[發明專利]一種數據價值評估系統及方法在審
| 申請號: | 201810834249.0 | 申請日: | 2018-07-26 |
| 公開(公告)號: | CN110766429A | 公開(公告)日: | 2020-02-07 |
| 發明(設計)人: | 李然輝;吳燕飛;阮亞芬;夏珺崢 | 申請(專利權)人: | 國信優易數據有限公司 |
| 主分類號: | G06Q30/02 | 分類號: | G06Q30/02 |
| 代理公司: | 11371 北京超凡志成知識產權代理事務所(普通合伙) | 代理人: | 吳迪 |
| 地址: | 100070 北京市豐臺*** | 國省代碼: | 北京;11 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 價值評估 數據集 重置 價值評估系統 數據獲取模塊 數據包含 準確評估 綜合考慮 申請 收益 | ||
本申請提供了一種數據價值評估系統及方法,其中,該系統包括:數據獲取模塊,用于獲取企業提供的數據包含的至少一個數據集的重置成本、以及確定該至少一個數據集的數據價值影響值;價值評估模塊,用于根據該至少一個數據集的重置成本和數據價值影響值,確定數據的價值評估值。本申請在考慮數據的重置成本的前提下,綜合考慮了數據的數據價值影響值,避免了由于數據成本與數據所能帶來的收益具有弱對應性而導致的數據價值評估不準確的問題,以實現對數據價值的準確評估。
技術領域
本申請涉及計算機應用技術領域,具體而言,涉及一種數據價值評估系統及方法。
背景技術
數據已經成為一種同貨幣或黃金一樣的新型經濟資產類別。然而,用貨幣來衡量數據的價值并不容易。如對于某些數據來說,比如征信類數據,單純論其價值,一般很難說得清楚,但是,對數據進行分析研究以后,很可能從中發掘出巨大的價值。
然而,目前對于數據的價值評估仍處于探索階段,且對數據的社會價值或者使用價值的評估,往往會參照傳統資產評估方法,如利用重置成本來衡量企業數據的價值,但由于數據成本與數據所能帶來的收益具有弱對應性,直接導致基于傳統方法進行數據價值評估的不準確。
發明內容
有鑒于此,本申請的目的在于提供一種數據價值評估系統及方法,以提高數據價值評估的準確性。
第一方面,本申請實施例提供了一種數據價值評估系統,包括:
數據獲取模塊,用于獲取企業提供的數據包含的至少一個數據集的重置成本、以及確定該至少一個數據集的數據價值影響值;
價值評估模塊,用于根據該至少一個數據集的重置成本和數據價值影響值,確定所述數據的價值評估值。
結合第一方面,本申請實施例提供了第一方面的第一種可能的實施方式,其中,所述數據獲取模塊包括重置成本獲取單元;
所述重置成本獲取單元用于:
針對所述至少一個數據集中的每個數據集,獲取生成該數據集的直接成本、間接成本以及其他成本;
基于獲取的所述直接成本、所述間接成本以及所述其他成本,確定該數據集的重置成本。
結合第一方面,本申請實施例提供了第一方面的第二種可能的實施方式,其中,所述數據價值影響值包括數據一致性影響值,所述數據獲取模塊包括數據一致性確定單元;所述數據一致性確定單元包括:
數據一致性獲取子單元,用于針對所述至少一個數據集中的每個數據集,獲取該數據集所包含的數據內容和該數據集對應的描述信息;
數據一致性確定子單元,用于確定所述數據內容與所述描述信息中對應描述的一致性程度;并基于所述一致性程度確定該數據集的數據一致性影響值,且所述一致性程度越高,該數據集的數據一致性影響值越高。
結合第一方面的第二種可能的實施方式,本申請實施例提供了第一方面的第三種可能的實施方式,其中,所述數據一致性獲取子單元,具體用于針對每個數據集,確定該數據集對應數據文件的第一數據文件大小、以及該數據集對應的描述信息中描述的該數據集對應數據文件的第二數據文件大小;和/或,該數據集的第一數據量大小、以及所述描述信息中描述的該數據集對應的第二數據量大小;和/或,該數據集所包含數據的第一數據類型、以及所述描述信息中描述的該數據集的第二數據類型;
數據一致性確定子單元,具體用于基于如下一種或多種一致性確定該數據集的數據一致性影響值:
所述第一數據文件大小和所述第二數據文件大小之間的一致性;
所述第一數據量大小和所述第二數據量大小之間的一致性;
所述第一數據類型和所述第二數據類型之間的一致性;
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于國信優易數據有限公司,未經國信優易數據有限公司許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201810834249.0/2.html,轉載請聲明來源鉆瓜專利網。
- 上一篇:一種數據價值評估系統以及方法
- 下一篇:基于機器學習算法的資源分配方法





