一、数据资产价值评估概述
数据是需要管理、部署和评估的业务资产。首席数据官、首席分析官、首席信息官、首席营销官和首席财务官可以参照Gartner发布的信息评估方法来衡量数据的使用价值和货币价值。
1、面临主要挑战
■多数高管认为他们的组织对数据资产的管理不善，尤其是与传统资产的管理方式相比。这导致错过了商业机会和不必要的开支。
■目前，会计行业并不认为数据是资产负债表上的资产，这意味着只有很少的组织能够真正认识数据产生的价值或者如果得到最佳的管理和治理可能产生的价值。
■Gartner学术研究人员的研究表明，以数据为驱动的公司往往表现优于同行，金融市场也往往青睐它们，但企业领导人没有办法衡量这种隐藏的价值。
■大多数IT领导者努力证明与数据管理相关的关键举措的经济效益，例如主数据和元数据管理、数据质量、数据治理、数据架构、基础设施升级，甚至商业智能或分析。
2、数据资产评估建议
■CxOs和公司董事会应该要求他们的组织将数据视为一种资产而不仅仅是作为一种资产来谈论。
■CDO和CAO应在首席财务官的指导下，建立一套标准方法，以衡量关键数据资产对其组织的实际和潜在经济价值。采用一个或多个Gartner建议的数据资产价值评估模型，并定期执行这些度量。
■IT和商业领袖至少应该利用他们的数据价值评估来帮助IT和商业计划的优先级和预算，改善数据管理文化和纪律，并做出明智的数据战略、生命周期和相关决策。
3、战略规划设想
■2015年，超过90%的商业领袖将数据视为战略性资产，但只有不到10%的人将其经济价值进行量化。
■2016年，30%的企业将通过易货或直接出售数据资产，开始直接或间接地将数据资产变现。
■2017年，80%的首席数据官将努力实现数据价值最大化，同时继续努力降低数据风险。
■2018年，超过75%的首席数据官不会向CIO或其他IT领导汇报工作。
■2020年，数据将被用于改造、数字化或淘汰10年前80%的业务流程和产品。
■2020年，30%的数据在创建时将包含来源、业务、安全和价值元数据。
4、数据资产评估介绍
试想一下，以下情况都没有办法衡量价值：一位零售经理如果没有店铺库存的记录；一位首席财务官没有公司财务资产和价值的记录；一位人力资源主管没有公司名录、员工评分和薪酬数据。这看起来很荒谬——但这就是当今大多数组织的数据管理状态。
CDO通常缺乏关于组织中存在哪些数据的可靠库存，例如，数据在哪里，用途是什么，或者它的价值如何度量。然而，“数据”是CDO的中间单词——而我们正处于数据时代。
实物资产、金融资产，甚至某些无形资产，如专利和版权，都在资产负债表上进行盘点、计量和估值。这是法律，自20世纪30年代以来一直适用于公司。甚至连自上世纪60年代以来被视为“人力资本”的公司员工，也会被衡量、评估和报告。
为什么数据不能放到资产负债表上呢?
数据符合正式的，建立的资产负债表资产标准。会计准则组织例如，美国注册会计师协会[AICPA]、财务会计准则委员会[FASB]和国际财务报告准则[IFRS]等，三个组织各自对资产的定义类似于具有以下特征:
■拥有和控制的一个实体
■可兑换现金的东西
■可以产生经济效益的实体
然而，古老的会计惯例例如，通用会计准则[GAAP]和IFRS1可以追溯到大萧条后的标准化财务报告惯例时代，至今不允许在财务报表上对数据资产进行资本化。即使其他无形资产，如版权、商标和专利的价值被衡量和报告，在数据时代，越来越重要的数据资产组织却没有在资产负债表上体现。
在Gartner看来，会计行业长期以来未能承认数据是一种资产，这导致了大多数企业普遍缺乏数据管理纪律。此外，它已经导致大多数组织不能从他们的数据中产生尽可能多的经济价值。有一类以数据为中心、以数据为导向的公司，它们在数据管理方面表现出领先的做法，其市值与账面价值远高于正常水平。然而，这一价值并未在任何地方得到正式反映。
Gartner认为，正式的数据会计实践，具体来说，衡量数据的价值是大多数客户实现其可用数据资产的潜在利益的重要一步。古老的格言“你没有必要管理你不衡量的东西”非常适合这种情况。然而，由于没有这样的模型存在，作为我们在过去十年对信息经济学的开创性研究的一部分，Gartner已经开发和实施了一套可行的方法。
目前，虽然数据评估的国际会计准则尚未出台，但金融分析师已经开始部分基于企业的数据资产和数据相关能力来评估企业。我们预计这一趋势会继续下去。尽管如此，由于各种原因，Gartner推荐并与组织合作来衡量其数据资产的价值。这些包括:
与IT相关的好处
■加强信息管理。
■对数据治理、分析、保留和归档等与数据相关的举措进行更智能的优先排序。
■为IT、商业领袖和首席财务官创造一种共同的语言，以进行信息交流。
■证明和证实IT、数据相关的商业计划的好处。
■推动数据文化，促进数据相关学科的发展。
与商业相关的好处
■提高企业最未充分利用的资源之一的经济效益。
■实现对高管所有资产价值的一致理解，而不仅仅是公认会计准则资产。
■推动企业市场估值改善。
■给投资者和潜在商业伙伴留下深刻印象。
■通过出售或以物易物的方式直接将数据货币化。
■成为一个更加关注的中心业务(具体来说，是决策和过程自动化/优化)。
■通过数据创新，开发新产品、新服务。
5、数据资产评估分析
采用数据资产评估方法，提高数据管理和业务绩效。
为了帮助企业将信息经济学原理付诸实践，Gartner开发了多种计算数据资产价值的方法。这些方法包括基本估算和财务估值方法。估值基本模型考虑数据的质量相关方面，或者它对替代性能指标的影响。其中一些方法采用了公认的资产估值方法，尽管没有一种方法被任何会计准则机构接受或认可。目前，这些模型仅供企业内部计量和比较其数据资产的价值时使用。然后，这种分析可以用来帮助改进与数据收集、管理和部署有关的工作，就其本身而言，更有意义的并不是衡量本身:
■数据资产的已实现价值和潜在价值之间的差值。
■跟踪数据资产随时间升值或贬值。
所有与资产评估相关的方法，例如，IRR，经济增加值[EVA])对于任何类型的资产评估都是基于一组假设。正确地描述和一致地应用假设是很重要的。与离散度量本身相比，更加应该关注随着时间的推移而出现的价值增值或减值，这意味着定期应用估值模型进行评估是至关重要的。
避免在单位或记录级别上评估数据。在大多数情况下，这种粒度级别是不必要的，而且很耗时。当将一类信息例如客户数据、产品数据、维护数据、呼叫中心数据或员工数据作为数据组合处理时，这些模型通常适应性最好。虽然将这些模型应用到特定的数据集可能更容易，但是您可能会发现将它们应用到先前相关数据资产的逻辑分组中会有更多的好处。
由于需求的差异和环境的不同，评估模型提供了多种模式。选择使用哪些和何时使用取决于企业的数据估值目的。下图左边突出显示了基本估值模型，右边突出显示了财务估值模型。有些是高级指标，有些是常规指标，有些是面向企业信息管理(EIM)改进的，还有一些是用于评估信息的业务效益。您可能会发现，为了不同的IT、信息、金融和业务领导人的利益，或者为了不同类型的数据资产，应用几种模型是有意义的。
二、应用基本数据评估模型来确定优先级并改进数据管理
基本评估模型适用于尚未准备好或没有迫切需要为其数据资产赋予货币价值的组织或部门。这些模型对于评估数据资产的质量和潜在的与实际的效用非常有用，可以帮助改进企业信息管理(EIM)策略。它们也可以作为数据资产潜在经济利益的领先指标。
1、数据的内在价值（IVI）评估模型
（1）概述
数据的内在价值是它的假定好处，它允许跨数据类别进行广泛的比较，而不管当前如何使用这些数据。这种方法衡量数据资产的正确性和完整性，以及其他组织拥有它的可能性。这表明，更专有或排他性的高质量和可用数据具有更大的内在价值潜力。这种方法可以用于在不同的数据源或计划中对与数据相关的投资进行优先排序。例如，数据的内在价值对于指导数据质量或与安全有关的努力和投资特别有用。
（2）公式
IVI是以下方面的函数:
■有效性（Validity），记录被认为是正确的百分比；
■完整性（Completeness），总记录与潜在或假设记录的百分比；
■稀缺（Scarcity），市场或竞争对手可能也有相同数据的百分比；
■生命周期（Life cycle），数据资产的任何给定单位(记录)的合理可用性(例如，以月为单位)。
（3）用途
这个模型非常适合数据管理员使用，以比较多种类型数据的潜在效用，或者跟踪特定数据资产随时间推移增加或降低趋势。最佳的IVI是1.0，具体来说，完美的数据准确性和完整性，在组织之外没有该数据的任何部分的副本或版本。对于IVI较高的信息，您可能希望增加或确保其广泛可用和使用。对于IVI较低的信息，您可能需要加倍数据治理和质量工作。
（4）示例
在这个例子中，公司的客户支持数据比客户联系数据具有更大的内在价值。因此，不管具体的业务用途是什么，客户支持数据的使用应该优先于客户联系数据。或者，客户联系系统和流程可能需要更多地关注于改进它们捕获的数据。
（5）变化因素
■对数据质量的主观或客观度量，如及时性或精确性。
■在记录级或数据集级确定完整性，并引入因素权重。
■为了更符合已建立的数据价值比较，用ln(Lifecycle)代替，其中生命周期=> 1,ln(稀缺性)，稀缺性> 1。
（6）好处和挑战
好处:IVI是可用的最简单的数据评估模型。数据质量因素可以通过自动分析和基本的市场了解来确定。它可以帮助快速比较不同数据资产的潜力，识别数据质量、数据隐私或数据治理问题，或者识别不应该保留的数据。
挑战:IVI不考虑数据实际或潜在与任何实际商业目的的相关性。
2、数据的业务价值（BVI）模型
（1）概述
这种方法考虑了数据资产对实际业务使用的效用(与上面的IVI方法不同)。它解决了数据的好坏程度、对业务的适用程度以及数据的最新程度。这种方法可以方便地快速了解数据在现实世界中的潜在好处。例如，当存在竞争的业务优先级时，此模型可用于将与数据相关的优先级与它们保持一致。
（2）公式
BVI是以下的函数:
■相关性（Relevance），数据对一个或多个业务流程的有用程度(0到1) ；
■有效性（Validity），记录被认为是正确的百分比；
■完整性（Completeness），总记录与潜在或假设记录的百分比；
■及时性（Timeliness），捕获和访问数据的新实例或更新实例的速度有多快。
其中n =业务流程或功能的数量。
（3）用途
数据业务价值评估方法对整个组织的业务功能进行全面的数据支撑价值分析是很有用的。这可以是您认为可行的高级别或详细的。测量数据的实际价值和潜在价值之间的差距，具体来说，使用实际的和潜在的相关性评估可以快速识别更好地利用“暗数据”的机会，以度量各种数据质量属性。
（4）示例
在本例中，销售事务数据的业务价值指数比weblog数据数值稍大一些，这主要是因为它被认为在产品、材料订购方面具有更高的相关性。
考虑在更广泛的流程中使用这些类型的数据可以进一步区分它们的业务价值。
（5）变化因素
■数据质量指标；
■使用不同的方法来确定相关性(例如，调查、数据使用分析) ；
■相对于一般情况，衡量每个业务流程的准确性、完整性和或及时性；
■考虑仅针对特定业务流程的不同信息的BVI；
■因素权重；
■对于及时性的要求(如及时性要求> 1)，是为了更好地与现有的信息理论保持一致。
（6）好处和挑战
好处:BVI将数据与实际业务价值联系起来。它的实现相对简单，可以考虑实际和潜在的场景。这个模型对于识别“暗数据”和做出“可选择的处置”决定是有用的。
挑战:业务相关性可能是非常主观的，可能需要进行耗时的分析来确定。
3、数据绩效价值(PVI)
（1）概述
此方法着眼于数据资产对业务目标的已实现或估计的影响，业务目标表示为关键性能指标(kpi)。这回答了以下问题:拥有这些数据能在多大程度上提高业务性能?简而言之，它需要运行一个受控验证过程或推测验证过程，但这种方法得到一个确定的、经验值度量。
作为一个数据价值度量的滞后指标,,这种方法可能比IVI或BVI模型数据相关计划或决定潜在信息价值的优先级要低。然而,这是一个首选的方法测量实现商业利益对建立业务指标和数据资产经济价值的优先指标。
（2）公式
PVI是一个简单的比率，通过合并给定的数据资产来计算KPI改进，在任何给定数据实例的可用生命周期进行推断:
或者对于多个kpi，总体PVI可以表示为其个体PVIs的平均值:
其中:
■i =使用数据资产的业务流程实例(知情组) ；
■c =不使用数据的业务流程实例(控制组) ；
■n =测试测量的不同kpi的数量；
■T =任何数据实例的平均可用寿命；
■t =衡量KPI的持续时间。
（3）用途
理想情况下，使用PVI模型需要运行受控的数据管理过程，其中业务流程的某些实例合并其他实例没有的某些数据资产。这是一个经典的a - b测试。正的PVI表明该数据对这一过程是有价值的;负的PVI表明数据在某种程度上阻碍了这个过程。在确定PVI时，重要的是在试验期间保持收入过程的所有其他方面不变。
（4）示例
这种方法的典型例子是一个目标营销活动利用有关客户偏好和行为的信息，而另一个完全相同的活动没有利用这些数据。一段时间后，比较这两组的表现。
在本例中，新数据对lead的影响最大，并对每个订单的收益产生负面影响。或许，新数据在某种程度上鼓励了低价格产品的推广，或将目标锁定在低收入客户，或阻碍了对多种产品的购买。
（5）变化因素
■衡量单个或多个KPI；
■消除时间变量；
■以各种方式吸收或利用新数据；
■测试单个KPI的替代数据源，以确定哪个提供了最大的好处；
■对于术语ln(T)和ln(t)，其中T >1和t >1，以更好地符合已建立的信息论保持一致。
（6）好处和挑战
好处: PVI是硬性的、经验的测量，是一个很好的预测或金融措施。它介绍了一个不需要进行业务功能级分析的场景。
挑战:PVI需要运行一个或多个实验，可能涉及系统或流程更改。数据集成到流程中的方式会影响结果。它没有考虑将数据合并到流程中的费用。
三、运用财务数据评估模型，促进企业经济效益的提高
财务数据评估模型对于需要确定数据资产与其他资产相比表现如何的组织是有用的;在它们的收集、管理、安全和部署上投资什么;以及如何在业务交易，例如合并和收购、数据联合、信息交换中表达它们的价值。
这些价值模型是以建立的资产评估模型的变体，评估专家和会计师使用这些模型来评估传统资产。但是，这些模型已经进行了调整，以适应数据独特特征的细微差别:数据在使用时不会耗尽。
1、数据成本价值(CVI)模型
（1）概述
这种方法是将数据资产作为生成、捕获或收集数据所需的财务费用进行评估。还包括一个可选术语，该术语考虑了当此数据资产变得不可用(例如，损坏、丢失)或被盗(特别是复制)时对业务的影响。当数据资产没有活跃的市场且其对收入的贡献不能充分确定时，这种方法是首选的。此外，该模型还可用于评估数据资产损坏、丢失或被盗的潜在财务风险。
（2）公式
其中：
■ProcExp =捕获数据所涉及的流程的年化成本；
■Attrib =可归因于获取数据的过程费用的部分(百分比) ；
■T =任何给定数据实例的平均寿命；
■t =测量过程费用的时间段；
■n =直到数据被重新获取，或直到业务连续性不再受丢失或损坏的数据影响的时间间隔。
（3）用途
由于数据捕获的过程费用部分可能很难确定，因为它可能在业务操作过程中收集，在这种情况下，它通常是费用。如果分配给获取该数据资产的过程的部分是确定的，这一金额表面上可以作为资产价值而不是费用。还应考虑声誉或竞争风险的成本，如果这些数据被公开披露或被竞争对手窃取。
（4）示例
在这个例子中，我们考虑数据没有被偷、损坏或丢失的成本价值:
设备维护过程每年花费200万美元，据确定或估计其中2%用于获取和收集数据。因此，每年捕获价值4万美元的数据，但由于它的使用寿命为3年，我们估计它为12万美元。
（5）变化因素
■在确定整个过程费用时，考虑物理过程资产的摊销费用，加上它们的持续运营费用(包括人工) ；
■包括数据的存货持有成本(管理费用)以及它的购置费用；
■为了更好地与已建立的信息论保持一致，用ln(T)和ln(t)替换这些项，其中T >1和T >1。
（6）好处和挑战
好处:CVI是评估数据替换成本和如果丢失、被盗或损坏的负面业务影响的最佳方法。会计人员喜欢用这种更保守、更稳定的方法来评估大多数无形资产的初始价值。
挑战:一些因素需要评估和主观性。这些成本很可能已经被支出，因此CVI仅仅通过将数据从费用转为资产来表达数据的价值。
2、数据市场价值(MVI)模型
（1）概述
这种方法着眼于数据资产在开放市场中的潜在或实际财务价值。通常，数据货币化是在贸易伙伴之间进行交易，以换取现金、货物或服务，或其他考虑，如优惠的合同条款和条件。然而，越来越多的公司直接通过托管的数据市场(例如，ProgrammableWeb、Quandl、Microsoft Azure Marketplace)或特定行业的数据代理来销售他们的数据。
一般来说，这种市场价值方法不适用于大多数类型的数据，除非它们是经过许可的或以物易物的。然而，随着组织在外部利用数据方面变得更加复杂和积极，它们应该考虑这种方法。
（2）公式
我们对这一传统方法的修改认识到，大多数数据实际上并没有出售，特别是所有权转移;相反，它是被许可的。因此，评估模型已经包含了一个降低数据市场可销售性的因素，因为它在市场上变得更加无处不在。这表示为应用于数据资产的假设所有权转移或专有价格的可变折现因子(反向溢价)。
■Exclusive Price=独家价格；
■Number of Partners=缔约方数量；
■Premium=溢价。
（3）用途
在考虑通过出售或物物交换将数据货币化时，使用MVI。理想情况下，使用CVI或EVI模型来确定独占价格——具体地说，将数据资产的完全所有权(或独占权)转让给另一个实体可能需要多少钱。然后确定或估计在任何给定记录的平均生命周期内，将有多少可能的缔约方许可该数据。确定市场规模的传统市场分析方法也可用于确定可能的数据许可方的数量。
对潜在授权方的额外调查可以确定溢价因素，通过询问“您愿意为独家访问或直接拥有该数据而支付的任何给定授权费用的溢价(倍数)是多少?”
（4）示例
这个例子考虑了一个组织的客户忠诚度数据的可营销性，并受到了最近《华尔街日报》文章中投资者声明的启发。
这个例子说明了通常所期望的:MVI是数据独占值的小倍数。这是因为潜在的被许可方对数据的普遍可用性的了解几乎抵消了被许可方的数量，特别是数据所有权溢价的潜在被许可方的数量。然而，当一个组织的数据成为必要的行业标准数据产品(例如，信用机构、金融数据经纪人、市场研究组织)时，它可以达到指数MVI倍数。
（5）变化因素
■考虑预期现金流的净现值(NPV)；
■考虑一下数据所有权转移的情况——尽管这种情况很少；
■运行不同组合的模型，或完善和打包数据资产组合；
■考虑限制被许可方的数量，以降低保费；
■数据资产的市场价值可以通过对可比形式的数据进行当前市场评估来确定；
■考虑衡量稀缺性(参见IVI模型)来确定溢价因素。
（6）好处和挑战
好处:MVI对于确定可销售或可交易的数据资产的价值是最有用的。它还可以用于确定数据产品的价格点，或者也可以进行调整，以确保对另一个数据产品收取可接受的许可费用。
挑战:对于非市场数据资产，它不是特别适用或有用。它包括高度主观的因素，可能需要广泛的市场分析。数据资产的独占价格可能很难确定或估计。
3、数据的经济价值（EVI）模型
（1）概述
该方法采用传统的收益法进行资产评估，然后减去与数据相关生命周期费用，从而产生数据资产的财务净值。该方法与PVI方法一样，是对数据资产实际价值的实证计算。因此，它更多的是一个落后指标，而不是数据价值的领先指标——除非第一个收入期能够被充分估计。
（2）公式
当一个特定的数据资产被合并到一个或多个产生收入的流程中时，EVI会考虑收入中已实现的变化。然后，对数据的获取、管理和应用成本进行了计算。
其中：
Revenuei =使用数据资产产生的收入(知情组)。
Revenuec=不含数据资产的收入(控制组)。
T =任何给定数据、实例或记录的平均预期寿命。
t =执行EVI实验或试验的时间。
（3）用途
作为上述PVI方法的财务变体，EVI需要进行一段时间的试验。然而，在这种方法中，收入是唯一的KPI，价值是货币而不是比率，并且数据资产的生命周期也被考虑在内。首先，衡量使用这些数据与不使用这些数据产生的收入之间的差异。然后减去数据的生命周期成本。最后，将这个总和乘以数据资产寿命(T)与试验持续时间(t)的比率。在确定EVI时，重要的是在试验期间保持收益过程的所有的其他方面不变。
（4）示例
在本例中，我们确定电子商务网络绩效数据和社交媒体趋势数据的净经济效益:
在第一个例子中，捕获和利用电子商务网络性能数据，表面上优化网站性能，产生每月3000美元的总收益和1,950美元的数据生命周期费用，每月净收入为1,050美元。
在第二个例子中，授权和将社交媒体趋势数据(可能是营销和/或产品推荐引擎)结合起来，每月总收益增加6000美元，额外支出增加3200美元，净收益略微增加2800美元。然而，由于社交媒体数据的效用较长，其EVI要大得多。考虑到竞争的IT优先级，整合社交媒体数据似乎是更好的选择。
（5）变化因素
■只需计算收入差异，而不考虑估计的费用；
■假设数据的寿命是恒定的；
■包括较长寿命的贴现现金流信息，如客户联系数据；
■用经济刺激替代公共部门组织的收入；
■替换ln(T)和ln(t)，其中T > 1和t> 1，以更好地符合已建立的信息论保持一致。
（6）好处和挑战
好处:EVI是一种对数据对顶层和底层贡献的实证分析。除了在以多种方式复制和应用数据时确定与数据相关的费用外，不需要进行功能分析。
挑战:EVI需要现场实验和估算数据成本的能力。”许多传统的企业领导仍然对尝试数据创收过程的当代概念不太认可。EVI是一个跟踪指标，尽管结果可以用于对IT和业务计划进行优先排序。
四、综述
不同行业、不用业态、不同管控模式的企业对数据价值的判断具有较大差异，因此，实际数据资产价值评估时，要根据企业不同的需求选择一个或多个组合的数据价值评估模型进行评估。数据价值评估有利于数据驱动型企业判断数据资产价值对数字化转型的贡献度，从而为更好的利用数字资产提供有益帮助。
