SCR-SELF-2732026-06-01约 22 分钟阅读

如何为数据资产定价

数据定价通常是手工波动和不精确的;数据集可以是免费的,或者价值数百万美元;很少有人知道如何给数据资产定价,甚至知道这样的计算标准是什么。这篇报告试图改变这种情况。

如何为数据资产定价

如何为数据资产定价

ABRAHAM THOMAS

数据定价通常是手工波动和不精确的;数据集可以是免费的,或者价值数百万美元;很少有人知道如何给数据资产定价,甚至知道这样的计算标准是什么。这篇报告试图改变这种情况。

引言

有人说,数据是新的石油;数据是新的黄金。很好,石油的价格是每桶80美元,黄金是每盎司2300美元。数据的价格是多少?

这是一个毫无意义的问题。

驱动油价的因素可能很复杂,但在交易标准:数量、位置、品位和日期上有一个公认的共识。有些交易所指定了WTI、布伦特原油和迪拜等基准合约的交货规则。当你买了一桶原油时,你就知道你得到了什么。

数据……并不是那样的。数据本身就是异构的。数据集A和数据集B可能都是某个驱动器上的位,但除此之外通常没有任何共同之处。不同的字段、模式、规格;不同的主题、覆盖范围、信息内容;不同的使用者、用例和价值。每桶WTI原油都是相同的;没有两个数据集是相同的。

这是否意味着数据定价完全是艺术,而不是科学?不完全是。数据固有的异质性意味着没有任何标准可以是绝对的;没有一个单一的公式可以应用。但是,有一些明确的原则可以适用于广泛的数据资产。

数据的新买家

历史上,有两个行业主导着数据交易:金融和广告技术.这是仅有的两个具有多个买家、多个有价值的数据资产、多个用例的行业;还能够为数据支付一致的物质经常性收入.

这种情况已经改变了。城里有了一个新的买家:人工智能。人工智能模型对训练数据有着贪得无厌的需求——这几乎肯定是当前它们能力增长的限制因素——因此它们的赞助商(MSFT、OpenAI、Anthropic和他们的朋友门)不遗余力地获取这些数据。但他们所需要的数据并不一定就像金融和广告技术所需要的数据一样,它们的效用/价值曲线也有所不同。这对训练数据的定价有影响,使得许多过去的直觉无关紧要。当我们浏览我们的定价原则列表时,我将试图强调其中一些新的影响。

有关数据的公理

数据没有内在的价值

从显而易见的(但经常被误解)开始:数据没有天生的价值。数据的价值来自于可以用它做什么的价值.因此,每一次关于价格的讨论都必须从理解这个价值开始:数据将如何被使用,以及由谁使用。

数据价值取决于用例

不指定数据将如何使用而讨论数据价值是没有意义的。财务报表对广告宣传活动没有什么用处。受众资料对股票分析没有什么用处。但是翻转这些,数据集不仅有用;它们是必不可少的。用例就是一切。

数据价值取决于用户

使用相同用例的相同数据集可能会为不同的用户提供不同的价值。训练数据对OpenAI的价值与它对单独黑客的价值是非常不同的。资本市场数据对城堡的价值与对散户投资者的价值是很大不同的。每个数据用户都是独一无二的。

其中一些只是规模效应;当同样的数据部署到数百万客户、数十亿资本或数万亿参数时,它们产生的影响更大。但这也是一种功能效应: Citadel和OpenAI可以从相同的数据中比一般的用户获得更多。数据定价的很大一部分是寻找这两种效应的有用代理。我们将回到这个想法上来。

数据从根本上是加性的

数据在某种程度上是附加的,而软件不是。如果你有一个CRM,你就不需要第二个;在你的Salesforce中添加HubSpot和Pipedrive并不会提高你的销售业绩。同样的道理也适用于你的机票跟踪系统、人力资源管理系统、工资和费用系统,甚至你所有的软件。重复投资是一种诅咒;不要重复。

这不是数据的情况!在潜在客户名单中添加更多的名字会使这个名单更有价值。事实上,您可以沿着多个维度添加数据:更多的名称,每个名称也有更多的字段,每个字段也有更多的细节;您甚至可以组合三个完全重叠的数据集来生成更高质量的合并。

数据实际上是相互竞争的。

一个几乎普遍的误解是,数据是“非竞争的好处”:人a使用数据集并不阻止人B使用相同的数据。这是错误的。

这是不正确的,因为它纯粹关注数据消费的机制。复制大多数数据集是很简单的,从这个意义上说,是的,A和B都可以“使用”相同的数据。但这并不意味着他们能从中得到相同的值。

金融市场提供了最明显的例子。如果一个特定的数据集(比如卫星图像或信用卡交易)持有未定价的信息内容,那么对冲基金a就可以利用该数据进行交易来赚钱。但一旦这样完成了,对冲基金B就不能做到了!机会消失了。这些数据实际上是竞争对手:只有一方可以采取行动。

非竞争对手的误解源于将数据视为具有先天价值。如果是这样的话,仅仅拥有这些数据就足够了。但正如我们所知,数据的价值在于你可以用它做什么的价值。而这通常取决于没有其他的人在做同样的事情。在实际的数据业务实践中,数据集越有价值,其所有者在保持独家、专有和保护上花费的精力就越多。如果数据不是竞争性的,这种情况就不会发生。

请注意,使用用于人工智能模型训练的地球尺度数据集,即使从一开始假设,复制和消耗数据很简单,也是不正确的;这些数据集是巨大的。

…直到它不是

优势不会永远持续下去——不论在资本市场,在人工智能培训中,还是在任何地方。数据集被商品化了,并产生了替代品。此时,这些数据就变成了非竞争性的。

这伤害了大多数数据供应商,但对少数人来说是一个巨大的提升。每个数据所有者的梦想是让他们的数据成为表注——商品化,但至关重要。

数据资产具有定义良好的生命周期

在为出售数据资产定价时,了解其特定生命周期中的位置至关重要。

在早期,数据集和市场都不够成熟,不足以推动价值。数据集不完整、不准确、速度慢、不相关。市场缺乏有效使用数据集的工具或复杂性。可能会有探索性的活动,但交易很少发生。

第二个阶段是当早期采用者意识到数据中存在alpha时——更好的针对性广告,或更好的模型价值,或超额的市场回报。(我在这里使用的是alpha这个词最广泛的含义——比行业其他公司更有优势)。在这一点上,数据是超级有价值的(相应定价),但受众仍然狭窄。顺便说一下,大多数数据资产永远不会

登录后查看全文

本报告免费开放给注册用户,登录即可阅读全文。

相关报告推荐

1929552026-11-12

研发管理层自身的转型:技术经理从分派盯进度到定义边界与管理验证的转变研究

研发管理层转型决定企业数字化落地的深度与广度。技术经理需从传统的任务分派与进度督导者,转变为业务边界定义者与管理验证者。尚参发现,在双智协同体系中,管理者个人能力的跃迁直接决定组织协同成效。技术经理必须跨越纯技术视角,深入理解业务逻辑,划定清晰的系统边界,并建立基于数据要素化的结果验证机制。这种转变契合新双模架构对敏捷响应与稳定运行的双重要求。企业核心高管需将此项转变纳入一把手工程,依托双智协同个人能力模型评估体系,推动研发团队从执行末端走向价值创造前端。

5776772026-11-11

人天估算的崩塌:编码提速后软件工作量的估算单位与方法重构研究

传统以人天为单位的软件工作量估算体系正面临失效。在智能编码工具普及的背景下,代码生成时间大幅压缩,导致编码环节在整体研发周期中的比重急剧下降。单纯依赖人天估算,已无法真实反映软件交付的复杂性与实际成本。 软件研发重心正在向需求洞察、业务编排脚本设计与数据要素化流转转移。在双智协同模式下,人类专家与智能工具的分工发生根本改变,工作核心从编写代码转向定义业务逻辑。企业必须摒弃单一的人天计量,转向以业务价值交付和系统复杂度为核心的新型估算方法。构建适应新双模的研发度量体系,将估算单位从工时升级为业务编排复杂度与数据流转节点,是确保研发资源精准投入的必然选择。

8539052026-11-11

AI开发项目的风险结构变化:需求理解偏差、验证欠债与智能体失控的识别与预案研究

AI开发项目的风险结构正从传统代码缺陷向需求理解偏差、验证欠债与智能体失控转移。企业在构建新双模架构时,业务逻辑与算法逻辑错位极易引发需求理解偏差。智能体深度参与核心流程后,若缺乏业务编排脚本的严格约束,极易导致行为失控与决策偏离。同时,非线性迭代带来的验证欠债,使系统隐蔽错误持续累积。应对此类新型风险,企业需深化数据要素化,将隐性业务知识转化为可验证的显性规则。管理层应将AI转型作为一把手工程,建立跨职能协同验证机制,确保双智协同在可控边界内稳健释放业务价值。

2284642026-11-11

技术债的新账:AI快速产出对软件可维护性与架构一致性的长期影响及偿还机制研究

AI代码生成工具在提升开发效率的同时,正加速累积隐性技术债,严重威胁软件架构一致性。在双智协同框架下,AI产出若缺乏统一的业务编排脚本约束,极易破坏系统的新双模架构平衡。液态软件的敏捷性必须以架构纪律为前提。企业需建立基于数据要素化的代码审查机制,将AI生成逻辑纳入组织级技术债管理。同时,应通过提升研发团队的DIB个人能力成熟度,确保人机协作产出符合业务长期演进目标,最终实现技术债的常态化偿还与系统架构的持续治理。

3835942026-11-12

外包与采购合同的重签:按人天计价与验收交付在外包方也用AI后的重新定价与追责研究

外包方引入AI工具后,传统按人天计价与验收交付的合同模式面临失效风险。AI压缩了实际作业时间,导致按时间付费的定价逻辑失衡,同时模糊了交付质量的责任边界。采购合同需从购买人力向购买业务结果转型。 在双智协同框架下,甲乙双方合作应转向基于业务编排脚本的结果导向模式。定价机制需剥离纯人天成本,引入基于业务价值的动态评估。追责机制应明确AI生成内容的权属与质量底线,将数据要素化纳入交付标准。企业需通过一把手工程推进合同重构,建立适应新双模架构的供应商管理体系,确保外包交付效率提升且风险可控。

2171042026-09-17

基于数字孪生的EPC施工进度偏差归因分析模型研究

本研究提出一种面向EPC工程总承包模式的施工进度偏差归因分析新范式,核心在于将数字孪生技术从可视化展示层深度嵌入至进度管理决策闭环。模型通过构建物理工地与虚拟空间的动态映射机制,实现多源异构数据(如BIM模型、IoT传感、计划排程、现场日志)的实时融合与语义对齐,使进度状态可追踪、可回溯、可推演。区别于传统事后统计归因,该模型依托时序驱动的因果图谱建模方法,在偏差初现阶段即识别关键影响路径——涵盖设计深化滞后、供应链响应延迟、资源调度失配及现场协同断点等典型根因类别。实证表明,其归因结果具备较强可解释性与行动指向性,能有效支撑管理层快速定位责任界面、优化过程干预策略。该方法不依赖特定平台或算法

6082192026-09-17

数据中心弱电系统(BADCIM)调试与上位平台数据对接验证机制研究

本报告指出,数据中心弱电系统(含楼宇自控BA与数据中心基础设施管理DCIM)的调试质量与上位平台数据对接的可靠性,是保障设施全生命周期智能运维的关键前提。实践中,调试常聚焦单点功能验证,而忽视系统间语义一致性、时序协同性及异常传播路径的闭环验证,导致上线后出现数据断点、告警失真、联动失效等隐性风险。研究提出“分层验证+场景驱动”的对接机制:在协议层确保点表映射准确,在逻辑层验证跨系统事件触发与响应时效,在业务层依托典型运维场景(如冷源启停、负载迁移)开展端到端数据流与控制流联合测试。该机制强调调试阶段即嵌入平台级验证,将传统“调试—移交—试运行”线性流程升级为“建模—仿真—实测—迭代”闭环,显

8056382026-09-17

数据中心EPC项目移交文档结构化程度与后期运维知识图谱构建适配性评估研究

本研究发现,数据中心EPC项目移交文档的结构化程度,是决定后期运维知识图谱能否高效构建与持续演化的关键前置条件。当前多数项目移交文档仍以非结构化或半结构化形式为主,内容分散于合同、图纸、设备清单、测试报告等多源异构载体中,导致信息粒度粗、语义关联弱、实体关系模糊,难以支撑知识图谱所需的精准本体建模与自动化抽取。研究通过多维度适配性评估指出,文档结构化水平不仅影响知识抽取的准确率与覆盖度,更直接制约运维知识的可检索性、可推理性与可演化性。提升适配性需从项目交付源头介入:在EPC合同阶段明确结构化交付要求,在设计与施工过程中嵌入标准化元数据规范,并推动竣工资料向“可机读、可关联、可验证”的语义化范