在当今数字化时代,数据已经成为企业最宝贵的资源之一。如何有效管理和利用数据资产,实现数据价值最大化,已成为众多企业面临的重要课题。本文将深入探讨实现数据资产价值的四种主要方式:入表、交易、融资和代运营。通过剖析这四种方式的内涵、流程、关键点以及优势和挑战,为企业盘活数据资产、增强数据驱动力提供参考和指引。
一、数据资产入表:夯实数据管理基础
数据资产入表是指将企业的数据资源进行全面梳理、分类、定价和登记,形成数据资产台账,纳入企业资产管理体系。这是数据资产管理的基础性工作,是后续数据资产运营的前提和基础。
(一)数据资产梳理:全面盘点数据家底
数据资产梳理的目的是摸清家底,全面了解企业的数据资源状况。这需要企业从以下几个维度来开展工作:
1. 数据种类:企业要全面盘点内部各个业务系统和外部渠道中的各类数据,如结构化数据(如数据库)、半结构化数据(如日志)、非结构化数据(如文本、图片、音视频等)。
2. 数据量级:要统计每类数据的数量和容量,评估数据规模。这有助于了解数据的增长趋势,合理规划存储和计算资源。
3. 数据质量:数据的准确性、完整性、一致性、及时性等质量维度都需要评估。数据质量直接影响后续数据应用的效果,需要高度重视。
4. 数据获取方式:梳理每类数据的来源渠道和获取方式,如自主采集、外部购买、合作交换等。不同数据的获取成本和难度不同,影响其价值判断。
5. 数据存储方式:盘点数据的存储介质、格式、工具等,了解分布式存储、云存储、数据库、大数据平台等存储方案的使用情况。
通过系统梳理,企业可以绘制出一幅清晰的数据资源地图,这是开展数据资产管理的第一步。
(二)数据资产分类:构建分类体系
数据资产分类是在梳理的基础上,根据数据特征和企业需求,构建科学合理的数据分类体系。通常可以从以下几个角度来考虑:
1. 业务维度:根据数据对应的业务领域或业务流程来分类,如客户数据、产品数据、营销数据、财务数据等。这种分类便于业务部门使用和管理数据。
2. 重要性维度:根据数据对企业运营的重要程度分类,如核心数据、重要数据、一般数据等。核心数据对业务运转至关重要,如交易数据、客户数据等,应优先保障。
3. 敏感度维度:根据数据的敏感程度分类,如个人敏感信息、商业机密、内部数据、公开数据等。对敏感数据要采取更严格的管控措施。
4. 应用维度:根据数据的应用场景分类,如分析型数据、运营型数据、决策型数据等。不同应用对数据的时效性、计算性能等要求不同。
合理的分类体系有利于数据全生命周期的管理,如存储优化、访问控制、安全保护、价值评估等,让数据管理更加精细化、标准化。
(三)数据资产定价:评估数据价值
数据资产定价是对数据资产的价值进行量化评估,为数据资产交易、融资等提供价格基础。常见的定价方法有:
1. 成本定价法:根据数据获取、存储、加工、维护等环节的成本支出,加上合理利润来定价。这种方法操作简单,但未充分体现数据的市场价值。
2. 收益定价法:评估数据资产未来可能带来的收益,如节省成本、提高效率、辅助决策等,然后折现到当前来定价。这种方法较为全面,但评估难度较大。
3. 市场定价法:参考市场上同类数据的交易价格,并考虑自身数据的独特性、稀缺性等因素来定价。这需要市场有较为活跃的数据交易。
4. 数据要素定价法:将数据划分为多个要素,如时间维度、空间维度、业务维度等,分别对每个维度评估定价,再综合得出数据资产价格。这种定价更加精细化。
数据定价是一个复杂的过程,需要权衡各种因素,如数据质量、数据规模、数据获取成本、供需关系、使用场景等。同时,要关注数据价格的动态变化,及时调整定价策略。
(四)数据资产入表:建立台账制度
数据资产入表就是将梳理、分类和定价后的数据资产进行账务处理,登记造册,形成企业的数据资产负债表和明细账,用于反映企业拥有和控制的数据资产情况。
具体步骤如下:
1. 制定数据资产入表标准:明确哪些数据需要入表,入表的标准如何,数据资产如何分类核算等。
2. 搭建数据资产台账系统:建立数据资产台账登记与管理信息系统,用于录入、存储、查询、统计数据资产信息。
3. 健全工作流程:梳理数据资产入表各环节的工作内容和职责分工,建立跨部门协同的业务流程和审批机制。
4. 明确数据资产财务处理:研究制定数据资产的会计核算、计量、报告方式,以及与企业其他资产的关系处理。
5. 开展数据资产盘点:定期对数据资产进行盘点,核实账实相符情况,对盘亏盘盈情况进行账务处理。
数据资产入表是一项系统性工程,需要企业上下齐心协力。建立规范的数据资产台账,可以提高数据资产管理水平,也为后续数据资产价值实现打下基础。
二、数据资产交易:实现数据价值变现
数据资产交易是通过售卖、转让、交换等方式,将数据资产的使用权有偿转移给需求方,以获取经济收益的过程。这是实现数据资产价值变现的主要方式之一。
(一)数据资产销售:直接卖数据
数据资产销售是最直接的变现方式,即数据拥有方将数据产品出售给数据需求方,获得销售收入。常见的销售模式有:
1. API销售:数据拥有方通过开放数据API接口,供需求方调用获取数据,并按调用量、频次等计费。如号码认证API、企业工商信息查询API等。
2. 数据集销售:数据拥有方将特定主题、特定时间段的数据打包成数据集产品出售。如某App一个月的用户行为数据、某行业的企业财报数据等。
3. 数据服务销售:数据拥有方利用自身数据,提供数据分析、数据挖掘、数据可视化等增值服务,并按服务内容和效果收费。
4. 数据应用销售:数据拥有方将数据与业务场景相结合,开发数据应用产品对外销售。如风控模型、营销策略等数据驱动的解决方案。
数据销售要注意几点:一是要保护用户隐私,对个人信息要进行脱敏;二是要遵守数据安全法律法规,严防数据泄露;三是要制定合理的定价策略,综合考虑数据成本、市场行情等因素;四是要做好售后服务,为客户提供必要的技术支持。
(二)数据资产交换:数据互通有无
数据资产交换是指数据拥有方之间基于各自需求,进行数据互换共享,以实现数据价值最大化。交换通常采取等价交换原则,即用等值的数据进行交换。如果双方数据价值有差异,则可以补足现金或其他资源。
数据交换的优势在于:
1. 优势互补:不同企业拥有不同领域的数据优势,通过交换可以弥补自身数据短板,实现数据互通有无、取长补短。
2. 降低成本:与自建数据相比,交换数据可以显著降低数据获取和处理成本。
3. 提升效率:交换可以快速获得需要的数据,减少重复采集,提高数据使用效率。
4. 创新业务:交换数据可以开拓新的业务场景,催生数据驱动的创新产品和服务。
比如,零售公司和手机运营商交换数据,零售公司可利用通信数据分析客户位置、出行轨迹,优化网点布局;运营商则可利用消费数据丰富客户画像,推送个性化套餐。双方各取所需,创造共赢。
但数据交换也面临挑战:一是如何评估数据价值,以实现等价交换;二是如何保障数据安全,防止数据被滥用;三是如何协调不同企业的数据标准,确保数据质量。这都需要交换双方密切沟通,制定严密的交换协议和管理机制。
总之,无论是数据销售还是交换,都是盘活数据资产、实现数据价值的有效途径。企业应立足自身禀赋,结合行业特点、市场需求,灵活选择变现模式。通过参与数据交易市场,既能获取额外收益,又能优化业务运作,推动企业数字化转型。
三、数据资产融资:盘活数据获取资金
数据资产融资是以企业持有的数据资产为标的,从资本市场获取资金支持的行为。具有数据资源、但缺少资金的企业可通过数据融资,盘活数据存量,缓解资金压力。
(一)数据资产质押贷款:数据当抵押
数据资产质押贷款是指以数据资产为质押物,从银行或其他金融机构获得贷款。由于数据资产无形、易复制、难定价等特点,数据质押贷款在实践中仍面临诸多挑战。
1. 质押标的认定:哪些数据资产可以质押,质押数据资产如何界定其边界和内涵,都需要贷款双方形成一致。
2. 价值评估体系:为确定贷款金额,需对质押数据进行价值评估。银行可引入第三方数据资产评估机构,借助大数据分析、人工智能等技术开展评估。
3. 质押登记公示:数据质押要进行登记公示,但数据资产登记还缺乏统一的规范和标准,亟待制度完善。
4. 风险管控机制:数据质押贷款的违约风险高于传统抵押贷款。银行既要评估数据价值的稳定性,又要控制借款企业的数据滥用、泄露风险。可采取阶段性审查、动态调整额度、强化用途监管等方式加强管控。
开展数据质押贷款,对银行的数据认知、风控能力提出较高要求。目前,建设银行、平安银行等机构已开展了一些数据质押贷款试点,但总体还处于探索阶段。未来,随着数据确权机制逐步建立,数据质押有望成为中小企业融资的重要渠道。
(二)数据资产证券化:数据变股票
数据资产证券化是指将数据资产进行金融化包装,形成可在金融市场交易的证券产品。其基本原理是:将特定数据资产及其未来收益,打包成标准化的金融产品,通过公开发行、上市交易等方式,面向投资者募集资金。数据资产证券化可分为以下几个步骤:
1. 选定基础资产:选择现金流稳定、价值高、风险可控的数据资产作为基础资产,如信贷数据、消费数据等。
2. 成立特殊目的载体(SPV):由发起人成立特殊目的实体,将选定的数据资产真实出售给SPV,实现破产隔离。这是规避发起人信用风险的关键。
3. 证券化产品设计:对入池数据资产进行切分组合,设计成不同风险等级、不同收益率的证券化产品,以满足不同投资者偏好。
4. 信用增级:通过优先/次级分层、超额抵押、第三方担保等方式提高产品信用等级,以提高发行评级和认购意愿，降低融资成本。
5. 信用评级:由专业评级机构对证券化产品进行信用评级,综合考虑基础资产质量、交易结构、参与方信用等因素,为投资者提供参考。
6. 发行与交易:证券化产品通过公开发行、私募等方式销售给投资者,并可在交易所、柜台市场进行转让交易,为持有人提供流动性。
7. 贷款服务与现金流支付:SPV聘请贷款服务机构负责基础资产的运营管理和贷款催收,保障证券化产品的现金流按时、足额支付。
数据资产证券化可以盘活存量数据资产,加速资金周转,拓宽融资渠道。对于投资者而言,数据ABS产品可以提供多元化的投资选择,有助于优化资产配置。
但数据资产证券化也存在一些问题:一是数据价值不稳定,现金流预测难度大;二是缺乏统一的数据确权机制和登记制度;三是数据资产处置困难,风险较高;四是投资门槛高,投资者教育成本大。这些都制约了数据资产证券化的发展。
总的来说,我国数据资产证券化实践还不多,仍处于起步探索阶段。未来,随着大数据产业的快速发展和相关法律制度的逐步完善,数据资产证券化有望成为数据价值变现的重要路径之一。
(三)数据资产基金:借力资本市场
数据资产基金是由专业投资机构发起设立,专门投资数据资产及其相关产业的私募股权投资基金。其运作模式是:基金管理人募集资金,成立数据产业基金,以股权投资、债权投资等方式,投资于大数据、云计算、人工智能等数据驱动型企业或项目,通过投资增值和退出变现来获取收益。
数据资产基金的优势在于:
1. 募资广度:可面向社会募集资金,为数据产业发展提供长期稳定的资金支持。
2. 投资专业性:由专业投资团队管理,能更好地发掘和培育数据产业优质标的。
3. 资源整合能力:基金可发挥产业链整合作用,为被投企业提供资金、技术、管理、渠道等多维赋能。
4. 退出灵活性:基金可根据市场情况,通过IPO、并购、股权转让等多元化方式实现退出,为投资者获取回报。
但数据基金也面临挑战:一是数据产业尚不成熟,优质投资标的少;二是数据资产价值评估体系还不健全;三是专业投资人才稀缺;四是相关法律政策有待完善。这些都在一定程度上制约了数据产业基金的发展。
尽管如此,一些头部机构已嗅到数据产业的巨大前景,先后发起设立了数据产业基金。如2020年,中国平安成立100亿元的大数据产业基金,重点投资人工智能、区块链、云计算等领域;2021年,云从科技成立20亿元的数字经济产业基金,专注投资数字政府、智慧交通、智慧金融等数字化转型项目。未来,随着我国新型基础设施建设的持续推进和数字中国战略的纵深实施,数据资产基金将为数字经济发展提供重要的资本助力。
四、数据资产代运营:借力实现价值
数据资产代运营是数据持有方将自身数据委托给专业数据服务商运营,并分享数据收益的一种模式。其实质是以数据使用权获取收益,data as a service(DaaS)。数据代运营是将数据资产交给"懂行"的合作伙伴,借力实现价值。
(一)选择数据服务商:甄选最佳伙伴
数据代运营要选对合作伙伴,考察服务商的几个关键要素:
1. 行业理解能力:服务商对所在行业的业务逻辑、数据生态有深刻理解,善于把握行业数据应用趋势和客户需求。
2. 数据运营能力:服务商具备数据采集、清洗、挖掘、可视化等全流程运营能力,拥有成熟的数据治理体系和技术工具。
3. 安全保障能力:服务商具备完善的数据安全保护机制,如数据分级分类、访问权限控制、数据加密传输等,可有效防范数据泄露、滥用等风险。
4. 商业变现能力:服务商拥有丰富的行业资源和渠道,擅长数据商业化运作,善于将数据转化为产品和服务,实现商业价值。
5. 团队专业背景:服务商汇聚多领域专业人才,如数据科学家、行业专家、产品经理等,具备交叉学科的知识融合能力。
选择合适的数据服务商需要全面衡量其战略契合度、数据运营实力、安全管理水平等因素,可采用公开招标、战略对标等方式择优选择。
(二)厘定合作模式:激励相容很重要
选定服务商后,要制定清晰的合作模式,明确双方的权利义务。常见的合作模式有:
1. 技术授权模式:数据持有方授权服务商使用其数据,服务商利用自身技术优势开发数据应用,双方约定收益分成比例。这种模式技术门槛高,服务商主导能力强。
2. 联合运营模式:双方共同出资成立合资公司或项目组,整合各自的数据、技术、渠道等资源优势,共同开拓市场。这种模式利益捆绑较深,需要双方高度互信。
3. 委托运营模式:数据持有方将数据交由服务商全权运营,服务商定期返还约定的运营收益。这种模式对数据持有方的管理精力要求较低,但对服务商的公信力要求很高。
4. 风险共担模式:服务商先期垫付数据运营成本,待运营产生收益后,再与数据持有方分成。这种模式风险共担,利益共享,但对服务商的资金实力要求较高。
数据代运营要选择契合双方商业目标、技术实力、风险偏好的合作模式,并设计灵活的利益分配机制,以实现激励相容,调动双方的积极性。同时要做好过程监督,防范道德风险。通过数据代运营,数据持有方既可借助专业力量盘活数据,又能聚焦主业发展。
(三)价值变现路径:全生命周期服务
在大数据时代,数据运营不仅要"会存会算",更要"会用会玩"。数据服务商要为客户提供全生命周期、全链条的增值服务,实现数据价值"全景式"变现:
1. 咨询规划:服务商为客户提供数据应用的战略咨询、规划设计、评估论证等服务,助力企业顶层设计。
2. 数据治理:服务商可提供数据标准制定、主数据管理、元数据管理等治理服务,夯实数据应用基础。
3. 数据开发:服务商利用人工智能、机器学习等技术,开发数据分析、挖掘、可视化等工具产品,为客户个性化定制开发。
4. 数据运营:服务商根据客户需求,提供数据采集、清洗、加工、分析、应用等一揽子运营服务,实现数据资产增值。
5. 数据变现:服务商可将数据产品、数据服务进行市场化运作,通过API输出、模型众包、报告销售等方式实现变现。
6. 安全合规:服务商全流程融入数据安全保护和隐私合规机制,提供数据分级分类、脱敏加密、访问审计等安全服务。
7. 培训赋能:针对客户技术和业务人员,开展数据思维和数据技能培训,帮助企业完善数据应用人才体系。
服务商以敏捷迭代的方式推进数据开发运营,快速响应客户需求变化。同时,坚持需求导向,从用户痛点和应用场景出发,持续优化算法模型,改进数据服务。通过数据资产全生命周期运营,服务商可为客户创造长期、稳定的数据红利。
五、四种方式组合：因企制宜 灵活运用
入表、交易、融资、代运营,是实现数据资产价值的四种主要方式。但在实际运用中,这四种方式并非割裂对立,而是相辅相成,可以灵活组合。不同的企业应根据自身的战略目标、数据禀赋、经营实力等,因企制宜地选择价值实现路径。
比如,互联网头部企业数据资源丰富,技术能力突出,可以独立开展数据运营,打造数据驱动的新业务。传统企业数据积累较少,可先聚焦内部数据应用,在数字化转型中沉淀数据,同步引入第三方数据开拓增量空间。中小企业资源有限,可与大企业开展定向数据交易合作,专注细分领域,做强特色数据。
再如,数据量大、实时性要求高的企业,如金融企业,可采取API输出、数据服务订阅等模式,实现批量化、自动化交易。而对数据质量要求较高的企业,如医疗健康行业,则更倾向于一次性购买和使用经过专业审核的优质数据集。
企业还可分阶段组合运用各种盘活方式。如在初期聚焦数据积累,将优质数据资产化,形成数据资产负债表,为后续运营夯实基础。而后,围绕核心场景开展数据交易,如出售汽车后市场数据给保险、维修等合作伙伴。待交易模式成熟,可进一步拓展数据融资,如开展供应链金融ABS、消费信贷ABS等数据资产证券化。在应用成效初显时,可尝试引入行业领先的数据服务商代为运营,借外力做强数据核心竞争力。
总的来说,实现数据价值没有统一模板,关键要立足企业战略,把握行业特点,依托自身优势,选准发力方向。同时,要树立系统观念,统筹协调各种路径,以开放心态加强跨界合作,在与合作伙伴的互利共赢中共同做大数据生态。
此外,数据运营要坚持合规、安全、互信的底线,在用好用活的同时,更要用正用法。要加强数据伦理治理,强化企业数据责任意识,在确保数据安全和个人隐私的前提下开展运营。这需要企业、行业、监管等多方协同发力,共建规范有序的数据流通交易环境。
毋庸置疑,数据已然成为数字经济时代的新型生产资料,是驱动创新发展的新引擎。而数据要素只有流动起来,才能创造价值。打通数据资产入表、交易、融资、代运营等盘活路径,是让数据动起来、活起来的关键举措。站在数据大潮之巅,企业要主动作为、先行布局,推动数据资源向数据资本转化,将数据优势转化为发展优势和竞争优势,以数据之力重塑商业版图、引领产业变革,在智能时代乘风破浪、奋勇前行!
标签：企业,入表,资产,运营,服务商,价值,数据,和代 From： https://blog.csdn.net/zhanggan25/article/details/143112798