💻 computer science

Data valuation model for non-monetary exchanges

本文提出了一种针对非货币性公司内部交换的规范性、基于选择的数据估值模型，该模型通过用户选择行为来量化价值，并将其形式化为一个带有夏普里值（Shapley value）的合作博弈，以确保数据产品价值的分配具有公平性并能奖励独特性。

原作者： Julia Blyumen, Eitan Farchi

发布于 2026-06-05

📖 1 分钟阅读☕ 轻松阅读

原作者： Julia Blyumen, Eitan Farchi

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

问题所在：如何为“幽灵”定价？

想象一个你可以无限复制一首歌、一个食谱或一段软件，而它永远不会被用完的世界。在现实世界中，如果你卖出一把椅子，你就少了一把椅子可以卖。但在数据领域，一旦你制作了数据，你可以把它给一百万人，而你手里仍然保留着原始版本。

因为数据的复制成本极低，传统的定价方式（比如“制作成本是多少？”或“人们愿意支付多少钱？”）便失效了。这就像是在沙漠里试图为水定价，而你身边就有无穷无尽的水源。

此外，许多公司并不出售数据，而是内部免费共享。这里没有金钱交易。那么，如何在不使用美元符号的情况下，告诉一位数据创造者：“做得好，你的产品很有价值！”呢？

失败的旧方法

论文指出，公司尝试衡量价值的两种常见方式及其缺陷：

“人气竞赛”（下载量/浏览量）：
- 核心思想： “如果 1,000 人下载了这个产品，那它一定很棒。”
- 缺陷： 这只会奖励“超级巨星”。它忽略了“长尾效应”——即那些只有少数人需要、但对这些人至关重要的独特、分众化工具。这就像是说一部拥有 1,000 万观众的电影比一部只有 10 万观众的优秀纪录片价值高 100 倍。这也鼓励人们制作“模仿类”产品以获取更多点击量，而不是创作真正新颖的东西。
“捆绑销售”（自助餐模式）：
- 核心思想： “让我们把 50 个数据产品打包在一起，统一售价。”
- 缺陷： 这掩盖了单个产品的价值。如果你买了一个包含 1 个极佳工具和 49 个垃圾工具的礼包，那个极佳工具的创造者获得的认可与垃圾工具的创造者是一样的。这会扼杀制作高质量、独特产品的动力，因为一切都被混为一谈了。

新的解决方案：“注意力得分”

作者提出了一种完全基于选择的新方法来衡量价值。他们问道：用户为了选择这个特定的数据产品，必须放弃多少东西？

把用户的注意力想象成口袋里有限的资金。他们不能买下所有东西。

如果用户只购买了产品 A，他们是在说：“我太爱这个了，以至于我没买别的。”这是一个巨大的信任票。
如果用户同时购买了产品 A、B、C 和 D，他们是在说：“我喜欢这些，但它们都没特别到让我放弃其他产品的程度。”

公式（简化版）：
一个产品的价值是通过累加每个选择了它的用户的得分来计算的。但这里的转折在于：用户选择的东西越多，他们给你的产品的分数就越少。

场景 A： 用户只选择了你的产品。你得到 1 个全分。
场景 B： 用户选择了你的产品以及其他 9 个产品。你得到 0.1 分（1 除以 10）。

这意味着，一个被一小群专门需求该产品的人所选择的产品，其得分可能实际上高于一个被大众人群选择、但同时也抓取了 50 个其他产品的产品。

“公平”引擎：夏普值 (Shapley Value)

论文使用了一个高级数学概念——夏普值（来自博弈论）来证明这一系统的公平性。

想象一群朋友正在分吃一个披萨。夏普值是一条规则，它规定：“你只能根据你实际参与创造的那块披萨来获得报酬，并且根据有多少人在和你一起吃，这份报酬会被公平地分配。”

在这个数据模型中：

玩家： 数据产品。
团队： 用户。
规则： 每个用户贡献 1 个单位的“价值”。如果一个用户选择了 5 个产品，这 1 个单位的价值就会被平分为 5 份。如果他们只选择 1 个产品，他们就把整个单位都给那个产品。

这确保了独特性得到奖励。如果你制作了一个针对特定需求且独一无二的产品，你会获得高分。如果你制作的东西只是另一个东西的副本，你的得分就会下降，因为用户会在两者之间分配注意力。

这对创造者意味着什么

论文认为，这个系统创造了一个健康的生态系统：

它阻止了“随大流”陷阱： 如果你制作了一个现有流行工具的副本，你不会像原创者那样获得那么多认可，因为用户会将注意力分散开。
它拯救了“长尾”： 那些只有 50 个人需要、但对他们来说迫切需要的利基工具，会因为这 50 个人不太可能被其他 50 个选项分散注意力，从而获得很高的价值。
它衡量“总数据价值”： 当你拥有更多独特的产品和更多的人在使用它们时，公司的总数据价值就会增长。这就像一个花园：你种下的独特花朵越多，蜜蜂造访的次数越多，花园就会变得越美丽。

总结

这篇论文表明，在一个数据可以免费复制的世界里，注意力就是货币。通过衡量人们选择一个产品的选择性程度，我们可以无需金钱、价格或销售额，就能公平地衡量数据的价值。它奖励了那些创造出真正独特且必要之物的创作者，而不是仅仅追求流行或重复的创作者。

技术摘要：非货币交换中的数据价值评估模型

1. 问题陈述

本文探讨了在缺乏传统货币定价机制的内部公司交换平台中，评估数据产品价值这一关键挑战。现有的评估方法在此背景下面临三个主要局限性：

数据的非竞争性（Non-Rivalrous Nature）： 与实物商品不同，数据可以以接近零的边际成本被重复消费。这种供应的“完全弹性”使得传统的供需平衡模型在定价时失效。
捆绑销售（Bundling）的局限性： 虽然捆绑是数字商品定价的一种常用策略，但它掩盖了单个产品的价值，导致难以将收入或价值公平地归属于特定的生产者。这种透明度的缺失会抑制创新和差异化。
流行度指标（Popularity-Based Metrics）的缺陷： 依赖聚合访问计数（如浏览量、下载量）无法区分高价值的独特产品与低价值的重复产品。此外，流行度指标过度向“头部产品”（big-head products）倾斜，未能激励“长尾产品”（long-tail products）的创造，而这些长尾产品集合起来构成了显著的经济价值总量。

作者认为，在非货币环境中，估值必须脱离成本、竞争定价和投资回报率（ROI），转而依赖于一种仅由用户选择行为衍生的规范性指标。

2. 方法论

所提出的解决方案是一种基于规范的选择度量模型，它通过消费者注意力的辨别性（discriminative nature）来量化数据产品的价值。

2.1 核心概念：注意力即价值

该模型假定消费者注意力是一种有限的资源。一个产品的价值与其被消费者与其他产品同时选择的数量成反比。

辨别性选择（Discriminative Choice）： 如果消费者在众多可用产品中仅选择了一个，则该产品获得较高的价值得分。
无差异选择（Indifferent Choice）： 如果消费者选择了所有可用产品，则任何单个产品贡献的边际价值会被稀释。

2.2 数学公式

系统由 $n$ 个产品 $O$ 和 $m$ 个消费者 $C$ 定义。订阅关系 $sb: C \to \mathcal{P}(O)$ 将每个消费者映射到他们订阅的产品集合。

产品 $o_i$ 的价值得分 $v(o_i)$ 定义为所有选择了该产品的消费者所订阅集合大小的倒数之和：

$v(o_i) = \sum_{o_i \in sb(c_j)} \frac{1}{|sb(c_j)|}$

其中：

$sb(c_j)$ 是消费者 $c_j$ 订阅的产品集合。
$|sb(c_j)|$ 是该集合中的产品数量。

2.3 合作博弈论基础

作者证明了该指标在形式上等同于合作博弈中的夏普值（Shapley value）。

参与者（Players）： 数据产品（ $o_i$ ）被视为参与者。
联盟（Coalitions）： 消费者（ $c_j$ ）代表联盟。
价值函数（Value Function）： 每个消费者贡献一个单位的价值，并将其平均分配给他们订阅的所有产品。
解释： 这种公式化方法提供了一种基于原则的公平分配价值的方法，确保产品的得分反映了其对集体效用的边际贡献。

3. 主要贡献

一种规范性估值指标： 引入了一个无需外部市场数据、成本结构或实验性偏好获取即可计算数据产品价值的公式。
理论基础： 将数据估值形式化为具有闭式夏普值的合作博弈，确保该指标符合公平性和效率性的公理。
激励一致性： 该模型旨在纠正流行度指标的偏差，通过奖励独特性和辨别性消费来提供激励。
总数据产品价值（GDaP）： 定义了一个系统级指标（ $V = \sum v(o)$ ），用于追踪数据生态系统的总价值，展示其如何响应生产量和消费频率的变化。

4. 结果与观察

通过理论分析和说明性示例，本文展示了该指标的以下行为特征：

激励长尾产品： 与那些虽然流行但被无差别选择的“头部产品”相比，该指标成功地为被特定用户群体唯一选择的“长尾”产品分配了更高的相对价值。
遏制重复： 模型惩罚冗余。如果消费者订阅了多个相同或高度重叠的产品，每个产品的价值得分都会被稀释。相反，捕捉到排他性注意力的独特产品会获得更高的得分。
生产者策略行为： 该指标激励生产者去创造满足未竟需求或提供独特价值主张的产品，而非仅仅增加产量或模仿热门产品。
增长动态：
- 总数据产品价值（ $V$ ）随产品数量和消费频率的增加而增加。
- 本文指出，在成熟市场中，由于消费者注意力和组织能力的饱和，系统将自然呈现对数增长，从而将重心从扩张转向优化。

5. 意义与主张

本文声称，该指标为内部非货币交换中的数据产品价值衡量提供了一个基于原则且公平的框架。其主要意义在于：

将估值与定价解耦： 它使组织能够进行基于洞察的决策，从而在缺乏成本或竞争定价数据的情况下，对数据产品进行投资决策。
公平归因： 通过利用夏普值，它提供了一种数学严谨的方法，根据生产者对消费者效用的实际贡献而非任意的流行度计数来归属价值。
生态系统健康： 它通过验证利基型（“长尾”）数据产品的经济重要性，促进了多样化的数据生态系统，确保组织的整个数据资产总价值不会被低估。

作者总结道，虽然目前的模型侧重于个体估值，但未来的工作应探索捆绑策略以及产品互补性（例如，基础产品与互补产品如何相互作用以倍增价值）的量化，并利用相同的博弈论框架进行研究。