【原】你的数据价值是什么，如何评估它

有些人说数据是新的石油，但这太简单化了。石油是一种可以买卖的商品。数据是一种资产，一种通过使用而增值的资产。一个人的数据不是很有价值。将成千上万人的数据结合起来则是完全不同的情况。将这些数据与不同情况下生成的数据进行整合成新数据集，为不同的参与者和利益相关者创造新的见解和价值。

如果数据如此有价值，那么为什么很少有公司重视它呢?一些人试图为他们的数据定价。他们试图了解市场会为它支付多少费用。但是数据的价值并不总是取决于它的销售价格。以亚马逊和阿里巴巴为例，两家公司都在寻求优化市场，将客户与需求联系起来，或与能够提供需求的组织联系起来。个人消费者提供他们想要和需要的数据。亚马逊和阿里巴巴利用这一点，将消费者与提供正确产品和服务的供应商联接。他们还收集数据，以提供对市场趋势和购物模式的洞察。他们不出售数据，至少不把数据作为主要服务，但他们广泛使用数据来优化流程。这并不是要出售数据，而是认识到数据是企业的命脉。

数据对亚马逊和阿里巴巴的价值并没有通过定价方法体现出来。他们的数据对第三方来说可能很有价值，但对寻求优化运营的公司本身来说更有价值。事实上，没有数据，他们无法运营。

因此，我们不能简单地认为数据价值是其他人愿意支付的价格。我们必须更广泛地思考，在这样做的同时，必须创建数据估值的方法。这种从数据价值到数据估值的区别是至关重要的。数据价值是一个属性。数据具有一定的价值，您需要了解这些价值是什么，以便做出适当的投资决策。要理解数据的价值，您需要一种数据估值方法来计算数据的实际价值。

思考这个问题的一种方法是问，为什么要给我的数据估值?把数据看作一种资产;组织部署资产为不同的涉众创造价值。他们还投资资产，使其符合目的，在任何时候，他们都必须考虑哪些资产值得投资。你可以把它想象成数据价值、数据估值周期。你必须评估并理解你所拥有的数据，必须给这些数据估值，这样你的员工才能认识到数据的价值，在公司内部尊重它，并研究如何让它更有价值。然后，您必须进行数据投资，以确保数据适合于目的。并且必须确保拥有良好的治理、适当的数据策略、标准、系统和过程，以确保实现良好的数据质量。

一旦有了好的数据，就可以开始(数据利用。这主要是确定如何使用数据为您和您的利益相关者创造价值。这可能是通过更好的运营，可能是通过更有效地提供产品和服务，可能是通过使用数据来产生新的和有意义的见解，这些见解本身是有价值的。然后，就可以根据这些见解来创造数据价值。最后，必须回顾从数据中获取了什么价值，将来如何做得更好，是否需要访问新的和不同的数据集?

这个循环是无止境的——在数据估值和数据价值阶段之间来回摆动。但这个周期的起点是数据估值，这个话题已经讨论了很多年，但没有人能够恰当地实施，这也是为什么那么多数据计划失败的部分原因。为了管理一些东西，我们需要度量它。

2021年的数据趋势表明，数据在商业中的作用变得越来越有价值，尤其是随着越来越多的公司转向数据货币化。数据量继续呈指数级增长。有了这么多的数据，关注和分清轻重缓急的需求变得越来越重要。这就是数据估值的用武之地。根据数据在创造价值中所扮演的角色来评估数据，就可以清楚地知道如何将有限的资源集中在何处，从数据中获得最佳的ROI。对于数字时代之前存在的企业来说，数据估值是建立数据业务所需的基础。

■为什么数据估值很重要

越来越多的公司领导人同意，数据是他们业务的核心部分。他们也承认，他们不能很好地处理自己公司的数据和有效的使用。理解数据的价值对于成为数据驱动型企业至关重要，以下是五个原因:

数据通过为决策提供有价值的见解来创造价值。这些见解来自一个成功的数据分析策略。如果你的数据分析策略专注于最有价值的数据资产，而不是最不值钱的数据资产，那么它将会更加成功。

知道你最有价值的数据资产是什么意味着你可以把有限的资源集中在可以创造最大价值的领域。它使选择重点更简单，而选择是任何好的策略的根源，尤其是数据策略。

数据估值给你的数据资产设定一个数字。数据的货币价值，这是一种业务理解的语言，这意味着他们理解数据的价值。特别是因为这个数字使得数据的价值可以与业务中的其他资产进行比较。

有了数据的价值，创建一种数据文化就容易得多，因为不是告诉和说服人们数据是有价值的，而是货币价值为他们做了这些。任何人都不会忽视一项价值数百万或数十亿美元的资产。

拥有清晰的货币价值也能提升数据团队的士气。他们不再被视为数据极客，而是被转变为公司一些最有价值资产的保管人和专家。

■如何计算数据的价值

有许多不同的方法来确定数据的价值。无论您选择哪种方法来确定数据的价值，第一步总是要了解数据资产是什么，然后理解数据如何驱动价值。在决定如何计算数据的价值时，您需要为您的公司选择正确的方法。下面是主要方法的概要，以及不同数据评估技术的优缺点。

(1)成本价值法

这种方法是基于产生和存储数据的成本，以及替换丢失数据的成本，以及对现金流的影响。使用这种方法的一些数据评估技术包括:

Daniel Moody’s 7 Laws of Information

Glue Reply Valuation Technique

Relief from Royalty Method

Data Hub Valuation Technique

这种整体方法的主要优点之一是，它比许多其他方法更容易执行。然而，这种方法是非常主观的。虽然它确实允许一个组织将其数据的价值概念化，但在某种程度上，它无法提供可靠的经济价值。简单地说，基于成本的数据估值方法总是会低估数据的价值，因为它只关注价值的一个方面，它忽略了数据如何成为业务价值的问题。关于什么是数据估值的问题还有很多，而不仅仅是成本。

(2)市场价值法

该方法基于其他人在公开市场上为可比数据支付的费用，通过观察这些销售数据（从而利用数据价值的示例）并计算数据销售价格。虽然计算简单，但它有一些明显的缺点。有些数据根本不交易，可能没有可比的商业数据示例；要么是因为其他人此时不感兴趣，要么是因为一家公司保留其数据以保持竞争优势。此外，一些数据是独一无二的，因此将没有可比较的例子进行研究。获得数据的真实价格取决于是否存在一个有效的市场，而目前还没有。除此之外，此方法的用户必须了解价格与价值并不相同。

(3)经济价值法

这可以分为两大类，收益或效用评估和用例评估。首先，计算数据对业务基线的影响——收入或效用估值。这为不同的业务功能和用例提供了有关特定附加值的信息，并且可以很好地显示数据的附加值。然而，这一点极难衡量，过于主观，在预测数据的未来价值方面做得很差。

对于用例评估，有两种数据评估技术。第一种方法使用多个业务用例，计算每个用例的价值，并估计数据创造了多少价值。这可以提供对业务用例的彻底分析，并将该方法与真实的业务结果联系起来，前提是所有用例都可以跟踪，并且从数据到用例再到价值都有一条单一的路径。现实世界很少像这样运作。缺点是，它再一次具有高度的主观性，依赖于假设的情况，或者一个单一的时间快照。

这两种方法都需要对从何处开始进行主观判断。确定假定最有价值的领域，然后放大以了解数据和用例。

(4)利益相关者价值方法

价值本身是主观的，利益相关者价值方法在研究如何为业务中的不同利益相关者计算价值时承认这一点。这不仅包括股东，还包括客户、员工、供应商、社区和环境。这不是一个可以用Excel完成的简单方法。它需要经过专门训练的数据评估机器学习算法。我们采用的这种由外而内的方法不需要判断从何处开始，因为它构建了一个企业如何创造价值的框架。然后，该框架向组织展示了如何集中精力寻找最有价值的数据——它将成为一个数据评估框架。这消除了映射每个用例的需要，一个需要大量资源才能完成的任务，一旦完成就需要重做，因为它将过时。

■数据评估方法不断发展

迄今发现的最古老的数学物体是2.5万至3.5万年前的狒狒骨头，上面有清晰的刻痕。虽然关于这些凹槽代表什么有很多说法，一些人认为这些是人类记录数字数据的最早记录。也许这些标记表明人类理解历史数据的重要性的时间比想象的要长。

经过几千年的发展，数据的重要性逐渐提高，尤其是在零售和贸易领域，在这些领域，某种资产被赋予了价值，无论是产品还是服务。那时，只有简单的数据，一种产品或服务的供给和需求有助于对其进行估值。

从那时起，更多的抽象资产得到并继续被估价;从股票到品牌、专利和商标。然而，给数据本身估值一直是一个困难，特别是有更复杂的数据类型，大量更多的数据，因为它的使用已经变得更加复杂。

事实上，正是这种复杂性意味着，那些不从事数据工作的人，除了被领导告知数据很重要之外，可能无法理解他们所使用的数据的真正价值。通过给数据估值，改变了组织内部人员对数据的思考方式，因为它将数据翻译成一种他们可以理解的语言。