【研报】2023商业银行数据要素价值洞察研究白皮书.docx

《【研报】2023商业银行数据要素价值洞察研究白皮书.docx》由会员分享，可在线阅读，更多相关《【研报】2023商业银行数据要素价值洞察研究白皮书.docx（56页珍藏版）》请在课桌文档上搜索。

1、商业银行数据要素价值洞察研究白皮书ICBC中国工商银行Institute for InterdisciplinaryInformation Core Technology交叉信息核心技术研究院BMding a b*tter wod(in world版权声明本白皮书版权归属中国工商银行股份有限公司、交叉信息核心技术研究院（清华大学）、安永（中国）企业咨询有限公司所有，并受法律保护。引用、转载、编撰或以其他方式使用本白皮书文字或观点，应注明来源，并符合相关法律规定。违反上述声明者，将追究其法律责任。前言近年来，我国持续加强数据要素市场的基础设施、组织框架、体制机制等方面建设，并取得长足进展。202

2、3年10月，中央金融工作会议提出“要做好科技金融、绿色金融、普惠金融、养老金融、数字金融五篇大文章”，进一步明确了将“数字金融”作为未来金融业高质量发展的主要方向之一。在数据要素市场建设过程中，如何准确计量数据价值、建立公平合理的数据要素收益分配机制仍然是当前面临的重难点问题之一。中国工商银行联合交叉信息核心技术研究院（清华大学）、安永（中国）企业咨询有限公司开展了商业银行数据资产价值评估方法研究和收益分配机制实践，通过采用兼顾数据收益和资产定价第一性原理的数据定价理论和数据资产图谱技术，结合商业银行典型业务场景进行了深入研究，建立了数据使用过程的持续记录和流转节点追踪机制，从而还原了广阔而丰

3、富的价值网络全貌。商业银行数据要素价值洞察研究白皮书首次将定价理论与图谱技术应用于金融行业的数据资产评估，旨在建立适合商业银行的数据资产价值评估机制，以期持续推动金融行业数据要素价值释放，为业界同仁提供有益参考。目录一、数据要素市场化配置加速，助推数据资产价值释放1（一）数据价值释放，经济转型的重要引擎1（二）政策密集出台，顶层设计加速推进21、国家顶层机制体制设计逐步完善1:22、各地加速探索落地法规助力发展3（三）入表规定发布，企业价值面临重估4（四）指导意见落地，数据要素商业化加快4（五）创新探索计量方法，打造行业标杆5二、探索数据资产价值评估方法，基于数据资产图谱网络开启银行业务实践.

4、7（一）新视角：数据资源与数据资产8（二）新挑战：数据资源特性与资产价值评估9（三）新思路：数据资产图谱网络：二102、基于数据资产图谱的改良成本法123、基于数据资产图谱的改良收益法13（四）新实践：构建行内数据资产评估全链路141、商业银行数据资产.L142、数据资源全链路管理173、基于场景：数据资产价值评估试点实践18（五）新拓展：数据资源入表的应用221、会计确认222、成本计量应用22三、聚焦数据资产评估场景应用，围绕数据要素收益分配激活数据价值释放24（一）收益分配算法：促进数据要素流通的关键因素25（二）理论迈向实践：数据收益分配理论与工商策行落地实践27（三）多元场景展望：数

5、据内部流通与外部交易应用281、数据产品企业内部利润分配应用282、多方数据联合建模的收益分配应用323、积极探索行业级数据要素流通平台建设34四、我国数据要素市场展望：日积蹉步，以成千里36附录1:近三年我国数据要素相关顶层规划政策39附录2：2023年各地政府数据要素相关政策汇总42参考文献45数据要素市场化配置加速助推数据资产价值释放（一）数据价值释放，经济转型的重要引擎数据作为新的生产要素，其价值释放正在成为推动经济转型的重要引擎。根据中国数据要素市场发展报告（2021-2022）测算，数据要素使得工业企业的业务增长率平均提高41.18%,生产效率平均提高42.8%,产品研发周期平均缩

6、短15.33%,能源利用率平均提高10.19%。党的二十大报告指出，要加快发展数字经济，促进数字经济和实体经济深度融合，打造具有国际竞争力的数字产业集群。2023年10月，中央金融工作会议提出“要做好科技金融、绿色金融、普惠金融、养老金融、数字金融五篇大文章”，进一步明确了未来金融业在助力经济结构优化过程中的发力点。当前，我国数字经济蓬勃发展，金融业数字化转型逐步深化，数据要素价值化进程加快，数据要素潜力逐步释放。随着行业间、企业间的数据共享和融合程度不断加深，数据要素市场各项规则和机制正日趋完善，数据价值的释放路径也逐步清晰，数据通过在更广泛流通中发挥其提高生产效率的乘数效应，进而推动数字经

7、济与实体经济深度融合。（二）政策密集出台，顶层设计加速推进近年来，国家积极布局数据要素市场，多项数据要素政策密集出台，并从体制机制、市场流通、产品研发、标准规范等多个方面开展探索，制定出各种创新的实施方案，引发了数据要素价值释放的又一波浪潮。1、国家顶层机制体制设计逐步完善近年，国家陆续出台政策完善数据要素顶层设计。我国对于数据要素价值的探索早在2015年就已开启，总体分为三阶段。第一阶段是在2016年以前，2015年4月，我国第一家数据交易所一贵阳大数据交易所正式挂牌运营；同年10月，党的十八届五中全会将大数据提升为国家战略，标志着我国正式全面启动大数据发展国家战略。第二阶段自2016年起到

8、2020年，多项数据要素政策密集出台，逐步推动数01/数据要素市场化配置加速，助推数据资产价值释放据要素产业落地。2017年2月，中共中央政治局第二次集体学习中，习近平总书记指出“要构建以数据为关键要素的数字经济”，标志着数据作为数字经济的关键要素地位得到确立；2020年4月，中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见将数据作为一种新型生产要素写入文件，提出要“加快培育数据要素市场”，至此，已基本确立数据的生产要素地位和市场化配置制度。第三阶段是2022年至今，我国开启了数据要素基础制度体系化建设新征程。2022年6月，中央全面深化改革委员会第二十六次会议审议通过关于构建数据

9、基础制度更好发挥数据要素作用的意见，为数据基础制度的体系化建设奠定了坚实基础，也为制度的最终制定按下了加速键。2022年12月，中共中央、国务院印发的中共中央国务院关于构建数据基础制度更好发挥数据要素作用的意见（以下简称“数据二十条“）首次确立了数据基础制度体系的“四梁八柱”。2023年2月，中共中央、国务院印发数字中国建设整体布局规划，明确提出要“释放商业数据价值潜能，加快建立数据产权制度，开展数据资产计价研究，建立数据要素按价值贡献参与分配机制”，推动数据要素的市场化、价值化，使其成为推动经济社会发展的新动能。2023年3月，党和国家机构改革方案提出组建国家数据局，负责协调推进数据基础制度

10、建设，统筹数据资源整合共享和开发利用，统筹推进数字中国、数字经济、数字社会规划和建设等，对数据要素产业的长期发展发挥核心作用。2、各地加速探索落地法规助力发展继国家顶层设计的政策陆续出台后，各地纷纷部署数据要素产业。上海、浙江、贵州、深圳、北京等地陆续发布了多项鼓励和推动数据要素产业的政策，对数据赋能产业、数据安全保护、数据共享等内容进行规范，覆盖数据价值评估、授信融资、登记发证等诸多领域。2023年起，先后有多地针对数据要素市场参与方出台补贴政策，补贴对象包括数据供需双方、数据中介等。这些政策将数据要素与GDP、财政紧密联系在一起，不仅凸显了各地发展数据要素产业的积极性和迫切性，同时反映了全

11、国性的数据要素政策规划或将从地方先试先行的维度切入并展开。其中北京正在探索公共数据开发利用的收益分配机制，鼓励公共数据专区采取市场自主定价模式，通过模型产品、核验服务等方式向社会提供服务；针对公共治理和公益事业相关的应用场景，探索在有需要的情况下“无偿”使用数据；针对产业发展、行业发展相关的应用场景，探索在有需要的情况下“有偿”使用数据。广州正在积极推动企业数据纳入核算体系，通过规范数据资源会计处理，鼓励企业将数据资源纳入财务报表，以促进数据要素的合理利用和价值发挥，进而推动数据要素纳入国民经济和社会发展的统计核算体系。各地出台的关于数据要素相关政策，以法律角度的数据确权、财务会计角度的数据估

12、值或定价和市场角度的交易流通为三大抓手，进一步推动数据价值化进程。与此同时，数据资产价值评估的行业规范规则也在陆续发布。（三）入表规定发布，企业价值面临重估2023年8月21日，财政部印发企业数据资源相关会计处理暂行规定（以下简称暂行规定）,将于2024年1月1日起正式实施。暂行规定明确了企业可以根据数据要素在其经营时的具体情况入表，一是可以比照无形资产或存货的处理原则计量；二是可自愿披露基于数据要素产生的收入，进一步理顺了微观层面对数字经济的计量流程。数据资源“入表”最直观的影响是将会使得原有条件下，一部分“费用”从利润表进入资产负债表成为“资产”，企业资产增加，利润率提高，改善了企业的资产

13、负债率。暂行规定发布对金融等数据密集型行业来说，带来了更大的经营灵活性，这将鼓励企业增加数据资源的投入，同时有助于企业在金融资源和产业政策等方面获得支持。暂行规定向建立数字经济价值核算与交易机制迈出了重要的第一步，但从其中的细则来看，判定数据为无形资产还是存货的标准尚且模糊，缺少体现数据资源特性的操作指引。（四）指导意见落地，数据要素商业化加快继财政部暂行规定发布后，中国资产评估协会制定了数据资产评估指导意见（以下简称指导意见），对数据资产进行了明确定义，并详细规定了评估对象、操作要求、评估方法和披露要求。指导意见明确指出,开展数据资产评估业务，需要关注影响数据资产价值的成本、场景、市场和质量

14、因素，并明确了数据资产将以何种价值入表，以及未来将以何种价值交易，进一步推动了数据要素的价值实现。数据资产价值评估是推动数据资产化的重要前置工作，为数据交易流通奠定了基础。这一重要工作的开展，为探索企业利用数据资产进行投融资活动打造了新的基础规范。（五）创新探索计量方法，打造行业标杆金融业是数据密集型行业，在运营过程中会产生大量的数据，这些数据对于金融机构的决策和业务运营至关重要。通过对数据（例如市场趋势、政策变化、宏观经济数据等）的分析和应用，可以为金融机构精准营销、风险管理和投资决策提供更高价值的支持。随着大数据时代的到来，金融业数据基础设施持续完善，数据规模高速增长，机器学习和人工智能等

15、先进技术的应用使得数据分析成果更加精准和深入。由此可见，金融业一直是数字化转型和数据要素价值挖掘的创新者和推动者，既拥有丰富的数据资源，又有迫切的场景应用需求，形成了金融业探索数据要素价值挖掘和数据交易流通工作的强大动力。“数据二十条”明确指出，要建立体现效率、促进公平的数据要素收益分配制度，按照“谁投入、谁贡献、谁收益”原则，着重保护数据要素各参与方的投入产出收益。交叉信息核心技术研究院以数据收益的第一性原理一一“公平性与效率性”为原则，以资产定价的第一性原理一一“无套利原贝V为理论基础，率先解决了多个数据贡献方实现单个数据交易产品收益分配与价值计量的问题，构建了直接参与单次现金流分配的数据

16、定价算法；进而在数据产品的形成过程中，研发了间接参与多现金流分配的数据收益分配追溯技术，并基于多方收益分配场景，实现了不同数据生产贡献部门的收益分配回溯；解决上述两大问题后，参考已有度量信息的数据价值发现机制，即可得到数据资产的公允价值。通过结合数据资产的使用场景分析、数据产品的生产链路追溯等多维度研究分析，交叉信息核心技术研究院研发了数据资产图谱网络技术。数据资产定价理论与数据资产图谱技术可以实现在探索数据应用场景的过程中，持续记录和追踪数据流转节点，帮助获取数据处理和应用的相关信息，还原形成广阔而丰富的数据价值网络全貌，从而进行数据资产的估值计算。中国工商银行联合交叉信息核心技术研究院（清

17、华大学）、安永（中国）企业咨询有限公司发布商业银行数据要素价值洞察研究白皮书，提出通过“一个技术底座”，打造“两大核心能力”，构建“一个生态布局”，首次将数据资产定价理论与图谱技术应用于金融行业的数据资产评估。商业限行数常要素价值计与收益分配体系商业银行数据要素价值计量与收益分配体系V个生 态布局四大核心健力一套技 术假座白皮书从数据流通的价值链出发，旨在建立商业银行适用的数据资产价值评估机制，研究实践公平而有效率的数据要素收益分配机制，实现对数据资源有关经济利益的有效衡量。我们基于数据资产图谱技术，通过对数据分类、贡献度分配、资产计量等理论方法的融合应用，围绕价值评估和收益分配两大主要需求提

18、出解决方案，并结合数据要素在银行内部的应用场景，对数据资源为企业带来预期收益的可能性进行分析和论证，进一步为数据要素在银行内部、外部的流通和交易打下理论和实践基础，提出未来数据要素价值释放的新构想；此外白皮书还对数据资产图谱网络技术在数据资源入表核算方面的应用进行了应用探索，结合最新政策规定进行了讨论与展望。探索数据资产价值评估方法基于数据资产图谱网络开启银行业务实践（一）新视角：数据资源与数据资产“数据资源”的概念提出的更早，类比石油、土地、资本等资源的特点和管理特性，数据资源也有包含采集、传输、加工、应用、处理、回收等的全生命周期。这些特性成为企业在生产经营过程中需要着重考虑的因素。因此,

19、我们认为“数据资源”是在更广阔的语境下强调了数据全生命周期需要进行盘点、管理和追踪的概念。“数据资产”的概念提出相对较晚。在会计学上，资产指由企业过去的交易或事项形成的、由企业拥有或者控制的、预期会给企业带来经济利益的资源。资产具有三项核心特征，一是资产应归属某主体所有或控制，即权属明确；二是资产能够产生既有的或预期的经济利益，且可计量；三是资产是一种资源，可进行交易。“数据资产”这一概念更多强调了数据的财务价值和业务价值，强调了其在交易场景下的角色。2023年8月21日，财政部发布了暂行规定，基于会计准则适用范围的新视角对企业的数据资源做了进一步划分，包括企业按照企业会计准则相关规定确认为无

20、形资产或存货等资产类别的数据资源，以及企业合法拥有或控制的、预期会给企业带来经济利益的、但由于不满足企业会计准则相关资产确认条件而未确认为资产的数据资源。图2数据资源在暂行规定中的分类规则根据暂行规定，企业使用或日常活动中持有的数据资源确认为存货与无形资产需满足两个条件，一是与该资源有关的经济利益很可能流向企业,其中根据会计准则13号的规定，“很可能流向“指的是经济利益有大于50%、小于等于95%的概率会流入企业；二是成本能够可靠地计量，其中成本可靠计量依托于企业内部数据记录以及相应基础技术设施是否支持，而经济利益的流向判断则成为确认资产的关键指标。因而判断预期潜在经济利益时，可从如下方向出发

21、做判断，并可提出明确证据支持：一是对于有明确未来一段时间内会发生交易、向外部提供服务或已签订合同未交付的数据资源，可以明确证明其经济收益的流入概率，从而证明其符合经济利益流向确认条件；二是对于尚不明确会发生交易或向外提供服务的数据资源，其经济利益的流入证明较为复杂，建议从同类产品的市场需求分析，判断其是否能对行内已有业务带来价值提升，并进行未来现金流量预期流入的分析证明。（二）新挑战：数据资源特性与资产价值评估数据资源在企业的应用，会形成一条从“生产端”穿透到“应用端”的链路，此链路以原始数据资源采集/采购（数据资源“生产端”）为起点，经历层层加工，实现数据的清洗、整合、萃取，最后到数据应用端

22、直接赋能业务。数据资源具有可共享性，即数据资源可以无限地进行交换、转让和使用，为他人所共享，这也是数据资源具有的独特特征。不同于传统的生产要素同一时间单一使用场景的限制，数据可以在同一时间被不同主体调用参与多种经济活动。在这个过程中，数据产生了经济价值倍增的效应。因此，同一数据资源可能会同时出现在多个应用场景中，从而会产生多条应用链路。此外，数据资源还具有价值易变性。不同于其他传统生产要素，数据资源的价值受到多种因素的影响。通常而言，数据技术的发展、数据相关政策的变化、数据应用场景的变换，都会导致数据价值改变。同一数据资源对于不同场景的价值是不同的，在同一场景中不同数据资源的可用性与价值也是不

23、同的。例如，某种电力数据既可以应用在电力定价、调度优化等场景实现经济价值，也可以用于地区经济的统计分析、规划决策的模型中。因此，场景是影响数据资源产生贡献和价值多少的重要因素。由于数据资源的这些特性，数据资产价值评估需要明确每个数据资源及其衍生数据资源在多个场景下的关系。无论是使用成本法还是收益法对数据资产进行价值评估，都需要对数据的应用链路做出清晰的梳理。（三）新思路：数据资产图谱网络综上所述，当使用成本法进行数据资产价值评估时，需要厘清数据生产链条上每个数据节点之间的加工处理关系，才能对某项数据资产成本进行有效归集核算；当使用收益法时，则需要通过数据生产链路，将数据在应用场景中产生的价值逐

24、步向前回溯，并按照一定规则分摊到生产加工环节中的每一个数据资源，以确保关键的数据节点得到其应得收益。因此，可结合数据资源特性和其生产与应用链路的数据价值评估思路，探索出可覆盖数据资源全生命周期、基于数据资产图谱网络的数据资产价值评估方法。数据资产定价理论证明，在满足公平性与有效性原则的前提下，在任意一项经济活动中的参与贡献数据要素，存在一个唯一、公平有效的收益分配理论解。利用数据资产图谱技术解析数据生产应用链条上下游数据的贡献度，并不断自动化盘点数据在各项经济活动中的收益值，为数据资产价值评估提供了重要参数依据。数据对不同场景的价值关系形成了一个客观的图谱，数据与数据之间的协同关系也形成了一个

25、客观的图谱。数据参与到无限可复用的各种场景下形成了潜在数据价值的广阔图谱，数据的价值拓展形成广阔而丰富的网络化图景，这也就是建设数据要素市场所追寻的星辰大海。1、数据资产图谱技术在数据资产估值的过程中，一方面依赖于数据定价算法，不同场景中每项参与的数据应该分配到公平合理的价值；另一方面，通过数据资产图谱可以对不同场景下数据产生的收益进行加总，实现总价值的评估。数据应用过程中会形成上下游关系，从原始数据资源转化到最终的数据应用，需要经过数据治理、归集、清洗、整理等多个过程，再通过分析建模、数据产品建设、系统化应用等方式直接赋能业务应用，整个链条最终会与业务场景相02/探索数据资产价值评估方法，基

26、于数据资产图谱网络开启银行业务实践结合，使得数据产生价值。因此在数据的价值计算中，沿着数据生产链条进行价值回溯是一个与实际结合、行之有效的解决思路，可以实现参与各个场景的每个数据元素价值的精确计算。基于数据资产图谱技术，可实现从原始数据集，到数据治理、加工、应用等工序所经历的价值链挖掘，其搭建过程主要包括：数据资产图谱主体与关系抽取建模、数据资产图谱边权计算两部分。(I)数据资产图谱主体与关系抽取建模数据资产图谱主体与关系抽取建模，是在对生产线、业务线的模块划分的基础上，进一步对包括数据生产使用过程中的取数、数据清洗与预处理、特征工程、模型等环节进行解析，使用血缘分析、自然语言识别代码解析、机

27、器学习建模等技术，提取出数据资产主体，构造出数据资产上下游流转关系。比如基于血缘分析技术，通过分析数据表、字段加工过程中的SQL等脚本，识别字段与字段之间、数据表与数据表之间的加工逻辑，形成数据生产链路。图3数据价值产业链(2)数据资产图谱边权计算通过提取出的数据资产关系网络，对于网络中相关联的表，计算“关系权重”。根据数据表所处的不同生命周期环节来确立不同的计算方法：针对提取、清洗、预处理等环节，统计结果类环节的数据，根据信息炳等参数分析数据表之间的依赖度；针对业务建模环节，拟采用模型贡献度等算法分析数据资产之间的关系权重;后续基于成本法以及收益法进行价值评估时，可基于这些关系权重，对数据表

28、的实际业务价值与生产成本进行依赖度评估与分摊。图4数据资产图谱示例2、基于数据资产图谱的改良成本法基于数据资产图谱的改良成本法，考虑数据资产在生产过程中的计算、存储、人工等费用。每项数据资产的成本估值由两部分组成：一是自身的成本，二是根据上述图谱关系中的各层权重，分摊的每个与其有生产关联关系的上游数据资产的成本。某个下游表的成本=某个下游表本身的成本+X每个上游表的成本*每个上游表相对于这个下游表权重计算说明:图5改良成本法计算说明以上图为例，假设每个数据节点i自身的成本为G,数据i的总成本为TCi,i=1,8TCt=C+ajTCj(1)j三Ni其中M为与i相邻的上游数据节点集合；对为相应的成

29、本分配权重，在落地实践中对于数据加工、处理环节，一般有aj：=(。的是节点/的出度)；从数据加工到数据应用层，相应的权重需要根据业务场景重新定义(权重参考参数)。3、基于数据资产图谱的改良收益法对于可直接产生收益的数据资产，可使用收益法进行价值评估，而对于间接产生收益的数据资产，可通过厘清其生产链路回溯其分配收益，再进一步采取收益法进行价值评估。收益法基本公式与估值步骤为：np=(T7(2)=1其中：P评估值；n预计剩余收益期；Ft一一数据资产未来第t个收益期的预计收益额；r折现率。根据此公式，收益法的实现需要确定剩余收益期，以及计量在未来所有剩余收益期的数据资产的预计收益额。在实际操作流程上

30、，可采取如下步骤：(1)确定剩余收益期一方面可参考企业内部生产经营情况，比如对于实现POC验证，并已上线I-2期的数据类模型，可由运营部门制定的此类模型运行期限规划；另一方面，对于不符合上述条件的数据类模型，可结合同类型数据资产历史使用情况做出预测估计，同时参考专家意见予以调整。(2)计量直接产生收益数据资产的预期收益针对直接产生收益的数据资产，一是已向外交易的数据资产，根据其历史收入数据进行测算即可；二是尚未对外形成交易的数据资产，可参照同业同类数据资产收益情况进行估计，同时提出可靠估计依据，若此类资产已经在企业内部产生可计量的收益提升，可采取企业内历史收益提升价值，作为预期收益额估计基准。

31、（3）计量间接产生收益数据资产的预期收益针对间接产生收益的数据资产，由于其对直接产生收益的数据资产做出了生产贡献，可基于数据资产图谱生产关系链条追溯，计算出一定权重，进而对此类数据资产进行收益分配，以此作为预计收益额计量。（四）新实践：构建行内数据资产评估全链路1、商业银行数据资产盘点（I）以数据资产估值视角分类在数据资产估值前，需要重新以数据资源估值的视角对商业银行内的数据资源进行盘点与分类，对其中符合暂行规定可确认为数据资产部分的数据资源做出价值评估。经过对工商银行的数据资源盘点，可将数据资源分成原始数据类、中间加工结果类2以及包括模型、指标、业务报表等直接应用类数据资源。其中可直接应用类

32、数据资源又可以分成直接收益提升类数据资源与支持类数据资源。直接收益提升类数据资源可以成为数据产品对外交易产生经济收益，比如有同业市场需求的风控画像查询类数据资源；或可以直接输出业务洞察，提升业务效益，比如营销类模型、营销分析类指标。支持类数据资源包括统计类数据指标、数据治理的规则模型等，其价值不通过经济效益的提升而体现，但却对各类业务起到了信息支撑的作用，价值较难进行计量。所有类别的数据资源均可通过厘清其生产链路，使用基于数据资产图谱的改内部采集或外部采购的原始数据资源良成本法进行价值评估。对于直接收益提升类数据资源，其产生的经济收益或业务收益可计量，通过收益法估计成本，更能反映数据资产的“市

33、场”价值，可进一步以此估值为基础，促进数据要素的市场流通。而对于参与形成这类数据资源的原始数据、中间结果类数据间接产生了收益，结合数据资源生产链路，以及这类数据的生产贡献程度，可基于改良收益法计量其应得收益。但是对于每一类数据资源是更适合成本法计量还是收益法计量，需要结合企业实际生产情况与估值目的判定，工商银行通过初步探索与实践，总结判定规则如下。对于直接收益提升类数据资源，收益法较成本法更能反映数据资产实际价值，建议采用收益法估值。对于间接产生收益贡献的中间结果类与原始类数据资源，可采用两种方法分别进行价值评估，未来根据数据价值评估目的做选择。对于无法明确计量收益的数据资产，采用成本法，估计

34、数据资产价值。同时，结合此规则进行判定时，还应该进一步综合考虑此数据资产发生交易的可能性，结合其未来市场流通的应用场景，做进一步估值。在未来同类型数据产品交易量逐步增长，形成交易数据积累后，可进一步应用市场法衡量其外部交易价值，以优化估值结果。（2）以数据资源交易视角分类数据要素交易流通是数据资产价值评估的重要应用场景，数据资产价值评估离不开对其未来价值释放的考量。若某类数据资源可以作为数据产品进行交易并带来经济收入，便符合暂行规定中数据资产有关“与其相关的经济利益很有可能流向企业”的确认条件，有可能确认为数据资产。与此同时，若其未来有交易潜力，对其价值评估时，需要选用可体现其交易价值的估值方

35、法。结合商业银行普遍实践，对具有交易潜力的数据资产的盘点与分类实践步骤如下。选取前提数据资源可进行交易的前提应至少考虑如下三点：一是依法合规，必须符合国家相关法律法规、政府有关部门规章制度及监管要求，对于涉及个人信息的外部数据获取和使用必须取得其充分授权；二是稳定有效，数据具备可持续性，数据质量及数据源保持稳定；三是本源权威，优先选取主数据源，经过反复验证与评估，保证数据可用性和价值体现。可交易数据资源案例展示结合市场需求分析以及数据在商业银行内应用效果情况，梳理未来有潜力进行交易的数据资源如下。D按数据类型分类表1按数据类型分类数据种类类别描述核验类核验类数据指根据原始信息进行一致性和准确性

36、校验的数据，主要包括学籍学历核验、发票核验、驾驶证核验等数据。评分类评分类数据指对原始信息进行统计分析形成的区间化、分级化的评分结果，包括收入水平评分、工作稳定性评分、反欺诈评分等数据。标签类标签类数据指对原始数据进行统计分析形成的模糊化的标签。特殊名单类特殊名单类数据主要包括因被惩治或有违反嫌疑而被列入黑名单机构的注意名单数据，通常是自然人和法人因违反道德底线事实、社会责任底线事实、失信事实等原因而被列入相关权威机构的黑名单库中，主要包括逾期黑名单、公安黑名单、司法涉诉与行政处罚黑名单等数据。金融市场类金融市场类数据指金融市场行情、行业指数等数据，包括股票、基金、期货、债券等金融产品的指数和

37、价格数据。价格评估类价格评估类数据指通过商品计价原则、标准和市场供求情况，评估得出的商品价格数据，包括车辆价值评估、房产价值评估等。其他类以上分类之外的数据，包含公开的工商数据、金融信息终端、资讯报告、法律法规与司法案例数据、天气数据等。以此分类出发，具有交易潜力的标签资产可覆盖检验类、评分类、黑名单类。其他类中，数据资产可覆盖研报、资讯、地图、黑名单，以及其他已购买公开数据等。2)按资产类型分类表2按资产类型分类数据分类可交易数据资源举例贴源数据类当事人、产品、地理位置、事件、资源项数据服务类画像服务、产品推荐服务、自然语言处理服务模型类营销类模型、风控类模型、运行管理类模型数据产品类数字地

38、图、贡献计算器、资金流向监测、投研报告管理支持类数据质量校验规则、数据安全分级分类标签规则2、数据资源全链路管理基于数据资产图谱网络技术，工商银行在数据资产价值评估实践中，总结建立了数据资源全量全域全生命周期登记、数据资源全链路血缘管理的工作基础，以确保数据资源全生命周期可追溯、可监测，为资产图谱的搭建奠定技术基础，进一步实现收益法与成本法的全域数据资产价值评估。(1)数据资源全量全域全生命周期登记数据资源从生产到应用的全生命周期登记管理工作包括数据资源需求管理、注册、盘点、维护、退出等一系列流程。步躲1数据类需求管理：主要用于管理数据资产的建设管理需求与将需求流转分发到相应的开发部门。A步骤

39、2数据资源注册：是数据资源全生命周期管理的关键流程。在数据资源从生产到应用的过程中，以数据资源凭证形式对其进行注册和登记。此数据资源凭证是管理数据资源属性的载体，记录数据资源产生、采集、加工、使用、流通等活动的电子化证明。步骤3数据资源盘点：根据需要不定期从业务、管理及技术视角开展全行存量数据资源梳理，形成关于数据资源的层次架构和有序清单，并建立数据资源场景化、体系化管理机制。步骤4数据资源维护：对数据资源目录及凭证的维护和使用情况进行分析。步骤5数据资源退出：定期针对低效数据资源开展退出管理，对使用次数较低、数据质量存在严重问题或因监管、法律、合同等原因需要下线的数据，及时对该低效数据资源进

40、行下线。以上为数据资源从需求提交到退出的完整闭环管理流程。数据资源注册实现数据资源全生命生产周期的数字化登记，数据资源盘点为数据资产价值评估提供场景化分类估值基础。(2)数据资源全链路血缘管理WAMA数据管理字典将数据血缘描述为“从数据源到当前位置的路径，以及沿该路径对数据所做的改动“O数据血缘管理需要追踪数据从源头到应用端经过的各种流程和系统的信息，用于厘清数据生产与应用链路。工商银行建立了数据血缘追踪技术，用以支撑未来数据资产图谱网络技术建设，具体包括数据节点定义、流转路径追踪两部分。其中，数据节点即为数据全生命周期流转中的实体，包括数据库、数据表、数据字段、数据模型、数据业务报表等；流转

41、路径追踪则表示数据资产之间的生产与应用关系。比如，数据表A经过了筛选、删除重复值等加工步骤，形成了数据表B,这便是一段数据表A与B的生产加工路径。根据数据资产图谱技术要求，基于数据资源生产脚本与数据埋点链路追踪等技术，对全域数据资源生产与应用过程进行全链路解析与管理，进一步厘清每一条数据资源生产与应用链路，为数据资产图谱提供输入支撑。3、基于场景：数据资产价值评估试点实践数据资产的价值与其应用场景密切相关。一条数据资产全生命周期链路，以数据资产采集/采购为起点，逐步展开数据资源的加工、处理、应用。工商银行在开展数据资产价值评估试点工作的过程中，总结出了“三步走”的落地路径：一是全域数据资源重点

42、应用场景的分类盘点，二是针对重点应用场景进行数据资产评估试点，三是总结试点经验逐步推广至全行。根据工商银行业务范围和公司战略部署，重点应用场景覆盖营销赋能、风控赋能、决策赋能、运营赋能以及监管赋能五大类别。商业银行可选取普遍存在的精准营销应用场景作为数据资产价值评估试点。相比其他数据资源应用场景，此类应用场景对商业银行的业务收益提升较易计量，同时这类场景下的模型类数据资源，可直接为业务赋能，未来有成为数据交易产品进一步流通的潜力。本实践中选取的精准营销应用场景，是指基于历史营销活动推送情况、账户信息、持有产品与历史交易信息等数据设计的精准营销模型，用于制定基于客户画像的、千人千面的营销活动策略

43、。精准营销模型因其业务收益的提升可直接计量，故收益法适用于该模型的价值评估。此外，基于数据资产图谱，可以获得该场景下的数据生产全链路，且行内对于该数据链条上的每项数据均有清晰的成本计量，因此改良成本法也可应用于该模型的价值评估。本实践中分别使用收益法与成本法进行价值评估。（1）基于收益法的价值评估选取某分行于2022年已开展三期的某类精准营销活动，以第一期活动的起始日为估值基准日，对该数据资产进行估值。估值假设假设1：该活动未来将连续开展5期（每月1期，均在每月1号开展），连续办满5期后活动结束。假设2：未来5期，不开展该活动的情况下（对照组），某分行每月定期存款产品销售金额保持不变，取过往3

44、期活动该项指标平均值。假设3：每个客户购买的定期产品金额是相同的，因此，营销提升度可以代表定期存款产品销售金额提升率。假设4：该活动带来定期存款产品（不限种类）销售金额提升中，3年期定期产品占比50%,2年期定期产品占比30%,1年期定期产品占比20%o假设5：折现率使用披露信息计算出的当期资本加权平均成本（WACC）3.98%o假设6：根据该活动过往3期历史数据，假设乐观、中性、谨慎情况下未来5期营销提升度变化量如下：表3估值假设：未来5期每期营销提升度变化量未来5期每期营销提升度变化量谨慎-1.45%中性0.00%乐观1.45%则未来5期每期营销提升度如下:表4估值假设：未来5期每期营销提

45、升度12345每期营销提升度谨慎5.65%4.20%2.75%1.30%-0.15%中性7.10%7.10%7.10%7.10%7.10%乐观8.55%10.00%11.45%12.90%14.35%估值测算过往3期销售金额平均值为59,499.85万元。在乐观情形下，利用客户贡献计算工具，计算产品利润贡献，测算未来5期该活动带来的收益，得到结果如下:表5估值测算：未来5期该活动带来的收益活动期数12345营销提升度8.55%10.00%11.45%12.90%14.35%销售金额提升（万元）5,087.245,949.996,812.737,675.488,538.23当期活动收益Ft（万元

46、）3.664.284.915.536.15将各项活动收益折现相加，得到其估值为24.26万元。同理，谨慎情形下得到其估值为5.85万元，中性情形下得到其估值为15.06万元。由于标的数据资产为自用数据资产使用场景，暂不考虑市场、数据安全等维度对数据资产价值的影响因素。（2）基于数据资产图谱的改良成本法的价值评估基于已建立的数据资产图谱,我们可以厘清该场景从原始数据转化到最终应用的数据生产加工链条（图6）o当链条上每个数据节点的自身成本已知的情况下，可以计算出最终的数据应用,即精准营销模型应归集到的总成本。cottmA：3；KP*ttttKB1Km“户QOQ必MKWll*l!ft敏麒应用全生命网

47、期图6精准营销模型数据使用全链路上图展示了数据从原始数据集经历加工、处理最终投入应用，建立精准营销模型的数据使用全链路。数据节点1-4为分别为原始数据集：历史营销活动数据、客户历史交易数据、客户账户基本信息数据、客户持有产品数据；数据节点5、6、7代表数据加工处理过程中产生的中间数据表；数据节点8、9则代表例如模型、公式、业务报表的数据应用，本图中数据节点8被数据应用A使用，而数据节点9则用于建立精准营销模型。上图中在每条边标注的数字为上游数据表相对于下游数据表的成本分配权重，例如边5-9上的数字为50%,为上游数据表（数据节点5）相对于下游数据表（数据节点9）的成本分配权重为50%,即数据节点9应给数据节点5分摊其50%的成本。本实践中成本分配权重通过均分的方式计算。经估算每个原始数据集成本为10,000元；中间加工数据表每张表的成本为3,000元；数据终表每张