آیا داده‌ها می‌توانند به ارزشمندترین دارایی شما تبدیل شوند؟

در جهان دیجیتال امروز، ارزش دارایی‌های داده‌ای روز به روز در حال افزایش است و داده‌ها به موتوری تبدیل شده‌اند که ارزش کل و رشد سازمان‌های مدرن را به پیش می‌برند. بنابراین، ایجاد چارچوبی که به سازمان‌ در کشف و دستیابی به ظرفیت داده‌های خود کمک کند، برای افزایش ارزش ارائه شده به سهامداران ضروری است و موجب بهینه‌سازی موفقیت آینده سازمان شما خواهد شد.

با این حال، بسیاری از شرکت‌ها درکی از ارزش دارایی‌های داده‌ای موجود خود و همچنین اهرم‌های اساسی که می‌تواند ارزش داده‌ها را افزایش دهد، ندارند. این مساله می‌تواند باعث عقب ماندن سازمان در میدان رقابت شود و در تولید ارزش از این داده‌ها برای سهامداران ناکام بماند.

برای به دست آوردن و بهره‌مند شدن از ارزش داده‌ها در طول زمان، سازمان‌ها باید ابتدا به دنبال شفافیت در نحوه ارزش‌گذاری داده‌ها به عنوان یک دارایی باشند و سپس با یک راهبرد جامع، ارزش داده‌های خود را افزایش دهند.

ارزش گذاری داده: ایجاد چارچوب جامع

همانطور که در نمودار زیر نشان داده شده است، ارزش‌گذاری داده‌ها مانند ارزش‌گذاری دارایی‌های دیگر شرکت، یک فرآیند چند مرحله‌ای است.

پاسخ به سوالات زیر می‌تواند راهنمای شما برای درک این فرآیند باشد:

• دارایی‌های داده‌ای ما در حال حاضر از چه نوع هستند و چگونه از آن‌ها استفاده می‌کنیم؟

• آیا دارایی‌های داده‌ای ما راه‌های جایگزینی برای رشد کسب‌وکارمان ارائه می‌دهند؟

• چگونه دارایی‌های داده‌ای ما می‌توانند به ما در افزایش حاشیه سود کمک کنند؟

• چگونه دارایی‌های داده‌ای ما می‌توانند به ما در مقابله با خطرات فعلی و آتی کمک کنند؟

پس از شناسایی دارایی‌های داده‌ای موجود خود، مرحله بعدی توضیح موارد کاربرد فعلی آن‌ها و بررسی کاربردهای جایگزینی است که می‌تواند به رشد و توسعه کسب‌وکار شما کمک کند.

ارزیابی موارد کاربرد از زاویه ارزش‌گذاری:  رشد، بازده و ریسک

مانند دیگر دارایی‌های شرکت، برای درک ارزش دارایی‌های داده‌ای خود، یک سازمان باید درک کند که داده‌ها چگونه بر روند رشد، بازده و ریسک شرکت تأثیر می‌گذارد.

رشد

• داستان رشد فعلی شرکت‌ چیست؟
• آیا داده‌های شما برای تولید درآمد استفاده می‌شوند؟
• موارد استفاده جایگزین بالقوه برای داده‌ها چیست؟
• آیا هم‌افزایی با سایر دارایی‌ها درون سازمان وجود دارد؟

بازده

• هزینه نگه‌داری/حفظ داده‌ها چقدر است؟
• هزینه‌های سازمانی و سیستمی مرتبط با داده‌ها چیست؟
• درآمد بالقوه بدست آمده از داده‌ها چقدر می‌شود؟
• آیا درآمد تجاری شخص ثالث با داده‌ها مرتبط است؟
• آیا استفاده داخلی از داده‌ها بازدهی ایجاد می‌کند؟

ریسک

• تأثیرات حریم خصوصی و امنیت داده‌ها بر سازمان چیست (مانند تولید داده‌ها، ذخیره‌سازی، دسترسی و انتشار)؟
• آیا خطرات مرتبط با انواع خاصی از داده‌ها بیشتر از بازدهی آن است؟
• آیا می‌توان از داده‌ها برای کاهش خطرات سازمان با ارائه بینش‌های پیشگیرانه یا ایجاد “ارزش دفاعی” استفاده کرد؟
• آیا می‌توان ادراکات بازار در مورد سازمان، از جمله داده‌ها را نگهداری و حفظ کرد؟

شناسایی دارایی‌های داده فعلی و ویژگی‌های آن‌ها

غالباً اولین گام در هر فرآیندی، درک نقطه شروع و وضعیت فعلی است. برای ارزیابی داده، این گام اول شامل تکمیل فهرستی از دارایی‌های فعلی داده‌ای و تعیین نحوه استفاده فعلی سازمان از داده‌هایش است – اگر اصلاً استفاده می‌شود.

در بسیاری از موارد، متوجه می‌شویم که سازمان‌ها در تلاش برای بهره‌برداری موثر از داده‌های خود محدود می‌شوند؛ زیرا نمی‌دانند که تمام داده‌هایشان کجا قرار دارد. رمزگشایی و استخراج مفاهیم از دل داده‌ها ممکن است به بروزرسانی و حفظ هر فهرستی از موجودی داده‌های شرکت نیاز داشته باشد.

 پس از شناسایی داده‌ها، مدیریت باید ویژگی‌های کلیدی آن‌ها را بررسی و دسته‌بندی کند. درک ویژگی‌های کلیدی می‌تواند در توسعه هر گونه کاربرد برای به حداکثر رساندن تأثیر داده بر رشد، سودآوری و ریسک سازمان‌ها مفید باشد.

نمونه‌هایی از اینکه داده‌ها چگونه متفاوت هستند – و چرا این مسئله برای ارزش‌گذاری داده مهم است:

• داده ممکن است بدون از دست دادن ارزش، قابل به اشتراک‌گذاری باشد.
• ارزش داده حسب کاربرد و ویزگی های آن تغییر می‌کند.
• داده منقضی می‌شود، اما نیست و نابود نه.
• اگرچه ارزش داده هنگام ترکیب با داده‌های دیگر افزایش می‌یابد، اما این “بیشتر” لزوماً به معنای “بهتر” نیست.
• داده ممکن است چالش‌های امنیتی منحصر به فردی ایجاد کند.

حالا که با اصول اولیه آشنا شدید، بد نیست برای درک وضعیت داده‌ای سازمانتان، پارامترهای زیر را بررسی کنید. ویژگی‌هایی که ممکن است برای ارزیابی داده استفاده شود عبارتند از: کیفیت داده: مرتبط بودن، تازگی، دقت و نوع قابلیت هدفگیری/عمق/انتخاب پذیری: برای بخش‌های خاص داده منبع: حاکمیت، روش جمع‌آوری، پیامدهای حریم خصوصی جهان/سطح: پوشش مخاطب، داده‌های ارجاعی و توضیحی مورد استفاده/بازگشت سرمایه: کاربردهای اساسی تقاضای بازار: بازار و میل به پرداخت منحصر به فردی و اختصاصی بودن: دسترسی به داده‌های مشابه

روشهای ارزیابی

داده‌ها مشابه سایر دارایی‌های نامشهود هستند. در حالی که ویژگی‌های هر مجموعه داده ممکن است منحصر به فرد باشد، روش‌های سنتی ارزیابی که شامل عناصر رشد، سودآوری و ریسک می‌شوند، می‌توانند همراه با درک قوی از ویژگی‌های داده‌، برای ارزش‌گذاری داده‌ها استفاده شوند. این روش‌ها شامل موارد زیر هستند:

روش بازار:

امروزه، شرکت‌ها از تحلیل‌های پیشرفته برای درک بهتر داده‌های خود استفاده می‌کنند و همزمان به دنبال راه‌هایی هستند تا مجوز استفاده از آنها را به اشخاص ثالث اعطا کنند. علاوه بر این، تبادلات داده‌ای در اکوسیستم‌های مختلف در حال توسعه هستند تا شرکت‌کنندگان بازار بتوانند دارایی‌های داده‌ای خود را جمع‌آوری و معامله کنند و شرکت‌های فعال بتوانند از طریق مبادله داده‌ها ارزش بیشتری برای کسب‌و‌کارهای خود ایجاد کنند. درحالی که شرکت‌ها به استخراج داده‌های خود ادامه می‌دهند و مدل‌هایی برای انجام معاملات در این دسته از دارایی‌ها توسعه می‌دهند، این معاملات می‌توانند برای استخراج نشانه‌هایی از ارزش بازار به کار گرفته شوند. به مانند سایر دارایی‌ها، چالش‌های مقایسه ارزش داده‌ها نیز همچنان وجود خواهند داشت؛ اما برخی کارشناسان معتقدند همانطور که بازارها به بلوغ می‌رسند و شرکت‌ها راه‌های بیشتری برای انجام معاملات شناسایی می‌کنند، معاملات داده به طور معمول برای ارزش‌گذاری دارایی‌های داده‌ای استفاده خواهند شد.

روش درآمدهای مازاد چند دوره‌ای (MPEEM)

روش درآمدهای مازاد چند دوره‌ای (Multi-period excess earnings method)، یکی از روشهای مبتنی بر درآمد است که منافع اقتصادی را با محاسبه جریان نقدی نسبت داده شده به یک دارایی پس از کسر “هزینه‌های دارایی مشارکتی” (contributory asset charges) یا (CAC)، که عائدی مناسبی برای دارایی‌های مشارکتی به کار رفته توسط کسب‌وکار در تولید درآمد و سود دارایی داده‌ها هستند، اندازه‌گیری می‌کند.

روش «با» و «بدون»

این روش، روشی برای تخمین ارزش دارایی‌های داده است که با اندازه‌گیری تأثیر آن‌ها بر جریان‌های نقدی در صورت نیاز به جایگزینی داده‌ها (با فرض اینکه سایر دارایی‌های لازم برای اداره کسب‌وکار در جای خود قرار دارند و همان ظرفیت تولیدی را دارند) انجام می‌شود. درآمدهای پیش‌بینی شده، هزینه‌های عملیاتی و جریان‌های نقدی در سناریوهای “با” و “بدون” داده‌ها محاسبه می‌شوند و تفاوت بین جریان‌های نقدی در این دو سناریو برای تخمین ارزش داده‌ها استفاده می‌شود.

روش رهایی از حق‌امتیاز

این روش بر این فرض بنا شده است که اگر شرکت دارایی داده‌ای نداشته باشد، ممکن است برای استفاده از همان داده، به دریافت حق اشتراک از یک طرف سوم که دارایی داده‌ای مذکور را در اختیار دارد، نیاز پیدا کند.  در این روش، شرکت مقدار مشخصی از سود خود را به دریافت امتیاز (لیسانس) داده از یک طرف سوم طی یک دوره معین، تخصیص می‌دهد.

روش هزینه

این روش از مفهوم هزینه جایگزینی به عنوان شاخصی برای ارزش استفاده می‌کند. پیش‌فرض این است که یک سرمایه‌گذار حاضر نیست بیش از هزینه‌ای که برای بازسازی یا خرید مجدد یک دارایی با عملکرد مشابه لازم است، پولی پرداخت کند؛ علاوه برا این، سرمایه‌گذار میزان سود/بازده مورد نیازی که برای ترغیب شخص ثالث به جایگزینی دارایی لازم است، درنظر خواهد گرفت.

شناسایی کاربردهای کنونی و جایگزین‌های آتی

فرآیند ارزش‌گذاری داده‌ها می‌تواند به ایجاد کاربردهای جدیدی، از ایده‌های تجاری نوین  تا استفاده‌های جایگزین و دفاعی از داده‌ها، بینجامد. رویکردهای ارزش‌گذاری در هر مورد توسط کاربردهای موجود و بالقوه داده‌ها تعیین خواهد شد.

کیس کاربردی ۱: داخلی

استفاده موثر از داده‌ها به کسب‌وکارها این امکان را می‌دهد تا از رقبای خود پیشی بگیرند و با کسب این مزیت که اولین استفاده‌کنندگان از فرصت‌های جدید باشند، به عنوان پیشگامان و نوآوران در اکوسیستم‌های مختلف شناخته شوند.

مثال:

یک شرکت بیمه عمر به طور هفتگی داده‌های خود درباره ادعای مرگ‌و‌میر را تحلیل می‌کند و این اطلاعات را برای استفاده داخلی توسط شرکت مرتبط دیگری، که در زمینه‌ی مدیریت دارایی‌ها فعالیت می‌کند، آماده می‌سازد. سپس این شرکت با استفاده از داده‌ها در یک الگوریتم فروش و قیمت‌گذاری، به شدت سودآوری می‌کند.

روش ارزیابی ارزش:

زمانی که یک شرکت از داده‌های خود برای ایجاد اختلال در بازار و کسب مزیت به عنوان نخستین ورودکننده به بازار استفاده می‌کند، می‌تواند از روش “ارزیابی ارزش با و بدون” برای سنجش تأثیر داده‌ها بر ارزش کسب‌وکار استفاده کند. هرچند این روش نیازمند درجه بالایی از احتیاط است، می‌تواند رویکرد خوبی برای چارچوب‌بندی محدوده بالقوه ارزش‌های دارایی داده باشد.  همانند بیشتر روش‌های ارزیابی ارزش داده‌ها، فرآیند توسعه فرضیات پیش‌بینی و ورودی‌های ارزیابی، اغلب درک و بینش‌های بهتری به مدیران کسب‌و‌کار می‌دهد. مدیران با بهره‌گیری از این رویکرد، مدل کسب‌و‌کار موجود را به کار می‌گیرند تا سناریوی “با” را توسعه دهند: این ارزش کسب‌وکار است که دارایی داده‌ای در آن قرار دارد و با استفاده از پیش‌بینی‌های خود به عنوان یک عامل مختل‌کننده در بازار، تعیین می‌شود.

سپس، مدیریت سناریوی “بدون” را توسعه می‌دهد: سناریوی دوم فرضی که پیش‌بینی می‌کند رقیب چگونه ممکن است در بازار به رقابت بپردازد. این پیش‌بینی فرض می‌کند که تمام دارایی‌های شرکت، یا یک رقیب مشابه، به جز دارایی داده‌ها، در جای خود قرار دارند و همچنین فرضیاتی در مورد هزینه‌های سرمایه‌ای مورد نیاز و هزینه‌های عملیاتی را مطرح می‌کند.

در نهایت، کسر کردن مقادیر در مدل “با” از آن‌هایی که در مدل فرضی “بدون” وجود دارد، یک مقدار نظری برای دارایی داده تولید می کند.

کیس کاربردی ۲: استفاده تجاری از داده‌های موجود

در بیشتر موارد استفاده تجاری، شرکتها ارزشی را از معاملات بین شرکتی (B2B) مرتبط با داده‌های جمع آوری شده‌شان دریافت می‌کنند.

مثال:

یک شرکت خرده‌فروشی داده‌های خرید مشتریان خود را تجزیه و تحلیل کرده و آماده‌سازی می‌کند. سپس این اطلاعات را به طرف‌های ثالث دیگر در ازای دریافت هزینه اشتراک ماهانه ارائه می‌دهد. این شرکت یک مورد استفاده خاص برای داده‌های جمع‌آوری شده خود دارد، با یک منبع خارجی برای تولید درآمد و سود بهره‌مند می‌شود که این منبع درآمد و سود به طور جداگانه و به روش واضح و قابل شناسایی است.

روش ارزیابی:

روش‌های رایج ارزیابی برای این دیدگاه شامل رهایی از حق‌امتیاز و روش‌های »با« و »بدون« می‌شود. استفاده از این تکنیک‌های ارزیابی آینده‌نگر به شرکت امکان می‌دهد تا به طور مستقل بر ورودی‌های مرتبط با رشد، سودآوری و ریسک تمرکز کند و تحلیل‌های حساسیت را پیرامون پیش‌بینی‌های مختلف تجاری و ورودی‌های ارزیابی ایجاد کند. به‌عنوان مثال، در مدل رهایی از حق امتیاز، شرکت می‌تواند نرخ حق امتیازی را که در صورت عدم مالکیت داده‌ها و وجود آن‌ها در اختیار یک شخص ثالث فرضی، باید به او پرداخت کند، مشخص کند.

این تحلیل شامل چندین ورودی کلیدی است که شرکت می‌تواند از آن‌ها برای توسعه تحلیل حساسیت استفاده کند تا بینش‌هایی از ارزش داده‌ها به دست آورد، از جمله:

• عمر مورد انتظار دارایی داده (که می‌تواند از طریق درک دقیق از ویژگی‌های آن به ‌آن پی برد)
• نرخ رشد درآمدی اختصاص داده شده به نرخ حق امتیاز (شامل تحلیل ویژگی‌ها)
• سودآوری مدل کسب‌‎‌ کار از داده به عنوان وابستگی کلیدی استفاده می‌کند.
• نرخ حق امتیازهای قیاس‌پذیر همراه با نرخ تنزیل، که ریسک آینده مدل کسب‌و‌کار را اندازه‌گیری می‌کند.

در این کیس کاربردی، با انعطاف‌پذیری این ورودی‌های پیش‌بینی و ارزش‌گذاری کلیدی ، شرکت ممکن است به نتایج و الگوهای ارزش زیر دست یابد:

کیس کاربردی ۳: جایگزین/خارجی

گاهی اوقات، در حالی که سازمان‌ها داده‌ها را برای یک هدف خاص جمع‌آوری می‌کنند، متوجه می‌شوند که همان مجموعه داده‌ها برای سایر کسب‌و‌کارها نیز جالب توجه است—این امر فرصتی را برای یک مدل کسب‌وکار موازی به منظور فروش آن مجموعه داده‌ها به صورت خارجی ایجاد می‌کند.

مثال:

یک شرکت که داده‌های عملکرد محصولات کشاورزی را از کشاورزان جمع‌آوری و مدیریت می‌کند، متوجه می‌شود که برخی از تولیدکنندگان تجهیزات کشاورزی و اعطاکنندگان وام، علاقه‌مند به داده‌های محصولات آن‌ها هستند تا نیازهای تجهیزات احتمالی در جغرافیای مختلف و ریسک‌های تخصیص وام به کشاورزان برای خرید تجهیزات را درک کنند.

روش ارزیابی:

شرکت با افزودن این جریانات درآمدی جدید به تحلیل، روش رهایی از حق‌امتیاز را گسترش می‌دهد. سپس مدیریت می‌تواند این جریانات درآمدی جدید را با رویکرد [که در زیر نشان داده شده است] ادغام کرده و از همان منحنی‌های عمر، نرخ حق امتیاز و نرخ تنزیل برای این درآمد ادغام شده جدید استفاده کند. به طور جایگزین، آن‌ها ممکن است پیش‌بینی مدل‌سازی رهایی از حق‌امتیاز کاملاً متفاوتی را برای این جریانات درآمدی جدید با تغییر پارامترهای عمر، حق امتیاز و نرخ تنزیل انجام دهند.

کیس کاربردی ۴: دفاعی

برخی از شرکتها حجم زیادی از داده‌ها را جمع‌آوری می‌کنند که به آن‌ها اجازه می‌دهد تا سریع‌تر از رقبا وارد بازارهای جدید شوند، یا محصولات و خدمات بهتری را در یک بازار موجود ارائه دهند—بنابراین این امکان را به آن‌ها می‌دهد تا سریع‌تر از رقبای خود گسترش یابند.

مثال:

یک شرکت دارای پایگاه داده اختصاصی شامل تاریخچه‌ای طولانی از داده‌ها برای منطقه‌ای است که در حال حاضر در آن فعالیت نمی‌کند، اما تحلیل‌های صنعتی نشان می‌دهند که گسترش به این منطقه ممکن است از نظر استراتژیک برای صنعت ارزشمند باشد.

روش ارزیابی:

برای تحلیل ارزش دفاعی، اگر شرکت قصد ورود به بازارهای جدید را نداشته باشد، می‌توان از روش هزینه‌ای برای ارزیابی داده‌ها استفاده کرد. این تحلیل به شرکت اجازه می‌دهد تا از داده‌های داخلی برای ارزش‌گذاری دارایی داده استفاده کند. با استفاده از این رویکرد، هدف شناسایی هزینه بازسازی داده‌ها با استفاده از قیمت‌گذاری فعلی است. عناصر کلیدی روش هزینه‌ای شامل موارد زیر است:

•  داده‌های حقوق و دستمزد برای کارکنان مسئول در جمع‌آوری و نگهداری داده‌ها و سیستم‌های مورد نیاز برای نگهداری (یا میزبانی) داده‌ها

•  هزینه‌های سیستم فناوری اطلاعات (IT)

•  هزینه‌های قانونی

•  سود برای بازسازی داده‌ها

•  بازگشت هزینه برای دوره‌ای که برای بازسازی دارایی داده نیاز است.

پیشرفت در فرآیند ایجاد ارزش از داده‌هایتان

درک و ارزش‌گذاری داده‌ها، کلیدی برای تعریف فرآیند افزایش ارزش سهامداران است و فرآیند ارزیابی می‌تواند چارچوبی برای رویکرد شرکت شما در خلق ارزش ارائه دهد.

برای پیشرفت در فرآیند ارزش‌گذاری داده‌های خود، این رویکرد مرحله‌ای می‌تواند به شما کمک کند تا گام‌های بعدی خود شناسایی کنید:

در کجای فرآیند ارزش‌گذاری داده‌های خود قرار داریم؟

•  موجودی داده‌های ما در حال حاضر چگونه است؟

•دیدگاه ما نسبت به ارزش داده‌های کنونی‌مان چیست؟

• در حال حاضر چگونه از داده‌ها برای ایجاد ارزش برای سازمان استفاده می‌کنیم؟

آینده مطلوب ما چیست؟

• چه عواملی می‌توانند ارزش داده‌های ما را برای سازمان افزایش دهند؟

• ویژگی‌های داده‌ای کلیدی برای بهره‌برداری از ظرفیت داده‌های ما چیست؟

• آیا موارد استفاده جایگزین می‌توانند به حداکثر رساندن داده‌ها و ارزش سهامداران کمک کنند؟

• چگونه ارزش و بازده داده‌های خود را اندازه‌گیری می‌کنیم؟

چگونه به این اهداف می‌رسیم؟

• کیس‌های کاربردی و ویژگی‌های داده‌ای که سازمان ما باید بر روی آن تمرکز کند و اندازه‌گیری کند چیست؟

• چه منابع، ابزارها و مدل‌هایی باید برای نظارت بر ایجاد ارزش در نظر گرفته شوند؟

انتظار می‌رود که با دنبال کردن گام‌های ارائه شده در این مقاله، بتوانید درکی کلی از فرآیندهای ارزشگذاری داده‌ای پیدا کنید. با این وجود، این مورد نیز به مانند دیگر فرآیندهای سازمانی، میتواند با جزییات چالش‌برانگیزی همراه باشد که برای حل آنها می‌توان از متخصصان مدیریت داده‌ کمک گرفت.