穿透式监管四化建设数字化：场景设计＋数字化工具＋数据治理

（整理自陈东升-中兴新云视频号，发布于 2026 年 1 月 23 日）

对于信息化来讲，它更多是关注过程当中的基础业务处理。现在数字化其实强调什么呢？按照世界一流财务管理体系的要求，未来我们的经营管理从流程驱动向数字驱动转变，从个人经验主导向模型和算法主导转变。对于财务人员来讲，要能支撑公司的战略，支持公司的决策、防控风险、创造价值。这些其实靠什么？这些其实都是靠数据。如果这个系统更多是对数据进行处理，帮助我们来做决策，我就把它定义成数字化的系统。

对于数字化，重点关注这三个方面。

第一个方面我们强调的是基于场景的设计。我做数字化的时候，要首先知道领导有哪些决策场景，他关注哪些问题；在这些问题背后有哪些影响因素，它们之间是什么样的关联关系；基于这些关联关系，我怎么样尽可能把这些因素和数据寻找出来，形成一个评价体系。这其实就基于场景或者是模型算法的设计。

具体到穿透式监管，我们的场景主要是 11 个场景：过度负债、资产闲置、金融风险、境外风险、和主业不相关的多元化经营、管理架构层级过多、管控不到位、控股不控权、薪酬乱象、靠企吃企、利益输送、捞偏门、虚假贸易等等。在这十一大类问题后面，我们基于什么样的模型、算法、阈值来判断这件事情上是不是有风险，这实际上是我们要设计后面的相关的模型和算法。因为如果没有一个设计的过程的话，实际上你是不知道应该给领导提供什么样的数据的，你这个时候提供的数据一定是很盲目的。所以首先是从上到下的设计，然后才是从下到上的生产。

但这里有一个很现实的问题：设计的职责应该由谁为主来进行承担？我们现在讲财务是三分天下：战略财务、业务财务、共享服务。尤其是共享服务，现在对于它的定位，一方面它是基础业务的处理中心，另外一个方面它是财务的大数据中心。所以很多时候，在有些公司大家把设计的职责也放到了共享中心身上。包括我和一些共享中心的负责人交流的时候，他就会讲：陈总，我这两年很痛苦。为什么？前两年我负责共享的建设，加班加点梳理流程，系统建设上线，好不容易稳定了，我觉得我可以喘一口气了，公司领导给我提了新的需求。公司领导说，你现在有了共享中心，你现在手里有大量的数据，为什么不能帮我提供一些报表、指标体系？为什么不能帮我做一些战略决策的支持？然后他讲，我真的很痛苦，因为我不知道应该提供什么样的指标、模型、算法。我刚才讲，如果领导再给你提这个需求，你就可以明确告诉领导，这个问题不在于共享服务，在于谁？在于战略财务，在于业务财务。因为设计的职责应该是由战略财务和业务财务来承担，因为他们有机会接触公司的战略、接触公司的业务，他才知道公司领导有什么样的决策场景，才能够和领导同频共振，才能找到背后的关联性。这是我说第一步，基于场景的设计。

设计了之后我们就可以进行生产了。我们通过这些指标、阈值来预警风险，我们就要进行计算。在这个过程当中，我们首先要做大量的数据采集。我们做穿透式监管、做数字化的时候，需要的数据量其实是非常丰富的，它跟我们的对外报表不同。我们需要的不仅仅是企业内部的数据，还需要外部的数据，包括客户的数据、供应商的数据、竞争对手的数据、行业的数据，比如说天眼查、企查查这些第三方平台的数据，对接银行、对接税务局获取等等，要有方方面面的数据。所以我们要有各种各样的手段去获取我们所需要的这些数据。

这些数据获取了之后，它是存在不同的终端、不同的系统、不同的数据库里面，它是很分散的，不利于我们进行整体的加工、汇总、处理。所以我们还需要一个抓取工具，把它抓到统一的数据仓库或者数据库里面。这个时候我要一个统一的数据采集工具，它不是通过原始的 API 接口的方式来进行数据传递，因为 API 接口它的工作量相对是比较大的。我的数据采集工具，只要你的数据库给它做了授权，它就可以到里面自动去做数据采集；而且采集什么样的数据、要什么样的字段、在什么时间点进行采集，它都是可以在后台进行配置的。配置好了之后，到了这个时间点，它可以自动地把这些信息给我们采集过来。这是我们的数据的采集。

数据采集了之后还要做什么工作？做数据清洗。因为大家都知道，我们收集到的数据，它的质量并不是天然就能满足分析需求的。大家如果用 Excel 表的话，我相信会有这种感受：你不断地修订，不断地去做更正，最后保证它能全面匹配上。所以大量的时间我们在做数据处理。过去 20 年我们也在讲管理会计，但实际上我们发现过去 20 年我们在做的不是管理会计，或者说管理会计做的不是管理。我们做的是什么？做的是数据。大量的时间就是要数据、等数据、催数据、改数据、计算数据、分发数据、报送数据等等，我们做的是数据的工作。现在我们需要通过系统的工具来自动地帮我们做这件事情，基于我们配置的规则来做异常校验，对这些数据进行计算之后来看它是不是异常，对于这些异常的数据我们怎样进行修复等等。这是数据清洗。

在这之后我们进行数据的一系列加工、计算和处理的过程，最后才做可视化的展示，才能实现我从数据原材料到数据产品的生产过程，形成我们所要的这些指标，通过这些指标来反映我是不是有风险。整个这样的一个过程，要基于数字化的工具来实现。

我们现在强调数字化的推进要用数字化的工具。什么概念？第一，用原来的信息化的工具是不太能实现这样的效果的。传统的信息化工具，它关注的是流程：流程怎么打通，功能节点怎么实现，它的核心能力在于后台的流程引擎，它并不关注数据本身。而我们在数字化时代，数字化工具它关注的就是数据本身，基于海量的数据怎么做数据的采集、加工、清洗、计算、可视化的展示，而且要能用“拖拉拽”可配置的方式灵活地实现。

所以产生的一个现状就是什么？过去我们财务在做数据的时候基本靠什么？靠 Excel 表。但是 Excel 表现在也要退出历史舞台了。Excel 表有两个大的问题：

它能处理的数据量是有限的。我当年用的时候能处理 5 万行，现在说十几万行或者上百万行。但是现在真正到了数字化阶段，我们能处理的数据量有多少？以国务院国资委对中央企业做司库监管收集的数据为例，他收集上去的是几十亿条数据，也就是针对每一家央企都是几千万行的数据，所以这个数据用 Excel 表是没办法处理的。

Excel 表不会犯错，但是人会犯错。只要你的数据够多，业务复杂，处理的周期足够长，给你的时间足够多，你肯定会犯错的。

最终我们要通过数字化的工具，来自动实现从采集、加工、生产到可视化展示这么一个完整的过程，用“拖拉拽”可配置的方式实现。大家可以理解它是一个云化版的、可以共用的 Excel 表，所有东西在后台自动配置好。配置好了之后，在这个时间点，它可以把你所需要的计算的工作全部完成，自动的，不需要任何人工干预。但它不是通过写代码的方式实现的，一旦你的公式、你的流程在任何节点上发生一点变化，我在后台用配置的方式 10~20 分钟就把它改掉了，所以它非常高效。

第三件事情是什么？基于高层重视的数据治理。我们要知道，对于分析也好、决策也好，数据质量是很重要的。统计学里有两句名言：一个叫“垃圾进，垃圾出”，进来的数据是垃圾、质量不好，你再怎么分析，结果也是错误的；第二是什么？好的数据胜过好的特征，好的特征胜过好的算法。意思是类似的，数据质量同样是第一位的。

但现实情况是，绝大多数的企业，它的数据质量都没办法满足相应的质量要求。这里面原因很多：

数据治理是一个长期的工程，它不是一蹴而就、可以短期就见效的事情，但是长期持续这件事情往往是不太容易做到的，很多事情我们是很难做到坚持的。比如说会计标准化，很多企业做会计标准化，他都做不到坚持。去了解，说我有会计核算手册，但是 10 年前做的，这个时候已经不能指导他的会计工作了。

数据会出问题，它并不是财务核算导致的，它可能是前端的业务流程、前端的系统，包括前端的规范等等。所以这件事情不是财务自身的事情，也不是 IT 部门的事情，它是财务、IT、业务相互协同一起要完成的事情。但是我们知道，在一个企业内部，一旦这件工作涉及到多部门协同，就意味着它难度一定会比较大。

这件事情不是靠一个工具就能解决的事情，它要形成一套治理体系。比如说主数据治理，我要买套主数据治理的软件，但只有这套软件是解决不了问题的。除了这套软件之外，我还要明确主数据治理它的牵头部门是谁，针对每个主数据它的 owner 是谁，他们都有什么样的权利和责任，整个数据的生命周期流程怎么管理：谁来申请新增，谁来维护，谁来变更，谁来运维，哪些字段是必须维护的，哪些是可以选择维护的，包括做得好、做得不好相应的考核和奖励等等。这些都必须明确，形成一套机制，这样的话数据治理才能做得好。

但是大家注意，为什么我说要基于高层重视的数据治理？数据治理这件事情能做好或者不能做好，取决于最核心的一点：高层的重视度够不够。高层的重视度如果足够，就能做好；重视度不够，基本上就做不好。所以很多公司领导说我重视，但是他的程度是不够的：有精力了他就看一眼，没精力就不太管；有资源就投一点，没资源就缓一缓。就像烧水一样，我想起来了就过来添把柴，过一段时间过来以后柴已经灭了，水还是没开，然后我再添一把柴，反反复复，但是水始终烧不到 100 度。这个时候其实这件事情是做不好的。

数据治理这件事情最难就难在跨部门协同。但是跨部门协同这件事情是不是不能解决的？不是。比如说很多研发型的企业，它搞高效产品开发，在中兴叫 HPPD 流程，在华为叫 IPD 流程，它涉及到生产、研发很多部门，需要有个专门的部门来设计整体的流程是怎么运作的、跨部门怎么去协同的。对一些项目型的公司，它有商机到回款 LTC 的流程，它专门有 LTC 项目部，涉及整个流程跨部门协同怎么去做的。他为什么能做好？因为这件事情在高层来看，它是企业运作的主生命线，这件事情如果做不好，企业的运营就没办法进行，所以它的重视程度足够高，这件事情就能够做好了。数据治理，如果你有这么高的重视度，你就能做好；如果没有，你就做不好。数据治理看起来虽然没有那么重要，但是如果做不好，其他的工作都没有基础，比如说你的数字化做不好，比如说你的大模型用不好等等。这是我强调的基于高层关注的数据治理体系。

这是我说第二部分，数字化。

穿透式监管四化建设 数字化：场景设计＋数字化工具＋数据治理

穿透式监管四化建设数字化：场景设计＋数字化工具＋数据治理