基于4A架构下的财务管理指标体系搭建方法研究

2024-02-19隋忠常王海洋刘伟建文哲

国际商务财会 2024年1期

隋忠常王海洋刘伟建文哲

【摘要】随着技术的进步，建筑行业已进入数字化时代，数据量空前增长。各种类型的数据，如数字、图形、文本、多媒体和其他建筑信息，都是从传感器、仪表、实验和网站等不同来源收集的。针对业务的复杂性和数据的多样性所导致的数据孤岛问题，全面的企业架构能够对业务流程进行整体性的把握，从而打通数据孤岛，并对各部门产生的数据进行综合性的治理与利用。文章以企业4A架构中的业务架构与数据架构为基础，逐层拆解得到树状的企业管理指标结构，并给出指标的评价方法，从搭建管理模型，为企业应用架构赋能，进行决策支持。

【关键词】4A架构；财务管理指标体系；经营性净现金流预测模型

【中图分类号】F275

一、引言

根据Meta Group的定义，企业架构（EA）是一个系统过程，它表达了企业的关键业务、信息、应用和技术战略以及相应影响。4A架构源自于开放的标准化架构框架TOGAF，它分别从业务（BA）、数据（DA）、应用（AA）、技术（TA）四个方面梳理企业内部结构与关系。就建筑业而言，清晰的企业架构便于梳理业务流程、数据资产，从而实现实际的应用功能。

为了帮助企业完成深刻的数字化转型，中建八局搭建了科学的4A架构。在业务架构方面，中建八局遵循整体性、合适性、先进性、科学性原则进行设计，建立了从流程域到与业务活动挂接的管理要素的共6层层级架构，帮助支撑公司未来的战略发展要求。在数据架构方面，根据从业务主体到业务实体、逻辑数据实体、数据项的5层数据分层结构建立数据资产目录，并统一数据标准进而搭建数据模型，从而指导开发，为应用系统实现搭建基础。

随着企业架构的推广与应用，企业通常能够沉淀出丰富的数据资产。传统上，分析人员一般采用统计技术从收集到的数据资产中发现模式或知识，并结合个人经验，将其加以应用。然而，建筑行业的大量数据集远未通过统计方法得到充分利用。统计技术与个人经验结合的方法面临的另一个挑战是如何从海量的数据资产中确定合理的数据范围。此外，数据质量差（如缺失值和噪声值）也大大增加了统计方法的复杂性。针对上述挑战，需要建立合理的管理指标体系梳理多项数据间的逻辑关系，从而建立模型快速、有效地分析大型多属性信息，帮助建筑业利益相关者做出正确决策，提高建筑项目的绩效。

指标体系管理的关键在于如何从大量的数据资产中选择合适的研究指标，并追根溯源，找到潜在影响因素。过往研究主要集中在绩效管理和风险管理两方面，缺少从企业整体架构出发的管理指标分析。

二、基于业务架构与数据架构的建筑行业管理指标体系建立方法

（一）基于业务流程确定数据范围与体系结构

1. 确定管理指标体系总目标

在构建管理指标体系时，首要任务是确立该体系的总体目标，即构建该体系所期望达成的主要结果。总目标的明确定义将有助于在整个体系构建过程中保持一致性，并为后续的数据范围确定方向。总目标应符合SMART原则，即目标应当具有明确性（Specific）、可度量性（Measurable）、可实现性（Attainable）、相關性（Relevant）和时限性（Time-bound）[5]，以保证总目标的设定是合理且可实施的。

确定总目标涉及到多个层面的考虑，通常分为目标选择与可行性评估两部分。依据企业与行业特点，目标选择的方法较为多样。

（1）价值链分析法：即从原材料投入消费者手中，最终产生价值的作业链中梳理价值链，并将这种价值链进行分解，从而了解价值产生的关键环节，得到总体目标。[6]

（2）SWOT分析法：即评估企业内部优势（Strengths）、劣势（Weaknesses）、外部机会（Opportunities）和威胁（Threats）[7]。通过分析这些因素，可以识别企业目前所处的位置以及未来可能面临的机会和挑战，从而帮助确定与企业愿景和使命相契合的总目标。

（3）干系人会议：组织会议，邀请相关项目干系人参与讨论，例如建筑师、工程师、项目经理等，讨论工程项目进展中存在的问题，确定有待进一步实施管理措施的领域。

除了需要满足业务与战略需求外，管理指标体系总目标还应当具备技术可行性。评估该目标的实现所需的资源与技术要求是否符合在可接受范围内，以确保该体系能够成功落实。

2.根据模型总目标与业务价值链梳理相关业务流程

在4A架构中的业务架构中，将建筑行业价值链分解为流程域、流程组、流程、子流程四个层级，完整覆盖了模型总目标相关的所有流程。

通过上文对总目标的确定，基于一定行业专业知识，选择与模型总目标存在关联的业务价值链；并将业务价值链的各个环节与业务架构中的各业务流程一一对应，分解得到子流程层面的业务流程链。便于后续对应至数据架构，从而确定数据范围。

3.基于数据架构确定数据范围与指标体系结构

在4A架构的数据架构中，各业务主题首先按照二级分类分解为业务子主题，而各业务子主题内包括了一项或多项业务实体，即具体业务流程中所应用或产生的输入/输出文档、工作表单、手册等。由业务实体总结得到的数据项的方法，能够保证覆盖了业务架构中涉及的各项指标数据与基础数据。

该指标体系的数据范围的确定同样遵循上述数据架构的构建方法。根据上文中梳理的得到的业务流程链，找到业务流程链中所对应的业务实体，总结业务实体中的所有相关数据项，即指标体系所涉及的数据范围。

在明确数据范围后，需要进一步确定数据项之间的相互影响关系，即该指标体系的层级结构。就数据项产生的过程而言，数据项从一个业务流程传递到另一个业务流程，形成数据流。前序流程产生的数据项成为后续流程的输入，此外，外部因素也可能会直接或间接地影响数据项的值。因此根据数据项产生过程的特性，认为某一流程的数据项的值往往由前序流程所产生的数据项和部分外部因素决定。

由此得到该指标体系的层级结构。前序流程所产生的数据项为子节点，后序流程所产生的数据项为父节点，从而获得该数据范围内的数据层级结构。通常来说，越靠近根部的父节点，对该体系总目标的影响越直接。

至此，已梳理出该管理指标体系总目标下所涉及的所有数据范围与其中的相互影响关系，认为该数据范围内的各数据项为该体系所涉及的指标，根据上述的层级结构搭建该管理指标体系结构。

4.指标体系应用

以上述指标体系为指引，可以进一步进行数据应用。第一，该指标体系能够帮助抽象预测模型公式。在某一时点，部分重要指标未知的情况下，该管理指标体系结构能够为未知指标的预测提供模型结构的指导，针对某一待预测指标给出可能的影响因子。第二，该体系的叶子节点支持进一步拆解，通过已有的分析路径，未来可以对每个最末端的叶子节点进行进一步的数据拆解。第三，基于该指标体系，能够提取单个指标进行独立应用，用于管理分析：例如对单个指标进行建模分析或将单个指标作为管理考核指标。

（二）基于建筑行业特征的预测模型选择

在某一时点，并非数据范围内的所有指标均可直接获得。因此，为了得到关键指标的值，往往需要搭建模型进行预测。例如，在研究现金流管理时，需要对账期外的应付账款进行合理预测。

由于已经在上文中梳理了指标之间的相互影响关系，构建了管理指标体系结构，因此直接以此结构搭建预测模型。由此也将该体系中的指标分为了两类：可直接获得的观测指标与待模型拟合的预测指标。

在模型的选择上，不同预测模型有不同的优势与适用范围。建筑行业数据通常有较为明显的季节性与阶段性，同时具有特征的复杂性，因此总结得到以下四种模型较为适用。

1.随机森林回归模型：结合了多个决策树回归器的预测结果，通过投票或平均的方式来获得最终的回归结果。随机森林具有高度的灵活性和鲁棒性，能够处理高维数据和大量样本，同时减少过拟合的风险。通常适用于房价预测、能源消耗预测、建筑质量评估等。[8]

2.基于季节性分解的回归模型：用于处理季节性时间序列数据，將时间序列数据分解为季节性、非季节性趋势和残差三个部分，以捕捉不同的影响因素，具有较强的解释性，但是对于数据量的要求较为高，季节因子通常需要较长时期的数据用于确定。通常用于观察和预测季节性趋势，如季节性的房屋建筑和装修需求。

3.季节性ARIMA模型：同样用于处理具有季节性的时间序列数据。它由三个部分组成：自回归（AR）部分（当前值与之前一系列值之间的自回归关系）、差分（I）部分（对原始数据进行差分，以消除季节性和趋势性）和移动平均（MA）部分（当前值与之前一系列误差项之间的线性关系）。季节性ARIMA模型可以更准确地描述季节性数据的变化趋势，适用于季节性能耗预测、季节性租金调整等场景。

4.神经网络模型：一种受到人类神经系统启发的人工智能模型。它由多层神经元组成，每个神经元都与前后层的神经元连接，并通过加权和激活函数来处理输入信息。通常需要大量的数据和计算资源来训练和优化模型，此外，模型的解释性相对较弱。因此通常适用于数据源充足，准确率要求高的情境，如建筑物体检测与识别、室内环境控制等。

通过选择合适的模型与指标，能够对数据范围的各项未知指标进行预测，保证在某一时点下各指标的可得性，便于后续对各项指标进行评估。

（三）指标评估与模型优化

1.指标评价体系

在对各指标进行评估时，通常考虑指标重要性和模型搭建难度两个维度。从指标重要性的角度，与模型总目标的关联越直接，模型重要性越高。重要性一般会随目标的变化与使用该体系的业务部门而有所不同。从模型搭建难度角度，考虑搭建模型的困难程度，由于观测指标与预测指标的获取方式不同，因此评价方式略有不同。对于观测指标而言，模型搭建难度表示该观测指标的可获取性和获取成本；对于预测指标而言，该预测指标越难以被准确预测、搭建成本越高，模型搭建难度越高。

按照上述的重要性和模型搭建难度两个维度，可以将该指标体系中的指标分为四类：

（1）高重要性、低搭建难度：速赢指标。对于该类指标，应当尽快进行模型搭建或分析其管理价值。

（2）高重要性、高搭建难度：中期指标。对于该类指标，应考虑数据支撑方案，以提高数据质量或数据可得性，例如搭建完整系统功能或手工录入数据。

（3）低重要性、低搭建难度：待定指标。对于该类指标，应根据业务需求决定是否实施。

（4）低重要性、高搭建难度：弃用指标。该类数据应暂不实施。

对所有指标进行评估有助于进行可行性分析，针对不同类别的指标采取不同的优化措施。

2.指标优化建议

通过上述的评价体系，对各个指标进行评估，得到评估后的管理指标体系。

对于一个完整的体系，可以分解为多个子体系。若某一子系统包含较多第一类指标，即重要且获取成本低，则认为该体系可行性较高，其中的预测指标较为准确，且对现实具有指导意义。可以部署至正式环境，并按照PDCA循环[9]进行持续优化。反之，则应当对该子体系进行优化。针对观测指标，可以通过建立台账、信息管理系统等数据治理方式提高数据质量；针对预测指标，可以考虑调整并优化预测模型，提供预测准确率，从而提高子体系整体可行性。

三、实例研究——以经营性净现金流预测模型为例

为了更具体地分析该管理指标体系的搭建方法，以经营性净现金流预测为模型总目标，建立管理指标体系，通过该实例更深入地研究该体系的搭建过程与应用场景。

经营性现金流量管理是企业生存的前提，很大程度上决定了企业的生存周期，如果该指标出现异常，即使企业的账面利润再高，财务状况也将面临很大风险。因此，经营性净现金流的预测对企业的长短期规划都有着重要意义。

（一）基于相关业务流程确定数据范围与体系结构

以经营性净现金流的重要组成部分：收款额为目标指标，进行数据拆解与指标体系的构建。

1.基于财务知识梳理直接影响因素

通常来说，收款额由应收账款与相应应收账龄；账款、账龄偏差组成。然而在建筑行业，当对未来较长一段时间的收款额进行预测时，可能由于商务或业主未确权，未达到收款条件等原因，部分应收账款未录入，导致收款额预测偏差较大。基于上述理论基础与实际情况，针对收款额预测值梳理出应收账款、账龄及其偏差；应收账款预测值5个直接影响因素，以及其他可能的外部影响因素（图1）。

2.根据收款相关业务价值链与业务流程确定数据范围

基于上述分解结果，可以得知收款额预测相关的价值链流程为应收账款价值链流程。根据该价值链流程，找到相应业务流程链，便于后续数据范围确定。

就建筑行业应收账款而言，其业务价值链通常包含了产值计划制定、生产、商务与业主确权到最终应收账款产生与实际收入的全过程。上述价值链均可对应至企业业务架构的子流程。从而进一步得到与收款额相关的业务实体，包括计划产值信息表、工程计量台账、发票开具单等（图2）。

3.基于数据架构确定数据范围与指标体系结构

根据上述业务实体整理结果，可以得到该部分业务实体所包含的数据项，即该收款额相关管理指标体系的数据范围。并按照业务流程的先后发生顺序确定指标项的相互影响关系：前序流程为后续流程的影响因子。

根据流程梳理结果，对其中的待预测数据进行进一步拆解，可以得到针对收款额的指标体系，从而得到经营性净现金流指标体系如下（图3）。

（二）基于指标体系结构搭建预测模型

参考图3搭建的经营性净现金流指标体系，确定模型结构。其中预测对象为经营性净现金流，应收账款、账款偏差、应收账龄以及项目业态等其他因素为影响因子。

由于潜在影响因子较多，且关系较为复杂，因此选择机器学习模型进行训练。尝试线性回归、支持向量机、决策树、随机森林模型等适合预测连续性变量，且复杂度一般的模型。最终随机森林模型拟合效果最佳，平均绝对误差MAE约为±1800万元。参考当前数据质量，认为该误差在可接受范围内（图4）。

通过以上训练后的模型，可以实现利用当前应收、应付等数据，较为准确地预测未来现金流的目的，为企业决策做出指导。

（三）指标评估与模型优化

对于预测模型，可能存在两种待优化的预测结果。若预测结果与预期存在一定偏差，则考虑保持原模型，一方面调整模型超参数；另一方面，采取有监督学习的方式，人工根据每期数据进行调整，保证预测值合理可靠。若预测结果与现实情况相悖，则应考虑调整模型：细化模型，加入其他潜在影响因子进行拟合；或引入其他模型进行模型集成，从而增强准确性与鲁棒性。

而对于该管理指标体系中的各指标，按照前文所阐述的评估方式，评估指标可得性与重要性。同时根据评估结果，判断各子模型可行性，找到数据质量问题所在，从而为后续数据治理提供指导意见。

四、应用与展望

（一）管理指标体系的应用：决策支持

基于上述的管理指标体系，主要能够提供两方面的决策支持，包括指标预测与可视化、阈值设定下的决策建议。

1.指标预测与趋势可视化：由于该指标体系包含了预测值，并提供了预测模型的搭建结构，因此可以直接对特定指标的预测结果进行可视化处理，从而获得该指标的变化趋势（图5）。

2.决策建议：通过收集业务部门的建议，可以针对该指标体系内的重点指标设置阈值，当该指标的预测值/观测值超过某一阈值时，给出相应决策建议。

（二）管理指标体系的展望

随着时代的不断演进和商业环境的日益复杂化，我们对于管理指标体系的研究和应用仍然具有广阔的前景。在本研究中，我们成功地给出了一个管理指标体系的搭建方法，并可以用于指标的预测与决策支持。然而，这只是管理指标体系未来应用的冰山一角。我们认为随着该体系的进一步部署与完善，能够实现以下功能。

1.误差处理

随着该指标体系的落实与投入使用，将会产出某些特定指标的预测值。同时随着时间推移，也会产生该指标的实际值。由此，可以得到该指标体系下预测值与实际值的偏差。由于该指标体系有着较为清晰的层级结构，因此能够快速对于偏差产生的主要原因进行分析。此外，将该偏差记录并作为训练数据源重新投入预测模型，能够进一步提高模型的预测精度。

2.问题追溯

基于该指标体系的层级结构，可以对于重大的指标偏离情况进行追根溯源。在实际业务环境中，某一指标的值往往受多个因素综合影响，各因素的影响程度往往也难以直接获得，使得企业无法确定从哪一因素入手采取补救措施。基于该管理指标体系的層级结构，能够找到前序流程中存在主要问题的环节，并以此方法不断向前追溯，从而发现造成指标偏离的源头，进行预防。