2026年2月，艾瑞咨询发布研究院李超署名报告《2026年中国数据交易观点报告——以买方需求重塑数据交易》

1 数据交易顺利展开遵循的基本框架

1.1 长期失效的数据交易

自2003年以来互联网产业发展的23年间，数据成为公认的新生产资料，其流通交易成为经济增长重要事项。当前我国数据交易市场虽实现形式层面落地，各类交易场所、行为逐步出现，数据也完成权属界定与资产并表，但整体仍处于名义交易阶段，未形成实质性推动产业发展的模式。

交易多停留在表层数据流转，缺乏对产业深层需求的挖掘与匹配，未构建供需双方共赢的商业逻辑，导致数据交易无法为产业发展提供实际支撑，尚未发挥数据要素核心价值，对产业发展的实质性促进作用未显现。

1.2 从交易基础到交易规则的两步走

数据交易顺利运转的核心是“基础构建”与“规则制定”两步递进，二者缺一不可，其中规则制定并非单纯的交易规则，而是让交易双方获得商业利益的底层逻辑。

第一步交易基础构建，本质解决数据“能不能交易”的问题。原始数据零散、模糊，缺乏明确权属界定和统一规范标准，无法直接流通，需完成标准化梳理，明确来源边界、使用范围，厘清权属归属，让数据具备清晰商品属性，使买卖双方明确交易标的和权利边界。

第二步交易商业规则，核心解决交易“能不能持续”的问题，关键是构建双方共赢的商业测算逻辑。交易的本质是价值交换，卖方价值体现在数据变现，买方价值体现在数据有效可用。

1.3 交易基础的核心要点

交易基础是数据能否交易的前提，其构建核心卡在数据可用性、数据确权、数据深度三大相互交织的阻碍上。

1.3.1 数据可用

数据可用的核心矛盾源于产业数字化程度差异，同时存在其他阻碍。不同产业数字化进程不同，造成数据有效利用的鸿沟：部分产业早期数字化工具缺乏统一标准，数据形成孤岛，且格式不规范，无法快速提取和关联验证；部分产业处于数字化初期，数据依赖线下记录或人工录入，存在遗漏、错误，缺乏分类编码，整理成本高，不具备即时可用属性。

数据结构化的核心是实现“定义统一、格式兼容、逻辑自洽”，若同一指标统计标准不同，即使完成结构化，数据可用性也会大打折扣，买方无法直接对接自身需求。

1.3.2 数据确权

数据确权的难度源于数据的非实体特性与复杂的权益边界，主要存在三大问题：一是多方所有困境，一笔数据可能涉及多个参与方，难以界定完整所有权，权利归属模糊则交易无法实现；二是隐私保护的天然阻力，数据多携带敏感信息，确权同时需划定隐私保护边界，落实敏感信息剥离、匿名化标准、防止数据滥用等解决方案；三是跨境场景加剧确权难度，不同国家数据主权、出境规定差异大，国内权属划分可能违反境外法规，导致跨境交易确权结果无法落地。

1.3.3 数据深度

数据深度的稀缺性直接击中交易的核心价值诉求。表面统计级数据仅停留在现象记录层面，只需统一统计口径即可标准化；而买方真正需要的是能穿透现象、触及产业本质的深层洞察，如产业波动核心变量、环节关联逻辑、潜在需求演变趋势等，这类数据无法简单收集，需对海量原始数据长期跟踪并结合产业逻辑解读。

数据深度的稀缺性源于两重困境：

一是收集难，深层数据需覆盖产业全链条多维度信息，常需跨主体、跨场景整合，协调成本极高；

二是转化难，原始数据无深度，需专业能力将其转化为有决策价值的洞察，而该能力并非所有数据持有方都具备。

框架跑通，价值欠缺

历史上多数数据交易所未形成稳定持续的交易市场，核心是未遵循两步走核心思想，脱离商业交易本质逻辑，仅沉迷数据流通概念包装，未推动数据完成从零散到可交易的基础转化，也未构建双方共赢的利益规则，导致交易市场悬浮在真实商业场景之上。

商业世界的核心是价值对等交换，数据交易是需求推动的市场，现阶段能满足需求的数据大多不可轻易获得，因此尽管数据交易框架已完善，产业发展仍有很长的路要走。

2 数据交易的商业化逻辑

数据交易的“交易基础”和“交易规则”两段结构，分别以监管机构和市场为主导，二者在实现数据交易的大前提下，反映的问题存在明显差异。

2.1 交易基础的建设集中在数据资产化阶段

交易基础涵盖的数据可用、数据确权等内容涉及法律层面明确定性，其构建多以法学研究为主，核心解决数据合法地位、可用性、权责归属等问题。

目前全球相关法学研究已明确数据独立存在的法理依据，使其可作为资产计入企业资产负债表，填补了传统核算体系空白，让数据要素经济价值具象化。但数据并表不等于公允价值得到评估，典型的卖方思维无法客观反映数据价值，其真实价值需要通过实际交易过程体现。

2.2 交易规则的商业思考

从金融与营销这两个市场交易活跃成熟的板块来看，数据交易的主体仅包含买方和卖方两部分，双方的商业诉求和行为逻辑构成了交易规则的核心。

2.2.1 卖方视角

卖方可交易的数据资产分为自有数据、外部采购数据和混合型数据三类：自有数据是卖方多年经营积累的核心资产，具备稀缺性；外部采购数据和混合型数据是数据产品输出的必要补充，也可能是通过企业或政府关系获取的稀缺数据，实质上存在特权经营属性。

目前具备数据交易能力的卖方已形成充分竞争，市场上的数据几乎不存在高溢价，卖方的竞争主要体现在技术能力和数据加工能力上。

2.2.2 买方视角

数据交易买方多与卖方存在产业链上下游关联，因自身业务需求购买数据或数据产品服务，其购买意愿的核心考量原则按本质目标可划分为三个等级，不同等级对应不同的付费意愿和逻辑。

表1 数据交易买方购买意愿核心考量原则

2.3 数据交易的商业化逻辑

2.3.1 卖方主导的数据交易

卖方主导的数据交易中，核心变量包括买方数据应用前收益、应用后收益、使用量、卖方技术水平和市场竞争程度。从直接市场定价来看，单次数据使用定价=（使用后收益-使用前收益）÷使用量，该定价与卖方技术水平、市场竞争程度成反比，即技术水平越高、竞争越充分，定价可能越低。

卖方主导的数据交易核心参与方与定价要素图

卖方主导的数据交易全商业环节分为四个核心操作流程，各流程环环相扣，共同决定交易的成败和价值分配：

1）驻场需求调研与模型开发：卖方向买方派遣人员驻场了解需求并开发模型，因买卖双方多为产业链上下游关系，对买方业务模式的理解越深，数据在其商业体系内的运转效率越高。但该模式与传统2B服务无异，对买方的数字化程度、数字化理念和高管态度要求较高，若三者较差，数据应用效果会大打折扣。

2）数据注入与A/B测试：模型构筑完成后，卖方向模型注入数据，买方以部分业务为试验田开展A/B测试，这是数据定价和有效性验证的核心环节。主要评估数据使用的最终效果，常规参考通过率、购买率等指标，长周期业务还会监测风险数据、复购率等。

3）收益测算与用量评估：计算A/B两组的收益差，根据差额对最终利润的影响确定单次数据使用价值，并评估未来全年使用量。利润差值是交易的总成果和数据价值的终极体现，价值与价格的区分在于双方基于总成本的分润谈判。目前卖方分润比例极低，原因一是数据仅为业务辅助，无法主导价值产出；二是数据供应商竞争激烈，且卖方为实现数据变现，即便折价交易也愿意接受，而技术能力跃升是卖方压缩报价、打开销路的核心手段。

4）交易完成与售后维护：完成交易后，卖方需根据模型更迭或买方业务模式优化，对初始模型进行调整，这也是对卖方技术迭代能力的检验，售后维护是交易持续的重要保障。

2.3.2 信贷与营销领域的典型应用

金融信贷（尤其是网络信贷）和营销领域是数据交易应用最成熟的板块，二者均遵循卖方主导的交易逻辑，但在交易主体、测试指标和定价方式上存在差异。

金融信贷领域：数据卖方为掌握多平台用户信贷风险数据的平台，买方为银行、消费金融公司、助贷平台等信贷产业参与方，买卖双方多为同行。交易流程为达成意向后卖方可驻场开发模型，开展A/B测试，核心测试指标为使用外部数据风控后的信贷总额逾期率与平台平均逾期率的差值，逾期率下降直接对应买方利润上升，该部分利润为双方分润的总池子。行业原则分润比为卖方:买方=3:7或4:6，但因市场竞争白热化，目前多采用固定定价，一次数据调用约0.07元；央行征信系统作为核心数据源，数据调用定价为1元，远高于金融科技公司。

营销领域：数据卖方为掌握网民基础画像和消费数据的平台，买方为各类广告主。模型构建多依托广告主已有系统，买方仅关注模型计算的触达效果，A/B测试核心参考销售成功率，通过使用前后的成功率之差确定数据交易带来的市场规模扩大幅度，并以此作为利润分配依据，交易逻辑较信贷领域更简单。

2.3.3 信贷与营销数据交易成功的原因

金融和营销领域能成为数据交易的标杆，核心源于三大优势，也是其他产业数据交易落地可参考的关键要素：

1）数字化基础完善，两个领域数字化水平处于全行业最高水平，数据标准化、结构化程度高；

2）业务模式固定，同业间数据应用逻辑高度相似，产业链上下游熟悉程度高，交易落地效率高；

3）应用历史悠久，企业内部形成数据应用共识，实操细则约定俗成，行政风险较小。

3 实战型数据交易会反向推动产业数字化

中国经济体制遵循市场经济和万物基础设施化经济两条暗线，创新性、试点性产业先在市场经济中试错，当其影响力足以影响居民生活时，启动基础设施化改造。

在此背景下，数据交易暂无放之四海而皆准的万能模式，推广面临多重阻碍。

短期内，买方需求主导的定制化数据交易是数据交易从概念走向落地的核心支撑，该模式与SaaS产业逻辑相似，均需摒弃通用化产品思维，以买方实际业务场景为导向：SaaS通过适配企业流程提供定制化功能，数据交易则按买方业务逻辑打磨数据产品，二者均以买方实际收益为核心衡量标准。

若买方需求主导的定制化数据交易成为主流并实现规模化复制，将反向驱动各行业数字化基础实现系统性升级。核心逻辑在于，数据交易的顺畅落地依赖标准化、高质量、可互通的数据供给，而当前各行业数字化基础的碎片化、非标准化问题，是该模式规模化复制的主要阻碍，数据交易的需求将倒逼产业解决这些问题。

数据交易语境下的数字化建设，与传统数字化语境存在本质差异：前者以最终需求为出发点，是企业了解目标客户业务流真实需求后，在自身业务环节开展的反向数字化改造；后者多由云服务厂商销售产品主导，存在与行业真实需求脱节的问题。尽管需求牵引的数字化改造周期长、存在市场不确定性，但更符合行业发展的真实需求。

理想化的数据交易产业发展仍任重道远，产业发展不仅需要紧盯自身问题，还需深入挖掘跨行业的关联价值，解决自身问题的钥匙可能存在于跨行业环节中，这也是未来将出现更多数据交易试点的核心初衷。

来源：艾瑞咨询