数据参量化对数据可视化的影响：提升沟通和洞察 (数据参量化对象有哪些)

数据参量化是一个将定性数据转换为定量数据的过程，以便能够对其进行量化分析和可视化。它对于提高数据可视化的沟通和洞察至关重要。2. 更深的洞察

数据参量化使我们能够量化和分析定性数据，从中提取有价值的洞察。通过应用统计技术、机器学习和自然语言处理，我们可以识别模式、趋势和关系，这些关系在定性数据中可能无法明显看出。

3. 更好的决策

更好的沟通和更深的洞察力可以直接影响决策。通过有效地可视化定性数据，决策者可以获得对复杂问题的全面理解，并做出更明智的决策。

4. 增强用户体验

数据参量化可以通过使数据更易于理解和使用来改善用户体验。通过提供可视化仪表板和其他交互式工具，用户可以轻松探索和分析定性数据，从而获得个性化的洞察。

数据参量化的应用

数据参量化在各种行业和应用中都有广泛的应用：

• 市场营销：分析客户评论和社交媒体帖子，以理解客户情绪和偏好。
• 产品开发：收集用户反馈，以识别产品的痛点和改善领域。
• 消费者洞察：分析行为数据和感官数据，以了解消费者行为和偏好。
• 医疗保健：分析患者反馈和医疗记录，以改善患者体验和结果。
• 教育：分析学生的参与度和反馈，以改进教学方法。

结论

数据参量化是提高数据可视化的沟通和洞察力的强大工具。通过将定性数据转换为定量数据，我们可以更有效地可视化和分析信息，从而做出更明智的决策并改善用户体验。

---

d6改善对策实施及效果确认的关键点有哪些

d6改善对策实施及效果确认的关键点有明确改善目标、制定实施计划、执行改善措施、监控和调整、收集和分析数据、效果验证、标准化和固化和反馈和持续改进等。

1、明确改善目标：

首先需要明确改善的目标，包括希望通过改善达到什么效果，以及改善的优先级。

2、制定实施计划：

根据改善目标，制定详细的实施计划，包括具体的步骤、时间表和责任人。

3、执行改善措施：

按照实施计划，逐步执行改善措施。 在执行过程中，需要密切关注是否按计划进行，以及是否出现了预期之外的问题。

4、监控和调整：

在实施过程中，需要持续监控改善的效果，对于没有达到预期效果的措施进行调整。

5、收集和分析数据：

通过收集和分析相关数据，对改善效果进行量化和可视化，从而更好地了解改善措施的有效性。

6、效果验证：

在实施一段时间后，对改善效果进行验证。 如果改善效果符合预期，则可以进入下一阶段；如果不符合预期，则需要重新审视实施计划和改善措施。

7、标准化和固化：

当改善效果得到验证后，需要将改善措施标准化并固化下来，以确保改善成果能够持续下去。

8、反馈和持续改进：

即使改善措施已经实施并取得了良好的效果，也需要持续关注反馈，对于存在的问题进行持续改进。

D6改善的特点：

1、以数据为依据：

D6改善强调以数据为依据，通过数据分析和可视化来了解问题，制定相应的改善措施，并跟踪改善效果。

2、跨部门协作：

D6改善需要跨部门协作，不同部门之间的沟通协调至关重要。 通过跨部门协作，可以更好地整合资源，实现整体优化。

3、结构化和非结构化相结合：

D6改善既有结构化的改善步骤和方法，也有非结构化的创新和优化。 通过结构化和非结构化相结合的方式，可以实现更全面的改善效果。

4、持续改进：

D6改善强调持续改进的理念，不断寻找问题并进行改善，实现企业运营的持续优化和提升。

5、领导层支持：

D6改善需要领导层的支持和参与，只有得到高层管理者的支持和推动，才能确保各项改善活动的顺利推进和取得成功。

基于模板配置的数据可视化平台

导读：在大数据智能时代，数据分析的价值越来越重要，而数据分析可视化平台的能力要求也越来越高。 本文从网络数据中心的数据可视化平台出发，介绍了配置化的数据可视化平台的应用价值，并对数据可视化平台的整体处理架构进行了拆解。 基于可配置的数据可视化平台，可以高效支持复杂的数据分析场景，提升分析效率，强化数据的价值。

全文6999字，预计阅读时间13分钟。

一、背景与目标1.1 背景分析

在数据智能时代，BI（Business Intelligence，商业智能）已经是现代数据运营的基础能力。 以数据支撑业务，一方面需要我们基于数据仓库建设业务相关的全面、权威、稳定的基础数据，另一方面也需要我们建立数据分析的能力，通过图表对数据进行展示，从而提高数据展示的信息密度，然后辅以各种对比方式，让数据业务化、升华数据意义，赋能业务增长。 因此一个数据可视化平台的搭建就变得尤为重要，但由于复杂业务之间的差异使得平台的设计及开发过程难度大且复杂。 考虑到人群、业务的分析习惯与业务各异的分析方法，数据可视化平台在报表的呈现、数据的计算、数据的发布效率等方面都面临着重大的挑战。

1.2 问题与目标

以一个典型的广告商业化案例举例，客户基于投放目的选择不同的广告商业产品形式（如微博热搜榜单，网络的搜索置顶，各类视频网站的兴趣推荐等等），哪些形式能促进客户更好的触达用户；客户提供的样式（如视频、图片、内容等物料特性）让浏览内容的用户产生什么样的偏差等问题，都需要数据做支撑进行分析。结合分析师、看板用户的习惯和众多分析场景构建数据可视化平台生成数据报表时会出现以下问题：

1. 长期报表独立开发导致部分能力重复建设、重复开发； 2. 每个报表独立开发使得用户需要习惯多种样式、风格导致的体验差异； 3. 业务出现变动时调整、匹配成本较大，导致一段时间内无法有效赋能业务； 4. 平台计算能力不足导致的构建数据报表的时间、人力成本较大； 5. 平台稳定性保障难度高，需测试、排查层出不穷的异常。

为了能够满足用户的报表需求，即使投入大量的人力也仅能解决上述开发成本带来的问题。 系统化的打造BI与数据之间的桥梁，需要深入到数据表达的各个环节，结合业务的特性，模块化、组件化各项能力，这样既能减少重复开发的成本，同时也能提高代码复用、可扩展性、报表管理以及容错等各方面的能力，保障用户的使用体验及业务适配性。 因此，一个优秀的数据可视化平台应满足以下几点：

1. 敏捷：能够快速响应需求；

2. 准确：能够保证平台数据的准确性，做到「所见即所得，所得皆所用」；

3. 多元：面向不同的业务属性、用户特性，例如对比计算、查询等方式能够通过模块组合、展现类型调整等方式满足需求； 4. 灵活：对于业务拓展或者变更，平台能够灵活变化以贴近业务的结构； 5. 简单易用：用户无论是在读、写数据，均能快速满足；支持业务过程以「配置」取代「开发」； 6. 易拓展：覆盖大部分业务分析场景，同时支持基于配置的二次开发前后端代码，易于扩展。

1.3 名词解释

1. 衍生指标： 基于基础指标，利用公式二次计算出来的指标，常见的例如以最近10天用户数计算出来的平均用户数，或利用当天用户数量对比昨日用户数量计算出来的日环比等。 2. 下钻： 一般指业务需要通过拆分、细化来挖掘或定位业务痛点，业务之间存在一定的关联性，透过关联逐层的拆解在分析时称之为下钻。 在可视化场景中常用树状结构表达类似的层级关系。 3. 上卷： 在可视化场景中指多个业务数据构成一个总数时，通过系统利用业务间的关联性进行合计计算。 4. 维度分析： 常见的基线对比方式，以一项或多项业务为基准，通过数值对比分析当前业务状况。 5. 时间对比分析： 将时间进行分段处理后，对比当前时间段与历史（或基线）时间段之间的数值变化，从而判断业务状况。

二、整体设计与思路2.1 需求分析与构思

2.1.1 场景分析

一个完整的数据分析闭环从分析需求开始，包含了数据采集、数据清洗、数据建模、数据呈现、数据应用、结论输出，利用产出的结论落地或提升业务。整个环节我们可以看到两种角色：

1.建设者：

进行分析一个命题或业务场景时，首先基于业务寻找数据支撑，在此过程中需要采集数据、将数据整理成具有业务含义的表达方式、提取出具有业务关联性的内容形成具有分析意义的集合，用更直观、形象的方式将数据进行展示等几部分工作。 其次为了能更充分的表达业务，过程中需要将一些数据进行组合构建成衍生指标或者建立维度之间的联系。 这些工作完成后，一个完整的业务场景会通过数字化、图像化的方式展示出来。

2.分析者：

针对业务的情况，透过数据开始剥离问题，以一个APP某商业化场景收入下降为例，分析师需要从APP的用户数开始逐层漏斗查看哪些环节导致的影响较大，也需要从各个维度进行下钻分析定位业务根结，还有可能利用类比分析、基线对比的方式横向比较相似场景下影响的差异。

面对相同的业务问题，不同方向的数据使用者可能也会有不同的行为，对业务理解的动向，分析的数据层级等也会有所不同。 当然，用户也可以同时承担这两种角色，本质上简单易用的平台更便于分析型用户独立完成数据建设到分析的闭环，从而减少并释放人力，更快的解决业务问题。 在当前数据无法满足业务分析时，分析者又会进入到建设型场景，继续寻找量化支撑所需的数据论据。

2.1.2 业务抽象与思考

完成多种业务场景的数据支持，需要技术为之创造条件，如果说建设者最终服务于分析者，以报表结果为导向，建设者是否可以在建设过程中充分表达分析者的数据需求呢？这些报表建设能力转嫁或拆解成程序化、模块化语言究竟是什么？平台配合建设者本身需要完成哪些工作、实现什么样的功能呢？同时，平台该如何保证为分析者提供准确、高效、全面的数据呢？接下来我们通过对数据的可视化过程拆解、抽象对上述问题一一解答。

2.2 架构设计

2.2.1 过程抽象

我们将分析者使用数据的全过程进行拆解，然后进行抽象化、组件化。 分析者通过平台输入查询条件、指标、维度等等，服务端根据平台输入进行数据sql的组装并查询数据库，然后计算相关衍生指标整合计算结果，最终按照相应的样式呈现结果。 整个逻辑过程拆解如图1所示。

△图1 过程抽象逻辑

2.2.2 整体架构

根据数据可视化的过程抽象可知，一个完整的可视化平台需要包括数据获取、数据计算、数据呈现等几部分。 数据如何获取、如何展示则需要进行统一配置管理，数据如何快速、准确的计算则由通用计算服务负责。 同时可视化平台还需要保证数据的质量问题，在数据存在问题或者延迟时能够及时通知建设者去处理数据问题，这些则由运维看板负责。 我们通过对数据可视化过程抽象和对此类平台的经验总结，将数据可视化平台架构拆解成如图2所示。

△图2?整体架构图

三、核心模块介绍3.1 配置工具与报表呈现

在未进行配置化以前，建设一个报表需要后端开发人员基于数据库开发计算逻辑、分析、下载等功能，前端开发人员则基于数据以图表的形式进行渲染，代码冗余、开发成本高、周期长。 统一配置工具是在数据库与报表呈现之间搭建起来的一座桥梁，数据建设者在熟悉数据逻辑的基础上通过配置工具的配置界面进行数据源、计算逻辑、呈现内容、样式等相关信息的配置，然后将其发布上线,各数据可视化平台的报表呈现模块根据配置的样式和内容渲染相应的组件，用户即可在对应的平台查看报表、分析或者下载数据。

△图3?配置流程示意图

3.1.1 统一配置工具

为了减少配置工具使用的复杂程度、降低用户学习成本，提高配置效率，针对业务以及数据需求相对稳定的分析场景设计固定的呈现模板，用户选择合适的模板配置相应的内容，且配置模板具备可扩展性，可灵活增删功能模块。

△图4?统一配置工具组成

配置工具页面根据用户选择的模板展示相应的配置内容，除了配置数据源、指标、维度等数据相关信息，还需要配置筛选控件、分析组件等内容。 同时配置工具还支持通过扩展配置增加当前模板不支持的功能，从而基于模板进行二次开发。 一个完整的配置工具除了基本的配置，还增加了指标管理、维度管理、配置校验等功能提高配置效率和用户体验的基础支持。 1. 指标管理：将指标、衍生指标的信息进行统一的管理，根据指标的属性特征提供各参数的默认值，配置人员在配置页面时可以直接使用指标管理模块的默认配置信息，实现了指标的一次配置多次使用。 这不仅提高了配置人员的配置效率，提供指标参数默认值也有利于规范统一平台风格； 2. 维度管理：根据数据源配置信息，生成维度模板信息，配置人员只需要简单调整维度显示名称和顺序即可，方便高效； 3. 配置校验：校验用户配置的sql是否正确，快速定位错误配置。

3.1.2 报表呈现

△图5?报表呈现的架构

报表呈现这部分的主要工作是将格式化后的数据以图表的形式渲染在浏览器中，供用户查询、分析数据。 报表呈现的基础组件单元分为两类： 1. 控制组件：配置工具里配置的组件，比如筛选条件、日期类型等，这类组件在渲染组件时同时渲染组件内容； 2. 数据组件：需要渲染的具体数据，比如表格、折线图中的数据，这部分的数据是由通用计算模块来提供的。 这类组件在渲染组件后，重新获取具体数据信息（数据来源不同）进行内容渲染。

为了满足复杂的分析场景，在报表呈现时往往是多个样式组合在一起使用。 在进行设计时综合考虑代码的可复用性、通用性以及可扩展性将图表拆解成可以重复使用的最小单元，封装成组件。 各组件最终如何组合排列呈现则由建设者根据需要的分析场景在配置工具里进行配置管理。

△图6?报表呈现的组成

针对业务以及数据需求相对稳定的分析场景报表呈现共设计实现了14种呈现模板，支持交互式查询、TOP排序、实时数据等业务场景的配置。 对于更复杂的业务场景能够复用基础组件、开发上线。

△图7?配置模板

3.2 通用计算服务

前面部分介绍了配置工具服务于计算和报表呈现，报表呈现图表的数据来源于计算服务。 计算服务是整个数据可视化平台的大脑，主要负责将数据库中的原始数据根据不同的计算规则处理并生成用户需要的数据形式进行展示。 不同的用户分析数据的维度、视角、场景存在差异，例如：在Top场景下，分析重点维度（如客户、产品等）数据的变化趋势；有的需要监控固定指标的波动，根据不同的筛选条件，交叉分析引起变化的原因、预测未来发展的方向；有的需要长时间范围的数据来分析指标随时间的变化规律；对于重点业务需要实时查看数据变化等等。 计算服务除了要覆盖已知且复杂的业务场景，还需要考虑业务的不断扩展和对数据的深挖，快速跟进业务的发展，所以计算服务架构在设计时要充分考虑通用性和可扩展性。

3.2.1 架构实现

综合业务场景复杂性、代码复用性、服务通用性和可扩展性各方面的考量，我们对通用计算服务架构做了分层设计，每层各司其职，规范整体代码结构、逻辑清晰易读且能够快速支持新指标计算的扩展。

△图8?计算整体服务架构

1. 参数校验层 对于不同业务场景的数据请求，计算服务所要求的参数不尽相同，我们将参数校验部分独立出来，抽象出共同的参数校验逻辑，对于各模板独有的参数进行独立校验。 2. 模板服务分发层 为了满足不同的业务场景和数据展示需求，我们设置了模板服务分发层，按照业务场景进行分类，抽象出多个服务类服务于不同的数据场景。 分发层根据用户在配置工具配置的信息为后续计算准备数据源、指标、维度等信息然后同计算请求一起分发到具体的服务类。 3. 多维分解层 为了支持数据上卷、下钻的数据分析维度之间的关系，我们设计了多维分解层，根据数据的层级分解出多个并行计算过程。 多线程并行计算使得不同层级计算互不干扰、高效计算。 4. 数据获取层 为了能够支持多种类型的数据库且易于后续新增其他类型数据库，我们抽象了数据获取层，屏蔽上层数据获取逻辑、提供统一接口???。 底层数据库可以支持mysql、palo、xdb等，也能方便、快速的扩展支持新的数据库类型。 5. 分层计算层 由多维分解层拆解出来的多个计算过程，每个计算过程是独立的模块，在数据获取层提供的原始数据基础上并行计算周同、日环、七天均值等衍生指标，满足分析者多角度分析场景。 衍生指标单独计算、互不影响，易扩展且不影响计算效率。 最后根据延迟看板（该部分后边详细介绍）提供的数据延迟、屏蔽信息，将计算结果进行屏蔽处理，防止平台呈现异常数据。

△图9?分层运算层

6.格式化层

格式化层主要负责根据不同呈现组件进行格式化，将数据处理操作放在服务端进行，前端拿来即用减少前端性能消耗，提高前端数据呈现和渲染效率。 同时，格式化层屏蔽了底层计算逻辑，使得通用计算服务能够快速接入新的报表呈现平台，为其提供计算能力。

3.3 运维看板

数据可视化平台的核心是数据，平台底层维护了大量的数据流，这些数据来源于不同的上游，原始数据经过多层的数据抽取、加工、汇总，生成最终的前端表。 在整个过程中可能出现各种问题，比如多数据源先后到位导致页面数据展示不全，上游数据异常、数据清洗过程中发生异常等。 为了保证数据的准确性，在通用计算服务部分提到了需要对异常数据进行屏蔽处理，其屏蔽信息来源于运维看板。

△图10?运维看板组成

运维看板监控数据到位情况、检验数据准确性，保障数据的正常产出，为整个平台数据的准确性和权威性保驾护航。 其核心功能是数据延迟监控、数据质量校验、平台公告管理。 整体的工作流程如下：

1. 调度系统负责所有ETL任务的调起和状态流转，在ETL任务运行完成后，通过消息队列通知到看板数据产出； 2. 看板调起数据校验服务执行校验任务，并将结果回传到看板； 3. 看板更新报表数据产出状态，根据校验规则校验数据波动是否超阈值，然后将数据到位情况、校验结果通过消息队列分发到对应的报表平台； 4. 各报表平台根据接收到的消息，重新计算数据更新数据缓存。

△图11?基于消息中心的运维看板工作流程

3.3.1 数据延迟监控

为了保证例行化的数据任务在SLA时间内产出，延迟监控模块根据报表的ETL任务、SLA时间信息对数据到位情况进行监控、报警。 数据到位时延迟监控模块第一时间将消息分发到各平台，保证数据缓存及时更新。 对于多数据源的报表，延迟监控支持配置数据全部到位或部分到位呈现规则，看板基于配置规则进行数据屏蔽管理同时生成相应公告提示报表平台用户数据到位情况。 如果数据在SLA时间内未产出则会通知报表负责人及时跟进数据运行状况。 为了方便监控报表产出情况，看板同时提供了界面化的数据产出监控界面，报表负责人通过界面查看、统计数据产出情况、ETL任务状态等。

△图12?数据产出监控界面

3.3.2 数据质量校验

为保证数据的准确性和权威性，数据到位后运维看板会在平台数据呈现之前对数据进行质量校验，根据校验规则生成屏蔽信息，通过消息队列分发到各报表平台。 当校验的数据异常时通过短信、电话、邮件等多种报警方式告知报表负责人，提醒跟进数据异常状况。 数据校验规则目前设计实现了三种类型： 1. 前端表校验：支持同环比、大小阈值等校验规则，在前端表数据到位后进行校验。 2. 数据源校验：支持同环比、大小阈值等校验规则，从上游拉取到数据后执行校验规则。 3. 自定义脚本扩展，支持用户自定义校验规则，提供openapi接口屏蔽数据。

3.3.3 屏蔽和公告管理

除了数据延迟监控和数据质量校验能够屏蔽数据，运维看板还提供直接屏蔽数据功能，避免因为其他问题造成的异常数据呈现给用户。 当数据异常或特殊事件造成数据波动较大时，公告管理模块上线公告告知用户数据波动原因。

四、总结

基于模板配置的数据可视化平台由统一配置工具、通用计算服务、报表呈现、运维看板等几部分组成。 统一配置工具负责管理报表如何获取数据、以哪些图表样式呈现报表；通用机算服务提供衍生指标（日环、周同、七天均值、QTD、MTD等等），对比分析，数据上卷、下钻等计算能力；运维看板提供延迟监控、质量校验、屏蔽管理等功能保证数据的准确性、时效性；报表呈现提供丰富的图表组件（表格、趋势图、饼图、地图等等）和过滤条件（单选、多选、日期、输入框等等）满足复杂的可视化需求。 多种配置模板贴合业务需求，以配置取代开发快速响应需求，同时易于扩展的架构能够灵活跟进业务变更或拓展。 简单来说我们的平台：1. 相比自助BI，辅助功能更强大、数据质量有保证 借助组件化强大的能力，我们在保持页面高自由度、灵活支持业务的同时，也构建了多种辅助对比的能力帮助分析者完成分析。 通过一个完整的报表页面，能有系统的分析思路，也能获得多元的自助能力，强化了对业务的认知。 其次减少了用户对数据的置信问题，将异常数据前置管理，通过数据延迟监控、数据质量校验、屏蔽、公告等一系列手段保证数据的准确性，避免分析者对数据质量的质疑，做到「所见即所得，所得皆所用」。 2. 相比传统BI，更快速、高效 前文讲到，定制化的开发最大的缺点是开发效率时间长、成本高，影响数据输出和分析。 我们将计算能力、展示能力组件化、配置化，丰富的衍生指标计算能力、呈现组件使其尽量贴近定制化平台能力。 即便是平台不支持的新业务场景这些高可用的开发组件也能参与到其分析场景的搭建过程中。 基于模板配置的数据可视化平台能够快速响应业务需求、支撑分析业务能力、为业务赋能。

推荐阅读

如何正确的评测视频画质

小程序启动性能优化实践

我们是如何穿过低代码 “??区”的：amis与爱速搭中的关键设计

移动端异构运算技术-GPU OpenCL 编程（基础篇） ?

云原生赋能开发测试

基于Saga的分布式事务调度落地

原文：

数据的维度和度量

在接下来的内容中，我们将深入探讨数据可视化的核心元素——维度和度量。 它们在构建可视化报告中扮演着关键角色。 维度，如地区、名称和日期，是分类的标识，而度量，如订单量、用户量，是未经修饰的数值。 两者结合，产生了派生指标，使复杂的信息得以量化和可视化。 例如，一个图表中，X轴表示地区，如中部、东部等，Y轴则是销售额，这样的结构形成了一幅直观的数据报告。 数据可视化不仅是一种理解数据的方式，它涵盖了科学可视化、信息可视化和可视分析等多个领域，旨在揭示数据背后的规律和洞察。 数据可视化的应用广泛，例如在数据看板上，它作为后台系统首页，提供实时业务和运营管理数据，支持即时决策。 在移动端，简洁的可视化设计让用户可以随时随地获取信息，提升工作效率。 此外，数据信息图则通过各种图形类型，如关系流程图、叙事插图等，以直观、艺术化的方式传达信息。 尽管以上场景可能显得抽象，但别担心，从下一篇文章起，我将通过实例展示各类数据可视化的图形及其在实际场景中的最佳使用，让大家更直观地理解和体验数据可视化的魅力，敬请期待！

区块链财务革命是什么？

区块链对未来财务会造成什么影响

1.区块链在支付领域：金融机构特别是跨境金融机构之间的对账清算、结算等成本较高，也涉及了很多手工流程；区块链技术应用可以降低金融机构间的对账成本及争议解决成本，显著提高支付领域的效率，同时金融机构更容易处理小额跨境支付业务，有助于普惠金融业务的实现。

2.在清算结算领域：不同金融机构间基础设施架构、业务流程各有不同，涉及很多人工处理的环节，极大增加业务成本，容易出错。 应用区块链技术，结合第二点说的链上资产，即可完成点对点实时清算与结算，从而降低价值转移成本，缩短时间，提高效率，并且交易双方可以获得良好的隐私保护。

3.资产管理领域：股权、债券、票据等资产由不同中介机构托管，提高了资产的交易成本，带来凭证伪造的问题。 应用区块链技术，将此类资产数字化，成为链上数字资产，以区块链不可逆、不可篡改、公开等特性，提高资产交易效率，降低资产管理成本。

由于区块链的特性是不可逆、不可篡改，使得信息保密安全，点对点交易传输，去中心化，使信息可靠追溯；从而降低中间成本、提高效率，它不仅仅用于会计审计当中，同时还可以应用于各行各业，现在我们也能从各行各业的运转背后都可以看到区块链协作运转的模式，因此区块链必将广泛而深刻的改变人类的生活方式，因此整个生活服务将进入区块链时代。 在这个互联网发展过程当中，区块链+实体行业、区块链电商、区块链社群运营都可以运用到区块链技术。

大数据和区块链技术对会计行业的变革

大数据和区块链作为当下最热门的技术，对会计行业的变革有着非常重要的影响。 大数据技术提高了可数据化会计信息的数量，使得原有的财务信息和非财务信息得以数据化，扩大了财务人员特别是高级财务人员的管理范畴。 会计在信息化的变革之中，面临着会计信息的可靠性无法得到保障，虚假的会计信息数据化反而会影响营销管理决策，而区块链技术的诞生很好的解决了会计数据的可靠性问题。 会计行业要抓住机遇，积极利用大数据和区块链技术，促进行业的变革，同时，会计从业人员也要通过提升自身的职业素养来适应行业变革。

大数据对会计数据信息方面，因大数据本身特点，当企业涉及到大数据分析方面，更多的是需要总体的数据而不是抽样的数据样本，需要是数据的整体关系而不是的单个的数据，以使增强会计数据信息的相关性。 会计数据信息可以通过大数据平台，得知不同企业对同类型项目所采取的会计处理方式以及核算方式，企业之间可以更容易进行比较。 同时，在大数据背景之下，企业通过互联网，可以及时处理和传递会计数据信息，保证会计数据信息的及时性。

区块链因其“去中心化”的思想，应用于处理会计数据信息之中，可以有效保障数据之间的相关性，同时因区块链的去信任性、去中心化，也加强了信息传输之中的安全性，可以最大程度上防止盗取、篡改信息，从而使得信息安全问题得以解决，保证了会计数据信息的可靠性和真实性。 同时在区块链技术之下，当信息有新的更新的时候，所有的节点上信息都会进行更新并且不可修改，使得信息的及时性更强。 区块链在对信息记录之时，需要链网之中的用户进行确认记账行为的真伪，通过记录则不可修改，每一方因为实现数据利益最大化，从而使得一些不良现象彻底消失。

会计从传统简单的记账到如今的合理纳税，以后将会通过对财务数据的管理，进行更多方面的管理。 在大数据和区块链的促进之下，会计之前的财务会计和管理会计分支将会融合。 大数据技术和区块链技术的引入，所带来的新平台，将会使得会计人员不仅成为会计专家，也有可能成为大数据方面进行专业管理的编程人员，即有多类辅助技能的会计人才，成为新时代下有突出价值的新型会计人才，将会促进管理类会计与财务类会计的加速融合。

大数据以及区块链技术，融合会计数据信息，提高了会计信息的数量也保证了会计信息的质量，使得财务管理能力成为会计人员的必备能力，高级会计人员的管理能力将获得强力突出。 从事基础会计工作的会计人员也面临会计行业的变革考验，需要更多掌握管理会计、信息决策方面出发。

面对会计数据信息海量的数据，会计从业人员需要通过大数据技术、掌握多种高效的数据分析方式，综合分析判断数据信息，从而帮助企业做出正确的预案，同时提出问题的解决策略。 会计人员将计算机技术与会计知识的有机结合，利用大数据、区块链技术，逐步将传统账簿修改成以大数据、区块链技术为基础的新型平台。

数字经济时代，财务管理新变化

作者：王勇谢晨颖

【导读】

数字经济时代，“大智移云物区”等数字技术已经成为重塑各行各业的重要力量。 财务管理作为企业管理的重要内容，也受到了巨大的影响和冲击。 传统财务的工作流程、管理模式、管理理念、组织架构等各方面都发生了不同程度的变化。 企业的财务管理正在从电算化、信息化，逐渐走向数字化、智能化。

数字技术的进步会给财务管理带来怎样的改变？本文将从财务决策、资金管理、成本管理、财务职能、财务报告和财务风险六个方面阐述数字经济时代财务管理发生的变革。

1.财务决策：从依赖经验的直觉决策到数据算法驱动的科学决策

长期以来，管理者通常凭借经验、直觉、判断力来进行决策，虽然也会通过获取数据进行模型的计算得出结果，但在过去，受限于技术能力，数据获取不全面，导致很多决策模型无法使用，财务决策仅仅建立在企业内部“财务小数据”的基础上，包括收入、成本、利润、资产、负债等，难以做出合理的决策。

数字经济时代，大数据的大量性（Volume）和多样性（Variety）给管理者使用决策模型提供便利，可以得出更加科学合理的结果。 大数据不仅能收集到财务信息，也能收集到非财务信息；不仅能收集结构化数据，也能收集到非结构化、半结构化数据；除了企业内部业务数据，更延伸到企业外部，包括所属行业、供应链、竞争对手、监管机构、政府部门等所有利益相关者的数据。 数据和算法通过机器学习的方式不断自我优化，进而用“数据决策”替代“凭直觉经验和拍脑袋式决策”。

以投资决策为例，在进行投资决策时，过去的决策者在决策时无法掌握所有信息，且容易受到个人风险偏好、认知偏差的影响，造成决策的主观性。 基于大数据的投资决策模型纠正了决策中的非理性问题，得出的结论更加的科学，提高投资决策的合理性和准确性。 同时，通过建立量化投资模型帮助决策者处理海量数据，决策者能够在短时间内对影响投资结果的因素进行多角度分析，如经济周期、未来预期、盈利能力、心理因素、市场等，根据模型分析结果做出投资决策，极大提高了投资效率。 有实证研究表明，企业的投资规模、投资回报率与大数据发展指数之间呈正相关关系，即大数据的发展有利于企业做出更好的投资决策；同时，大数据发展指数与企业融资效率、内源融资率及债务清偿率均呈正相关关系。 大数据能够提升企业融资决策的质量。 [1]

谷歌采用“TheMachine”算法，通过或否决新的投资和后续投资。 通过收集某特定公司的市场数据、融资金额、联合投资合作伙伴、以前的投资者、行业领域以及以前估值与目前估值的差额等方面的数据进行分析，用红绿灯系统来考核某项投资指标体系，绿灯表示投资机会良好，红灯表示不投资，黄灯表示需谨慎行事。 在使用初期只是作为投资尽调的辅助配角，现在其AI算法已经进入投资委员会，可以对投资进行评估，且评估结果的准确率很高。

2.资金管理：从内部资金管理到全产业链资金管理

传统财资管理系统中更多是平面化财资管理，将财资管理的重点放在账户管理、资金结算、资金划拨、资金对账等交易性处理流程上，主要是对企业内部资金的管理。

数字经济时代，随着数字技术的不断发展，可以支撑更加复杂多样的资金管理模式，财资管理将从平面走向立体。 企业的资金管理不再局限于内部资金的集中管控和调配，而是向供应链金融模式转变。 利用大数据、AI、云计算等技术，可以对产业链资金流动进行静态和动态监测管理。 上至供应商，可以开展供应链金融，做应收账款保理；下到消费者，可以做消费信贷，盘活全产业链资金。 [2]

蒙牛集团在企业内部搭建了资金共享平台，实现对资金的集中管控。 由集团总部统一调度、管理和运用所有的资金。 大量实时汇总的资金大数据，使现金流预测模型更加精确，让集团对内部资金的管理更精细、更高效、更主动。 除了内部资金管理，在企业外部，蒙牛还建立了服务于上下游的供应链融资平台。 通过“互联网+大数据”，从蒙牛上下游、奶源等第一层直联的约上万数量合作伙伴群，逐步延伸到第二层的上百万数量的蒙牛生态圈伙伴，实现高效、低成本融资。 目前，蒙牛已与多家金融机构合作开展供应链金融业务。 通过EAS系统和银行在数据渠道上打通，上下游企业可以直接登录蒙牛供应链融资平台，高效融资，使得以蒙牛为核心企业的生态圈更加健康。

3.成本管理：实现精细化核算、前置化管控，优化成本控制

在成本核算方面，作业成本法是现在较为精细化的管理方式，但基于技术条件的限制，很多作业层面的数据难以收集，导致实施起来较为复杂和困难。

数字经济时代，随着大数据、物联网等技术的兴起，生产或服务中的每一步骤甚至每一个细节都能够被各种智能仪器收集到，并传递到数据处理中心进行处理。 企业能够方便快捷地获取、筛选与成本相关的各种数据，避免了繁琐的人工筛选数据的过程，使得作业成本法得以便捷的实现。 同时，成本数据的收集更为精确和全面，便于确定成本动因、识别增值作业，精细化成本管理，优化成本控制过程。 实际上，由于智能设备和物联网的应用，一些传统的间接费用变为直接成本，即使需要分配间接费用，也能找到较为精确的分配因子。

Amani等(2017)对数据挖掘技术在成本管理应用中的几个层面进行了综述，分别是设备层面、流程层面、施工层面、产品层面和项目层面。 其中，在设备层可以用数据挖掘来评估设备制造成本，从而提高设备检查和维修的精确度，追踪设备更新成本；在流程层数据挖掘技术用来在成本核算中确定成本驱动因素,并帮助制定转移定价的决策；在施工层通过创建神经网络系统，实现快速且精确的成本评估；在产品层数据挖掘可以用以预测产品单元的成本、评估产品生命周期成本；在项目层数据挖掘可以协助建立成本评估体系，包括有形产品和无形产品,如软件和应用等。 基于全过程、多层次的原则，财务可以在数据挖掘技术下实现对成本的精益管理，这是大数据技术在成本管理领域的重要应用场景。

此外，传统的成本控制是在成本发生后进行事后追踪。 随着数字技术的应用，成本、费用被细分成不同的子类，针对不同子类都可以进一步向前延伸，建立专业的前端业务管理系统，如商旅管理系统、品牌宣传管理系统、通信费用管理系统等等。 [3]这些前置业务系统和财务系统之间实现无缝衔接，将成本费用的管理前置到业务过程中去，实现前置化、过程化的成本控制和监督。

4.财务职能：从交易记录、核算监督到决策支持、价值创造，实现业财深度融合

传统财务的主要工作是承担企业的财务核算和监督职能，进行报表的编制、资金结算、报送财务信息等基础性工作。 财务角色定位局限于账务处理、薄记经营活动，财务部门只是职能部门，不能产生附加价值，是“后台”角色。

数字经济时代，财务的职能将发生重大变革。 以“凭证”为起点的传统财务会计将逐渐被自动化和智能化，很多重复性、规则性的财务工作会被财务机器人所替代，更多财会人员被释放出来，新的财务管理模式将实现“无人会计”。

麦肯锡《自动化和人工智能如何重塑财务职能》中显示，大多数财务活动都存在自动化计划，其中以交易型活动最易于自动化，对于一般的会计活动而言，77%的活动是可以全自动化的，12%的活动可以高度自动化。 牛津大学研究者也曾预测，未来20年，在英国会计行业中，财务行政人员和注册会计师可能被机器完全替代的概率分别为96.8%和95.3%。

财务人员正在从以交易处理为主的财务会计向决策支持为主的管理会计转型，转变为赋能者和创新引领者。 借助大数据挖掘技术，发现业务经营中存在的问题、企业潜在的发展机会，参与经营决策，并更多承担资金管理、预算管理、风险管控等高价值工作，全面参与到企业的经营管理和价值创造活动中去。

同时，传统财务工作相对独立、封闭，很难与各项业务工作有效的融合,“会计和业务两张皮”现象较为常见。 数字化时代，一切业务数据化，一切数据业务化，财务工作将与业务工作高度融合。 业务信息系统和财务信息系统在输入、处理、存储和输出等各个环节共享，业务和财务人员之间的组织和职能划分将会逐渐消失。 在数字技术、智能技术的加持下，会计人员的部分职责会转移到业务人员身上，“人人财务”的趋势逐渐凸显。 （“人人财务”表现为财务即业务，业务即财务；人人皆财务，财务皆人人。 ）

新奥集团是一家业务版块广泛、子公司众多的大型集团公司，其财务共享中心日常业务种类繁多，且有相当一部分业务流程需依靠人工完成，员工工作强度大、耗时久。 在财务数字化转型中，新奥集团利用IBMRPA（机器人流程自动化）、规则引擎等技术，打造自动化财务机器人，引入虚拟员工，在财务共享中心上岗。 自动化机器人代替人工完成业务流程中重复度高、规则精确和吞吐量大的任务，以及跨岗位的多人操作、跨数据源的数据核对等；只有异常处理、需要创意和决策的任务才交给人工操作。 借助RPA技术，新奥集团财务共享中心不仅更快速、更高效地完成工作，而且最大限度释放员工价值，让员工做对企业有更高附加值的工作。

美的集团在财务数字化转型中，构建了财务共享平台，重新架构了管理体系，真正实现了“业财融合”。 转型后财务人员从重复投入和效率低的境况中解放出来，将更多资源和精力投入到辅助经营中。 财务职能由“办公室”型财务转变成“业务型和经营管理型财务”，通过深入了解业务，深度分析各业务领域的经营数据，为业务部门提供有力的数据支撑，支持企业经营管理决策，提升经营价值。 另外，集团重新设置了财经各模块职能岗位，比如财经管理部的“预算管理专员、成本管理专员、会计管理专员、研发成本管理专员、资金管理专员”等岗位设计，所有财务工作侧重于参与企业经营管理，而不是会计核算。 财务人员从传统的日常记账中解脱出来，走进前线，参与到业务中，为业务提供决策支持。

5.财务报告：从定期、标准化报表到实时、多样化、全面化报表

传统财务报告通过对经济业务的确认、计量和报告，定期提供标准化的财报，有三个特点：一是主要提供财务数据，非财务数据很少呈现。 财报很难全面展现企业的财务状况、经营业绩与发展前景。 二是标准化，即对所有使用者提供相同的格式和信息，不考虑信息使用者的个性化需求。 三是滞后性，传统的“三表一注”面向过去，按季度或年度定期编制，对企业经营状况的反馈是滞后的。

随着大数据、云计算、人工智能、图像识别、机器学习等各种技术的出现，正在不断改变会计信息加工的规则和方法，一些机构已经开始借助于人工智能算法，实现凭证的智能编制和报表的智能生成。 可以根据不同用户的需求，提供多样化的财务报告，满足不同层级用户的多样化需求。 这些报告不再局限于财务信息，还包括大量非财务信息，财务报告走向精细和全面。 也不再局限于定期报告，而是可以做到实时化、可视化。 财务数据实时采集、实时核算与分析、实时传输与报告，为企业经营决策提供支持。

其中，区块链技术给财务报告带来的影响是革命性的。 企业外部信息使用者及其内部信息需求都能够通过共识机制快速确定。 每一个企业参与者都可以提出多样化的信息需求，通过区块链技术能够生成并发布各种样式、内容、结构、目的的财务报告，如以经济事项为基础的报告、全面收益报告、相互式按需报告、实时智能财务报告以及智能分析报告等，极大地克服了现行财务报告的诸多局限性。

德邦快递的客户量大、单量大，流转数据大，对报表的时效要求非常高。 通过构建业财一体化系统平台，梳理业务单据与财务凭证之间的数据关联，德邦快递实现了90%凭证的自动生成、审核，每月自动处理200万份业务单据；设置的各项报表架构和业务规则，自动归集、计算、输出报表，每次报表编制时间由4小时缩短至60s，实现报表智能编制、实时查询，满足管理者对报表时效的高要求。

6.财务风险：从依靠人进行风险管控到机器自动识别风险、提前预警

财务风险包括筹资风险、投资风险、现金流风险等。 传统财务风险管控主要依靠财务人员搜集信息，进行风险识别时需要搜集的数据量庞大，财务人员难以整合多种渠道的数据，难以进行关联信息查询和扩展，效率低下，风险控制的成本较大。

随着大数据、人工智能等技术的广泛应用，财务风险管控有了更先进的算法、模型和工具。 借助监督式学习算法、知识图谱等技术，把人类具有的直觉推理加以形式化或机器模拟，可以大量处理会计信息、供应商管理审查信息、应收账款账龄信息等，对财务风险形成预判能力。 通过建立数学模型对不同风险因素进行组合分析，使企业能够在较短时间内迅速识别潜在风险并进行精确的量化分析，进而实现对财务风险的及时控制。 此外，根据大数据的分析结果设立预警指标与临界指标，还可提醒管理者在财务风险发生前就做出应对措施。

德勤认为机器学习可以解读财务人员对于风险的反应方式，从而在没有回馈或干预的情况下自主采取行动，根据持续的信息流快速反应，进而降低财务风险，使财务不需要在人的干预下就可以自主驱动智能工具，实现无人化的风险管控。

阿里巴巴为了保持现金流的稳定性和充足性，防止现金流风险，建立了大数据财务风险预警体系，将产生财务风险的内外部经营环境等抽象因素数据化，利用大数据处理技术对各种风险因子异常变化情况进行识别，任何涉及到现金流的风险因子出现异常，预警体系都能够基于大数据分析处理进行主动识别，并预警潜在的现金流风险，通知管理人员及时进行风险的管控。 与传统财务风险预警体系不同，大数据财务风险预警体系在云技术的支持下能够实现事前预测、事中处理、事后管控的实时动态监控。

【小结】

数字经济时代，在大数据、云计算、区块链等数字技术的冲击下，传统的财务管理模式发生了深刻变革。 财务决策从经验驱动变为数据驱动，资金管理从内部管理延伸到全产业链、生态圈的管理，成本核算精细化、成本控制前置化，财务职能从核算监督到决策支持、价值创造，财务报表从定期、标准到实时、多样，财务风险管控从依靠人到机器自动识别、提前预警。 企业要抓住数字经济的时代机遇，加快财务管理的数字化转型，充分发挥财务在数据方面具有的先决性优势。

参考文献：

数据分析能力体现在哪些方面

数据分析能力体现在以下方面：

1.数据收集与整理能力

数据分析的第一步是数据的收集与整理。 数据分析者需要具备收集各种类型的数据的能力，包括从数据库、API、网络等渠道获取数据。 此外，还需要对数据进行清洗、去重、处理缺失值等，以确保数据的质量和完整性。

2.数据探索与可视化能力

数据分析者需要通过数据探索来理解数据的特征和规律。 他们需要运用各种统计方法和可视化工具，对数据进行探索性分析，发现其中的模式、趋势和异常值。 通过可视化手段，可以更直观地呈现数据的结构和关系，帮助决策者快速理解数据背后的信息。

3.统计分析与模型建立能力

数据分析离不开统计分析的方法和技术。 数据分析者需要掌握各种统计分析方法，如描述统计、推断统计、回归分析、聚类分析等，以从数据中提取有意义的信息和模式。 此外，他们还需要具备建立预测模型、机器学习模型等的能力，以解决实际问题和做出准确的预测。

4.数据解释与故事讲述能力

数据分析的最终目的是为决策者提供具有洞察力的建议和决策支持。 数据分析者需要将复杂的分析结果转化为简洁明了的语言和图表，能够清晰且有逻辑地向非专业人士解释分析结论。 他们需要具备良好的沟通能力和故事讲述能力，将数据背后的故事传达给相关人员。

5.业务理解与问题解决能力

数据分析的核心是围绕实际业务问题展开的。 数据分析者需要了解所从事的行业或领域的业务特点和相关知识，才能更好地理解问题背景和目标。 他们需要能够准确把握业务需求，将问题转化为可量化和可分析的形式，并提供相应的数据支持和解决方案。

6.持续学习和自我提升能力

数据分析领域发展迅速，涉及到多个学科和技术。 数据分析者需要具备持续学习和自我提升的能力，跟上最新的数据分析方法、工具和技术。 他们需要参加培训、阅读相关文献、参与社区和行业讨论，不断提升自己的专业水平。

数据分析能力体现在数据收集与整理、数据探索与可视化、统计分析与模型建立、数据解释与故事讲述以及业务理解与问题解决等方面。 除了专业知识和技能，数据分析者还需要具备良好的沟通能力、学习能力和问题解决能力，以全面地应对各种数据分析任务。

---

---

相关标签： 提升沟通和洞察、 数据参量化对象有哪些、 数据参量化对数据可视化的影响、

上一篇：面向数据科学家和分析师的数据参量化入门指

下一篇：AI和机器学习中的数据参量化增强模型性能和