大数据交易商业模式研究

王便芳 徐一腾 张 省

2020 年3 月30 日，中共中央、国务院印发的《关于构建更加完善的要素市场化配置体制机制的意见》将数据正式纳入主要生产要素范畴，并提出要加快培育数据要素市场。2022 年4 月发布的《中共中央、国务院关于加快建设全国统一大市场的意见》特别指出加快培育数据要素市场，建立健全数据交易流通、开放共享等基础制度和标准规范，推动数据资源开发利用。大数据是后疫情时代经济发展的重要生产要素，是构建创新型国家的基础性战略资源[1]。作为一种新型的生产要素，大数据资源的价值只能在交易循环中实现。数据交易是促使数据要素发挥作用的关键环节，也是促进数据要素市场化配置不可或缺的环节[2]。没有数据交易，数据就会保持静态，并形成单独的信息孤岛。因此，数据交易将数据作为一种动态资源进行流动，以此实现数据的商业价值，建立双赢市场。数据交易是管理大数据的总趋势，也是大数据时代发展的关键。在推动数据交易落地过程中，除了政府加大政策引导力度外，企业也应充分利用好开放、流通、共享的数据，积极推动技术创新和商业模式创新。国内有关大数据交易的研究主要集中在数据定价及盈利[3]、数据立法问题[4]、用户隐私保护[5]等领域，很少探讨与大数据交易模式相关的问题，且研究成果大多聚集于理论分析缺少具体案例分析。本文在对国内外数据交易模式相关理论归纳总结的基础上，从价值主张、交易场景和盈利模式三个维度分析大数据交易模式，提炼出数据交易模式理论框架，以期为我国大数据交易管理提供管理启示和借鉴意义。

一、大数据交易商业模式理论框架

“商业模式”概念的提出是源于20 世纪90年代互联网的广泛应用。学界及实践界普遍接受和应用商业模式这一概念，却并不存在一个让大家普遍认同的定义。综述这些观点主要可分为两类，第一类涉及了企业的生产经营，如商业模式是由价格、技术、产品[6]、资源、资产、利润[7]等组成。第二类观点在第一类的基础上，进一步考虑到了顾客及其他利益相关者等因素，如商业模式由价值主张、利润模式、内部价值链结构[8]、目标顾客、关键资源等组成。虽然这两类观点在具体内容上有所差异，但基本上都是围绕价值创造、价值攫取及支撑这两者的运营体系进行考虑的。后来随着学者研究的不断深入，魏江等提出了商业模式六要素模型主要包括业务系统、定位、盈利模式、关键资源能力、现金流结构和企业价值[9]。程愚等提出了包含决策(开发性和利用性)、资源和能力、价值成果三要素的商业模式模型[10]。郭海等认为商业模式包括企业价值主张、价值创造、价值捕获的基本原理与活动过程[11]。通过对相关理论的梳理发现，商业模式是一种包含了一系列要素及其关系的概念性工具，用以阐明某个特定实体的商业逻辑。商业模式描述了公司所能为客户提供的价值以及公司的内部结构、合作伙伴网络和关系资本等用以实现（创造、推销和交付）这一价值并产生可持续盈利收入的要素。由此可见，商业模式概念主要包括价值主张、交易场景和盈利方式这三个基本维度。

(一)大数据交易的价值主张

顾客价值主张在商业模式创新过程中扮演着至关重要的角色，围绕顾客价值主张设计的商业模式有利于企业获得竞争优势[12]。价值主张强调对客户来说什么是有意义的，即对客户真实需求的深入描述，具有极强的导向性。企业需要挖掘顾客的潜在需求，并对此提出有效的价值主张，促使企业通过商业模式的变革以更高质量的价值创造方式满足顾客的多样化需求[13]。顾客需求是企业发展的基础，企业在发展过程中,积极回应顾客价值主张,而这种回应往往是以商业模式变更来实现[14]。因此，价值主张伴随商业模式变革的全过程，并影响商业模式其他构成要素的设计。

作为市场驱动的关键因素之一，消费者需求直接影响顾客价值主张。在大数据交易过程中，不同主体需充分理解消费者需求，以此创造更大价值。我国的大数据交易平台根据不同主体分为三类，便于满足消费者多元化需求：第一，政府主导的大数据交易平台，如上海大数据交换中心；第二，以企业为主导的大数据交易平台，例如大唐；第三，具有产业联盟性质的交易平台，如中关村大数据交易产业联盟[15]。

(二)大数据交易的交易场景

场景是指适应特定时刻用户和特定目的消费所需的行为场合和形态。营销的核心是市场定位、引导和满足顾客需求，而场景化正是传达市场定位的有效方式，因为在场景中可以将商品的价值生动、形象、魅力化展现出来，可以更好地吸引和引导顾客，更好地与顾客的需求连接起来。良好的交易场景离不开规范的交易规则，Mashayekhy 等人通过研究使数据交易双方在了解彼此真实信息的基础上进行交易，但是也未能达到预期的效果[16]。后来学者为了保证交易数据的可用性、数据提供者的隐私性以及数据提供者和数据消费者之间的公平性,提出一种基于区块链的公平数据交易协议，该协议集成了签名、防双重认证签名和相似性学习，并证明了该协议实现了安全数据交易协议应该具有的安全特性[17]。

场景思维不同于产品思维或销售思维，它是一种真正的营销思维，是一种以用户需求为中心的思维，它透过产品的形式去深度剖析顾客购买或消费的真正目的或意义，以及顾客所需的根本价值或利益。场景正是为解决顾客需求提出的解决方案，是一种价值或意义主张的展现。因此，可以将数据交易产品类型概括为数据包、云服务、解决方案、数据定制服务等[18]，进而总结出三种大数据交易模式，包含大数据租售模式、大数据服务商模式、数据自营模式[19]，分别侧重于提供大数据本身、提供大数据分析结果、提供战略决策或服务。

(三)大数据交易的盈利模式

盈利模式指按照利益相关者划分的企业的收入结构、成本结构以及相应的目标利润。商业模式的本质是企业提供服务、产品等一系列活动并从中获利的过程。大数据交易不仅需要确定企业在价值链中的位置及其在上下游伙伴中的位置，还需要整合各种资源来实现企业盈余。此外，大数据交易时代要重点突出无形资产的作用，通过对企业战略方向、运营结构的调整来进行差异化竞争从而为企业创造价值。为了更好地创造价值，企业需要从宏观的角度把握市场关系，通过创造顾客价值来建立内部结构，并形成伙伴网络关系来开拓市场、传递价值、获得利润并维持现金流。

大数据交易中的定价方式直接决定了企业的盈利模式。通过调查数据市场的定价机制，可以实现数据查询的自动定价[20]。Haifei Yu 将数据质量的多维性和维度之间的相互作用作为数据的定价策略[21]。为保证以合理定价为核心的数据交易机制，通过分析国内知名的数据交易平台，将数据定价机制分为：基于博弈论的协议定价模型、基于数据特征的第三方定价模型、基于元组的定价模型和基于查询的定价模型[22]。根据国内几家大数据交易中心的交易时间来看，其收费模式主要有以下三种：一是按次计价模式，二是一口定价模式，三是撮合定价模式[23]。

从以上交易模式的梳理可以看出，依据不同的范式，可以划分出不同的数据交易模式，但所有的交易模式都有一些共同的要素，就是交易的目的是什么、交易的场景在哪里以及交易的盈利方式是什么，故从价值主张、交易场景以及盈利模式这三个角度出发，将大数据交易模式划分为半开放式资源集聚型交易模式、价值开发平台管理型交易模式、政府导向互利共赢型交易模式，本文构建的大数据交易模式三维结构见图1。

图1 大数据交易商业模式构建

协同合作资源集聚型交易模式对应于图中的A 点。这种模式交易的特点就是以大数据使用权交易为主，能够实现多次交易，价格相对较低，主要是大数据需求方通过向拥有数据的企业以大数据在线租赁等形式实现。通过推动数据的流通，发挥数据的商品属性，促成数据交换、整合，真正带动大数据产业繁荣。该模式的价值主张是机会挖掘，要清楚地认知客户的需求，提供他们感兴趣的数据。在交易场景中实现靶向化营销，提供精准化数据。主要的盈利方式就是将数据租售给需要的企业，收取租赁费，并根据数据的重要程度实行阶梯化收费。

价值开发平台管理型交易模式对应于图中的B 点。此模式通过建设大数据服务平台，融合和盘活各类大数据资源，实现数据价值最大化，帮助平台的行业参与者进行市场拓展规划，提供数据决策方案，推动相关技术、应用和产业的创新。该模式的价值主张是融合创新，将主要资源集中在数据的分析建模，而不是原始数据的出售，根据顾客的需求并综合各方面的条件，提供最佳解决方案。在交易场景中，力求实现要素交互化，贯通各种需要的资源以便更加贴合用户要求。主要的盈利方式是出售决策方案以及后期运行中突发故障的维修来进行实时收费。

集成创新泛在赋能型交易模式对应于图中的C 点。此模式通过构建有效的市场机制，聚合政府、企业、社会等多类数据资源，整合大数据服务能力，承担着促进商业数据流通、跨区域的机构合作和数据互联、政府数据与商业数据融合应用等职能。该模式的价值主张是决策支持，在经营上，坚持“国有控股、政府主导、企业参与、市场运作”的原则；其次，股权模式主要采用国有资产控股、管理层持股和主要数据提供者参与的混合所有制模式。在交易场景中，提供完整的大数据清洗建模分析服务、大数据定向采购服务、大数据平台技术开发等增值服务，实现数据实体化。在盈利模式上通过与提供数据源的企业合作，将数据出售给会员,收取手续费,实现交易分成模式。

二、案例研究

(一)协同合作资源集聚型交易模式

Factual 成立于2008 年，总部位于洛杉矶，是一家提供开放位置数据集的大数据初创企业。目前，Factual 拥有的数据覆盖7500 万个位置，涵盖50 个国家的商户、公园和其他的景点。Factual 公司的价值主张是通过创造数据中心来催生能够随用户所在位置而作出反响的新一代应用来实现机会挖掘。Factual 公司不仅在网络上抓取公开的数据，还与来自全球各地愿意分享数据的数百家商户进行合作，每天分析数十亿个数据点解读顾客点击量高的数据。此外，为了更好地贯彻交易场景中的靶向营销化，Factual 不仅仅给企业推送位置数据，还从那些公司提取数据，并将它变成有关其用户的细分信息。Factual 提供的写访问服务还有利于解决数据的准确性问题，因为这“将合作伙伴、厂商和用户的数据结合起来，并让机器学习提取和验证事实”。美国Factual 通过卖数据或出售数据转化后的产品来获利。主要有以下形式：开放数据直接下载、非公开数据收费（按浮动价格向公司和独立软件开发商出售数据，小规模的数据提供是免费的，大型客户需要支付的费用则会达到成百上千万美元），以及用数据接口的形式实时提供数据和服务，按调用次数或数据量收费，如图2 所示。

图2 Factual 数据交易模式

随着技术的发展和客户需求的改变，只出售原始数据不是一条长久发展的道路，更多的大数据公司开始搭建或借助交易平台，持续扩大业务范围，不仅仅局限于数据本身，开始更多关注数据背后的价值。在以后的发展趋势下，数据平台将被赋予更多的责任，职责也将更加明确，比如承担市场交易以及业务拓展等，同时需要继续主动地摸索属于市场化运营模式，培养专业的“数据商”以及其他服务机构，努力创造文明的数据交易环境。

(二)价值开发平台管理型交易模式案例

数据堂成立于2011 年，2014 年12 月在新三板挂牌上市，专注于人工智能数据服务，致力于为全球人工智能企业提供数据获取及数据产品服务，实现数据价值最大化，推动人工智能技术、应用和产业的创新。数据堂的价值主张是融合创新，并坚持着创新制胜的价值观念，专注于多种行业的场景化解决方案。为使解决方案更加完善，要充分发挥各种资源的作用，并凭借着强大的技术能力进行差异化竞争，在此基础上，持续输出优质能力实现规模化扩张，实现要素交互化。数据堂定位于互联网服务，拥有规模庞大的数据交易平台，主要的业务模式有两种：一是数据定制模式，即通过合法途径收集需求方需要的数据，并对这些数据进行简单的整理，打包出售给对方；二是通过与其他机构、企业等数据拥有者进行合作，将数据进行整合、编辑、清洗、脱敏，形成数据决策方案后出售，其大数据交易模式如图3 所示。

图3 数据堂大数据交易模式

(三)集成创新泛在赋能型交易模式案例

贵阳大数据交易所是在贵州省政府大力支持下成立的一个旨在为全国提供数据交易服务的交易场所，采用的是“政府宏观调控，社会积极参与”的运作模式。贵阳大数据交易所的价值主张是决策支持，在政府的大力支持下，贵阳大数据交易所自主开发的4.0 版交易系统，可交易的数据产品数量已突破4000 个，涵盖数据源、数据安全、数据治理等八大类，涉及金融、农业等30 多个领域。在交易场景中，大数据交易所在继续迭代升级数据交易系统的同时，赋予交易会员更多权限，激发会员数据交易活力，共同构建数据交易产业“淘宝网”，向数据实体化迈进。这样数据供需双方的积极性将被充分调动起来，潜在的数据需求将被极大地释放出来，一批数据交易做市商将在投标中发展壮大。主要的盈利方式就是交易分成，交易所收取交易收入的40%，交易模式如图4 所示。

图4 贵州大数据交易所交易流程

大数据交易所作为战略部门在政府的扶持下正快速发展，着力打造大数据应用场景的供应库、需求库，进一步激活大数据资源的要素潜力，赋能实体经济发展。在这个模式下，数据更加具有权威性，保证了不同交易主体的积极性被激发，使得数据交易从“分散化”“无序化”向“平台化”“规范化”转变。在统一的平台上，各类数据被汇聚到一起，通过标准统一的标准实现不同地域之间的数据共享和交换。

三、结束语

数据交易将数据作为一种动态资源进行流动，实现数据的商业价值，建立双赢市场。没有数据交易，数据就会保持静态，并形成单独的信息孤岛。事实上，数据交易是管理大数据的总趋势，也是大数据时代发展的关键。此外，数据交易可以刺激由机器学习、数据挖掘和其他技术支持的数据分析，并为所有者和消费者提供便利。本文构建了大数据交易模式在价值主张(机会挖掘、融合创新及决策支持)、交易场景(营销靶向化、要素交互化及数据实体化)、盈利方式(阶梯收费、实时收费及交易分成)三个维度上的分类。在此基础上，进一步构建了大数据交易的管理框架，并将大数据交易划分为协同合作资源集聚型、价值开发平台管理型、集成创新泛在赋能型三种模式。通过分析大数据交易的三维理论框架，得出以下三个方面的管理启示。

第一，加强各主体在数据流通过程中的监管与协商。首先，壮大数据市场、开发数据资源、完善服务机构管理制度，通过推进数据资产试点，摸索数据资产化的方式，完善服务机构的体制，提升营业人员的素质。其次，拟定研究项目。由于数据具备放大效应可以提升传统资源的使用效率，双方交易的过程要加强对数据要素交易流转方式、场景的系统化研究，以及不同模式对于数据确权和分级分类的不同需求，针对性打造数据要素流转体系,进而驱动数据碰撞融合，充分释放其价值，与业界融合、共享创新成果，用实际行动树立大数据交易产业标杆。鼓励地方和企业加强数据交易，特别是间接数据交易方面的探索，遴选成功案例并加以推广复制。

第二，确保大数据交易合法合规合理。首先，制定定价标准。由于缺乏统一的数据资产价值评估和数据定价方法，各大数据交易平台的定价方法并不统一。据此有学者提出建立大数据交易定价体系，包括基本价格指标和交易调整价格指标，其中基本价格指标主要包括三类：交易佣金、材料强度、人力，交易调整价格指标主要包括三类：数据效用、大数据产品、数据历史交易价格[24]。此外，制定数据交易标准。由于缺乏可供参考的数据交易范例与准则，数据交易过程中存在数据内容不完整、数据格式不规范、数据口径不一致等问题。建立大数据标准体系，主要包括基本标准、数据标准、技术标准、平台和工具标准、管理标准、安全和隐私标准以及行业应用标准等七类标准[25]。行之有效的数据交易准则需要具有一致性，数据交易的过程中需要对数据要素、交易类型、交易条件、审核措施规定等保持一致。

第三，加快数据交易基础技术的研发和产业化。构建先进算力和数据新型基础设施，参照标杆区域和企业的成功实践，相关企事业单位承担起主力军作用，积极推动数据基础设施建设，着力提升数据“采-存- 算- 管- 用”全生命周期的基础支撑能力。协调国内相关企业和高校科研院所合作，建立产品和标准互认体系，加快推动数据交易基础技术的产业化进程。新兴技术要推动大数据技术环境趋向成熟，使大数据生态系统呈现多元化。制定严厉的安全管理手段、推动数据分类、健全数据在网络中的管理机制。按照标准进行分类后的数据更有利于数据保护，在数据保护的过程中对于重点项目可以单独管理，以此达到高效利用资源的目的。