【财务数据价值链】数据价值体系：财务数据治理五部曲
在前几期解读中，我们为读者们详细介绍了DT时代下财务变革——财务数字化，并通过对财务会计、管理会计、业务支持、决策支持等不同财务职能下数字化应用场景的讨论，展示了DT时代下数据所蕴含的巨大潜力和无限价值。然而，数据价值能否得到充分释放与数据的质量息息相关。企业必须首先开展数据治理工作，通过数据治理以实现企业数据可见、可懂、可用、可运营，为深入的数据分析和应用提供良好的数据基础。
本期我们将聚焦于数据治理，从“数据治理是什么”、“数据治理为什么”、“数据治理做什么”、“数据治理谁来做”和“数据治理怎么做”5个方面出发为读者们展开详细介绍。
数据治理是什么
目前，许多机构都提出了数据治理的定义，但各界尚未形成一个标准的、统一的定义。
DGI（The Data Governance Institute，国际数据治理研究所）认为数据治理是包含信息相关过程的决策权及责任制的体系，按照达成共识的模型执行，模型明确“在什么时间和情况下、用什么方式、由谁、用哪些信息、采取哪些行动”。
DAMA（Data Management Association，国际数据管理协会）认为数据治理不仅是一种框架的规范，还是一个可以被实践的职能模块，是对数据资产管理行使权力、控制和共享决策（规划、监测和执行）的系列活动。
我国国家标准《信息技术大数据术语》（GB/T 35295-2017）中对数据治理的定义是“对数据进行处置、格式化和规范化的过程”，并强调数据治理是数据和数据系统管理的基本要素，涉及数据全生存周期管理，无论数据是处于静态、动态、未完成状态还是交易状态。
综合分析上述观点可以发现，数据治理强调标准、规范和流程的设定，它不仅关注技术，还关注组织中与数据相关事务的决策权及相关职责的分配。
数据治理为什么
由于技术的快速发展和信息化的普及，如今企业已经能够积累很多数据，然而数据量大并不意味着数据的价值密度大，也不意味着数据能够直接被应用、能够直接作为资产并为企业带来经济价值。企业信息化建设不完善或是“先建设后治理”，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。财务人员作为企业数据的采集者和使用者，在日常工作中，常会面对很多数据问题（如图1所示）。
▲ 图1 财务相关数据问题
数据流通存孤岛
在业务、财务信息系统建设时，企业可能未过多考虑系统间的集成关系，未建立数据共享制度和共享标准，财务系统不能及时接收业务系统传输过来的数据，业财数据流通困难。财务人员无法获取原始数据，只能利用被加工过的数据进行报表编制和分析，若报表模板更新，则需耗费大量的人力对所需数据重新采集、清洗及加工。
数据标准不一致
数据标准是指数据的命名、定义、结构和取值的规则。业财系统在数据的命名、编码上的差异，以及业财不同的管理需求和视角导致数据指标选择、指标定义、统计口径、记录规范不同，造成企业整体数据标准不统一，难以实现数据跨部门的共享和复用。
数据质量难保证
在财务工作中，数据录入的及时性、准确性、完整性和规范性都直接影响财务工作的推进效率和质量。部分数据需要通过纸质文档记录或线下手工采集，数据录入和后续维护权责不清晰，有大量重复记录或数据缺失问题，数据质量难以保证，使用和分析需求难以满足。可以说，数据质量直接影响数据分析的有效性，低质量的数据会导致具有误导性的分析结果。
主数据管理流失
主数据是企业核心业务的承载对象，是企业信息化的基础，是用来描述、存储核心业务的实体。在企业中主数据经常被称为“公共数据”，包括客户、供应商、科目、员工、组织主数据等，它们在各个系统中被重复、共享使用，是企业信息化战略与管理的必要前提。通常企业会以项目制或项目管理的形式推进信息化建设。在主数据层面，在信息系统的实施过程中，由于没有统一的主数据标准、各项目主数据相互独立，所以主数据录入不及时或重复录入、维护的权责不清晰、不同系统中同一主数据不一致。大部分主数据问题只能在事后发现，这对财务工作效率和数据分析的有效性有很大的影响。
数据安全多隐患
随着企业数据开放和共享程度的深化，数据安全问题至关重要，安全是价值实现的前提。从数据生命周期安全的角度来看，企业数据在采集、传输、存储、处理、交换和删除的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问题不可忽视。
数据治理做什么
要打破上述数据困境，企业就需要逐步构建起完善的数据治理体系，强化数据治理体系顶层设计。
DAMA、DGI、IBM等国内外机构基于自身的理论和实践经验提出了相关的数据治理体系。我国国家标准《信息技术大数据术语》中强调数据治理是数据和数据系统管理的基本要素，涉及数据全生存周期管理；《信息技术服务 治理 第5部分：数据治理规范》提出面向数据价值实现的治理目标，明确数据治理的顶层设计、数据治理环境、数据治理域和数据治理过程四大部分。
我们认为，数据治理体系以主数据、元数据、数据质量、数据安全、数据标准、数据生命周期等内容为核心，涵盖数字化治理机制、数字化治理对象和数字化治理应用等方面（如图2所示），助力企业实现数据可见、可懂、可用、可运营，保障财务数字化转型健康发展，驱动财务数字化转型价值最大化。
▲ 图2 数据治理体系框架
数据治理谁来做
企业在推进数据治理项目时常见的误区是认为数据治理是技术部门的事。然而数据问题产生的原因往往来自非技术部门，如数据责任不明确、同一数据有多个来源，导致同一数据字段在不同系统中的记录标准不统一、数据不一致等问题，单从技术角度难以解决。数据治理有助于提升数据质量，提升业务部门和财务部门数据分析的有效性，因此数据治理项目可以由技术部门牵头，其他各个部门通力合作完成。
财务部门应成为企业数据治理工作的有力推动者。如果不进行数据治理，财务部门会面对很多与数据相关的问题，无法转型为企业的大数据中心。因此，财务部门应积极主导或者协同其他部门深入推进数据治理工作，同时确保财务部门的数据治理方案不脱离于企业整体的数据治理战略。
数据治理怎么做
数据治理是一项周期较长且较为复杂的工程，涉及组织、制度、流程、标准等多方面的管理，涵盖了数据标准、数据质量、数据架构、数据安全等多方面的内容。数据治理需要依照企业性质、管理模式、业务特点的实际情况制定个性化的治理规划。对于财务数据治理而言，可以从管控层面和执行层面着手（如图3所示）。
▲ 图3 财务数据治理方案
管控层面
第一，根据企业数据战略目标，制定财务部门数据使用计划；第二，持续完善财务数据治理制度，保障数据治理工作规范运行；第三，设立权责明确的财务数据治理组织，指导各项数据治理职能的执行；第四，建立有效的沟通与协商机制，提升跨部门及部门内部数据治理能力。
执行层面
在执行层面可以通过数据的“盘、规、治、用”支持良好的“数据生态”，全面提升数据质量。
第一，盘点财务数据资源。财务部门盘点与财务数据相关的系统、流程，理清各方数据需求，摸清现有数据的真实状况。
第二，建立统一数据标准规范。财务与各部门共同推进业财数据指标库梳理，制定主数据标准，实现业财数据贯通。
第三，基于PDCA循环持续改进数据质量。计划阶段，分析数据质量问题原因并制定解决方案；执行阶段，各部门共同合作解决关键问题；检查阶段，持续监控数据质量，总结方案执行结果；处理阶段，总结质量检查结果，定位未解决的数据问题以开始下一个循环。
第四，推进数据治理平台规划与建设。财务部门配合建立企业整体层面的数据治理平台，实现企业数据在各系统的调用，设置数据校验规则，保障数据质量持续提升。
