构建财务数据治理体系助力世界一流财务管理体系建设OPE电子竞技

作者：小编
发表时间：2024-09-17 07:32

　　OPE电子竞技目前企业仍存在数据标准统一程度不足、数据资产入湖进展缓慢、数据平台建设水平不高、数据服务应用较为单薄、数据治理保障机制不足等问题，难以满足世界一流财务管理体系对于全生命周期治理体系、激活数据价值的要求。对此，财务部门应在正确认知数据治理基本概念和框架的基础上，明确财务数据治理的定义、范围界定及职责定位，基于业财融合的闭环逻辑，从夯实财务标准体系管理、进行业财数据资产盘点、系统开展数据标准建设、推动业财数据资产入湖、搭建企业级别数据平台、完善数据治理保障机制五大方面入手，构建一套系统化的数据治理方，助力世界一流财务管理体系建设。

　　从数据治理的相关政策来看，2020年《中央国务院关于构建更加完善的要素市场化配置的体制机制的意见》首次将“数据”与土地、劳动力、资本、技术等传统要素并列为要素之一写入文件；2024年政府工作报告中进一步提出数据作为劳动对象，是新质生产力的重要组成部分，强调数据作为新型生产要素的创新性配置。在此过程中，“数据治理”成为激活数据要素价值，赋能新质生产力发展的重要手段。在财务管理领域，财政部印发的《会计信息化发展规划（2021—2025年）》（财会〔2021〕36号）对会计数据标准体系建立、会计数据价值有效发挥等提出了指导意见；国资委《关于中央企业加快建设世界一流财务管理体系的指导意见》（国资发财评规〔2022〕23号）指出应建立健全数据产生、采集、清洗、整合、分析和应用的全生命周期治理体系，完善数据标准、规则、组织、技术、模型，加强数据源端治理，提升数据质量，维护数据资产，激活数据价值。财政部《关于加强数据资产管理的指导意见》（财资〔2023〕141号）、《企业数据资源相关会计处理暂行规定》（财会〔2023〕11号）和《关于加强行政事业单位数据资产管理的通知》（财资〔2024〕1号）三份文件，从不同视角阐明了数据资产化和价值化的具体要求。总体而言，在建设世界一流财务管理体系的过程中，需要深入挖掘数据价值、构建有效的数据治理体系已经成为共识，研究如何进行数据治理的方法成为当务之急。

　　当前，对财务数据治理的研究，主要围绕三个方面展开：一是数据治理在财务数字化转型中的作用，将数据治理作为财务数字化转型框架体系中的重要举措，强调对企业内外部数据进行有效管理、建设数据中台，拓展数据应用场景，以支撑分析、预警和决策职能[1-2]；二是讨论数据治理的路径、内容框架的研究，陆兴凤等[3]从利益相关者角度分析企业自身、合作伙伴、外部单位之间在数据“共建”“共治”“共用”等方面的治理路径；陈虎等[4]认为财务数据治理包括设置治理目标、完善治理制度、设立治理组织等，在此基础上盘点数据资源、统一数据标准、管理数据质量、推进数据治理平台规划与建设；刘根霞[5]提出了财务共享模式下基于数据中台的数据治理体系和路径，按照绘蓝图、建体系、定标准、定位置、搭平台、洗数据、接服务的路径推动数据治理；金源等[6]构建了智能财务背景下的数据治理框架，包括数据标准与元数据管理、财务主数据管理、数据质量管理等核心内容，以及与之相配套的技术与系统、流程与制度、组织与人员；三是总结数据治理在不同类型企业或细分领域的实践，李乐等[7]分析了在银行业金融机构数据治理指引的要求下企业集团财务公司的数据治理工作的主要架构，包括职责界面、工作流程、工作机制和保障措施，以提升金融服务、决策咨询、风险监控能力。而“金融数据治理”是数据治理工作在金融领域的延伸，张凯[8]提出金融数据治理的框架包括数据战略、组织形式、制度流程、系统、人才、工具以及数据服务。

　　可以看出，现有研究大多参考通用的数据治理框架，以财务数字化转型为导向，综合应用多种手段构建财务自身的数据治理框架，但整体而言还存在以下问题：第一，缺乏对“财务数据治理”的明确界定，将其等同于企业数据治理，对于财务数据治理内容范畴以及财务在企业数据治理中的职责定不清晰，同时未厘清财务数据治理的内容以及与传统财务标准体系建设之间的关系；第二，针对企业内部管理领域的数据治理，尚未形成统一的框架，对数据治理方的应用逻辑不尽相同，完成数据采集后在哪些环节开展质量管理、如何存储数据等处理手段并不统一，现有的行业性质数据治理框架应用主要集中在银行业的金融数据治理；第三，对于数据治理在建设世界一流财务管理体系以及财务数字化转型中的应用偏于理念和相关概念的介绍，缺乏具体的操作方法研究，与当前世界一流企业数据治理现状对比，缺乏针对性。对此，本文基于数据治理的基本理论和框架，分析了世界一流企业财务管理体系建设中的数据治理方法，厘清了其中的概念，为中央国有企业开展世界一流企业财务管理体系建设中的数据治理工作提供理论指导和实践参考。

　　对于国有大型集团企业而言，由于业态多元、组织层级较多，加之根据业务的发展变化和需求单独部署各种业务系统及财务信息系统，不同子公司或部门可能采用不同的信息系统，未充分考虑系统间的集成关系并建立数据共享制度和共享标准[4]，存在不同的管理口径和维度差异，使得跨部门、跨系统的数据交换和分析变得复杂低效，加之企业对数据标准应包含哪些内容缺乏系统化的梳理，进一步增加了数据整合的难度，实现系统高度集成和全集团“一张网、一个库、一朵云”也就无从谈起。

　　世界一流财务管理体系提出要“维护数据资产，激活数据价值”，而面对大量异构数据，传统的数据库架构难以满足管理要求，数据采集、清洗、转换和系统数据溯源关系梳理工作量巨大，但尚未采取数据入湖的方式进行数据资产管理，存在数据资产入湖归集、整合和共享进展慢的问题，难以更加低成本、灵活地处理各种来源的原始数据[9]。同时，财务域数据与企业其他业务域数据关联关系缺乏梳理，数据资产体系化统筹管理能力不足，造成数据孤岛现象严重，难以根据数据间的关联关系充分挖掘数据价值。

　　世界一流财务管理体系要求“完善数据标准、规则、组织、技术、模型”，这些都需要由相应的数据平台来承载。而当前企业搭建的数据平台存在兼容性、与业务融合程度、个性化程度不足的问题，滞后于业务发展需求，缺少面向“采、存、管、用”等全流程的数据治理和应用的技术支撑平台，难以落地数据标准和质量管控要求、支撑大数据量的处理和复杂分析需求[10]；还存在平台技术架构不够先进，缺乏弹性扩展能力，难以适应快速变化的业务环境和未来数据增长的需求。

　　许多集团企业受制于算力不足、算法分析落后，数据服务更多停留在基础的报表生成和简单分析阶段，缺乏面向业务场景的深度挖掘和预测性分析，以及对新兴技术（如云计算、人工智能）的有效应用，限制了数据处理和分析的深度与广度，数据应用水平较低[11]。数据应用的创新性和定制化程度不足，不能很好地满足各业务部门个性化的需求，影响了数据驱动决策的效果，导致数据未能得到有效开发，价值未能有效释放。

　　除了技术层面的问题之外，企业数据治理还面临保障机制不足的问题，包括缺乏完善的组织架构和职责划分，数据治理的责任主体不明确，导致治理工作推进困难；缺少持续性的数据安全和质量监控和改善机制，数据安全和隐私保护措施不够严密[5]；以及没有建立有效的激励机制，员工参与数据治理的积极性不高，难以形成全员参与的良好氛围。

　　财务人员虽然一直在从事数据相关的工作，甚至在不知不觉中进行着数据治理，但数据治理的概念始终是一个“新事物”，对于一些基本概念和实践内容可能存在理解上的差异和认知误区。加之当前数字化转型浪潮中与数据相关的概念层出不穷，不同概念之间的关系没有得到清晰的梳理，进一步加深的理解的难度。对此，有必要在展开数据治理方之前，先对数据治理的相关基本概念及关键问题进行阐释。

　　对于“数据治理”，目前国内外较为常见的定义及框架包括：国际标准化组织的IT服务管理与IT治理分技术委员会（ISO/IEC JTC1/SC40）指出，数据治理是在数据产生价值的过程中，治理主体对其进行评估、指导和监督的活动集合。国际数据管理协会（DAMA）指出数据治理是指在管理数据资产过程中行使权利和管控，其中包括计划、监控和实施，框架内容包括数据治理、数据架构、数据建模和设计、数据存储和操作、数据安全、数据集成和互操作、文档和内容管理、参考数据和主数据管理、数据仓库与商务智能、元数据管理、数据质量管理11个方面。国际数据治理研究所（DGI）认为数据治理是一个通过一系列信息相关的过程来实现决策权和职责分工的系统，内容框架除了具体的工具之外，还包括数据治理的流程、规则、人员和组织等。我国发布了数据管理领域的首个国家标准“数据管理能力成熟度评估模型（DCMM）”，涉及组织、制度、流程、技术等数据管理手段，包括数据战略、数据治理、数据架构、数据标准、数据质量、数据安全、数据应用、数据生命周期8个核心领域。

　　综上，上述定义都强调对于数据全过程的管理以及如何发挥数据价值，但在不同视角下对数据治理的关注点不一样，因此各自的框架内容也不一样。从管理视角看，数据治理可以划分为制度管控、过程管理、标准治理、技术应用和价值发挥等方面，是相对广义的概念；从技术视角看，则集中于数据治理的具体方法和工具。因此，应明确三个问题：一是以广义范畴认知数据治理，数据治理并非仅针对数据质量管理和数据安全管理，而是实现从企业获取数据到发挥数据价值全流程所有环节各类工作的集合；二是以综合视角认知数据治理，数据治理不能进着眼于数据标准管理、数据指标分析应用等技术层面，而是包含组织、制度、流程、技术等多个方面的管理工作；三是从发挥数据价值的出发点把握数据治理工作的重点，避免陷入具体的技术细节中，而是围绕数据标准、数据平台、数据目录、数据质量、数据共享、数据应用等方面，构建具有企业特色的数据治理体系。

　　除了数据治理以外，目前常见的概念还包括数据湖、数据中台、数据资产管理等，这些概念与数据治理的关系在实务工作中常常困扰财务人员，亟需加以明确：

　　（1）数据湖本质上一种数据存储结构，旨在解决传统数据仓库和数据集市面临的问题。企业推动数据入湖是为了构建一个更加灵活、高效、经济的数据基础架构，相比于传统的数据仓库，数据湖通过减少数据转换的预处理步骤，可以存储各种类型的数据，并且支持异构数据的存储方式，降低了数据存储和处理的成本，同时在逻辑上对各种原始数据的汇聚和集合，使数据可以在需要时被灵活地查询、分析和处理。

　　（2）数据中台是“中台”理念在应用中的一种具体体现，尚未有一个统一的定义，现有对其属性和特征的描述涵盖组织、技术等多种视角，是一系列数据管理技术和理念的集合，其核心目的是使数据“用起来”，实现数据服务的共享和复用。通常而言，数据中台是介于数据湖和前台应用之间的平台，它对数据湖中的数据进行处理、整合和封装，提供为业务部门提供标准化、可复用的数据服务。

　　（3）数据湖和数据中台都属于为解决某项具体工作（例如数据存储、应用等）的技术，二者都需要在开展数据治理的基础上发挥作用。数据治理为数据湖、数据中台建设提供指导原则和控制机制，是整个数据生态系统的规则制定者和监督者，确保数据的质量、安全、合规性和有效利用。

　　（4）对于数据资产管理，中国信通院在《数据资产管理实践（6.0版）》（2023）中将数据资产定义为“由组织合法拥有或控制的数据资源，以电子或其他方式记录，可进行计量或交易，能直接或间接带来经济效益和社会效益”。数据资产管理涉及对数据资产的规划、控制等职能，包括对数据的计划、政策、方案、项目、流程、方法和程序，据此来控制、保护、交付和提高数据资产的价值。其与数据治理概念的共同之处在于二者都是一整套数据管理机制和方法的集合，强调对数据加以持续运营进而发挥数据价值，且在具体管理框架内容构成上存在重合。而不同之处在于数据资产管理更强调“资产”的概念，即数据作为一种资源，必须满足一定条件才能称为资产，其价值发挥的途径既包括内部使用，也包括对数据资产进行交易，并且对财务管理而言还需要考虑对数据资产的价值评估、确认计量以及入表等工作。整体而言，数据治理是高层次的策略和管控，数据资产管理则更偏重于战术层面的操作和执行。

　　对于“财务数据治理”，虽然理论研究和实务工作中常常提及财务数据治理的概念，但现有研究尚未见统一明确的定义。当前研究中由于财务是数据汇聚、管理、共享、分析、决策的关键节点，因此尚未明确区分“数据治理”和“财务数据治理”的界限。从现有对财务数据治理的研究来看，一致之处在于治理的工具和手段，都是基于通用数据治理框架的应用，而不一致之处则在于对财务数据治理范围的界定，有的仅指“财务数据”的治理，即在企业整体数据治理范畴中划分财务域，仅从会计科目、预算和资金指标等财务基础信息切入；而有的财务数据治理所涉及的数据突破了业务和财务、甚至企业内外部的界限，是基于业财融合目标开展的对业务和财务数据的治理，还有研究还将其称为“财务大数据治理”[3]。但是在构建数据治理组织架构时，基本都从集团企业整体层面来设置，已经超出财务部门范畴，组成了跨部门的委员会和工作小组。从治理范围上看，由于财务职能在管理中作为数据中枢的特殊性，一方面财务数据的准确性和及时性直接影响企业的合规报告和经营决策，另一方面财务数据能够实现对众多业务数据的串联和整合，形成业财融合的指标数据库，财务数据治理应涵盖财务和与实现业务服务和决策支持相关的数据，应从广义的财务数据治理来进行对待；从治理方法上看，应参考企业数据治理的通用框架采取相应管理举措和技术工具，在组织架构、层级、职责等方面需要与企业级数据治理组织规划和布局相匹配，并且考虑财务在对于数据资产确认和计量方面的特殊职能。综合上述分析，对财务数据治理的定义为：在数据资产产生价值的过程中，财务根据其在企业数据治理中的职责定位，应用数据治理的基本方法，对财务及相关业务数据开展的采集、管控、计量、应用的一系列措施的集合，以实现对企业数据的质量控制、共享交换和价值挖掘。

　　根据上文的定义，财务数据治理的内容范围根据财务主导程度由浅入深可划分为三个阶段：一是财务自身的标准化建设，仅涉及财务本身的管理标准，重点在于建立和优化财务数据的录入、处理、存储和报告的标准流程和规则；二是作为企业数据治理中财务域的一部分，如核算、资金等方面的数据治理，同时建立跨部门的数据共享和交换机制，确保财务数据与其他业务数据的一致性和连贯性；三是融入企业整体数据治理，主导相关主数据建设，明确与各业务领域数据关联关系，形成整体数据资产目录，确保数据治理成为企业战略的一部分，并持续优化数据治理框架。

　　在职责定位方面，企业在开展数据治理过程中，可选择将财务数据治理置于优先位置，选择以财务数据治理作为切入点或由财务部门牵头开展数据治理，迅速提升管理层对数据治理重视度，并快速展现治理成效。在实践中，许多金融机构由财务部门牵头开展企业数据治理并取得良好成效。企业可组建由财务部门领导、IT、法务、风控等部门代表组成的跨职能数据治理团队，推动财务系统与其他业务系统的数据接口标准化，基于治理后的高质量数据，开发或优化分析模型，提升经营分析报告的深度和广度，为管理层提供更加精准的分析和预测，支持战略决策。

　　财务数据治理的定义和范围界定体现出财务部门在数据治理过程中与业务部门思路的不同，作为业财数据交互的“中枢神经”，财务在开展数据治理过程中更应该具备全局思维。对此，本文认为财务应始终秉持“业财融合”的理念，落实“从业务到财务，再从财务回到业务”闭环逻辑，具体而言：财务数据治理应以“从业务到财务”为起点，首先实现以业务驱动财务数据自动生成，通过业财系统的衔接及记账报告规则的梳理，确保每一笔交易或事件都能即时、准确地被系统捕获，并基于规则实现财务记账凭证自动产生，在此过程中根据业财交互点开展数据治理；然后基于数据治理的成果，将数据分析结果和洞察转化为数据服务，通过BI（商业智能）工具、数据仪表板等形式，反馈给业务部门，完成“从财务到业务”的闭环，通过数据服务应用实现反馈，并据此优化财务模型和数据治理流程，确保整个体系持续迭代和优化。总之，财务数据治理不仅实现数据的自动化流转和处理，还促进了业务与财务之间的深度融合，形成了基于数据驱动的决策支持闭环。

　　根据财务数据治理的范围界定及闭环逻辑，应首先从财务标准体系入手夯实内部标准；在此基础上，按照数据治理基本方框架以及数据全生命周期管理的逻辑，从“盘、管、存、用”的思路开展数据资产盘点、数据标准建设、数据资产入湖、数据平台建设；最后，除了技术与工具层面的应用，还需要从制度、组织、人员等方面提供相应保障机制。

　　根据财务数据治理中财务部门的主导程度，财务标准体系是与财务管理工作直接相关的业务规则及标准。此处的财务管理工作是国资委世界一流财务管理体系中“大财务”的范畴，即包括会计核算、财务报告、资金管控、税务管理等基础保障职能，也包括全面预算、成本管控、投融资管理、资本运作等价值创造职能。这类财务管理标准可以视为财务数据治理的一部分，也是从单纯的财务数据治理向企业级数据治理迈进的基础，其核心目的是梳理从业务数据到财务数据这条“主线”的转化规则，最终推动会计核算及报告处理的规范化与自动化，实现业务数据驱动财务数据生成。

　　当前，大多数大型央企集团均已开展财务标准体系建设，但财务标准体系的内容构成，以及标准化程度仍存在差异。我们认为，作为财务数据治理的基础，财务标准体系建设至少应涵盖三大部分内容：（1）核算与报告标准化。作为衔接业务活动与财务管理的核心，主目的是实现核算自动化与报表生成智能化，应基于业务活动分类梳理形成“标准业务事项”，作为业务活动的最小颗粒度，并以此为基础逐项梳理相对应的“会计科目”“辅助核算”“预算指标”“现金流项目”OPE电子竞技，最终针对每一个业务事项形成相应的“记账规则（涵盖摘要模板和会计分录模板）”；完成账务处理后，应根据对外报送的法定报表要求，以及对内提供的管理报表要求，定义报表取数逻辑，规范报表构成的项目名称、数据来源、计算方法、展示方式等内容，最大程度实现报表编制的自动化；（2）管控要求标准化。为了实现全集团账务处理规则的一致性，特别是对于采用财务共享服务模式处理的企业而言，还应当明确相应管控要求标准，包括“稽核规则（含费用标准和定额标准）”“附件要求”“审批流权限规则”“核算流程”等，以及相应的“单据模板”，其中单据模板中的相应字段将是后续数据标准管理的重点内容；（3）业务流程标准化。针对财务管理具体业务开展标准化建设，包括会计基础工作、预算管理、资产管理、资金管理、税务管理、成本管理、会计档案管理等领域，明确相应的“管理职责”“工作流程”“管理要求”等。

　　在开展上述财务标准体系建设过程中，有两个问题需要注意：一是考虑核算标准建设的业财联动程度。一般情况下财务对业务的反应存在滞后性，需要在开展报账后得以获取业务信息。而现阶段企业应考虑如何将业务数据驱动财务数据生成的时点前置，使财务信息能动态反应企业的经营结果和资产情况；二是考虑集团企业在财务标准建设中的集权与分权程度。大型集团企业由于管控层级多、业态多元化、分支机构遍布广等特点，需要兼顾集团的统一管控需求与业务板块的多元化需求，明确集团总部、各二级产业公司、财务共享服务中心之间组织授权，财务共享服务中心可以通过编制会计核算标准化操作手册进行统一规范，并根据业务变化适时调整[14]，重点关注多准则、多科目、多语言、多币别等差异化信息的共享需求。

　　数据资产盘点可以视为数据资产管理的起点，是对企业内部积累的所有数据进行系统性地识别、分类、评估和记录的过程。盘点过程中会将数据与企业数据标准进行匹配，评估其质量、完整性、安全性和潜在价值，最终目的是获取对当前企业数据存量及分布情况的全方位了解，将数据资源整合成为可管理和可利用的数据资产。

　　由于数据资产分布在不同的系统和部门中且数量巨大，在盘点之前，企业首先需要对数据资产盘点范围进行界定[15]。由于财务部门在企业中有从业务数据到财务数据衔接的需求，具有作为企业数据中枢的特殊性，因此在确定数据资产盘点范围时，除了狭义上属于财务部门管理的会计数据之外（如会计核算数据、财务报表、预算与预测数据、成本数据等），还需要根据管理需要识别业财衔接点，对交易和管理数据进行盘点。

　　对此，业财数据资产盘点可从两大方面入手：一是站在业务需求端，从满足企业管理分析的需要出发OPE电子竞技，对财务数据进行盘点。企业可以基于经营管理、业务作业、财务流程和管理决策对于财务数据的使用需求，逆向推导支持分析的财务数据需求和来源，按照“场景——指标——数据”的逻辑追溯至相应财务信息系统。需要指出的是这类财务数据集中在科目、账户、资产卡片几个大类，抽象程度高，难以支持细颗粒度的主题域和数据对象的划分[16]，还需要进一步向业务数据进行延伸；二是站在财务需求端，从满足财务管理工作以及业财融合分析的需要出发，对业务数据进行盘点。具体而言，企业可以根据自身业务架构划分，识别会产生财务流程的业务环节，此类环节是业财衔接的流程触点，根据财务管理所需的业务信息字段，明确业务数据产生的责任部门以及该信息最初产生的系统或唯一来源。根据管理需要也可以在前端业务系统或财务报账系统中内置相应数据字段的采集点，以进一步丰富财务所获取的数据来源，最终实现数据范围从财务数据向业务数据扩展。在数据资产盘点策略上，建议采用分阶段集中性的盘点形式，按照“急用先行，先易后难”的原则对存量数据进行盘点。盘点的结果是建立数据资产目录，编制业务和财务数据资产清单，记录数据来源、存储位置、数据格式、负责人等信息。

　　业财数据资产盘点可以帮助企业识别出可视化、可复用和有价值的数据资源。同时，在对数据资产盘点的过程中进一步发现数据流转的堵点与断点问题，包括数据标准差异、多源头录入等数据集成问题，识别业财数据的标准差异与衔接断点，为企业财务数据治理指明后续工作方向。

　　财务数据治理并没有仅停留在会计科目等财务数据，而是需要进一步向业务数据延伸，且在进行业财数据盘点的过程中也将发现诸多数据标准不统一之处，对此下一阶段则是系统开展数据标准建设。本文认为数据标准建设，归根结底企业需要回答两个问题：一是哪些数据进行标准化？二是都需要制定哪些数据标准？

　　对于应对“哪些数据进行标准化”的问题，由于当前企业数据治理理论尚未统一，实践中对于何为数据标准、数据标准包括哪些内容仍然存在差异。例如，祝守宇等[17]认为企业数据标准化的框架体系应涵盖作业类规范（如采集、分类等）、基础类标准（如术语、命名等）、对象类标准（如主数据、元数据、交易数据、指标数据等）、架构类标准（如目录、模型、交换等）、应用类标准（如数据应用架构）；郑保卫[11]提出数据标准的分类框架包括基础数据标准和指标数据标准，其中：基础数据标准是对直接产生和采集的、未经过加工和处理的原始信息制定的标准化规范；指标数据标准是指按使用场景分类，针对为满足内部分析管理需要以及外部监管需求，对基础数据加工产生的指标数据制定的标准化规范。

　　由于财务管理贯穿企业多个业务环节，更加重视数据的准确性、完整性和一致性，同时确保管理层获得准确、及时的业务指标，为决策提供有力支持。因此，财务数据治理应该更强调经营过程中不同对象的标准，特别是主数据、元数据、交易数据、指标数据等，相关作业类、架构类标准应作为信息部门或数据管理部门的重点。具体而言：（1）主数据标准。主数据是指在企业内部跨系统共享的核心业务实体数据，财务主数据管理的内容不仅限于财务直接相关的科目或账户数据，还应包括财务信息系统所涉及和使用的其他主数据，具体可分为科目类主数据（会计科目、预算科目、收支项目等）、资金类主数据（银行账户、结算方式等）、业财类主数据（客户、供应商、项目、资产、物料、合同等）、公共信息类主数据（行政区划、币种、组织、人员、用户等）；（2）元数据标准。元数据是“描述数据的数据”，对数据及信息资源的描述性信息。例如一张财务报表中的属性字段，包括机构名称、项目名称、币种、余额等，都是这张表格的元数据信息。元数据主要分为三类：业务元数据主要是数据中业务语义的描述；技术元数据主要关注技术的实现；操作元数据主要关注数据处理的过程与关系[18]；（3）交易数据标准。交易数据记录了企业日常运营中的具体业务活动，如销售订单、采购记录、库存变动、财务交易等。这类数据通常与特定的时间点或事件相关联，变化频繁且量大，其标准涉及数据的格式（如日期时间格式、货币单位）、数据验证规则（如金额不能为负数）、数据采集频率（实时、日终等）；（4）指标数据标准。指标数据是衡量企业绩效、业务状况或特定过程效果的量化数值，如销售额、成本比率、客户满意度得分等。指标数据通常基于交易数据和主数据计算得出，用于监控业务表现和辅助决策。标准包括指标定义（明确计算公式和所涵盖的数据范围）、计算周期（如每日、每月、每年）、数据源（哪些交易数据或主数据用于计算指标）、数据精度（小数点后几位）、以及展示格式（图表、表格等）和报警阈值设定（何时触发警告或行动）。

　　针对“需要制定哪些数据标准”的问题，上文针对不同的数据类型已经列举了部分数据标准的内容。总体而言，数据标准通常按照业务标准、技术标准和管理标准三个维度来划分：（1）业务标准主要目的是提升业务规范性与效率，涉及中文名称、业务定义、业务规则等；（2）技术标准主要是为IT设计和开发提供依据为数据应用工作提供指引，涉及英文名称及缩写、数据类型、数据长度、数据精度、度量单位等；（3）管理标准目的是明确数据归口责任主体保障数据安全及数据质量，涉及责任主体（数据定义者、数据管理者等）、颁布日期、废止日期、业务应用领域、标准落地系统等。

　　通过明确哪些数据进行标准化、需要制定哪些数据标准两大基本问题，可对基本的数据标准进行系统化梳理。当然数据标准建设并非“一蹴而就”，需要实现常态化的管理机制。对此应该明晰数据标准迭代管理组织架构及各方工作职责，制定职能领域划分，以及数据标准迭代的规范化管理流程，为提高数据迭代效率提供保障。

　　通过业财数据资产盘点及数据标准建设，到这一阶段的财务数据治理已经逐渐超越单一财务管理职能范畴，进入企业级整体层面的数据治理与共享。为满足管理需求及财务分析需求，企业的数据湖通常会划分出财务域，数据湖需向数据来源系统申请对应数据权限，进行数据入湖。企业需要以数据分类、分级管理为核心，以数据资产目录为依托，打造基于数据湖的数据资产管理架构。

　　从“数据分类管理”要求来看，应当以集团业务架构为依据，定义业务域及业务活动分类，并根据业务实际情况及公司管理需要设立一到主题域分类。例如，可在整体业务架构的“职能管理”领域中，划分“财务资金管理”一级主题域，并进一步按照业务架构或财务信息系统的模块划分二级主题域，如全面预算管理、报账管理、核算管理、税务管理、资金管理、资产管理、报表管理等OPE电子竞技，在此基础上可根据具体的业务流程或单据类型划分主题域。数据分类应具备可拓展性，能够实现各种类型、场景、专业数据的分类，以及满足将来可能出现的数据类型。

　　在数据分类的基础上，应明确具体的数据内容，以及与其他业务域数据的关联关系，这项工作主要通过梳理完善数据模型来实现。企业数据模型是数据架构中最主要的管理对象，企业数据模型中根据角色视角的不同和概念抽象程度的不同，划分了不同级别的数据模型，包括从企业级角度定义的主题域模型和基于主题域模型逐步具象化之后得到的概念模型、逻辑模型和物理模型。对于财务人员而言，这一阶段应重点关注财务相关主题域与其他主题域的关系。例如，在核算管理二级域，应实现凭证通过凭证信息、核算组织信息、往来单位信息与“报账管理域”信息关联；“报表管理域”与凭证数据关联，按照凭证科目取数，进行逻辑加工并得到报表数据；与“公共数据域”中的国家地区、币种等信息关联。

　　从“数据分级管理”要求来看，数据级别应界限明确，不同级别的数据应采取不同的保护措施。对于数据分级的认定，依据国家信息安全要求、行业主管部门规定与公司相关要求，基于数据分级原则、方法，综合考虑各类数据泄露后的影响程度，数据分为一般数据、重要数据、核心数据。对于不同级别数据的安全等级划分，数据资产可分为无条件共享、有条件共享、不予共享三种类型，并根据不同的数据共享场景遵循不同的数据共享管理流程。

　　除此之外，数据入湖需要明确严格的标准，包括明确数据端到端管理的责任人，已经明确有相应的业务数据标准（包括元数据标准），认证数据源以确保数据从正确的数据源头入湖，定义数据密级并进行质量评估[19]。总之，数据资产入湖为未来的数据应用提供了丰富的数据原料，不仅低成本存储解决方案，更有助于企业发现隐藏的模式、趋势和关联，提升预测能力，支持更加精细化的运营和决策。

　　企业级数据平台是集成化的技术基础设施，通过构建统一的数据底座、服务中台和管理界面，旨在提升企业的运营效率、决策能力及创新能力，主要发挥以下作用：一是作为技术支撑平台。上述数据资产盘点、数据标准建设、数据资产入湖等具体工作，均需要有相应的工具和技术支撑，数据平台作为一个技术底层，整合了企业内外部的各种系统和应用，实现数据和技术资源的集中管理和高效协同，提供强大的数据处理能力；二是落地数据标准。数据平台提供了一个集中化环境，用于定义和实施企业级的数据标准，并且自动执行数据质量检查，如数据验证、清理和标准化处理；三是作为数据治理的管理门户。数据平台以数据门户作为数据类服务的统一访问入口，数据使用者为各类用户，有助于高数据资产的管理与访问效率，支持数据治理运营过程；四是发挥数据中台的作用。构建通用的服务组件和微服务，集中管理企业数据资产，提供数据服务和API，支持数据的共享和复用，加速数据价值的转化；五是有效支撑前台数据服务。通过与前台应用的紧密集成，数据平台支撑快速、个性化、高质量的客户服务，提升用户体验和满意度。

　　从总体架构上看，企业数据平台至少应包含数据汇聚层、数据融合层、治理管控层、应用赋能层，其中：（1）数据汇聚层直接面向各类数据源系统，打造面向多类型场景的数据采集与集成能力，为数据汇聚提供高效、便捷的技术支撑；根据数据流向设计，使用数据集成工具进行采集入湖；开展系统元数据采集与数据盘点，梳理归类，形成数据源目录和指标目录；（2）数据融合层基于数据湖打造分布式的数据存储与计算能力，形成数据资产管理应用的坚实底座；（3）治理管控层实现数据资产全生存周期的治理管控，为主数据、元数据管理、数据标准和数据模型管理、数据质量和数据安全管理，以及数据资产管理提供系统支撑平台；（4）应用赋能层主要实现对数据分析应用与数据共享应用的技术与服务支撑，提供包括建模开发、分析展现、开放共享等在内的数据服务。

　　上文指出数据治理是一项涵盖组织、制度、流程、技术等多个方面的综合工作，因此除了具体的技术方层面问题，还应该从管理角度完善数据治理的保障机制。本文认为企业应该重点关注数据治理的制度流程、组织架构、人才队伍三个方面的保障机制。

　　从制度流程上看，针对上述管理机制应制定一套全面的数据治理政策，包括数据资产管理、数据分类分级管理、数据生命周期管理、数据标准管理、数据安全和隐私保护等，以确保数据的规范使用和保护。建立数据质量评估体系，定义数据的准确性、完整性、一致性、时效性和可获取性等标准，以及相应的数据清洗、校验和监控机制。在此基础上应基于数据生命周期管理明确相应的流程标准，一般而言涵盖了从信息产生、采集、存储、转换、集成、挖掘、分析、计算、展示、应用及维护等全过程。

　　从组织架构上看，应明确企业层面、跨部门的数据治理组织，实现数据治理中统筹管理方、数据持有方、服务运营方、数据使用方四方协同，其中：（1）统筹管理方一般为企业数据治理委员会及下设办公室，作为数据治理归口管理部门，负责制定数据治理战略、政策和标准，协调各部门间的数据管理活动，统筹组织开展数据分类分级工作，负责对数据使用方的共享应用情况进行考核；（2）数据持有方为集团各业务主责管理部门，主要负责制定数据共享原则，参与编制数据分类分级管理办法，负责对数据资产进行分类分级，管理相应数据域的数据资产，分配数据使用权；（3）服务运营方为信息技术服务单位，提供数据治理所需的技术平台和工具支持，负责根据需求开展数据入湖、建模、共享工作，保证数据治理服务持续、稳定、可靠运行；（4）数据使用方是集团业务部门或二级单位，按照企业数据治理的政策、标准和流程使用数据，向数据治理团队反馈数据需求，参与数据服务的定制化开发和优化。

　　从人才队伍上看，财务部门应重视复合型人才队伍的培养。培养其数据驱动的思维方式，促进财务部门与其他部门（如IT、业务分析部门）的协作，参与实际的数据治理项目，如数据清洗、数据质量改进、数据标准化项目等，通过实践加深理解并积累经验；组织针对性的专业培训，如财务数据分析工具（如Excel高级功能、Python编程、SQL查询等）的使用，以及数据可视化软件（如Tableau、Power BI）的操作，提升团队的数据处理和分析能力。设计财务人员在数据治理领域的职业成长路径，包括晋升机制、资质认证支持等，激励专门的财务人员长期投入数据治理领域的相关工作。

　　［1］徐玉德，董木欣.国有企业财务数字化转型的逻辑、框架与路径［J］.财务与会计，2021（17）：4-7+21.

　　［2］范天伟，朱梓菡.新形势下财务数字化转型研究［J］.财会学习，2022（8）：25-27.

　　［3］陆兴凤，曹翠珍.利益相关者视角下的企业财务大数据治理［J］.财会月刊，2022（1）：39-47.

　　［4］陈虎，郭奕.数据价值体系推动财务数字化转型［J］.财会月刊，2022（8）：37-42.

　　［5］刘根霞.财务共享模式下基于数据中台的数据治理动机及路径研究［J］.商业会计，2022（17）：4-9.

　　［6］金源，刘勤，李成智.智能财务背景下的数据治理研究［J］.财会通讯，2023（9）：138-146.

　　［7］李乐，铁昆.企业集团财务公司数据治理探索实践［J］.中国管理信息化，2021，24（17）：89-91.

　　［9］蔡珉官，王朋.数据湖技术研究综述［J］.计算机应用研究，2023，40（12）：3529-3538.

　　［10］杨明川，钱兵等.企业数智化转型之路——智能化数字平台建设及应用实践［M］.北京：机械工业出版社，2022.

　　［12］中国信息通信研究院.数据资产管理实践（6.0版）［R］.中国信息通信研究院，2023.

　　［13］李寅龙，杨淼帆.基于财务共享的企业大数据资源治理机制研究［J］.价格理论与实践，2023（4）：104-108.

　　［14］孙会，朱其芬，陈斌.基于财务共享中心模式的会计标准化管理研究［J］.中国总会计师，2022（6）：110-111.