数字经济要素资源的发展为企业积累了海量的数据资产,根据国家发改委价格监测中心估算,中长期数据资产规模将在 60 万亿元以上,数据资源、数据资产入表评估将有望催生千亿元级别专业服务市场。由此可见在数字经济背景下,数字产业崛起、数字化转型成为大势所趋的今天,加速数据资源要素孵化、释放数据资源价值以及如何将数据资源合理转换为数据资产是我国未来经济高质量发展的核心诉求与重头戏。
在数据资产的蓬勃发展时期,2023 年 1 月大数据技术标准推进委员会发布了《数据资产管理实践白皮书》(6.0 版),阐述数据资产管理的概念、演进趋势与重点难点,结合企业典型方法和实践案例,重点讨论数据资产管理的活动职能、保障措施、实践步骤等,并对其发展进行总结与展望;2023年8月与10月《企业数据资源相关会计处理暂行规定》(财会〔2023〕11号,以下简称暂行规定)、《数据资产评估指导意见》(以下简称指导意见)相继发布,两份文件充分考虑了企业数字化转型和数字经济与相关会计信息的关系,肯定了将数据资源资产化的有用性,并规范企业外部交易数据资产和内部使用数据资产的处理逻辑。暂行规定和指导意见的发布标志着我国数据要素产业化迈出了实质性的一步。传统技术与高新技术企业越来越意识到数据资产在企业生产经营中发挥着极大作用,并不断探索发掘数据资产的实际价值与潜在价值,越来越多的企业面对数据资产的渗透,不得不思考价值评估问题。由于数据资产具有增值性、非实体性等特征,在对数据资产进行估值时存在数据潜在价值估算以及数据成本度量困难等问题,为数据资产价值评估带来阻碍,导致企业生产经营、成本利润等的核算度量出现偏差,企业各项数据资产不完善的定价制度模型与数据迅速发展之间形成严重滞延,在一定程度上制约了数字化时代下经济的高质量发展。
基于此,本文从数据资源与数据资产入表出发,采用规范研究的形式,梳理并综述数据资产领域内相关理论的最新进展,厘清企业数据资产价值评估存在的现实意义和经济价值,阐述数据资产价值评估面临的挑战与相关实践方法,并提出对策建议,为数据资产价值化体现以及数据分析合理化利用提供强有力的理论支撑。
▌数据资产价值评估理论基础
▎数据资产界定
数据是用来记录客观事物并存储在介质上的可识别符号,它是记录事物属性、状态和相互关系的物理符号或符号组合,早在 1982 年就被列为促进生产交换的一项重要经济资源,国际标准化组织 ISO 将数据定义为“以适合交流、解释或处理的正式方式,对信息进行重新解释的表述”。数据被作为一项重要的资源参与企业日常生产活动,数据资源在广义上被定义为对企业有价值的数据。目前,数据资源已成为数字经济最重要的生产要素,正式成为企业实现可持续发展、提高市场竞争力的关键资源。在国内外学术界,Peterspm 等在 1974 年首先提出“数据资产”这一概念,将企业持有的政府债券、企业债券和实体债券并称为数据资产。Fisher从数据资产的价值属性出发,在大数据背景下提出“数据是一种资产”。Bughin 等认为数据资产能够赋予产品崭新的功效,可作为新型智能资产。2021 年中国信息通信研究院发布的《数据资产管理实践白皮书(5.0 版)》把数据资产定义为:由企业拥有或者控制的,能够为企业带来未来经济利益的,以物理或电子的方式记录的数据资源。数据资源可以通过数据有据确权、数据有据确质、数据有据确值体系转化为数据资产。换句话说,数据资产可通过数据资源进行加工而形成,具有可计量、可操控的特性,当数据资源转化成资产时,在数据生命开发周期内的各个环节均有未来增值空间,这能够释放依赖大数据物联网的数据要素企业和依靠用户数据为主的互联网行业企业的潜在价值,也可以进一步形成具有资本化的金融信贷服务。因此,对于数据资产能够为企业创造什么价值,抑或是给企业未来经济利益产生何种促进作用,都是需要深思熟虑的问题。
▎数据资产的构成及特殊性
数据资产价值构成方面,数据要素参与了企业价值创造、完善、交换和分配全过程,数据资产化是通过企业信息披露程度加强、行业用户平台精确细分、实践操作技术提升、统筹决策制度完善等方向实现价值创造。而数据资源是通过数据资产化实现价值的创造,只有通过数据资产化,数据资源的价值才能被评估、核算及监督,数据资产价值受到数据要素数量、质量、风险水平、管理水平以及应用水平等的影响,因此,数据资产的价值创造具有一定的复杂性及特殊性。数据资产的价值由数据资产成本价值和应用程度构成,数据资产的成本价值包括运营费用和生产费用,应用程度包括数据资产的数量、质量和使用方式等,这些因素共同作用于数据资产,实现价值的创造。数据资产的价值也受数据要素的影响,随着数据体量的增加,数据资产之间的应用程度和关联性会随之增加,数据质量越高,对企业做出合理决策的可能性越大,进而可以提升商业价值与决策质量和价值,所以说数据的体量越大、质量越高,数据资产价值越高,同时数据要素也可以通过业务质量和客户数量质量影响企业的价值。然而,由于数据资产在一定程度上存在道德风险和法律风险,伴随数据资产数量及质量的增加,受到黑客攻击或人为因素导致泄露的风险系数也会增加,所以,风险能够负向抑制数据资产,给企业带来一定程度的损失。企业在大力开发、发展数据资产价值的同时应提高对数据资产的安全管控,避免数据资产的流失。在数据资产所创造的商业经济价值方面,由于数据资产是数据的资产化体现形式及运载形式,企业多种途径积累的数据化资源和跨行业、跨市场的深度开掘能够提升数据资产的使用价值,并能够长期实现经济效益。
数据资产具有非实体性、依托性、可共享性、可加工性、价值易变性等特征,数据资产的特殊性主要表现在三方面:首先,传统货币存在时间价值,如存在摊销、折旧、升值和贬值,数据资产化所体现的价值也是随时间推移而不断变化的,且这种变动相对于传统货币来讲更难评估,具有极大的不确定性,在数据要素市场发展前期,易被企业忽视的数据资产可能随时间的变动逐渐成熟并迸发出巨大的价值。其次,数据资产的价值存在不对称性,由于存在不同的企业业务类型、市场开拓能力、数据资产占企业全部资产的价值比率以及数据与企业业务的融合程度,导致不同的预期经济价值,进而导致同一企业数据资产对不同企业而言,其时间与空间价值实现程度不同。最后,数据资产的价值存在内外部区别性,内部性是指企业原有信息部门开发设计的数据资产,而外部性是指企业数据资产在交易和采集过程发挥的价值高于预期目的与预期价值,也体现在数据资产通过第三方所获得的额外价值。内外部的区别性使同一数据资产的不同使用区间、不同市场主体和不同表现维度下产生经济价值差异,暂行规定和指导意见的发布势必会增加数据资产的活跃度,数据资产内外部性的差异会更加明显,数据资产的价值领域也会更加多元化。
▎数据资产的价值管理
在数据资产的价值管理方面,国外学者根据数据资产的流动性提出价值管理的保值方式,并指出能将数据转化为所需资产的企业,会在复杂的市场环境中取得竞争优势,从而提升企业软实力。数据的管理应从数据来源、数据体量、数据质量等方面开展,对数据进行管理时应将其视为资产,并与企业信息生态模型相结合,目的在于提高数据资产管理的效率,以深度挖掘数据资产的内在潜力,并解决数据资产业务层面的实操问题。从价值链视角看,质量是企业进行有效资产管理的关键一环,只有达到优质数据资产并进行全面管理后才能发挥出数据资产的应有价值。企业进行数据资产管理的客体不单单包括企业生产经营环节产生的数据要素,还包括供应链、价值链协同产能过程中上下游企业共享的商业资源 。挖掘数据资产的管理问题、明确企业数据资产化的必要性,能够为企业数据资产管理提供理论支撑。充分利用大数据、云计算、区块链技术、物联网和互联网技术能够加强企业数字化转型质量和数据隐私安全,防止数据泄露与滥用,进而通过数据服务实现数据资产增值。也有学者表明,数据资产价值管理不成熟以及缺乏良性循环的数据交易市场体系,会使数据资产在交易过程中存在逆向选择和风险问题,我国对数据资产的机制及管理体系并未建成完全且统一的标准,仍需各行各业在自我管理基础上进一步摸索与实践。
▌数据资产价值评估的挑战与问题
暂行规定、指导意见的颁布虽然使数据资产价值评估有了基本参照,但并不意味着其能够一蹴而成,反而百步无轻担。从上述数据资产的性质来看,暂行规定与指导意见颁布后数据资产价值评估体系仍存在一定挑战。
▎对数据资源价值化存在认知局限
在企业内部运营方面,过度追求数据资产的数量,认为对数据资产价值方面应“以量取胜”,从而忽视了数据资产的质量,缺乏相应的数据治理能力。一方面,在数据资产的生产、采集、加工、储存和交易等各个方面存在不规范、不科学的计量方式,往往产生异常数据和缺失数据,无法保证数据资产的准确性和完整性;另一方面,由于数据治理能力的缺失,企业用于生产经营的数据资产质量较低,将会严重阻碍后续数据资产的应用与价值评估,不利于企业数字化战略的实现;同时,企业过度关注数据资产的现实价值,将数据资产仅仅作为一种运营工具,而非可以改变企业命运的战略资产,没有将数据资产整合到企业业务流程决策中,忽视了数据资产在企业创新、市场洞察和战略规划等方面的潜在价值以及应用领域。在企业数据资产隐私安全的重视程度方面,没有建立起有效的数据资产保护措施,导致企业丧失竞争优势。企业的商业机密、客户信息和研发成果等重要的数据资产可能会被盗取或泄露给竞争对手,导致企业的核心竞争力受损,同时客户和合作伙伴也会对企业数据资产的安全性产生质疑,从而减少合作意愿,阻碍企业正常发展。此外,由于数据资产的泄露和滥用,可能会间接造成法律诉讼、赔偿金、修复成本等费用的增加以及业务中断、市场份额下降、投资者信任减弱等问题的产生,进而出现企业财务风险问题与经营危机。
▎数据资产权属问题仍未解决
传统实物资产一般首先确认产权所属,其次方可执行相关权利义务。然而,在数据资产权属中恰好相反。数据资产来源于各项流程以及多方主体的贡献,而且各个流程及主体的性质和贡献程度存在差异,很难达成产权共识。尽管数据产权所属可能无法明确确定,但可以考虑其他相关权利的确认,包括数据资产使用权、数据资产生产权、数据资产修改权、数据资产经营权等,确保数据资产的合理使用和共享,从而促进数据要素价值的最大化;同时,也能为数据资产的交易和合作提供法律与商业保障。但何为数据资产使用权、数据资产生产权、数据资产修改权、数据资产经营权,暂行规定和指导意见并未明确规定,学界也无具体解释,可能会对未来数据资产价值评估的应用与实践带来一定困难。因此,在数据资产价值评估过程中,除了确认产权所属问题外,还需要考虑和确定其他相关产权,确保数据资产的正当使用和合理价值的实现,同时也为数据资产的合作与交易提供了可靠的基础。在个人与企业数据资产产权所属和数据归属与分配方面,企业与个人数据的产权归属和使用规则在不同国家和地区存在差异,缺乏统一的国际标准。除此之外,如何制定和实施有效的法律和监管机制,实现数据的合理经济利益分配,以保护企业和个人数据的产权与隐私,也是现阶段数据资产价值评估体系面临的挑战。
▎数据资产价值评估定价机制并不完善
数据资产价值评估是加速数据要素市场流动的关键一环,暂行规定中将数据资源以存货和无形资产的形式计入财务报表,进而体现数据资产价值评估以市场竞争和需求为主确定最终价格;同时,由于数据资产的趋同性和数据处理者的技术水平各不相同,使得有用信息的挖掘能力存在差异,导致数据价值释放呈现出强烈的消费者异质性。如果数据卖家采取差异化定价策略,可能导致价格歧视问题。然而,数据提供商往往拥有更多的市场信息和数据资源,数据使用者处于信息不对称的劣势地位,这种信息不对称严重干扰了数据要素市场价格的形成过程。除此之外,数据资产的价值评估定价机制还应考虑成本、收益、市场和风险要素,并与数据资产的潜在市场产生协同收益,从中分离出的数据资产价值是重中之重。指导意见中将数据资产价值评估的定价机制具体为“成本法、市场法、收益法及其衍生方法”,但并未对衍生方法做具体阐述,反映出对数据资产估值的复杂程度。行业公司与资产评估师事务所在实操过程中需使用尚不成熟的综合性价值评估模型抑或是不确定性较大的传统评估模型,在实践中亟需探索成熟模式。
▌数据资产价值评估实践探索
数据资产是一种新型的非实物资产。在宏观层面,暂行规定和指导意见目前并未真正意义上实施,对其定义为无形资产和存货的概念界限并不清晰,因此,对数据资产各方面的研究仍存在一定局限性。在微观层面,对数据资产的价值评估是数据资产定价的基础,对不同价值评估方法运用原理进行剖析,形成两种可被接受的维度。一种是关于数据资产传统价值评估维度,主要从数据资产的价值内涵与价格角度对数据资产进行价值评估;另一种是数据资产非传统价值评估维度,主要从价值指数方面对数据资产价值进行评估。学界目前普遍采用前一种观点,从传统的或修正后的资产角度入手,以企业整体价值中数据资产所占权重比例来体现其具有的真实价值。
▎数据资产价值评估基本方法
成本法
成本法是对数据资产从产生到发展乃至交易的整个生命周期不同阶段的成本测度其价值的方法,本质上是通过测度数据资产的各项负相关因素和重置成本得出数据资产的实际价值,同时对成本进行归纳。2019 年阿里研究院与上海德勤资产评估有限公司对数据资产价值评估的成本法公式定义为评估值 = 重置成本 - 负相关因素,但也有学者认为成本法基础模型应为初始开发成本与后期收集成本之和。成本法适用于评估企业内部生产积累的数据资产,由于当前交易市场并不完善、不活跃,以及交易双方存在恶意抬价行为,难以发掘其真实情况,使得除成本法外其他传统估值方法在用于数据资产价值评估时存在较大局限性。利用修正后的成本法对企业已积累的数据资产进行评估时,通过比对市场价格与生产成本价格确定数据资产最终价值,并构建细分性、多样性与差异性的数据资产定价模型。成本法如式(1)。P表示被评估数据资产价值;C 表示数据资产的重置成本,主要包括前期费用、直接成本等。
![数据资产价值评估:理论、实践与挑战 数据资产价值评估:理论、实践与挑战](https://0.rc.xiniu.com/g5/M00/23/94/CgAGbGajCVuALEpuAAAkmH3Rt1Q735.jpg)
市场法
市场法是首先选取目标企业数据资产和市场上同行业其他企业数据资产,然后在市场定价的基础上,将影响数据资产的主要影响因素作为控制变量,在公平、成熟、活跃的交易市场环境中进行比对分析,得出数据资产的实际市场价值,并最终对期权、价值密度、数据体量和技术发展水平等主要影响因素做出必要调整。然而有学者认为数据资产本身非实体化的特性导致市场法在其价值评估过程中受到一定约束,因此,将数据资产主要影响因素代入以灰色关联度和层次分析法为主的市场法模型体系中,运用关联度确认、比对、分析双方企业,以此确认数据资产价值市场法,见式(2)。其中 P 代表被评估数据资产价值,n 代表被评估数据资产所分解成的数据集的个数,i 代表被评估数据资产所分解成的数据集的序号,Q代表参照数据集的价值。
![数据资产价值评估:理论、实践与挑战 数据资产价值评估:理论、实践与挑战](https://0.rc.xiniu.com/g5/M00/23/94/CgAGbGajCW-ABKWHAAA6nIylgV0176.jpg)
收益法
在特定未来剩余使用区间内,将数据资产能取得的预期经济收益按照一定折现率折现后,把数据资产的现值作为收益法资产评估的价值,在缺乏相似或相同数据资产交易的情况下,数据资产价值评估运用成本法和市场法存在局限性,可采用收益法和支付意愿法对其进行价值评估。收益法能够较明确地确定数据资产的实际价值,但需要考虑未来收益是否能以货币价值衡量以及对预期经济收益的风险预测问题。相较于成本法和市场法,企业的现金流量较为稳定,不会受其他因素影响。直观地得出数据资产的价值是困难的,因此数据资产的价值可通过测度数据资产使用或交易前后的收益间接得出。自由现金流折现并在收益法的运用过程中需重点关注企业管理层的决策信息,并应综合考虑行业信息、会计信息、财务信息和风险相关信息,以便对数据资产详细估值。传统收益法分为直接收益预测、分成收益预测、超额收益预测和增量收益预测。
(1)直接收益预测
直接收益预测适用于数据资产商业模式及应用场景独立且能够为企业创造直观收益的情况。直接收益预测公式如式(3),其中,Ft 表示预测第 t 期数据资产的收益额,Rt 表示预测第 t 期数据资产的息税前利润。
![数据资产价值评估:理论、实践与挑战 数据资产价值评估:理论、实践与挑战](https://0.rc.xiniu.com/g5/M00/23/94/CgAGbGajCZeAQB73AAAiNY3_uX4032.jpg)
(2)超额收益预测
超额收益预测将数据资产预期收益视为数据资产所创造的超额收益,由于数据资产持有特殊属性,用差量法将数据资产的价值从企业整体价值中剥离出来,将未来预期收益与其他资产预期收益相减后得到数据资产的超额收益,最后经过折现到基准日得到数据资产的价值。其中其他资产预期收益包括固定资产贡献值、无形资产贡献值、流动资产贡献值等,超前收益预测公式如式(4)。n代表其他资产预期收益种类,i 代表其他资产预期收益序号,Cti 代表其他资产预期收益额。
![数据资产价值评估:理论、实践与挑战 数据资产价值评估:理论、实践与挑战](https://0.rc.xiniu.com/g5/M00/23/94/CgAGbGajCbCAFBMjAAAp8kprwEs305.jpg)
(3)分成收益预测
分成收益预测分成率通常包括收入提成率和利润分成率两种。Kt1 表示第 t 期数据资产收入提成率,Kt2 表示数据资产利润分成率,具体公式如式(5)。
![数据资产价值评估:理论、实践与挑战 数据资产价值评估:理论、实践与挑战](https://0.rc.xiniu.com/g5/M00/23/94/CgAGbGajCcSAAwiiAAA6vmcWFS8407.jpg)
(4)增量收益预测
增量收益预测基于未来增量收益的预期而确定数据资产预期收益的方式,RYt 表示第 t 期数据资产的息税前利润,RNt 表示第 t 期未来数据资产的息税前利润,具体公式如式(6)。
![数据资产价值评估:理论、实践与挑战 数据资产价值评估:理论、实践与挑战](https://0.rc.xiniu.com/g5/M00/23/94/CgAGbGajCdSACtQOAAAulN-PdyY689.jpg)
▎数据资产价值评估新型方法
在对实物期权法的具体研究中,国内学者基本运用B-S 模型评估数据资产价值,而国外学者主要以蒙特卡洛与最小二乘法相结合求得数据资产价值。蒙特卡洛与最小二乘法最早提出于 2001 年,并在此基础上创建 LSM模型评估数据资产,而后学者对 LSM 模型进行优化,并得出改良的 LSM 模型更能反映数据资产真实价值的结论,也能运用于实物期权价值评估中,进一步拓宽了实物期权法的评估范围。B-S 模型于 2016 年应用在数据资产移动云计算价值评估模型中,构建动因为数据资产具有看涨期权的属性,并通过比对成员的相似度、贡献度、活跃度、信任度等相关影响因素,运用密切值确定所占权重,随后得到标的和执行数据资产价值,验证 B-S 模型的时效性。由于互联网企业具有资产非实物化、估值较高、迭代速度较快、风险性较大等特点,与传统企业比具有明显的特点和较大的短板,将 Schwartz-Moon 实物期权模型和传统价值评估模型对比分析发现,实物期权模型更能反映公司的真实价值。
有学者在对传统评估方法的改进研究中,将破产清算理论、人工智能相关理论、博弈论等引入数据资产价值评估模型中,并认为项目的决策差异会导致数据资产估值出现较大不同,当数据资产价值受决策差异影响较大时,传统方法往往不能对其合理评估,可选用破产分配法和 Shapley 值对数据资产进行修正。另外,也有学者将博弈论和数据资产价值评估有机结合,用收益现值法和重置成本法分析了大数据资产的理论价格区间,并构建三阶段“讨价还价”模型,得出数据资产交易的最终价格。
有学者运用模糊层次法从市场的角度将数据资产作为商品所具备的属性和价值评估基础,并将价值评估所需参数分为基础参数、市场参数以及质量参数,以PageRank 算法和洛伦兹变换为理论基础依据,利用PageRank 算法计算其在数据资产参价体系中的权重系数,进而得到数据资产估值。有学者围绕数据资产关联度、颗粒度、多维度、规模度以及活性度,并基于 AGA-BP神经网络,构建数据资产的特质、法律、市场因素的三要素评估模型,将 200 余条武汉东湖大数据交易中心的日常交易信息作为样本进行实证检验。另外,由于非结构化信息在数字经济背景下不断出现,有学者根据数据信息化研究提出一种数据模块化、可视化的通用模型,将数据要素可视化分为可视化结构映射、可视化空间布局、可视化视图映射三个主要模块,为不同场景提供了价值评估方案。
▌结论与建议
时至今日,以大数据、云计算、“互联网 +”和区块链等网络信息技术为核心的数字经济时代正在蓬勃发展。基于数据资源的数据资产是当今数字经济时代的核心资产,也是相当一部分传统行业企业进行数字化转型甚至赖以生存的重要资产。企业如何通过数据资产实体化实现自身的高质量发展,是公司内外部治理、税收与审计监管、学术与科学研究亟待解决的重点问题。在此过程中,随着数据要素市场的不断完善成熟,各个行业主体与客体对数据资产价值和管理以及数据要素市场的认知产生协同效应,并有望统一数据资产的价值评估模型体系。为了更好地面对风险与挑战,更好地统筹当前和长远,本文从以下方面提出有针对性的建议。
▎细化数据资产价值评估指标
细化数据资产价值评估指标是规范价值评估体系的关键环节之一。相关政府部门和数据资产管理部门应参照国家战略指标和政策标准,考虑数据资产的准确性、完整性、一致性和可靠性,制定合理的数据资产价值评估模型,在具体的价值评估模型中可建立多种维度的指标体系标准,如从数据资产质量维度和数量维度、数据资产产出率与利用率维度、数据资产安全性与风险性维度、数据资产稳定性与流动性维度等入手,规范数据资产价值评估指标的使用条件,明确指标选取途径与依据,以确保数据资产价值的规范性和准确性。
在此基础上,应考虑数据资产在业务决策和运营中的重要性与影响力,通过数据可用性调查或用户满意度调查等方式,定性和定量评估数据资产价值指标的可用性,进一步建立并完善数据资产价值指标监督体系,定期对数据资产传统与非传统价值评估方法的指标选取及标准进行诊断改良,优化监督细则,以确保数据资产价值评估指标体系的权威性与前沿性。
▎引入新型数据资产价值评估模型
目前业界与学术界仍然没有一套完整的、适合的数据资产价值评估方法,因此,首先应判断好传统的数据资产价值评估模型,考虑数据资产投资的成本、效益和回报周期等因素,以评估数据对企业的经济效益。同时引入新型数据资产价值评估模型,基于数据资产的特征和价值属性,将数据资产视为企业的投资,引入非财务评估体系,建立模糊综合评价法与层次分析法相结合的特殊模型,抑或采用风险评估法、利益分析法、成本效益分析法评估数据资产的价值。
其次应建立数据资产的治理框架,确立数据资产治理的目标和原则,并建立相应的组织结构和流程,明确数据资产的所有者、责任人和访问权限,以确保数据资产的合规性和可信度。
最后应制定数据资产价值质量标准和规范,建立数据资产质量度量和监控机制,进行数据清洗、纠错和验证等操作,以提高数据资产价值评估的准确性和完整性。同时,对企业数据资产进行分类和标准化,建立统一的数据资产模型和语义规范,以便数据资产的共享和集成,提高数据资产在企业中的可用性和可分析性。
▎应用先进数据资产分析与处理技术
数字经济背景下,数据已成为经济高质量发展的关键要素资源,对数据资产的关注是未来国家发展战略的基本方向。建议深耕机器学习和数据挖掘,利用机器学习算法和数据挖掘技术,对大规模数据进行分析和挖掘,发现数据资产的潜在价值,如隐藏的模式、趋势和关联规则等。
同时,应用自然语言处理技术,对非结构化数据(如文本、语音和图像等)进行分析和处理,提取有价值的信息和知识。基于数据资产价值评估结果,制定数据资产的使用策略和规划,明确数据资产的用途,确保数据资产的有效利用和最大化价值实现,建立数据资产的价值实现机制与数据驱动的决策机制,将数据资产价值评估与企业的决策过程紧密结合,以保证决策的科学性和准确性。