上海国家会计学院论坛 | 陈东升：强化管理报告，构建经营大脑
2022年7月30日，“会计科技Acctech应对不确定性挑战”高峰论坛暨2022年影响中国会计人员的十大信息技术评选结果发布会在上海国家会计学院国际会议中心顺利举办。
中兴新云执行总裁陈东升先生出席发布仪式，并作主题分享——“强化管理报告，构建经营大脑”。
我们整理了现场发言视频和文字内容，以飨读者。
强化管理报告，构建经营大脑
*本文正文4792字，预计阅读时间11分钟
尊敬的各位来宾，线上的各位朋友，大家上午好！非常高兴又一次参加“影响会计人员的十大信息技术”评选结果发布会，我相信随着这些信息技术的逐步应用，财务人员会变得更加强大，会在企业的价值创造中发挥更重要的作用。
今天我分享的主题是“强化管理报告，构建经营大脑”，主要从这几个方面展开：
目前企业管理报告面临的数据困境与决策困境；
如何搭建企业管理报告多维价值体系。
企业管理报告面临的数据困境与决策困境
谈到管理会计报告这个话题，我自身是有很多感触的。我参加工作二十多年，前十年的时间主要做企业的财务管理，一项重要职责是为经营者提供管理会计报告；后十年我从财务转向了业务，职责也从写分析报告变成了看分析报告。我用20年的时间，经过两个角色的转换，深刻地体会了什么是“精确的不准确”：财务的数据是精确的，可以精确到小数点后两位，我们有借贷平衡，可以形成一个循环体系；但是它跟业务的相关性不是很强，不能准确地反映业务的现状，不能揭露背后的问题，不能找出解决问题的答案，也不能为企业决策提供重要的支撑。
为什么会出现这样的情况？一个很重要的原因是，传统的管理会计分析报告是在对外财务报表的基础上通过手工加工整理而成的，但对外财务报表和企业内部的管理会计报告差异很大。
首先，语言不同。会计是有基本假设的，比如会计主体、会计分期，但是这些假设在内部的经营中是不成立的，管理者需要的可能不是按法人出具的分析报告，而是要把法人的边界打乱，按照整个集团的价值链，从销售、售前到售后，看每一个价值链条的运营状况；可能也不是看年报、季报、月报，而是看整个项目的生命周期，这些都打破了我们的会计基本假设。
第二，思维方式不同。传统的会计报表是从凭证到日记账、明细账，再到总账、报表逐步加工和汇总的过程，每一次加工汇总实际上就是一次信息衰减的过程。但是管理会计报告是从上向下的，从结果出发，从问题出发，要经过杜邦分析体系层层钻取发现问题。前者是计算，而后者是算计。
第三，关注点不同。财务报表更多反映的是事后的数据，而对于企业的经营来讲，我们更多地关注未来，关注新产品、新市场、新的商业模式、新的客户、新的技术……而这些很少在财务报表中体现。
第四，时效性不同。财务可能会在年末用几个月的时间完成一份年报的披露，但是管理报告如果保持这种时效性，基本上就已经失去了决策依据的作用。
第五，也是很重要的一点，管理报告关注的信息颗粒度更细，维度更多。它不仅关注企业自身的情况，还要了解对手的情况、供应商的情况、客户的情况，了解每个国家的政治经济情况。不仅有财务的数据，还要有非财务的数据；不仅有内部的数据，还有外部的数据；不仅有事后的数据，还要有实时的数据。仅仅是收入数据，它要分解到项目、合同、产品、办事处、客户，仅仅知道是某一个客户还不够，还要知道该客户的属性是民企还是国企，处在什么行业，在哪个城市，购买的是咨询产品还是软件产品，是一次性收费还是多期的订阅，是私有化部署还是公有云部署，是自主销售还是渠道销售……所有的这些管理者都需要知道，因为这些信息的背后对应着每一项决策，比如销售渠道应该怎么搭建，研发资源应该怎么投入等等，这些信息用传统财务报表是很难获取的。
基于这些差异，我们在做管理会计分析报告的时候，就会面临两个困境：一是数据困境。包括数据获取不到，需要手工填制，获取数据的成本很高而质量很差，数据标准和规范不统一，数据清洗的难度大等等。二是决策困境。管理者对我们提出了很高的要求，他的分析要求是非常灵活多变的，对时效性的要求也非常高，但是我们缺少一套有效的体系支撑，也缺少有效的信息工具，所以无论从质量还是从时效性上都没有办法满足管理者的要求。
那么我们如何来解决这个问题？
对内的分析报告实际上是基于业财融合的、多维度的大数据分析，我们需要把数据科学引入到财务领域，从数据采集、数据清洗、数据算法、数据可视化展示等开展全数据价值链的建设，要在每一个环节上把握数据质量，还要基于真实的业务场景构建模型算法，来满足企业管理快速、灵活的要求。
三大模块构建管理报告价值体系
在这个过程中我们要做三件事情。
（一）研发设计
不是我们有什么数据，我们就提供什么数据，也不是说领导要什么数据，我才给他什么数据，而是一定要设计好提供数据的报表体系。企业的决策要满足两项要求：第一是做正确的事，第二是正确地做事，我们提供管理会计报告也是同样的，首先是提供正确的报告，然后才是正确地提供报告，只有这样我们才能保证在合适的时间，把合适的数据，用合适的方式提供给合适的需求者。
那怎么设计呢？
01 定方向
不同的企业在经营管理当中所需要关注的方向是不同的，行业不同、商业模式不同、发展阶段不同，关注点就会不同。消费行业和互联网行业关注客户画像，要做到千人千面、精准营销；建筑行业关注项目管理、成本控制；快速发展中的小微企业，关注的是灵活、增长；大企业更关注的则是合规风控。
02 抓重点
我们需要把企业的业务进行详细分析和解剖，把企业所有的业务流程层层地展开，从一级流程到二级流程，具体到每一个核心的流程点。那么你会发现，所有的流程点被打开分析之后分为两种：一种是纯业务的流程点，比如说研发人员写代码，这件事情跟财务是完全没有关系的；但是研发人员应该开发一个什么样的产品，项目应不应该立项、有没有经济效益、立项了之后目标成本确定在多少是合适的……这些都是需要财务来关注的，这样的流程节点，我们就把它叫做业财交互点。
业财交互点本身又分两种情况。一种是连接点，就是说这件事情如果不走流程是跑不通的，譬如财务不开发票，业务人员是没有办法进行收款的，这个流程就断掉了。而有些事情如果不做，公司也可以运转，但是未来的风险会很大，譬如说供应商的风险评估，在做一次招标的时候，可以通过大数据、知识图谱对供应商的关联关系和风险进行分析，从而找到更合适的供应商，这件事情可以不做，也不影响这次采购招标的流程执行，这种我们把它叫做决策点。
在很多企业里，决策点是财务分析不太关注的地方，这件事要么企业没有做，要么是由非财务部门来做，这是我们在管理会计报告分析中需要重点关注的，譬如说你的市场如何选择、客户如何选择，应该如何评估客户的授信额度，供应商风险是不是进行了充分的评估，研发项目应该如何立项等等。
03 挖动因
经过前面两个步骤，我们只解决了“是什么”的问题，没有解决“为什么”的问题，我们要找到问题背后的成因，针对性地去解决问题。比如一个关注成本的企业也非常关注成本率，成本率是由价格和成本两方面决定的，那么你既要关注价格又要关注成本，而成本有生产成本、物流成本、工程制造成本等等。具体到生产成本又被两方面因素影响，一方面是典型配置，另一方面是采购价格。典型配置就体现了研发设计的水平，是不是充分地运用了价值工程，是不是尽可能减少了成本高但是价值贡献度低的设计点，是不是充分做好了产品的标准化、模块化。另外一方面你要关注物料采购价格，它受到很多因素的影响。如果你的产品采购是独家供应的，意味着是没有办法去谈判的，你就要关注独家率；同时你的采购也不能过于分散，否则就没有议价能力，所以你还要关注集中度；另外如果你的物料是不通用的，上一代机型停产了，很多物料就要报废，所以你还要关注通用率。因此，企业分析的是成本率，但最后可能还要关注通用率、集中率、标准化、可用性等等，要通过动因的挖掘形成一个全面综合的分析体系。
04 精准投放
经过前面的分析，我们把握了企业经营分析需要关注的方向和背后的动因，形成了各种各样的指标库、数据库，但这个时候我们仍然还只是身处一个数据森林。我们不能把所有数据无差别地向各个领导投放，一定要做好准确分层、分类，要知道公司级领导需要什么样的数据，中层领导需要什么样的数据，具体的作业操作者又需要什么样的数据，财务领域的领导要什么，销售领域的领导要什么，研发领域的领导要什么……这样才能做好精准投放。
（二）生产制造
在做好设计之后，我们进入管理会计分析报告的生产制造过程，实际上就是财务数据价值链的过程。这个过程包含业务需求分析、数据采集、数据清洗、探索分析、建模运算，还有最终的可视化展示。形象一点比喻，业务需求分析就好比点菜的过程，数据采集就是买菜的过程，数据清洗就是洗菜的过程，数据探索是切菜，数据算法是炒菜，数据可视化是最后的上菜。我们前面重点讲的设计的过程，也就是数据分析的过程。
01 数据采集
数据是原材料，是我们所有管理会计分析报告的基础，能不能充分全面地采集数据决定了最终的呈现效果。我们一定要做到智能的、无感的、全方位的采集。我们不能依赖于质量不高、时效性差的手工录入方式，而要借助多种多样的数据采集手段，比如软感知的埋点、爬虫、系统日志，硬感知的传感器、RFID、二维码，还包括我们财务现在经常使用的OCR识别、RPA流程机器人、自然语言处理等。只有具备了充分的前端采集手段，我们才能够充分地采集信息，准备好所需要的数据原材料。
02 数据清洗
采集过来的数据并不是天然地就能满足我们的质量要求，它存在各种各样的问题，比如逻辑的问题，数据异常的问题，数据不一致的问题，数据冗余的问题，数据缺失的问题，数据格式的问题等等。针对不同的问题，我们会采用不同的清洗方法。
03 数据建模和运算
数据的模型运算不仅仅是“加减乘除”这些基本公式，还有很多复杂的模型算法，在不同的场景下提供支持。比如回归算法、分类算法、聚类算法、关联规则算法，时间序列算法等等，这些算法都能在财务实际的场景里进行匹配和应用。
比如说在资金管理方面，我们可以做支付欺诈扫描，授信/担保额度的管理，短期现金流的收支预测，短期现金流管理，投融资管理，资金风险预警；在税务方面可以做税务分析，纳税筹划，税务风险预警；在预算管理方面可以做收入的预算推演，经营成本的预算推演，现金流的预算推演，资产负债表的预算推演，预算的多维分析；在成本管理方面，可以做目标成本体系的建立，最优库存模型的建立，成本分摊计算，供应商价格评价，多维分析体系等等。在绩效管理，销售管理，采购管理，资产管理等每个方面我们都有具体的场景可以应用这些模型算法。
04 数据可视化
分析报告最终的呈现结果不仅仅是一份Excel表或者Word文档，很多时候图表的形式可以起到更好的效果，因为人脑对于图表的处理速度远远高于对文字的处理速度。这里我们讲两个小的案例，第一个案例是南丁格尔玫瑰图，南宁格尔是英国第一位护士，也是一位统计学家，她用玫瑰图说服了英国女王和英国政府建立起公共卫生体系，图表中的扇形的面积代表在战争中死亡的人数，其中最外层代表原本可以避免感染的士兵数量。
第二个图表是历年阿里双11的交易额，大家可以看到两条曲线的曲线率是完全不同的，而数据是一样的。因为我们统计时采取的坐标线颗粒度是不同的，就产生了两种完全不同的认知效果。通过这两个案例，想和大家介绍图表展示的重要性，以及合适地选择图表的重要性。
所以我们要根据展示内容提供不同的图表支撑，有地理型、关联性、区间型、分布型、趋势型、比较型、比例型等不同的分析图表。
我刚才所讲的所有的这些过程，都是传统的IT技术不能解决的，都需要数字化工具的支撑，这一点很关键。
（三）运维
最后，我们只有通过持续的数据治理，才能保障数据的质量。数据治理是一个长期的过程，包含了对企业主数据、元数据、数据安全、数据质量等一系列治理的内容，同时还涉及到企业方方面面的治理机制和管理机制，需要企业组织、人员配合等多方面协同进行。
未来财务的方向一定是从数据走向决策，从财务走向财经，对于我们财务人员的要求也会更加全面，我们要具备财会知识、业务知识，还要拓展数据科学的知识。中兴新云近期与IMA合作出版了《财务数据价值链——数据、算法、分析、可视化》这本专著，在书中首次提出“财务数据价值链”概念，全面系统地阐述了财务数据价值链对财务管理和分析工作带来的影响。在我们的【财务云】官方的微信公众号中，也会分享中兴新云的最新资讯和研究成果，欢迎大家持续关注。
