財務機制變革：從流程驅動走向流程與數據驅動并重

張慶龍（首席專家/教授）

（廣東財經大學粵港澳大灣區資本市場與審計治理研究院 廣東廣州 510320 中國財政科學研究院 北京 100142）

一、管理運行機制的演變與特征

《關于中央企業加快建設世界一流財務管理體系的指導意見》（2022）（以下簡稱“《指導意見》”）指出，財務管理要轉變運行機制，從流程驅動為主向流程驅動與數據驅動并重轉變。“運行機制”是許多學科都廣泛使用的術語，它原意是機器的構造和工作原理，現在引申為泛指事物之間比較穩定的相互聯系和相互作用。在經濟社會中，要實現各項工作目標和任務，均需要建立一套協調、靈活、高效的運行機制，如市場運行機制、競爭運行機制、企業運行機制等，同樣的，管理也具有運行機制。彼得·德魯克指出，管理和管理者是所有機構的特殊需要，是所有機構的特殊器官。它們使得機構成為一個整體并且正常運轉。離開了管理者，就沒有哪個機構能夠正常運轉。管理運行機制就是設定管理目標、組織各類活動、整合資源、開展評估的過程，包括決策機制、約束機制、激勵機制、溝通機制等。回顧歷史，按照企業管理的發展脈絡與管理目標不同的實現方式，管理運行機制經歷了從人的驅動、職能驅動、流程驅動到數據驅動的演變。

（一）從人的驅動、職能驅動到流程驅動

原始的管理是靠人的驅動。在目標導向下，工作人員根據一定的經驗，自發決定工作內容和工作方法，以滿足管理的需要。在勞動分工思想的指導下，人的驅動逐漸演變為職能驅動。職能驅動就是根據工作任務的分解來劃分不同人的工作職能，實現“各司其職”，以此來組織生產和管理。過去兩百多年以來，基于勞動分工的職能驅動促進了生產力的極大提升，同時也劃分了不同的職能部門，形成了企業組織架構的基本形式。然而，這種運行機制的弊端也十分明顯，即不同部門由于職能的分割，導致橫向之間溝通協調困難，縱向上需要根據職級層層傳遞信息，也很難迅速對市場作出反應。總之，在當前數字經濟時代的大背景下，這種工業經濟時代形成的管理運行機制已經無法適應管理需要，迫切需要實現變革。

對此，在職能驅動的基礎上，可以進一步將不同職能之間的合作過程從企業業務中進行分析、抽象、提煉，劃分為更加細致的業務節點，形成關鍵業務節點的集合，并串聯成整個業務流程，實現流程驅動的管理。流程驅動通過職能的分工和業務流程更為細致的劃分，將組織中不同職能的人連接起來，通過完成各自工作，實現各業務節點之間的順暢連接，進而達到某一項具體目標。雖然在整個流程中，不同的人只負責其中一個環節的工作，但通過流程的設計和牽引，仍然能夠實現管理目標，并確保整個過程是基于一定標準的、可控的。相比于人的驅動和職能驅動，流程驅動具有以下優點（史凱，2020）：第一，流程驅動有助于跨職能業務的銜接。由于設定好職責分工和上下游流程的交接對象與內容，流程中每一個節點的工作人員都可以在只熟悉自身職責的情況下完成合作，避免出現職責劃分不清的情況；第二，流程驅動具有更快的響應速度。由于只需要和固定的上下游對接，流程中的節點可以實現溝通成本最小，進而提高響應速度；第三，流程驅動可以降低管理的復雜度。通過將流程業務標準化，可以降低操作難度，同時便于進行業務的推廣和規模化。

基于流程驅動的運行機制產生了許多先進的管理理念和理論，例如流程再造、流程標準化等。在財務領域，財務共享服務中心的建設也是流程驅動運行機制的體現。

（二）從流程驅動走向流程與數據驅動并重

“數據驅動”的概念最早應用于工程自動化領域，利用數字控制回路來實現反饋，在大數據的興起下逐漸廣泛應用于商業和管理領域。在商業和管理領域，數據驅動本質上是一種決策機制。數據驅動決策就是以大量的數據為基礎，通過在數據間發現或建立聯系，來獲得能夠據此做出決策的結論。經過簡單的數據趨勢分析來決策是數據驅動；通過建立回歸分析模型判斷變量關系是數據驅動；基于深度學習建立復雜的機器學習模型實現預測也是數據驅動。數據驅動就是由數據替代了人的經驗或直覺，來幫助人們做出決策。換言之，即使是在沒有信息化、數字化的傳統業務模式下，一項管理決策如果是基于一定數據分析得出的，也可以稱之為數據驅動，只是這樣的數據驅動決策的效率和價值會受到一定限制，可能在時效性上不足，也可能由于落后的分析模型而得不到有價值的結論。

事實上，上文討論的流程驅動也可以視為一種決策機制。只不過相比于數據驅動，流程驅動作出的決策是“下一步做什么”，而數據驅動作出的決策是“下一步怎么做”，其區別如圖1所示。

圖1 流程驅動與數據驅動的區別

流程驅動模式下，業務人員根據自身的管理經驗和直覺，對業務流程進行梳理、分析、優化，形成一套明確的業務規則，在實際工作中表現為內部控制手冊或業務操作指南。業務人員根據一套清晰的規則便能確定明確的職能劃分和橫、縱向業務銜接關系，決定“下一步做什么”；而在數據驅動模式下，業務流程的運行機制可以是直接輸入數據源，包括與各類業務系統的對接或人工錄入，然后通過上述各類數據分析技術進行建模，生成數據模型，最后基于數據模型輸出業務決策，決定業務人員“下一步怎么做”。而且，數據驅動模式所作出的決策應該是自動或至少是自助的。在“自動”的要求下，系統應該完全自動作出決策，例如判斷某個業務申請實現能否通過；或自動生成決策結論，將“下一步怎么做”的建議通過系統推送給業務人員，例如選股系統中的買入建議；在“自助”的要求下，應基于數據分析平臺使業務人員具備自助分析能力，甚至僅通過“拖、拉、拽”即可快速產生分析報告，從而減少數據分析的周期，發揮業務人員的主觀能動性。

在財務數字化轉型的要求下，財務人員特別是業務財務和戰略財務人員需要深入挖掘數據價值、輔助業務決策，僅僅依靠流程驅動或數據驅動都是不夠的，必須實現流程驅動與數據驅動并重。一方面，僅通過流程驅動雖然也可以借助數據分析和報表工具進行分析決策，但是提供數據和分析數據的角色也只是流程當中的一個節點，或者說業務流程與數據流程是相互分離的。財務或業務人員需要按照業務流程獲得所需數據，例如向數據工程師提出數據需求等。受限于數據采集的難度、數據分析的效率等問題，常常產生數據需求方對數據獲取的速度、質量不滿意的情況，導致業務人員仍然基于經驗或質量不佳的數據做出判斷（桑文鋒，2018）；另一方面，如果不基于流程采集數據，數據驅動也只是“無源之水，無本之木”。因為業務流程決定了數據的來源、格式、標準，以及進行數據建模的目的。只有將有效的數據分析能力融入業務流程當中，才能發揮數據驅動的最大效用。當然，經過多年的內部控制建設和流程再造工作，許多大型企業的業務流程體系都趨于完善，要實現流程驅動與數據驅動并重，當前更重要的任務是加強采用數據建模、機器學習的數據驅動方式，更好地響應財務和業務決策的需求。

二、數據驅動實現業財數據的融合

《指導意見》指出，世界一流財務管理體系要推動運行機制的轉變，從流程驅動為主向流程驅動與數據驅動并重轉變；同時推動財務管理機制變革，加強關鍵指標硬約束、資源配置硬約束、風控規則硬約束、政策激勵軟引導。在流程與數據驅動并重的運行機制下，各種指標的軟硬約束實際上是依靠數據進行決策。財務管理要通過數據分析實現“自動”或“自助”決策，重要的前提是實現業財數據的融合，提高財務獲取和分析數據的能力。

傳統財務管理的數據獲取能力有限，在數據流轉上存在滯后性，提供數字化的分析工具時往往需要較長時間才能交付使用，且難以根據業務變化及時調整。更重要的是，缺少對基于新興機器學習算法模型的運用，使財務數據分析的方法僅停留于傳統的指標分析。因此，數據驅動實現業財數據的融合不僅僅體現在通過信息系統集成實現業務數據和財務數據的對接，更體現在數據及時獲取能力、數據分析應用部署能力以及數據深度分析能力的提高上。否則，僅僅是把業財數據放在同一個數據庫當中，仍不能稱為數據驅動。

（一）嵌入業務流程，實現數據采集

財務需要將數據采集的過程嵌入業務流程中，在業務發生的同時完成數據采集。嵌入業務流程的數據采集本質上是對業務活動進行梳理與抽象的過程，主要通過對流程的標準化編排，并構建業務化的數據模型（周丹等，2020），使業務流程與數據流程緊密結合，最終達到流程驅動與數據驅動并重。一方面，對于流程標準化編排，財務管理需要抽取業務、交易、操作等相關場景流程的共性特征，固化為流程模板庫或業務活動模板庫，形成標準化的流程組件，并明確該流程組件中的數據類型與標準，供流程梳理和再造時選用。這樣不僅能極大地提高流程再造的效率，更能確保數據標準的統一；另一方面，財務還需要解決數據來源多頭、定義和格式不統一等問題，對數據的基本屬性進行標準化處理。在此基礎上，根據業務特點對數據標準進行擴充，形成數據字典。例如，對于專門用于表單展現的數據字典項目，還需要定義相關的校驗規則、顯示格式等。數據標準與數據字典共同構成流程組件中的數據模型，按財務的使用場景提供數據支撐。

（二）獲得平臺支撐，快速部署應用

筆者曾提出財務組織向前、中、后臺的模式轉變。其中，中臺不只是組織架構的設計，更代表一種資源重復利用和優化配置的理念。財務管理要實現流程驅動與數據驅動并重的決策機制，還需要基于中臺的理念，使財務管理的運行機制獲得平臺支撐，并實現快速部署應用。通過部署云計算技術，可以推動財務信息系統向“財務云”轉變。在“2022年影響中國會計人員的十大信息技術”中，“財務云”已經連續5年位于榜首。云計算技術可以推動信息集成與資源共享，將業務和財務信息系統接入云平臺中，可以實現不同系統間的信息整合、交換、共享和工作協同。財務可利用云平臺便捷地獲取計算、存儲等服務，使財務管理的“算力”得到極大提升，能夠處理數量更大、結構更復雜的多元化業財數據；基于云平臺，企業還可以將業務流程快速部署到當前的管理軟件中，財務人員能夠在多個終端（例如電腦、平板電腦或手機移動應用）進行業務處理、查看業財數據，隨時隨地掌握企業數據，以便更快基于數據驅動做出相應決策。

（三）運用算法模型，提高分析能力

數據驅動決策的財務管理運行機制與傳統財務決策方式的區別還體現在分析模型的選擇上。傳統的指標分析難以從當前更加多元化的數據中，分析、整合和提煉出潛在的各種可能的數量關系。因此，財務管理需要采用機器學習等新興數據分析和挖掘技術，利用算法的自我學習與優化能力，實現更加準確的判斷和預測。除了運用算法模型以外，數據驅動決策的管理運行機制還需要實現組件化的數據展現設計。就當前的應用程度而言，數據驅動下“自動”的決策更多的局限于規則明確、不涉及業務判斷的操作類流程，例如智能審核或風險控制。更多的決策場景需要決策人員采取“自助”獲取數據服務的方式，通過可視化的人機互動實現。因此，數據驅動的決策模式下還需要財務管理系統能夠提供可快速拖拽配置的數據展現模型，如數據表單、查詢視圖、報表、圖表、儀表盤等，并支持多端展現。

三、數據驅動實現指標約束和引導

數據驅動的核心意義在于讓決策者根據數據信息來采取行動，在提高數據及時獲取能力、數據分析應用部署能力以及數據深度分析能力的基礎上，數據驅動實現的指標約束和引導表現為以下四大方面：

（一）數據驅動的規則引擎

數據驅動的決策并非只存在于業務分析的決策，財務會計活動中的審核等工作同樣是一種決策，這種決策所作出的判斷是相關審批事項是否符合政策規定。對于這種決策，可以基于數據驅動的規則引擎實現智能財務審核與自動賬務處理。規則引擎是在業務流程中執行業務決策的組件，它通過預先定義判斷標準，在接受相關數據后可以根據業務規則做出業務決策，例如基于事項審核標準判斷能否通過，或根據會計處理規則自動生成會計分錄和記賬憑證，后者又被稱為“會計引擎”。當然，數據驅動的規則引擎不是一成不變的，當審核或核算規則發生變化，財務應能夠實現對規則的快速修改、編輯和維護。

（二）數據驅動的財務決策

對于關鍵財務指標、資源配置等財務決策而言，可以首先通過流程優化實現業務規則體系的標準化，通過信息系統建設固化將不同業務流程全域數據匯聚與沉淀，實現業財數據的融合。在此基礎上，通過新興機器學習技術的場景化應用，對業財融合數據進行分析訓練，并基于既定的流程進行指引和導流，形成數據洞察、預測模型等，并將決策結果反饋到業務流程中來，驅動業務流程的高效運轉，賦能業務的決策支持，使業務快速響應業務需求，實現數據驅動與流程驅動的融合。

（三）數據驅動的風險管理

對于風險管理而言，企業風險管理的數據驅動應用主要體現在風險點數據監測、安全隱患提前分析發現、風險提前預警等方面。根據企業全面風險管理模型，要對企業總部、各個業務部門、各個分支機構在內部應用系統、網絡、移動終端上的操作內容和行為進行數據采集和風險監控，實現專門的數據采集。獲得監測數據后，要重點對風險發生的概率進行評估和分析，并且按照風險模型設立風險閾值，一旦超過閾值則自動進行預警和處理。

（四）數據驅動的績效評估

對于績效評估而言，企業需要從內部業務和管理信息系統、外部網站、電子商務和社交媒體等收集各種類型的數據，通過數據分析和預測企業業務和管理績效，為企業運行提供全面的洞察力。企業績效的數據主要包括四個方面，分別是企業業務運營數據、財務價值數據、客戶數據和面向企業未來發展的數據。通過企業內外部數據的采集和分析，能夠實時反映企業戰略目標的執行情況和差距，并對未來戰略目標的實現進行提前預測和分析。