数字化时代，数据就是资产

2011年，麦肯锡发布报告，认为“大数据Big Data已成为当今竞争、创新、生产效率提升的关键基础”。一时间，大数据，成为业内热点。数据，大家都懂；大，有什么区别？

而不管大的是什么，至少一个确定的趋势是，数据资产，越来越值钱。

这股科技新风也来到中国。本着“懂不懂先不说，有新趋势就先干”的大A，也渐渐热闹起来。比如拥有消费者购买记录的百货公司，虽然还处于电商取代线下的衰退趋势中，但投资者还是兴奋地给了“估值重构”的机会，2013年7月份，也曾有过股价快速涨一倍的战绩。

2015年4月，我国首家大数据交易所——贵阳大数据交易所成立，对数据资产的探索，又迈出了关键一步。成立当天就完成了第一笔数据交易，交易所管理层也雄心勃勃，提出在3～5年内将日交易额推到100亿元的规模。

百货行业没有避开电商的冲击，业绩也没有被数据资产改善；而短信等数据，也让投资人清醒，有的数据是资产，有的只是01代码，或者只是投资人情绪的载体。而在大数据领域创业的公司，也有一些融了FGH轮之后，不得不卖服务器来改善现金流。而贵阳大数据中心也在2022年8月，才实现了数据交易规模突破1亿元。

然而，也正如Gartner公司经典的科技发展曲线一样，技术发展不是一帆风顺，数据的资产重塑，也必经历曲折。基于庞大数据的算法，正成为许多公司业务提升的诀窍，例如在短视频、在自动驾驶。而数据交易所的数量扩展到了30多家。

数据资产，似乎是“玄学的显学”，显而易见的是，数据很重要、数据很好用、数据很值钱；而玄之又玄的是，数据如何成为资产？如何成为可交易的资产？如何成为产生更大收益的资产？要回答这些问题，并不容易。

用户的数据所有权、平台的数据所有权，如何界定？

不当访问：该用数据做什么

一个不成文的行业惯例，是用户的数据属于用户；但提供服务的平台，可以通过用户的授权（不点击同意授权，就没办法使用应用），对数据具有一定的使用权。通过对数据的分析、使用，提升整体效率、拿到双赢自然是最好不过了。

一个经典的案例，是沃尔玛通过样本数据得到结论，在尿不湿旁边摆放啤酒，既提升了销量，又节省了用户选购时间。而在地图软件上，通过分析终端用户的数量、用户的移动速度，也可以对路况得到大致的分析，有助于用户提前规划路线、节省时间。

数据分析提升生活的案例，不胜枚举。但不可否认的是，算法的世界，也有信息茧房、大数据杀熟等等让人担忧的事情。数据的使用，也有边界。

最近，某互联网公司的国际业务犯了个错误，员工未经用户允许、且在非法律要求的情况下，查看了几位用户的数据。尽管几位员工的目的和探寻公司机密信息泄露相关，但很不幸，这个行为依然引起了舆论的轩然大波，同时也会面临监管机构的调查、甚至处罚。

我们目前的数据，大部分都是和个人相关，要变成资产，就必须先守好边界。用户期待的是，用我的数据，让我更好；而不是利用我的数据，找到我的弱点，猛攻、谋利。

隐私计算：安全分析数据

汽车领域有过一场争论，关于整车厂是否要丢掉自己的灵魂。

这个冲突在现实中很常见，拥有数据的公司，许多并不具备分析数据的能力，而如果把数据完全公开给合作方，不仅涉及隐私、甚至还会丢掉灵魂。而另一方面，一家机构的数据维度有限，要达到更好的效果，也难免会涉及多方数据共享。

如何让数据合规、安全得到处理？所谓，原始数据不出域、数据可用不可见。这就需要用到“隐私计算”。

隐私计算，也是前几年的创业热潮。刚需性毋庸置疑，但在从概念验证走向商业落地过程中，存在的瓶颈也是显而易见：技术路线差异大、派系众多、理论复杂晦涩。比如在技术体系方面，就有：

姚期智教授在1982年提出的“多方安全计算”；可追溯到1996年的、谷歌也在大力使用的“联邦学习”；Intel等芯片公司推动的由软硬件方法构建安全区域的“可信执行环境”；以及包括差分隐私、图联邦等在内的其他技术等。

而所有的技术路线，也都有一些共性瓶颈。专注于隐私计算领域的上海富数科技，在和远川科技的产业交流中强调，本身用来解决安全合规问题的隐私计算，却也存在多个“安全黑盒”：

算法协议存在“安全黑盒”。虽然隐私计算的理论基础是公开、被广泛认可的学术研究成果，但在实际应用中，为了满足商业环境需求，也会自行改造算法协议，而这部分修改对客户是不透明的，也缺少严谨性，但却存在安全基础坍塌的风险。

这就有点类似于祖传秘方，也许好用，但也不知道为什么，总还是有点担忧。

算法代码存在“安全黑盒”。算法代码容易被恶意修改，无法与算法协议保持一致性，从而也破坏了算法原本的安全性和正确性。

数据交互存在“安全黑盒”。原始数据一般会先经过本地计算和加密处理，产生中间数据，然后再用中间数据和合作方进行交互。但，中间数据的准确性无法验证。这不禁令人想到一幕幕鬼才的翻译桥段，中间人如果不靠谱，做啥都是干瞪眼。

应用流程存在“安全黑盒”。单个算法可能满足安全要求，但是多个算法流程的组合，是否安全，就存在不确定性。这也好理解，概率论告诉过我们，多个非100%的准确率叠加后，同时都正确的概率就会大幅降低；而且，组合也会提高复杂度。

隐私计算的审计监管存在“安全黑盒”。隐私计算产品中的算法、数据安全性和一致性难以验证评估，因此审计监管只能依赖人工审查和理论证明。而如果采用“自证清白”的方式，不仅流程繁复、效率低下，而且静态的验证也难以检测真实应用情况。

困难重重。但解决方案也在推进，比如通过数据洞察、通信透析、日志开箱、代码审计、全链路可视化等方式，可以有效缓解黑盒瓶颈。

隐私计算的应用，会逐步打破数据孤岛，将数据资产连接起来，实现真正的数字社会；但隐私计算的发展，也并不是安全公司一家的事儿，对算力、通信网络传输性能都提出了巨大需求和挑战。

每个时代，都有其对应的核心资产要素。

农业经济时代，农业技术是第一生产力，土地、劳动力、农耕工具是核心生产要素；工业经济时代，蒸汽、电力技术是第一生产力，能源、设备、资本，也成为核心要素。

而在当下数字经济时代，数字技术成为第一生产力，数据资产，也已经和土地、劳动力、资本、技术等并列成为生产要素。

数据不仅只有个人数据，企业数据、公共数据，都是可以挖掘的资产。数据资产的时代趋势是清晰，但路径却充满挑战：搜集、确权、加工、分析、定价、使用、监管，多个环节、多种困难。正视困难，是成功的开始。而时代机遇，也恰恰存在于解决时代难题的过程中。

免责声明：本公众号所发布的文章为本公众号原创，或者是在网络搜索到的优秀文章进行的编辑整理，文章版权归原作者所有，仅供读者朋友们学习、参考。对于分享的非原创文章，有些因为无法找到真正来源，如果标错来源或者对于文章中所使用的图片、链接等所包含但不限于软件、资料等，如有侵权，请直接联系后台，说明具体的文章，后台会尽快删除。给您带来的不便，深表歉意。