企业集团运用大数据进行风险管理的方法和路径

张仕元+刘行舟

摘要：本文立足于大型企业集团，以“大数据”在企业的应用为切入点，重点探讨企业集团进行风险管理的大数据解决之道。针对我国企业集团在实施信息化过程中遇到的难题和困境，作者结合国内外跨国能源企业实施信息化的案例，创新地提出基于大数据平台和大数据分析技术的全面风险管理模式，以及我国大型企业集团运用大数据技术进行风险管理的方法和路径，并对企业管理者如何看待和利用大数据提出了建议。

关键词：大数据；风险管理；企业集团

中图分类号：G221 文献识别码：A 文章编号：1001-828X（2016）019-0000-03

引言

近年来，我国许多大型企业集团都在积极推进全面风险管理工作，集团总部如何有效地进行风险管理成为了高级管理人员必须面对和解决的一个问题。在以往的思路下，企业管理者通常会基于若干年积累的管理经验，通过探寻风险事件的“因果关系”进行决策。但是，在“金字塔”型的管理架构下，企业高级管理人员所能得到的信息往往是经过层层上报和美化修正的汇总结果，不仅难以及时发现风险，更难以实现对风险的有效管控。

“大数据时代”的来临为上述问题的解决提供了一种全新的思路。企业集团作为“大数据”的所有者，一方面可以深化利用自身的数据，真实地了解企业全方位生产运营的情况；另一方面，也可以通过“大数据”发现以前无法及时察觉、尚未发现的风险点和市场机会；更进一步，当企业管理者真正认同“大数据”应用的核心理念，即通过利用事物客观存在的“相关性”进行干预和实施管理，将可能为许多无从下手、纷繁复杂的管理难题找到一条解决的新路。

本文立足于大型企业集团，以“大数据”在企业的应用为切入点，重点探讨企业集团进行风险管理的大数据解决之道。

一、企业集团依托信息系统开展风险管理的主要模式

1.企业集团统一实施ERP信息系统

大型企业集团当进入相对平稳的发展阶段，为了规范业务流程和防范风险，通常会采用实施ERP信息系统的方式固化业务流程、强化计划执行并辅助公司决策，进而实现对企业资源高效利用的目标，而这种模式也为许多专业的ERP软件公司提供了市场机会。目前，我国的大型企业集团主要采用了SAP、Oracle等国际主流的ERP软件和配套服务，同时也在一些专业领域采用了浪潮、用友等国内相对成熟的管理软件。

通过采用成熟的ERP软件和配套服务，企业集团一方面节约了自行开发信息系统的时间和精力；另一方面，也在实施ERP项目的过程中，引进了同类行业成熟的管理理念和流程。统一实施ERP系统的另一个好处是：通过实施“标准化的流程”，进而形成了标准统一的“结构化数据①”，未来就可以直接运用基于标准化数据的大数据分析平台进行分析，为经营决策提供高效支持。

在大数据技术广泛应用的当下，国内外的ERP软件服务也在与时俱进。例如，SAP公司近期就推出了基于ERP软件的大数据分析平台——SAP HANA，其实质就是先把企业的“大数据”全部统一到SAP的“标准框架”下，然后再进行高效的分析处理。在大型企业集团的实践中，由集团总部统一实施ERP信息系统也是基于这个理念：通过把企业的全部生产经营活动转化成唯一的“数据语言”，实现了企业集团数据标准的整齐划一。

2.基于企业集团的各类原始数据搭建大数据分析平台

在企业集团对公司架构的“顶层设计”相对完善的前提下，推进实施统一的ERP系统是较为简单的一种模式，但在实际情况中，推行“大一统”信息系统面临着诸多挑战：首先，企业集团的成员单位在业务模式和管理架构方面存在差异，许多个性化的管理需求难以通过一个信息系统得到完全满足；第二，一些企业集团通过兼并重组其他企业实现了快速发展，但在兼并后的业务整合既有可能影响原有管理架构和业务流程，也为ERP信息系统的整合带来挑战；第三，企业集团的“顶层设计”是一项系统性工程，而在“顶层设计”尚不完备的情况下，是先满足业务发展的需求在集团一定范围内实施ERP，还是“顶层设计”方案完成后再自上而下推进实施，许多企业集团都面临实际的两难选择。

不过，随着大数据分析技术的快速兴起，通过搭建大数据分析平台的企业风险管理模式，将可能成为解决上述难题的一条捷径。大数据的“大”不仅体现在数据的“量（Volume）”上，还同时表现为“即时性（Velocity）”、“多样性（Variety）”和“不确定（Veracity）”的特征，即大数据的“4V”。当企业集团处在多个ERP系统并行、信息管理系统林立的情况下，实际就面临着数据结构不一、结构化数据和非结构化数据[1]②并存的庞杂局面。大数据分析正是将这些来自历史的、模拟的、多元的、正在产生的庞杂数据，转化为有价值的洞见，进而成为企业或组织决策辅助的选项。

二、大数据分析技术在企业风险管理中应用的可行性分析

1.大数据在金融行业风险管理中的应用

通过应用大数据分析技术，金融企业的竞争已在网络信息平台上全面展开，说到底就是“数据为王”：谁掌握了数据，谁就拥有风险定价能力，谁就可以获得高额的风险收益，最终赢得竞争优势。近一段时期，蓬勃兴起的大数据技术正在与金融行业，特别是“互联网金融”领域进行快速融合，这一趋势已经给我国金融业的改革带来前所未有的机遇和挑战。

目前，中国金融业正在快步进入“大数据时代”。国内金融机构的数据量已经达到100TB以上级别，并且非结构化数据量正在快速增长。因此，金融机构在大数据应用方面具有天然优势：一方面，金融企业在业务开展过程中积累了包括客户身份、资产负债情况、资金收付交易等大量的高价值数据，这些数据在运用专业技术进行挖掘和分析之后，将产生巨大的商业价值；另一方面，金融行业的高薪酬不仅可以吸引到具有大数据分析技能的高端人才，也有能力采用大数据的最新技术。

具体来说，金融机构通过大数据进行风险管理的应用主要有以下两个方面：

第一，对于结构化数据，金融机构可运用成熟的风险管理模型进行精确地风险量化。例如，VaR值模型目前已经成为商业银行、保险公司、投资基金等金融机构开展风险管理的重要量化工具之一。金融机构通过为交易员和交易单位设置VaR值限额，可以使每个交易人员都能确切地了解自身从事的金融交易可承受的风险大小，以防止过度投机行为的出现。

第二，对于非结构化数据，金融机构根据自身业务需要和用户特点定制和选用适合的风险模型，使风险管理更精细化。例如，在互联网金融的P2P借贷平台“拍拍贷”中，确保其开展业务的核心工作就是风险管理，而进行风控的基础就是大数据。基于客户多维度的信用数据③，风控模型将会预测从现在开始后3个月内借款人的信用状态，并以此开展借贷业务。

2.大数据在企业集团开展风险管理的应用分析

相比金融行业，以能源、机械制造、航运为主业的企业集团所产生的大数据的庞杂程度则相对较低，有利于直接采用成熟的大数据分析技术开展风险管理。一方面，因为工业企业所采用的信息系统一般都是大型软件厂商的标准ERP系统，产生的数据也多为结构化数据，便于直接用于分析决策；但另一方面，传统行业在利用数据进行辅助决策的过程中，通常还是基于“因果关系”对可能影响企业生产经营的重要指标数据进行关注，而许多被认为“不重要”的数据并没有被采集到企业的信息系统之中，这就会使大数据的价值实现打了折扣。

要在企业集团推进全面风险管理，不仅需要通过企业的ERP信息系统采集被认为“重要”的各类结构化数据，还需要对网页数据、电子邮件和办公处理文档等半结构化数据④，以及文件、图像、声音、影片等非结构化数据进行及时有效的分析，才能够充分客观地掌握企业集团的全貌，让企业和组织结合分析结果做出更好的业务决策，从而真正实现全面风险管理的目标。

具体而言，大型企业集团运用大数据开展风险管理将会有以下几方面的好处：

首先，可以有效防范金融市场风险。例如，随着我国利率市场化的加速推进，企业集团面临的利率风险日渐显著，在2013年6月出现的“钱荒”给许多企业集团的资金管理造成了不小的影响，而借助金融大数据并辅以模型分析，企业集团可以进一步提高利率风险的管理水平，提前防范金融市场风险。

第二，可以有效降低信用风险。虽然国有企业面临的信用风险总体水平较低，但是在信用风险模型建立和风险预警系统的建设方面，我国的企业集团目前仍有较大的改进空间。集团总部可以调整单纯依靠下级企业和客户提供财务报表来获取信息的方式，转而对资产价格、账务流水、相关业务活动等流动性数据进行动态和全程的监控分析，从而改进企业的信用风险管理。

第三，能够降低企业管理和运行成本，降低操作风险。通过大数据的分析应用，企业集团可以准确地定位内部管理缺陷，制订有针对性的改进措施，实行符合自身特点的管理模式，进而降低管理运营成本。此外，通过对数据的收集和分析，企业还可以有效识别业务操作中的关键风险节点，并借此改进工作流程以降低操作风险，从而提高整个业务流程的运行效率。

三、企业集团运用大数据进行风险管理的实施路径

运用大数据进行风险管理，实质上就是企业集团在应对各领域数据的快速增长时，基于对各类数据的有效存储，进一步分析数据、提取信息、萃取知识，并且应用在风险管理和决策辅助上。

一般而言，运用大数据技术和大数据分析平台进行风险管理和价值挖掘要经过以下几个步骤：

1.实施数据集中，构建大数据基础

要让企业的大数据发挥价值，集团总部首先要能够完全掌握全集团已有的和正在产生的各类原始数据。因为，只有先确保数据的完整性和真实性，才能通过足够“大”的数据掌握集团的实际运行情况，而这必然意味着集团总部要求成员单位向总部进行“数据集中”。相应地，集团总部也需要“自上而下”地搭建数据集中的软硬件设施、数据标准和组织机构。

具体而言，企业集团必须要完成前期的一系列基础性工作：（1）建立用于集中存放数据的数据库或“企业云”；（2）明确需要成员单位“自下而上”归集的数据类型和数据标准；（3）建立专门的管理机构，负责数据库的日常维护和信息安全。

2.搭建分析平台，优化大数据结构

在实现了“大数据”集中后，还必须解决不同结构的数据不相容的问题，才可能充分利用企业集团的全部数据资源。基于前文提出的两种风险管理模式，企业集团可以根据实际情况选择其中一种，对集团的大数据进行标准化或优化。

具体而言：（1）对ERP系统覆盖范围广、结构化数据占绝大多数的企业集团，可以通过建立ERP之间的“数据接口”，将标准不一的结构化数据转换到统一标准的分析平台上进行分析；（2）对未统一实施ERP系统或实施范围小、非结构数据居多的企业集团，也可以通过建立大数据分析平台（如Hadoop），构建数据模型，运用数据分析技术直接对原始数据进行分析。

3.打造专业团队，开展大数据分析

企业集团要让数据发挥价值，开展数据分析工作是核心。要确保这项核心工作落地，不仅需要建立专门的数据分析团队，还要聘用统计学家和数据分析家组织数据分析和价值挖掘。因为相比行业专家和技术专家，数据分析家不受旧观念的影响，能够聆听数据发出的声音，更好的分辨数据中的"信号"和"噪声"。

具体而言，要打造大数据团队，一方面需要聘请从事统计建模、文本挖掘和情感分析的专业人员，另一方面也要吸收业务部门中善于研究、分析和解读数据的“潜力股”人才。更重要的是，要培育重视数据分析的企业文化，大数据团队的价值才能在企业中得以实现。

4.实现分析结果便捷化和可视化，辅助管理者进行决策

要运用大数据的分析结构辅助决策，就要让企业管理者能够轻松了解、使用和查询数据，因此大数据平台面向最终用户的界面还需要提供简单易上手的“使用接口”。这类“使用接口”不仅要具备数据搜索功能，还要能够通过图表等可视化的方式快速呈现分析结果，只有这样才可以帮助企业管理者清晰地了解企业运营的情况，高效地辅助管理者进行数据化决策。

四、大型能源企业集团运用大数据优化管理的成功案例

1.埃克森美孚公司的依托标准化数据提升管理水平

作为能源行业的翘楚，埃克森美孚公司的业务遍布世界各地，对于这样的大公司而言，技术和业务流程的标准化是企业成功的两大关键。

埃克森美孚着重完善全球信息链接，使各个相对独立的系统有效统一到同一平台以保持数据的标准化，同时也避免了信息汇总在渠道和时间上的差异。在埃克森与美孚两大公司合并期间，标准化的IT策略起到了推动作用，使合并后的公司得以精简员工1.5万人。追溯到2005年，埃克森美孚也是凭借这个策略在俄罗斯和安哥拉等地得以迅速开展新业务。

对于埃克森美孚，标准化带来的最终回报不仅是实现了规模经济和节省成本的管理目标，更重要的是通过采用标准一致的信息平台和业务流程，为公司迅速进入新市场，在全球范围调配工作任务提供了便利。

2.中海油基于量化模型和数据分析平台实现高效的风险管理

中海油于2013年完成对尼克森公司并购后，随即开始了对该公司核心业务的整合。在整合前，尼克森公司所处的北美地区、英国北海的市场环境复杂，为了有效管控风险，基于大数据的量化模型和信息系统在公司日常经营中发挥了举足轻重的作用。

针对市场风险的管理，尼克森公司基于所在地区的历史油价数据，运用VAR值模型为交易人员设置了一定的风险限额，确保公司开展的各类交易的风险时刻都处在可承受的范围内；同时为弥补VAR值模型的不足，还会定期进行压力测试和回溯测试，并对量化模型的进行及时的修正和调整。

在信用风险管理中，尼克森公司通过大数据平台实现了不同结构数据的整合利用。由于历史原因，公司在原油贸易、天然气贸易和信用评分中分别采用了RightAngle、Allegro和CRAFT三个系统，为了使以上三类数据都能应用于信用风险管理，公司采用“标准接口”将各类数据都统一到ROME系统的数据标准下，并基于ROME系统实现了信用风险的动态管理。

中海油通过此次对尼克森公司的并购，不仅实现了对公司剩余经济可采储量和储量替代率等指标的改善，还通过业务整合得以快速借鉴和吸收西方石油公司先进的管理经验，这一点在运用量化模型和信息系统进行风险管理方面表现得尤为突出。

五、结语

当今，各行各业潜在的大数据资源正在被不断发掘和分析，通过被一些具有前瞻性思维的企业管理者加以利用，大数据的价值得以迅速显现。企业集团作为所在行业的“大数据”拥有者，通过分析和挖掘行业数据的价值并加以利用，将十分有利于在未来的市场竞争中进一步占得先机。

大数据时代的来临，也在给全世界的企业带来一场深刻的管理变革。通过大数据分析，企业的风险管理者不仅可以拨开笼罩在企业自身上许多复杂难解问题的“面纱”，及早地提出风险应对方案，也有望借此进一步帮助企业集团降低生产成本，提升规模效益。

但与此同时，风险管理者也需要清醒地认识到：通过侵犯隐私来获取数据、过度依赖数据进行决策等“滥用”数据行为，也可能给企业的经营管理带来威胁，企业管理者需要在大数据实际应用中找到一种适合自身发展的平衡，才能使大数据真正成为企业集团未来持续发展的竞争力。

注释：

①结构化数据，指的是具有明确关联性定义的固定结构数据，一般经过编码后存放在数据库应用系统内，必须完全以明确的预定格式被存放，通常以表格的形式呈现。

②非结构化数据，是指没有固定格式、难以以统一的概念或逻辑分析的数据，这类数据包括文件、图像、声音、影片等。以文件为例，就有纯文本档、Word文件、PDF文档等不同的格式。

③在拍拍贷2.0模型中，所使用的信用数据的信息维度可分为三类：一是，用户的基本信息，如性别、年龄、学历、婚姻状况等。二是，互联网信息，如微博、Qzone，以及登录拍拍贷的各种行为数据等。三是，用户的历史借款和还款记录。此外，模型还基于以上信息对人群进行了细分，可以有近十个群体维度。

④半结构化数据，是非纯表格形式、也非纯文本形式的数据，例如：XML或HTML格式的网页数据、电子邮件和办公处理文档等。半结构化数据虽然已有程序编码既定的逻辑和格式，但不容易被数据库理解，尤其是内容含有许多不必要的噪音和混杂的不同的格式。

参考文献：

[1]维克托·迈尔-舍恩伯格，肯尼思·库克耶， 盛杨燕 （译者）， 周涛：《大数据时代》，浙江人民出版社，2013年第1版

[2]奥尔霍斯特，王伟军，刘凯，杨光：《大数据分析：点“数”成金》人民邮电出版社（2013-09）

[3]胡世忠：《云端时代杀手级应用：大数据分析》，人民邮电出版社（2013-06）

[4]道格拉斯·W.哈伯德（DouglasW.Hubbard），邓洪涛：《数据化决策：大数据时代，《财富》500强都在使用的量化决策法》，世界图书出版广东有限公司（2013-09）

[5]BillFranks，黄海，车皓阳，王悦：《驾驭大数据》人民邮电出版社（2013-01）

[6]纳特·西尔弗（NateSilver），胡晓姣，张新，朱辰辰：《信号与噪声》中信出版社（2013-09）

[7]王晓云，埃克森信息化启示，能源，2013-09

[8]武剑，金融大数据的战略与实施，CF40论坛

[9]刘新，韩耀强，陈靓，金融行业大数据应用解析，电子信息产业研究中心

[10]中央企业管理提升系列丛书之《企业管理信息化辅导手册》

作者简介：

张仕元，工作单位：中国海洋石油总公司，所在部门：资金部，职务：衍生工具主管。

刘行舟，工作单位：中海石油财务有限责任公司，所在部门：法律和风险管理部，职务：风险监测主管。