以数字中台驱动财务共享服务数字化转型

张庆龙

【摘要】基于对数字中台的认识， 分析数字中台与财务共享服务数字化转型的关系， 认为数字中台有利于驱动财务共享服务的数字化转型， 并最终有利于整个财务的数字化转型。 基于财务共享服务中心构建企业数据中台的路径有： 从财务共享服务中心走向“大共享”， 扩大共享服务中心的职能和服务范围; 实现共享服务中心的数字化和中台化转型; 建设基于共享服务中心的数据中台架构; 建立企业数据中台持续运营机制。 基于此得出结论： 数据中台是财务数字化转型与智能财务实现的中间连接点。

【关键词】数字中台;数据中台;财务共享服务;数字化转型

【中图分类号】 F275     【文献标识码】A      【文章编号】1004-0994（2020）19-0032-7

一、认识数字中台

面对快速多变、难以预测、不确定性强的市场环境， 企业开始将中台思想引入组织变革与技术变革之中， 通过构建中台来平衡前台的敏捷机动与后台的有序稳定。 陈新宇等[1] 认为， 数字中台是基于大数据、云计算、人工智能的技术架构打造的数字化创新平台， 支撑企业数字业务的标准化及快速定制化， 实现数据驱动的精细化运营， 沉淀企业数据资产， 为企业提供用户个性画像、商品智能推荐、业务在线监控， 解决企业业务在面向产业互联、生态发展过程中应变与响应能力不足的问题。

数字中台包含业务中台与数据中台。 业务中台的作用是“沉淀、标准、共享”。 业务中台沉淀基于最佳业务实践的业务模型、业务构件、RPA组件等资源， 通过将不同系统相同功能的服务聚合起来， 统一标准、规范、出口， 形成面向未来业务流程的、可复用的标准化组件， 实现企业业务的整合， 通过这种整合实现资源与能力共享， 支撑新应用与新业务的快速开发与迭代， 以满足快速变化的用户需求。 数据中台的作用是“连接、整合、服务”。 数据中台连接各类场景下的数据源作为其生产原料， 整合大数据的计算和存储能力形成其生产能力， 并通过提供标准的数据服务进一步将数据与应用场景连接起来， 通过高效的数据采集、清洗、管理和分析实现数据精细化运营， 形成一套让企业可持续利用数据的机制， 帮助企业从数据中学习改进、调整方向。 通过连接与整合， 数据中台可将企业内部割裂的数据进行汇聚、治理、建模加工， 消除数据孤岛， 实现数据资产化， 助力企业实现数据驱动业务。

二、数字中台与财务共享服务数字化转型的关系

财务共享服务数字化转型是企业财务数字化转型的起点， 其目标主要是利用数字技术， 通过连接、共生、协同、平台等理念， 针对来自企业内外部的大量、完整、多类型、异构的数据， 运用数据采集、数据加工、数据挖掘、算法、模型等方法进行数据的加工与管理， 释放数据价值， 进行数据可视化展示， 推动企业数据中台的建设， 以带动整个财务数字化转型， 充分发挥管理会计的信息决策功能。 那么如何实现这一目标？从企业数字化转型的实践来看， 陈新宇等[1] 认为， 未来全面建立一个服务化架构的数字中台将会成为传统大型企业集团全面数字化转型的最佳解决方案。 数字中台是基于企业级互联网及大数據架构打造的数字化创新平台， 它是将共性业务服务和技术予以沉淀， 以避免相同功能重复建设和维护带来的资源浪费， 有助于企业实现业务数据化、数据业务化， 赋能企业智能化。 从阿里巴巴中台建设的经验来看， 可发现中台就是从共享多个相似的前台业务的需求中产生的。 阿里巴巴最先提出的是业务中台， 如会员中心、商品中心和交易中心等。 业务中台构成了一种前台可复用、共享的服务能力， 为前台提供了强大的“炮火支援”。

目前， 众多大型企业已构建财务共享服务中心， 加上在此基础上不断进阶的共享服务中心建设， 为构建数据中台奠定了很好的数据基础。 而基于财务共享服务中心的数字平台建设又为管理会计的智能财务决策、管理会计工具作用的发挥提供了更全面、真实的数据基础， 它将整个集团的会计核算工作集中到一个平台进行， 实现了集团公司数据的集合化。 韩向东、屈涛[2] 认为， 利用数据中台的能力可将管理会计基于历史数据的分析转向基于未来的数据预判， 从过去依赖管理人员个人经验的决策转向自动化、智能化决策， 从而为企业运营管理增值赋能。 陈虎、郭奕[3] 认为， 建立财务数据中台可聚合内外部的海量多维数据， 将原始数据转化为数据资产， 快速构建数据服务中心， 为企业制定各种适配业务场景的数据解决方案， 实现数据可视、易懂、好用、可运营， 继而实现企业财务数据能力和数据资产的沉淀、共享， 为企业经营和发展提供专业洞见。 由数据中台、业务中台和技术中台共同构建起的财务中台将支撑各类财务应用服务， 形成卓越财务能力中心， 有利于推进财务的数字化转型。

因此笔者认为， 数字中台作为一套从企业层面对能力进行复用的管理理念与IT技术框架， 是企业数字化转型的基础和保障。 将其运用到财务共享服务领域， 同样有利于驱动财务共享服务的数字化转型。 财务共享服务数字化转型作为企业财务数字化转型的重要组成部分， 应是局部与整体的关系。 它有利于构建企业级财务数据的服务能力， 沉淀共享数据资产， 帮助财务共享服务进一步解决数字化转型过程中的数据联通问题， 有助于实现财务组织架构向“橄榄型”转变， 更好地提供数据决策支持服务， 最终驱动整个财务数字化转型的实现。

三、基于财务共享服务中心的数据中台建设路径

（一）从财务共享服务中心走向“大共享”， 扩大共享服务中心的职能和服务范围

王兴山[4] 总结了我国财务共享服务多年的应用实践， 提出了财务共享服务中心的五级成熟度模型， 从核算共享、报账共享、标准财务共享、业财一体财务共享逐步发展成为管理成熟度和信息化水平最高的“大共享”。 大共享意味着共享中心不仅仅涵盖财务， 更是把其他各类职能都纳入管理范畴， 将传统的财务、人力资源、采购、市场管理和信息技术共享服务中心等都集中在共享服务中心。 在推动财务共享服务向大共享服务转型并建设数据中台的过程中， 需要明确共享服务中心的两个重要定位：

1. 确保共享服务中心由功能导向型向服务与价值导向型转变。 国内大多数财务共享服务中心作为传统单一职能的共享中心， 定位于功能导向， 一般隶属或平行于集团的职能部门。 未来服务与价值导向型的共享服务中心会成为一个独立的实体或法人， 它不仅可对内服务于本企业， 也可提供市场化的专业共享外包服务， 更注意服务的满意度、流程高效性与专业性， 以高质量服务换取更高的价值。 共享服务中心在这样的定位下， 既实现由职能共享向能力复用的转变， 又不断提高快速适配客户要求的能力， 为发挥中台的快速响应功能打下基础[5] 。

2. 立足共享服务构建集团级企业数据中心。 在财务共享服务数字化转型中， 利用采购共享、商旅共享和税务共享， 来扩大数据采集与连接的范围。 而在由财务共享服务走向共享服务的过程中， 企业可将财务共享与其他各类共享服务平台进行集成， 进一步构建集团级企业数据中心。 基于大共享平台， 不仅可使企业内部各类信息系统完全打通， 而且能连接供应商、客户、银行、税务等外部系统， 实现業务流程、会计核算流程和管理流程的有机融合， 为数据中台的建设提供更为丰富的数据源。 此外， 共享服务中心未来还将向全球商业服务（GBS）发展， 这顺应了共享服务中心的发展趋势， 同时也为提高服务能力、扩大数据范围打下了基础。

（二）实现共享服务中心的数字化和中台化转型

国际上优秀企业的GBS已经通过数字化转型， 超越了单纯的GBS或IT部门的范畴， 成为实现企业数字化管理的重要组织， 如宝洁、玛氏等大型跨国企业集团。 德勤[6] 指出， GBS未来的价值在于整合来自不同业务领域、职能部门、地区的数据和信息， 在消耗更少资源的同时为企业带来更可观的价值， 通过预测分析得到的洞见， 以空前的速度实现用户体验的提升。 这实际上勾勒出了数字化的GBS所应具备的能力， 而“洞见”“速度”和“体验”正是共享服务中心进行数字化转型的三个关键词， 也是由共享服务中心向数据中台演变的必经之路， 称之为“中台化”。 相应地， 需从以下三个方面综合发力：

1. 提高共享服务中心的数字服务能力。 未来企业共享服务的价值创造能力将进一步提升， 从传统的人工和交易性事务转向“基于知识的服务”， 如决策支持、报告、预测分析等成为企业价值创造的新来源， 并进化为企业的数据中台。 要实现这一转变， 共享服务中心需在数字化转型过程中广泛采集和汇聚数据， 并通过模型分析充分开发数据价值， 提供数字服务。 共享服务最初的理念强调把低附加值的工作整合起来， 利用信息化手段提高资源利用效率， 从而使企业有资源和精力专注于核心业务。 如今， 数字技术进一步提高了共享服务中心获取和利用数据的能力， 使其能够发挥的作用不只是通过流程的共享提升效率、释放资源， 而且实现了广泛的数据收集、高效的数据处理及对数据服务的共享， 将共享服务中心的数字化能力以共享方式提供给各分子公司、业务单元、员工使用， 使其从数据中获得洞见， 而这正是数据中台的建设理念。

2. 提高共享服务中心的业务敏捷能力。 共享服务中心数字化转型的第二个关键词是速度， 也就是提高共享服务中心响应前台服务的敏捷性， 结合中台“敏捷与服务”“复用与共享”的特征可知， 这是共享服务中心成为数据中台所必须具备的能力。 共享服务中心面对多样化的客户、复杂化和差异化的行业， 其流程需要像中台一样具备快速响应、匹配并搭建服务的能力， 可从以下两方面入手。

（1）在业务流程梳理方面， 共享服务中心可通过对前台各成员单位业务的分析、归纳， 形成业务标准化管理流程、管控点和岗位职责分工， 根据流程的关键节点提取相应业务职能， 将其中逻辑稳定、多场景可复用、业务价值高的工作流程形成标准、专业的服务产品， 按需组合， 提供灵活的服务调用， 支持前台对经济业务的处理[4] 。 由此将前台的核心业务能力抽离、整合进共享服务中心即中台， 就可提供标准、快速响应的服务和支持。 以财务工作为例， 当前台业务有创新变化时， 在共享服务中心形成的财务服务能力可实现高配置和快速响应， 提供核算、结算、税务、报表等服务， 避免灵活多变的前台业务对后台财务的冲击， 同时在不增员的情况下支撑企业更大规模的扩张和高速发展。

（2）在共享服务架构方面， 要提高共享服务中心的响应速度， 需构建起轻量化共享服务架构。 冯宇[5] 指出， 中国市场上常见的共享服务软件平台分为轻量化和重量化架构两种， 其中， 轻量化共享服务架构只包括共享服务组织自身的业务运营和共享水平协议管理功能， 重量化共享服务架构除此之外还包括共享平台所服务业务的应用功能。 重量化共享服务在系统部署上不利于提高共享服务的响应速度， 难以满足数据中台的建设要求。 由于重量化共享平台会存储大量的业务与财务数据， 而基于合规要求， 集团化企业将上市公司ERP/财务系统独立部署时， 重量化共享平台必然要独立部署， 因此， 重量化共享服务架构的共享服务中心将面临多套共享平台， 不同平台间的人员岗位、请求派转、服务流程、水平协议的统一及协同化的难度将日趋加大， 运维的成本与效率问题也将纷至沓来。 相反， 轻量化共享服务架构是通过与业务系统相集成的方式实现服务请求的提交、派转和处理， 并且共享服务流程运行在共享服务平台上， 而财务、业务交易数据依旧存储在原应用系统中， 这样既可实现业务的快速响应， 又不会因合规问题而使财务系统独立于集团一体化平台之外， 从而有助于共享服务中心提高自身的敏捷性， 并进一步向中台建设发展。

3. 优化共享服务中心客户的服务体验。 共享服务中心与中台建设的最终目的都是通过服务来支撑前台业务， 将业务能力沉淀并抽象成服务的方式输出， 确保最低服务体验标准， 以提升前台用户的体验。 这也是中台建设与传统信息系统建设最大的区别之一。 传统的ERP系统就是典型的后台信息系统， 在满足人财物一体化、流程自动化的过程中， 更多考虑的是企业的管控、效率、分析与绩效， 例如在自动生成会计凭证的同时归集各类数据和信息， 从而使决策者与管理者实时了解经营、资金、预算、财务等状况。 它要求所有数据都是透明的、实时的、可全过程追溯的。 但在这种管控要求之下， 对用户操作的实时性要求、输入量要求、准确性要求很高， 操作用户的体验必然受到一定的制约。 这并非中台特别是数据中台的建设目标， 中台更多强调的是客户体验， 是业务和数据服务。 对于为了强化企业整体控制、风险与合规性要求的业务流程， 如果不能通过中台实现， 则更适合放在后台系统。

因此， 共享服务中心的数字化转型要借鉴中台的服务体验思想， 对于强调服务的业务流程应向提高体验的方向发展， 以客户为中心提供定制化服务， 通过人机协作有效参与管理流程， 利用多种渠道与客户进行交流。 例如： 运用基于RPA技术的虚拟客户助理， 全天候为客户解决问题， 从而增强客户体验;建立起共享服务运营平台， 在跨职能、跨地理位置的共享服务中心通过一个整体的平台来集中管理资源和分配工作， 实现共享服务中心作业人员和派单人员的高效协作， 提高作业效率、作业质量和客户满意度。 这类以客户体验为导向的数字化转型举措， 可使共享服务中心形成以客户为中心的工作流程， 为每一位客户提供个性化且稳定一致的客户体验， 在共享服务中心的每个触点上都体现出对员工和客户的价值。 这给未来中台建设过程中考虑服务对象提供了重要的思想和工作流程基础。

（三）建设基于共享服务中心的数据中台架构

在技术维度上， 每个企业不可能有完全相同或標准的数据中台架构， 数据中台也不适合用某种特定特征或某项数据技术来做概念界定。 但是， 数据处理和利用的基本方法论、共享服务中心与数据中台的关系， 可为构建基于共享服务的数据中台架构提供思路。 一方面， 数据中台作为一种数据处理和利用方法论， 基于企业全局数据， 形成统一的数据标准、计算口径， 统一保障数据质量， 并面向数据分析场景构建数据模型， 使通用计算和数字服务沉淀并能复用。 这套方法论能适应数字经济时代下的发展特性， 解决企业数据共享和数据治理问题， 满足多元业务下不同应用场景数据使用和数据创新业务需求， 是企业在数据优先思维指引下实现数据价值的核心。 因此， 企业需求固然影响数据中台架构， 但数据处理和利用的方法论是数据中台架构的基本思路。 另一方面， 数据中台实际上是共享服务理念和企业级互联网架构的结合， 共享和服务本身就是数据中台核心理念的一部分。 但数据中台不仅能满足内部流程和功能的需要（如财务共享服务更有效率地进行账务处理）， 更是从客户体验的角度开发数据服务功能。 因此， 数据中台必须以共享服务为基础， 并进一步把共享服务中心生成的数据体系业务化， 为前台提供数据生产力。

基于上述分析， 本文将数据中台架构分为数据基础层、数据体系层、数据治理层和数据应用层（详见下图）。 其中： 数据基础层是数据中台的底层数据和技术支撑， 是数据、计算和存储能力的保障;数据体系层是为了使数据具备快速服务能力而进行的一系列“整理”活动， 包括数据仓库、数据标签和数据开发等;数据治理层是共享服务中心向数据中台转变的关键， 涉及有关数据管理的技术、过程、标准和政策的集合;数据应用层则通过业务场景和数据沉淀将数据中台的能力输出。 这既是运用数据中台建设方法论的过程， 也是基于共享服务升级的过程。

1. 数据基础层。 数据基础层涵盖数据采集、数据计算和数据存储等方面的内容。

（1）基于共享服务中心， 数据中台的数据采集范围扩展到企业级的所有数据， 其构建的不只是财务数据中台， 而是内部各个业务系统数据互联互通的企业级数据中台。 随着“智能+平台+生态”的发展， 共享服务中心的应用由企业内部业务的集成， 逐步转向基于价值链、生态圈的企业内外部资源整合与优化， 横向连通各个业务部门， 纵向打通集团、分子公司乃至外部主体， 加强与供应商信息系统、客户信息系统、外部商旅平台、外部电商平台及税务监管平台的业务和数据交互[4] 。 为实现这种广泛的数据采集， 共享服务中心需： 在各类平台结合使用客户端和服务端埋点（在应用中由特定流程收集一些信息， 用来跟踪应用使用状况， 从而进一步优化产品或提供运营的数据）方式， 采集线上行为数据;通过物联网传感器等方式实现线下数据采集;利用网络爬虫自动抓取互联网信息。

（2）共享服务中心为数据中台提供的技术基础， 成为数据中台计算和存储能力的来源。 具体来看， 计算能力根据应用场景可分为： ①批计算。 对海量、速度要求不高的数据进行批处理， 如数据仓库加工处理、大规模数据清洗和挖掘等。 ②实时流计算。 使用对数据加工处理和应用有较强时效性的场景， 如实时显示数据动态的可视化大屏。 ③在线查询。 用于数据结果的在线查询、检索、条件过滤和筛选等。 ④即席分析。 对大规模的数据集进行快速多维交叉分析， 满足多种分析类应用。 根据存储要求， 数据中台可选择通过计算机网络互连来分配任务的分布式存储系统、处理海量数据并具有较高可扩展性的No SQL数据库， 或基于云计算技术来共享基础架构的云数据库。 其中， 财务共享服务中心数字化转型过程中云平台的搭建， 为数据中台部署云技术以提高计算和存储能力创造了有利条件。

2. 数据体系层。 数据应用的核心是效率。 在瞬息万变的市场中， 以数据驱动为基础的信息化架构， 必须具备对公司经营变化和业务创新的快速响应能力。 在数据基础层， 数据中台只对企业各个来源的数据做采集、整合， 并未做过多的加工处理， 数据基本还是原始结构。 而且业务系统更多是按流程而非业务本质组织数据， 并不方便业务理解， 更不适合做分析、挖掘， 数据应用要经过长时间的准备工作， 难以实现快速响应。 因此， 需通过统一数据仓库、设置数据标签、对数据开发建模等方式进行整理， 为数据的快速调用和能力沉淀做铺垫。

（1）统一数据仓库。 数据中台会对来自共享服务中心分散、标准不统一的数据进行抽取、清洗和转换， 通过实时的分类、整理、加工， 使其成为清晰有序、有条理、有脉络的有用信息， 加载到统一的数据仓库中。 这一步实际上要解决的是标准化问题， 以财务共享服务获取的数据为例， 共享服务实现了会计科目、会计政策、业务流程和信息系统的统一， 但更重要的是实现了数据标准的统一。 数据中台必须明确财务数据的入账规则， 进而明确数据的明细标准规范。 在统一明细标准规范下， 凭证所附带的财务数据具备一定的颗粒度， 能够有效地将数据中台与业务数据结合起来进行业财务分析， 并以此作为封装财务能力、提供标准财务服务的基础。

（2）设置数据标签。 在对数据统一标准后， 同一个对象的各种信息仍可能分散在不同的数据域， 获取某一要素的全面信息要通过各种关联计算才能满足业务的需要， 数据使用成本较高且影响时效。 例如， 要得到完整的客户画像， 可能需要到客户域获取基本信息， 到交易域获取订单信息， 再到社交域获取关系信息等。 类似这种客户的全面数据， 是多个业务的共同需求， 可通过设置数据标签来满足。 数据标签就像建立索引一样， 把单个对象的各种标识打通归一， 把跨业务板块、数据域的对象数据在同一个粒度基础上组织起来打到对象上， 既让数据变得可阅读、易理解， 方便业务使用， 又通过标签类目体系将标签组织排布， 以一种适用性更好的组织方式匹配未来变化的业务场景需求。

（3）数据建模开发。 以共享服务中心各业务线为接口进行采集并整理的数据， 打破了原本的数据孤岛， 下一步则需考虑如何对数据的价值进行开发。 德勤[6] 认为， 共享服务中心需具备从组织数据中洞察核心观点的强大分析能力， 通过预测性分析来支持企业的前瞻性决策， 以创新的视角提供更具战略性的增值服务。 而具体实现是通过数据建模或利用机器学习的智能化模型， 以便未来形成服务化的数据应用。 数据模型可分为基础模型、融合模型和挖掘模型[2] ， 其中： 基础模型一般是关系建模， 主要实现数据的标准化;融合模型一般是维度建模， 主要实现跨越数据的整合， 整合形式包括汇总、关联、解析;挖掘模型是偏应用的模型， 作为企业的知识沉淀在中台， 可在数据应用端调取复用。

3. 数据治理层。 共享服务中心经过数字化转型， 已经存在大量的数据， 甚至成为企业的大数据中心， 但企业仍难以从数据中发现价值进而驱动业务创新。 而且， 复杂的云环境、模态繁多的数据类型和海量数据对共享服务中心数据质量管理、数据隐私和安全等都提出了巨大挑战， 这是共享服务中心目前所欠缺的能力。 解决上述问题的关键举措就是在数据中台开展数据治理。

数据治理是围绕数据资产展开的一系列工作， 它以服务组织各层决策为目标， 涉及有關数据管理的技术、过程、标准和政策的集合。 该定义有两个关键点： 第一， 数据治理的对象是数据资产。 中国信通院[7] 将数据资产定义为： “由企业拥有或控制的， 能够为企业带来未来经济利益的， 以物理或者电子的方式记录的数据资源， 如文件资料、电子数据等。” 当前， 数据是一种特殊资产的观念已逐渐普及， 尽管在资产负债表中未列示其价值， 但数据的管理成本和价值创造却是明显的。 第二， 数据治理以一整套管理集合为手段， 其目的是将共享服务形成的大量数据作为企业的商业资产应用于业务、管理、战略决策中， 在确保质量和安全的前提下发挥数据资产的商业价值。 因此， 在数据中台引入数据治理， 使其介于数据体系和数据应用间这一承上启下的重要位置， 有助于解决共享服务中心在数据应用和管理上的缺陷。 构建完整的数据治理框架成为共享服务中心向数据中台转变的关键一步。

数据治理的概念自提出以来， 其框架处于不断完善和发展当中。 Khatri和Brown[8] 提出的模型框架具有较大的影响力， 包含了数据准则、数据质量、元数据、数据访问和数据生命周期五个决策域。 由此发展起来的传统数据治理模型通常还包含数据标准管理、数据模型管理、数据安全管理等内容， 中国信通院[7] 在此基础上， 加入了数据价值管理、数据共享管理等。 可见， 数据治理的内容涉及较多数据管理专业知识， 与财务人员的知识体系有较大不同。 当前， 企业数据治理通常由数据治理部门发起并推行， 但财务人员作为共享服务中心、数据中台建设的主要推动者， 起到不可忽视的作用。 《中国总会计师（CFO）能力框架》中指出， CFO应具备数据治理能力， 可以组织分析各项会计数据与业务数据（非会计数据）， 方便、安全、快捷、可靠、敏锐地利用数据进行决策支持。 这是新的商业环境对财务人员提出的新要求， 同时表明数据治理应和各个商业部门相结合， 而非仅仅是IT 部门的事情。 在数据治理层， 随着财务人员从后台逐渐向业务前台延伸， 并逐步参与到数据中台建设这一企业级的项目中， 财务和业务的边界逐渐变得模糊， 财务人员意识到部门之间的合作是必要的。

4. 数据应用层。 数据应用层聚焦于对数字服务能力的沉淀和复用， 直接赋能企业的业务发展。 根据数字服务的不同特征， 数据中台提供的数字服务可以分为两大类： 一类是将数据融入企业具体的业务中， 基于业务产生的实时数据和丰富的数据模型开展场景化应用;另一类是基于沉淀数据， 利用人工智能技术进行深度挖掘， 实现数据智能， 智能财务就是其中的典型应用。

在第一类应用中， 强调的是速度， 数据中台可以快速响应业务的需求并提供数字服务， 企业开展业务创新的周期将因此大大缩短。 例如： 当用户退出购物应用再马上进入的瞬间， 应用已根据上次的浏览记录更新了推荐的内容;市场部门可通过手机端查看实时的销量、销售指标完成率等数据， 并通过一些数据分析做出相应的决策， 这就是嵌入业务应用场景的实时数字服务。 数据中台之所以能实现这样的速度， 有两个原因： 一是在数据体系层和数据治理层的基础上， 由于数据整理到位、管理有效， 尽可能缩短了数据准备时间;二是数据中台主要通过应用程序编程接口（API）的方式提供数据服务， 即通过机器与机器的接口， 将数据计算分析出来并直接嵌入交易系统中， 而不是直接把数据库给前台自行使用， 或根据前台需求以接单的方式交付数据分析结果。 要实现以产品化模式输出数据能力， 使之变成业务的能力。

进一步分析可得， 数据中台在共享服务基础上做出的最重要的变化， 就是使交易密集型系统和数据分析型系统合而为一。 传统的共享服务中心是交易密集型系统， 只负责低端、大量的操作类功能， 在数据上更关注当前的交易量、结构化数据、数据库表等。 随着数据的增多， 为了集中存储、分析数据而形成的数据仓库、商业智能系统是数据分析型系统， 更关注历史数据、数据量、处理效率、非结构化数据、数据趋势分析等。 数据中台使这两类不同的数据应用模式走向融合， 不论是交易密集型业务还是数据分析型需求， 都能基于统一的数据中台随时按需获取数据。 数据中台超越了单纯共享服务的交易处理范畴， 不仅覆盖了价值链的各个环节， 还通过数据服务对业务具有较强的决定权和影响力， 从而提供了较大的业务价值。

在第二类应用中， 数据中台主要为发挥人工智能作用、实现数据智能打下基础。 数据智能是指基于大数据技术， 通过大规模机器学习和深度学习等技术， 对海量数据进行处理、分析和挖掘， 提取数据中所包含的有价值的信息和知识， 使数据具有“智能”， 通过建立模型寻求现有问题的解决方案和实现预测等， 并认为数据智能的实现有赖于中台战略思想下数据中台的建设。 大数据、算力和算法改进是人工智能的三大要素， 数据中台的建设为人工智能提供了足够大的数据量， 并通过清洗、标注等处理工作为算法模型训练输入做了准备， 在一定程度上解决了数据流通不畅、数据质量不高和安全风险较大等问题。 可见， 数据中台能为人工智能的发展和应用提供可靠支持， 进而实现数据智能。

（四）建立企业数据中台持续运营机制

1. 明确数据中台的战略定位。 企业应将数据中台定位为一个全员参与、加强部门间合作的组织战略， 而非仅仅是一个新的技术方案。 一方面， 数据中台的运营涉及多个部门的联动配合， 仅靠单一部门往往难以支撑。 为此， 企业需培养全员的数据意识， 把数据中台作为一个全体员工尤其是战略管理层和执行管理层都重视的组织战略。 在建立共同认知和统一意识的基础上， 联合各个部门建设可复用的数据分析能力， 真正实现为业务赋能的目标。 另一方面， 很多企业过分关注数据中台技术架构的建设， 一味追求新的数据分析技术， 忽略了业务人员基于数据的合作及如何解决实际业务中的问题。 Gartner指出， 企业没有必要为了数据中台这个新词放弃已建立的数据仓库、数据湖等数据资产， 但也不能只是把原来遗留的问题从数据仓库、数据湖转移到当前的数据中台[9] 。 企业应思考如何将新的技术运用到业务和管理中， 而非寄希望于购买或搭建一套数据中台便可自动解决问题。

2. 加强业务端的数据分析能力。 企业需要从业务流程到技术平台“自上而下”地提高数据分析能力。 在数据中台架构中， 各类数字应用所支持的业务流程位于上层， 信息系统、数据来源等技术平台位于下层。 Gartner发现， 在企业前期投入信息化和数字化建设时， 大多是“自下而上”地部署数据仓库、设计数据处理流程和报表系统， 然后将其供业务使用[9] 。 但业务获得这些能力是被动的， 并不会主动提升自己的数據分析能力。 为了使业务培养数据驱动思维、获得数据分析能力， 真正让数据中台主动被前台使用， 必须强调从业务端开始做数据分析， 进而从技术端获取相应的数据分析能力。

3. 不断提高各类人员的数据素养。 各类员工较高的数据素养是促进部门间合作、让数据中台持续发挥作用的保证。 让业务变得更主动， 并不等于业务人员不需要和数据技术人员沟通， 双方均需要根据合作的要求提升数据素养， 才能成为复合型人才。 对业务人员而言， 要理解数据技术能力的有限性， 不能想当然地认为数据可以解决所有问题或者可以立刻解决问题; 同时也要学习数据科学理论， 使自身能和技术人员进行一定程度的对话。 对数据技术人员而言， 需要在原有的数据工作基础上， 学会站在业务端思考问题， 增加对业务知识、业务人员、业务操作的理解， 同时协助业务人员进行必要的场景需求抽象， 把数据概念、数据能力、数据产品转化为业务能理解、操作的水平和方式。

四、数据中台是财务数字化转型与智能财务实现的中间连接点

通过构建基于共享服务的数据中台可看出， 数据中台并不是一项独立的技术， 而是数据处理的一套架构， 并形成了数据集市， 成为财务数字化转型与智能财务实现的中间连接点。 数据集市是指为满足特定部门或用户的需求， 按多维方式存储， 包括定义维度、需要计算的指标、维度的层次等， 进而生成面向决策分析需求的数据立方体。 共享服务模式下的数据中台创建出多种数据集市， 包括财务数据、业务数据、基础数据、第三方数据、文本数据和影像图片数据等集市， 数据中台对不同数据源统一标准、格式、口径并形成数据资产， 在数据集市中通过移动端或PC端调出有用数据并应用到前端， 按需求提供数据支持服务、挖掘数据商业价值。

由财务共享服务向共享服务再到数据中台的转变， 形成的一套数据处理架构解决了业务数据化、数据孤岛等问题， 为数据运用做了一系列准备工作， 形成了丰富的数据集市。 未来在数据中台的基础上， 通过人工智能技术的深度场景化应用， 增强数据“思考”的能力。 这将有利于进一步构建数据智能， 提供丰富的算法， 通过业务数据化、决策场景化， 为决策者的科学决策提供有价值的服务信息， 反哺业务能力的快速创新与灵活应对， 实现真正意义上的智能财务。

总之， 由数据中台实现的数据能力， 是企业实现智能财务的基础， 它通过内外部数据的深层次洞察获取新的商业机会、捕捉风险， 再通过智能分析技术构建不同部门、不同领域的数据模型， 实现数据的可视化， 优化企业的财务决策与商业决策。

【 主 要 参 考 文 献 】

[ 1 ]   陈新宇等.中台战略：中台建设与数字商业[M].北京：机械工业出版社，2019：94 ～ 148.

[ 2 ]   韩向东，屈涛.基于数据中台的管理会计信息化框架及创新应用[ J].管理会计研究，2020（Z1）：116 ～ 124+136.

[ 3 ]   陈虎，郭奕.财务数字基建  赋能企业转型[ J].财会月刊，2020（13）：15 ～ 21.

[ 4 ]   王兴山.数字化转型中的财务共享[M].北京：电子工业出版社，2018：69 ～ 82.

[ 5 ]   冯宇.论共享服务中心建设不能承受之“重”[EB/OL].https：//mp.weixin.qq.com/s？_biz=MzIxMjQyOTA4NA==&mid=2247507488&idx=1&sn=c1839ee4950df60f1b6d5e3a6e61e39c&source=41#wechat_redirect，2020-06-04/2020-07-14.

[ 6 ]   德勤.建设数字化全球商业服务中心的驱动力、趋势与方式[R].德勤，2019.

[ 7 ]   中国信通院.数据资产管理实践白皮书4.0[R].中国信通院，2019.

[ 8 ]    Khatri V.， Brown C. V..Designing data governance[ J].Communications of the ACM，2010（1）：148 ～ 152.

[ 9 ]   孙鑫.Gartner对企业建设数据中台的4个建议[EB/OL].https：//mp.weixin.qq.com/s/zYG2qnfWmlJizcTeBNKMlQ，2020-06-12/2020-07-23.