系统性认识信息时代数据的重要意义

1、系统性认识信息时代数据的重要意义在传统意义上，数据是指人类对事物进行测量的结果。如今，数据的概念有了很多 延展,主要是指对客观事件进行记录并可以鉴别的符号，是对客观事物性质、状态 以及相互关系等进行记载的物理符号,或者是这些物理符号的组合，是抽象、非随 机的物理符号。数据具有两个明显特征:一是差异性,二是规律性。差异性主要体 现为数据描述的多为事物的数量和特征，现实世界中每件事、每个人、每种物都 有不同的属性和特征，因此反映在数据上也会有各种不同的表现，而且从表面看， 这些数据可能是杂乱无章的。规律性主要体现为数据分布是有一定规律的，对数 据进行分析研究的目的,就是要从看似毫无关联的数据中找出

2、某种规律和关联。换句话说，正因为数据具有差异性,才有必要对数据进行研究分析。也正因为数据 存在规律性,对其研究才有价值。时下流行的大数据概念,是以数据为基础的,但是绝不等同于数据。从数据到大数 据，不仅是量的积累,更是质的飞跃。在大数据时代，规模巨大、数量巨多、不同来 源、不同形式、包含不同信息的数据被整合分析，原本孤立的数据变得互相联通, 人们通过数据分析,可以发现小数据时代很难发现的新知识,进而创造新的价值。与传统农业经济和工业经济不同，数字经济得以发展的基础是信息技术和海量数 据。随着信息技术与经济社会的交汇融合，数据成为国家的基础性战略资源，成为 驱动经济社会发展的新兴生产要素，与劳动

3、、土地、资本等其他生产要素一起，为 经济社会的发展创造价值。数据成为资源的过程，与石油成为资源的过程有相似之处。首先，要发现各种有用 数据的来源，如同勘探油矿;其次，要采集能够满足特定需求的数据，如同采油;再次, 要把采集到的数据按应用需求进行标准化、结构化处理，如同炼油;最后，将加工处 理后形成的数据与实际应用相结合，最大程度地发挥数据的作用。因此，在这个阶 段，数据是作为一种具有使用价值的资源帮助管理者决策，从而实现其经济效益。随着数字经济的发展，人们发现数据还具备资产的特征，于是出现了 “数据资产的 概念。近些年，国内外学者围绕数据资产这一概念开展了比较系统的研究,国外研 究主要集中在数

4、据质量管理、信息价值评估和数据资产管理等方面,国内研究主 要集中在资产评估框架、无形资产评估、信息资产评估及管理、网络数据资源评 估等方面。其结论主要是:数据应作为资产进行管理,可用数据质量评定数据的价 值，数据和信息价值可以由多个方面的价值共同衡量,使用资产特性来判定信息是 否为资产。但以上研究并未对数据资产价值做出精确规范的定义,也缺乏有效衡 量数据资产价值的评估方法。分析数据资产，需要从资产的概念说起。资产是指由企业过去经营交易或由各类 事项形成的，被企业拥有或控制的,预期会给企业带来经济利益的资源。从这个界 定来看，资产具有现实性、可控性和经济性三个基本特征。其中，现实性是指资产 必须

5、是现实己经存在的资产，还未发生的事物不能称为资产;可控性是指对企业的 资产要有所有权或控制权;经济性是指资产预期能给企业带来经济利益。结合资 产的特征，数据资产便是指企业在生产经营管理活动中形成的、可拥有或可控制 其产生及应用全过程的、可量化的、预期能给企业带来经济效益的数据。数据资产化的过程,就是实现数据可控制、可量化与可变现属性和体现数据价值 的过程。当前，数据已经渗入各行各业，逐步成为企业不可或缺的战略资产,企业所 掌握的数据规模、数据的鲜活程度，以及采集、分析、处理和挖掘数据的能力，决 定了企业的核心竞争力。数据已经成为一种资本，同金融资本一样，能够产生新的产品和服务，这种变化会 影响

6、到所有公司的竞争策略，以及为其提供支持的计算架构。与传统认知不同，数 据并不是一种冗余的资源,而是具有稀缺性和独特性,如同零售商缺少必要的融资 就无法进入新的市场,如果没有必需的数据，他们也无法创造新的定价方法。在经济学中，资本是一种生产性商品,是生产另一种商品或服务的必需品。数据资 本与实物资本一样,拥有长期价值，但同时它又具有不同于其他资本的三个特性： 非竞争性，即实物资本不能多人同时使用，数据资本则不存在这个问题;不可替代 性，指实物资本是可以相互交换的，而数据资本则不然，因为不同数据包含着不同 的信息，具有不同的价值;体验性，即数据需要使用，只有使用后才能衡量其意义和 价值。数据资本化

7、,就是通过数据交易和数据流通活动将数据资产变为资本的过程，这有 点类似于将房产抵押获得贷款，为企业筹集资金。但是，由于数据具有很多不同于 房产的特征，所以数据资本化与实物资本化的过程必然也不同。系统认识数据价值的特性是基础和前提。随着数据经济的发展，数据作为资源、 资产、资本的价值不断深化，并衍生出更多的独特性。例如，数据价值瞬息万变， 有时加入一个或一组新数据，原有数据的价值就可能发生极大变化;随着使用人数 和次数的增加，数据价值会发生不规则的变化;数据价值的释放与算法等数据处理 分析技术紧密相关，不同算法挖掘出来的数据价值可能存在天壤之别;数据的价值 因用户而异，同一组数据对于不同的用户来

8、说产生的价值可能截然不同。要想科 学确定和量化数据价值，必须对数据价值的特性进行全面系统的了解，这是确定数 据价值的基础和前提，也是区分数据价值与实物价值的关键点。创新数据价值分析理论和方法至关重要。目前国内外关于价值分析的方法主要基 于几个维度:成本、市场价格、收入、资产负债表、用户数量等。但这些理论和 方法并不完全适用于数据价值分析。比如，数据多半是组织运营过程中产生的中 间产品甚至附属品，其成本估算很难开展;与市场上现有商品不同，供求双方的考 虑对数据价格的影响很大，对数据进行客观的市场定价比较困难。收入分析法是 根据衍生出来的未来现金流量估算值来确定价值，但有时数据不是最终产品，难以

9、进行估值。目前，从数据定价的角度分析数据价值已出现很多方式方法，有学者从 数据的价值构成提出定价策略,有学者运用博弈论下的鲁宾斯坦讨价还价模型研 究数据交易价格,还有学者基于客户感知价值的方式对数据产品服务的成本和收 益进行权衡后做出定价,都是开创性的尝试。未来,深度学习技术和区块链技术有望成为助力。深度学习技术模拟大脑中生物 神经元的运作和互动方式,能够自发地从输入中提取特征，并形成更复杂的特征维 度,进而根据这些特征进行映射，最终得到所需输出，它有着良好的自组织、自学习 与自适应能力，能够适应数据种类复杂、规模大、维度多与变化频率高的特征。 而且，深度学习技术能够处理海量数据，且模型灵活，具有较强的推理能力,在构建 数据价值分