财务机制变革：从流程驱动走向流程与数据驱动并重

张庆龙（首席专家/教授）

（广东财经大学粤港澳大湾区资本市场与审计治理研究院 广东广州 510320 中国财政科学研究院 北京 100142）

一、管理运行机制的演变与特征

《关于中央企业加快建设世界一流财务管理体系的指导意见》（2022）（以下简称“《指导意见》”）指出，财务管理要转变运行机制，从流程驱动为主向流程驱动与数据驱动并重转变。“运行机制”是许多学科都广泛使用的术语，它原意是机器的构造和工作原理，现在引申为泛指事物之间比较稳定的相互联系和相互作用。在经济社会中，要实现各项工作目标和任务，均需要建立一套协调、灵活、高效的运行机制，如市场运行机制、竞争运行机制、企业运行机制等，同样的，管理也具有运行机制。彼得·德鲁克指出，管理和管理者是所有机构的特殊需要，是所有机构的特殊器官。它们使得机构成为一个整体并且正常运转。离开了管理者，就没有哪个机构能够正常运转。管理运行机制就是设定管理目标、组织各类活动、整合资源、开展评估的过程，包括决策机制、约束机制、激励机制、沟通机制等。回顾历史，按照企业管理的发展脉络与管理目标不同的实现方式，管理运行机制经历了从人的驱动、职能驱动、流程驱动到数据驱动的演变。

（一）从人的驱动、职能驱动到流程驱动

原始的管理是靠人的驱动。在目标导向下，工作人员根据一定的经验，自发决定工作内容和工作方法，以满足管理的需要。在劳动分工思想的指导下，人的驱动逐渐演变为职能驱动。职能驱动就是根据工作任务的分解来划分不同人的工作职能，实现“各司其职”，以此来组织生产和管理。过去两百多年以来，基于劳动分工的职能驱动促进了生产力的极大提升，同时也划分了不同的职能部门，形成了企业组织架构的基本形式。然而，这种运行机制的弊端也十分明显，即不同部门由于职能的分割，导致横向之间沟通协调困难，纵向上需要根据职级层层传递信息，也很难迅速对市场作出反应。总之，在当前数字经济时代的大背景下，这种工业经济时代形成的管理运行机制已经无法适应管理需要，迫切需要实现变革。

对此，在职能驱动的基础上，可以进一步将不同职能之间的合作过程从企业业务中进行分析、抽象、提炼，划分为更加细致的业务节点，形成关键业务节点的集合，并串联成整个业务流程，实现流程驱动的管理。流程驱动通过职能的分工和业务流程更为细致的划分，将组织中不同职能的人连接起来，通过完成各自工作，实现各业务节点之间的顺畅连接，进而达到某一项具体目标。虽然在整个流程中，不同的人只负责其中一个环节的工作，但通过流程的设计和牵引，仍然能够实现管理目标，并确保整个过程是基于一定标准的、可控的。相比于人的驱动和职能驱动，流程驱动具有以下优点（史凯，2020）：第一，流程驱动有助于跨职能业务的衔接。由于设定好职责分工和上下游流程的交接对象与内容，流程中每一个节点的工作人员都可以在只熟悉自身职责的情况下完成合作，避免出现职责划分不清的情况；第二，流程驱动具有更快的响应速度。由于只需要和固定的上下游对接，流程中的节点可以实现沟通成本最小，进而提高响应速度；第三，流程驱动可以降低管理的复杂度。通过将流程业务标准化，可以降低操作难度，同时便于进行业务的推广和规模化。

基于流程驱动的运行机制产生了许多先进的管理理念和理论，例如流程再造、流程标准化等。在财务领域，财务共享服务中心的建设也是流程驱动运行机制的体现。

（二）从流程驱动走向流程与数据驱动并重

“数据驱动”的概念最早应用于工程自动化领域，利用数字控制回路来实现反馈，在大数据的兴起下逐渐广泛应用于商业和管理领域。在商业和管理领域，数据驱动本质上是一种决策机制。数据驱动决策就是以大量的数据为基础，通过在数据间发现或建立联系，来获得能够据此做出决策的结论。经过简单的数据趋势分析来决策是数据驱动；通过建立回归分析模型判断变量关系是数据驱动；基于深度学习建立复杂的机器学习模型实现预测也是数据驱动。数据驱动就是由数据替代了人的经验或直觉，来帮助人们做出决策。换言之，即使是在没有信息化、数字化的传统业务模式下，一项管理决策如果是基于一定数据分析得出的，也可以称之为数据驱动，只是这样的数据驱动决策的效率和价值会受到一定限制，可能在时效性上不足，也可能由于落后的分析模型而得不到有价值的结论。

事实上，上文讨论的流程驱动也可以视为一种决策机制。只不过相比于数据驱动，流程驱动作出的决策是“下一步做什么”，而数据驱动作出的决策是“下一步怎么做”，其区别如图1所示。

图1 流程驱动与数据驱动的区别

流程驱动模式下，业务人员根据自身的管理经验和直觉，对业务流程进行梳理、分析、优化，形成一套明确的业务规则，在实际工作中表现为内部控制手册或业务操作指南。业务人员根据一套清晰的规则便能确定明确的职能划分和横、纵向业务衔接关系，决定“下一步做什么”；而在数据驱动模式下，业务流程的运行机制可以是直接输入数据源，包括与各类业务系统的对接或人工录入，然后通过上述各类数据分析技术进行建模，生成数据模型，最后基于数据模型输出业务决策，决定业务人员“下一步怎么做”。而且，数据驱动模式所作出的决策应该是自动或至少是自助的。在“自动”的要求下，系统应该完全自动作出决策，例如判断某个业务申请实现能否通过；或自动生成决策结论，将“下一步怎么做”的建议通过系统推送给业务人员，例如选股系统中的买入建议；在“自助”的要求下，应基于数据分析平台使业务人员具备自助分析能力，甚至仅通过“拖、拉、拽”即可快速产生分析报告，从而减少数据分析的周期，发挥业务人员的主观能动性。

在财务数字化转型的要求下，财务人员特别是业务财务和战略财务人员需要深入挖掘数据价值、辅助业务决策，仅仅依靠流程驱动或数据驱动都是不够的，必须实现流程驱动与数据驱动并重。一方面，仅通过流程驱动虽然也可以借助数据分析和报表工具进行分析决策，但是提供数据和分析数据的角色也只是流程当中的一个节点，或者说业务流程与数据流程是相互分离的。财务或业务人员需要按照业务流程获得所需数据，例如向数据工程师提出数据需求等。受限于数据采集的难度、数据分析的效率等问题，常常产生数据需求方对数据获取的速度、质量不满意的情况，导致业务人员仍然基于经验或质量不佳的数据做出判断（桑文锋，2018）；另一方面，如果不基于流程采集数据，数据驱动也只是“无源之水，无本之木”。因为业务流程决定了数据的来源、格式、标准，以及进行数据建模的目的。只有将有效的数据分析能力融入业务流程当中，才能发挥数据驱动的最大效用。当然，经过多年的内部控制建设和流程再造工作，许多大型企业的业务流程体系都趋于完善，要实现流程驱动与数据驱动并重，当前更重要的任务是加强采用数据建模、机器学习的数据驱动方式，更好地响应财务和业务决策的需求。

二、数据驱动实现业财数据的融合

《指导意见》指出，世界一流财务管理体系要推动运行机制的转变，从流程驱动为主向流程驱动与数据驱动并重转变；同时推动财务管理机制变革，加强关键指标硬约束、资源配置硬约束、风控规则硬约束、政策激励软引导。在流程与数据驱动并重的运行机制下，各种指标的软硬约束实际上是依靠数据进行决策。财务管理要通过数据分析实现“自动”或“自助”决策，重要的前提是实现业财数据的融合，提高财务获取和分析数据的能力。

传统财务管理的数据获取能力有限，在数据流转上存在滞后性，提供数字化的分析工具时往往需要较长时间才能交付使用，且难以根据业务变化及时调整。更重要的是，缺少对基于新兴机器学习算法模型的运用，使财务数据分析的方法仅停留于传统的指标分析。因此，数据驱动实现业财数据的融合不仅仅体现在通过信息系统集成实现业务数据和财务数据的对接，更体现在数据及时获取能力、数据分析应用部署能力以及数据深度分析能力的提高上。否则，仅仅是把业财数据放在同一个数据库当中，仍不能称为数据驱动。

（一）嵌入业务流程，实现数据采集

财务需要将数据采集的过程嵌入业务流程中，在业务发生的同时完成数据采集。嵌入业务流程的数据采集本质上是对业务活动进行梳理与抽象的过程，主要通过对流程的标准化编排，并构建业务化的数据模型（周丹等，2020），使业务流程与数据流程紧密结合，最终达到流程驱动与数据驱动并重。一方面，对于流程标准化编排，财务管理需要抽取业务、交易、操作等相关场景流程的共性特征，固化为流程模板库或业务活动模板库，形成标准化的流程组件，并明确该流程组件中的数据类型与标准，供流程梳理和再造时选用。这样不仅能极大地提高流程再造的效率，更能确保数据标准的统一；另一方面，财务还需要解决数据来源多头、定义和格式不统一等问题，对数据的基本属性进行标准化处理。在此基础上，根据业务特点对数据标准进行扩充，形成数据字典。例如，对于专门用于表单展现的数据字典项目，还需要定义相关的校验规则、显示格式等。数据标准与数据字典共同构成流程组件中的数据模型，按财务的使用场景提供数据支撑。

（二）获得平台支撑，快速部署应用

笔者曾提出财务组织向前、中、后台的模式转变。其中，中台不只是组织架构的设计，更代表一种资源重复利用和优化配置的理念。财务管理要实现流程驱动与数据驱动并重的决策机制，还需要基于中台的理念，使财务管理的运行机制获得平台支撑，并实现快速部署应用。通过部署云计算技术，可以推动财务信息系统向“财务云”转变。在“2022年影响中国会计人员的十大信息技术”中，“财务云”已经连续5年位于榜首。云计算技术可以推动信息集成与资源共享，将业务和财务信息系统接入云平台中，可以实现不同系统间的信息整合、交换、共享和工作协同。财务可利用云平台便捷地获取计算、存储等服务，使财务管理的“算力”得到极大提升，能够处理数量更大、结构更复杂的多元化业财数据；基于云平台，企业还可以将业务流程快速部署到当前的管理软件中，财务人员能够在多个终端（例如电脑、平板电脑或手机移动应用）进行业务处理、查看业财数据，随时随地掌握企业数据，以便更快基于数据驱动做出相应决策。

（三）运用算法模型，提高分析能力

数据驱动决策的财务管理运行机制与传统财务决策方式的区别还体现在分析模型的选择上。传统的指标分析难以从当前更加多元化的数据中，分析、整合和提炼出潜在的各种可能的数量关系。因此，财务管理需要采用机器学习等新兴数据分析和挖掘技术，利用算法的自我学习与优化能力，实现更加准确的判断和预测。除了运用算法模型以外，数据驱动决策的管理运行机制还需要实现组件化的数据展现设计。就当前的应用程度而言，数据驱动下“自动”的决策更多的局限于规则明确、不涉及业务判断的操作类流程，例如智能审核或风险控制。更多的决策场景需要决策人员采取“自助”获取数据服务的方式，通过可视化的人机互动实现。因此，数据驱动的决策模式下还需要财务管理系统能够提供可快速拖拽配置的数据展现模型，如数据表单、查询视图、报表、图表、仪表盘等，并支持多端展现。

三、数据驱动实现指标约束和引导

数据驱动的核心意义在于让决策者根据数据信息来采取行动，在提高数据及时获取能力、数据分析应用部署能力以及数据深度分析能力的基础上，数据驱动实现的指标约束和引导表现为以下四大方面：

（一）数据驱动的规则引擎

数据驱动的决策并非只存在于业务分析的决策，财务会计活动中的审核等工作同样是一种决策，这种决策所作出的判断是相关审批事项是否符合政策规定。对于这种决策，可以基于数据驱动的规则引擎实现智能财务审核与自动账务处理。规则引擎是在业务流程中执行业务决策的组件，它通过预先定义判断标准，在接受相关数据后可以根据业务规则做出业务决策，例如基于事项审核标准判断能否通过，或根据会计处理规则自动生成会计分录和记账凭证，后者又被称为“会计引擎”。当然，数据驱动的规则引擎不是一成不变的，当审核或核算规则发生变化，财务应能够实现对规则的快速修改、编辑和维护。

（二）数据驱动的财务决策

对于关键财务指标、资源配置等财务决策而言，可以首先通过流程优化实现业务规则体系的标准化，通过信息系统建设固化将不同业务流程全域数据汇聚与沉淀，实现业财数据的融合。在此基础上，通过新兴机器学习技术的场景化应用，对业财融合数据进行分析训练，并基于既定的流程进行指引和导流，形成数据洞察、预测模型等，并将决策结果反馈到业务流程中来，驱动业务流程的高效运转，赋能业务的决策支持，使业务快速响应业务需求，实现数据驱动与流程驱动的融合。

（三）数据驱动的风险管理

对于风险管理而言，企业风险管理的数据驱动应用主要体现在风险点数据监测、安全隐患提前分析发现、风险提前预警等方面。根据企业全面风险管理模型，要对企业总部、各个业务部门、各个分支机构在内部应用系统、网络、移动终端上的操作内容和行为进行数据采集和风险监控，实现专门的数据采集。获得监测数据后，要重点对风险发生的概率进行评估和分析，并且按照风险模型设立风险阈值，一旦超过阈值则自动进行预警和处理。

（四）数据驱动的绩效评估

对于绩效评估而言，企业需要从内部业务和管理信息系统、外部网站、电子商务和社交媒体等收集各种类型的数据，通过数据分析和预测企业业务和管理绩效，为企业运行提供全面的洞察力。企业绩效的数据主要包括四个方面，分别是企业业务运营数据、财务价值数据、客户数据和面向企业未来发展的数据。通过企业内外部数据的采集和分析，能够实时反映企业战略目标的执行情况和差距，并对未来战略目标的实现进行提前预测和分析。