- 标签:
- 文字 (28)
- 思考 (92)
- 工具 (15)
- 开发 (6)
- 信息 (73)
- 分析 (92)
- 技术 (38)
- 网络 (7)
- 预测 (18)
- 食品 (1)
- 数据资产 (12)
- 质量评估 (43)
- 价值评估 (58)
在资产评估行业,人工智能(AI)的迅速崛起引发了从业者的焦虑与抉择:有人期待AI“一键搞定”,也有人对此心存抵触,担心被取代。本文探讨AI在资产评估中的应用边界与能力,强调AI的局限性,指出其无法替代人类在判断力、经验、责任和人际沟通方面的独特价值。AI在数据分析、模式识别和报告生成方面表现出色,但在复杂情境下的判断、道德责任和与客户的信任建立上则显得不足。因此,拒绝AI只会让我们被时代淘汰,积极利用AI赋能自身,才能在未来竞争中立于不败之地。每位评估师都应思考自身不可替代的核心价值,拥抱AI,让其成为提升自身专业能力的工具。
在技术类无形资产评估中,成本法以更新重置成本(RCN)为核心,给出价值底线。其做法是:筛选“独有必要”的有效投入,精确计量专业工时与合理分摊的间接费用,并计入合理利润以反映开发风险回报;随后评估贬值,实体性贬值通常不适用,功能性贬值侧重旧技术导致的超额运营成本折现,经济性贬值除非重大外部变化一般已反映于基准日。流程包括目的界定、数据验证、成本筛选、RCN测算与贬值校验,并将历史成本折现至基准日且剔除无效支出。关键在可靠计量、以最优技术路径定义RCN、匹配风险设定利润率,并以功能性贬值反向校验结果,确保估值体现商业效率与必要投入。
在进行数据资产评估时,需要综合考虑原始数据、数据资源和数据资产这三个层面的特点,并且根据它们的独特性采取不同的盘点和估值方法。 原始数据 - 特点:原始数据通常无序、混乱,含有重复、错误或不完整的信息。 - 盘点方法:重点在于核实数据量的准确性,以及数据完整性的基础确认。 - 估值方法:主要采用成本法,但需注意成本与价值之间的弱对应关系。 数据资源 - 特点:数据资源是经过整理、清洗、分类的有序数据,具有潜在价值。 - 盘点方法:涉及数据资源量化指标的确定和质量评估,如准确性、完整性和时效性。 - 估值方法:结合成本法、市场法和收益法,但要注意这些方法在反映数据资源价值时的局限性。 数据资产 - 特点:数据资产是数据资源与方法论的结合,已具备明确的使用场景和方向。 - 盘点方法:参考数据资源和原始数据的盘点方法,同时评估方法论的适用性和效率。 - 估值方法:建议使用收益法,重点考虑数据资产在实际应用中的收益。 在整个评估过程中,需要强调的是,数据资源与方法论的不同组合方式会产生不同的商业价值。因此,在进行数据资产的估值时,必须考虑其在特定商业环境中的实际或预期使用,以及不同业务场景下的数据资源和方法论组合。估值不仅是量化的过程,还涉及对数据如何被应用和利用的深入理解。此外,还需注意估值的非线性特性,即在不同市场环境、数据规模、方法和数据质量下,数据资产的价值会有显著差异。