数据集的价值是多少？4种估值方法
成本、市场、买家价值、未来现金流：根据方法不同，同一文件的价值可相差25倍。学习如何交叉验证这些方法。
数据集的价值是多少？
4种估值方法
10 张幻灯片 · 滑动或使用方向键核心议题
价值并非账面可见
标普500指数公司约90%的价值是无形资产（1975年为17%）——但数据几乎从未在资产负债表中体现。
┌ Ocean Tomo, 2020 · Laney, Infonomics, 2017
方法一
重置成本
重新创建该数据需要多少成本？可作为参考。局限性：衡量的是支出，而非价值。
┌ OCDE, Measuring the Value of Data 2022
方法二
市场/可比数据
类似数据能卖多少钱？局限性：可比数据稀少且不透明 → 主要用于一致性检查。
方法三
买方价值（增值）
该数据能为买方带来多少收益？（避免的版税，额外利润）。局限性：难以分离出数据本身带来的价值。
方法四
未来现金流折现（DCF）
归因于数据的未来收入的现值。是“买方价值”方法的量化形式。
┌ Cheong et al., JRFM/MDPI 2023
溢价或折价？
推高（或拉低）价格的因素
- 时效性、独特性、数量、粒度
- GDPR合规性：无合法基础，价值≈0
- 供需关系优先于内在价值
┌ Laney/Gartner (IVI) · DAMA-DMBOK
价格参考
数量级（非合同）
- 市场中位数约1400美元/月 或约2200美元/次
- B2B联系方式约0.01–1.50美元（数据时效性约30%/年）
- AI文本许可=打包价（Reddit 6000万美元/年）
┌ Azcoitia et al., arXiv 2021
证据（量化）
方法决定一切：×25
一个B2B客户文件（可归因年收入100万美元）：成本≈15万美元，避免的版税≈13.3万美元，超额收益≈380万美元。→ 方法使价值变化约25倍。
┌ 教学示例（Eton VS / Deloitte）
要点
交叉验证，而非选择
d-nvest的估值报告正是这样做的。
- 没有单一方法能给出“唯一”价格
- 交叉验证方法 + 真实可比数据
- 置信度指数用于界定估值范围
关于数据变现或采购有疑问？
与专家交流 — 无任何约束。
完整指南
一个数据集值多少钱？这个问题很棘手，因为数据的价值并非账面可见：如今标普500指数公司约90%的价值是无形资产（相比之下，1975年为17%，Ocean Tomo），但数据几乎从未在资产负债表中体现（Laney, Infonomics）。有四种方法可以估算其价值。
成本法衡量重新创建数据所需的成本：简单明了，可作为参考，但它衡量的是支出而非价值（OCDE, 2022）。市场法将其与在其他地方出售的类似数据进行比较；由于可比数据稀少且不透明，它主要用于一致性检查。买方价值法（增值、避免版税、有/无数据对比）量化了数据为买方带来的收益；其难点在于分离出真正归因于数据的价值部分。最后，未来现金流折现法（DCF）计算归因于数据的未来收入的现值——这是买方价值方法的量化形式（Cheong et al., 2023）。公认的框架通常只包含三种（成本/市场/收入），DCF是第三种方法的变体。
随后，有几个因素会影响溢价或折价：时效性、独特性、数量、粒度、准确性、权利/许可，尤其是GDPR合规性——没有合法基础，价值几乎为零。主导规则是：供需关系优先于内在价值。在价格参考方面，市场中位数约为每月1400美元（或单次约2200美元，arXiv 2021），B2B联系方式价值几美分到1.50美元，AI文本许可采用打包价（Reddit，约每年6000万美元）。
关键启示：一个产生每年100万美元可归因收入的B2B客户文件，通过成本法估值约为15万美元，通过避免版税估值约为13.3万美元，通过超额收益估值约为380万美元——根据方法不同，倍数约为25倍。因此结论是：我们不选择一种方法，而是交叉验证它们，将其与真实可比数据进行对比，并用置信度指数来界定结果。这正是d-nvest估值报告所产生的。
来源
- Deloitte — Valuing Data Assets (2025)
- OCDE — Measuring the Value of Data (2022)
- Azcoitia et al. — Data marketplace prices (arXiv, 2021)
- Cheong et al. — DCF for data (JRFM/MDPI, 2023)
教育内容 — 非法律或财务建议。每个数据均标注来源和年份。