最终产价值的产出是卖方的完整业务链条，数据只是一种辅助，其地位很难在社会范围内反客为主；另一方面在相对成熟应用的领域，数据供应商的竞争比较激烈。 对卖方来说，大量数据沉淀在其服务器上，尽管法律研究层面可以使这些数据成为资产并表。但无论其终值如何，都并不能为公司带来直接的好处。而此时，哪怕严重折价进行数据交易，对于卖方来说也是实打实的收入。所以这也更助长了卖方市场的竞争。而极致压缩自身报价的前提，就是卖方技术能力的跃升。在数据不变的情况下，解算出更多对业务有用的信息，是打开销路的重要手段。 最后，完成交易，并进行后期维护升级。 完成交易后，卖方有可能面临模型层面的更迭，或买方业务模式的优化。这都可能导致卖方对最开始构建的模型进行一定程度的调整，也同时是卖方技术迭代的检验。 # 2.3.2. 信贷与营销领域的典型应用 从数据交易，或者数据合作后直接见效的层面，金融信贷、尤其是网络信贷已经非常成熟。 信贷数据交易中的数据卖方，是掌握多平台用户信贷风险数据的平台；而数据买方是需要进行信贷业务的银行、消费金融公司及助贷平台等产业参与方。大多数买卖方之间，基本都是同行。 在交易流程上，通常在买卖双方达成交易意向后，会由卖方派驻人员到金融机构进行模型开发。之后卖方进行A/B测试。银行等金融机构的测试结果，主要考量使用外部数据进行风控后的信贷总额逾期率与平台平均逾期率之间的差值。因为金融机构的坏账都需要用其公司的纯利润去计提，所以逾期率的下降，直接意味着金融机构的利润上升。而上升的这部分利润，就是双方进行谈判的总池子。再针对总利润池，双方协商分配。原则上分润比为卖方比买方3：7或4：6。但以目前市场竞争的白热化程度来看，比例在行业应用中已基本失去标尺作用，现在大多以一次数据调用0.07元钱左右为固定定价。在这一领域具备核心地位的央行的征信系统，银行等信贷方调用数据，需支付1元人民币，远高于金融科技公司的价格。 同样的逻辑也应用在营销领域，而且更加简单。数据卖方是掌握网民基础画像和消费数据的平台；而买方是各类广告主。营销领域的数据交易的模型构建，往往会得到广告主已有系统的支撑。换言之，广告主需要的仅仅是根据模型计算出来的触达效果，并不关心触达方式和渠道。其A/B测试主要参考销售成功率。通过使用前后的销售成功率之差，确定数据交易为公司扩大了多少市场规模，并以此作为利润分配的依据。 来源：公开市场资料。 # 2.3.3. 信贷与营销数据交易成功的原因 之所以金融和营销两个领域在数据交易层面做的比较好，有以下几个原因： 首先，数字化基础完善。数字化是互联网产业发展到一定阶段带来的结果，所以互联网能产生利润，应用最好的领域自然也是数字化基础最为完善的领域。从最开始的信息发布平台，到能产生实际交易的网络金融服务，都在互联网发展的历史上留下了浓墨重彩的一笔。所以这两个产业如今的数字化水平，也是全行业最高的。 其次，业务模式固定。金融与营销是的数据应用，在同业间极为类似，所以产业链上下游的熟悉程度也最高。因此在模型构建和商务谈判中的损耗较小，比较容易达成共识。 最后，应用历史悠久。这一要素与数字化基础完善和互联网发展历史息息相关。应用时间悠久，也意味着企业内部有强烈的共识，可以从上到下的推动企业通过数据交易完成业务。而且很多无法落地的细则，通过约定俗共同遵守的原则，行政风险较小。这在中国当前解决了很大问题。 # 3. 实战型数据交易会反向推动产业数字化 中国的经济体制遵循两条暗线，一条是尊重市场规则的市场经济，另一条是以普惠大众共同富裕为核心理念的万物基础设施化的经济。这两条线在相当长的时间内，主导形成了现有的商业范式。一些创新性、试点性的产业，放在市场经济环境下积极生长并试错。当其重要性或体量足以影响居民生活时，便是其转变生态位，进行基础设施化改造的开端。 所以目前，数据交易没有放之四海而皆准的万能模式，其推广面临重重阻碍。因此，短期内买方需求主导的定制化数据交易，是数据交易从概念走向落地的核心支撑。这种模式的顺利展开与SaaS产业逻辑相似。二者均需摒弃通用化产品思维，以买方实际业务场景为导向。SaaS通过适配企业流程提供定制化功能，数据交易则需按买方业务逻辑打磨数据产品，二者都以买方实际收益为衡量标准。 如果短期内，买方需求主导的数据交易模式成为主流思想，并且面临规模化复制，那么必然反向驱动各行业数字化基础实现系统性升级。这一趋势的核心逻辑在于，数据交易的顺畅落地依赖标准化、高质量、可互通的数据供给，而当前各行业数字化基础的碎片化、非标准化问题，成为模式复制的主要阻碍。 与在数字化语境下讨论完善数字化问题不同，在数据交易语境下讨论的数字化，是一切以最终需求出发的数字化建设。很可能是想要开展数据业务的公司，在了解其目标客户业务流真实需求后，反向在自己业务环节上开展的数字化改造。它的周期很长，还有可能在形成业务之前就已经没有了市场。但是相比起当下以云服务厂商销售产品主导的数字化，这种根据需求牵引的数字化，原则上更加符合行业发展的真实需求。 这也意味着，理想化的数据交易其实还有很长的路要走，产业发展不仅要就事论事，紧盯产业自身。还需要深入挖掘，在产业相互交错共振的当前，解决自身问题的钥匙很可能是跨行业的问题。这或许也是下一阶段，能看到更多数据交易试点的初衷原点。 BUSINESS COOPERATION 业务合作 # 联系我们 400 - 026 - 2099 ask@iresearch.com.cn www.idigital.com.cn www.iresearch.com.cn 官网 微信公众号 新浪微博 企业微信 # LEGAL STATEMENT 法律声明 # 版权声明 本报告为艾瑞咨询制作，其版权归属艾瑞咨询，没有经过艾瑞咨询的书面许可，任何组织和个人不得以任何形式复制、传播或输出中华人民共和国境外。任何未经授权使用本报告的相关商业行为都将违反《中华人民共和国著作权法》和其他法律法规以及有关国际公约的规定。 # 免责条款 本报告中行业数据及相关市场预测主要为公司研究员采用桌面研究、行业访谈、市场调查及其他研究方法，部分文字和数据采集于公开信息，并且结合艾瑞监测产品数据，通过艾瑞统计预测模型估算获得；企业数据主要为访谈获得，艾瑞咨询对该等信息的准确性、完整性或可靠性作尽最大努力的追求，但不作任何保证。在任何情况下，本报告中的信息或所表述的观点均不构成任何建议。 本报告中发布的调研数据采用样本调研方法，其数据结果受到样本的影响。由于调研方法及样本的限制，调查资料收集范围的限制，该数据仅代表调研时间和人群的基本状况，仅服务于当前的调研目的，为市场和客户提供基本参考。受研究方法和数据获取资源的限制，本报告只提供给用户作为市场参考资料，本公司对该报告的数据和观点不承担法律责任。 艾瑞咨询 # THANKS 艾瑞咨询为商业决策赋能