会计大数据分析与处理技术：
助推数据赋能财务新未来
作者： 陈虎、陈健
本文发表于《财务与会计》202210期
摘 要：
关键词：
正文共8639字，预计阅读需要18分钟。阅读本文你将了解：
· 什么是会计大数据？
· 会计大数据分析与处理技术的分类
· 会计大数据分析与处理技术的典型应用场景
· 会计大数据分析与处理技术的应用成效
一、会计大数据的定义
技术的快速发展使得信息交换、存储及处理能力大幅提升，人与人、人与物之间的连接愈加紧密，形成了庞大的万物互联生态圈。与此同时，数据产生的速度和规模得到了颠覆性发展，社会步入了“随处可见皆是数据”的数字时代。会计信息的呈现、获取和使用方式也发生着巨大变化，作为企业经营数据的汇聚者，财务将不再仅着眼于会计科目+ 核算维度的“小数据”，而是有能力获取贯通企业价值链全过程的广泛数据，汇聚形成会计大数据，转化为企业的大数据中心，在新的时代引领企业新的价值创造。
什么是大数据？被誉为“大数据商业应用第一人”的维克托·迈尔·舍恩伯格在其著作《大数据时代》一书中提出，大数据是指不用随机分析法这样的捷径，而采用所有数据的方法。Gartner 给出的定义为：大数据是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。麦肯锡全球研究所认为大数据是一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。尽管业界对于大数据的定义不尽相同，但对于大数据的认知基本离不开“5V”特点，即Volume（容量大）、Variety（种类多）、Velocity( 速度快)、Value（价值密度低）和Veracity（真实性）。
会计大数据是指财务部门能够利用新一代数字技术，拓展其在经营管理中的作用及职能，为企业带来新的业务洞察，帮助创新商业模式，最终帮助企业实现新的利润及价值创造的过程中所需用到的一切相关数据。
会计大数据相对于传统会计数据而言，呈现出以下特点：
（1）涵盖范围扩大。
（2）服务目的改变。
（3）技术应用先进。
二、会计大数据分析与处理技术的概念及分类
（一）会计大数据分析与处理技术的概念
会计大数据分析与处理技术在大数据技术架构体系下发展而来，是将会计大数据予以价值化的有效手段。国际数据公司（IDC）对大数据的技术定义是：通过高速捕捉、发现或分析，从大容量数据中获取价值的一种新的技术架构。从大数据的生命周期来看，大数据技术可分为大数据采集、大数据存储与处理、大数据挖掘、大数据可视化、大数据服务、大数据安全与隐私保护等方面的技术。随着数据特征的不断变化以及对数据价值释放诉求的不断增加，大数据技术从围绕海量数据存储、处理计算的基础技术，逐步延伸为同配套数据治理、数据分析应用、数据安全流通等助力数据价值释放的周边技术组合起来形成的整套技术生态。大数据关键技术体系及释义如表1 所示。
▲ 表1 大数据关键技术体系及释义会计大数据分析与处理技术是大数据技术在财务领域的应用，以实现数据赋能财务的目标推动企业业务和管理发展，其以大数据存储和计算基础技术为底层支持，以数据治理、数据采集、数据清洗、数据分析、数据可视化等技术为核心，是帮助企业高效、高质地从会计大数据中挖掘出有效信息和潜藏价值的广泛技术体系。
（二）会计大数据分析与处理技术的分类
会计大数据分析与处理技术是帮助企业实现会计大数据向信息、知识、智慧转变的重要和必要工具。按照从原始数据产生到价值释放的过程中涉及到的技术应用，本文将会计大数据分析与处理技术分为大数据存储与计算技术、数据治理技术、数据采集技术、数据清洗技术、数据分析技术和数据可视化技术。
1. 大数据存储与计算。大数据存储和计算技术是进行会计大数据分析与处理的基础技术。
分布式架构
会计大数据涵盖企业经营的方方面面，底层大数据存储和计算技术的高存储、高算力以及可扩展性为企业构建会计大数据平台以及满足各业务场景的数据交互计算和复杂算法应用提供了基础。
2. 数据治理。数据治理是识别企业的数据资产，建立统一、可执行的数据标准和数据质量体系，保障数据安全合规，实现数据资源在全企业范围内的共享，促进数据资产持续创造价值的一整套管理体系，包括元数据管理、主数据管理、数据质量管理、数据标准管理等方面。
完善的数据治理体系是数据得以发挥价值的重要基础，如果财务不重视或不进行有效的数据治理工作，则在提供数据服务的过程中会出现诸多问题，影响数据使用的效率和效果。比如如果费用类型、会计科目、银行账户、项目等会计主数据编号和标识不统一，那么在跨部门使用过程中就会出现主数据不规范、口径不一等问题；如果不对数据质量进行界定和评估，就可能会出现数据准确性不高、时效性低、数据重复等问题。
会计大数据的数据治理从属于企业级的数据治理，通常企业会建立整体层面的数据治理平台，将数据标准、数据架构、数据质量方面的规划和治理成果及数据安全相关政策规定的要求落地。而数据治理平台规划和建设同样需要财务部门的协作，通过规划数据治理平台系统建设，实现业财数据在各系统之间的调用，设置数据校验规则对数据的安全性、及时性、完整性、逻辑性、唯一性等进行校验，将数据问题直接反馈至责任部门，切实实现数据质量的持续提升。
3. 数据采集。数据采集是指通过不同的技术应用获取来自不同数据源及各种类型的海量数据的过程。
▲ 图2 中兴新云票联系统OCR 技术引擎针对会计大数据的采集，对于发票、火车票等数据载体上的结果数据，以中兴新云票联系统为例，可通过微信卡包或拍照OCR 智能识别等方式采集多类票据信息，能够对多张混拍纸质发票进行智能切割、校正去噪，并按照发票类型，提取字符图像的征进行智能分类，支持对电票、专票、普票、火车票、出租车票等多种票据全票面信息的识别和采集（如图1 所示），助力形成发票及员工行程大数据，为企业税务分析及费用分析提供数据基础。
对于企业与外部利益相关者进行交易时产生的交易数据，可通过企业业务系统、财务核算系统使用的数据库进行数据采集。对于企业经营过程中产生的行为数据，可通过系统日志、传感器等工具进行采集。对于如宏观环境、物流状态、客商股权架构等外部网络数据，可通过爬虫、API 接口或外部数据库等方式采集。
4. 数据清洗。数据清洗是指按照一定规则对“脏”数据进行处理的过程，通过去噪、数据过滤、数据聚合、数据修正等方式剔除数据中的噪音和干扰项来提高数据质量。
5. 数据分析。数据探索是介于数据清洗和数据算法之间的重要环节，是通过作图制表、计算统计量等方法来探索数据内在结构和规律，了解数据集自身特点以及数据间的相互关系的一种开放性分析方法
数据算法是一系列有助于解决问题和实现目标的规则，通过对一定规范的输入，按照明确、有限、可行的操作步骤，实现期望结果的输出，是企业得以在海量数据中深入探索数据规律和发掘有效信息的关键。分类算法聚类算法回归算法关联规则算法时间序列算法
在财务工作过程中，需要根据不同的决策场景选择合适的算法模型，比如当通过历年销售收入数据预测下一月度及季度的销售收入时，可以利用在时间序列模型中输入影响收入的相关变量以及参数，得出相应的预测数据值，管理层可根据计算出的预测值与目标值的差额及时调整营销策略。
6. 数据可视化。数据可视化是指利用计算机图形学和图像处理技术，将数据及分析结果转换成图形或图像在屏幕上显示出来，再进行交互处理的理论、方法和技术。以费用分析可视化报表为例（如图2 所示），财经云图可清晰展示企业整体费用支出情况（累计费用、月度费用分布、各类型费用分布等）、交易方情况（交易方数量、交易方地区、交易方排行等）、进项发票情况（发票类型统计、待认证发票、待抵扣发票等）、差旅费情况（月度差旅费用、热门航司、常住酒店等）等信息。
▲ 中兴新云财经云图费用分析可视化报表三、会计大数据分析与处理技术的典型应用场景
按照财务发挥的职能，可将财务数字化分为财务会计数字化、管理会计数字化、决策支持数字化
▲ 图3 财务数字化发展的三个阶段财务会计数字化管理会计数字化决策支持数字化
以下对会计大数据分析与处理技术在资金管理、预算管理、管理报表自动化出具、客户信用管理的典型财务数字化应用场景予以介绍。
（一）大数据资金管理
资金是企业的生命线，对企业经营的重要性不言而喻，资金安全、可视、可控一直是企业资金管理所追求的目标，会计大数据分析与处理技术可帮助企业实现资金流的实时预测及支付欺诈管控。
1. 资金流实时预测。
2. 支付欺诈管控。
（二）大数据预算管理
预算管理是管理会计的重要职能之一，一般包括确定预算目标、预算编制、预算控制、预算分析、预算调整、预算考核等环节。然而预算管理在企业中实际执行效果却不尽人意，究其原因，一方面预算编制主观判断较多，预算数据准确性不高；另一方面由于业务侧经常发生变化，预算执行过程中难以进行及时、有效的监控和分析。
随着财务获得的数据愈加广泛，以及借助会计大数据分析与处理技术，企业预算管理过程将更加有效，主要体现在以下三个方面：
（1）预算编制精准化。
（2）预算管控自动化。
（3）预算分析可视化。
（三）管理报表自动化
为满足内外部信息使用者需要，除依据企业会计准则出具的标准财务报表之外，财务部门还需向相关主管部门报送报表，以及为满足企业内部管理需要出具内部报表。大型企业的各类型管理报表可能会有几十上百张，财务人员经常需要从多个系统进行取数然后以线下Excel 的形式耗费大量时间重新进行数据计算和加工，数据准确性难以保证，且没有精力对数据背后的原因做进一步的深层分析。
▲ 图4 中兴新云财经云图“12345”框架中兴新云财经云图“12345”框架价值（Value）、业务（Business）、数据（Data）、技术（Technology）的四维模型（VBDT）
（四）大数据信用管理
对大中型企业而言，由于子公司众多且业态复杂，客户数量众多，如果管理不善，很可能出现大额坏账影响企业的现金流和正常的生产经营，特别是如果在对某一客户有重大依赖的情况下，一旦发生风险事件，很可能导致公司破产。传统的客户信用风险管控主要依靠线下手工搜集风险信息及主观判断，缺乏自动化、智能化手段，工作效率低下，且很难持续地对信用风险进行监控，导致事前管控不到位、事中管控不及时。
在会计大数据分析与处理技术的支撑下，企业可以创建全生命周期、全流程、更加具有预见性的智能风险管控体系，可从不同的数据源中进行成百上千个数据项的自动采集，比如所属行业信息、客户股权变动信息、客户财务信息、历史贷款还款信息、历史金融交易信息、历史征信信息、纳税信息等，在获取大量数据的基础上建立并持续优化风险评价模型及算法应用，形成企业风险画像，对企业违约概率进行预测，根据预测结果指导企业的经营决策。具体可体现在如下场景：
1. 客户信用评价。
2. 应收账款管理。
四、会计大数据分析与处理技术的应用成效
数字经济时代，企业数字化转型已是大势所趋，财务数字化是企业数字化的重要组成部分，数字技术的发展不仅会改变财务的未来，更会改变企业管理和业务的未来。
（一）助力管理决策向数据驱动转变
数据价值链“数据+算法”
（二）推动财务职能向运营管理拓展
企业对于数据价值的渴望以及会计大数据分析与处理技术的进步，使得财务职能在财务会计和管理会计的基础上进一步向前拓展，即发挥企业运营管理职能，以数据为指引为企业提供运营监控和数字化建议。财务将基于数据洞察，分析企业发展轨迹和路径，研究过去得失、预测未来发展规律，成为企业的“数字神经系统”，针对企业的每一个运营场景提供全业务支持，帮助企业发现更多的新兴商业模式，实现新的价值创造。
（三）促进财务人员向经营顾问转型
随着大数据、RPA 等新兴技术和工具在财务领域的深入应用，财务职能得以进一步颠覆，大量的基础性处理工作可以由系统自动完成，财务人员需重新审视自身在新时代的角色和价值，积极拥抱数字技术驱动下的财务发展机遇，不断拓展自身能力结构，成为懂会计规则+ 懂管理方法+ 懂技术工具+ 懂数据科学+ 懂商业战略的综合型财务人才，将更多时间和精力用在企业数据分析和决策支持上，推动企业价值创新。
本文引用格式：