数据与决策间的三种相关性

（整理自陈东升-中兴新云视频号，发布于 2025 年 6 月 9 日）

我把这种相关性分成了三类。

直接相关：就是在数据和决策之间，它的关联性、它的影响是非常直接的，是非常显性的，一般来说都有明确的计算公式。学过财务的同事都能够掌握，比如说一讲到净资产收益率，我们就知道用净利润与净资产。这叫什么？这叫直接相关；

间接相关：就是说在这个数据背后，它有关联性，但是如果我们没有对业务深入的理解和洞察，我们是没有办法挖掘到这种关联性的。

譬如说，有一个非常知名的国际公司，它的共享服务中心曾经面临过一个什么样的问题呢？它的员工去海外出差的时候，在每一个国家，差旅补贴的标准是不一样的，有的高有的低。但是，一个国内的员工去海外出差的时候，往往每一次出差不会只跑一个地方，他会跑多个国家。那么这个时候就会面临一个什么问题呢？他出差回来了之后，就涉及到他的差旅补贴应该怎么去计算。

对于员工来讲，很显然他希望掐头去尾，最好在标准高的那个国家算的天数多一些。而财务审核审什么？就是你不要虚报天数，在补贴标准高的那个国家不要虚报天数。所以，这里面就会有一个审核的过程，员工要介入，财务要介入，每个国家当地的HR也要介入，这个周期比较长。往往是员工出差回来已经一个月了，这个差旅补贴还没有算好，还没有发下去，所以员工满意度就会比较低。

我们知道，共享服务中心是一个强调客户满意度的组织。员工不满意，他们就要想办法去解决这个问题。他们就在想，能不能用一种系统的方式，自动地来计算员工的差旅补贴。对于这个问题，背后的诉求其实也是非常直接、非常明了的：我们就是想定位员工在什么地方，待了多长时间，就这两个需求。

那么解决这个问题，什么方法比较好呢？一般而言，我们最直接的反应是什么？用手机定位。这是最直接最有效的方式，而且非常准确。但很可惜，在疫情期间，国家用这种方式做疫情管理是合法的；我们企业如果用这种方式对员工做这种管理，它是违法的，侵犯了员工的个人隐私。

那么后来他们怎么解决这个问题的呢？他们设计了一个程序，这个程序的核心思路是在后台统计员工的办公日志。因为员工是因工出差，他不是去旅游了，他一定会办公，而办公一定会使用到企业的办公系统。使用了办公系统之后，在后台就会产生日志，而这些日志是企业的合法资产。通过分析办公日志来定位员工在什么地方待了多长时间，就可以非常好的解决这个问题。

通过这个案例，我想分享的并不是说解决这个问题本身是一种什么样的思路。我们可以看得出来，在这个案例里面，传统的财务人员知道要去统计员工的差旅补贴，但是他不知道用什么样的方式去统计；传统的IT人员知道他手里有大量的办公日志，但是他不知道用这些办公日志可以做什么。对他们来讲，这些办公日志就是垃圾，办公日志越多，对资源的存储占用就越大。但是在共享服务中心里面，负责IT运维的财务同事既懂财务又懂IT，巧妙的建立了这两者之间的关联，解决了这个问题。

这就是间接相关性：有关联性，但是如果你不是深入的洞悉业务，你是不会发掘到这种关联性的。

第三类，我把它定义成什么呢？叫可能相关。为什么会有这样一个定义呢？因为大家如果关注数据技术的话，也会发现，现在我们在去挖掘这种相关性的时候，很多时候已经不再是基于人的肉眼去进行挖掘了，而是计算机在帮我们做这件事情。我们只要给相关的数据打上标签，计算机系统就会自动的运行，它可以通过分析标签和标签之间的热力相关程度，来判断在哪两个标签之间是存在着关联性的。

那么看起来，似乎是计算机在帮我们做这件事情，但实际上大家应该发现，这里面有个前提条件：我们要给这些数据打上标签。如果你不打标签的话，计算机也没有办法帮你进行分析。而打标签这件事情，看起来是一件比较简单、比较随意的事情，但实际上在一定程度上，它就是对我们相关人员业务能力的一种考验，对业务可能性的一种判断。

为什么这么讲呢？因为对于任何一个样本、一个数据来讲，它的标签几乎都可以说是无穷的。我们不说无穷吧，几千几万都是有可能的。但是，我们一定不能把所有的标签都打上去，都打上去的话，你的计算机系统是很难承载的，而且你的分析效率也是很低的。所以，打标签的过程一定是一个选择的过程，一定是基于分析的目的不同，有选择性的去打标签。

你比如说，一个网站做数据收集，我如果是一个消费品的网站，我对我的用户进行统计分析、打标签，我会关注的是什么？你买的什么东西，都属于什么类别，单价都在什么区间，你有什么样的购物偏好，对价格是不是敏感等等，我会打这些标签。但反过来，如果是一个健康的网站，那我就会关注你的身高多少、体重多少、有没有不良病史等等。所以你会发现，它是有选择性的，这个过程当中，它对你的业务能力其实就是有一定的考验的。

我再举一个案例，还是我刚才所讲的这家知名的跨国公司。他们在海外做业务的时候，不仅仅是卖设备，他们还要做设备安装，还要做工程。一个项目可能做几年，十几亿美金、几十亿美金都是有可能的。但是会发现什么情况呢？往往这个项目已经交付了，已经验收了，但是到收尾款的时候却发现尾款有可能收不到，到最后发现，客户没办法来，或者说没有能力支付最后一部分款项。

尾款的占比虽然不是很高，但是尾款往往很重要。为什么呢？因为尾款往往代表的是利润。对一个项目来讲，前面收的款基本上都是弥补成本的，最后的尾款才是你的纯利润。所以，尾款收不到是很痛苦的一件事情。

但是当你发现尾款收不到，或者说收尾款已经很困难的时候，你再去做这件事情，再去推动收款，基本上你会发现意义已经不大了，或者说效果已经不明显了。真正想要避免这种情况，应该是从源头上去控制这种回款的风险。这个源头是从哪里呢？不是说签合同的时候、订商务条款的时候，应该是再往前：当我和这个客户第一次接触、第一次打交道的时候，我们刚刚有一些合作的可能性的时候，我就能识别出来，这个客户到底是不是有风险的。

想要做到这一点，需要有一个条件支撑：对于这样的客户，你一定要给他打上一些明显的标签，跟他一打交道、一开始接触的时候，通过这些标签，你就能判断他是不是一个高风险的客户。这就好比什么呢？这就好比在疫情期间，一旦我们发现某个人咳嗽了、发烧了、打喷嚏了，那我一定会离他远一点。为什么呢？因为我觉得他大概率是阳了，因为这几个标签和阳了之间是高度相关的。所以，我们也希望对这样的客户能够打上有用的标签，来进行风险的识别。

那么最开始我们打的标签是什么呢？可能是资产规模、利润规模，比如说你的盈利水平、你的资金状况，在历史上你是不是产生过欠款等等，这是比较容易想到的。

后来随着分析之后又发现什么呢？发现，这个客户所在的国家是不是高度依赖石油资源，这是会影响到他回款的。为什么呢？因为他所在的国家如果高度依赖石油资源，那么随着国际原油价格的走低，他就有可能还不上钱。前几年发生过一次原油宝事件，当时影响还是非常大的。那个时候原油价格很便宜，很多人都入手买了相关的原油宝产品，都觉得石油价格已经这么低了，已经是地板价了，还能怎么样呢？没想到下面还有地下室，而且还不止一层，很多人都亏了钱。可以想象一下，在那种情况下，如果这个客户所在的国家是高度依赖石油资源的，那么这个时候他大概率可能没有钱来支付你的还款。所以又打了一个标签：所在的国家是不是高度依赖石油资源。

后面进一步分析之后发现什么呢？他所在的国家美元储备够不够，也会影响到你是不是能够还钱。为什么呢？因为如果美元储备不够，他只能给你本地币。他给你本地币，他想给可能你也不想要。为什么呢？因为很多本地币的贬值风险是很高的，很多货币一天贬值20%、30%，这都是有很大的可能性的。所以一般我们需要美元，他的美元储备如果足够，他就容易还钱；美元储备如果不够，他就不容易还钱。大家发现，塔利班跟美国打的很激烈，现在天天跟国际社会要援助，但是在结尾的时候还不忘强调一句：我要美元。塔利班讨厌美国人，但是他不讨厌美元，他知道美元是硬通货。所以就又打了一个标签：这个国家美元储备够不够。

那么通过这个案例，我们可以发现什么？最后两个标签，并不是在最开始的时候就能打上的。如果不是对业务有逐步的深入的了解和分析，你是没办法发现这些要素、这些相关的动因，也会影响到运营商，或者说你的客户能不能付钱。

那么我们总结一下。归根结底，模型和算法就是挖掘背后这种数据的相关性。那么这种数据相关性的挖掘，对于财务人员或者财务组织的能力提出了一个更高的要求，或者说提出了转型的要求。这意味着什么？意味着一个传统的财务组织，如果你只是了解基本的财务知识，没有业务的洞察力，没有能够深入业务，没有对业务很深的理解，没有数据的敏感性、洞察力，你其实是没有办法挖掘到背后的这种相关性的，没有办法找到这种决策的模型和算法的。

所以，我们讲数字化不是用计算机取代了人的大脑，而是更好的人机协同。计算机可以帮我们做大量的数据运算，但是背后的相关性、模型和算法，在很大程度上需要通过我们财务人员的挖掘来实现。这也是为什么我们一直强调业财融合、业财一体化，一定需要有一支业务财务的团队走向业务。因为没有这批人员的话，我们没有人员、没有能力去找到背后的这些决策场景，找到背后的模型和算法。

这是我们目前对于数字化、对于决策来讲，第一个重要的影响因素：怎么样找到背后的模型和算法？我们必须做相应的转型，提升我们业财融合的相关的能力。