常用数据资产评估模型分析

在现有的诸多评估模型中,多层次分析模型、模糊综合评价模型以及数据资产计分卡模型是较为常见和成熟的方法,下面分别介绍这三种模型的原理、特点及应用。

多层次分析模型最早由美国运筹学家汤姆·萨蒂提出,是将复杂决策问题按层次分解的一种科学决策方法。应用于数据资产评估时,主要步骤包括:

根据评估目标和指标体系,构建层次分析结构模型,自上而下一级一级展开分解。最上层为目标层(如评估数据资产价值)、中间层为指标层(价值指标、风险指标等)、最下层为方案层(每个具体数据资产)。

在同一层次上两两比较各指标或方案的相对重要性,并用1-9及其倒数的无量纲数赋值,构建判断矩阵。

通过数学计算,得出各判断矩阵的特征值、特征向量、优先程度排序值。同时检验判断矩阵的一致性。

将各层次单排序结果按层次加权得到总排序,从而确定各个数据资产的相对重要程度和优先评级。

该模型将复杂评估问题层次化分解,符合定性分析思路,具有科学性和系统性。但矩阵计算复杂,评估过程受主观因素影响较大是其不足。

该模型借助模糊数学理论,将定性评估结果和定量数据进行综合运算,得到多维度的评价分数,并最终给出数据资产的综合评估结果。主要包括以下步骤:

根据评估需求,构建包含各项评价指标的多层次评价体系。

设置标准的评价等级,如优秀、良好、一般、较差等,并为每一指标设定对应的评价矩阵(即隶属度评分矩阵)。

通过专家评审、层次分析等方法确定各评价指标的权重系数。

针对每项指标,以隶属度表示其被判定为各评价等级的程度。对定性指标由评估者主观给出隶属度,对定量指标通过隶属度函数映射计算得到。

将各指标对应的隶属度矩阵与权重系数进行模糊运算,得到综合的隶属度矩阵,即数据资产被评定为各等级的模糊概率分布。

通过模糊数学算法,由综合隶属度矩阵确定最终的评价等级和数值分数。常用的算法有加权平均法、大小夹击法、主次候选排序法等。

该模型结合了定性专家评审和定量测度,能较好地处理复杂评价问题中的定性因素,具有评价结果直观、计算过程可跟踪等优点。但其也存在确定评价等级和隶属度评价矩阵时的主观性,以及在多指标运算时信息丢失等缺陷。

此模型借鉴了企业绩效管理中的平衡计分卡理念,从财务、客户、内部流程、学习成长等多个维度构建评估指标体系,对每一维度进行量化评分,再根据权重计算综合得分。应用于数据资产评估时,通常包括以下步骤:

评估维度一般包括数据价值、风险、成本、质量和管理等,也可根据企业特点调整。每个维度都是评估的一个关键方面。

在每个维度下,进一步细化出具体的二级甚至三级评估指标,并设定相应的度量标准。

通过专家评审或层次分析等方法,确定不同维度和指标的权重分配。权重反映了各项目的重要程度。

针对每项指标,收集对应的客观衡量数据,对部分主观指标由专家评定分数。

根据评分标准,对收集到的数据进行打分或标准化处理,并按权重公式计算得出各维度和总体评分。

将评估分值与既定目标值对比,分析差距与缺陷所在,为数据资产管理优化提供依据。

此模型可直观反映数据资产的不同价值维度,并给出直观的定量总分,但也存在主观赋分、评分标准确定等不足之处。

上述三种模型各有利弊,在应用时需要根据企业实际情况、评估目的、可用数据等因素选择合适的模型或组合运用多种模型。总的来说,企业应构建涵盖多种评估方法的评估框架体系,充分发挥不同模型的优势,最终达到全面客观的评估结果。

友情链接：