本文介绍了基于数据生产者、数据中心和数据用户可用来评估数据经济价值的方法。

数据即资产

数据是数据生产者获得并拥有的原始记录。当数据生产者使用数据进行操作时，它们可以被视为实物资产，实物资产价值评估已有成熟的方法。当数据用于其他目的（决策、监管和研究）时，它们通常被视为无形资产。这些资产估值难度较大，方法不够成熟且不够精确。

与为拥有它的组织提供价值的“典型”资产不同，数据对于二级用户也具有巨大的价值，可以同时为多个组织出于多种目的创造价值。在这里，数据表现为衍生资产（或非竞争性商品），其价值与最终用途相关，衍生资产估值方法仍处于起步阶段。

一 数据生产者：将数据视为有形或无形资产

数据生产者可以将数据视为有形资产或无形资产，根据收集成本或用户为数据付费的意愿来评估数据。

1.修正历史成本法

历史成本法假设数据生产者行为理性，只有在未来至少获得同等经济利益的情况下才会花费购买资产所需的资金。该方法假设投资回报率(ROI)大于或等于1。数据范围从可能没有价值到具有巨大价值。例如，一些组织首先收集数据，然后再决定如何使用它们。因此，有时数据永远不会投入使用，而只是一种成本。另一方面，数据可用于为高影响力决策提供信息，从而使数据远比其获取成本更有价值。并非所有数据都是一样的。

为了解决这些局限性，Moody和Walsh（1999）创建了修正历史成本法。该方法根据数据的独特属性（例如无限数量的用户的潜力、数据的质量以及重复数据的价值为零）来调整数据的价值。

示例

该方法采用自下而上的方法，其中收集的数据与最终用途无关，并假设数据本身具有价值，与影响无关（图1）。

图1：根据数据成本和使用属性估算数据价值

修正历史成本法根据数据的属性调整数据收集的成本。

(1)确定成本

数据成本包括劳动力、设备和基础设施。安装设备需要前期资本成本以及持续的运营和维护成本。存储、处理（例如质量控制）和使用数据可能会产生额外的数据管理成本。

(2)修改值以考虑数据的独特属性

从价值等于收集成本的假设开始，进行以下修改以考虑数据的独特属性。

●冗余数据的价值为零。

●未使用的数据的价值为零。数据使用量可以通过下载次数来估计。

●使用的数据越多，其价值就越大。因此，用户数量和数据下载量成为价值的乘数。

●数据的价值根据数据用途而贬值。用于日常决策的运营数据的生命周期很短，而其他数据根据其所提供的决策可能具有数十年的价值。如果用途未知，折旧率可能基于数据用途。

●数据价值应根据其准确性（或对准确性的看法）进行折扣。与基于决策的估值方法类似，排名可能在0（数据较差）到1（数据优秀）之间变化。

（三）投资回报率范围

上述每一项调整都会改变数据的价值（和投资回报）。映射数据价值如何随每次修改而变化，可以了解对冗余、使用、折旧和质量的价值敏感性。

应用示例

IoWWaterUtility从传感器收集运营数据，为日常运营提供信息。IoWWaterUtility还使用公共降水和水质数据来为广泛的决策提供信息。IoWWaterUtility收集的25%的数据仅用于监管目的。

(1)确定成本

收集数据的成本为：

购买并安装传感器10,000元。有8个传感器。总计=80,000元

每年1,000元用于维护和操作每个传感器。总计=每年8,000元

3,000元购买数据服务器

2,500元用于管理和分析数据

500元用于收集和整合公共数据

第一年的总成本为：86,000元。随后每年的年度费用为4,000元。到第10年年底，数据上将花费126,000元，平均每年花费11,450元（图2）。

图2：数据的价值相当于每年的收集成本

（三）投资回报率范围

一旦考虑到数据的独特属性，投资回报率范围为0.63（数据对单个用户的价值）到4.77（数据对10个用户的价值，不包括折旧和数据质量）（图7）。假设有10个用户并随着时间的推移而贬值，该数据的ROI为3.78。数据使用对价值的影响最大，其次是折旧。IoWWaterUtility可以通过提高数据可发现性和质量来提高投资回报，同时减少或消除重复或未使用的数据。

(2)修改值以考虑数据的独特属性

重复的资产。清单显示5%的数据是重复的。由于重复数据的价值为零（假设重复数据相同），因此只有95%的数据可以产生效益，从而将价值降低到每年10,882元（图3）。

图3：重复数据没有附加价值

用法。使用统计还显示，有10个不同的数据用户，每个数据用户下载的数据量不同（表1）。所使用数据的总价值为54,681元（图4）。

数据使用统计显示公用事业公司提交但不使用监管数据。因此，25%的非重复数据没有产生价值，从而将数据价值降低至每年8,161元(10,882元*0.75)。

表1：基于使用情况的非重复、非监管数据的价值

图4：未使用的监管数据不被重视。数据的价值与使用量成正比

折旧。有多种方法可用于计算资产的折旧值。IoWWaterUtility使用线性方法来折旧传感器和服务器在其使用寿命内的价值。传感器的使用寿命为30年，导致每个传感器每年损失333元的价值。到第10年，所有8个传感器的总价值仅为53,330元。数据服务器的使用寿命为10年，导致服务器每年损失300元的价值。到第10年，服务器已经没有价值，需要在下一年更换（表2）。数据管理的成本不会随着时间的推移而贬值。考虑到折旧，传感器和服务器的年平均成本为6,197元，加上每年4,000元的劳动力和硬件成本，年平均成本降至10,196元，年平均价值降至48,243元（图5）。

表2：成本随时间的折旧。所有价值均为元

图5：考虑到设备折旧，数据价值下降了12%

数据质量。数据质量的范围可以从0（差）到1（优秀）。数据质量可以通过专家意见或传感器精度来估计。IoWWaterUtility的专家意见表明，该数据与实际价值的误差在20%以内，从而将每年的折旧价值降低至38,594元（图6）。

图6：调整质量后数据的价值减少至38,594元(48,243元*0.80)

图7：IoWWaterUtility的投资回报范围考虑了设备折旧，数据价值下降了12%

2.市场方法

市场方法着眼于数据的支付意愿，在数据（或信息）已经或可能变得可销售的情况下特别有用。在这里，数据用户愿意支付的价格揭示了数据的价值。在数据免费的情况下，例如公共数据，其价值是根据用户表示愿意支付的数据量来估计的。市场方法只考虑支付意愿，而不考虑数据使用后所创造的价值。这些方法也可以被数据中心使用，特别是如果它们也产生数据的话。

示例

市场方法侧重于了解客户对产品或服务的支付意愿（WTP）。评估用户对数据的支付意愿的方法根据数据被视为有形资产还是无形资产而有所不同。当数据在市场上并被视为有形资产（即，最终用户按每次下载、服务或订阅付费）时，WTP就会被揭示（显示偏好）。当数据在市场之外表现为无形资产时，它们的价值可以是通过规定的偏好估计，其中对用户进行调查，以了解数据对他们的价值及其相应的支付意愿（图1）。评估支付意愿的方法取决于数据是作为有形资产（显示偏好）还是无形资产（陈述偏好）。我们从市场数据和实验中了解揭示的偏好，而陈述的偏好是通过调查直接或间接发现的。

图1：揭示和陈述偏好的市场方法

A揭示偏好

（1）市场数据方法

市场数据方法仅适用于数据是实际销售的商品。数据的价值就是平衡供需的市场价格。数据进入市场的例子包括按以下方式向数据用户收费：

●下载。2023年之前，LandsatImagery对每张图像的下载收费。

●服务。WatrHub汇集了特定项目所需的数据。

●订阅。B3和全球水情报对访问其数据和工具收取年度订阅费。

一旦进入市场，就可以通过观察每次价格调整对用户或下载数量的影响来发现价值。

通常，由于数据的独特属性（例如边际成本较小而有无限的用户），对原始数据访问收费会导致使用量减少或市场失灵，并且其价值与最终用途相关。因此，数据进入市场后通常会转化为更高质量的产品或服务（信息）。例如，B3收集、清理和整合水权和财产数据，以了解未来投资的水安全。WatrHub收集、抓取PDF并将其转换为数字数据，以将即将到来的公用事业基础设施需求与潜在的技术解决方案相匹配。

（2）实验方法

在进入市场之前发现已显示偏好的另一种方法是使用实验室、现场或拍卖方法进行实验。

实验室方法通过给参与者一笔钱并要求他们把钱花在一系列商品上来模拟购买行为。商品和价格都有系统地变化，并且观察用户的选择。这种方法提供了快速的结果，但它也可能引入偏见，因为选择有限并且参与者不花自己的钱。

现场方法试图通过跟踪真实客户来克服这些偏见。例如，一家公司可能会在不同的快餐店位置改变同一个三明治的价格。地点A提供的三明治价格可能为4.50元，而地点B的三明治价格为7.00元。基于价格的购买数量的差异可用于确定三明治对消费者的价值（控制其他社会经济变量）。在数字经济中，公司可能会提供网站的两个版本并收集使用统计数据以确定价值更高的网站。可以使用类似的方法来辨别哪些数据或界面对用户最有价值。

拍卖方法允许客户通过对产品出价来揭示他们的支付意愿。每个参与者同时提交投标，销售价格基于投标分配。为了避免偏见，参与者需要获得认可，这意味着获胜的参与者需要为真实产品支付真金白银。通常，选择第二或第三高的出价作为理想的市场价值。此方法不太可能适用于数据，因为数据的值是瞬态的并且依赖于最终用途。

B明确的偏好

（1）直接调查法

当数据表现无形时，其价值是根据调查受访者陈述的偏好来估计的。专家判断、客户调查和条件评估是估算支付意愿的三种常用的直接调查方法。

专家判断方法提供了一种快速且具有成本效益的价值评估方法。当存在已知的数据用例时，专家判断可能非常有价值。例如，与非相关行业的人员相比，应急响应人员可以更好地估计洪水事件中的数据价值。目前，价值通常通过轶事故事而不是定量价值来传达。当有明确的用例时，此方法最适合；然而，专家的过度偏见令人担忧。

客户调查用于确定(1)高于该价格您不会购买产品，因为成本太高；(2)低于该价格您不会购买产品，因为质量受到怀疑。客户被要求写下他们的支付意愿。这通常会造成过度偏见，因为人们很容易在纸面上对产品进行慷慨评估，而陈述的偏好并不意味着他们一定会在现实生活中购买该产品。此外，规定的偏好并不稳定。发送给同一客户的同一份调查可能会产生不同的结果，具体取决于调查时间或填写调查时客户的情绪。由于这些偏见，通常不建议进行客户调查。

条件估值要求受访者支付特定商品的意愿，或者放弃某种商品的意愿。对于市场失灵普遍存在的无形资产（例如水质或生态系统服务），此方法是首选。尽管存在质疑，政府机构仍广泛采用或有估值来评估非市场服务的价值。例如，美国地质勘探局使用条件评估来了解陆地卫星图像的价值，并通过一系列是/否问题与随机分配的元范围相结合来了解用户的支付意愿。此方法通过提供值而不是允许客户写入值来控制过度偏差。

（2）间接调查方法

联合和离散选择分析是间接调查方法，要求客户在产品内属性的定价选项或产品版本之间进行选择。

联合分析方法系统地改变单一产品的属性和价格，并要求受访者确定他们愿意购买哪个版本的产品。同一产品的多个版本成对呈现，由受访者在每对之间进行选择（图2）。对每个产品配置文件的偏好进行排名，以评估最有价值的属性。例如，在考虑不同类型的瓶装水时，水是来自泉水还是公用设施、无味还是有味、柠檬还是酸橙、无味还是碳酸水，这重要吗？该方法的主要挑战是：

●很少像评估不同属性的附加值那样评估全价，

●目前尚不清楚不同的属性和价格是加法（而不是乘法），并且

●它只考虑那些愿意购买该产品某个版本的人，而没有探究是否购买的潜在选择。

●对于数据，您可能需要免费数据，或者您可能愿意为清理的数据支付100元，或者您可能愿意为转换为信息的数据支付500元。

图2：调查受访者被要求在两个选项之间进行选择

离散选择分析与联合分析类似，不同之处在于，离散选择分析不是要求受访者在同一产品的不同变体之间进行选择，而是要求他们在不同产品之间进行选择（或不选择任何产品）。与联合分析类似，对决策进行排名和排序以评估每个产品的价值。

二数据用户：将数据视为衍生资产

数据用户将数据视为派生资产，并采用将数据与决策价值联系起来的方法。

A商业模式成熟度指数法

商业模式成熟度指数方法评估用于为新业务计划提供信息的数据的价值。该方法从可量化（财务、节能等）的期望结果开始，并评估可能导致期望结果的几个用例。对于每个用例，使用专家意见来估计数据对于实现用例的全部潜力的相对重要性（从0-无值到1-临界值）。数据的价值与其对用例的贡献成正比。

示例

商业模式成熟度指数方法根据数据通过做出更明智的决策对结果的影响程度来评估数据。该方法通过确定期望的结果、开发用例以实现该结果以及数据对每个用例的相对贡献来进行。商业模式成熟度指数采用自上而下的方法，根据期望的结果确定要收集的数据的优先级（图1）。

图1：商业模式成熟度指数采用自上而下的方法来估计数据对实现预期影响的贡献

同样的数据如何变得越来越有价值？

数据的价值与其影响密切相关。当数据从描述性信息（需要专业知识才能转化为行动）转换为规范性信息（最大限度地减少专业知识差距）时，更容易实现预期的影响。让我们探讨一下描述性信息、预测性信息和规范性信息之间的区别。

描述性分析使用数据来了解过去，以便为当前状况提供背景。此步骤内容丰富。

示例：为什么我的电费比平常高？将当前情况与历史情况进行比较，我们发现7月的气温比平均温度高10°F。

预测性分析使用数据来预测未来可能发生的情况。了解未来事件的概率可以为当前的决策提供信息。此步骤增加了未来情况的可能性。

示例：我的电费下个月还会保持在高位吗？将不同的天气数据结合在一起，预测显示8月有70%的可能性会同样炎热，我的电费也可能会同样高。

规范性分析使用数据来告知需要采取哪些行动才能实现预期结果。现在知道了未来情况的可能性，此步骤提供了精确的行动，理想情况下会产生预期的影响。

示例：如何才能将能源费用降低50元？将未来温度的概率与恒温器设置和计费相结合，我了解到，如果我在周一至周五上午8点到下午5点之间将恒温器调低5度，我可以减少50元的电费。

图释：从描述性分析到规范性分析的价值进展，以指导决策

商业模式成熟度指数法

商业模式成熟度指数方法从以下几个方面进行：(1)确定期望的结果；(2)开发一系列用例以实现该期望的结果；(3)使用专家判断来估计数据的相对贡献和价值，以实现预期结果。每个用例。最后一步是估计数据的投资回报。

(1)确定期望的结果并估计其潜在影响

清楚地阐明期望的结果，该结果可以在节省时间、节省成本、节省水、挽救生命等方面进行量化。估计不必精确，可以依赖专家的判断。

(2)开发用例并估算成本和影响

用例是指能够实现预期结果的决策和策略。对于每个用例，估计实施成本和潜在影响。决策的价值应该在项目的整个生命周期中得到考虑。

(3)估计数据对每个用例的价值

考虑每个用例所需的所有数据以及这些数据实现预期结果的相对重要性。对于每个用例，分配一个从0（无值）到1（临界值）的值，表示每条数据的相对贡献。对每个用例中数据的相对贡献求和。每个用例的数据价值估计为：

(4)按用例估算数据投资回报

每个用例的投资回报(ROI)是收益除以实施解决方案的成本（估计或实际）。用例内和跨用例的数据的投资回报率是数据的价值除以数据收集的成本。

应用示例

A省苜蓿种植基地，并正在探索在保持生产力的同时节省资金的方法。具体来说，他们正试图将能源成本降低10%。

(1)确定期望的结果并估计其潜在影响

王乾多的预期成果是将能源成本降低10%。随着地下水位下降，能源成本增加。目前，在A省紫花苜蓿中，每AF抽水一米的高度需要花费0.21元。王乾多每年花费252万元从200米深处泵送60,000AF。如果能源成本降低10%，王乾多每年可节省252,000元。

(2)开发用例并估算成本和影响

王乾多开发了多个用例来帮助他们实现10%的能源减少（图2）。

●地下水补给——数据可以告知休耕地应浇灌多少、何时以及多长时间，以最大限度地补给地下水。

●灌溉效率——数据可以告知不同灌溉技术和策略对减少灌溉所需水量的影响。

●替代水源——数据可以告知是否存在更便宜的替代水源。

●替代能源——数据可以显示太阳能电池板、风力涡轮机、天然气或其他补充电力的替代能源的能源潜力。

●作物轮作——数据可以告知种植替代性、耗水量较低的作物的影响。

图2：帮助王乾多将能源成本降低10%的用例

王乾多的下一步是记录每个用例实现10%节能目标的能力以及任何实施风险。例如，地下水补给的实施成本为20,000元，预计第一年会使地下水位上升10米（图3）。这将降低5%的抽水成本，投资回报(ROI)为6.3，且实施可行。其他选项更昂贵且难以实施，投资回报率较低，但可以节省13.3%至28.6%的能源。王乾多可以选择实施这些用例中的一个或组合。

表1：每个用例的估计成本和节省。潜在的能源节省范围为5%至29%

(3)估计数据对每个用例的价值

接下来，王乾多希望找出为每个用例的决策提供信息所需的数据。该公司确定了与不同决策相关的九种数据：

●作物类型：田里有哪些作物？还有哪些其他作物可以选择？

●作物用水量：每种作物消耗多少水？哪些作物抗涝？

●地下水位：目前地下水位是多少？趋势是什么？它如何应对农场洪水？

●能源价格：其他能源选择（水力发电、太阳能、风能）的成本是多少？

●土壤湿度：什么是土壤湿度？这如何因土壤类型和作物用水而变化？

●径流：地表水和地下水的相互作用是什么？地表水可以补充吗？

●水权：是否有可用的地表水权？地下水权？

●废水处理设施：有废水或再生水选择吗？

●天气数据：何时下雨、下雨多少？什么是蒸散量？

专家判断用于分配每个数据集对于决策的相对重要性（表2）。

表2：每个用例中数据对决策的相对贡献。空心圆圈表示没有价值(0)，实心圆圈表示重要(1)

然后，数据的价值将作为财务影响的一部分进行分配。例如，地下水补给的农作物用水数据的价值为：$106,000*0.5/5.25=$10,095。每个用例都需要天气数据，并且在所有用例中具有最高值（表3）。

表3：按用例估计的数据价值

(4)按用例估算数据投资回报

在这里，我们仅根据这些用例的天气数据来查看王乾多的投资回报。

他们95%的天气数据是通过公共机构免费获得的。他们的分析师花了80个小时以80元/小时的速度获取和清理数据。

另外5%的数据是从各自领域的3个传感器收集的，这些传感器的初始安装成本为10,000元，每年的维护和运营成本为800元。传感器数据第一年的成本为34,000元，第二年的成本为4,000元。分析师另外花费10,000元来处理传感器数据并将其与公共数据集成

天气数据的总成本从44,000元（第一年）到14,000元（随后几年）不等。

对于地下水补给用例，天气数据的投资回报范围为0.34至1.08（第一年至随后几年）；对于种植的替代作物，投资回报率为3.12至9.80（第一年至随后几年）。如果实施所有用例，天气数据的总投资回报率范围为第一年的6.11到随后几年的19.2（图3）。

图3：第一年及随后几年按用例划分的天气数据投资回报率。ROI<1表示数据价值小于收集成本。ROI>1意味着数据比其成本更有价值

商业模式成熟度指数方法假设没有数据就不会做出任何决策。然而，数据的价值应该与原始决策的改进联系起来。例如，A省紫花苜蓿已在三月份浇灌其田地以补充地下水。然而，数据显示，洪水可以持续到四月第三周，而不会影响生产力。数据的价值在于地下水深度的变化以及因延长田地被浇灌的时间而产生的后续能源节约。IoW紫花苜蓿将地下水增加的25%归因于这额外三周的洪水，导致第一年地下水补给的天气数据投资回报率为0.09，随后几年为0.27（原始投资回报率*0.25）。

B基于决策的估值方法

基于决策的评估方法与商业模式成熟度指数方法类似，但也将数据的属性纳入评估过程，例如数据的质量、及时性以及将数据转换为可用信息所需的工作量。

示例

基于决策的评估方法与业务模型成熟度指数方法类似，它根据数据对结果的贡献来评估数据的价值。基于决策的估值方法还根据数据的用途调整数据的价值，方法是考虑：

●数据的价值如何随时间变化，

●相对于其最终用途的数据质量，以及

●将数据转换为可用信息所需的努力程度。

该方法采用自上而下的方法，首先确定用例，然后确定需要哪些数据来为决策提供信息（图1）。

图1：基于决策的评估方法采用自上而下的方法来估计数据对实现预期影响的贡献

基于决策的估值方法

基于决策的估值方法从(1)确定期望的结果及其潜在影响，(2)使用所需的数据开发一系列用例以实现期望的结果，(3)调整数据的价值根据其是否适合此目的，(4)估计成本，(5)计算投资回报，以及(6)使用专家判断来估计数据对每个用例的相对贡献和价值。

(1)确定期望的结果并估计其潜在影响

清楚地阐明期望的结果，该结果可以在节省时间、节省成本、节省水、挽救生命等方面进行量化。估计不必精确，可以依赖专家的判断。

(2)开发用例并估算成本和影响

用例是指能够实现预期结果的决策和策略。对于每个用例，估计实施成本和潜在影响。应在项目的整个生命周期中考虑决策的价值。

(3)根据适合目的的数据如何为决策提供信息来调整值

用例的价值根据数据收集的频率及其相对于做出良好决策所需的质量进行调整。

频率

频率是指必须收集数据以便为决策提供信息的频率。频率容差是一个窗口，如果数据收集频率较低，决策就会受到影响。调整内容为：

●如果收集频率？所需频率则数据频率=1

●如果收集的频率<所需的频率，则：

●如果数据频率？0，则数据频率=1

●如果数据频率<0，则数据频率=0

准确性

将数据准确性与用例所需的准确性进行比较。调整内容为：

当质量不清楚时，可以使用专家意见。推荐的类别有：

●0.2：较差的、无法使用的数据

●0.4：数据质量不合格

●0.6：可用且功能性的数据质量

●0.8：出色的数据质量

●1.0：完善数据

质量调节

质量修正值范围从0到2，是频率和准确度分数的总和。数据的估计值通过与质量修正值相乘来调整。

(4)估算从数据获取到决策的成本

斯坦德使用五个不同的类别来估算成本：

●劳动

●硬件

●软件

●公用事业（例如建筑成本、能源成本等）

●合同性（如果工作是在组织外部承包的）。

如果数据当前用于单个决策点，则全部成本将根据该决策的收益进行加权。但是，如果数据用于多个决策，则成本可以在这些决策之间平均分配。此外，基础设施可以每年折旧或摊销。

(5)计算用例的投资回报和性能价值

投资回报率(ROI)计算如下：

●ROI>1：收益超过项目成本

●ROI=1：货币收益等于成本。

●ROI<1：收益小于项目成本

请注意，虽然经济投资回报率可能小于1，但声誉、社会或环境效益仍可能证明项目成本是合理的。最初计算潜在的投资回报率，但随着项目的发生，可以根据绩效值进行调整来估计实际的投资回报率。

(6)分配数据的相对贡献和价值

数据的价值可以根据它们对用例的相对重要性来估计。重要性范围从0（无）到1（严重）。

数据的价值还可以通过将数据转换为可用信息的难度来衡量，使得数据在处理时间较短的情况下更有价值。

数据的价值乘以它的相对贡献并除以它的处理价值：

数据的投资回报率是通过将调整后的值除以数据成本来估算的。

应用示例

A省苜蓿园种植苜蓿并正在探索在保持生产力的同时节省资金的方法。具体来说，他们正试图将能源成本降低10%。

(1)确定期望的结果并估计其潜在影响

王乾多希望将能源成本降低10%。随着地下水位下降，能源成本增加。目前，在A省紫花苜蓿中，每AF抽水一米的高度需要花费0.21元。王乾多每年花费252万元从200米深处泵送60,000AF。如果能源成本降低10%，王乾多每年可节省252,000元。

(2)开发用例并估算成本和影响

王乾多开发了多个用例来帮助他们实现10%的能源减少（图2）。

●地下水补给——数据可以告知休耕地应淹没多少、何时以及多长时间，以最大限度地补给地下水。

●灌溉效率——数据可以告知不同灌溉技术和策略对减少灌溉所需水量的影响。

●替代水源——数据可以告知是否存在更便宜的替代水源。

●替代能源——数据可以显示太阳能电池板、风力涡轮机、天然气或其他补充电力的替代能源的能源潜力。

●作物轮作——数据可以告知种植替代性、耗水量较低的作物的影响。

做出这些决定所需的数据包括：

●作物类型：田里有哪些作物？还有哪些其他作物可以选择？

●作物用水量：每种作物消耗多少水？哪些作物抗涝？

●地下水位：目前地下水位是多少？趋势是什么？它如何应对农场洪水？

●能源价格：其他能源选择（水力发电、太阳能、风能）的成本是多少？

●土壤湿度：什么是土壤湿度？这如何因土壤类型和作物用水而变化？

●径流：地表水和地下水的相互作用是什么？地表水可以补充吗？

●水权：是否有可用的地表水权？地下水权？

●废水处理设施：有废水或再生水选择吗？

●天气数据：何时下雨、下雨多少？什么是蒸散量？

由于该方法比业务模型成熟度指数方法更加密集，因此我们将仅将基于决策的评估方法应用于地下水补给用例。

图2：第一步是确定所需的结果和潜在的用例。出于本示例的目的，王乾多将仅探索地下水补给用例

王乾多的下一步是记录用例实现10%能源削减目标的能力。在这里，地下水补给有可能使水位每年上升1至10米，在10年内总共上升10至100米。这将导致每年节省12,600元（地下水位上升1米）到126,000元（10米）的能源（所需能源节省的1-5%），从而节省69.3万元到693万元的抽水费用成本。到第10年，每年用于抽水的能源将减少10%至50%（图3）。

图3：地下水位每年（上）和跨年（下）增加的估计值。如果地下水位每年仅上升1米，则实现较低的值；如果每年上升10米，则实现较高的值

(3)根据适合目的的数据如何为决策提供信息来调整值

频率

王乾多希望每5个工作日重新审视一次地下水补给决策。超过两天的数据会影响决策，这意味着他们对决策的容忍度是两天，而实际数据收集频率是每天。因为收集的频率？所需频率，数据频率=1。

如果每14天收集一次数据，则数据频率得分将为零，因为数据频率低于零：

准确性

王乾多知道他们的地下水传感器的精度为±0.2米。但是，该决定只需要±1米的精度。对于此决策，精度为0.8，因为精度=(1Ft–0.2Ft)/1Ft。如果所需的精度为2米，则数据精度得分将为0.9。

质量调节

由于地下水数据的频率和准确性符合目的，质量修正系数为1.8（频率得分+准确性得分）。假设每年平均地下水位上升5米，则平均节省成本为63,000元（每年节省2.5%）。调整后，数据的估计值增加到每年113,400元(63,000元*1.8)（图4）。

图4：根据收集频率和准确性调整数据值

(4)估算从数据获取到决策的成本

王乾多估算了地下水补给项目的成本：

●人工：第一年安装传感器3,000元，每年处理数据2,500元。

●硬件：大部分数据是公开的（免费）。然而，第一年安装了3个新传感器，每个传感器10,000元。这些传感器每年的维护和运行费用要额外花费800元。数据服务器第一年的成本为3,000元。

●软件：所有分析均使用免费开放软件完成。

●公用事业：服务器的额外能源成本为每年500元。

●合同费用：无。

第一年最贵，为39,000元。随后每年额外花费3,800元。到第10年年底，总成本将达到77,000元（图5）。

图5：实施地下水补给项目的预计成本

(5)计算用例的投资回报和性能价值

此用例的ROI范围从第1年的2.91到第10年的15.49（地下水位现在高50米）。10年期间的总体投资回报率为85.2（624万元/077万元）（图6）。在第一年地下水位仅上升3米后，A省紫花苜蓿重新审视了这一估计，节省了68,040元的能源。实现的投资回报率在第一年下降至2.33，在整个10年期间下降至51.12（地下水位现已高出30米）。

图6：估计的潜在投资回报率范围从第一年的3.49到10年后的97.2。实现的地下水位在第一年产生的投资回报率为2.33，10年后产生的投资回报率为52.13

(6)分配数据的相对贡献和价值

使用专家意见估计每个数据源的相对重要性。相对重要性的总和为5.25（表1）。例如，地下水位数据的相对贡献为0.19(1.0/5.25)。第1年地下水位数据的实现价值为68,040元*0.19=12,960元（图7）。王乾多花了3个小时从各种来源收集数据，并花了10个小时清理、组合数据并将其转换为信息（处理价值=3.33；10小时/3小时）。这使得原始地下水位数据的价值降至3,892元。第一年所有数据类型的调整后总价值为20,432元，投资回报率为0.52。然而，到第10年，地下水位上升了30米（节省了112万元的抽水成本），投资回报率为15.35。

图7：地下水补给用例中使用的数据的投资回报率

三 数据中心：将数据中心视为数据存储库

数据中心很难估值，因为它们促进了生产者和用户之间的数据流动，并且可能不了解数据收集的成本或数据的使用方式。在这里，我们探索正在开发的解决这些挑战的方法。

A基于消费的方法

基于消费的方法本质上是将修正历史成本方法应用于数据中心。该方法假设数据中心的价值相当于从生产者处获取数据的成本，然后根据每个用户的下载次数或数据用途来调整该价值。还可以调整数据中心的值以考虑数据质量和更新频率。

示例

数据中心负责共享数据，但可能不知道如何使用这些数据。相反，中心会跟踪每个数据集的下载数量和唯一用户数。基于消耗的修正历史成本法可用于评估数据中心的价值，其基本假设是更多的数据下载等同于更多的数据使用和更大的价值。

基于消费的方法是经过调整以估计数据中心价值的修正历史成本方法。此方法假设数据中心从不同的数据生产者接收数据，然后将数据共享给多个用户（图1）。中心接收数据的工作量和成本水平因生产者而异。同样，不同的用户访问数据中心数据的频率也不同。

图1：生产者将数据推送到中心，而用户从中心提取数据

基于消费的方法

基于消费的方法将数据中心的初始值设置为其成本，然后通过调整数据使用统计数据和数据属性来细化该数字。

(1)确定枢纽成本

数据中心可以使用其年度支出作为成本，也可以按数据集或单个数据生产者跟踪成本。

(2)使用数据使用统计数据修改成本

然后根据数据使用统计数据调整数据中心的起始值。各个数据集的值可以根据下载次数或数据用户访问的每个数据集的百分比按0（无使用）到1（最大使用）进行加权。这意味着数据的价值与其在中心内的使用有关。由于收益是由数据用户实现的，因此收益成本比用于比较成本和收益（类似于投资回报，但不假设同一组织产生收益和成本）。

(3)利用数据属性修改成本

然后通过数据集属性进一步调整数据中心的值。例如，冗余或重复的数据没有价值。数据可以按其质量从0（非常差）到1（优秀）进行加权。对于质量未知的数据，可以使用专家意见。通过评估中心内的数据集，中心可以优先考虑哪些数据集对其用户具有高价值，以及如何最大化中心的价值。

应用示例

数据智能数据中心的使命是为IoW流域和含水层系统中的水资源相关决策提供数据。数据智能数据中心已上线一年，提供对从多个数据生产者收集的八个数据集的访问。

(1)确定中心成本

数据智能数据中心希望通过数据集跟踪成本（图2）。每年总成本为400,000元。了解每个数据集的相对成本使中心能够根据数据成本和使用情况确定投资的优先级。

图2：按数据集划分的数据智能数据中心成本

(2)使用数据使用统计数据修改成本

数据智能数据中心跟踪两个方面的数据。对于生产者来说，他们使用唯一标识符评估哪些数据在生产者内部和之间重复。他们发现5%的天气数据、10%的公共提款数据、10%的水质数据和18%的基础设施数据都是重复的。重复数据对中心的价值为零，从而使中心的价值减少至387,000元（图3）。

图3：数据智能数据中心成本针对重复数据进行调整

对于用户，数据智能数据中心跟踪访问数据的唯一用户(n=30)的数量。数据智能数据中心探索了两种通过数据使用统计数据调整数据中心价值的方法：按用户下载百分比或下载次数。当数据智能数据中心查看30个唯一用户下载的数据百分比时，发现用户下载了该中心数据的0%到96%（图4）。将调整后的中心价值（379,800元）乘以每个用户的使用百分比，得出中心价值为556万元，预计每花费1元收益成本比为13.9元。

图4：基于每个用户下载的数据百分比的Hub价值

数据智能数据中心还根据每个数据集的下载次数来研究中心价值，而不考虑唯一用户（图5）。预计数据中心价值也为558万元，每支出1元的效益成本比为13.9元。

图5：基于每个数据集的下载次数的Hub值

(3)利用数据属性修改成本

接下来，数据智能数据中心根据数据质量调整其数据中心的值，准确度范围在19%到86%之间。最终调整后的数据智能数据中心价值为340万元，每花费1元可获得8.50元的收益（图6）。

图6：根据数据质量调整数据中心值

通过将每次下载的价值等同于数据的全部成本，只要下载数据，基于消耗的方法几乎总是会带来收益超过成本。因此，数据中心的价值可以快速增长。这可能是一个不切实际的估值，特别是因为不知道下载的数据是否会被使用。可以通过调查来完善此方法，以了解下载量的百分比以及数据的使用方式。例如，中心可能会了解到每10次下载就会使用一次数据，并相应地权衡其估值。该方法将受益于这些类型的额外调整，以对数据中心的价值进行更现实的估计。

B保持研究数据安全的方法

成本模型评估以及需求与差距分析报告讨论了试图评估数字资产管理价值的10种成本和收益模型。保持研究数据安全(KRDS)方法被发现是最全面的：考虑了用户访问资源的成本、提高的效率、支付意愿以及从用例中获得的价值。这种方法还允许数据中心通过考虑硬件的折旧/摊销和折扣来考虑长期经济活力。KRDS方法的局限性包括构建模型所需的时间以及选择如何权衡不同收益的灵活性会造成枢纽之间的不确定性和困难。

示例

保持研究数据安全(KRDS)是数据存储库用来跟踪其成本和收益的一种方法。虽然该方法是为基于研究的数据存储库设计的，但可以修改该方法来描述通过集成和共享数据创建的价值数据中心。

保持研究数据安全(KRDS)方法由CharlesBergie开发，旨在计算数据中心的年度（和长期）成本，以及数据中心对数据用户的价值。中心的好处分为以下几类：

●用户访问中心数据的成本（时间和费用），

●使用数据中心与单独访问生产者的数据相比，可以为用户节省成本，

●对枢纽服务支付意愿的或有评估，以及

●数据（用例）产生的可行见解的影响（图1）。

图1：枢纽成本与不同枢纽效益的比较

保持研究数据安全的方法

KRDS方法将中心的成本与其通过使数据更容易发现、访问和使用而产生的价值进行比较。枢纽价值主要通过市场方法进行评估。

(1)确定成本

第一步是确定数据中心的成本。这可以像使用年度支出一样简单，也可以像按单个员工或数据集分解成本一样复杂。KRDS还使用户能够折旧硬件成本并根据通货膨胀进行调整。

(2)确定好处

用例是指能够实现预期结果的决策和策略。对于每个用例，估计实施成本和潜在影响。应在项目的整个生命周期中考虑决策的价值。

(3)根据适合目的的数据如何为决策提供信息来调整值

KRDS方法提供了三个维度来考虑每项收益：影响、时机和受益者。

影响

影响可以是直接的（有形的）或间接的（无形的）。

●直接影响是指可衡量的变化，例如使用量增加、发现和访问数据所花费的时间减少以及使用数据创造价值。

示例：数据用户将发现和访问数据所花费的时间减少了40%。

●间接影响是指避免的成本，例如数据丢失或无法访问。中心保存的数据可以避免冗余数据收集，并确保数据的保存和可用性以供将来使用。

示例：一家公用事业公司在5年后丢弃水质监管数据。如果没有保存这些数据的中心，它们就无法再评估水质随时间的变化。

时间

时间可以是短期的，也可以是长期的，指的是何时从数据中产生效益并对中心融资策略产生影响。实现效益的时机与数据目的相关。

●实施后0-5年内即可产生短期效益。短期数据目的通常是运营或监管目的。

示例：某个组织使用来自中心的水质数据来告知各个水体休闲游泳的安全性。

●长期效益需要5年以上才能实现，并且往往用于广泛的决策和研究目的。

示例：项目启动八年后，使用中心的数据开发水质模型。

谁

谁是指利益是在中心内部还是外部实现的。

●内部效益由数据中心产生。

示例：某个州创建了一个数据中心，要求州机构将与水相关的数据推送到该中心，以使该州更容易发现、访问和使用数据。

●外部利益会影响与数据中心无关的利益相关者。

示例：研究人员访问州中心内与开普菲尔河流域水质相关的所有数据。

数据中心可以计算其组织内的内部、直接、短期利益。然而，对于水数据中心来说，大部分价值可能来自外部数据用户，需要调查方法来了解如何使用数据来产生影响以及对中心服务的支付意愿。调查还可用于提高生产者和用户的中心可用性。

(3)计算投资回报率(ROI)

可以计算生产者、中心和用户的投资回报率。例如，Bergie&Hougton(2014)将KRDS方法应用于三个数据中心并发现：

●生产者在中心而不是通过自己的服务托管数据的投资回报率在2到12之间，

●就提高在一个地点提供来自多个生产者的数据的效率而言，中心的投资回报率在2到23之间。

●就支付意愿和用例中中心的估计价值而言，用户的投资回报率在2.2到2.7之间。

投资回报率只是定量的，但它提供了许多难以用经济术语表达的好处。KRDS鼓励中心通过调查阐明这些定性影响，揭示利益相关者的价值观以及中心如何更好地满足利益相关者的需求，从而提高中心的价值。

应用示例

数据智能数据中心维护着50个与水相关的数据集。它还清理和标准化数据，使它们更容易发现、访问和使用。数据智能数据中心对60名数据用户进行了调查，以更好地了解(1)他们通过使用数据智能数据中心节省的时间和成本，(2)他们为中心服务付费的意愿，以及(3)数据的使用方式。数据智能数据中心的调查回复率为80%。

(1)确定枢纽成本

数据智能数据中心决定根据(1)收集、清理和标准化数据的劳动力，(2)硬件，(3)软件，(4)存储和(5)公用设施成本的年度成本来组织和估算成本（表1）。数据智能数据中心的年度总成本为1,252,540元。

表1：数据智能数据中心的年度运营费用

数据智能数据中心还对其数据生产者进行了调查，发现生产者将花费估计325,000元才能获得与数据智能数据中心类似水平的服务。数据用户估计，在数据智能数据中心开始运营之前，他们花费了75万元来发现、访问和使数据可用。

(2)确定好处

对数据智能数据中心生产者和用户的调查显示了许多好处，中心价值约为160.5万元（表2）。

表2：调查受访者列出的好处，并按影响、时间和对象进行分类

(3)计算投资回报率

生产者、中心和用户的调查结果揭示了以下好处。

●通过在中心而不是自己的服务器上托管数据，数据生产者预计节省了155,000元。这可节省48%的成本，在数据智能数据中心之前每花费1元可节省2.10元。

●数据中心效率节省了375,000元。如果我们转而关注内部利益。从内部成本和收益来看，该中心的投资回报率为0.30（375,000元/125万元）。相反，如果我们考虑效益成本比来考虑内部和外部效益，则每花费1元，该中心就会提供1.25元的效益（161万元/125万元）。

●数据用户表示，他们愿意每年支付500至10,000元（中位数4,000元）来访问数据，这60名订阅用户的费用为240,000元。此外，数据用户报告称，经济增长和用例影响带来了850,000元的收益。在提高效率方面，数据用户搜索数据的时间减少了40%，在数据智能数据中心之前每花费1元，效率可节省2.5元。

如图所示，投资回报率对于中心来说可能不是一个好的指标，因为许多好处是在中心外部产生的。例如，数据生产者和用户都通过使用数据智能数据中心节省了成本，但这并不一定会转化为他们对该中心的WTP。

KRDS方法既是一种规划工具，也是一种经济评估工具。该方法允许进行从粗略到深入评估的一系列工作。更深入的版本旨在了解对内部和外部生产者、中心和用户的影响，以了解中心的价值，以及在哪些方面提高了效率并可以改进。

四 投资回报率和成本效益比

希望制定业务案例的组织通常需要报告投资回报率(ROI)，即收益除以成本。投资回报率对于比较单个实体产生的成本和收益非常有用。然而，当数据的好处惠及不同的组织时，从效益成本比的角度讨论数据的价值就更有意义了。