数据资产估值，被很多人当成一道算术题：套个公式，算个数字，资产就有价了。但真正做过估值的人清楚，最难的不是方法，而是没有参照物。这个现象背后，其实藏着一个被普遍忽略的事实：数据资产估值缺的不是方法，是市场。
先看为什么传统资产好估值。因为市场上有大量同类资产在交易，价格一摆出来，估值就有了锚。数据资产则不同：同一份数据，在不同场景、不同买家、不同用途下，价值可能差出一个数量级，而市场上几乎没有足够的成交案例可供参考。估值的成立前提是交易场景清晰、价格信号连续，这两点恰恰是数据资产市场当前最欠缺的。
有一个案例，很能说明问题：某企业用成本法评估自己的用户行为数据，得出价值500万元；而实际市场交易价格达到2000万元，差了四倍。
为什么差这么多？因为成本法只算了”采集和存储花了多少钱”，完全没有算数据的稀缺性、应用场景溢价和未来收益潜力。反过来，也有企业用收益法高估未来现金流，把估值推成泡沫。方法没错，用错了地方。
这里给出的估值思路是”三维估值模型”：成本法、收益法、市场法按权重配比，再结合行业特性调整参数，比如金融数据侧重收益法，权重可到60%；公共数据侧重成本法，权重可到50%。这比单一方法科学，但它依然只是”方法层的优化”。成本法、收益法、市场法各有适用边界，问题不在方法本身，而在方法赖以成立的前提：可比的交易参照。
所以我的判断是：没有市场，就没有价格发现。成本法算的是”过去花了多少钱”，收益法算的是”未来能赚多少钱”，市场法需要”可比交易案例”，而数据资产恰恰缺乏可比交易。于是所有方法都建立在假设上：假设收益率、假设场景、假设折现率。假设越多，估值越像”自说自话”。
这也正是数据交易所的真正价值所在：它的意义不只是”撮合交易”，更是”价格发现”。通过场内真实成交，形成可参考的数据资产价格，让估值从”自说自话”变成”有锚可依”。就像菜市场的菜价，不是哪个专家定出来的，是一天天买卖出来的。
进一步说，瓶颈在市场，不在方法。估值目的不同，方法组合也应不同：用于入表，侧重可解释、可审计；用于融资，侧重收益的可验证性；用于交易，最终以成交价为准。目的决定方法，市场决定前提。
这里要说明，反方观点也有依据。等市场成熟太慢，企业现在就需要估值来入表、融资。这个观点成立，现实需求确实紧迫。因此建议双轨并行：一边用三维估值模型给出”可解释的估值”，一边积极参与真实交易、积累成交案例。估值报告的结论，永远要标注”基于什么假设、参照了什么案例”。假设透明，比数字漂亮更重要。
有三条建议。
一、估值时不要只给一个数，要给”估值区间加关键假设”：什么场景、什么收益率、参照了哪些案例，全部写清楚。数字是结论，假设是过程，过程摊开，结论才可信。
二、用”三维模型”替代单一方法：成本、收益、市场按行业特性配权重，避免被单一方法带偏。一家企业只认成本法，等于只问自己花了多少钱，从不问市场认不认。
三、把”真实交易”当作估值的最好证据：哪怕先做一笔小额数据产品交易，也比十份估值报告更能说明数据值多少钱。一笔真实成交，胜过一百页假设。
这里我要说句反常识的话。估值报告里数字越精确，越要警惕。数据资产估值是”精确的错误”高发区：方法越多、参数越细、模型越复杂，反而越容易让人忘了这些数字全建立在假设上。模糊的正确，好过精确的错误。这不是鸡汤，这是统计规律。
再往深一层说。把”这份数据值多少钱”当成一个信念，先给它一个初始概率，然后用真实交易更新它。成交一笔，概率往上调；挂牌三个月无人问津，概率往下调。调来调去，你对这份数据的判断，比任何估值模型都接近市场。说到底，让事实说话，别让感觉带路。
所以我的结论是：先建市场，再谈估值。交易场景清晰、价格信号连续，这两样东西长出来，估值是市场自然产出的结果。目标是结果，系统是原因。
数据资产估值，缺的不是方法，是市场。在真正的市场成熟之前，每一个估值数字都应保持谦逊，所有假设都应摊在阳光下。那不是方法的问题，是市场的问题。