引言：抓住数据时代的契机，实现数据价值的增值和裂变，成为当前企业实现经营能力飞跃、谋求高质量发展的必答题。财务作为企业数字化转型的前沿阵地，应主动推动数据赋能，从组织、流程、技术等方面高效开展数据治理，并不断提升数据管理能力和业财融合能力，从海量的业务数据到形成企业战略决策，打通数据价值释放的“最后一公里”。
随着信息化、数字化、智能化的加速发展，特别是后疫情时代，数据在全球经济运转中的价值日益凸显，从而使得推动数据治理工作显得尤为重要。2022年12月19日，中共中央、国务院发布了《关于构建数据基础制度更好发挥数据要素作用的意见》，旨在让高质量数据要素“活起来、动起来、用起来”，这对进一步推动数据要素市场构建以及数字经济的健康发展具有重要意义。
在此背景下，企业如何抓住数据要素治理的脉络，为高质量发展注入动能？财务作为企业数据治理的前沿阵地，如何更好地挖掘数据价值？近日，《财资一家》专访了《财务数据治理实战》作者、恩核董事长郑保卫博士，探讨当前数据治理面临的新挑战，挖掘数据治理对打造世界一流数据产业的赋能作用，并通过分析数据治理在财务数字化和业财一体化中的具体运用，探寻财务数据治理的实现路径与财务人员的应对策略。
主动推进数据赋能，打造发展新引擎
随着以大数据为代表的信息资源向生产要素的形态演进，数据已经与其他要素一起融入经济价值创造过程，并对企业发展产生难以估量的影响。如何抓住数据时代的契机，主动推进数据赋能，实现数据价值的增值和裂变，成为企业实现经营能力飞跃、谋求高质量发展的必答题。
█ 直面挑战，夯实经营管理基石
数据要素时代，以数据治理为基础，构建企业数据资产管理体系，不断提升企业数字化经营能力和管理能力，已经成为企业寻求高质量发展、迈向世界一流的必由之路。
从市场机制来看，数据治理是释放数据要素活力的关键步骤。郑保卫博士介绍，“数据二十条”从四个方面阐述了当前数据市场机制建设面临的挑战和未来发展的方向：一是明确数据使用产权，保障合规权益；二是建立内外流通的交易制度；三是构建体现效率和促进公平的收益分配制度；四是数据治理，包括数据质量、数据标准、数据安全等影响数据交易和流通的基础关键问题。
对企业发展而言，数据治理是数字化转型的内在驱动。数字化转型对提升企业经营效率、改变经营方式、提升营销能力、加强风险防控能力等方面具有显著效果，但是当前企业存在的数据质量问题严重影响了数字化进展，亟须通过加快推进数据治理工作，解决企业数据不标准、质量不高等问题，为继续推进数字化转型夯实基础。
从长远规划讨论，数据治理是打造世界一流的必然要求。国务院以打造世界一流数据产业的标准要求，打造世界一流的数据产权、要素流通和交易、收益分配、治理等制度。但是目前我国仍处在初步的探索发展阶段，需要各方面人才积极参与，打破常规思维和技术，在制度和技术方面持续创新，努力实现“打造世界一流数据产业的要求”，建设全球任何国家都可以自由参与的国际数据要素流通和交易市场。
█ 顶层设计，规划资产管理工作
2022年12月，财政部发布《企业数据资源相关会计处理暂行规定（征求意见稿）》，市场很快就能够通过上市公司数据入表认识到数据的真正价值所在，对数据价值有更为直观的认知，同时促使政府相关部门和企业更为积极的开放自身数据，以促进数据要素流通。
郑保卫博士认为，虽然数据资产入表对于企业市值提升和数据产业发展有很大帮助，但要真正推动落实并非易事。具体而言，数据资产入表分为两种形式：其一是外购的数据资源无形资产入表，例如金融机构每年花费巨额资金采购大量数据，包括税务、工商、房地产等，更多用于进行风控管理，降低不良资产率，对于这些数据要进行整合、加工、治理、标签化、储存等，这一过程有软件、硬件以及服务支撑，同样需要再投入一笔资金，这时采购资金和治理成本都需要算入无形资产中。其二是企业自行开发的数据资源无形资产入表，这并不像外部数据入表那么简单，因为内部数据可能来源于业务系统，也可能从别的地方产生，从产生到储存、加工再到使用以及再加工的过程所花费的成本并不清晰，如何把信息系统建设的成本与数据的成本清晰的剥离将是一个难题。
可见数据资产入表难以一蹴而就，更需要久久为功、循序渐进，对此郑保卫博士提出了三点建议。
一是识别数据资产。数据资产是指由个人或企业拥有或者控制的，能够为企业带来未来经济利益的，以物理或电子的方式记录的数据资源，其特征表现为拥有数据权属（勘探权、使用权、所有权）、有价值、可计量、可读取。根据这一标准定义，企业内部的数字资产范围很广，如电子文件、报表、算法、合同等，但并不是所有数据资产都能够产生价值，如何将有价值的数据资产进行有效和持续的盘点将显得格外重要。
二是盘点数据资产。在盘点数据资产的过程中，需要建立数据资产目录体系，对盘点的数据资产进行分类和建立目录。建立合理的、被普遍接受的、具有较强扩展性的数据资产目录将是一个非常大的挑战。由于行业内没有建立明确的数据资产目录，企业只能自己尝试建立适合自己的数据资产目录体系。金融机构通常根据数据资产所属的类型将其划分成基础型、服务型、数据产品型，或基础类、加工类、管理类等。
三是建立数据资产运营及服务体系。将数据资产按照目录体系进行管理，并将其以便利的方式开放给更多的业务、技术、管理等内部用户，以及合规的外部用户，以便其根据自身需求，在合规的约束下，以便捷的手段和方式，轻松获取和使用数据资产，并使用后能对数据资产进行评价评估，将意见反馈至承建方，以便及时完善；同时，未来也可基于官方发布的数据资产估值方式，对内部可供外部交易的数据资产进行估值，并与交易所交易平台对接，实现数据交易。当然，当前线上化的交易模式还在尝试过程中，仍需各方持续努力推进发展。
█ 双轮驱动，提升数据治理实效
郑保卫博士表示，随着企业数字化进程的不断加快，管控式、被动型的传统数据治理方式难以获得业务团队的有效支持且效果难以持续，让企业的数据治理计划无法真正落地。只有以业务需求为内在驱动力，数据治理才能真正落到实处，数据价值才能真正得到释放。
从企业整体来看，数据治理的需求主要有两种：其一，财务部门或其他业务部门在使用数据过程中，发现数据存在找不到、看不懂、不标准、质量差、归属不清、估值难等问题，为了业务统计、监管报送、数据应用等工作，发起对数据方面的治理需求；其二，数据部门作为准业务部门，承担企业级数据管理工作，为了系统化、体系化地从全局视角提升数据质量，提出一系列数据治理需求。
对于财务部门而言，推进数据治理的驱动因素主要有以下几点。
一是业务目标的需求。大型企业或机构的业务分布范围广，各业务部门的精力聚焦在完成业务目标上，需要财务部门帮忙牵头进行数据治理，从而满足业务对数据的需求。
二是监管报送的需求。尤其对金融机构来说，监管报送的任务往往由财务部门承担。当前报送工作日益复杂、要求越来越高，涉及到企业由上至下业务系统中的所有数据。
三是数据统计的需求。不管是企业经营中对产品的统计，还是银行业务中对利润的统计，都需要财务部门基于数据治理获得更准确的统计结果，进而实现全链路的数据分析。
郑保卫博士表示，数据治理还需要用技术来驱动，包括数据架构、数据建模与设计、数据质量、数据标准、数据仓库与商务智能、数据深度挖掘和分析、数据编制等领域的技术。但企业在应用过程中必须根据自身发展阶段、系统架构和实际问题有针对性地选择。例如，早期阶段更注重基础设施的建设，因此主要聚焦在数据标准、数据质量、数据模型管理和数据资源管理上；第二阶段更多进行元数据的管理以及数据编织，同时为了数据整合，还会建立一些数据湖、数据仓库、数据集市；第三阶段则是对数据资产管理的深度应用和数据挖掘分析、算法模型研究。每个阶段所应用的技术都不尽相同。
高效开展数据治理，赋能财务数字化
财务部门是企业的“数据中枢”，汇聚了企业从前端业务到后端财务管理的大量数据。在众多企业中，财务部门往往是企业整体数据治理落地实践的首个“试验基地”，财务数据的整体情况也反映着企业数据的整体治理水平，是验证数据治理有效性的切入点。
█ 把握财务数据治理定位和要点
具体来看，财务部门在数据治理中主要扮演以下角色。
一是执行部门。财务部门可以看到企业全部数据，在加工数据的过程中对数据需求最明确，对数据问题感触也最深，因此在数据治理中扮演着非常重要的角色，往往直接执行企业数据的管理工作。
二是变革部门。财务部门掌握着企业的财务资源，可以基于数据打破传统做事方式，改变工作流程和决策方式，因此有些企业的数字化转型项目也由财务部门牵头，并配合绩效考核工作推动。
三是牵头部门。从组织层面来说，很多企业的数据管理部由财务部门牵头建立，与业务部门、技术部门共同配合。
总而言之，从业财一体化到数字化转型，财务部门堪称数字基础设施的建设者，理应承担起数据治理的重任。
从实施规划来看，财务部门推动数据治理的关键在于推动组织建设、解决预算问题和调动业务积极性；从具体落实来看，需要通过建立产品核算维度标准化、部门核算维度标准化和产品盈利分析模型标准化体系，解决数据标准和数据质量问题，这些既是财务数据治理开展工作的突破口，也是高效开展收支数据统计、业务绩效评价、客户价值分析的必要前提和基础。
█ 实现业财数据全面贯通
财务数字化的本质意义在于探寻每个财务结果背后的业务动因，从而提升企业决策能力，驱动业务持续增长。因此，数据治理不是财务部门单打独斗可以完成的工作，更需要深入业务视角，拉通各场景业财数据，构建业财一体化的数据基石，实现面向企业经营决策的数据驱动。郑保卫博士对业财数据治理提出了三点建议。
第一，横纵分类业财数据。打通业财数据，可以从“横纵”两方面入手，横向从业务、技术以及管理的视角和维度入手，纵向从基础保障、核心领域以及应用服务来入手，利用纵横交叉的方式，对业务数据和财务数据管理涉及的二十七个方面进行分类和定位（图1）。
图1 横纵分类业财数据
第二，集成业务系统数据。大型企业集团运行业务系统繁多，各业务系统数据独立存储，导致“数据孤岛”林立和数据流通不畅等问题。可以在后端通过建立数据库、数据仓库、数据集市的方式整合这些数据，再通过加工处理发现业务流程上的薄弱低效环节并加以优化。
第三，构建业财流程闭环。在这一过程中结合企业的整体规划、技术平台和日常工作流程，将财务管理向业务前端前移，通过事前规划、事中控制、事后评估，融入财务分析和风险提示，形成一个管理的闭环，把握业务流程的关键控制点，促使业财数据融合。
第四，建立协同治理机制。财务部门、业务部门和技术部门可在企业数字化转型以及数据治理的工作中，逐步建立相应的组织架构，明确责任分工，在业务的关键流程中融入财务管理要求。例如，财务部门通过搭建平台、制定规则解决数据质量问题，但过程中也需要业务配合提供问题数据；再如，财务部门在统一指标工作中需要业务部门核对确认统计口径。
充分释放数据价值，构建战略决策力
从海量的业务数据到形成企业战略决策，打通数据价值释放的“最后一公里”，需要经由“关键数据识别—数据挖掘分析—数据价值链生成”的逐层能力淬炼。
█ 识别内部关键管理数据
内部管理数据一般为主数据或参考数据，是相对稳定、具有高业务价值、跨流程跨系统可重复使用的数据，一般识别方式有四类原则。
原则一：跨系统原则。主要考量主数据的跨系统共享特性，某一信息项在越多套业务系统中被使用，说明该信息项越重要，作为主数据管理的价值就越大。
原则二：同步其他系统数据原则。主要考量主数据的跨系统共享，某一信息项被其他业务系统同步使用，该类数据容易出现不一致的情况，如系统间出现数据互相覆盖的情况，没有统一的管理就无法保证数据的准确性。该类信息项作为主数据管理更能发挥价值。
原则三：被其他系统应用加工原则。主要考量信息项被其他后端系统应用加工的情况，被后端应用加工的次数越多，说明该信息项越重要，越有被作为主数据管理的必要性。
原则四：业务重要性及可扩展性原则。主要是考虑主数据选定的可扩展性，可根据业务的重要性以及考虑未来业务或新业务可能出现的信息项，进行主数据的事先制定，在系统设计和建设阶段充分考虑其作为主数据的效能。
█ 提升数据分析能力成熟度
在识别出内部关键数据后，需要对这些数据进行深度分析。这就需要提升数据分析能力成熟度，具体可从以下几个方面入手。
第一，明确分析目标。例如，对客户经营而言，数据分析重点在于竞争营销；对管理优化来说，主要通过对人、财、物的分析实现降本增效；另外还有产品的研发等。这就需要构建以业务为中心的数据分析团队，有目的地服务业务用户，充分挖掘和分析数据。
第二，深入业务痛点。数据分析必须基于业务场景或业务痛点进行日常数据分析和应用工作，帮助解决实际业务问题。这就需要促进数据分析人员和业务人员的沟通，实现业务和数据的深度融合。
第三，优化分析流程。数据分析是一个全生命周期的工作，要注意上游数据对后端数据的影响，保证数据分析的稳定性。除了内部的主要数据之外，可能还要借助一些外部数据进行综合性的分析。
第四，培养数据文化。一方面，通过引入内外部专家、成熟厂商等方式，定期快速进行专项培训，从上到下宣贯企业数据分析文化。另一方面，企业也可以培养自己的数据分析专家团队。
第五，建立工具体系。对于当前一流主流的数据分析工具，如人工智能、自然语言处理、自助式分析等，企业需要加以利用提高分析效率，同时建立起一套适合自身的工具体系。
郑博士强调，要基于实战的数据分析和预测，逐步形成具有企业自身特色的数据分析相关的流程制度，提升数据分析能力成熟度，建立数据分析常态化、服务化、价值化的长效机制，实现“全企业自助取数用数、自助分析”的目标。
█ 建立财务数据价值链
财务数据价值链的建立，需打通数据治理与数据资产管理，融合业务架构、数据架构、数据应用等，利用算法实现自动和智能运营。
一是构建“数据+算法+模型”的用数基础。要将数据转化成资产，需在高质量数据上进行算法训练并形成模型，再结合相应的业务场景解决业务痛点。通过实施数据建模，向上贯通业务视角、向下贯通技术视角，建设完整的统一数据概念、规范业务术语、企业级数据模型、系统级逻辑模型、系统实现级物理模型，为全企业用数能力提升创造条件。
二是实现业务场景赋能的用数模板。所有的算法和模型都要服务业务，否则就会沦为空中楼阁。当前，企业内部已经有很多算法，最常见的如财务统计工作中的指标，但并没有形成价值化的模型。如果能将这些成千上万的指标固化成模型，就可以提升统计数据的效率，以更准确的统计结果赋能经营决策。
三是完善横纵一体的用数能力。借鉴《数据管理能力成熟度评估模型》，数据管理能力模型包括数据战略、数据治理、数据架构、数据应用、数据安全、数据质量、数据标准和数据生存周期8个核心能力域，细分为28个能力项（图2）。数据管理能力包括为各类应用设计合理的数据模型，安全存储和访问数据，适当地共享与使用数据，从数据中获得知识，以及保障满足业务需求的能力等。
图片
图2 数据管理能力成熟度评估模型
在财务数据治理的过程中，还需要高度重视财务人员从“看数”到“管数”和“用数”的能力飞跃，帮助公司整合业务系统资源，促进全流程数据贯通，推动集团实现从提升效率向创造价值的高质量发展变革。对此，郑保卫博士表示，CFO和财务人员可以通过学习数据管理知识、建立各项管理制度、开展数据管理各项活动、培养数据管理文化、探索数据管理价值等方式提升数据管理能力。