數據參量化是一個將定性數據轉換為定量數據的過程，以便能夠對其進行量化分析和可視化。它對于提高數據可視化的溝通和洞察至關重要。2. 更深的洞察

數據參量化使我們能夠量化和分析定性數據，從中提取有價值的洞察。通過應用統計技術、機器學習和自然語言處理，我們可以識別模式、趨勢和關系，這些關系在定性數據中可能無法明顯看出。

3. 更好的決策

更好的溝通和更深的洞察力可以直接影響決策。通過有效地可視化定性數據，決策者可以獲得對復雜問題的全面理解，并做出更明智的決策。

4. 增強用戶體驗

數據參量化可以通過使數據更易于理解和使用來改善用戶體驗。通過提供可視化儀表板和其他交互式工具，用戶可以輕松探索和分析定性數據，從而獲得個性化的洞察。

數據參量化的應用

數據參量化在各種行業和應用中都有廣泛的應用：

• 市場營銷：分析客戶評論和社交媒體帖子，以理解客戶情緒和偏好。
• 產品開發：收集用戶反饋，以識別產品的痛點和改善領域。
• 消費者洞察：分析行為數據和感官數據，以了解消費者行為和偏好。
• 醫療保?。悍治龌颊叻答伜歪t療記錄，以改善患者體驗和結果。
• 教育：分析學生的參與度和反饋，以改進教學方法。

結論

數據參量化是提高數據可視化的溝通和洞察力的強大工具。通過將定性數據轉換為定量數據，我們可以更有效地可視化和分析信息，從而做出更明智的決策并改善用戶體驗。

---

d6改善對策實施及效果確認的關鍵點有哪些

d6改善對策實施及效果確認的關鍵點有明確改善目標、制定實施計劃、執行改善措施、監控和調整、收集和分析數據、效果驗證、標準化和固化和反饋和持續改進等。

1、明確改善目標：

首先需要明確改善的目標，包括希望通過改善達到什么效果，以及改善的優先級。

2、制定實施計劃：

根據改善目標，制定詳細的實施計劃，包括具體的步驟、時間表和責任人。

3、執行改善措施：

按照實施計劃，逐步執行改善措施。 在執行過程中，需要密切關注是否按計劃進行，以及是否出現了預期之外的問題。

4、監控和調整：

在實施過程中，需要持續監控改善的效果，對于沒有達到預期效果的措施進行調整。

5、收集和分析數據：

通過收集和分析相關數據，對改善效果進行量化和可視化，從而更好地了解改善措施的有效性。

6、效果驗證：

在實施一段時間后，對改善效果進行驗證。 如果改善效果符合預期，則可以進入下一階段；如果不符合預期，則需要重新審視實施計劃和改善措施。

7、標準化和固化：

當改善效果得到驗證后，需要將改善措施標準化并固化下來，以確保改善成果能夠持續下去。

8、反饋和持續改進：

即使改善措施已經實施并取得了良好的效果，也需要持續關注反饋，對于存在的問題進行持續改進。

D6改善的特點：

1、以數據為依據：

D6改善強調以數據為依據，通過數據分析和可視化來了解問題，制定相應的改善措施，并跟蹤改善效果。

2、跨部門協作：

D6改善需要跨部門協作，不同部門之間的溝通協調至關重要。 通過跨部門協作，可以更好地整合資源，實現整體優化。

3、結構化和非結構化相結合：

D6改善既有結構化的改善步驟和方法，也有非結構化的創新和優化。 通過結構化和非結構化相結合的方式，可以實現更全面的改善效果。

4、持續改進：

D6改善強調持續改進的理念，不斷尋找問題并進行改善，實現企業運營的持續優化和提升。

5、領導層支持：

D6改善需要領導層的支持和參與，只有得到高層管理者的支持和推動，才能確保各項改善活動的順利推進和取得成功。

基于模板配置的數據可視化平臺

導讀：在大數據智能時代，數據分析的價值越來越重要，而數據分析可視化平臺的能力要求也越來越高。 本文從網絡數據中心的數據可視化平臺出發，介紹了配置化的數據可視化平臺的應用價值，并對數據可視化平臺的整體處理架構進行了拆解。 基于可配置的數據可視化平臺，可以高效支持復雜的數據分析場景，提升分析效率，強化數據的價值。

全文6999字，預計閱讀時間13分鐘。

一、背景與目標1.1 背景分析

在數據智能時代，BI（Business Intelligence，商業智能）已經是現代數據運營的基礎能力。 以數據支撐業務，一方面需要我們基于數據倉庫建設業務相關的全面、權威、穩定的基礎數據，另一方面也需要我們建立數據分析的能力，通過圖表對數據進行展示，從而提高數據展示的信息密度，然后輔以各種對比方式，讓數據業務化、升華數據意義，賦能業務增長。 因此一個數據可視化平臺的搭建就變得尤為重要，但由于復雜業務之間的差異使得平臺的設計及開發過程難度大且復雜。 考慮到人群、業務的分析習慣與業務各異的分析方法，數據可視化平臺在報表的呈現、數據的計算、數據的發布效率等方面都面臨著重大的挑戰。

1.2 問題與目標

以一個典型的廣告商業化案例舉例，客戶基于投放目的選擇不同的廣告商業產品形式（如微博熱搜榜單，網絡的搜索置頂，各類視頻網站的興趣推薦等等），哪些形式能促進客戶更好的觸達用戶；客戶提供的樣式（如視頻、圖片、內容等物料特性）讓瀏覽內容的用戶產生什么樣的偏差等問題，都需要數據做支撐進行分析。結合分析師、看板用戶的習慣和眾多分析場景構建數據可視化平臺生成數據報表時會出現以下問題：

1. 長期報表獨立開發導致部分能力重復建設、重復開發； 2. 每個報表獨立開發使得用戶需要習慣多種樣式、風格導致的體驗差異； 3. 業務出現變動時調整、匹配成本較大，導致一段時間內無法有效賦能業務； 4. 平臺計算能力不足導致的構建數據報表的時間、人力成本較大； 5. 平臺穩定性保障難度高，需測試、排查層出不窮的異常。

為了能夠滿足用戶的報表需求，即使投入大量的人力也僅能解決上述開發成本帶來的問題。 系統化的打造BI與數據之間的橋梁，需要深入到數據表達的各個環節，結合業務的特性，模塊化、組件化各項能力，這樣既能減少重復開發的成本，同時也能提高代碼復用、可擴展性、報表管理以及容錯等各方面的能力，保障用戶的使用體驗及業務適配性。 因此，一個優秀的數據可視化平臺應滿足以下幾點：

1. 敏捷：能夠快速響應需求；

2. 準確：能夠保證平臺數據的準確性，做到「所見即所得，所得皆所用」；

3. 多元：面向不同的業務屬性、用戶特性，例如對比計算、查詢等方式能夠通過模塊組合、展現類型調整等方式滿足需求； 4. 靈活：對于業務拓展或者變更，平臺能夠靈活變化以貼近業務的結構； 5. 簡單易用：用戶無論是在讀、寫數據，均能快速滿足；支持業務過程以「配置」取代「開發」； 6. 易拓展：覆蓋大部分業務分析場景，同時支持基于配置的二次開發前后端代碼，易于擴展。

1.3 名詞解釋

1. 衍生指標： 基于基礎指標，利用公式二次計算出來的指標，常見的例如以最近10天用戶數計算出來的平均用戶數，或利用當天用戶數量對比昨日用戶數量計算出來的日環比等。 2. 下鉆： 一般指業務需要通過拆分、細化來挖掘或定位業務痛點，業務之間存在一定的關聯性，透過關聯逐層的拆解在分析時稱之為下鉆。 在可視化場景中常用樹狀結構表達類似的層級關系。 3. 上卷： 在可視化場景中指多個業務數據構成一個總數時，通過系統利用業務間的關聯性進行合計計算。 4. 維度分析： 常見的基線對比方式，以一項或多項業務為基準，通過數值對比分析當前業務狀況。 5. 時間對比分析： 將時間進行分段處理后，對比當前時間段與歷史（或基線）時間段之間的數值變化，從而判斷業務狀況。

二、整體設計與思路2.1 需求分析與構思

2.1.1 場景分析

一個完整的數據分析閉環從分析需求開始，包含了數據采集、數據清洗、數據建模、數據呈現、數據應用、結論輸出，利用產出的結論落地或提升業務。整個環節我們可以看到兩種角色：

1.建設者：

進行分析一個命題或業務場景時，首先基于業務尋找數據支撐，在此過程中需要采集數據、將數據整理成具有業務含義的表達方式、提取出具有業務關聯性的內容形成具有分析意義的集合，用更直觀、形象的方式將數據進行展示等幾部分工作。 其次為了能更充分的表達業務，過程中需要將一些數據進行組合構建成衍生指標或者建立維度之間的聯系。 這些工作完成后，一個完整的業務場景會通過數字化、圖像化的方式展示出來。

2.分析者：

針對業務的情況，透過數據開始剝離問題，以一個APP某商業化場景收入下降為例，分析師需要從APP的用戶數開始逐層漏斗查看哪些環節導致的影響較大，也需要從各個維度進行下鉆分析定位業務根結，還有可能利用類比分析、基線對比的方式橫向比較相似場景下影響的差異。

面對相同的業務問題，不同方向的數據使用者可能也會有不同的行為，對業務理解的動向，分析的數據層級等也會有所不同。 當然，用戶也可以同時承擔這兩種角色，本質上簡單易用的平臺更便于分析型用戶獨立完成數據建設到分析的閉環，從而減少并釋放人力，更快的解決業務問題。 在當前數據無法滿足業務分析時，分析者又會進入到建設型場景，繼續尋找量化支撐所需的數據論據。

2.1.2 業務抽象與思考

完成多種業務場景的數據支持，需要技術為之創造條件，如果說建設者最終服務于分析者，以報表結果為導向，建設者是否可以在建設過程中充分表達分析者的數據需求呢？這些報表建設能力轉嫁或拆解成程序化、模塊化語言究竟是什么？平臺配合建設者本身需要完成哪些工作、實現什么樣的功能呢？同時，平臺該如何保證為分析者提供準確、高效、全面的數據呢？接下來我們通過對數據的可視化過程拆解、抽象對上述問題一一解答。

2.2 架構設計

2.2.1 過程抽象

我們將分析者使用數據的全過程進行拆解，然后進行抽象化、組件化。 分析者通過平臺輸入查詢條件、指標、維度等等，服務端根據平臺輸入進行數據sql的組裝并查詢數據庫，然后計算相關衍生指標整合計算結果，最終按照相應的樣式呈現結果。 整個邏輯過程拆解如圖1所示。

△圖1 過程抽象邏輯

2.2.2 整體架構

根據數據可視化的過程抽象可知，一個完整的可視化平臺需要包括數據獲取、數據計算、數據呈現等幾部分。 數據如何獲取、如何展示則需要進行統一配置管理，數據如何快速、準確的計算則由通用計算服務負責。 同時可視化平臺還需要保證數據的質量問題，在數據存在問題或者延遲時能夠及時通知建設者去處理數據問題，這些則由運維看板負責。 我們通過對數據可視化過程抽象和對此類平臺的經驗總結，將數據可視化平臺架構拆解成如圖2所示。

△圖2?整體架構圖

三、核心模塊介紹3.1 配置工具與報表呈現

在未進行配置化以前，建設一個報表需要后端開發人員基于數據庫開發計算邏輯、分析、下載等功能，前端開發人員則基于數據以圖表的形式進行渲染，代碼冗余、開發成本高、周期長。 統一配置工具是在數據庫與報表呈現之間搭建起來的一座橋梁，數據建設者在熟悉數據邏輯的基礎上通過配置工具的配置界面進行數據源、計算邏輯、呈現內容、樣式等相關信息的配置，然后將其發布上線,各數據可視化平臺的報表呈現模塊根據配置的樣式和內容渲染相應的組件，用戶即可在對應的平臺查看報表、分析或者下載數據。

△圖3?配置流程示意圖

3.1.1 統一配置工具

為了減少配置工具使用的復雜程度、降低用戶學習成本，提高配置效率，針對業務以及數據需求相對穩定的分析場景設計固定的呈現模板，用戶選擇合適的模板配置相應的內容，且配置模板具備可擴展性，可靈活增刪功能模塊。

△圖4?統一配置工具組成

配置工具頁面根據用戶選擇的模板展示相應的配置內容，除了配置數據源、指標、維度等數據相關信息，還需要配置篩選控件、分析組件等內容。 同時配置工具還支持通過擴展配置增加當前模板不支持的功能，從而基于模板進行二次開發。 一個完整的配置工具除了基本的配置，還增加了指標管理、維度管理、配置校驗等功能提高配置效率和用戶體驗的基礎支持。 1. 指標管理：將指標、衍生指標的信息進行統一的管理，根據指標的屬性特征提供各參數的默認值，配置人員在配置頁面時可以直接使用指標管理模塊的默認配置信息，實現了指標的一次配置多次使用。 這不僅提高了配置人員的配置效率，提供指標參數默認值也有利于規范統一平臺風格； 2. 維度管理：根據數據源配置信息，生成維度模板信息，配置人員只需要簡單調整維度顯示名稱和順序即可，方便高效； 3. 配置校驗：校驗用戶配置的sql是否正確，快速定位錯誤配置。

3.1.2 報表呈現

△圖5?報表呈現的架構

報表呈現這部分的主要工作是將格式化后的數據以圖表的形式渲染在瀏覽器中，供用戶查詢、分析數據。 報表呈現的基礎組件單元分為兩類： 1. 控制組件：配置工具里配置的組件，比如篩選條件、日期類型等，這類組件在渲染組件時同時渲染組件內容； 2. 數據組件：需要渲染的具體數據，比如表格、折線圖中的數據，這部分的數據是由通用計算模塊來提供的。 這類組件在渲染組件后，重新獲取具體數據信息（數據來源不同）進行內容渲染。

為了滿足復雜的分析場景，在報表呈現時往往是多個樣式組合在一起使用。 在進行設計時綜合考慮代碼的可復用性、通用性以及可擴展性將圖表拆解成可以重復使用的最小單元，封裝成組件。 各組件最終如何組合排列呈現則由建設者根據需要的分析場景在配置工具里進行配置管理。

△圖6?報表呈現的組成

針對業務以及數據需求相對穩定的分析場景報表呈現共設計實現了14種呈現模板，支持交互式查詢、TOP排序、實時數據等業務場景的配置。 對于更復雜的業務場景能夠復用基礎組件、開發上線。

△圖7?配置模板

3.2 通用計算服務

前面部分介紹了配置工具服務于計算和報表呈現，報表呈現圖表的數據來源于計算服務。 計算服務是整個數據可視化平臺的大腦，主要負責將數據庫中的原始數據根據不同的計算規則處理并生成用戶需要的數據形式進行展示。 不同的用戶分析數據的維度、視角、場景存在差異，例如：在Top場景下，分析重點維度（如客戶、產品等）數據的變化趨勢；有的需要監控固定指標的波動，根據不同的篩選條件，交叉分析引起變化的原因、預測未來發展的方向；有的需要長時間范圍的數據來分析指標隨時間的變化規律；對于重點業務需要實時查看數據變化等等。 計算服務除了要覆蓋已知且復雜的業務場景，還需要考慮業務的不斷擴展和對數據的深挖，快速跟進業務的發展，所以計算服務架構在設計時要充分考慮通用性和可擴展性。

3.2.1 架構實現

綜合業務場景復雜性、代碼復用性、服務通用性和可擴展性各方面的考量，我們對通用計算服務架構做了分層設計，每層各司其職，規范整體代碼結構、邏輯清晰易讀且能夠快速支持新指標計算的擴展。

△圖8?計算整體服務架構

1. 參數校驗層 對于不同業務場景的數據請求，計算服務所要求的參數不盡相同，我們將參數校驗部分獨立出來，抽象出共同的參數校驗邏輯，對于各模板獨有的參數進行獨立校驗。 2. 模板服務分發層 為了滿足不同的業務場景和數據展示需求，我們設置了模板服務分發層，按照業務場景進行分類，抽象出多個服務類服務于不同的數據場景。 分發層根據用戶在配置工具配置的信息為后續計算準備數據源、指標、維度等信息然后同計算請求一起分發到具體的服務類。 3. 多維分解層 為了支持數據上卷、下鉆的數據分析維度之間的關系，我們設計了多維分解層，根據數據的層級分解出多個并行計算過程。 多線程并行計算使得不同層級計算互不干擾、高效計算。 4. 數據獲取層 為了能夠支持多種類型的數據庫且易于后續新增其他類型數據庫，我們抽象了數據獲取層，屏蔽上層數據獲取邏輯、提供統一接口???。 底層數據庫可以支持mysql、palo、xdb等，也能方便、快速的擴展支持新的數據庫類型。 5. 分層計算層 由多維分解層拆解出來的多個計算過程，每個計算過程是獨立的模塊，在數據獲取層提供的原始數據基礎上并行計算周同、日環、七天均值等衍生指標，滿足分析者多角度分析場景。 衍生指標單獨計算、互不影響，易擴展且不影響計算效率。 最后根據延遲看板（該部分后邊詳細介紹）提供的數據延遲、屏蔽信息，將計算結果進行屏蔽處理，防止平臺呈現異常數據。

△圖9?分層運算層

6.格式化層

格式化層主要負責根據不同呈現組件進行格式化，將數據處理操作放在服務端進行，前端拿來即用減少前端性能消耗，提高前端數據呈現和渲染效率。 同時，格式化層屏蔽了底層計算邏輯，使得通用計算服務能夠快速接入新的報表呈現平臺，為其提供計算能力。

3.3 運維看板

數據可視化平臺的核心是數據，平臺底層維護了大量的數據流，這些數據來源于不同的上游，原始數據經過多層的數據抽取、加工、匯總，生成最終的前端表。 在整個過程中可能出現各種問題，比如多數據源先后到位導致頁面數據展示不全，上游數據異常、數據清洗過程中發生異常等。 為了保證數據的準確性，在通用計算服務部分提到了需要對異常數據進行屏蔽處理，其屏蔽信息來源于運維看板。

△圖10?運維看板組成

運維看板監控數據到位情況、檢驗數據準確性，保障數據的正常產出，為整個平臺數據的準確性和權威性保駕護航。 其核心功能是數據延遲監控、數據質量校驗、平臺公告管理。 整體的工作流程如下：

1. 調度系統負責所有ETL任務的調起和狀態流轉，在ETL任務運行完成后，通過消息隊列通知到看板數據產出； 2. 看板調起數據校驗服務執行校驗任務，并將結果回傳到看板； 3. 看板更新報表數據產出狀態，根據校驗規則校驗數據波動是否超閾值，然后將數據到位情況、校驗結果通過消息隊列分發到對應的報表平臺； 4. 各報表平臺根據接收到的消息，重新計算數據更新數據緩存。

△圖11?基于消息中心的運維看板工作流程

3.3.1 數據延遲監控

為了保證例行化的數據任務在SLA時間內產出，延遲監控模塊根據報表的ETL任務、SLA時間信息對數據到位情況進行監控、報警。 數據到位時延遲監控模塊第一時間將消息分發到各平臺，保證數據緩存及時更新。 對于多數據源的報表，延遲監控支持配置數據全部到位或部分到位呈現規則，看板基于配置規則進行數據屏蔽管理同時生成相應公告提示報表平臺用戶數據到位情況。 如果數據在SLA時間內未產出則會通知報表負責人及時跟進數據運行狀況。 為了方便監控報表產出情況，看板同時提供了界面化的數據產出監控界面，報表負責人通過界面查看、統計數據產出情況、ETL任務狀態等。

△圖12?數據產出監控界面

3.3.2 數據質量校驗

為保證數據的準確性和權威性，數據到位后運維看板會在平臺數據呈現之前對數據進行質量校驗，根據校驗規則生成屏蔽信息，通過消息隊列分發到各報表平臺。 當校驗的數據異常時通過短信、電話、郵件等多種報警方式告知報表負責人，提醒跟進數據異常狀況。 數據校驗規則目前設計實現了三種類型： 1. 前端表校驗：支持同環比、大小閾值等校驗規則，在前端表數據到位后進行校驗。 2. 數據源校驗：支持同環比、大小閾值等校驗規則，從上游拉取到數據后執行校驗規則。 3. 自定義腳本擴展，支持用戶自定義校驗規則，提供openapi接口屏蔽數據。

3.3.3 屏蔽和公告管理

除了數據延遲監控和數據質量校驗能夠屏蔽數據，運維看板還提供直接屏蔽數據功能，避免因為其他問題造成的異常數據呈現給用戶。 當數據異?；蛱厥馐录斐蓴祿▌虞^大時，公告管理模塊上線公告告知用戶數據波動原因。

四、總結

基于模板配置的數據可視化平臺由統一配置工具、通用計算服務、報表呈現、運維看板等幾部分組成。 統一配置工具負責管理報表如何獲取數據、以哪些圖表樣式呈現報表；通用機算服務提供衍生指標（日環、周同、七天均值、QTD、MTD等等），對比分析，數據上卷、下鉆等計算能力；運維看板提供延遲監控、質量校驗、屏蔽管理等功能保證數據的準確性、時效性；報表呈現提供豐富的圖表組件（表格、趨勢圖、餅圖、地圖等等）和過濾條件（單選、多選、日期、輸入框等等）滿足復雜的可視化需求。 多種配置模板貼合業務需求，以配置取代開發快速響應需求，同時易于擴展的架構能夠靈活跟進業務變更或拓展。 簡單來說我們的平臺：1. 相比自助BI，輔助功能更強大、數據質量有保證 借助組件化強大的能力，我們在保持頁面高自由度、靈活支持業務的同時，也構建了多種輔助對比的能力幫助分析者完成分析。 通過一個完整的報表頁面，能有系統的分析思路，也能獲得多元的自助能力，強化了對業務的認知。 其次減少了用戶對數據的置信問題，將異常數據前置管理，通過數據延遲監控、數據質量校驗、屏蔽、公告等一系列手段保證數據的準確性，避免分析者對數據質量的質疑，做到「所見即所得，所得皆所用」。 2. 相比傳統BI，更快速、高效 前文講到，定制化的開發最大的缺點是開發效率時間長、成本高，影響數據輸出和分析。 我們將計算能力、展示能力組件化、配置化，豐富的衍生指標計算能力、呈現組件使其盡量貼近定制化平臺能力。 即便是平臺不支持的新業務場景這些高可用的開發組件也能參與到其分析場景的搭建過程中。 基于模板配置的數據可視化平臺能夠快速響應業務需求、支撐分析業務能力、為業務賦能。

推薦閱讀

如何正確的評測視頻畫質

小程序啟動性能優化實踐

我們是如何穿過低代碼 “??區”的：amis與愛速搭中的關鍵設計

移動端異構運算技術-GPU OpenCL 編程（基礎篇） ?

云原生賦能開發測試

基于Saga的分布式事務調度落地

原文：

數據的維度和度量

在接下來的內容中，我們將深入探討數據可視化的核心元素——維度和度量。 它們在構建可視化報告中扮演著關鍵角色。 維度，如地區、名稱和日期，是分類的標識，而度量，如訂單量、用戶量，是未經修飾的數值。 兩者結合，產生了派生指標，使復雜的信息得以量化和可視化。 例如，一個圖表中，X軸表示地區，如中部、東部等，Y軸則是銷售額，這樣的結構形成了一幅直觀的數據報告。 數據可視化不僅是一種理解數據的方式，它涵蓋了科學可視化、信息可視化和可視分析等多個領域，旨在揭示數據背后的規律和洞察。 數據可視化的應用廣泛，例如在數據看板上，它作為后臺系統首頁，提供實時業務和運營管理數據，支持即時決策。 在移動端，簡潔的可視化設計讓用戶可以隨時隨地獲取信息，提升工作效率。 此外，數據信息圖則通過各種圖形類型，如關系流程圖、敘事插圖等，以直觀、藝術化的方式傳達信息。 盡管以上場景可能顯得抽象，但別擔心，從下一篇文章起，我將通過實例展示各類數據可視化的圖形及其在實際場景中的最佳使用，讓大家更直觀地理解和體驗數據可視化的魅力，敬請期待！

區塊鏈財務革命是什么？

區塊鏈對未來財務會造成什么影響

1.區塊鏈在支付領域：金融機構特別是跨境金融機構之間的對賬清算、結算等成本較高，也涉及了很多手工流程；區塊鏈技術應用可以降低金融機構間的對賬成本及爭議解決成本，顯著提高支付領域的效率，同時金融機構更容易處理小額跨境支付業務，有助于普惠金融業務的實現。

2.在清算結算領域：不同金融機構間基礎設施架構、業務流程各有不同，涉及很多人工處理的環節，極大增加業務成本，容易出錯。 應用區塊鏈技術，結合第二點說的鏈上資產，即可完成點對點實時清算與結算，從而降低價值轉移成本，縮短時間，提高效率，并且交易雙方可以獲得良好的隱私保護。

3.資產管理領域：股權、債券、票據等資產由不同中介機構托管，提高了資產的交易成本，帶來憑證偽造的問題。 應用區塊鏈技術，將此類資產數字化，成為鏈上數字資產，以區塊鏈不可逆、不可篡改、公開等特性，提高資產交易效率，降低資產管理成本。

由于區塊鏈的特性是不可逆、不可篡改，使得信息保密安全，點對點交易傳輸，去中心化，使信息可靠追溯；從而降低中間成本、提高效率，它不僅僅用于會計審計當中，同時還可以應用于各行各業，現在我們也能從各行各業的運轉背后都可以看到區塊鏈協作運轉的模式，因此區塊鏈必將廣泛而深刻的改變人類的生活方式，因此整個生活服務將進入區塊鏈時代。 在這個互聯網發展過程當中，區塊鏈+實體行業、區塊鏈電商、區塊鏈社群運營都可以運用到區塊鏈技術。

大數據和區塊鏈技術對會計行業的變革

大數據和區塊鏈作為當下最熱門的技術，對會計行業的變革有著非常重要的影響。 大數據技術提高了可數據化會計信息的數量，使得原有的財務信息和非財務信息得以數據化，擴大了財務人員特別是高級財務人員的管理范疇。 會計在信息化的變革之中，面臨著會計信息的可靠性無法得到保障，虛假的會計信息數據化反而會影響營銷管理決策，而區塊鏈技術的誕生很好的解決了會計數據的可靠性問題。 會計行業要抓住機遇，積極利用大數據和區塊鏈技術，促進行業的變革，同時，會計從業人員也要通過提升自身的職業素養來適應行業變革。

大數據對會計數據信息方面，因大數據本身特點，當企業涉及到大數據分析方面，更多的是需要總體的數據而不是抽樣的數據樣本，需要是數據的整體關系而不是的單個的數據，以使增強會計數據信息的相關性。 會計數據信息可以通過大數據平臺，得知不同企業對同類型項目所采取的會計處理方式以及核算方式，企業之間可以更容易進行比較。 同時，在大數據背景之下，企業通過互聯網，可以及時處理和傳遞會計數據信息，保證會計數據信息的及時性。

區塊鏈因其“去中心化”的思想，應用于處理會計數據信息之中，可以有效保障數據之間的相關性，同時因區塊鏈的去信任性、去中心化，也加強了信息傳輸之中的安全性，可以最大程度上防止盜取、篡改信息，從而使得信息安全問題得以解決，保證了會計數據信息的可靠性和真實性。 同時在區塊鏈技術之下，當信息有新的更新的時候，所有的節點上信息都會進行更新并且不可修改，使得信息的及時性更強。 區塊鏈在對信息記錄之時，需要鏈網之中的用戶進行確認記賬行為的真偽，通過記錄則不可修改，每一方因為實現數據利益最大化，從而使得一些不良現象徹底消失。

會計從傳統簡單的記賬到如今的合理納稅，以后將會通過對財務數據的管理，進行更多方面的管理。 在大數據和區塊鏈的促進之下，會計之前的財務會計和管理會計分支將會融合。 大數據技術和區塊鏈技術的引入，所帶來的新平臺，將會使得會計人員不僅成為會計專家，也有可能成為大數據方面進行專業管理的編程人員，即有多類輔助技能的會計人才，成為新時代下有突出價值的新型會計人才，將會促進管理類會計與財務類會計的加速融合。

大數據以及區塊鏈技術，融合會計數據信息，提高了會計信息的數量也保證了會計信息的質量，使得財務管理能力成為會計人員的必備能力，高級會計人員的管理能力將獲得強力突出。 從事基礎會計工作的會計人員也面臨會計行業的變革考驗，需要更多掌握管理會計、信息決策方面出發。

面對會計數據信息海量的數據，會計從業人員需要通過大數據技術、掌握多種高效的數據分析方式，綜合分析判斷數據信息，從而幫助企業做出正確的預案，同時提出問題的解決策略。 會計人員將計算機技術與會計知識的有機結合，利用大數據、區塊鏈技術，逐步將傳統賬簿修改成以大數據、區塊鏈技術為基礎的新型平臺。

數字經濟時代，財務管理新變化

作者：王勇謝晨穎

【導讀】

數字經濟時代，“大智移云物區”等數字技術已經成為重塑各行各業的重要力量。 財務管理作為企業管理的重要內容，也受到了巨大的影響和沖擊。 傳統財務的工作流程、管理模式、管理理念、組織架構等各方面都發生了不同程度的變化。 企業的財務管理正在從電算化、信息化，逐漸走向數字化、智能化。

數字技術的進步會給財務管理帶來怎樣的改變？本文將從財務決策、資金管理、成本管理、財務職能、財務報告和財務風險六個方面闡述數字經濟時代財務管理發生的變革。

1.財務決策：從依賴經驗的直覺決策到數據算法驅動的科學決策

長期以來，管理者通常憑借經驗、直覺、判斷力來進行決策，雖然也會通過獲取數據進行模型的計算得出結果，但在過去，受限于技術能力，數據獲取不全面，導致很多決策模型無法使用，財務決策僅僅建立在企業內部“財務小數據”的基礎上，包括收入、成本、利潤、資產、負債等，難以做出合理的決策。

數字經濟時代，大數據的大量性（Volume）和多樣性（Variety）給管理者使用決策模型提供便利，可以得出更加科學合理的結果。 大數據不僅能收集到財務信息，也能收集到非財務信息；不僅能收集結構化數據，也能收集到非結構化、半結構化數據；除了企業內部業務數據，更延伸到企業外部，包括所屬行業、供應鏈、競爭對手、監管機構、政府部門等所有利益相關者的數據。 數據和算法通過機器學習的方式不斷自我優化，進而用“數據決策”替代“憑直覺經驗和拍腦袋式決策”。

以投資決策為例，在進行投資決策時，過去的決策者在決策時無法掌握所有信息，且容易受到個人風險偏好、認知偏差的影響，造成決策的主觀性。 基于大數據的投資決策模型糾正了決策中的非理性問題，得出的結論更加的科學，提高投資決策的合理性和準確性。 同時，通過建立量化投資模型幫助決策者處理海量數據，決策者能夠在短時間內對影響投資結果的因素進行多角度分析，如經濟周期、未來預期、盈利能力、心理因素、市場等，根據模型分析結果做出投資決策，極大提高了投資效率。 有實證研究表明，企業的投資規模、投資回報率與大數據發展指數之間呈正相關關系，即大數據的發展有利于企業做出更好的投資決策；同時，大數據發展指數與企業融資效率、內源融資率及債務清償率均呈正相關關系。 大數據能夠提升企業融資決策的質量。 [1]

谷歌采用“TheMachine”算法，通過或否決新的投資和后續投資。 通過收集某特定公司的市場數據、融資金額、聯合投資合作伙伴、以前的投資者、行業領域以及以前估值與目前估值的差額等方面的數據進行分析，用紅綠燈系統來考核某項投資指標體系，綠燈表示投資機會良好，紅燈表示不投資，黃燈表示需謹慎行事。 在使用初期只是作為投資盡調的輔助配角，現在其AI算法已經進入投資委員會，可以對投資進行評估，且評估結果的準確率很高。

2.資金管理：從內部資金管理到全產業鏈資金管理

傳統財資管理系統中更多是平面化財資管理，將財資管理的重點放在賬戶管理、資金結算、資金劃撥、資金對賬等交易性處理流程上，主要是對企業內部資金的管理。

數字經濟時代，隨著數字技術的不斷發展，可以支撐更加復雜多樣的資金管理模式，財資管理將從平面走向立體。 企業的資金管理不再局限于內部資金的集中管控和調配，而是向供應鏈金融模式轉變。 利用大數據、AI、云計算等技術，可以對產業鏈資金流動進行靜態和動態監測管理。 上至供應商，可以開展供應鏈金融，做應收賬款保理；下到消費者，可以做消費信貸，盤活全產業鏈資金。 [2]

蒙牛集團在企業內部搭建了資金共享平臺，實現對資金的集中管控。 由集團總部統一調度、管理和運用所有的資金。 大量實時匯總的資金大數據，使現金流預測模型更加精確，讓集團對內部資金的管理更精細、更高效、更主動。 除了內部資金管理，在企業外部，蒙牛還建立了服務于上下游的供應鏈融資平臺。 通過“互聯網+大數據”，從蒙牛上下游、奶源等第一層直聯的約上萬數量合作伙伴群，逐步延伸到第二層的上百萬數量的蒙牛生態圈伙伴，實現高效、低成本融資。 目前，蒙牛已與多家金融機構合作開展供應鏈金融業務。 通過EAS系統和銀行在數據渠道上打通，上下游企業可以直接登錄蒙牛供應鏈融資平臺，高效融資，使得以蒙牛為核心企業的生態圈更加健康。

3.成本管理：實現精細化核算、前置化管控，優化成本控制

在成本核算方面，作業成本法是現在較為精細化的管理方式，但基于技術條件的限制，很多作業層面的數據難以收集，導致實施起來較為復雜和困難。

數字經濟時代，隨著大數據、物聯網等技術的興起，生產或服務中的每一步驟甚至每一個細節都能夠被各種智能儀器收集到，并傳遞到數據處理中心進行處理。 企業能夠方便快捷地獲取、篩選與成本相關的各種數據，避免了繁瑣的人工篩選數據的過程，使得作業成本法得以便捷的實現。 同時，成本數據的收集更為精確和全面，便于確定成本動因、識別增值作業，精細化成本管理，優化成本控制過程。 實際上，由于智能設備和物聯網的應用，一些傳統的間接費用變為直接成本，即使需要分配間接費用，也能找到較為精確的分配因子。

Amani等(2017)對數據挖掘技術在成本管理應用中的幾個層面進行了綜述，分別是設備層面、流程層面、施工層面、產品層面和項目層面。 其中，在設備層可以用數據挖掘來評估設備制造成本，從而提高設備檢查和維修的精確度，追蹤設備更新成本；在流程層數據挖掘技術用來在成本核算中確定成本驅動因素,并幫助制定轉移定價的決策；在施工層通過創建神經網絡系統，實現快速且精確的成本評估；在產品層數據挖掘可以用以預測產品單元的成本、評估產品生命周期成本；在項目層數據挖掘可以協助建立成本評估體系，包括有形產品和無形產品,如軟件和應用等。 基于全過程、多層次的原則，財務可以在數據挖掘技術下實現對成本的精益管理，這是大數據技術在成本管理領域的重要應用場景。

此外，傳統的成本控制是在成本發生后進行事后追蹤。 隨著數字技術的應用，成本、費用被細分成不同的子類，針對不同子類都可以進一步向前延伸，建立專業的前端業務管理系統，如商旅管理系統、品牌宣傳管理系統、通信費用管理系統等等。 [3]這些前置業務系統和財務系統之間實現無縫銜接，將成本費用的管理前置到業務過程中去，實現前置化、過程化的成本控制和監督。

4.財務職能：從交易記錄、核算監督到決策支持、價值創造，實現業財深度融合

傳統財務的主要工作是承擔企業的財務核算和監督職能，進行報表的編制、資金結算、報送財務信息等基礎性工作。 財務角色定位局限于賬務處理、薄記經營活動，財務部門只是職能部門，不能產生附加價值，是“后臺”角色。

數字經濟時代，財務的職能將發生重大變革。 以“憑證”為起點的傳統財務會計將逐漸被自動化和智能化，很多重復性、規則性的財務工作會被財務機器人所替代，更多財會人員被釋放出來，新的財務管理模式將實現“無人會計”。

麥肯錫《自動化和人工智能如何重塑財務職能》中顯示，大多數財務活動都存在自動化計劃，其中以交易型活動最易于自動化，對于一般的會計活動而言，77%的活動是可以全自動化的，12%的活動可以高度自動化。 牛津大學研究者也曾預測，未來20年，在英國會計行業中，財務行政人員和注冊會計師可能被機器完全替代的概率分別為96.8%和95.3%。

財務人員正在從以交易處理為主的財務會計向決策支持為主的管理會計轉型，轉變為賦能者和創新引領者。 借助大數據挖掘技術，發現業務經營中存在的問題、企業潛在的發展機會，參與經營決策，并更多承擔資金管理、預算管理、風險管控等高價值工作，全面參與到企業的經營管理和價值創造活動中去。

同時，傳統財務工作相對獨立、封閉，很難與各項業務工作有效的融合,“會計和業務兩張皮”現象較為常見。 數字化時代，一切業務數據化，一切數據業務化，財務工作將與業務工作高度融合。 業務信息系統和財務信息系統在輸入、處理、存儲和輸出等各個環節共享，業務和財務人員之間的組織和職能劃分將會逐漸消失。 在數字技術、智能技術的加持下，會計人員的部分職責會轉移到業務人員身上，“人人財務”的趨勢逐漸凸顯。 （“人人財務”表現為財務即業務，業務即財務；人人皆財務，財務皆人人。 ）

新奧集團是一家業務版塊廣泛、子公司眾多的大型集團公司，其財務共享中心日常業務種類繁多，且有相當一部分業務流程需依靠人工完成，員工工作強度大、耗時久。 在財務數字化轉型中，新奧集團利用IBMRPA（機器人流程自動化）、規則引擎等技術，打造自動化財務機器人，引入虛擬員工，在財務共享中心上崗。 自動化機器人代替人工完成業務流程中重復度高、規則精確和吞吐量大的任務，以及跨崗位的多人操作、跨數據源的數據核對等；只有異常處理、需要創意和決策的任務才交給人工操作。 借助RPA技術，新奧集團財務共享中心不僅更快速、更高效地完成工作，而且最大限度釋放員工價值，讓員工做對企業有更高附加值的工作。

美的集團在財務數字化轉型中，構建了財務共享平臺，重新架構了管理體系，真正實現了“業財融合”。 轉型后財務人員從重復投入和效率低的境況中解放出來，將更多資源和精力投入到輔助經營中。 財務職能由“辦公室”型財務轉變成“業務型和經營管理型財務”，通過深入了解業務，深度分析各業務領域的經營數據，為業務部門提供有力的數據支撐，支持企業經營管理決策，提升經營價值。 另外，集團重新設置了財經各模塊職能崗位，比如財經管理部的“預算管理專員、成本管理專員、會計管理專員、研發成本管理專員、資金管理專員”等崗位設計，所有財務工作側重于參與企業經營管理，而不是會計核算。 財務人員從傳統的日常記賬中解脫出來，走進前線，參與到業務中，為業務提供決策支持。

5.財務報告：從定期、標準化報表到實時、多樣化、全面化報表

傳統財務報告通過對經濟業務的確認、計量和報告，定期提供標準化的財報，有三個特點：一是主要提供財務數據，非財務數據很少呈現。 財報很難全面展現企業的財務狀況、經營業績與發展前景。 二是標準化，即對所有使用者提供相同的格式和信息，不考慮信息使用者的個性化需求。 三是滯后性，傳統的“三表一注”面向過去，按季度或年度定期編制，對企業經營狀況的反饋是滯后的。

隨著大數據、云計算、人工智能、圖像識別、機器學習等各種技術的出現，正在不斷改變會計信息加工的規則和方法，一些機構已經開始借助于人工智能算法，實現憑證的智能編制和報表的智能生成。 可以根據不同用戶的需求，提供多樣化的財務報告，滿足不同層級用戶的多樣化需求。 這些報告不再局限于財務信息，還包括大量非財務信息，財務報告走向精細和全面。 也不再局限于定期報告，而是可以做到實時化、可視化。 財務數據實時采集、實時核算與分析、實時傳輸與報告，為企業經營決策提供支持。

其中，區塊鏈技術給財務報告帶來的影響是革命性的。 企業外部信息使用者及其內部信息需求都能夠通過共識機制快速確定。 每一個企業參與者都可以提出多樣化的信息需求，通過區塊鏈技術能夠生成并發布各種樣式、內容、結構、目的的財務報告，如以經濟事項為基礎的報告、全面收益報告、相互式按需報告、實時智能財務報告以及智能分析報告等，極大地克服了現行財務報告的諸多局限性。

德邦快遞的客戶量大、單量大，流轉數據大，對報表的時效要求非常高。 通過構建業財一體化系統平臺，梳理業務單據與財務憑證之間的數據關聯，德邦快遞實現了90%憑證的自動生成、審核，每月自動處理200萬份業務單據；設置的各項報表架構和業務規則，自動歸集、計算、輸出報表，每次報表編制時間由4小時縮短至60s，實現報表智能編制、實時查詢，滿足管理者對報表時效的高要求。

6.財務風險：從依靠人進行風險管控到機器自動識別風險、提前預警

財務風險包括籌資風險、投資風險、現金流風險等。 傳統財務風險管控主要依靠財務人員搜集信息，進行風險識別時需要搜集的數據量龐大，財務人員難以整合多種渠道的數據，難以進行關聯信息查詢和擴展，效率低下，風險控制的成本較大。

隨著大數據、人工智能等技術的廣泛應用，財務風險管控有了更先進的算法、模型和工具。 借助監督式學習算法、知識圖譜等技術，把人類具有的直覺推理加以形式化或機器模擬，可以大量處理會計信息、供應商管理審查信息、應收賬款賬齡信息等，對財務風險形成預判能力。 通過建立數學模型對不同風險因素進行組合分析，使企業能夠在較短時間內迅速識別潛在風險并進行精確的量化分析，進而實現對財務風險的及時控制。 此外，根據大數據的分析結果設立預警指標與臨界指標，還可提醒管理者在財務風險發生前就做出應對措施。

德勤認為機器學習可以解讀財務人員對于風險的反應方式，從而在沒有回饋或干預的情況下自主采取行動，根據持續的信息流快速反應，進而降低財務風險，使財務不需要在人的干預下就可以自主驅動智能工具，實現無人化的風險管控。

阿里巴巴為了保持現金流的穩定性和充足性，防止現金流風險，建立了大數據財務風險預警體系，將產生財務風險的內外部經營環境等抽象因素數據化，利用大數據處理技術對各種風險因子異常變化情況進行識別，任何涉及到現金流的風險因子出現異常，預警體系都能夠基于大數據分析處理進行主動識別，并預警潛在的現金流風險，通知管理人員及時進行風險的管控。 與傳統財務風險預警體系不同，大數據財務風險預警體系在云技術的支持下能夠實現事前預測、事中處理、事后管控的實時動態監控。

【小結】

數字經濟時代，在大數據、云計算、區塊鏈等數字技術的沖擊下，傳統的財務管理模式發生了深刻變革。 財務決策從經驗驅動變為數據驅動，資金管理從內部管理延伸到全產業鏈、生態圈的管理，成本核算精細化、成本控制前置化，財務職能從核算監督到決策支持、價值創造，財務報表從定期、標準到實時、多樣，財務風險管控從依靠人到機器自動識別、提前預警。 企業要抓住數字經濟的時代機遇，加快財務管理的數字化轉型，充分發揮財務在數據方面具有的先決性優勢。

參考文獻：

數據分析能力體現在哪些方面

數據分析能力體現在以下方面：

1.數據收集與整理能力

數據分析的第一步是數據的收集與整理。 數據分析者需要具備收集各種類型的數據的能力，包括從數據庫、API、網絡等渠道獲取數據。 此外，還需要對數據進行清洗、去重、處理缺失值等，以確保數據的質量和完整性。

2.數據探索與可視化能力

數據分析者需要通過數據探索來理解數據的特征和規律。 他們需要運用各種統計方法和可視化工具，對數據進行探索性分析，發現其中的模式、趨勢和異常值。 通過可視化手段，可以更直觀地呈現數據的結構和關系，幫助決策者快速理解數據背后的信息。

3.統計分析與模型建立能力

數據分析離不開統計分析的方法和技術。 數據分析者需要掌握各種統計分析方法，如描述統計、推斷統計、回歸分析、聚類分析等，以從數據中提取有意義的信息和模式。 此外，他們還需要具備建立預測模型、機器學習模型等的能力，以解決實際問題和做出準確的預測。

4.數據解釋與故事講述能力

數據分析的最終目的是為決策者提供具有洞察力的建議和決策支持。 數據分析者需要將復雜的分析結果轉化為簡潔明了的語言和圖表，能夠清晰且有邏輯地向非專業人士解釋分析結論。 他們需要具備良好的溝通能力和故事講述能力，將數據背后的故事傳達給相關人員。

5.業務理解與問題解決能力

數據分析的核心是圍繞實際業務問題展開的。 數據分析者需要了解所從事的行業或領域的業務特點和相關知識，才能更好地理解問題背景和目標。 他們需要能夠準確把握業務需求，將問題轉化為可量化和可分析的形式，并提供相應的數據支持和解決方案。

6.持續學習和自我提升能力

數據分析領域發展迅速，涉及到多個學科和技術。 數據分析者需要具備持續學習和自我提升的能力，跟上最新的數據分析方法、工具和技術。 他們需要參加培訓、閱讀相關文獻、參與社區和行業討論，不斷提升自己的專業水平。

數據分析能力體現在數據收集與整理、數據探索與可視化、統計分析與模型建立、數據解釋與故事講述以及業務理解與問題解決等方面。 除了專業知識和技能，數據分析者還需要具備良好的溝通能力、學習能力和問題解決能力，以全面地應對各種數據分析任務。

---

---

相關標簽： 提升溝通和洞察、 數據參量化對象有哪些、 數據參量化對數據可視化的影響、

上一篇：面向數據科學家和分析師的數據參量化入門指

下一篇：AI和機器學習中的數據參量化增強模型性能和