数据资产化有什么内涵？与数据要素有怎样的关系？
数据资产是企业拥有或者控制，预期会给企业带来经济利益的，以数据为主要内容和服务的可辨认的形态。数据资产化是把数据资源基于相应的业务需求和应用场景，通过相关的数据技术加工成数据产品，并形成内外部市场上价值公共公允的可计量的资产的过程。数据资产化是数据产品的高级形态和系统，是场景化的赋能和商业化的使用。

数据资产化与数据要素的关系为，数据资产化是释放数据要素价值的关键引擎，是我国数据要素四项基础制度实施的必然结果。将拥有的数据产品进行数据资产评估后，就可以应用于抵押融资、贷款等金融属性场景，会改变整个企业估值的逻辑，能够产生庞大的杠杆效应。

目前国内数据交易市场发展状况如何，主要有哪些数据交易场所？数据产品如何定价、衡量价值？
数据被誉为21世纪的新石油，是非常重要的。而数据交易是数据要素市场建构的关键一环，最大限度释放数据的经济效益，必然要求不断拓宽数据市场的深度、广度，在最大范围内促进数据流动、交易。目前，全国已有40多家数据交易机构先后成立，还有大批商业机构陆续进入数据流通与数据服务市场。

得益于国家政策的推动，北京、上海、深圳等省市正在通过地方数据立法、政策出圈、实践创新，破局而发。如贵阳、深圳、上海和北京国际大数据等交易所，在服务内容方面各有侧重。贵阳大数据交易所是全国首家大数据交易所，早期主要靠撮合买卖双方在平台交易并收取佣金，目前在发展开放群岛的新模式。深圳数据交易所主要打造覆盖数据交易全链条的服务能力，构建数据要素跨域、跨境流通的全国性交易平台，探索适应中国数字经济发展的数据要素市场化配置示范路径和交易样板。上海数据交易所主要负责数据治理、产品登记、产品挂牌、数据交易的测试、交易合约的签署、产品的交付、再到清结算和交易凭证的发放。北京国际大数据交易所的服务内容有数据信息登记服务、数据产品交易服务、数据运营管理服务、数据资产金融服务，以及数据资产金融科技服务。

公共数据定价一般采用加工成本加适当利润的方法，形成政府指导价格。商业数据产品定价常用的有成本加成定价法、需方收益定价法和市场定价法。目前，上海市数据交易所在数据交易议价中主要遵循三个法则：一是成本法则，二是收益法则，三是市场法则。

如何实现数据资产化，其实践路径是怎样的？
首先，供方系统运行后形成原始数据，加工形成数据资源，可以内部使用，也可以数据要素登记确权。其次，加工成数据产品。最后，再进行挂牌上市、撮合交易、合约交付和交易清结算。数据要素登记确权、数据产品、挂牌上市以及交易清结算账单均可作为数据资产凭证，其应用场景有数据资产信托、数据资产估值、数据资产审计、数据资产安全管理，以及数据资产咨询中介。数据资产可应用于企业并购、企业IPO、质押融资、发债融资、资产入表、政策依据等。

数据资源主要的来源有哪些？
数据资源主要的来源主要有五类。首先，是政府公开数据，比如工商、一些涉诉法律文书、国家统计局、中国经济信息网等。可以对这些原始数据进行二次、三次加工，实现展示的友好性和界面操作的交互性。第二，是已获授权的企业内部数据，第三，是数据供应方的数据，第四，是合作伙伴的数据，第五，是网页爬虫数据。

数据交易市场未来有哪些机会？数据交易存在哪些挑战？
未来较大前景的数据产品发展领域有经济、教育、医疗、人文、交通、商业、地理、通讯、气候、物流、能源以及生活服务这12个大类，覆盖了国民经济的方方面面以及各个参与主体。比如医疗数据，有临床医学病例的治疗数据、用药数据、医疗检测验血数据、b超、ct、mr治疗的恢复数据、用药的临床一期二期数据等。就如国外的GSK公司，在中国找相关性病例的全套数据，最高出价可以到16万。医疗数据目前还没有完全充分开放，它的价值是非常高的。还比如人文领域中，景点、艺术收藏品、数字藏品、音乐、旅游、VR、AR、游戏、专利、设计、摄影、交通、能源、物流等，也都有很大的价值。

数据交易市场中，数据商在智能制造、节能降碳、绿色资源建造、新能源、智慧城市等方面，都能沉淀大量行业本身属性的特色数据。第三方专业服务机构在数据集成、数据经纪、合规认证、安全审计、数据公证、数据保险、数据托管、资产评估、争议仲裁、风险评估、人才培训等方面，可以集成各子公司以及合作伙伴的数据资源，进行数据经济托管式的运营，甚至一些数据加工以及深度挖掘。

数据交易目前还处于非常前期的阶段，存在很多挑战。
1.数据进场交易的意愿不足
研究发现，目前多以场外直接交易为主，通过平台交易尚未形成规模，数据进场意愿不足。

2.权属不清，交易成本上升
合规交易的基础是清晰的产权归属，但数据所有权拥有者是产生数据的个人还是记录数据的企业，业界、学界和司法界莫衷一是，而以所有权为基础的使用权、处置权等更难以界定。

3.未能形成统一的定价标准
国内还没有任何机构和组织制定跨区域、跨行业的大数据易标准，各大数据交易平台的交易规则存在差异。

4.核心技术创新不足支撑不够
研究发现，在数据安全保障、权属界定、价值挖掘、创新应用等核心领域，应用AI、区块链、隐私计算等技术创新依然不足，核心技术支撑不够，无法满足多样化的现实需求，导致“脱媒”交易现象严重。

5.缺乏有效治理，阻碍数据流通
研究发现，目前政府和互联网平台汇聚大量高价值数据，但伴随“大量”而来的是“混乱”“无序”，尤其是政府数据普遍缺乏有效治理，不能提供持续、多源的、标准化的数据资源，阻碍数据流通。

6.部分交易机构活跃度并不高
研究发现，设立数据交易平台较多，但设有官方网站、公开运营的不多，活跃度不高。

7.数据拥有主体众多，数据资源整合难
研究发现，由于各领域数据门类繁杂，来源广泛，数据拥有主体众多，部分数据拥有者缺乏流通变现意识，参与者数据分享意愿不强，导致数据资源难以有效整合，制约数据交易发展。而且，数据资源整合过程中还面临操作难、协商难等问题，无法充分整合汇聚，数据交易缺少必要的基础材料。

8.数据要素交易市场同质化明显
因数据要素流通依托互联网，不受地域限制，且数据可复制，大量交易以场外点对点方式进行，数据要素交易市场同质化明显，数据要素交易市场难以建立有效的竞争壁垒。

9.监管政策缺少对交易机构的约束
国内尚无国家顶层大数据交易立法，对数据交易机构的法律定位，经营范围、职责权限等没有统一认定，机构审批流程缺少权威规定。不同数据交易平台制定交易规则出发点不同、顺粒度不同，难以对数据交易各环节各主体进行有效约束。

10.跨学科数据人才缺乏，阻碍市场发展
要最大限度发挥数据的经济价值，需要更多专业的跨学科数据人才，精通数据挖掘、分析等。伴随行业数字化推进，需要更广泛的数字化人才引入，人才缺口依然在持续增大。未来，需要建设更多产学研三位一体的数据专业人才培养基地，更好满足数据专业人才市场需求。

数据授权运营及应用方面，有什么经典案例？
浙江某数据共享领域的践行者，是一家运用大数据、人工智能技术，为各行业提供数字智能解决方案的服务提供商。其主要业务有营销行业、金融行业、政务、多方计算以及数据分析和咨询，其数据主要包括政府、运营商、平台以及标签数据。其主要在以下三个方面进行了实践探索。

首先，营销行业的解决方案洞察，客户以设备号标识单位，将相关数据导入到平台当中，生成针对性的人群标签包方案，根据数据标签服务，将修复扩展的人群标签画像以定制化可视化报告的形式输出。基础数据可以直接使用，完整的画像输出在金融业极具应用价值，数据标签的服务可以根据用户的浏览、消费能力、投资偏好等来洞察。

营销行业的解决方案还有存留，可以通过构建用户标签、进行用户分层、建立多种营销策略、采用主动式用户互动的流程来提升留存率。通过和三方数据关联，获得用户360度行为数据，构建用户兴趣标签，通过聚类分层分组建立多种营销策略，采用主动式用户互动，对特定人群发起沟通和营销触达。

其次，金融行业中，反欺诈、风险控制、贷后管理，以及精准营销都是非常典型的应用场景。而反欺诈、风险评分和智能外呼都是可以直接落地的行业解决方案。反欺诈就是客户进行启动、注册、申请，会进行风险设备识别、风险操作识别和管理风险挖掘，可识别风险设备、风险IP和高危人群等。风险评分是基于左边的一些原始数据，通过中间的稳定性、行为偏好等，得出一个风险评分。

最后，政企大数据行业中，政企数据很多，因此大家都不太希望拿去，就会形成大量躺平的数据，数据流动性差。政企数据有很多没有任何的增值，导致智能化不高。并且数据响应周期长，很多领域的数据处理滞后。因此目前也在进行数据可视化和智能外呼来解决。