數據挖掘擦亮財務慧眼

文/錢自嚴

作為財務，手中掌握著一家公司各部門最詳細完整的信息，要有意識地通過分析數據，挖掘、整合等方法找到價值點，這就是數據智慧，也是財務之本。

在企業的日常運營中，財務人員往往起到了一個承上啟下的作用，而貫穿始終的就是大量的數據，下到基層員工的原始數據，上到幫助管理層決策的各類報表。在這個過程中，財務人員能否從大數據中挖掘出問題的本質、找到績效管理的關鍵點、將財務數據業務化，起到了關鍵性的作用。

但現實的問題是：業務部門報喜不報憂，數據沒反映出真實的情況；財務人員不懂業務，抓不住問題的核心；老板總是不滿意財務報表，對決策幫助不大；財務領導不重視數據，不知道怎么說服。

在時間精力、業務了解的程度和管理職責的多重約束下，財務人員往往容易陷入數據管理的孤島，不僅工作的有效性將是一個問題，財務價值的創造更無從談起。

如何善用大數據？

作為財務，手中掌握著一家公司各部門最詳細完整的信息，要通過掌握數據、分析數據，挖掘、整合等方法找到價值點，有意識地去利用好這些信息，這就是數據智慧，也是財務之本。

通過數據，能發現很多細節的問題，能建立客戶和產品的畫像模型，并實現跨部門的合理協作。不需要高大上的大數據分析技術或復雜的函數計算，通過原點思維轉變看問題的角度就能達到我們要的效果（如圖1）。

要抓住績效的關鍵點，光靠業務部門說是不夠的，財務人員需要主動出擊。通過數據比對可以了解自身相較于行業標準水平而言是處于什么位置，一般較多的都是通過內部標桿比照的方式來提升效率：

數據挖掘：資源消耗與財務效果

制造企業是最能考驗財務管理能力的平臺，不僅能掌握完整的財務操作流程，還能通過挖掘所有業務的數據，發現資源消耗的真相。從成本會計的角度上講，就是從我們常說的“料”、“工”、“費”中發現問題。

（1）料：質量成本

最好的控制是前端控制，如果在預防上投入得足夠多，那么在后期的檢測、返工、索賠等損失就會減少。所以，預防成本是一種積極成本，而檢測成本、內部損失和外部損失是消極成本，而生產的目標就是要降低質量成本的總額。一個有效的途徑就是提升預防成本的比例，控制在先，做到防患于未然。一個質量控制得好的企業應當呈現這樣兩種趨勢：總的質量成本下降；用于預防的成本比例上升。

（2）工：加班異常

制造業員工較多，工時、工費的控制就顯得非常重要。我們不僅要看財務數據，還要關注相關的業務數據，將兩者放在一起來分析。比如，工時效率和加班比例應該是一種正相關的關系，通俗的說，你花的時間就應該跟你的成效成正比。企業可以依據自己的歷史數據建立一系列的正相關數據組，從而更準確地抓住資源消耗的本質，并有的放矢地進行成本管控。（3）費：瓶頸工位分析

這里需要將財務與非財務數據同步分析。（圖2）是一組工位投入和產量效率的柱狀圖，從中可以看出投資最少的“壓合工位”的效率最低，是整個生產流程中的瓶頸工位。從圖2中可以看出，即使測試工位一小時能生產800個產品，但因為壓合是瓶頸工位，所以產量達到650個時就要停下來等壓合。盡管測試的效率不低，卻是一種財務上“未實現的潛在產能”。讓“貴”的設備停下來等“便宜”的設備是財務上浪費資源效率的行為。所以，必需是瓶頸工位出現在最貴的設備上才是合宜的。

圖1 數據智慧分析

圖2 瓶頸工位分析

1、損耗控制

對制造企業來說，生產的良率是十分重要的。事實上，企業90%的問題是重復性的，要善于通過總結去防范問題。三種比對常用工具如下：

（1）給管理層提供財務導向（聚焦在價值80%的問題產品）；

（2）用水平對比法找到與最佳周目標間的差異；

（3）財務展現數據并對整改措施進行跟蹤。

2、工時效率差異

然而，不是所有的比對都是一目了然的，有時光看表面的數字根本意識不到問題，這就需要通過詳細的統計，才能發現被隱藏的問題。數字的感覺來自對細節的關注，財務人員通過細節培養敏銳的職業嗅覺。挖掘數據就像剝筍，一層一層分析最后就能找到核心點。怎么剝？我給出3點建議：

（1）財務與產線部門的數據一致性。注重相對可比性，比如分析工時效率時，重點分析環比變化，以減少某月臨時調整帶來的誤導性影響；

（2）細致的統計找到癥結。人的感覺往往沒有數據來的精準，管理學大師彼得·德魯克就曾說：我們通過統計才能找到事實的真相；

（3）深入基層獲取未經“加工”的第一手資料。生產經理提供的數據很可能是“加工”過的，財務人員要經常深入一線獲取第三方真實的數據加以整理。

3、數據挖掘的實踐法則

數據比對如何落地？有以下常用實用法則：挖掘數據找到變化趨勢及反常差異；運用80-20原則聚焦關鍵問題；財務對業務流程的深入了解；環比對照和目標差異來激勵；挑戰既定框架；尋求IT的支持以獲取實時數據。

4、知識細節的乘數效應

財務人員在數據比對的過程中，需要依靠對數字的極高敏感度。很多人擔心數據太多難以應付，其實大腦工作的原理是乘數疊加的，我們知道的越多、關注的越多、積累的越多，就越容易發生橫向聯系后的知識引爆性增長。所以，財務人員積累了一定的數據分析經驗后，自然會對數據產生一定的敏感度。

數據剖析：從數字到業務

財務人員看出了問題，但如何更好地傳達問題，也是一門學問。財務和業務之間總有一些溝通上的困難，財務數據和真實業務情況之間也總是翻譯有誤，沒有辦法輔助管理層決策，那么財務人員要如何進行數據剖析呢？

1、數據脫離業務分析會產生誤導

你的財務分析報告老板不愛看，很大程度是因為很多財務報告只是從數字講到數字，太多常人聽不懂的財務術語。財務數字要帶出豐富的業務信息，而業務信息能引發眾部門改進措施。數字到數字的分析不是管理層要的，領導想看的是數字到業務的分析。單純對數據分析，可能會產生誤導，比如財務分析顯示“總銷售環比增長6%”，但實際業務上是“出貨+9%，轉移定價-3%”，所以其他的材料、費用等應該圍繞“出貨+9%”來分析才正確。

2、財務數據與高層決策的關系

數據剖析除了能避免誤導，還能對管理層的決策有很大的幫助。財務透徹的分析曝光核心問題，讓管理層的決策變得異常容易。通過財報數據，逐層分析原因，具體就工資費用超常舉個例子：

財務數據：工資費用超常

原因逐層分析：付薪人數多→合同工離職率高→不同工同酬

決策措施：合同工與固定工同工同酬

【思考】財務人員在進行數據比對和數據剖析時思考以下兩個問題，會有所幫助：

（1）公司的財務分析中，有哪些數據的挖掘？哪些產品/客戶是我們的80-20？業務中是否存在歷史遺留下的既定框架值得重新審視？

（2）公司財務數字與一線業務的關聯有哪些？哪些可以與業務動因結合得深一點？

財務看的是數據，說的卻是業務的話，這也太難為財務人員了吧？如此分析，財務部門要如何架構呢？

確實，要了解到未加工的原始資料，為了將背后原因層層深入剖析，財務部門往往需要深入基層，甚至輪崗到業務部門實戰體驗，這不僅能更準確地將財務數據和業務數據結合在一起分析，對個人跨界多元的能力也是一種提升。但畢竟這些方法需要花費更多時間精力，那就可以在財務部門內安置工程師、IT等，當涉及到財務人員不了解的專業領域，這些“臥底”們就能發揮出他們的作用了。如今對財務的要求越來越高，不僅自身的財務水平要高，還要懂各種跨界的知識。財務不再是一個專門的人才，而是一個全能的跨界人才。

數據整合：跨部門協調

先看兩個案例對話及點評：

對話1

采購：“可不可以便宜點？”

供應商：“你們財務總是晚付錢，我都墊錢了?！?/p>

采購：“知道你來這套，還好財務大大早有準備，根據我們的財務數據，我們有好幾個月是提早付款的哦！加權平均算下來遲了2.3天，這不算晚吧？”

點評：對外是一個整體，不是單兵作戰。而整體優勢的體現是以數據為保障的，采購帶著財務準備好了的完整的付款資料與供應商展開年度降價談判時，就不會任由供應商信口開河了。

對話2

財務：9月20日是季度降價日，客戶讓我們降，我們也讓供應商降。采購和銷售你們有什么經驗可以互相交流呢？

采購：十一快來了，長假海關休息，斷貨可不行，我得多進貨。

銷售：我們恰恰相反，我們會敦促VMI倉庫端盡量多在20號前拉我們的貨！

財務：來，咱們來討論一個最優實踐方案。

問答精選

Q：大數據的前臺錄入成本很高，需要大量人力和好的系統。很難判斷需要多詳盡的數據，如何在有用和經濟之間去權衡？

A：這是財務分析的一個關鍵點或平衡點，一方面我們不能為了分析數據花費過多的錢，但另一方面，有很多現成的ERP解決方案可以讓我們去生成一些特制報告。比如，在退貨處理上，開發一個小軟件，就可以完成退貨原因的跟蹤分析，是材料問題，操作失誤，還是設備故障，以便后續有的放矢地采取防范措施。

Q：工時效率怎么理解，怎么看出管理好壞？

A：產出工時=100個（每月生產的成品）x10小時（單個成品標準工時）=1000小時；付薪工時=10人（員工數）x167小時（假設沒加班）=1670小時；工時效率=1000/1670=59.9%。在支付工資的單位小時內，員工能生產多少成品體現了其工時效率。對于產品生命線短的企業，標準工時的更新和維護就必須足夠的及時。比如，引進自動化生產線后帶來的單位工時減少若不及時更新，計劃部按老的工時框算勞動力需求時，就會造成過多招人的浪費。

Q：怎樣從財務報表中發現問題，進行分析？

A：公司的數據結構要合理化，每個數據錄入都有兩個方面：（1）從財務記賬的角度上講，它記入哪個科目，是材料，直接材料等；（2）從部門角度，它是哪個部門用的。合理化后，每一筆記錄財務都可以根據需要抓取數據。

點評：這個案例的銷售端是按財務績效來安排他們的工作重點的，而采購卻沒有。價值鏈管理的要點是整個供應鏈的管理，財務站在全局的角度掌握最多的信息，應當多召集這樣的整合交流會，以使公司的業務能實現財務績效最大化。

數據無所不在，也不需要等到ERP開發出什么特別的功能才去做大數據管理。大數據不是一個技術問題，首先是一個概念問題。我們有沒有這樣的意識：從身邊的數據抓起，發揮數據關聯的洞察力指示作用？

德國買汽車保險要你回答是否家里有孩子，有無獨立地下室車庫，就是通過這幾十個問題的回答來勾勒出消費者的出險幾率肖像。這是人家九十年代就有的風險測算水平，這與技術無關，實在是一個概念問題。數據，就像地上的果子，低頭就可以撿來的“low hanging fruits”，我們有無想過要去撿？

（本文經公眾號“自嚴自語”作者授權刊登，有刪節）