管理会计思维之——数字化思维

从管理会计的维度看数字化思维，我想用一个词形容，就是如何“数据变现”。如今企业不缺乏数据、不缺乏信息，缺乏的是如何把这些数据变现为能创造价值的“数据资产”。

绕不开的数字经济

不知不觉间，我们已经迈入数字时代，数字科技颠覆了我们的工作生活。网上办公、消费、娱乐...，现金变得越来越可有可无，想知晓自己过去一年的踪迹，大数据比你的记忆靠谱多了。

《中国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》中十四五时期经济社会发展主要目标之一就是“要加快数字化发展，建设数字中国”。迎接数字时代，激活数据要素潜能，推进网络强国建设，加快建设数字经济、数字社会、数字政府，以数字化转型整体驱动生产方式、生活方式和治理方式变革。

“数字经济、数字社会、数字政府”，身处数字环境中的我们，尤其是作为 为微观企业个体经济提供服务支持的管理会计，“数字化”是当下我们财务人绕不开的、必须迈过去的那道槛。

数字化思维

数字经济下，数据作为重要的生产要素影响着商业经济。数据可以智能化驱动产品设计、经营决策、客户服务等内部价值链，数字化思维就是要求我们具备挖掘和释放数据的价值，把这些数据真真正正变现为企业的数据资产。

比如一些购物平台，对物流模块搭建数字智能化后，客户可以清晰看到所购商品的发货动态，从提交订单、订单确认、商家打印拣货、验货打包完成、物流接收、物流配送中的每一步骤，都以精确到秒的时间显示。实时物流从发货地开始，到送达地，经过哪些交换站，快递员名称和电话，都清晰明了的展现出来。还有实时路线图展示商品目前已经走到哪儿了。

 

这就是数字化思维在物流行业的落地应用，通过信息技术、物联网、AI技术实现了数字智能场景、流程智能场景。于客户，可以更放心地在网上购物，于商家，可以实时管控，以及运用这些数据进行客户分析、产品分析、物流等分析。

数字化思维在经济社会下无处不在，它确确实实可以让那些实施企业受益。

美的从2012年开启数字化改革，启动了“632数字化转型”战略，即6大运营系统、3大管理平台、2大门户和集成技术平台，开启了美的数字化转型之路，提出了“一个美的、一个体系、一个标准”的构想。

让数据说话。下图是格力、美的两大电器龙头企业2012—2021十年营收、营业利润的对比：

 注：数据来自企业发布公开数据

通过上述对比可以看出，从2015年开始，美的与格力业绩差距逐年增大，无论营收还是营业利润，美的在逐年增长，而格力的营收和营业利润，增幅波动较大。尤其从2019年疫情开始，更是看出美的数字化的威力，疫情影响下美的无论营收还是营业利润，都呈上升趋势，而格力营收和营业利润都呈下降趋势。

十年磨一剑，数字化转型不单单是技术的应用，更是企业战略、业务流程和组织人员整个生态链的完美升级，打通各层级数据壁垒，构建企业数字经济体系，直接让企业管理从自行车升级为汽车甚至飞机。

美的相比传统管理方式的格力，双方披露的2022年一季度财报中，差距进一步拉大。格力营收为355.35亿元，美的为909.39亿元，美的是格力的2.56倍，格力营业利润为41.81亿元，美的为83.16亿元，是格力的2倍。

美的6月9日举办的“数字美的2025战略发布会”上，美的提出的总体目标包括：业务数字化，建设DTC数字平台，业务在线化达100%；数据业务化，数字驱动运营达到70%，智能化决策要做到40%，核心指标体系是现在的10倍；数字技术保持行业领先优势，将数字决策技术与业务完全融合等，浓缩成一句话就是“打造数字经济优势”。

管理会计数字化思维

数字企业的整个信息架构涉及战略、组织和技术，具体执行涉及如何把技术融入数字运营体系，把战略融入数字商业模式，把人才融入数字组织能力。我想从管理会计的维度，数字化思维包括两大能力，一是给数字建规则，一是如何应用这些数据。

01

给数字建规则

没有规则会陷入混乱。比如如何管理数据，标准是什么，以什么形式存在和这些数据如何分布。先确定我们都有哪些原始数据、谁需要这些数据、想通过这些数据做什么和从哪些业务领域获得这些数据，最小颗粒定义，数据类型定义等。

财务人员不一定都有机会参与数字规则的建立，但一定要了解这些规则是如何建立的和建立这些规则对后续数字应用可能有哪些影响。

建立数据类级：为方便管理固定资产通常会进行分类分级管理，先划分为交通工具、办公设备、房屋建筑物等大类，各大类再根据管理需要细分各小类。企业的所有数据是企业的数据资产，为方便数据管理与规划，需要进行数据分级分类管理。比如工信部办公厅印发的《工业数据分类分级指南（试行）》中指出，工业企业结合生产制造模式、平台企业结合服务运营模式，分析梳理业务流程和系统设备，考虑行业要求、业务规模、数据复杂程度等实际情况，对工业数据进行分类梳理和标识，形成企业工业数据分类清单。

如华为把数据资产目录分为L1——L5，5个层级，涵盖公司所有业务数据资产。L1为基于业务管理边界划分方式进行的主题域分组，描述公司数据管理的最高层级分类；L2为主题域，是互不重叠的数据分类，管理一组密切相关的业务对象；L3为业务对象，是信息架构的核心层，用于定义业务领域重要的人、事、物；L4是逻辑数据实体，是指描述一个业务对象在某方面特征的一组属性集合；L5为属性，用于客观描述业务对象在某方面的性质和特征，是信息架构的最小颗粒。

华为数据资产目录

 注：图片来自华为公开出版资料

定义数据标准：提前制定好各部门都要遵从的、统一的数据标准，没有统一标准产出的数据会混乱不准确。如果同一产品仓库收发按箱或件，门店按斤或个，或随机性大，上一批按箱这一批按个，在根据库存做决策时可能要出大问题。收银小票如何编号，各产品名称如何定义，这些看似不起眼的小事情，对数据质量和后续数据应用非常关键。

梳理数据逻辑：即梳理企业价值链上的数据逻辑。价值链中每条业务链之间有何关联关系及顺序位置，模拟业务场景，把业务现实场景转换为业务数据与信息。如生产企业包括采购、研发、生产、仓储物流、营销、人力、后勤、财务等组织。各组织的存在是为了给客户创造价值，通过梳理数据逻辑，可以更好地理解内部活动的关键能力从而确定如何对这些数据进行分析和各部门需要什么样的数据与信息支持。

价值链包括仓储物流、生产、营销、售后服务等这些涉及生产、推广产品及向客户发送提供售后服务支持的主要活动，及为服务主要活动而进行的如人力、财务等支持活动。

如对采购数据逻辑进行分层梳理：

采购活动是价值链中的支持活动。通过对本企业与优秀企业采购数据逻辑对比，了解优秀企业如何创造价值，找出差距从而改进提升本企业采购能力。如本企业原材料在生产成本中的占比为32%，而行业平均为29.5%，行业最优为27%。

通过梳理采购数据逻辑与优秀企业对比，发现在供应商评估环节，优秀企业有完善的供应商筛选评估机制，通过程序提前把那些 劣质供应商都筛掉了，而我们企业同类产品供应商中低价值供应商占比超过62%；在物流配送环节，优秀企业通过与知名物流企业达成战略合作，配送成本低、效率高。而本企业没有明确的物流配送策略，通过测算，仅自采物流成本就高于外包物流3%。

清楚了采购数据逻辑，对采购环节的问题可以大致判断问题出处，更有利于对问题的挖掘分析。如当采购超过预算时，基本可以确定是财务把关失误；当系统内产品单价错误时，基本可以确定是数据中心出了问题，把单价录入错了。

02

如何应用数据

和企业其他资产一样，只有利用起来才能产生价值。通过数据助力企业内部运营、提高组织生产效率，应对各种突发情况时做出合适的决策，支持经营管理需要和绩效考核，也是管理会计必须要面对的功课。

深度参与业务：这里的“深度参与”并不是让财务对业务部门指手画脚，而是做好军师角色，为业务部门提供充足的“数据弹药”。我们还以美的为例，美的在产品研发全生命周期深入参与，从新产品线规划直到退市全程参与。

产品线规划时，财务要审是否符合年度规划和预算；在产品立项时，财务要审核投入产出目标；在产品开发时，财务要参与控制成本和产品交期；在产品上市销售时，财务关注销售、盈利目标的达成和成本变动与分析；在产品退市时，财务要关注生命周期和库存处理。

数据可视化：通过分析数据之间的关联并可视化，从而支持业务的关联影响分析，进行精细管理与决策。管理人员和业务人员希望通过数据看到公司的收入在不同产品上的占比与增长情况、各产品成本是否合理、营销费用增长和销售的增长幅度是否合理、各产品的销量和存货的数量是否存在背离情况、应收账款信用管理情况和重点风险客户等。

但对于非财务专业人员来说，很难通过那些晦涩难懂的表格一眼看到经营决策中需要的关键点和存在问题，将枯燥的数据转换为可视化信息，让业务部门更好的理解和解读，从海量数据和信息中剔除那些与决策无关或虚假的信息，让相关人员通过图表、图形等一眼看到关键才是管理会计的成功。

如营销总监想了解A区38家店面3、4、5三个月的毛利情况，通过BI进行多维建模，从时间、课别、大类、店面4个维度动态可视化展示，将这38家店面的毛利和毛利率可视化。毛利看板中条形图反映各店面毛利情况，毛利额从多到少进行店面排列。黄色折线反映各店面毛利率情况。

 

可以看出38家店3个月创造毛利3378万元，综合毛利率18.8%，常温、肉品、生鲜和其他四大类中常温销售占比最高，生鲜次之，但生鲜毛利贡献最好，25.54%的销售贡献了34%的毛利。最好的店面3个月创造504万毛利，而最差店面毛利不足1万元。毛利率大多在15%~20%之间，其中要重点关注毛利率只有4.1%的店面。

通过动态看板选择5月份面点课，BI可以展示出，各店面5月份面点毛利情况，可以看出，毛利率在9.3%~52.3%之间，各店面点毛利差异非常大，应该对那些毛利明显偏低的店面进行关注并挖掘，进行毛利优化。

 

利用工具展示经营，需要根据业务需求识别涉及的业务流及对应逻辑数据和关联关系，事前整体规划、数据清洗整理、确定数据颗粒度，才能展示出好的可视化内容。

数据建模：面对数字、文字等海量数据与信息，想要数据助力企业，首先需要将全部数据进行规划，涉及到每张表、表的字段、表与表之间的逻辑关联关系、颗粒度等的统筹，主要从业务需要出发，对数据分析的维度进行规划和定义。各个维度的信息用来从不同维度对数据进行挖掘分析、发现数据的相关性、异常数据、数据的趋势规律等。

比如对应收账款分析建模，要定义回收账期，如3个月、6个月、12个月、36个月及以上，要定义大区、省市、销量、前十客户占比及回收周期、何为优质客户等。同时设置时间、产品、项目、销售团队和人员不同维度，进行年度对比分析、趋势分析、账款回收平均周期分析、目标达成和风险预警等分析。

数据分析模型的搭建逻辑和预测假设以经营需求为目标，即了解财务数据又了解背后的商业逻辑，才能搭建出多维度、多层级、多视角的数据分析模型。

数据挖掘：哪怕是中小企业，也会产生大量的数据与信息，这些数据信息如实记录了企业的运营过程，通过数据挖掘分析，能帮企业发现业务的趋势、揭示已知的事实或预测未知结果。

数据挖掘的目的是通过探索性数据分析、相关分析、回归分析等方法与工具，带给企业更多的决策支持信息。

通过数据与信息了解发生了什么，进行业务流程与关联性场景梳理，建立多维分析，找出问题究竟出在哪里，这些问题可能会发生什么、这种趋势继续下去会如何，可能将发生什么，如何做能解决这些问题。

数据挖掘大有可为，据国外相关调查，欧洲北美62家投入数据挖掘技术的企业3年平均带来的投资回报率为401%，其中有25%企业的投资回报率超过600%。

财务人员如何进行数据挖掘，可以看管理会计落地系列——如何对存货周转效率进行数据挖掘（点击即可查看文章）。

18世纪的蒸汽机、19世纪的电力、20世纪的计算机和当下的大数据，社会因技术进步而加快脚步。结绳记事、算盘、计算器、计算机、人工智能、大数据应用，都是提升财务工作效率与质量的工具，但只是工具。技术的进步可以加速商业前进的脚步，却从来都替代不了商业。站在管理会计的维度，所谓数字化思维就是通过对数据的驾驭能力，能更有效地把自己对企业运营的支持与服务技能从之前的自行车提升到汽车甚至飞机的速度吧。