數據要素實踐和市場空間摘要：1、數據產品目前主要的買方：1）金融客戶。2）互聯網平臺型企業。3）基于數據產品開展數字化轉型的企業。目前最主要的買方且應用比較成熟的為金融客戶，主要以銀行、保險為主。2、銀行、保險對數據產品的需求主要包括：1）銀行、保險最傾向購買風險管理數據（如：反欺詐數據）和個人/企業的信用報告，信用評級數據。2）數據主要來源于三大運營商、銀聯以及平臺型數據企業。3）按照數據的信息復雜程度一條數據的價格在1元—幾十元不等；以打包的形式進行數據收費，一年內一次性交付500萬或800萬，無限次獲取信息。3、非金融行業客戶購買數據案例：如字節跳動開始買更多的第三方數據產品，如：社保數據、學歷數據。因為字節跳動內部自有數據不能滿足其“推薦算法”升級的需求，客戶細分有很大的深耕空間，所以他們開始購買第三方數據產品。企業可以通過社保繳納情況給用戶分級。4、數據交易市場規模至少萬億以上：以銀行為例，頭部國有銀行，買外部的數據支出能力每年能超過5-8千萬，工商銀行能到2個億。5）據不完全統計，每年僅金融行業場內場外數據交易有2800億的體量，未來泛金融行業和其余行業（如互聯網行業）全部加起來體量可能是2800億的好幾倍，整個數據交易額至少是一萬億以上。5、公共數據應用開發新場景，與實體經濟相結合案例：1）溫州蒼南縣公共數據處理和農商行數據相結合，打造“便利貸”、小微工廠貸等產品。2）杭州如屑早知道小程序，以包年形式獲得數據局授權，利用教育局數據和房地產相結合，方便用戶了解學區房，給房地產中介有償使用。6、場內交易和場外交易的關系：公共數據要慢慢開放，并且一定要引導到場內交易，但并非所有的交易都要在場內這個范圍進行，因為國內有多個不同的持有可交易數據的產品。今年場內外的界限逐漸變的模糊，場內場外交易并不是說非要進場交易，目前場內交易可以做場內備案式交易。全國42家數據交易場所目標不是為了收費，增加統一大市場建設的阻力，而是為了建統一的全國數據交易鏈。

數據產品的主要購買方：1、金融客戶，如用于金融風控和風險管理的數據產品。2、互聯網平臺型企業，因為此類公司需要基于大數據進行營銷，所以互聯網平臺型企業也有很高的數據產品需求。3、基于數據產品開展數字化轉型的企業，比如開展數字醫藥研發的企業、開展數字教育業務的企業、數字營銷企業、數字IP企業、數字媒體媒體企業等，這些企業都需要根據行業的特征采購相關的大量數據產品。目前數據產品的買方多數且應用比較成熟的以金融客戶為主，此外互聯網公司也屬于重要買方。

以銀行和保險為例，數據產品的應用場景包括：銀行以吸儲和放貸為主要業務，吸儲銀行需要精準找到儲蓄客戶，在這類業務上就需要進行精準推廣。并且，在吸儲業務上銀行需要進行存量和增量拉新促活業務的開展，這部分需要銀行獲得客戶的個性化標簽，對標簽匹配的用戶開展短信推送、AI電話等工作進行推廣，從而提高客戶的轉化率。保險的獲客和營銷都需要大數據的幫助，比如保險客戶很大一部分從支付寶等三方渠道獲取，但是并不是每個客戶數據拿過來該客戶都可以轉化成真正的保險客戶。所以這個過程就需要精準的個性化標簽，如客戶的投訴比例、屬于哪類人群（高凈值或低凈值）、是否有車、是否有房、學歷狀況、婚姻狀況、手機地址的長期歸屬地（一線城市or二線城市）。銀行和保險需要進行大量的風險管理。如信用卡用戶的審核審批，就是通過大數據獲取用戶個人的信用評級報告、黑名單情況、共債共貸情況來查詢該客戶是否適合發放信用卡。甚至在允許的情況下，銀行還可以查用戶個人醫保、社保數據，從而反推用戶的收入情況，進而分析用戶的還款意愿和還款能力。以上這些內容都可以通過大數據額度模型、利率模型進行計算。保險中的財險，如用戶購買車險時，什么類型的車或什么類型的車主應該去決定保險公司是否向其推銷保險、是否需要提高保費。保險公司可以通過分析大數據了解用戶上一個周期的駕駛行為，如：違章行為、出險記錄、超速情況等，從而得出這個客戶是否符合該保險和保費的標準。銀行和保險偏好購買風險管理的數據，如：反欺詐數據、黑名單數據。除此之外，銀行和保險公司還傾向于購買個人/企業的信用報告，信用評級數據，如：個人/企業收入、企業杠桿數據、債務逾期數據，甚至某些銀行還會買到個人的運動偏好，電商行為偏好，從而得到客戶精準的畫像與標簽。此前金融機構主要向以下機構購買：1.主要來源于三大運營商電信、移動、聯通，購買實名制數據、個性化衍生數據（如欠費情況、月均消費水平，手機號年限，套餐水平）等。2.銀聯，主要是購買銀聯認證三要素（持卡人姓名、銀行卡號、身份證號）和一些衍生數據，如：消費場所（航空、奢侈品、汽車），這類屬于銀聯中的高價值數據。3.向平臺型企業購買數據，如：京東、阿里、騰訊、螞蟻金服等。都可以采購到大量的互聯網或者金融類數據。收費方式：銀行和保險根據數據的復雜程度分類。如：查詢一個用戶的身份證號，輸入身份證號這一個維度的信息就可以得出這個用戶數百個維度的信息，相當于一個類似信用報告的產品，收費從1元到幾十元不等（企業號信息也一樣）。報告中的信息緯度無論個人和企業都非常多，如：企業的納稅情況/企業的風險情況/企業的用水用電情況/企業排污情況/企業給員工繳納社保公積金的情況等。

此外還有一種收費形式為，打包形式，即不按照數據量收費，一次性買斷。比如運營商移動、聯通和電信的數據中每一個手機號背后都是一個完整的身份證號，再反過來核驗該用戶申請的金融服務時的信息是否與運營商提供的信息一致，這種業務的反饋結果時1或0，相對來說成本更低，已經不到1毛。頭部銀行和保險就采取包年制的服務，一年不論收取多少條信息，可能收取500萬或800萬不等的費用。銀行和保險主要是上述的收費方式。其他行業來說，其數據產品有可能是整個數據集，就按照打包的價格進行出售。還有一種可能按照“數據+服務+SaaS服務系統”的方式進行收費。

購買數據產品支出體量：以銀行為例，銀行是名副其實的數據密集型行業。頭部國有銀行，買外部數據的支出每年能超過5-8千萬，工商銀行能到2個億，因為工商銀行涉及的金融產品、貸款產品非常多。

非金融行業的數據產品應用案例：1）醫藥研發企業，尤其是創新藥研發，醫藥研發企業以前是自己去招募患者，之后了解患者用藥、醫療方案、體檢報告、影像等信息，但是現在如果我們提供更多的醫保數據，這類醫藥公司就可以精準找到具有特定基因的病患信息，顯著的降低信息、樣本數據獲取成本。除了病患外還有基因庫數據、分子治療方面的數據。2）交通行業，如：高德導航上的紅綠燈倒計時方案，是由每一個信號燈的數據（經緯度、編號）上傳到智能交通國家級平臺，之后平臺將每一個路口信號燈的數據同步分享給高德。未來智能網聯汽車在做智慧交通時也要依賴龐大的實時通訊的路網數據。3）互聯網：去年開始，字節跳動開始買更多的第三方數據產品，如：社保數據、學歷數據。因為字節跳動內部自有數據不能滿足其“推薦算法”升級的需求，客戶細分有很大的深耕空間，所以他們開始購買第三方數據產品。企業可以通過社保繳納情況給用戶分級，社保繳納系數高就給他推薦每個產品系列中高凈值產品、國外旅游產品、高端定制化產品等。4）政務：國家在用社保數據反推人是否能夠持續符合廉租房、人才住房、低保發放等標準。可以通過實施監控人們的社保繳納數據來反推收入水平，從而變相實現標準符合情況的監控。數據的需求和體量：如醫保數據，醫保數據維度非常豐富，醫保的完整數據包含每一個身份證號碼的個體在全國醫保系統內的繳納數據、掛號數據、開藥數據、治療方案數據、疾病數據、消費數據、醫學影像數據等等。但是因為醫保設計個人隱私維度，所以國家目前不會全面放開。我們可以通過醫保的繳納反推個人收入情況，該收入情況數據可以賣給金融行業和其他行業。僅僅社保反推的個人收入情況這一種數據可以賣到1塊多一條。

數據產品市場規模：據不完全統計，每年僅金融行業場內場外數據交易有2800億的體量，未來泛金融行業和其余行業（如互聯網行業）全部加起來體量可能是2800億的好幾倍，整個數據交易額至少是一萬億以上。

未來公共數據放開將具備強大的杠桿效益。公共數據是國家機關或事業單位依法授權獲得的管理公共職能部門的組織以及供水、供電、供氣、交通部門等公共服務組織在履行公共服務職能過程中運營收集和產生的數據。公共數據開放有強大的杠桿效益，有如物流、食品經濟、減少重復性投資、避免產能過剩等作用，可以應用到實體經濟的各個場景。在買方上看，公共數據一定優先開放給央企和國企，以及大型的平臺型企業，因為這些企業符合數據安全標準，之后慢慢向下滲透到各個國民經濟的參與方。實體行業的方方面面都可以加上大數據進行行業的升級。

案例1：例如溫州蒼南縣，蒼南縣的數據不只有企業經營數據，還有教育數據、醫院數據、交通數據等。他們會把所有的公共數據做產品化，首先把原始數據變成數據價值可交易的具有應用場景的標準化產品，在通過隱私計算進行數據脫敏，然后再把產品交給當地的農商行進行復合使用最后得到一個評分類的產品，最后再結合這個評分類產品再和蒼南縣農商行進行聯合建模，在蒼南縣推出“便利貸”產品，以及小微工廠貸、普惠小微貸等。案例2：杭州市原來阿里團隊出來的創業項目。他們用杭州市教育局學區房數據，以包年形式獲得教育局數據授權。如：每個學校：幼兒園、小學、初中對口的一些小區，并獲得“想上這個學校你需要在這個小區住幾年”等具體信息。最后通過這些數據開發了“杭州入學早知道”小程序，這個程序給房地產中介使用，房地產中介基本上是人手一個。盈利模式：注冊后可以免費查詢20條，后面查詢需要充值。

數據交易所的定位：

第一家貴陽大數據交易所成立時國家還沒將數據交易提上日程，但是現在來看基本上每個地區或多或少都有數據交易所。數據交易場所分為三種：國家級數據交易所、地方級數據交易所、行業級數據交易所（北方健康大數據交易中心，新能源汽車大數據交易中心等）。交易場所接下來會是整個數據要素交易的催化劑，同時還要扮演搭建整個底層基礎設施的角色，基礎設施包括硬件、軟件、系統、法律法規、國家/地方/行業標準等多個方面。當然具體細分還會有國家級數據的分級分類，國家級數據的確權標準，數據市場化入表的指導意見，會計準則修改等。數據要素要做更多金融場景的結合，只有這樣整個數據的資源化、資產化和產品化都能達到最大化。數據資產化是整個數據交易的最高級形態。場內交易和場外交易的關系：公共數據要慢慢開放，并且一定要引導到場內交易，但并非所有的交易都要在場內這個范圍進行，因為國內有多個不同的持有可交易數據的產品，場內和場外的關系很微妙，不是相互排斥的，是相輔相成的。去年一直在鼓勵場內交易數據，今年場內外的界限逐漸變的模糊，因為很多原有存量的場外交易沒有很大的動力轉入場內，并且我們國家數據的統一大市場是市場型的經濟，不會對市場成員強制綁定。場內場外交易并不是說非要進場交易，因為場內交易的核心是制定并遵循場內交易的規則，但是并不是說場外交易就一定是不符合規則的，場外交易僅僅是買賣雙方之間的交易行為在場外發生，但是數據產品的確權必須依靠和符合數據交易所和國家數據局制定的標準和規范。目前場內交易可以做場內備案式交易，可以在場外完成交易后做一個場內備案式交易。全國42家數據交易場所目標不是為了收費，增加統一大市場建設的阻力，而是為了建統一的全國數據交易鏈，制定國家數據管理法等更為宏大的目標，把整個數據市場放到發改委的體系下發展起來，讓經濟參與的各個主體受益。可以簡單理解為涉及到國家安全和規定的數據需要進入場內交易，但如果數據產品僅僅是民營企業不太涉及國家和個人數據隱私，它不會做強行綁定。

海外應用情況：國外目前沒有走的很靠前，就金融行業來說，我們可以參考的案例并不多。國外已經發展出數據信托，用戶可以通過平臺授權將個人的銀行數據、社保數據、手機號數據、電商數據等數據全部交給它，讓這個平臺為我做商業化變現，之后按周期每個月與我進行收入結算。歐洲：國際數據空間，在歐盟范圍內他可以打破數據孤島，進行數據授權式運營。美國：十六歲法案——選擇性錄入和選擇性退出法案，按照16歲為界限，16歲以上的成人默認數據商業化（可以享受一些廣告服務、金融服務），16歲以下需要授權才可以使數據應用到商業化場景。16歲以上若想退出可以上平臺選擇。

公共數據放開是循序漸進的過程。除了地方數據產品市場發展不同以外，數據的產品的不同品類也不是一刀切全部放開的。像社保數據、醫保數據、交通數據、農業農村數據、互聯網數據等這類具有潛在強應用需求的數據可能會較早開放，比如像民政局數據、環保數據等目前還沒有探索出高價