DT时代基于数据价值链的财务变革

陈虎 孙彦丛

【摘要】DT（Data Technology， 数据技术）时代下， 数据正成为企业的核心资产。 财务作为企业天然的数据中心， 能够应用数据科学和数字技术解锁海量数据中的价值， 推动企业变革， 助力企业发展创新。 本文结合DT时代的企业发展和财务管理特点提出财务数据价值链概念， 其由业务、数据和技术三大核心要素构成， 分为业务需求分析和数据采集、清洗、探索、算法、可视化六个基本步骤， 财务部门通过构建数据价值链挖掘数据价值， 赋能企业决策创新， 并探究在此过程中财务部门将经历的一系列变革和实践中应用财务数据价值链需要考虑的因素， 以期为财务的未来发展提供参考。

【关键词】数据价值链;数据清洗;数据算法;数据可视化;财务数字化

【中图分类号】F275      【文献標识码】A      【文章编号】1004-0994（2022）10-0041-5

DT时代数字技术的飞速发展实现了人与物的广泛互联， 新兴技术的深度渗透融合使得各行各业的数据量呈爆发式增长。 数据作为DT时代的战略性生产要素， 对于价值创造的重要性不断提高， 挖掘企业海量数据中的价值俨然成为企业维持并提升核心竞争力的关键。 挖掘数据价值需要完整的数据价值体系。 企业数据价值体系的内容主要包括数据治理、数据价值链和决策场景三个部分， 在数据治理体系构建的高质量数据基础上， 通过数据价值链释放数据价值、形成数据产品， 并将其应用于经营决策场景。 财务数据价值链是数据价值链在财务领域的应用， 是数据发挥价值的途径。 面对企业“数据驱动”的转型需求， 财务部门作为企业天然的数据中心， 需要应用数据价值链解锁数据中的价值， 将数据沉淀为知识并形成服务， 满足企业经营管理过程中不同决策场景下的需求， 助力企业发展创新。

一、财务数据价值链的理论基础和内涵

1. 数据价值链理论。 价值链理论最初被定义为由设计、生产、销售、交货及售后等所有向用户交付产品或服务所需的一系列生产活动及相关辅助活动所构成的体系[1] ， 通常被称为传统意义上的价值链。 后续研究在价值链理论的基础上不断拓展分析视野， 提出了商品链、全球商品链、全球价值链、价值网等概念， 但关注点仍聚焦于实体形态的价值链。 Rayport和Sviokla[2] 突破了传统价值链的实物范畴， 首次将价值链理论应用于电商行业中信息的价值创造过程， 提出了虚拟价值链的概念。 此后的研究逐步认识并重视信息、知识、数据等非实物资源在价值创造中的作用， 这也是价值链理论适应时代发展和技术进步的必然趋势。

数据价值链的概念是价值链理论在数字经济时代的发展， 最早由Miller和Mork[3] 提出， 他们认为数据价值链是由从数据获取到决策制定的全面数据管理活动、提供辅助支持的各种利益相关者和相关技术构成的框架， 并将数据价值链划分为数据发现、数据整合和数据探索三大过程。 此后的研究大多从数据生命周期的技术应用视角解读数据价值链。 比如， Curry等[4] 将数据价值链划分为数据获得、数据分析、数据监管、数据存储和数据使用五个环节; Faroukhi等[5] 认为数据价值链包含数据生成、数据采集、数据分析和数据交换等四个步骤。 鲜有文献分析数据价值链应用于企业业务实践中的价值创造过程及其影响。

2. 财务数据价值链的内涵。 数据的价值创造过程与企业具体的经营管理活动密不可分， 数据分析的结果只有应用于业务实践为企业带来经济效益， 才能实现数据价值的充分利用。 DT时代数据科学发展迅猛， 新型数字技术不断涌现， 数据量以指数级速度增长， 对传统的企业运营管理模式产生了颠覆性影响。 数据价值链研究只有结合DT时代企业的发展变化， 才能真正实现企业数据价值变现。

本文基于已有研究， 结合DT时代的企业发展和财务管理特点， 进一步创新和拓展数据价值链理论， 提出财务数据价值链。 财务数据价值链是数据价值链在财务领域的应用， 是财务面向业务和管理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。 因此， 财务数据价值链是从数据中产生价值和有用见解所需要的一系列有序步骤， 是从数据生成到数据应用的整个数据生命周期中逐步提取数据价值的可重复过程。

二、财务数据价值链的构成

1. 核心要素。 业务、数据和技术是财务数据价值链的三大核心要素， 支撑着财务数据价值链发挥作用的全路径。 业务是财务数据价值链的服务对象; 数据是财务数据价值链运行的原材料， 是一切分析与研究的基础; 技术是财务数据价值链的承载和实现工具。 数据服务于业务， 在企业业务运行过程中， 采集和积累的数据及基于数据产生的洞察， 最终要作用于业务发展， 才是有价值的。 因此， 财务首先应明确业务对于数据的需求， 并以此为目标， 围绕业务核心开展一系列数据处理工作。 同时， 随着企业可采集和积累的数据量增加， 技术也在不断发展演进， 财务能够应用数据采集、数据清洗、数据分析及可视化等数据技术实现对海量数据的规律分析及价值挖掘， 得出的结论信息回归业务实践， 指导业务决策， 驱动业务创造价值。

2. 基本步骤。 财务数据价值链涉及的一系列数据处理和使用过程可以分为六个基本步骤： 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。 六大基本步骤环环相扣， 共同解锁数据价值。

（1）业务需求分析。 对于企业而言， 结合实际业务需求的数据分析才具有商业价值， 因此财务数据价值链的起点是业务需求分析， 基于理解业务需求解决实际问题。 业务需求可根据经营管理需要分为四类： 面对分析类的需求， 比如销售部门需要明确销售额下降的原因; 面对描述类的需求， 比如用以描述员工工作成果、监督员工工作执行情况的员工工作效率、业绩贡献率等指标数据; 面对预警类的需求， 比如在汇率管理过程中， 财务部门需实时监控汇率变动情况， 及时预警汇率风险; 面对预测类的需求， 比如销售部门需要某个产品在未来某一时间点的销售额预测值。 面对不同的业务需求类型， 财务部门需要有针对性地选取目标数据和数据分析方法， 构建相应的算法模型， 并以合适的方式呈现分析结果。

业务需求分析环节首先从理解业务背景开始， 意在认识数据用户现状， 了解经营管理模式及所处行业等企业内外部情况， 确定业务需求所属的管理范围以明确业务需求本质。 然后进行数据理解， 判断业务需求是否可通过数据分析项目实现。 若可以， 则根据业务需求类型将其转化为数据分析项目， 再规划通过数据分析满足业务需求的路径并确定所需目标数据。 最后进行需求资源评估， 由数据分析项目人员评估项目需求资源与可用资源是否匹配， 从而界定所需资源。

（2）数据采集。 数据采集指从不同的来源获得各种类型、各种结构的海量数据。 DT时代下若要实现企业利用全量数据管理决策的目标， 财务需要扩展其数据来源， 进行企业内外部数据的全面采集。 具体来说， 不仅要获取财务数据， 还要获取业务数据; 不仅要获取结构化数据， 还要获取非结构化数据; 不仅要获取企业内部数据， 还要面向外部数据源， 围绕外部利益相关者， 获取客情、竞情、行情、国情等数据。 内外部数据网络的建立使企业在分析预测自身业务活动的同时， 能够把握和应对外部环境中的机遇和风险。

数据采集需要遵循全面覆盖、质量较好、周期一致、颗粒度一致、持续生产的原则[6] ， 选取合适的采集方法和技术， 从不同的来源获取各种类型、各种结构的数据， 为基于数据规律做出有价值的决策奠定基础。 财务部门实现企业内外部数据采集情境全覆盖， 离不开数据技术的广泛应用。 系统日志、API（Application Programming Interface， 应用程序编程接口）等技术工具在线采集企业各信息系统中的结构化数据并汇聚至数据中台、数据仓库; 对于非结构化数据也有专门的技术和系统工具， 比如OCR（Optical Character Recognition， 光学字符识别）识别转换图像文件中的数据， ASR（Automatic Speech Recognition， 自动语音识别）能够将音频文件中的词汇内容进行结构化转换， NLP（Natural Language Processing， 自然语言处理）能够提取合同文档中的关键信息; 对于外部数据源， 爬虫程序能够爬取网页数据中的有效信息， API接口批量获取开放数据库中的数据资源。 由此， 财务部门能够实现企业内外部数据的高效采集和广泛连通， 为更准确地分析数据奠定完备的数据基础。

（3）数据清洗。 数据清洗是处理脏数据（Dirty Data）的过程。 可靠的数据质量是保证数据分析结果可信的基础， 但采集到的原始数据因数据来源分散、手工录入等因素， 时常存在数据缺失或重复、数值异常或错误、格式不规范或不一致等问题， 使得后续的数据处理工作无法有效开展， 数据价值开发更成为空谈。 因此， 必须通过数据清洗提升数据质量， 为高质效的数据分析工作和有价值的数据分析结果奠定坚实根基。

数据清洗首先从产生数据的源头开始， 通过评估数据质量了解数据情况， 明确和识别待分析数据集中数据错误产生的原因和存在形式; 然后， 依据数据错误识别分析结果定义数据清洗规则和策略， 并选择合适的清洗方法， 逐项检查数据集， 对各种数据错误依次执行数据清洗规则; 接着， 遵循数据可信和数据可用的原则评估数据清洗质量; 最后， 将通过质量评估后的干净数据替换至原数据集中， 在此基础上开展数据分析工作。

（4）数据探索。 数据探索是指利用统计学原理， 通过作图制表、计算统计量等方法探索数据内在结构和规律， 了解数据集自身特点以及数据间相互关系的分析方法。 在整个财务数据价值链内， 数据探索是进行数据算法建模深度分析之前的重要环节， 是初步的数据分析。 面对海量数据， 分析人员通过数据探索初步分析， 概括数据的主要特征和规律， 能够有效挖掘数据背后隐藏的价值， 并为数据算法模型的构建提供依据。

数据探索通过描述性统计分析， 利用算术平均数、标准差、峰度等统计指标， 从集中趋势、离散趋势、分布形态三个方面刻画数据特征， 了解数据整体情况。 大多数的数据科学或机器学习技能需要建立在数据概率分布假设的基础上， 因此在观察到样本数据后， 还需要了解其具体服从的分布， 通过样本数据分布推断得出总体概率分布， 为算法模型的选择提供输入依据。 此外， 数据探索还能够通过相关性分析获得两种及以上数据变量间的关系。

（5）数据算法。 数据算法是一系列有助于解决问题和实现目标的规则， 是财务数据价值链的核心， 从企业的角度可以理解为基于管理思维将数据提炼、形成的符合企业价值诉求的思路和方法。 企业经营过程中有大量算法需要实现， 比如管理会计职能中预算资源的配置、成本管理中进行成本归集核算、风险控制管理中的风险点计算等决策背后都蕴含着一系列算法。 传统财务有限的数据采集和计算能力限制了算法的发展， 使得构建在会计恒等式和会计科目上的财务算法始终局限在传统财务算法的范畴内， 难以满足管理会计职能下的不同决策场景需求。 DT时代数字技术与财务工作的融合创新全面提升了财务的数据采集和计算能力， 传统财务的算法在算力和数据的支持下得到大规模的更替和改造， 并不断迭代演进。

财务部门以算法与业务需求的匹配性、算法的可理解性和对数据的要求为依据， 通过反复尝试匹配合适的算法模型， 利用数据集不断训练、测试、评估模型， 将测试后的模型应用于实际业务; 结合业务反馈效果优化模型， 将数据提炼成企业经营管理过程中不同决策场景需要的模型化的方法和思路; 持续迭代升级， 使企业的经营决策不再只依靠经验和直觉， 而是基于数据之间的关联关系和算法推导构建的模型， 实现数据驱动下更加科学、高效、及时、精准的决策。

（6）数据可视化。 数据分析中得到的信息、提炼出的知识需要传递给企业管理者， 被充分洞悉理解才能凝结为智慧， 支撑经营决策， 实现企业价值提升。 传统财务按照固定静态频次出具财务报表及报告， 进行财务指标的事后分析， 并以基本統计图表为载体向企业的管理层和利益相关者展示企业过去的经济活动。 但面对DT时代下企业庞大的数据流， 传统财务的数据分析工具及呈现方式尚无法满足经营管理对企业数据多维动态分析与实时展现的需求; 使用者也难以高效直观地从传统财务信息呈现载体中获取所需的信息， 导致企业海量数据背后的规律无法被正确解读。

财务部门应用数据可视化将彻底改变上述困境。 数据可视化就是运用计算机图形学、图像处理、人机交互等技术， 通过数据库、文件、流数据和API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， 以生动形象、清晰易懂的方式将海量数据中的价值信息和数据分析结果分类、汇总、展现给管理者。 财务部门通过可视化展示来提供数据服务， 首先能够对企业各维度经营情况进行全面而准确的实时分析和呈现， 企业的经营情况不再只是被层层整合提炼压缩在报表上的数字; 其次， 能够基于管理者所需的分析维度和信息构建分析模型， 深度挖掘数据价值， 综合数据复杂性、数据深度和使用者的个性化展现需求选取最合适的视觉编码， 使管理者在对企业运营情况全景感知的基础上， 准确高效地获取自身所需的价值信息; 最后， 可结合业务实际实时监控重点数据， 及时发现数据异常并进行风险预警， 从而降低企业损失。

三、财务数据价值链的价值作用

传统财务会计流程是一条极简的“数据价值链”： 首先， 获取原始凭证并进行审核分类; 其次， 编制会计分录并填制记账凭证、登记账簿; 然后， 编制调整分录、结账、对账及试算平衡后建立账务之间的关联关系并编制各类报表; 最后， 基于利益相关者的需求， 根据报表进行分析， 并利用图表、报告等形式将分析结果呈现给内外部数据使用者。 财务极简的“数据价值链”重点关注自身的数据， 从记账凭证和会计科目的小数据集中提炼信息。 而在DT时代， 面对企业迫切希望通过数字化转型实现管理模式变革与业务增长创新的需求， 财务需要转变思维关注企业整个经营管理过程， 应用数据价值链挖掘企业内外部数据的价值， 学会用数据“说话”。 财务部门也要通过职能转变和人才转型为企业创造价值， 助力企业实现数据驱动的变革。

1. 财务职能拓展， 深入经营管理。 财务职能可以根据其在企业中的业务范围和服务对象分为财务会计和管理会计两部分。 财务会计主要负责核算和税务等， 按照国家会计法规准则， 记录企业已经发生的业务活动， 通过事后分析发挥“倒后镜”的职能， 缺乏对未来的预测。 而管理会计侧重分析、控制和评价职能， 强调财务对业务和战略决策的支持作用。 虽然管理会计在我国已经发展了较长时间， 但很多企业的财务人员仍囿于传统财务会计的基础工作， 管理会计职能难以发挥实效。

DT时代在数字技术的广泛应用下， 财务成为企业的数据中枢， 通过建立数据价值链提供数据服务， 支持企业内部管理决策， 促进预算管理、绩效管理、风险控制管理等管理会计职能更好地发挥。 同时， 财务能够基于决策需求聚焦于数据的变化、对比、预警和预测分析， 辅助企业洞察规律、预警风险、预先评估未来趋势、合理制定战略决策。 因此， 在企业实现数据驱动及数字化的过程中， 财务将越来越多地深入经营管理价值链， 为业务部门提供运营建议、风险预警和决策支持， 有力支撑企业的经营管理。

2. 财务人员转型， 实现价值创造。 随着DT时代下新一代数字技术在财务场景中的深入应用， 财务部门的结构将转变为“财务+IT+DT”， 即“财务部门的职能+IT部门的工具+数据管理的科学”。 在从价值守护者向价值创造者转型突破的过程中， 也产生了“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”的综合型财务人才需求[7] 。

财务会计按照会计准则和其他相关法律法规的要求， 将企业经济活动转换为财务报表以展示企业经营状况; 管理会计基于价值目标为企业提供科学的管理方法， 帮助企业透视经营管理的全过程。 两项职能的理论基础大不相同， 因此财务人员在掌握会计规则的同时， 也要在实践中学习并应用管理会计的知识及工具方法。

在“IT+DT”双轮驱动企业数字化转型的趋势下， 财务人员还要培养自己的数据思维， 养成用数据思考的习惯， 以观念引導行为， 培养学习使用数据技术工具的意识和能力， 应用合理的技术工具提升财务流程效率; 学习数据科学， 不断提升数据分析和数据可视化应用等能力， 将数据转化为关键的业务预测信息并传递给管理者， 学会并真正做到用数据“说话”。 在此基础上， 财务人员还应积极参与企业从战略规划制定、执行控制到结果评估改进的全过程， 保障企业战略真正落地。

3. 发挥数据价值， 助力数字化创新。 财务数字化是实现企业经营管理数字化的重要支撑和有力抓手， 是将数据科学理念和数字化平台工具引入财务领域， 以变革财务工作方式， 优化并拓展财务职能， 实现“财务”到“财经”的转型[8] 。 在财务数字化转型目标下， 数字化技术平台是财务数据价值链运行和数据治理的载体， 支撑数字化在不同应用场景中的全面落地实践， 构建文化、组织、人才与标准规范的保障体系为数字化转型保驾护航。

财务数据价值链作为财务数字化转型的核心要素之一， 是从繁杂无序的数据中提炼出价值信息和知识的途径及方法， 是数据价值生产、加工的过程。 财务数据价值链的构建及稳定高效运行极大地提升了财务的数据分析效率和信息提炼能力， 使得财务部门能够高质高效地履行经营管理过程中不同场景需求下的价值分析、规律洞察和预警预测职能。 财务部门通过数据价值链的应用， 从数据中分析推导出模型化的思路和方法， 面向决策场景形成企业各业务部门和管理层需要的数据产品， 服务于企业内部管理决策和价值提升， 从而推动财务数字化转型。

四、影响财务数据价值链应用的因素

财务数据价值链的应用在实现数据赋能企业经营决策的同时， 也促进了财务价值创造的职能变革， 助力财务数字化转型。 然而， 财务实践应用数据价值链时往往受数据质量、数据技术和信息基础设施水平等因素的影响。

1. 数据质量。 数据的准确性、及时性、一致性、完整性及有效性等数据质量方面若存在问题， 会直接影响数据应用及价值释放。 由不准确的数据所得出的分析结论会缺乏科学性， 以此指导业务， 将误导管理者相关决策， 可能为企业带来巨大损失; 数据的及时性和时效性决定分析结论的有效性， 是企业在瞬息万变的商业环境中把握机遇、敏捷响应、防控风险的关键; 大量跨域、跨部门的数据若缺乏一致性， 则会严重降低财务人员数据整合与处理的效率。 因此， 高质量的数据是应用财务数据价值链的前提。 财务想要通过数据价值链洞察数据规律、创造价值， 就要重视数据治理， 与技术、业务部门协作共同推进企业数据治理工作。 财务需要根据企业数据战略目标， 制定财务部门数据使用计划， 持续完善财务数据治理制度， 设置权责明确的组织， 并建立有效的沟通与协调机制， 提升跨部门及部门内部数据治理能力[8] ， 为财务数据价值链奠定良好的数据基础。

2. 数据技术。 技术的部署围绕数据价值链全流程， 伴随数据的采集、清洗、分析和呈现， 数据采集与清洗技术、数据存储和管理技术、数据处理与分析技术等数据技术支撑着数据从原材料到智慧的转换。 然而， 企业在技术的深度应用与全面布局上仍面临许多问题。 比如： 在技术选择上， 如何综合平衡技术安全、易用、成本等因素; 在技术应用上， 如何快速落地各类技术在企业现有系统架构内的应用; 在技术更新上， 如何实现技术的快速迭代以满足不断变化的数据需求， 这些问题导致财务缺乏相关技术工具来支撑数据价值链的实现。 面对技术的不断涌现及持续创新， 企业需审慎选择并部署技术工具， 财务也要主动探索并拓展技术在财务与业务实践中的应用场景， 在提高流程运转效率的同时， 与业务产生广泛的连接， 实现业财数据的自动集成和流转， 并利用数据实现深度分析， 加速数据价值变现。

3. 信息基础设施水平。 企业信息系统是保障数据传输、存储、共享、算力、算法等正常运转的载体， 随着技术不断创新发展、企业数据量持续增长、数据应用需求日益迫切， 企业只有构建与发展相适配的信息系统体系， 才能承载财务数据价值链的价值创造过程。 然而， 很多企业存在信息化建设缺乏统一规划或建设不完备等情况， 使得信息基础设施难以满足业务经营决策的数据需求。 企业传统的烟囱式系统建设方式容易形成数据孤岛， 阻碍信息流通共享; 系统的业务承载力不足， 难以灵活应对技术的迭代和不断变化的外部环境; 新旧系统交错或布局冗余造成数据混乱， 加大了数据应用的难度。 因此， 企业需根据现阶段及未来发展需要， 建设并完善可支持数据聚合分析、技术应用升级、业务融合创新的基础设施体系; 财务也应积极参与企业信息化建设过程， 提出财务端信息系统建设以及与业务端信息系统对接的相关需求和建议， 并协助相关工作落地实施， 创造数据价值链稳定的应用环境。

【 主 要 参 考 文 献 】

[1] 迈克尔·波特著.陈小悦译.竞争优势[M].北京：华夏出版社，1997.

[2] Rayport J.， Sviokla J.. Exploiting the virtual value chain[ J].Harvard Business Review，1995（11-12）：75 ～ 85.

[3] Miller H. G.， Mork P.. From data to decisions： A value chain for big data[ J].IT Professional，2013（1）：57 ～ 59.

[4] Curry E.， Ngonga A.， Domingue J.， et al.. D2.2.2 final version of the technical white paper[Z].Public Deliverable of the EU-Project BIG，2014.

[5] Faroukhi Abou Zakaria， EI Alaoui Imane， Youssef Gahi， et al.. Big data monetization throughout big data value chain： A comprehensive review[ J].Journal of Big Data，2020（7）：3.

[6] 游皓麟.Python預测之美：数据分析与算法实战[M].北京：电子工业出版社，2020.

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

[8] 中兴新云.财务数字化白皮书——从财务走向财经[R].深圳：深圳市中兴新云服务有限公司，2022.

（责任编辑·校对： 李小艳  黄艳晶）