专题丨通信行业数据要素价值评估研究与实践

图1   运营商数据生产服务架构概览
 

（1）数据采集：大数据平台作为企业级的数据中心，从上游的各个业务系统采集数据，涵盖了用户信息、消费信息、上网行为、位置信息、访问日志数据等数据。

（2）数据加工：数据采集到大数据平台之后，需根据模型方法论对数据进行逐层加工，形成“查询性能好、业务人员易理解”的指标、标签等数据资产。

（3）数据治理：通过开展元数据管理、数据标准管理、数据质量管理、数据生命周期管理等数据治理工作，构建了企业级统一的数据资产地图，输出高质量的数据资产。

（4）共享开放：建设统一的数据管理工具，例如基于多租户的数据管理平台等工具。通过统一的数据管理工具，支撑企业各类人员在可信环境下，快速使用企业统一的数据资产。

（5）数据应用：通过大数据平台，企业各类人员可快速使用数据、自助式开发大数据应用，实现以统一的大数据平台，支撑大数据应用百花齐放。

通过上述的运营商数据生产模式，运营商已汇聚公司全域数据，并在数据治理领域实践了企业级统一的数据标准、统一的数据资产地图，为探索数据要素价值评估工作提供了良好的研究前提条件。

2.3  运营商数据价值体系

运营商的数据资产价值体现在对内赋能和对外运营两个层面（见图2）。

图2   运营商数据资产价值体系
 

2.3.1  内部赋能

从运营商企业自身层面来说，将所拥有的数据视为一种关键资源，对内支撑融合营销、客户运营、客户挽留等业务场景，如通过家庭关系、消费行为及办理产品等数据，构建家庭资产视图，结合产品实时推荐能力，洞察家庭融合场景，精准匹配家庭融合业务。运营商基于数据驱动不断优化内部的业务流程和管理模式，持续压降人工运营成本、提高营销效率、创造经济收益，实现降本增效、提质创收。

2.3.2  外部运营

运营商通过挖掘用户的位置数据、行为数据，封装为产品和服务，实现对外数据变现，如基于金融行业的征信服务，基于群体行为的分析服务，商铺及商圈的选址评估服务，以及特定场景的人群聚类分析服务等^[3]。从社会层面来看，运营商积极承担社会责任，充分发挥运营商的数据价值，支撑政府加强社会治理，促进社会发展和提高人民生活水平，如运营商等多部门联合打造通信大数据行程卡服务，在新冠肺炎疫情期间助力国家精准防控、企业复工复产、人民健康出行。

3  通信行业数据要素价值评估体系探索

通信行业数据要素价值评估体系探索，需要从价值评估方法适用性、数据要素的价值影响、数据要素的价值评估、数据要素估值定价以及数据要素的价值化运营策略五个维度进行分析。这些维度基于运营商数据的特点和价值体系，旨在探索通信行业的数据要素评估体系，实现数据供需有效匹配，优化配置和利用数据资源，推动数字经济高质量发展。

3.1  价值评估方法适用性分析

数据要素作为一种无形资产已在业界形成广泛共识^[1]。中国资产评估协会于2020年1月发布了《资产评估专家指引第9号——数据资产评估》，提出了成本法、收益法、市场法等货币化估值方法。成本法以成本估值，计算较为直观；收益法是预期收益折现估值，来反映数据资产在投入使用后的收益能力；市场法通过类比市场案例形成某一数据产品的价格波动区间，进而确定合理价值范畴。但由于数据来源众多、收集方法不同而造成数据格式不一致，活跃程度、灵活性和时效性也明显更强，如何进行资产价值评估当前还是一个开放性问题。

层次分析法（Analytic Hierarchy Process，AHP），对适用于多目标决策的情况，通过对总体目标进行与决策相关的元素拆分，并根据元素间的相互影响关系进行不同层次的权重组合，打造出一个多层次的分析模型，实现目标决策问题转化成多元素的排列及相对权重值的确定。所以，选定层次分析法，通过分析数据要素价值影响因素，将数据要素价值评估目标分解成多个层次与指标，分而治之，构建运营商数据要素价值评估指标模型，再进行估值计算和资产定价，最终实现数据价值化运营。

3.2  数据要素价值影响分析

数据要素价值评估是衡量数据资源对企业价值的贡献和潜力的方法。它需要综合考虑数据成本、数据质量、数据应用、数据安全、法律法规、宏观环境等多个影响因素。其中，数据成本是指获取、存储、处理和共享数据所需的投入；数据质量是指数据的准确性、完整性、时效性和一致性等特征；数据应用是指数据在解决问题、提供服务、创造收益等方面的作用；数据安全是指数据泄露、损失或滥用等可能造成的损害。基于以上分析，构建了运营商数据资产价值评估指标体系（见图3）。

图3   运营商数据资产价值评估指标体系
 

3.2.1  评估指标建立

（1）成本因素

围绕数据的生产过程，将数据成本划分为数据建设成本、运维运营成本、间接成本三个维度的成本。

• 数据建设成本主要包括数据规划、数据采集、数据开发、数据应用各个阶段的成本。数据规划为BOM域数据整体规划所投入的咨询费用、调研费用、规划项目费用等；数据采集为业务部门沟通确认、系统对接、开发采集程序等相关费用；数据开发为数据整理、清洗、挖掘、分析相关的费用；数据应用为对位置、行为等数据封装并提供数据应用和服务等产生的费用。

• 运维运营成本主要包括数据存储、数据维护、数据优化、租户运营、产学研创新相关的费用。数据存储为数据库构建、架构优化等费用；数据维护为数据备份、迁移、应急处置等费用；数据优化为数据调整、更新等费用；租户运营为大数据平台各租户规范管理、技能培训等费用；产学研创新主要为运营商与科研院所、高等院校之间的合作相关费用。

• 间接成本主要包括软硬件成本、基础设施成本、公共管理成本。软硬件成本为数据相关的软硬件采购、设备折旧、研发和维护费用；基础设施成本包括机房、场地维护相关费用；公共管理成本为水电、空调、办公等分摊费用。

（2）收益因素

数据要素的价值除了成本外，还取决于自身数据质量、应用情况，因此数据要素的收益因素主要取决于以下两个方面。

一是数据质量。数据质量是影响数据价值的重要部分，主要因素包括准确性、一致性、完整性、规范性、时效性、可访问性，这些因素都会影响到数据要素的最终价值^[4]。数据的准确性越高，可分析性越强，资产价值就越高；而数据的一致性、完整性、规范性影响着数据处理和加工工作量，对数据治理成本有较大影响；数据的时效性对于需要持续跟踪最新数据的用户来说具有较大价值；数据的可访问性体现数据产品在约定时间长度内的访问成功率，对用户体验和数据价值也有较大影响。

二是应用要素。数据资产在应用流通中的价值可以从数据的使用范围、使用场景、商业模式、供求关系、关联性等多个方面进行评价。数据的使用范围可以衡量数据在不同行业、领域、市场中的适用性和需求量，反映数据的市场需求和潜力；数据的使用场景可以衡量数据在解决实际问题、提供服务、创造新价值中的作用和贡献，反映数据的实际效用和创新性；数据的商业模式可以衡量数据如何实现收益化和可持续发展，反映数据的收益来源和风险承担；数据的供求关系可以反映数据在市场上的稀缺程度、替代性、竞争优势等因素；数据的关联性可以反映数据与其他资源或要素之间的相互作用、协同效应、增值能力。

（3）其他因素

数据资产在流通的过程中，通常面临数据安全、宏观环境、法律限制的影响，这些可能造成数据资产的大幅减值甚至价值完全损失。数据安全是指数据在管理机制、工具技术、流通使用中存在缺陷，数据资产被非法窃取或泄露，可能会导致商业机密、用户隐私或竞争优势受到损害；宏观环境指通信行业领域发生政策变化、市场波动、技术更新，可能会影响资产的需求和供给；法律限制指法律法规、舆论导向、行业监控等规范性要求变化，对数据应用造成限制或影响的风险。

3.2.2  评估指标确认和发布

数据价值评价指标是衡量数据资产价值的重要工具，为了保证指标的科学性、合理性和有效性，需要经过多方的确认和认可。首先，由中国网络安全与信息化产业联盟数据安全治理委员会牵头，征求组织内部各级管理者、数据拥有者、数据使用者等数据相关方的意见和建议，对指标进行完善。然后，由数据治理委员会审核并最终确认指标，并向组织领导层汇报并获得批准。最后，通过各种渠道和形式对指标进行发布宣贯，使其在组织内部得到广泛的知晓和认可。

3.3  数据要素价值评估

数据要素价值评估主要分为两个步骤：一是明确需要评估价值的数据要素，二是根据合适的方法进行估值计算。

3.3.1  明确估值对象

运营商各域数据特点不一，在价值评估上也具有差异。例如，O域存在信令、网络等数据，体量极大，是M域百倍以上，数据存储成本及软硬件成本支出较高，但业务复杂度适中，数据规划、数据开发成本投入适中。B域数据业务复杂、体量较大，数据开发、数据维护、租户运营等成本投入较大。针对这种情况，需要建立数据资产目录，根据数据资产的属性、特征、用途等条件，筛选出需要进行价值评估的数据资产，并确定其评估范围和维度。这样可以保证数据资产评估的针对性和有效性，避免无效或重复的评估工作。

首先，根据企业的业务需求和战略目标，确定数据价值评估的范围和维度，例如数据类型、管理范围、应用场景等；其次，在统一的数据资产目录中，筛选出符合条件的数据资产，并进行初步分类和分级；再次，对筛选出的数据资产进行详细分析，评估其价值属性和影响因素，例如成本经济价值、内在价值等；最后，根据分析结果，对数据资产进行价值排序和优先级划分，确定最具价值或最需要改进的数据资产作为估值对象。

3.3.2  估值计算方法

通过将数据价值进行拆分评估，对评估指标体系中的指标进行两两比较；通过经验或专家来判断和衡量低层因素对高层因素的相对重要性，如专家认为数据应用价值对比数据成本相当重要、数据内在价值对比数据成本略微重要，并构造各级比较判断矩阵，根据专家对此模型的决策数据进行计算，最终根据重要性的程度得出权重排序，并进行一致性检验。根据校验结果，形成有效的数据资产价值评估模型（见图4）。

图4   数据要素价值评估模型
 

为进一步对模型进行完善，提升模型的准确性，更好地解决数据资产评估过程模糊的、难以量化的价值指标，选取模糊综合评价法（Fuzzy Comprehension Evaluation Method，FCE）。在数据资产价值评估初始模型的基础上，建立资产影响因素集合以及评价集合，根据专家问卷评价数据及层级分析法获得的各个评价指标排序权重，计算得到各个数据资产价值评估指标的综合评价结果，实现了通过多级模糊综合评价去模糊，最终得到资产价值最终的评价分值，对数据资产价值进行了量化。

3.4  数据要素估值定价

在市场经济环境下，影响数据资产定价的因素除了数据价值评估的结果外，还取决于市场上同类产品的价格分布以及市场发展。因此，数据资产定价以数据价值评估为指导、市场定价为参考，同时考虑某一数据产品的成本、保底利润率、溢价等修正因子，形成数据在供应链流通中的最终市场价值（见图5）。

图5   运营商数据产品定价因素
 

（1）数据产品估值评分来源于数据资产价值评估，基于数据资产价值评估指标，进行拆分评估、权重排序、层层比较，这样可以反映数据产品在市场上的竞争力和吸引力。

（2）市场同场景/同类型数据产品价格分布，可以通过市场调查法、竞争对手调查法等方法，调研相同或类似的应用领域或行业内的同类产品，综合商业价值、市场竞争力、产品差异及规律，得出合理的价格区间。运营商一般会参考互联网头部企业及友商，来制定和调整价格策略。

（3）数据产品的成本消耗包括管理、运维、服务等方面的支出成本，进行定价时，对各项成本进行加总，得到数据资产的成本总额。成本总额越大，数据资产的价值越大，同时还要考虑产品保底利润率和溢价，一般要求数据产品最终定价不低于该产品的成本消耗+保底利润。另外，如果数据产品可以多次售卖给不同的买方，那么可以通过分摊成本来降低单个买方的价格，这样既可以提高数据产品的市场竞争力，又可以增加总收益。

3.5  数据要素价值化运营策略

数据要素的价值评估，使数据价值可观测、可计量，助力了运营商数据要素价值化运营。通过构建四象限资产价值矩阵，将数据资产运营过程中的价值与成本进行对比分析，将各类数据划分为金牛区、潜力区、关注区、问题区四个象限，实现资源价值导向倾斜（见图6）。针对不同象限的数据，采取不同的策略：金牛区推动业务部门广泛推广和使用，潜力区提升数据建模效率、减少数据流通运营消耗，关注区持续监控，问题区讨论后进行预下线和下线操作。这样可以把价值成效变成驱动数据治理的动力，不断促进数据资产可用、好用。

图6   基于数据要素价值驱动的数据生命周期管理
 

数据要素价值评估体系的建设，也可以为数据共享流通提供参考依据，为随之而来的数据市场交易做好准备。推动形成以市场为根本的数据资源体系，激发数据要素潜力和活力，持续促进数据要素从资产向资本的转变，进一步推动数据要素的流通，以数智化手段提升了企业效能，加速数据资产管理落地与价值转换。

4  结束语

随着数字经济的不断发展，数据资产在各领域的作用日益增强。本文结合运营商实际数据特点，构建了数据要素价值评估指标体系，明确了通信行业数据要素估值方法和定价机制，助力数据价值化变现和流通。为了适应数据要素市场化配置体系的发展，未来还需在已有的价值评估方法基础上，加快创新步伐，融合经济理论、人工智能算法等，实现对数据资产更加全面准确的评估，以最大化释放数据要素价值，促进数字经济快速发展。

Research and practice of data factor value assessment in communication industry

XIAO Wenbin, ZHANG Xiaochuan

(China Mobile Communications Group Guangdong Co., Ltd., Guangzhou 510000, China)

Abstract: Data asset management and application from the perspective of data factor have become the key to improving production and operation efficiency, making the value of data assets more and more obvious. Identifying the value of data assets and making full use of it are the keys to realizing the circulation of data factor and promoting the transformation of data value. Based on the data characteristics and value system of operators, a system for data factor value assessment applicable to operators is proposed, and the process of data factor assessment is elaborated in five aspects: applicability analysis, influencing factor analysis, value assessment process, valuation and pricing methods, and operation strategies.

Keywords: data factor; value assessment; pricing strategy