如果你对该问题感兴趣的话，推荐你看看《基于数据资产全生命周期估值与实践报告》这篇报告，下面是部分摘录的内容，具体请以原报告为准。
数据要素市场化已成为建设数字中国不可或缺的一部分，而数据资产化是数据要素化的基础，在企业数字化转型和全面数据管理能力的基础上，进一步提升数据应用和数据流通，以最大化数据资产的价值。 数据资产是组织(政府机构、企事业单位等)与个人合法拥有或控制的数据，以电子或其他方式记录、存储，例如文本、图像、语音、视频、网页、数据库等结构化或非结构化数据。数据资产的构建和应用，对于企业发展，对于社会进步，都具有重大价值和意义1。
数据资产估值在厘清数据资产权属、构建数据资产的定价和交易体系、促进数据要素市场发展具有至关重要的作用。对企业自身发展而言，数据资产估值结果将更加直观、丰富的展现数据给企业带来的业务和财务价值，进而推动企业构建数据文化，加大数据资产管理投入，调动各方参与数据资产管理工作的积极性，提高企业使用数据辅助决策的效率。对社会经济发展而言，数据资产的流通将极大的促进全社会的数据丰富度，创新更多数据应用场景，在此基础上， 社会各界可加快对数据资产价值的共识，加快形成不同数据资产的不同定价和多种交易模式，引导数据流通和交易健康有序发展。
国内各界自 2019 年起陆续关注数据资产价值评估领域，行业组织、科研院所和产业界相继发布了相关政策文件、研究成果或实践案例。中国资产评估协会于2020年1月发布了的《资产评估专家指引第 9 号—数据资产评估》，在传统资产评估三种方法（成本法、收益法和市场法）的基础上进行了优化，提出了数据资产评估方法。德勤-阿里在2019 年联合发布了《数据资产化之路-数据资产的估值与行业实践》，其基本思路与《资产评估专家指引第 9 号—数据资产评估》一致，同时深入分析了各个方法的优劣势。中国信息通信研究院与浦发银行在 2021 年联合发布了《商业银行数据资产管理体系建设实践报告》，结合浦发银行数据资产管理实践，提出了内在价值、成本价值、业务价值、经济价值和市场价值的五大估值维度。光大银行于 2022 年发布的《商业银行数据资产会计核算研究报告》中从数据资产入表的视角出发提出了货币度量数据资产价值的方法。总结而言，国内在理论层面当前数据资产价值评估方法主要划分为成本法、收益法和市场法三种基本方法及其衍生方法。其中，成本法为数据资产的价值由生产该无形资产的必要劳动时间所决定，是从数据资产的重置角度考虑的一种估值方法，即新建该项数据资产所需花费的成本；收益法为数据资产的价值由其投入使用后的预期收益能力体现，是基于目标数据资产预期应用场景，对未来产生的经济收益进行求取现值的一种估值方法；市场法是基于相同或相似数据资产的市场可比交易案例的一种估值方法。
此外，数据资产估值也引起了国外学者的广泛关注，但是更多以数据资产市场化定价为出发点倒推数据资产估值思路的。例如，斯坦福大学的研究者提出了基于市场价值的数据估值方法，主要基于数据资产带来的消费者剩余价值，并研究生产者的市场表现等因素；英国的金融科技公司和数据服务提供商根据自身在数据交易市场中的实践，开发了基于数据流量、数据质量和数据影响力等指标的数据资产估值模型。我们认为数据资产估值当前在理论研究层面已有初步成果，但仍然面临三大问题，一是数据资产估值目的、场景和相应方法尚未统一，二是估值过程主观性较大、缺少量化指标、技术应用程度低，使得数据资产估值结果不准确，三是缺少各行业数据资产估值实践案例，导致理论方法对于企业实际开展数据资产估值的指导性有限。
随着数据资产估值系统在企业内部得到落地与应用，数据资产管理工作将实现由“人员主观判断”向“量化客观评价”的质变转型。数据资产价值评估将帮助企业科学、高效、精准地区分出内部的“低投入、高产出的优势资产”和“高投入、低产出的劣势资产”。这将使企业能够进一步丰富、拓展自身的运营管理手段，持续深化优势数据资产的成熟水平，并在巩固优势地位的同时，有效迁移成熟经验，赋能优化其余数据资产。同时，企业也可以及时采取止损手段，停止对劣势数据资产的持续投入，优化内部资源配置。通过逐步打造企业自身的核心数据资产竞争力，真正实现数据资产对企业战略发展的赋能与提升。
另外，数据资产估值体系的实践经验将加速数据要素市场整体发展的速度，为未来数据资产核算入表、市场交易定价等数据流通场景提供丰富而关键的理论基础和实践参考，真正实现数据资产的变现与流通。例如，在财政部发布的《企业数据资源相关会计处理暂行规定（征求意见稿）》中则明确说明成本核算是数据资产登记入表的基础与前提。同时，未来的数据资产估值体系也将超越企业的视角，立足于社会、国家乃至国际的视野，通过评估数据资产要素在社会生产经营活动中的具体价值，确保国家和社会可以更好地把握数据资产的经济规律，为人类社会的发展提供更加高效且长效的动力支持。
同时，数据资产估值技术并不是一项独立的技术领域。面向大模型，数据资产在其发展中具有关键性的作用，数据决定了模型的训练质量、性能表现和应用领域的广度与深度，高价值数据资产的有效供给是保障大模型技术的关键。未来高价值的数据一定是和人工智能和专业领域行业知识结合，充分促进企业的数字化发展，即数据会有更高阶的杠杆价值。在面向未来的数据资产价值评估的框架中，需要充分考虑到面向应用落地的智能技术的因素影响。
另一方面，大模型也可以助力于智能的资产价值评估体系的构建。例如，在未来大模型可以通过搜集并分析海量的市场交易数据，精准揭示数据市场供需关系，帮助决策者制定合理的定价策略；大模型也可以基于企业历史数据资产价值数据，建立预测模型有效预测数据资产未来价值变化趋势，为投资者、管理层等提供决策参考、数据资产配置及优化等策略内容，进一步丰富、释放数据资产估值领域的技术应用场景与价值。
