摘要：

1、 数据产品目前主要的买方：1）金融客户。2）互联网平台型企业。3）基于数据产品开展数字化转型的企业。目前最主要的买方且应用比较成熟的为金融客户，主要以银行、保险为主。

2、 银行、保险对数据产品的需求主要包括：1）银行、保险最倾向购买风险管理数据（如：反欺诈数据）和个人/企业的信用报告，信用评级数据。2）数据主要来源于三大运营商、银联以及平台型数据企业。3）按照数据的信息复杂程度一条数据的价格在1元—几十元不等；以打包的形式进行数据收费，一年内一次性交付500万或800万，无限次获取信息。

3、非金融行业客户购买数据案例：如字节跳动开始买更多的第三方数据产品，如：社保数据、学历数据。因为字节跳动内部自有数据不能满足其“推荐算法”升级的需求，客户细分有很大的深耕空间，所以他们开始购买第三方数据产品。企业可以通过社保缴纳情况给用户分级。

4、数据交易市场规模至少万亿以上：以银行为例，头部国有银行，买外部的数据支出能力每年能超过5-8千万，工商银行能到2个亿。5）据不完全统计，每年仅金融行业场内场外数据交易有2800亿的体量，未来泛金融行业和其余行业（如互联网行业）全部加起来体量可能是2800亿的好几倍，整个数据交易额至少是一万亿以上。

5、 公共数据应用开发新场景，与实体经济相结合案例：1）温州苍南县公共数据处理和农商行数据相结合，打造“便利贷”、小微工厂贷等产品。2）杭州如屑早知道小程序，以包年形式获得数据局授权，利用教育局数据和房地产相结合，方便用户了解学区房，给房地产中介有偿使用。

6、场内交易和场外交易的关系：公共数据要慢慢开放，并且一定要引导到场内交易，但并非所有的交易都要在场内这个范围进行，因为国内有多个不同的持有可交易数据的产品。今年场内外的界限逐渐变的模糊，场内场外交易并不是说非要进场交易，目前场内交易可以做场内备案式交易。全国42家数据交易场所目标不是为了收费，增加统一大市场建设的阻力，而是为了建统一的全国数据交易链。

数据产品的主要购买方：

1、金融客户，如用于金融风控和风险管理的数据产品。

2、互联网平台型企业，因为此类公司需要基于大数据进行营销，所以互联网平台型企业也有很高的数据产品需求。

3、基于数据产品开展数字化转型的企业，比如开展数字医药研发的企业、开展数字教育业务的企业、数字营销企业、数字IP企业、数字媒体媒体企业等，这些企业都需要根据行业的特征采购相关的大量数据产品。

目前数据产品的买方多数且应用比较成熟的以金融客户为主，此外互联网公司也属于重要买方。

以银行和保险为例，数据产品的应用场景包括：

银行以吸储和放贷为主要业务，吸储银行需要精准找到储蓄客户，在这类业务上就需要进行精准推广。并且，在吸储业务上银行需要进行存量和增量拉新促活业务的开展，这部分需要银行获得客户的个性化标签，对标签匹配的用户开展短信推送、AI电话等工作进行推广，从而提高客户的转化率。

保险的获客和营销都需要大数据的帮助，比如保险客户很大一部分从支付宝等三方渠道获取，但是并不是每个客户数据拿过来该客户都可以转化成真正的保险客

户。所以这个过程就需要精准的个性化标签，如客户的投诉比例、属于哪类人群（高净值或低净值）、是否有车、是否有房、学历状况、婚姻状况、手机地址的长期归属地（一线城市or二线城市）。

银行和保险需要进行大量的风险管理。如信用卡用户的审核审批，就是通过大数据获取用户个人的信用评级报告、黑名单情况、共债共贷情况来查询该客户是否适合发放信用卡。甚至在允许的情况下，银行还可以查用户个人医保、社保数据，从而反推用户的收入情况，进而分析用户的还款意愿和还款能力。以上这些内容都可以通过大数据额度模型、利率模型进行计算。

保险中的财险，如用户购买车险时，什么类型的车或什么类型的车主应该去决定保险公司是否向其推销保险、是否需要提高保费。保险公司可以通过分析大数据了解用户上一个周期的驾驶行为，如：违章行为、出险记录、超速情况等，从而得出这个客户是否符合该保险和保费的标准。

银行和保险偏好购买风险管理的数据，如：反欺诈数据、黑名单数据。除此之外，银行和保险公司还倾向于购买个人/企业的信用报告，信用评级数据，如：个人/企业收入、企业杠杆数据、债务逾期数据，甚至某些银行还会买到个人的运动偏好，电商行为偏好，从而得到客户精准的画像与标签。

此前金融机构主要向以下机构购买：

1.主要来源于三大运营商电信、移动、联通，购买实名制数据、个性化衍生数据（如欠费情况、月均消费水平，手机号年限，套餐水平）等。

2.银联，主要是购买银联认证三要素（持卡人姓名、银行卡号、身份证号）和一些衍生数据，如：消费场所（航空、奢侈品、汽车），这类属于银联中的高价值数据。

3.向平台型企业购买数据，如：京东、阿里、腾讯、蚂蚁金服等。都可以采购到大量的互联网或者金融类数据。

收费方式：银行和保险根据数据的复杂程度分类。如：查询一个用户的身份证号，输入身份证号这一个维度的信息就可以得出这个用户数百个维度的信息，相当于一个类似信用报告的产品，收费从1元到几十元不等（企业号信息也一样）。报告中的信息纬度无论个人和企业都非常多，如：企业的纳税情况/企业的风险情况/企业的用水用电情况/企业排污情况/企业给员工缴纳社保公积金的情况等。 

此外还有一种收费形式为，打包形式，即不按照数据量收费，一次性买断。比如运营商移动、联通和电信的数据中每一个手机号背后都是一个完整的身份证号，再反过来核验该用户申请的金融服务时的信息是否与运营商提供的信息一致，这种业务的反馈结果时1或0，相对来说成本更低，已经不到1毛。头部银行和保险就采取包年制的服务，一年不论收取多少条信息，可能收取500万或800万不等的费用。银行和保险主要是上述的收费方式。其他行业来说，其数据产品有可能是整个数据集，就按照打包的价格进行出售。还有一种可能按照“数据+服务+SaaS服务系统”的方式进行收费。 

购买数据产品支出体量：以银行为例，银行是名副其实的数据密集型行业。头部国有银行，买外部数据的支出每年能超过5-8千万，工商银行能到2个亿，因为工商银行涉及的金融产品、贷款产品非常多。

非金融行业的数据产品应用案例：

1）医药研发企业，尤其是创新药研发，医药研发企业以前是自己去招募患者，之后了解患者用药、医疗方案、体检报告、影像等信息，但是现在如果我们提供更多的医保数据，这类医药公司就可以精准找到具有特定基因的病患信息，显著的降低信息、样本数据获取成本。除了病患外还有基因库数据、分子治疗方面的数据。

2）交通行业，如：高德导航上的红绿灯倒计时方案，是由每一个信号灯的数据（经纬度、编号）上传到智能交通国家级平台，之后平台将每一个路口信号灯的数据同步分享给高德。未来智能网联汽车在做智慧交通时也要依赖庞大的实时通讯的路网数据。

3）互联网：去年开始，字节跳动开始买更多的第三方数据产品，如：社保数据、学历数据。因为字节跳动内部自有数据不能满足其“推荐算法”升级的需求，客户细分有很大的深耕空间，所以他们开始购买第三方数据产品。企业可以通过社保缴纳情况给用户分级，社保缴纳系数高就给他推荐每个产品系列中高净值产品、国外旅游产品、高端定制化产品等。

4）政务：国家在用社保数据反推人是否能够持续符合廉租房、人才住房、低保发放等标准。可以通过实施监控人们的社保缴纳数据来反推收入水平，从而变相实现标准符合情况的监控。

数据的需求和体量：如医保数据，医保数据维度非常丰富，医保的完整数据包含每一个身份证号码的个体在全国医保系统内的缴纳数据、挂号数据、开药数据、治疗方案数据、疾病数据、消费数据、医学影像数据等等。但是因为医保设计个人隐私维度，所以国家目前不会全面放开。我们可以通过医保的缴纳反推个人收入情况，该收入情况数据可以卖给金融行业和其他行业。仅仅社保反推的个人收入情况这一种数据可以卖到1块多一条。

数据产品市场规模：据不完全统计，每年仅金融行业场内场外数据交易有2800亿的体量，未来泛金融行业和其余行业（如互联网行业）全部加起来体量可能是2800亿的好几倍，整个数据交易额至少是一万亿以上。

未来公共数据放开将具备强大的杠杆效益。公共数据是国家机关或事业单位依法授权获得的管理公共职能部门的组织以及供水、供电、供气、交通部门等公共服务组织在履行公共服务职能过程中运营收集和产生的数据。公共数据开放有强大的杠杆效益，有如物流、食品经济、减少重复性投资、避免产能过剩等作用，可以应用到实体经济的各个场景。

在买方上看，公共数据一定优先开放给央企和国企，以及大型的平台型企业，因为这些企业符合数据安全标准，之后慢慢向下渗透到各个国民经济的参与方。实体行业的方方面面都可以加上大数据进行行业的升级。

案例1：例如温州苍南县，苍南县的数据不只有企业经营数据，还有教育数据、医院数据、交通数据等。他们会把所有的公共数据做产品化，首先把原始数据变成数据价值可交易的具有应用场景的标准化产品，在通过隐私计算进行数据脱敏，然后再把产品交给当地的农商行进行复合使用最后得到一个评分类的产品，最后再结合这个评分类产品再和苍南县农商行进行联合建模，在苍南县推出“便利贷”产品，以及小微工厂贷、普惠小微贷等。

案例2：杭州市原来阿里团队出来的创业项目。他们用杭州市教育局学区房数据，以包年形式获得教育局数据授权。如：每个学校：幼儿园、小学、初中对口的一些小区，并获得“想上这个学校你需要在这个小区住几年”等具体信息。最后通过这些数据开发了“杭州入学早知道”小程序，这个程序给房地产中介使用，房地产中介基本上是人手一个。盈利模式：注册后可以免费查询20条，后面查询需要充值。

数据交易所的定位： 

第一家贵阳大数据交易所成立时国家还没将数据交易提上日程，但是现在来看基本上每个地区或多或少都有数据交易所。数据交易场所分为三种：国家级数据交易所、地方级数据交易所、行业级数据交易所（北方健康大数据交易中心，新能源汽车大数据交易中心等）。

交易场所接下来会是整个数据要素交易的催化剂，同时还要扮演搭建整个底层基础设施的角色，基础设施包括硬件、软件、系统、法律法规、国家/地方/行业标准等多个方面。当然具体细分还会有国家级数据的分级分类，国家级数据的确权标准，数据市场化入表的指导意见，会计准则修改等。数据要素要做更多金融场景的结合，只有这样整个数据的资源化、资产化和产品化都能达到最大化。数据资产化是整个数据交易的最高级形态。

场内交易和场外交易的关系：

公共数据要慢慢开放，并且一定要引导到场内交易，但并非所有的交易都要在场内这个范围进行，因为国内有多个不同的持有可交易数据的产品，场内和场外的关系很微妙，不是相互排斥的，是相辅相成的。去年一直在鼓励场内交易数据，今年场内外的界限逐渐变的模糊，因为很多原有存量的场外交易没有很大的动力转入场内，并且我们国家数据的统一大市场是市场型的经济，不会对市场成员强制绑定。

场内场外交易并不是说非要进场交易，因为场内交易的核心是制定并遵循场内交易的规则，但是并不是说场外交易就一定是不符合规则的，场外交易仅仅是买卖双方之间的交易行为在场外发生，但是数据产品的确权必须依靠和符合数据交易所和国家数据局制定的标准和规范。目前场内交易可以做场内备案式交易，可以在场外完成交易后做一个场内备案式交易。

全国42家数据交易场所目标不是为了收费，增加统一大市场建设的阻力，而是为了建统一的全国数据交易链，制定国家数据管理法等更为宏大的目标，把整个数据市场放到发改委的体系下发展起来，让经济参与的各个主体受益。

可以简单理解为涉及到国家安全和规定的数据需要进入场内交易，但如果数据产品仅仅是民营企业不太涉及国家和个人数据隐私，它不会做强行绑定。

海外应用情况：国外目前没有走的很靠前，就金融行业来说，我们可以参考的案例并不多。

国外已经发展出数据信托，用户可以通过平台授权将个人的银行数据、社保数据、手机号数据、电商数据等数据全部交给它，让这个平台为我做商业化变现，之后按周期每个月与我进行收入结算。

欧洲：国际数据空间，在欧盟范围内他可以打破数据孤岛，进行数据授权式运营。

美国：十六岁法案——选择性录入和选择性退出法案，按照16岁为界限，16岁以上的成人默认数据商业化（可以享受一些广告服务、金融服务），16岁以下需要授权才可以使数据应用到商业化场景。16岁以上若想退出可以上平台选择。

公共数据放开是循序渐进的过程。除了地方数据产品市场发展不同以外，数据的产品的不同品类也不是一刀切全部放开的。像社保数据、医保数据、交通数据、农业农村数据、互联网数据等这类具有潜在强应用需求的数据可能会较早开放，比如像民政局数据、环保数据等目前还没有探索出高价值的使用场景的数据可能就暂时不开放。

3-5年会形成公共数据开放，至少开放50%，带来更大的数据交易体量。而全国统一大市场的形成预计需要更多时间沉淀和积累。

数据要素最终是要让参与方共赢： 假设未来一个女装设计公司，如果每年购买十万元数据能够让她了解目标客户收入水平、供应链情况等等，可以帮助公司提高销售额和利润，这种情况下，国家的税收增加了，居民的收入也增多了，企业的发展也更好了，消费者可以享受到更好的服装产品，数据经济对实体经济其实有很大助力。所以数据要素、数字经济的发展事实上不存在谁买单的问题。数据要素是一个工具，而不是博弈，最终大家能够共赢。