数据是现代经济中最重要、价值最高的资产之一，数据就是当代的石油，这个说法业已是常识。 数据资产化，数据如何交易等都成为商业金融界的热门话题，但如此种种，都需要对数据进行定价和估值。可是，数据在本质上是很难观察、衡量和定价的。

当代说的数据，是数字化信息（Digitized Information）。 当然，数字化信息覆蓋的范围相当广泛，也包括艺术创作、专利等。 关于数据资产和数据经济的讨论，更多是指用于预测的大数据（Big Data）。 人工智能和机器学习是预测技术，他们都需要使用数据来预测结果。 这种预测能力使数据不同于其他资产，因为数据可用于预测需求和成本、目标客户群和资产回报等。

与专利一样，数据可以通过附加在数据上的产权进行买卖。 就像可以授权给多方的技术一样，数据的多个副本可以出售给多方。 然而，数据生产与专利的生产有很大的不同。 大数据集不是在实验室中研发的。相反，大数据之所以庞大，是因为它们是经济活动留下的足迹。数据其实就是经济活动的副产品，使其有别于专利和其他无形资产。数据归公司所有，可以定价和被交易的，而公司和股东就是数据租金的受益者。

这种所有权和可交易性的差异对于数据估值和拥有数据的公司的估值极为重要。数据是一项重要的定价资产，它改变了公司估值。 数据经济的兴起正在改变收入来源和风险来源。故此，以往金融业常用的工业时代的估值工具，都需要更新以适应新的数据经济时代。

数据可以减少预测的不确定性。如果数据的主要好处是解决风险，那么使用风险定价工具便是数据估值的其中一个重要角度。如果我们试图估值数据，却忽视其化解风险的能力，这就像试图为资产定价，却忽视了它们的风险溢价。

在公司财务中，数据资产涉及有关如何为风险贴现未来价值的新问题。 如果公司和投资者使用数据做出更准确的预测，那么数据不仅可以提高利润，还可以化解风险。 风险解决方案，就可能是数据的最大价值来源。 

数据经济提供了新的商业模式和新的进入壁垒。 在数据经济中，越来越多的新商品和服务被用来交换数据。 在这样的环境中，纯粹商品和服务的收入，可能无法准确地揭示公司正在产生或积累的价值。因此，新的数据密集型公司可能会赚取负利润。 例如，优步和亚马逊多年来都在亏损。 不过，这些公司因其积累的数据资产，才极具价值。 

经典的资产估值工具不适合数据这种新的资产类别。我们需要更新工具的原因之一是数据具有很大的私有价值成分。 值得注意的是，一个大数据对某个投资者或公司的价值，通常并不等同对另一个投资者或公司的价值。

故此，有人会提议用成本法来对数据进行估值，问题是这些数据也没有明确的生产成本。 数据是经济活动的副产品，标准的 GAAP 会计规则会为此类数据分配零账面价值。

对于一些最有价值的公司的估值而言，缺乏明确的成本是一个大问题。 亚马逊的用户数据和购物历史，谷歌关于互联网用户搜索历史的数据，这些都是非常宝贵的资产。 这些公司通过销售有针对性的广告以及其他服务来将这些资产来变成收入， 然而，数据资产本身通常被视为零价值。 从资产负债表的角度来看，为维护这些数据资产所需的人力成本，看起来像是一项纯粹的支出。

另一边厢，当我们可以观察或模拟公司如何从数据中获利时，收入方法也或可以评估数据。

数据的价值应该是它产生的收入的现折现值，并根据风险进行调整。 如何将数据收入与其他收入分开，就是关键。 在许多情况下，它可能很清楚，但更多时候，数据可能用于多种目的，分离数据收入于是变得很困难。

以估值无形资产的方法来看数据又如何？例如专利、商誉或客户资产。 其中一些项目可能与数据混淆。 评估无形资产的典型方法是使用公司的市场价值和账面价值之间的差额。 数据很少出现在公司的资产负债表上，除非数据是从另一个实体购买的。 如果一家公司收购了一家目标公司，该公司可能会将目标公司的部分价值归因于目标公司拥有的数据； 这可能会出现在公司的资产负债表上。 如果数据是内部生成的，则不能列为资产，故此这方法又将显得乏善足陈。

无论如何，数据估值将是数据资产化，理顺数据交易市场的重要一环，需要各方专家积极共识，并创建数据的估值模型。