数据价值体系推动财务数字化转型

陈 虎（博士），郭 奕

DT（Data Technology，数据技术）时代发展日新月异，新技术和应用层出不穷，随着以“大智移云物”为代表的新兴技术的快速发展，企业产生并积累了种类繁多、体量庞大的数据。激发数据创新驱动潜能，为企业经营决策提供有价值的信息，实现数字化转型升级，是DT时代企业面对竞争激烈的市场环境，塑造高质量发展新动能的必然选择。如何才能发掘数据中的价值？企业需要构建一套完整的数据价值体系和支撑数据价值体系稳定运行的保障和基础设施，以帮助企业真正将数据用起来，实现财务数字化转型。

一、数据价值体系的内容

数据价值体系是指财务将数据转化为价值的方法与路径，由数据治理体系、数据价值链和决策场景三个部分构成（如图1所示）。其中，数据治理体系是数据发挥价值的基础，数据价值链是数据发挥价值的途径，决策场景是数据发挥价值的场景，三者是构成数据价值体系的关键。数据治理体系围绕企业中的数据展开，依靠持续的数据治理提升数据质量，通过数据价值链沉淀数据价值，形成数据服务和数据产品，为各类业务场景提供决策支撑，最终实现整体战略决策目标。

图1 数据价值体系

（一）数据治理体系

数据治理是对数据本身的管理，促进对数据质量的持续提升，可靠的数据对数据价值的利用有决定性影响。技术的迅速进步和信息化的普及使企业汇集了海量数据，然而信息化建设不完善或缺乏统一规划，以及制度、标准、技术等方面的欠缺都可能导致企业数据存在诸多问题，无法通过数据的分析应用有效指导业务实践，阻碍数据价值的发挥。

1.财务常见的数据问题。财务作为企业数据的采集者和使用者，在日常工作中常面对很多数据问题。

第一，数据孤岛问题。企业信息化建设通常是陆续开展的，即根据业务的发展变化和需求单独部署各种业务系统及财务信息系统，由于缺乏整体规划，未充分考虑系统间的集成关系并建立数据共享制度和共享标准，使得数据被封装在各自的系统中。封闭异构的系统成为阻碍数据流通的壁垒，业财数据难以汇聚连通，导致“数据孤岛”。数据的共享和复用严重受限，实现基于数据分析的决策支撑更是成为空谈。

第二，数据标准问题。数据标准是数据命名、定义、结构和取值的规则[1]。由于缺乏全面规范的数据标准，业财系统中数据的命名、编码存在差异，不同的管理需求和视角也造成业财数据指标选择、指标定义、统计口径和记录规范的不同，企业整体数据标准不统一，导致数据跨部门的共享和复用难以实现。业财人员基于各自的数据标准记录并应用数据，无法高效“用数据对话”，信息交互困难，财务人员难以深入业务价值链赋能业务管理，也就难以发挥业务支持职能。

第三，数据质量问题。高质量的数据是一切数据应用的前提，数据质量决定了数据分析的有效性。在财务领域，数据的准确性、时效性、一致性以及完整性等数据质量维度常因不能满足数据应用的要求和标准，而影响财务工作的推进效率和质量。数据的准确性是保障数据质量的基础，影响数据准确性的环节很多，例如，数据采集阶段的数据是否真实可靠直接决定了数据的准确性。数据的时效性是企业在瞬息万变的商业环境中抢占先机的关键，然而数据自动化采集与实时传输技术部署不充分、部分数据依赖线下手工填报等都会造成数据时效性不足，致使财务无法及时整合分析数据、提供数据服务，并在有限的时间内发挥数据的最大效用。数据不一致包括数据命名不一致、数据编码不一致、统计口径不一致等，财务部门聚集了大量跨域、跨部门的数据，数据不一致会造成财务部门与其他部门的沟通受阻。此外，数据完整性不足、存在大量重复记录等数据质量问题都增加了数据使用和分析的难度，严重阻碍了数据价值开发的进程。

第四，主数据管理问题。主数据是描述企业核心业务的实体，包括客户、供应商、科目、产品、组织等维度，在企业各个部门、组织之间被广泛共享和复用，是企业实施信息化战略与管理的必要前提[2]。企业在逐步推进信息化建设、分别部署各个业务及财务信息系统的过程中，缺乏统一的主数据标准，系统间主数据相互独立，导致主数据不规范、录入不完整、不及时或重复录入，极大地限制了财务业务处理效率和数据处理及分析工作的有效性。例如，在采购及销售业务处理中，财务系统需对接业务系统完成供应商付款以及客户收款，但若供应商名称以及客户名称等主数据在不同系统间未规范统一，则财务人员无法高效提取应收应付信息以快速处理业务。

第五，数据安全问题。随着企业数据开放和共享程度的深化，数据安全问题愈显重要，安全是价值实现的前提。从数据生命周期的角度来看，企业数据在采集、传输、存储、处理、交换和删除等各个环节都面临不同程度的安全隐患，来自外部的攻击、内部人员利用机密数据非法牟利、数据意外丢失等安全风险不可忽视[3]，一旦防御失当，很可能影响企业正常的经营运转，致使企业遭受重大损失或陷入危机。

上述问题严重制约了企业数据驱动的价值创造。数据治理的目标是保障数据资产的质量，建立统一、可执行的数据标准，确保数据的安全，实现数据资源在企业各部门之间的共享，促进数据资产创造价值。明智的决策需要可靠的数据作为支撑，而良好的数据治理是保证数据可靠的必要环节。

2.财务数据治理的内容。财务部门是企业的“数据中枢”，汇聚了企业从业务前端到财务管理后端的大量数据。财务数据治理可从管控层面和执行层面着手。其中，管控层面要紧贴企业级数据治理规划，从以下几个方面开展财务数据治理工作：

第一，设置符合企业数据战略的治理目标。财务数据治理需要依照企业数据战略设定目标，考虑技术进步和市场预期，制订针对财务部门当前和未来整体数据战略目标的数据使用计划，并主动适应因业务发展和战略调整可能引起的数据标准、质量要求等的变化，持续优化形成长效机制。

第二，建立并持续完善财务数据治理制度。财务数据治理需要依据集团数据政策，明确财务数据治理范围，制定财务数据治理办法和数据治理细则，并按照严格的发布流程进行定期检查与更新，以保障财务数据治理工作的规范化运行。

第三，设立权责明确的财务数据治理组织。财务数据治理组织的组织架构、层级、职责等需要与企业级数据治理组织规划和布局相匹配，依据企业实际情况明确财务数据治理权责范围，提升财务组织的数据治理技能，明确财务数据所有人及归口管理人，建立数据问责及绩效考核机制，从而有效落实财务数据治理目标。

第四，建立有效的沟通与协商机制。在保证信息安全的前提下，财务部门需要与业务、技术及其他管理部门建立有效的沟通与协商机制，保证组织内全部利益相关者及时同步地理解数据政策，了解监管要求、标准、流程、职责等的最新状态，知悉正在进行事项的情况及后续治理工作的实施方法。

具体到执行层面，财务可以通过数据的“盘、规、治、用”构筑良好的“数据生态”，落实财务数据质量的全面提升。

第一，盘点数据资源。财务数据治理组织根据企业级数据战略评估其数据和信息化现状，找出与目标之间的差距。企业通过盘点与财务数据相关的流程和系统，理清各方对财务数据的需求，明确财务主数据，整理财务数据资产目录，为后续工作奠定基础。

第二，建立统一的数据标准。对梳理完成的财务主数据制定标准规范并建立标准文档。财务部门与业务、技术部门共同推进业财数据指标库梳理，尤其是对于跨业务、跨系统、需共享的数据，需明确指标定义、统计口径、数据来源、计算逻辑等内容，以保证数据规则统一和数据口径一致。

第三，持续管理数据质量。基于戴明环（Deming Cycle）即“计划（Plan）—执行（Do）—检查（Check）—处理（Act）”的循环，实行数据质量管理。在计划阶段，评估财务数据质量问题的范围、影响和优先级，分析问题成因并制订解决方案；在执行阶段，财务部门与业务、技术部门合作解决关键问题；在检查阶段，持续监控财务数据质量并总结计划执行的结果；在处理阶段，在总结质量检查结果、沉淀有效经验的同时，定位未解决的数据问题并开始下一个循环。

第四，推进数据治理平台规划与建设。财务部门协作建立企业整体层面的数据治理平台，将数据标准、数据架构、数据质量方面的规划和治理成果及数据安全相关政策法规的要求落地，实现业财数据在各系统之间的调用，并设置数据校验规则，将数据问题直接反馈至责任部门，切实实现数据质量的持续提升。

（二）数据价值链

1.数据价值链的定义与内容。DT时代的数据价值链是结合DT时代的企业特点，对数据价值链理论的进一步延伸，是指面向业务需求，有针对性地提取、组织并利用数据，从而盘活数据资产、开发数据功能、发挥数据价值，通过科学直观的视觉表现形式，清晰传达和沟通数据分析结论，实现数据向信息、知识、智慧的逐步升华，最终赋能企业经营决策的一系列过程。

数据价值链的内容包括“三大要素”和“六大步骤”。其中，“三大要素”是指数据、业务和技术。数据是数据价值链运行的原材料；业务是数据价值链的服务对象，数据价值链以业务需求为目标导向，围绕业务需求开展一系列数据处理工作，得到的结论信息最终作用于业务实践；技术是承载和实现数据价值链的工具，包括从需求分析到数据价值释放全过程中大量运用的数据库、数据抽取转换、统计方法、计量方法、模型算法以及机器学习、可视化等各种技术。财务围绕业务核心，利用数据技术处理分析数据、挖掘数据价值，并将得出的结论应用于业务实践，驱动业务决策和价值创造。“六大步骤”是指数据价值链涵盖的一系列数据处理和使用过程，包括业务需求分析、数据采集、数据清洗、数据探索、数据算法和数据可视化（如图2所示）。财务通过构建数据价值链，在“三大要素”及“六大步骤”的共同作用下借助算法与算力，逐步提取数据价值，满足业务需求。

图2 数据价值链的步骤

2.数据价值链的步骤。第一步，进行业务需求分析。数据分析往往需要以业务需求为导向，在具体业务背景下的数据分析只有满足业务需求才具有商业价值。业务需求分析首先需明确数据用户业务需求的本质，然后规划通过数据分析满足业务需求的方法，最后评估项目所需资源。

第二步，数据采集。有效的数据分析结论需要广泛的数据样本作为基础，因此企业需要从不同的来源全面采集各种类型、各种场景下的海量数据，为基于数据规律洞察业务、科学决策奠定良好的基础。

第三步，数据清洗。采集到的原始数据时常存在缺失、重复、异常、错误等质量问题，会严重降低后续数据处理分析工作的效率和质量，直接影响分析结论的准确性。因此，必须利用合适的数据清洗方法和工具去除或修正数据中的错误，以获得质量可靠的目标数据。

第四步，数据探索。数据探索是对数据的初步分析，有助于构建对数据的初始认知，利于后续深度分析的展开。数据探索通过作图制表、计算统计等直观的描述和分析方法，探索数据特征和规律，为后续数据算法模型构建提供输入依据。

第五步，数据算法。企业要实现数据驱动决策，就需要利用数据算法进行数据规律的深度分析并构建支撑相应业务需求的算法模型。数据算法从企业的角度可以理解为基于管理思维将数据提炼而形成的符合企业价值诉求的思路和方法，其应用路径为：面向业务场景，通过反复尝试匹配合适的算法模型，利用数据集测试、评估模型，依据实际应用效果反馈优化迭代模型，形成企业不同业务场景下的决策方法。

第六步，数据可视化。数据分析得到的价值信息需要被正确解读，才能应用到企业管理过程中并创造价值。数据可视化运用计算机图形学、图像处理、人机交互等技术，通过数据库、API（Application Programming Interface，应用程序编程接口）等方式获取处理分析后的数据，将数据内涵及数据分析结果转化为可识别的图表、视频、动画等展示形式，增强数据内容的直观感受性及可理解性，使利益相关者准确清晰地获取所需信息。

（三）决策场景

决策场景是企业中需要决策的情景，是在战略决策下通过对宏观的战略目标进行分解，形成的一个个面向具体业务问题或管理场景的决策点。决策场景涉及组织、业务的具体规划和实施策略，能够对营销、采购、运营、财务等职能单位的运作产生实质性影响。企业战略目标的实现需要真实的业务环境，不同场景下的决策需求直接影响数据治理体系和数据价值链的应用，数据治理工作的开展和数据价值链的构建最终也要面向具体的决策需求，才能实现数据价值的精准释放。

DT时代下，在IT（Information Technology，信息技术）提高流程效率的基础上加入DT思维，财务工作内容演化出面向数字化、面向决策的场景类工作，可根据财务职能分为四个层面，分别为财务会计数字化、管理会计数字化、业务支持数字化和决策支持数字化。其中：财务会计数字化和管理会计数字化是财务自身需要的、属于传统财务会计和管理会计工作范畴的决策场景；业务支持数字化是财务深入业务价值链、对业务管理决策场景提供的支持；决策支持数字化是更高层次的、在企业经营管理决策场景中财务提供的支持。

1.财务会计数字化。财务会计是财务的基本职能，包括会计核算、资金管理、税务管理，围绕核算入账、资金结算与调拨、纳税计算与申报、报表编制与分析等基础财务处理内容进行交易核算与信息披露。财务流程借助信息化、自动化和智能化的技术手段承载业务操作，实现了具体流程及操作上的效率提升，完成了数据的自动传递和集成，并与业务产生广泛连接，将更多数据汇集至财务，保证数据在传递过程中的时效性和准确性，为决策场景提供数据基础，推动财务会计从核算到业务支持和管理支持的跨越。

对于财务会计数字化场景中的发票采集，通过应用OCR（Optical Character Recognition，光学字符识别）技术，能够智能高效地采集各类纸质发票信息并将其转化为结构化数据；对于发票查重，可通过API自动对接税务局电子底账库验真查重；对于发票审核，审核引擎设置发票合规校验规则并内嵌于系统中，可自动完成规则校验、全面智能审核、自动提示风险点；对于税务核算业务，可通过系统接口自动获取导入纳税计算所需的数据，根据各税种应纳税额计算逻辑，定制纳税计算算法模型并内嵌于系统中，自动计税并生成纳税申报表，提升纳税效率，降低企业税务管理风险，为满足基于税务数据分析的管理决策需求建立良好的数据基础。

2.管理会计数字化。管理会计是财务发挥管理职能的关键，通过收集汇总、分析和报告经营管理信息，制定规划、控制经营、评价业绩、预测决策以提升管理效率、创造价值。DT时代企业数据量呈爆发式增长，在数据采集、数据清洗、数据分析、数据可视化等多种数据技术的支撑下，财务能够全面连通企业内外部海量数据，探析数据规律、提炼价值信息，并将其应用于管理会计决策场景中，实现管理会计数字化。管理会计通过预算管理、绩效管理、成本管理、风险管理、投融资管理等场景中的数据创新应用，建立面向企业内部不同管理层级的数字化管理机制，支持并优化规划、控制、评价与决策过程，实现管理驱动价值创造。

以管理会计数字化场景中的预算管理为例，在目标规划环节，通过对企业内外部数据的全面分析明确企业经营环境和现状，搭建中长期预测机制，同时立足长远目标分析战略市场和布局，明确发展目标并制定经营策略，将战略目标分解至产品、市场等业务层面；在预算编制环节，基于明确的计算规则自动进行预算编制；在预算执行与控制环节，在费用控制和商旅平台等智能平台中内嵌预算控制规则，将预算控制流程全面移至事前；在分析报告与绩效考核环节，根据管理者需求自动生成个性化预算分析报告，帮助管理者全面了解预算执行与管控情况，最后进行绩效考核分析评价并以此为出发点实施优化改善措施，完成预算管理的闭环循环，构建即时反馈、动态调整的全面预算管理机制。

3.业务支持数字化。DT时代数据科学和数字化工具的持续创新应用，为财务支持业务管理提供了良好的技术环境，财务延伸出为业务部门提供运营建议和决策支持的职能。财务部门越来越多地和业务部门产生交互，更多地深入研发、采购、产品、营销等业务价值链环节，参与到企业市场选择、产品定价、采购及销售分析、客商分析等与业务部门协作的决策场景中。比如在市场选择决策中，财务部门能够结合市场环境、市场容量、公司产品匹配度、产品竞争力等多种因素对目标市场进行分析评估，协助制定并输出进入市场的短期和中长期规划及策略。再如在客商分析中，财务部门能够参与客户信用评级过程，通过从各种公开权威渠道和内部系统采集影响客户信用的风险信息，构建信用评级模型，对客户进行品质、能力、资本、担保、环境五个方面的资信评级，评估客户的财务能力、判别潜在偿款风险、定位客户信用级别，从而在此基础上明确对该客户的信用政策。

4.决策支持数字化。算力的升级跃迁和算法的迭代优化为财务全面沉淀企业数据、提升数据质量、充分挖掘数据价值打造了坚实的基础，推动财务职能边界不断扩展，使财务在提升管理水平、深入融合业务的基础上，支持数据驱动的企业战略与运营决策。一方面，财务从战略目标出发，通过中长期滚动预测及构建企业经营价值体系，为企业制定战略规划、实施战略投资管理、执行战略评价及做出科学经营决策提供有力支撑。另一方面，财务以战略目标为导向，剖析业务流程价值关注点，结合管理需求，搭建企业经营价值体系，将战略目标层层分解落实到业务、管理层面，并用数据思维抽象为可落地、可监测的数据指标，进行多维运营分析并编制管理报告，为企业各级经营决策者提供实时数据服务，使其能够在战略决策高度从经营视角透过数据把控业务全局，有效支持战略与运营决策。

如图3所示的数字化管理报告实施路径，以解读和梳理企业所在行业特点与业务逻辑为起点，根据识别的企业关键价值创造因素及关键控制点，建立全方位管理报告指标体系和标准报告体系，通过数据治理和数据价值链的管理及BI（Business Intelli⁃gence，商业智能）系统的技术支撑，构建数字化管理报告平台，将指标转换成数字仪表盘和标准报表，为企业利益相关者提供数据洞见，并基于该平台的强大功能辅助企业运营管理。数字化管理报告平台能够层层定位数据源，使平台数据来源清晰可溯，可穿透指标分析结果准确定位，还原企业经济活动的原始记录。同时，数字化管理报告平台能够进行如下分析：一是，数据下钻原因分析，平台可就如销售额下降、资金风险预警等分析结果或异常现象，进行数据下钻深度究因，使管理者及时明确问题原因并敏捷决策调整；二是，分场景分析，平台可根据不同的管理视角，分业务场景进行多维分析展示，灵活满足不同业务域管理者的管理需求；三是，企业综合运营分析，平台可在企业内外部数据广泛连通的基础上，全方位、多角度分析并展示企业综合运营情况，使管理者深度、准确把握企业运营现状，并做出科学的管理决策。

图3 数字化管理报告实施路径

二、数据价值体系的保障和基础

数据价值体系需要一定的保障和基础支撑其稳定运行。只有注重文化、组织、人才和技术等方面的综合发展，才能真正发挥数据价值体系的作用。

（一）建设数据文化

数据文化是数据驱动型组织的核心，需要对其进行持续的培育和发展。数据文化包括企业高层管理者和员工的价值观、态度和行为[4]，促进并支持企业通过数据洞察业务、科学决策，是实现数据到信息、知识、智慧转化的必要保障。

企业可以通过高层管理者推进、培训和宣贯、试错与改进三个方法持续培养数据文化。高层管理者对数据价值的认可和需求，促使业务人员学习和应用数据驱动的思维方式，对建设数据文化产生关键推动作用；企业通过培训和宣贯帮助员工理解数据驱动的含义并掌握相应数据知识与技能；在积累一定的数据知识与技术后，先在某些业务域试点，建立快速试错和敏捷响应机制，并不断总结改进，使员工体验到数据驱动的益处，提高员工的主动性和积极性。

（二）组建数据组织

数据价值的提取不仅是技术层面的问题，还是一种用数据去决策的思维模式，是一种组织的能力。为支撑数据价值体系，需要设立数据组织，其负责数据相关政策、流程、方法等的制定，数据战略的规划，数据治理和数据分析效果的监控和考核，以及一些具体执行层面的操作。

企业需要选择合适的数据组织模式以建立相应的数据组织。常见的数据组织模式包括集中式、联邦式和分散式。集中式是指成立单独的数据组织部门，专职对企业所有数据进行全生命周期管理；联邦式是由总部层面设立数据负责人管控协调数据相关各项活动，各业务部门设置数据分析人员负责本业务域的数据相关工作；分散式是将数据相关的各项工作分散到各业务单元中。不同企业应根据自身管理需求选择合适的数据组织模式，并明确数据的管理流程和管理责任，保障组织职责清晰健全。

（三）培养数据人才

为了支撑数据价值体系的运行和数据的全生命周期管理，掌握数据科学和数据技术是企业数据组织人才的重要能力要求之一，成熟的数据组织还要求人员具备更有高度的管理思维、更广泛的业务洞察力、更领先的技术应用能力和更深入的专业能力，因此企业要加快培养各项能力全面发展的复合型人才。

基于新一代数据科学和数字技术，财务部门能为企业数据组织提供有力支持，将数据转化为价值洞见并传递给企业内所有人，这要求财务人员具备较强的学习能力和适应能力，不断更新知识体系，持续学习新技能、拓展能力边界，成为“五面”俱到（懂会计规则+懂管理方法+懂技术工具+懂数据科学+懂商业战略）的综合型人才[5]。财务人员不仅要掌握会计规则，还要提升管理会计水平，更要懂得应用合适的技术工具提升财务业务处理效率，利用数据技术挖掘蕴藏于海量数据中的价值，积极参与企业战略的制定与规划，保障企业战略落地[5]。

（四）掌握数据技术

技术的部署围绕数据价值体系的各个模块和环节。数据治理的实践需要依托具体的软件工具，比如数据模型管理工具、元数据管理工具、主数据管理工具等。数据价值链主要应用到数据采集、数据清洗、数据分析和数据可视化等技术。DT时代下，在新兴技术不断涌现的同时，既有数据技术也在持续发展完善并催生出更多的创新应用。

企业要从产生和采集到的数据中获取智慧和洞见，则需要掌握相关技术和工具并依据自身的需求将其进行合理整合。企业不应只关注单点技术和局部技术的应用，更应重视整体规划，形成一套完整的数据技术架构，并配备三个必要条件：一是数据，将分散的数据高效聚合起来，形成高质量数据的基础；二是算力，建立满足数据组织运行所需要的、拥有强大算力的高性能数据分析环境；三是算法，利用人工智能等技术不断迭代数据算法和模型，加速数据资产变现。

【主要参考文献】

［1］国家质量监督检验检疫总局，国家标准化管理委员会.GB/T 36073-2018数据管理能力成熟度评估模型，2018-03-15.

［2］程旺.企业数据治理与SAP MDG实现［M］.北京：机械工业出版社，2020.

［3］数据安全治理专业委员会.数据安全治理白皮书3.0，2021-05-13.

［4］IDC.Why You Should Care About Data Culture，2020-04-01.

［5］陈虎.未来财务人员的转型之道［J］.新理财，2021（9）：43～46.