本文整理自“IMA管理会计大咖云讲堂”在线节目

中集世联达物流科技（集团）股份有限公司

财务信息化总监

CMA，袁颖

一、数据治理是什么

数据治理是整个数字化转型的基石。从管理者视角的数据治理模型中可以看到，顶端是整个企业的数据战略，是对企业未来整体形势的判断，对企业经营机会、战略、资本模式、品牌营销、产品和客户等的整体布局。数据就是模型中红色框线的部分。这项工作需要企业各相关方高度协同合作，有效的组织是整个数据治理架构可以成功的有力保障。数据治理主要分为三个部分：第一，组织与机制；第二，数据资产管理；第三，数据应用与服务，包括数据驾驶舱的呈现。模型中浅橘色部分为IT技术支持层面，蓝色部分为数据资产管理层面。数据治理并不是一项IT工作，而是一项系统工作。

具体的数据治理指的是，通过建立组织架构，明确企业内部各机构职责要求，通过制定和实施系统化的制度、流程和方法，确保数据统一管理、高效运行及深度应用，并在经营管理中充分发挥价值的动态过程。这里包含两个层面的含义，第一层，管理好企业的数据。对数据的创建以及使用进行标准和规范，同时对数据的输出以及过程中的维护进行流程化，每个环节指定对应的数据责任人，完成这些工作就达到了第一步，管理好数据。第二层，使用好企业的数据。这里更多的是指对于数据的业务运营分析、销售层面的拓客、内外部对标分析等等可以发挥数据价值、使用好数据的层面。

二、数据治理案例项目详情

1.案例项目背景

数据治理有诸多痛点，比如集团下属企业数量多，并表企业超过140家；业务系统多，业务系统、结算系统、总账系统合计有20多个，数据维度难规范；数据收集难，数据标准及数据口径不统一；数据质量难保证，数据维度内涵不一致，时间范围不一致，手工填报有偏差，数据传递过程中缺少质量检查。因此数据治理有其必要性，会计信息对外披露的时效性与准确度要求高；为企业一体化建设赋能，收并购企业多，需要在系统建设中对数据标准、数据质量进行统一与规范；需要对经营数据支持，通过可视化的实时数据掌握企业的经营状态。

2.项目现状调研

数据应用无序，日常的工作当中会涉及到海量报表，在整个报表的收集过程当中，自下而上通过层层传递的方式上传总部。形成的套表很繁琐，指标也很庞大，领导很难看到实际工作中真正出现异常的指标，也无法识别到真正经营过程中的核心指标。数据权责不清，召开经营会议或分析会议时，同样的指标不同部门呈现的数据结果不一致。追根溯源会发现数据传递的过程中，每一个环节都不是主责部门，查找原因后找不到相应的责任主体。

3.识别项目主要问题

数据应用简单，报表的自动化程度比较低，大部分通过手工填报的方式获取，分析方式主要基于Excel表格来支撑。由于涉及企业数量多，底层数据汇总单个文件常常达到上百兆，表格难以进行复杂运算。数据管控较弱，企业整体管理组织以及制度有所欠缺，导致数据标准的执行不到位。数据标准化不足，在数据支撑的过程中，十余个业务系统数据的标准化相对薄弱。同时，跨部门的沟通及协同成本很高。数据管理平台建设缓慢，对于管理平台缺少数据整体的架构，对于数据平台，目前的统一性无法去支撑数据标准化建设。

三、数据治理案例解决方案

所有识别的问题都指向数据质量，经过调研和咨询，我们设计了解决方案，整体框架为：以数据治理为基础解决多个系统所产生的信息孤岛，以提高数据质量为目标支撑整体运营效率。制定相应数据标准，通过底层的数据拉通、数据校验来真正做到管理好数据。在数据校验过程中也升级应用场景及口径的输出，最终对应用数据、分析数据形成整体的驾驶舱，达到第二层使用好数据的目标。

1. 定义数据维度，确定数据标准。

首先以运营分析为目标，定义数据维度，确定数据标准。在这个过程中发现，集团过往对于同质化表单会通过不同部门向企业收集，这带给企业很多重复工作。运营分析表单涉及的收集部门及集团业务中心多达13个主体，所有表单总和超过200张。对表单内容及分析维度的归纳总结后发现，表单归集了15个业务大类，4个客商大类。财务类运营指标涉及177个表单，人资4类，其他9类。通过初步维度梳理，逐步完成定义数据的域以及数据的维度。

在这一前置调节条件下，我们聚焦业务分析，拆解业务指标，通过基础表单层的分析，对于整体分析指标的呈现聚焦产品、客户、供应商以及交易额。由于集团设计的系统很多，看似每个系统都可以实现的字段，当形成整体集团化的数据时，反而成了最大的障碍。

随后形成数据域，明确数据域管理权责。前期分析梳理出四个数据域，客商域、业务域、人资域及财务域，这一部分是整体数据标准、数据定义的重点，同时也会形成相应的数据域管理规则。

2. 以数据拉通为方式，打造企业数据池。

整体数据系统的建设需要一定时间迭代，如果可以先行对数据的标准、数据定义形成一套完整的规范，那么在系统迭代的过程当中就抢得了先机，占领了时效性的优势。基于这一状况，我们在ERP系统的建设中以数据拉通两者之间优选了数据拉通，实现了从线下手工 到线上自动化的跃迁，解决了Excel大文件无法操作的痛点。与此同时再去进行整体ERP系统的升级与迭代，在实效性上取得了阶段性成果，数据接口拉通实现了“从0到80家企业”的突破，覆盖了12个业务系统，持续优化目标是“实现100家企业系统拉通，覆盖全部业务系统”。

目前数据拉通更多解决的是在大文件数据传递过程中遇到的安全问题，比如过往以邮件、钉钉、微信甚至是u盘形式来传递资料，目前升级为采用线上的方式，安全性更有保障。线上登录通过钉钉扫码的方式，保障企业整体数据在一个安全的、可控的范围内进行数据查阅及数据传递。

3. 数据质量检查，数据应用分析。

数据质量的检测看板通过自动化的检测方式来提升整个数据质量的较准。通过对客商属性的监控，及时识别客商主数据核心字段的质量，减少后续业务分析的偏差。其中包括大量业财数据、基础数据和财报数据的一键生成，核对差异，以及对于审计定稿数据的支撑。由于企业数量较多，对于630包括1231报表审定稿的输出时间来说，压力非常大。传统的审计方式很难支撑短期快速输出审计定稿。以系统整体业财核对的数据为基础，加上审定逻辑的内置内嵌，现在可以自动去完成截止性测试的差异明细，自动生成内部交易明细，同时自动生成TB核对结果，通过大数据分析及大数据平台应用，有效提升了审计的整体工作效率，过往需要三个月的时间，现在基本一个月之内可以完成审计定稿，这对于整个集团化企业来说是一个质的飞跃。

四、数据治理项目结果及经验总结

数据治理一年半后，带来了很多改变。自动化功能大幅提升了整体从数据收集、核对到分析的时效性，整体效率提升达到了77%左右。未来我们希望可以在整体财报关账后一周内完成所有各维度业财分析的输出，当然所有效率提升是基于数据质量及数据口径的准确性。在客商管理维度，客商的管理一物一码，客商属性、实控人等相应信息准确输出，整体效率提升75%。未来的目标是每新增一位客户，n+1天完成识别客户相应的所有数据的输出。数据拉通维度目前已经实现覆盖80家企业，受制于一些自研系统的上线周期，后续我们会加快整体数据拉通的进度，来实现整体数据线上拉通的覆盖率。

在数据治理工作中可推荐的主要的思路分为两个阶段，第一阶段是清洁数据成就卓越运营，以应用分析为目标来回溯企业的数据维度，从而输出数据标准以及规范。第二个阶段是智慧数据驱动有效增长，通过组织制度平台化长效机制的建设，来固化前期形成的数据管理基础及阶段性成果。

整体来说，数据治理是一个长效机制的工作，并不能一蹴而就，其成功的前置条件中首先要求管理层必须对数字化工作建设的方向、数据化和数据标准化工作的开展具有强有力的愿景和目标，这项工作是一项“一把手工程”，是整个集团的重要目标之一，是所有协同组织的统一愿景和目标。第二，建立数据治理的部门牵头和保障项目推进，过程当中会考验团队的领导力、协同力及影响力。在沟通中求同存异满足各方的需求，亦或是在可以支撑协同部门业务场景的条件下求同存异，并输出适用的标准而不是最优标准。同时，希望得到所有相关部门的支持、协同工作并提供有效保障。有了以上三个前置条件，相信数据治理的工作将会得到阶段性的成功。

在整体工作过程中的不同阶段，《IMA管理会计能力素质框架》都有融入和渗透。首先，对于整个数据治理的工作，框架引入了对于战略维度的思考和参与度，同时报告跟控制相关内容对于数据治理工作中数据标准的管理以及数据资产全生命周期的管理有很大的启发和帮助。从整体运营的角度来看，数据质量已经渗透到从财务向前端业务、向数据产生过程、向运营流程的转变，这些都属于运营和管控，数据质量管理以及主数据和业务数据的管理都属于对于运营的参与，这也是业财融合最核心的一部分。技术与分析更多的是对于运营数据的支撑，不单是财务指标的支撑，更多的也偏向于客户分析、区域分析以及品牌与销售的分析。关于领导力维度，整个数据治理工作其实都是对于我们领导力、协同力和影响力三部分综合能力的考核及检验，整个过程需要大量的协同、沟通以及向上级领导借力并争取资源。所以，数据治理是一项高效协同的工作，也是一项复杂度很高的工作。要求我们具备《IMA管理会计能力素质框架》的六大能力，这样才可以更多或者更好地支撑这项工作的完成和推进。