数据交易“名义繁荣"的破局之路

引言：数据被称作“新生产资料”，却空转了23年

从2003年算起，中国互联网产业已走过23个春秋，诞生过无数数字经济奇迹。在云服务与数智化的加持下，数据被经济圈公认为新的生产资料，这几乎是这个时代最大的共识之一。但共识没有变成成交。到今天，我国数据交易市场只实现了形式层面的落地：交易场所有了，交易行为出现了，数据也被纳入资产范畴，完成了权属界定与资产并表等基础操作。可整体仍处在“名义交易”阶段，尚未形成能实质推动产业发展的模式。交易多停留在表层数据的流转，缺乏对产业深层需求的挖掘与匹配，更没有搭起让买卖双方共赢的商业逻辑。这意味着一个被寄予厚望的要素市场，框架早已完善，却始终悬浮在真实商业场景之上。对决策者而言，真正需要看清的，不是“数据值不值钱”，而是“数据要在什么条件下、通过什么路径，才能被真正卖出去、买回来、并产生利润”。这份报告给出的答案，指向一个词-买方需求。

一、“名义繁荣”：框架跑通，价值欠缺

过去很多数据交易所之所以没能形成稳定、持续、火热的市场，不是因为规则不够多，而是因为它们从一开始就没遵循数据交易的商业本质。

这些交易所的共同困境，是只沉迷于数据流通的概念包装，却不愿下功夫破解实际阻碍。它们既没有推动数据完成从零散到可交易的基础转化，也没有构建起让双方共赢的利益规则。结果，所谓的交易市场始终以美好的理念和远景为出发点，无法真正浸润真实的商业生活，对实体经济无益。商业世界的核心是价值对等交换，空泛的远景替代不了实打实的利益支撑。数据交易本应是一个需求推动的市场，而现阶段真正能满足需求的深层数据，大多不可轻易获得。于是就出现了报框架跑通但价值欠缺。

二、两步走：先解决“能不能交易”，再解决“能不能持续”

数据交易能否顺利运转，核心是“基础构建”与“规则制定”两步递进，缺一不可。而这里的“规则”，并非单纯的交易规则，而是潜藏在买卖双方背后、让双方都能获得商业利益的那套逻辑。

第一步，交易基础，本质是解决数据“能不能交易”。 原始数据往往零散、模糊，缺乏权属界定和统一标准，无法直接进入流通。要从“不可交易”变成“可交易”，关键是完成标准化梳理：明确来源边界、使用范围，厘清权属归属，消除模糊性。只有当买家清楚自己买的是什么、能用在什么场景，卖家也清楚自己让渡的权利边界，数据才真正具备交易基础。

第二步，交易规则，本质是解决交易“能不能持续”。 交易不是单一买卖，而是价值交换：卖方的价值体现在数据变现，买方的价值体现在数据有效可用。没有一套双方共赢的商业测算逻辑，交易就是一锤子买卖。值得决策者注意的是这两步背后的主导权分野：交易基础这一段，以监管机构、法学研究为主导；交易规则这一段，则由市场主导。前者解决合法性，后者解决可持续性——问题性质完全不同，不能用一套思路一并处理。

三、三道地基：可用、确权、深度，卡住了“能不能交易”

交易基础的构建，核心卡在三个相互交织的障碍上：数据可用、数据确权、数据深度。

数据可用，卡的是产业数字化程度的鸿沟。 有的产业很早引入数字化工具，但早期系统缺乏统一标准，数据分散在互不兼容的平台里，形成企业内部的“数据孤岛”，还常以纯文本、扫描件、非结构化表格的形式存在，既难提取也难关联验证。有的产业则处于 数字化初期，大 量数据靠线下记录或人工录入，遗漏、错误、无编码，收集起来也需巨大整理成本。更关键的一点是：数据结构化不是“有字段”就行，而要做到“定义统一、格式兼容、逻辑自洽”。 同样是 “ 用户活跃度”，A系统按日登录次数、B系统按单次使用时长、C系统按周互动频率，这样的结构化数据，买家拿到手也无法直接对接需求，可用性大打折扣。

数据确权，卡的是数据的非实体特性与复杂的权益边界。 一是多方所有：一笔交易数据可能牵涉交易双方、服务平台、支付机构等多个参与方，每一方都贡献了信息元素，却很难界定谁拥有完整所有权，权属一模糊，交易就无法达成。二是隐私阻力：数据大多携带 敏感信息，就算厘清了所有权，卖家也不能随意转让，必须同步划定隐私边界，剥离敏感信息、界定匿名化标准、防止交易后被滥用。三是跨境难题：不同国家对数据主权、数据出境规定差异极大，国内认可的权属划分，可能在境外直接违规，确权结果无法落地。

数据深度，卡的是交易的核心价值诉求。 表面统计级数据只停留在现象记录层面，某类行为发生了多少次、某类指标汇总多少，统一口径就能标准化。但买家真正要的，是能穿透现象、触及产业本质的深层洞察：驱动产业波动的核心变量、不同环节的关联逻辑、潜在需求的演变趋势。这类数据的稀缺来自两重困境——收集难 （需跨主体、跨场景整合全链条信息，协调成本极高）和转化难（原始数据本身没有深度，需要专业能力将其转化为有决策价值的洞察，而这种能力并非所有持有方都具备）。对决策者的启示很直接：你手里数据的可交易性，不取决于数据“量”，而取决于它在这三道地基上的位置。 越靠近“深度洞察”，越稀缺、越值钱，也越难被复制。

四、账面幻觉：并表不等于值钱，价格只能被“验证”出来

放眼全球，围绕交易基础的法学研究大多已达成既定目标：明确了数据独立存在的法理依据，让它可以作为一种资产计入企业的资产负债表。这件事的价值在于填补传统核算体系的空白，让数据要素的经济价值得到具象化呈现。

但这里有一个决策者极易踩空的认知陷阱：并表，并不等于数据的公允价值得到了评估。 把数据放上资产负债表，本质仍是典型的卖方思维——它反映的是“我认为这些数据值多少”，而非市场愿意为它付多少。数据真正的价值，无法靠估值模型自证，必须通过实际的交易过程来体现。

那价格从哪来？报告给出了一个清晰的定价公式：

（数据使用后收益− 使用前收益）÷ 使用量 = 单次数据使用的定价

更反直觉的是它的方向性：这个定价与卖方技术水平、市场竞争程度成反比。技术水平越高，单价可能越低；市场竞争越充分，单价可能越低。换句话说，在这个市场里，卖方越强、对手越多，越卖不上价，这与很多决策者对“技术溢价”的直觉正好相反。

五、买方动机决定成交：三级付费意愿，AI训练暂居“中等”

既然价格由买方收益决定，那真正决定一笔交易能否发生的，就是买方的付费动机。

先看卖方手里有什么。可交易的数据资产分三类：自有数据（多年经营积累、最有价值、有稀缺性）、外部采购数据和混合型数据（要么是平台为输出数据产品做的必要补充，要么是靠企业或政府关系拿到的稀缺数据——报告直言，这实质上是一种“特权经营”行为）。而现实是，有能力做数据交易的卖方之间已充分竞争，数据几乎不存在高溢价。再看买方。买方通常与卖方在产业链上下游相关联，其购买意愿按目的分三级：

三类需求原则上都能促成交易，但对数据交易有实质性推进的，只有能实际增加利润、扩大原有市场功能的那一类。第三类“提效”需求通常只在行政目的的推动下才发生。

当前AI、具身智能对数据的需求虽大，但在卖方眼里落在"研发必要基材"的中等付费意愿档，尚未盈利、以投喂训练为主。换言之，仅有这类中等意愿的需求，通常不足以推动数据交易真正发生。

六、四步定价法：数据的价值，是A/B测试“跑”出来的

报告提出，在卖方主导的交易里，整个商业环节可拆成四步，每一步都在回答“这批数据到底值多少钱”。

第一步，卖方派人驻场，摸清买方需求并开发模型。 因为买卖双方多是产业链上下游，卖方越深入理解买方业务模式，数据在对方体系内就运转得越高效。但报告点破了它的隐患：这种模式与传统2B服务无异，高度依赖买方的数字化程度、数字化理念以及高管态度，三者若都差，数据落地的效果会大打折扣。

第二步，注入数据，买方以一部分业务做“试验田”跑A/B测试。 这是给数据定价的核心环节，也是验证数据有没有用的关键。评估指标结合常规销售模型，A/B两组的通过率、购买率，长周期业务还会监测后续风险数据和复购率。

第三步，算两组收益差，据此确定单次数据使用的价值，并评估全年使用量。 这个利润差，就是双方交易的总成果，也是卖方数据价值的终极体现。而价值与价格之间的差，取决于双方就总利润展开的分润谈判。

第四步，完成交易并做后期维护升级。 模型迭代、买方业务优化，都会倒逼卖方调整最初的模型，这也是对卖方技术能力的持续检验。这套流程跑下来，现实结论是：从目前市场看，卖方能分到的利润比例非常低。 原因有二，一是最终价值产出靠的是买方完整的业务链条，数据只是辅助，很难在社会层面“反客为主”；二是成熟领域的数据供应商竞争激烈。更微妙的是，大量数据沉淀在卖方服务器上，法律上能并表成资产，却不能带来直接好处；此时哪怕严重折价交易，对卖方也是实打实的收入，这进一步助长了卖方的内卷。而极致压缩报价的唯一前提，是卖方技术能力的跃升：在数据不变的情况下，解算出更多对业务有用的信息，才是打开销路的关键。

七、信贷与营销：唯二跑通的样本，与“0.07元一次”的定价现实

理论要落到样本上。目前真正把数据交易跑通、且直接见效的，是金融信贷（尤其网络信贷）与营销两个领域。

在信贷领域，卖方是掌握多平台用户信贷风险数据的平台，买方是要做信贷业务的银行、消费金融公司、助贷平台，买卖双方大多是同行。流程上，卖方驻场开发模型、跑A/B测试，银行主要看：用外部数据做风控后的信贷逾期率，与平台平均逾期率之间的差值。 因为坏账要用纯利润计提，逾期率下降就直接意味着利润上升，这部分上升的利润，就是双方谈判的“总池子”。

原则上分润比为卖方∶买方 3∶7 或 4∶6，但报告直言：以当前竞争的白热化程度，这个比例在行业应用中已基本失去标尺作用，如今大多以一次数据调用0.07元左右固定定价。作为对照，在这一领域具核心地位的央行征信系统，银行调用一次需支付1元人民币，远高于金融科技公司 的价格，央行征信数据的调用价远高于金融科技公司，正体现其权威性与稀缺性。

在营销领域，逻辑更简单：卖方是掌握网民基础画像和消费数据的平台，买方是各类广告主。模型构建往往有广告主已有系统的支撑，广告主要的只是“根据模型算出的触达效果”，并不关心触达方式和渠道。A/B测试主要看销售成功率之差，以此确定数据为公司扩大了多少市场规模，并作为分润依据。

为什么偏偏是这两个领域跑通了？报告给出三条原因，也是可迁移的判断标准：

数字化基础完善——它们是互联网利润最集中、数字化水平最高的领域；

业务模式固定——同业间数据应用高度相似，产业链上下游彼此熟悉，模型构建与商务谈判的损耗小、易达成共识；

应用历史悠久——企业内部有自上而下的强共识，很多无法落地的细则靠“约定俗成”共同遵守，行政风险较小，这在当下的中国解决了大问题。

换个角度看，这三条也正是其他行业迟迟跑不通数据交易的“缺口清单”。

八、买方需求主导的定制化交易，会反向倒逼数字化

数据交易没有放之四海而皆准的万能模式；短期内，真正能把它从概念推向落地的，是“买方需求主导的定制化数据交易”。

它的逻辑与SaaS高度相似，两者都要摒弃通用化产品思维，以买方实际业务场景为导向：SaaS通过适配企业流程提供定制功能，数据交易则按买方业务逻辑打磨数据产品，二者都以买方的实际收益为衡量标准。

更深一层的连锁反应是，一旦这种模式成为主流并走向规模化复制，必然反向驱动各行业数字化基础的系统性升级。 因为数据交易的顺畅落地，依赖标准化、高质量、可互通的数据供给，而当前各行业数字化的碎片化、非标准化，正是模式复制的主要阻碍。

这里要区分两种“数字化”，一种是当下由云服务厂商销售产品主导的数字化，另一种是由真实需求牵引的数字化。 后者很可能是想开展数据业务的公司，在摸清目标客户业务流的真实需求后，反向在自己业务环节上做的数字化改造。它周期很长，甚至可能在形成业务之前就失去市场；但相比前者，它更符合行业发展的真实需求。这也意味着，理想化的数据交易还有很长的路要走：产业发展不能只就事论事、紧盯自身，因为在产业相互交错共振的今天，解决自身问题的钥匙，很可能是一个跨行业的问题。 这或许正是下一阶段能看到更多数据交易试点的原点。

结语：数据的定价权，属于最懂买方的人

数据交易的真正分水岭，不在于建了多少交易所、确权体系有多完善、并表数字有多漂亮，而在于谁能把数据嵌入买方的利润链条，并用一次次A/B测试把“账面价值”兑换成“成交价格”。

过去23年，数据交易困在“名义繁荣”里，本质是供给侧和概念侧的自说自话。而下一阶段的胜负手已经清晰，从卖方思维转向买方思维，从流通概念转向利润验证，从通用平台转向定制化交易。对决策者而言，这里藏着一份“先动者红利”，谁更早理解目标买方的业务流、更早以需求牵引自身的数字化改造、更早把数据做成能被“跑出利润差”的产品，谁就能在这个尚未定价 的市场里，率先握住数据资产真正的定价权。 数据要成为真正的生产资料，靠的不是资产负债表上的名义价值，而是在真实交易中被验证出的实际价值。

本文来自微信公众号“艾瑞咨询”（ID：iresearch-），作者：艾瑞咨询，36氪经授权发布。