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

数据资产化之路总结

核心内容

本报告探讨了数据资产的定义、特性、影响因素及估值方法，旨在为数据资产的确认、计量与交易提供初步的理论框架和实践指导。随着数字经济的发展，数据已成为企业的重要资产，但其资产化仍面临诸多挑战，包括法律、道德、技术等方面。

主要观点

• 数据资产的定义与特性：数据资产不完全符合会计准则中对“资产”和“无形资产”的定义，因此尚未体现在企业财务报表中。它具有通用性、外部性、无限共享性、集合使用价值高等特点。
• 数据资产的价值体现：数据资产的价值来源于其应用场景，包括内部业务数据化和外部商业化。数据通过分析和整合，可以为企业带来经济利益。
• 数据资产的影响因素：主要分为收益和风险两个维度。收益取决于数据质量、应用价值；风险则来自法律限制和道德约束。
• 数据资产估值的挑战：传统的三种估值方法（成本法、收益法、市场法）在应用于数据资产时各有适用性和局限性，尚未形成统一的成熟估值体系。
• 数据资产化的重要性：数据资产化有助于企业形成统一的数据语言，提升核心竞争力，促进数据交易，明确数据产权。

关键信息

数据的分类与特性

• 数据分类：按生产对象可分为与人、物、事有关的数据；按内容可分为社交数据、购物数据、生产数据等；按存储形式可分为结构化、半结构化、非结构化数据。
• 数据特性：大数据具有4V特性，即Volume（大量）、Velocity（高速）、Variety（多样）、Value（低价值密度）。

数据资产的定义与权属

• 数据资产是由企业过去的事项形成的，由企业拥有或控制，预期能为企业带来经济利益，且其成本或价值可以可靠计量。
• 数据资产的权属问题尚未有完整的法律体系，数据权利可细分为多个权利束，如占有权、使用权、收益权等。

数据资产的价值影响因素

• 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：法律限制和道德约束可能对数据资产的价值产生重大影响。

数据资产估值方法

• 成本法：以重置成本减去贬值因素，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计算现值，但许可使用费和使用期限难以准确估计。
• 市场法：基于可比交易案例进行估值，但目前市场尚不成熟，缺乏全面交易数据。

数据资产交易案例

• LinkedIn：被微软以262亿美元收购，其价值主要体现在用户数据。
• Facebook：市值远高于账面资产，源于其庞大的用户数据。
• Instagram：被Facebook收购，其价值同样源于用户数据。
• Wholefoods：被亚马逊收购，以获取更多消费者数据。
• WhatsApp：被Facebook收购，因其用户数据的商业价值。
• 淘宝店铺：作为数据资产载体，其价值不仅体现在店铺本身，更在于其积累的消费者数据。

结构清晰总结

数据资产化的重要性

• 形成企业共通的数据语言：减少数据理解差异，提升数据分析效率。
• 形成企业的战略资产：增强企业核心竞争力，提升资产存量和分析能力。
• 加速数据资产交易：推动数据市场发展，促进数据流通。
• 促使数据资产产权明确：完善法律体系，推动数据资产相关商业模式的发展。

数据资产估值方法

数据资产的挑战与前景

• 法律与道德风险：数据资产的价值受法律和道德环境影响较大，需进行风险量化。
• 应用场景多样性：数据资产在不同场景下的价值差异显著，需明确应用场景。
• 市场发展不成熟：目前数据交易市场尚不成熟，需推动市场和估值体系共同发展。

结论

尽管数据资产化面临诸多挑战，但其作为数字经济时代的重要资产，具有巨大潜力。未来需要在法律、技术、市场等方面不断探索，以形成更成熟的数据资产估值体系，推动数据资产的广泛应用与价值实现。