数据资产的定价方法、装置、设备和介质

摘要

本发明实施例公开了一种数据资产的定价方法、装置、设备和介质。其中，该方法包括：建立待定价资产集的数据矩阵；并根据数据矩阵确定待定价资产集的评价指标；根据评价指标确定待定价资产集的第一定价评估值和第二定价评估值；并确定待定价资产集的第三定价评估值；根据第一定价评估值、第二定价评估值和第三定价评估值，确定待定价资产集的目标定价值。本发明实施例通过结合不同的定价策略对数据资产进行多方定价评估，从而有效提高数据资产的定价评估效率。

说明书

技术领域

本发明实施例涉及一种数据资产交易领域，尤其涉及一种数据资产的定价方法、装置、设备和介质。

背景技术

数据资产属于普通个人和企业的数字财产，包括物理和电子文件两种形式记录的数据。目前，我国的大数据交易平台处在起步阶段，关于数据的确权、追溯、定价以及交易等处于不断优化的进程中；与此同时，数据资产定价方法的实现，为数据资产的交易提供了基础；现有定价方式可分为固定定价、协议定价和拍卖定价。

其中，固定定价为针对数据商品的成本价值和效用价值进行评估，结合市场供需情况，给予数据商品一个固定的价格。协议定价为通过协商或由数据交易平台第三方撮合，数据买家和卖家反复报价协商确定对数据商品价值的一致认可，最终达成统一定价时交易成交。拍卖定价为在卖家设置数据商品底价的基础上，买家轮流报价，出价最高者可中标；也可以采用密封式二级价格拍卖，使用保密的方式来竞标，报价最高者中标，成交价格是第二高价者的价格。

上述方案的缺陷在于：在面临数据量庞大或者数据结构多样化的数据资产时，没有一个完整统一的定价方式去准确高效的完成定价，使得数据资产的定价效率降低。

发明内容

本申请实施例提供一种数据资产的定价方法、装置、设备和介质，可以利用不同的定价策略对数据资产进行多方定价评估，从而有效提高数据资产的定价评估效率。

第一方面，本发明实施例提供了一种数据资产的定价方法，包括：

建立待定价资产集的数据矩阵；并根据所述数据矩阵确定所述待定价资产集的评价指标；

根据所述评价指标确定所述待定价资产集的第一定价评估值和第二定价评估值；并确定所述待定价资产集的第三定价评估值；

根据所述第一定价评估值、所述第二定价评估值和所述第三定价评估值，确定所述待定价资产集的目标定价值。

可选的，根据所述数据矩阵确定所述待定价资产集的评价指标，包括：

根据所述数据矩阵确定所述待定价资产集中各数据收益值；其中，所述数据收益值包括数据收益均值和数据收益标准差；

根据所述各数据收益值，确定所述待定价资产集的评价指标。

可选的，根据所述评价指标确定所述待定价资产集的第一定价评估值，包括：

根据评价指标和各历史定价资产集的定价值，确定所述各历史定价资产集的定价区间；

计算所述待定价资产集与所述各历史定价资产集的相似值，得到相似值集合；并根据所述相似值集合和所述各历史定价资产集的定价区间，确定所述待定价资产集的第一定价评估值。

可选的，根据所述相似值集合和所述各历史定价资产集的定价区间，确定所述待定价资产集的第一定价评估值，包括：

将所述相似值集合中最大值的历史定价资产集的定价区间作为所述待定价资产集的定价区间；

将所述待定价资产集的定价区间的中值，作为所述待定价资产集的第一定价评估值。

可选的，根据所述评价指标确定所述待定价资产集的第二定价评估值，包括：

根据所述评价指标将各历史定价资产集划分为数据训练集和数据测试集；

构建初始网络模型，并根据所述数据训练集和所述数据测试集，对所述初始网络模型进行训练验证，得到资产定价模型；

将所述待定价资产集输入所述资产定价模型，根据所述资产定价模型的输出结果确定所述待定价资产集的第二定价评估值。

可选的，确定所述待定价资产集的第三定价评估值，包括：

确定所述待定价资产集的资产成本；

根据所述资产成本，和所述待定价资产集所属行业的历史定价资产集的定价值，确定所述待定价资产集所属行业的利润值；

根据所述待定价资产集所属行业的利润值和所述资产成本，确定所述待定价资产集的第三定价评估值。

可选的，根据所述第一定价评估值、所述第二定价评估值和所述第三定价评估值，确定所述待定价资产集的目标定价值，包括：

确定所述待定价资产的加权参数；所述加权参数包括第一参数和第二参数；

根据所述加权参数、所述第一定价评估值、所述第二定价评估值和所述第三定价评估值，确定所述待定价资产集的目标定价值。

第二方面，本发明实施例提供了一种数据资产的定价装置，包括：

评价指标确定模块，用于建立待定价资产集的数据矩阵；并根据所述数据矩阵确定所述待定价资产集的评价指标；

评估值确定模块，用于根据所述评价指标确定所述待定价资产集的第一定价评估值和第二定价评估值；并确定所述待定价资产集的第三定价评估值；

定价值确定模块，用于根据所述第一定价评估值、所述第二定价评估值和所述第三定价评估值，确定所述待定价资产集的目标定价值。

可选的，评价指标确定模块，具体用于：

根据所述数据矩阵确定所述待定价资产集中各数据收益值；其中，所述数据收益值包括数据收益均值和数据收益标准差；

根据所述各数据收益值，确定所述待定价资产集的评价指标。

可选的，评估值确定模块包括定价区间确定单元和评估值确定单元；

定价区间确定单元，用于根据评价指标和各历史定价资产集的定价值，确定所述各历史定价资产集的定价区间；

评估值确定单元，用于计算所述待定价资产集与所述各历史定价资产集的相似值，得到相似值集合；并根据所述相似值集合和所述各历史定价资产集的定价区间，确定所述待定价资产集的第一定价评估值。

可选的，评估值确定单元，具体用于：

将所述相似值集合中最大值的历史定价资产集的定价区间作为所述待定价资产集的定价区间；

将所述待定价资产集的定价区间的中值，作为所述待定价资产集的第一定价评估值。

可选的，评估值确定模块，具体用于：

根据所述评价指标将各历史定价资产集划分为数据训练集和数据测试集；

构建初始网络模型，并根据所述数据训练集和所述数据测试集，对所述初始网络模型进行训练验证，得到资产定价模型；

将所述待定价资产集输入所述资产定价模型，根据所述资产定价模型的输出结果确定所述待定价资产集的第二定价评估值。

可选的，评估值确定模块，还具体用于：

确定所述待定价资产集的资产成本；

根据所述资产成本，和所述待定价资产集所属行业的历史定价资产集的定价值，确定所述待定价资产集所属行业的利润值；

根据所述待定价资产集所属行业的利润值和所述资产成本，确定所述待定价资产集的第三定价评估值。

可选的，定价值确定模块，具体用于：

确定所述待定价资产的加权参数；所述加权参数包括第一参数和第二参数；

根据所述加权参数、所述第一定价评估值、所述第二定价评估值和所述第三定价评估值，确定所述待定价资产集的目标定价值。

第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例中的任一种所述的数据资产的定价方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例中的任一种所述的数据资产的定价方法。

本发明实施例建立待定价资产集的数据矩阵；并根据数据矩阵确定待定价资产集的评价指标；根据评价指标确定待定价资产集的第一定价评估值和第二定价评估值；并确定待定价资产集的第三定价评估值；根据第一定价评估值、第二定价评估值和第三定价评估值，确定待定价资产集的目标定价值。本发明实施例通过结合不同的定价策略对数据资产进行多方定价评估，从而有效提高数据资产的定价评估效率。

附图说明

图1是本发明实施例一中的数据资产的定价方法的流程示意图；

图2是本发明实施例二中的数据资产的定价方法的流程示意图；

图3是本发明实施例三中的数据资产的定价装置的结构示意图；

图4是本实施例四中的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1是本发明实施例一中的数据资产的定价方法的流程示意图。本实施例可适用于对数据资产进行有效定价的情况。本实施例方法可由数据资产的定价装置来执行，该装置可采用硬件/或软件的方式来实现，并可配置于电子设备中。可实现本申请任意实施例所述的数据资产的定价方法。如图1所示，该方法具体包括如下：

S110、建立待定价资产集的数据矩阵；并根据数据矩阵确定待定价资产集的评价指标。

由于在现有的数据资产的评估方式中，主要分为固定定价、协议定价和拍卖定价三种定价方式，且其中均是通过人为线下直接的去确定待评估数据资产的评估值；对于数据资产数据庞大或者数据资产结构复杂的情况，无法快速有效的对其进行评估定价。

在本实施例中，采用人工智能以及机器学习的手段快速实现数据资产的评估定价，通过建立基于区块链技术的数据资产交易平台，依靠区块链技术难以篡改以及安全可靠的有点，对于上链存储的数据资产进行准确评估。在进行数据资产的定价评估前，可以基于区块链技术，为数据资产所有方提供数据资产的区块链节点、目录审核、数据上链和维护，确保数据产权清晰，交易过程可追溯。

数据矩阵为根据待定价资产集中的数据资产抽象得出，可以通过数据矩阵的形式将待定价资产集的有效数据信息进行完整反映，从而能够有效避免定价评估过程中数据的遗漏问题；具体的，本实施例中待定价资产集的评价指标可以包含数据的质量指标、数据权限等级、一致性指标、完整性指标、冗余性指标、时效性指标、成本以及数据的规模等。

S120、根据评价指标确定待定价资产集的第一定价评估值和第二定价评估值；并确定待定价资产集的第三定价评估值。

在本实施例中，第一定价评估值为数据资产交易平台中的第一定价模块根据待定价数据集确定出的预测值；其中，第一定价模块中包含过往已完成定价的数据资产集组成案例集合，对待定价资产集进行定价评估。

第二定价评估值为数据资产交易平台中的第二定价模块根据待定价数据集确定出的预测值；其中，第二定价模块主要是基于网络模型对待定价资产集进行定价评估，具体的，网络模型可以机器模型，且机器学习模型包括但不限于DNN（Deep Neural Networks，深度神经网络），RNN（Recurrent Neural Network，循环神经网络），支持向量机、随机森林和案例推理；第三定价评估值为数据资产交易平台中的第三定价模块根据待定价数据集确定出的预测值。

S130、根据第一定价评估值、第二定价评估值和第三定价评估值，确定待定价资产集的目标定价值。

在本实施例中，为了避免一个定价模块确定出的定价评估值准确度不高的问题，因此，本实施例通过数据资产交易平台中的三个定价模块，对待定价资产集进行评估定价，再综合得出的三个定价评估值确定待定价资产的最终定价值。

本发明实施例建立待定价资产集的数据矩阵；并根据数据矩阵确定待定价资产集的评价指标；根据评价指标确定待定价资产集的第一定价评估值和第二定价评估值；并确定待定价资产集的第三定价评估值；根据第一定价评估值、第二定价评估值和第三定价评估值，确定待定价资产集的目标定价值。本发明实施例通过结合不同的定价策略对数据资产进行多方定价评估，从而有效提高数据资产的定价评估效率。

实施例二

图2是本发明实施例二中的数据资产的定价方法的流程示意图。本实施例是在上述实施例的基础上进一步扩展与优化，并可与上述技术方案中任意可选方案组合。如图2所示，该方法包括：

S210、建立待定价资产集的数据矩阵；并根据数据矩阵确定待定价资产集的评价指标。

将待定价资产集抽象化为数据矩阵，如下式（1）。

其中，

具体的，在确定出待定价资产集的数据矩阵后，可以将该数据矩阵中数据属性为数值型的数据进行保准化处理，以使得数据矩阵中的数据属性保持一致。

在本实施例中，可选的，根据数据矩阵确定待定价资产集的评价指标，包括：

根据数据矩阵确定待定价资产集中各数据收益值；其中，数据收益值包括数据收益均值和数据收益标准差；

根据各数据收益值，确定待定价资产集的评价指标。

本实施例中的评价指标可以参考下表。

其中，数据资产的成本包含从获取到处理等过程中所涉及到的成本；数据应用的领域包括金融、互联网和工业等领域。

在本实施例中，数据收益值为该待定价资产集中包含的数据从获取到处理中产生的收益值；包括数据收益均值和数据收益标准差。

其中，数据收益均值可根据下式（2）计算得出。

其中，

数据收益标准差可根据下式（3）计算得出。

其中，

具体的，待定价资产集的评价指标可选用数据集的资产容量；可根据下式（4）计算得出。

本实施例根据待定价资产集的数据收益均值和数据收益标准差，能够有效直观的表达出待定价资产集的评价指标。

S220、根据评价指标确定待定价资产集的第一定价评估值和第二定价评估值；并确定待定价资产集的第三定价评估值。

在本实施例中，可选的，根据评价指标确定待定价资产集的第一定价评估值，包括：

根据评价指标和各历史定价资产集的定价值，确定各历史定价资产集的定价区间；

计算待定价资产集与各历史定价资产集的相似值，得到相似值集合；并根据相似值集合和各历史定价资产集的定价区间，确定待定价资产集的第一定价评估值。

在本实施例中，根据各评价指标和各历史定价资产集的定价值，组成评价指标和 定价的二元组形式

将案例集划分为训练集和测试集，并将训练集进行Kmeans聚类，将具有相似属性的案例集划分为若干个簇类，也可以按照数据的来源行业或数据的内容形式进行划分；将测试集与划分的簇类进行对比，或者依据行业、数据来源选择合适的簇类进行后续的定价步骤；将待定价数据集与选定的簇类中的数据资产案例集进行相似度的计算与比较，选择出K个最为相似的数据案例集，以其价格的上下限确定此待定价数据集的价格区间。

具体的，计算出待定价资产集

其中，

当然，对于数据资产评价指标的不同类型，例如数值型或者类别型，每个不同类型均具有其相应的距离计算公式，本实施例在此不再详细说明。

在本实施例中，可选的，根据相似值集合和各历史定价资产集的定价区间，确定待定价资产集的第一定价评估值，包括：

将相似值集合中最大值的历史定价资产集的定价区间作为待定价资产集的定价区间；

将待定价资产集的定价区间的中值，作为待定价资产集的第一定价评估值。

在本实施例中，相似值的大小能够反映历史定价资产集与待定价资产的相似程度，因此将相似值集合中最大值的历史定价资产集的定价区间作为待定价资产集的定价区间，能够准确定位到待定价资产集的资产定价区间。

具体的，在确定定价区间时，可以按照测试集实际的价格与确定的初始价格区间做对比，以价格的差别反馈来调整评价指标的重要度，最终将测试集加入训练集组成完整的案例集。其中，如果，实际的定价结果落在了确定得到的初始价格区间，则表示此次定价结果成功，需要对匹配特征指标进行权重的正向调整，这里的匹配特征指标定义为，对于数值型指标来讲，如果两个数据资产集在该指标下的距离小于设定的阈值，则称为匹配特征指标；对于类别型指标来讲，两个数据资产集在该指标下类别一致则为匹配特征指标，其余则为不匹配特征指标；将匹配的特征指标进行权重的调整，调整量为△

确定出的第一定价评估值如下式（7）。

其中，

在本实施例中，可选的，根据评价指标确定待定价资产集的第二定价评估值，包括：

根据评价指标将各历史定价资产集划分为数据训练集和数据测试集；

构建初始网络模型，并根据数据训练集和数据测试集，对初始网络模型进行训练验证，得到资产定价模型；

将待定价资产集输入资产定价模型，根据资产定价模型的输出结果确定待定价资产集的第二定价评估值。

在本实施例中，将数据资产评价指标进行集合，划分数据训练集与测试集；构建深度神经网络模型，利用训练集的数据资产集进行训练，利用测试集对模型进行验证，验证成功后，得到完整的网络；将待定价资产集输入模型，得到最终的定价结果P2。通过资产定价模型能够有效快速的得到待定价资产集的定价评估值。

在本实施例中，可选的，确定待定价资产集的第三定价评估值，包括：

确定待定价资产集的资产成本；

根据资产成本，和待定价资产集所属行业的历史定价资产集的定价值，确定待定价资产集所属行业的利润值；

根据待定价资产集所属行业的利润值和资产成本，确定待定价资产集的第三定价评估值。

在本实施例中，待定价资产集的资产成本为该待定价资产在处理过程中的总成本；包括数据在建设、运维过程中产生的直接或间接成本以及数据在采集、整合和加工产生的固定成本。将历史定价数据集按照来源行业领域进行划分，将其最终的定价与其数据的总成本进行计算得到，行业平均利润率，见下式（8）。

其中，

将待定价数据集按照其所在行业平均利润率确定其最终数据资产价格，可根据下式（9）得出。

S230、确定待定价资产的加权参数；加权参数包括第一参数和第二参数。

在本实施例中，加权参数为第一定价评估值、第二定价评估值和第三定价评估值的占比系数；其中，第一定价评估值的占比系数、第二定价评估值的占比系数和第三定价评估值的占比系数之和为1。

具体的，第一参数

S240、根据加权参数、第一定价评估值、第二定价评估值和第三定价评估值，确定待定价资产集的目标定价值。

在本实施例中，将第一参数和第一定价评估值的乘积、第二参数和第二定价评估值的乘积以及第三参数和第三定价评估值的乘积之和，作为待定价资产集的目标定价值；具体根据下式（10）得出。

其中，

本实施例基于不同的定价模块对待定价资产集进行多方定价评估，并根据不同的定价结果确定待定价资产集的最终定价值，进一步提高了待定价资产集定价结果的精准度。

实施例三

图3是本发明实施例三中的数据资产的定价装置的结构示意图，本实施例可适用于对数据资产进行有效定价的情况。该装置配置于电子设备中，可实现本申请任意实施例所述的数据资产的定价方法。该装置具体包括如下：

评价指标确定模块310，用于建立待定价资产集的数据矩阵；并根据所述数据矩阵确定所述待定价资产集的评价指标；

评估值确定模块320，用于根据所述评价指标确定所述待定价资产集的第一定价评估值和第二定价评估值；并确定所述待定价资产集的第三定价评估值；

定价值确定模块330，用于根据所述第一定价评估值、所述第二定价评估值和所述第三定价评估值，确定所述待定价资产集的目标定价值。

在上述实施例的基础上，可选的，评价指标确定模块310，具体用于：

根据所述数据矩阵确定所述待定价资产集中各数据收益值；其中，所述数据收益值包括数据收益均值和数据收益标准差；

根据所述各数据收益值，确定所述待定价资产集的评价指标。

在上述实施例的基础上，可选的，评估值确定模块320包括定价区间确定单元和评估值确定单元；

定价区间确定单元，用于根据评价指标和各历史定价资产集的定价值，确定所述各历史定价资产集的定价区间；

评估值确定单元，用于计算所述待定价资产集与所述各历史定价资产集的相似值，得到相似值集合；并根据所述相似值集合和所述各历史定价资产集的定价区间，确定所述待定价资产集的第一定价评估值。

在上述实施例的基础上，可选的，评估值确定单元，具体用于：

将所述相似值集合中最大值的历史定价资产集的定价区间作为所述待定价资产集的定价区间；

将所述待定价资产集的定价区间的中值，作为所述待定价资产集的第一定价评估值。

在上述实施例的基础上，可选的，评估值确定模块320，具体用于：

根据所述评价指标将各历史定价资产集划分为数据训练集和数据测试集；

构建初始网络模型，并根据所述数据训练集和所述数据测试集，对所述初始网络模型进行训练验证，得到资产定价模型；

将所述待定价资产集输入所述资产定价模型，根据所述资产定价模型的输出结果确定所述待定价资产集的第二定价评估值。

在上述实施例的基础上，可选的，评估值确定模块320，还具体用于：

确定所述待定价资产集的资产成本；

根据所述资产成本，和所述待定价资产集所属行业的历史定价资产集的定价值，确定所述待定价资产集所属行业的利润值；

根据所述待定价资产集所属行业的利润值和所述资产成本，确定所述待定价资产集的第三定价评估值。

在上述实施例的基础上，可选的，定价值确定模块330，具体用于：

确定所述待定价资产的加权参数；所述加权参数包括第一参数和第二参数；

根据所述加权参数、所述第一定价评估值、所述第二定价评估值和所述第三定价评估值，确定所述待定价资产集的目标定价值。

通过本发明实施例三的数据资产的定价装置，可以通过结合不同的定价策略对数据资产进行多方定价评估，从而有效提高数据资产的定价评估效率。

本发明实施例所提供的数据资产的定价装置可执行本发明任意实施例所提供的数据资产的定价方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4是本发明实施例四中的电子设备的结构示意图，如图4所示，该电子设备包括处理器410、存储器420、输入装置430和输出装置440；电子设备中处理器410的数量可以是一个或多个，图4中以一个处理器410为例；电子设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线连接为例。

存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的数据资产的定价方法对应的程序指令/模块。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现本发明实施例所提供的数据资产的定价方法。

存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置430可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，可以包括键盘、鼠标等。输出装置440可包括显示屏等显示设备。

实施例五

本实施例提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于实现本发明实施例所提供的数据资产的定价方法。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的数据资产的定价方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器（Read-Only Memory, ROM）、随机存取存储器（RandomAccess Memory, RAM）、闪存（FLASH）、硬盘或光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。

值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。