王 丹 马文腾 何 帆

（作者单位：广州汽车集团股份有限公司）

一、研究背景

财政部发布的《会计改革与发展“十四五”规划纲要》指出，以数字化技术为支撑，以推动会计审计工作数字化转型为抓手，健全完善各种数据标准和安全使用规范，形成对内提升单位治理水平和风险管控能力、对外服务财政治理和宏观经济治理的会计职能拓展新格局[1]。

2013 年，美国政府的“棱镜门”事件爆发，引发了世界对数据权利、数据监管和数据治理的普遍思考；2015年5 月工业和信息化部发布了《数据治理白皮书》，对国内外数据治理的最新研究现状及目标进行了明确。党的十九届四中全会首次在国家层面将数据增列为必要的生产要素，数据资源和数据治理的重要地位得到确立。中共中央、国务院印发的《关于构建更加完善的要素市场化配置体制机制的意见》中明确要求加快培育数据要素市场，全面提升数据要素价值。2018 年5 月银保监会发布《银行业金融机构数据治理指引》（以下简称《指引》），要求金融机构加强数据治理、提高数据质量、发挥数据价值、提升经营治理能力和价值创造能力[2]。“十四五”时期是我国发展数字经济的关键时期，标志着数据治理将进入集成创新、快速发展、深度应用、结构优化的新阶段。

在财务数字化转型过程中，为实现提升数据分析效率和数据可视化，A 集团财务公司作为集团公司的“内部银行”，应人民银行、银保监会和集团的要求，公司需报送业务和财务的明细数据外部数据报送时效性强，数据更明细，数据质量要求更高，对系统和报送人员提出了很高的要求。A 集团在企业高质量发展和财务治理数字化转型过程中在财务合并报表系统Tagetik，以提升“业务处理效率”，实现业财一体化，实现“合规与控制”“业务洞见”等建设统一大数据平台和云数据中心，产生了海量的业财数据，如何对半结构化、非结构化的数据质量进行数据治理，减少管理冗余和成本，提升经营效率、监管评级和价值创造，从而适应大数据时代的发展趋势和本质要求，成为A 集团财务公司发展过程中面临的重要课题。

二、文献综述

国际标准化组织IT 服务管理与IT 治理分技术委员会制定了ISO/IEC 38500 系列标准[3]，认为应该“以终为始”驱动数据治理，并制定数据治理的基本原则、使用范围等，但未对数据治理的驱动因素和实施路径提出有效建议。

国际数据治理研究所（DGI）系统性地提出了数据治理框架，并指出数据治理是区别于IT（硬件、软件和应用）治理，是一个组织依据治理规则在治理范围内将日常的以规则导向、重复性高的业务处理活动，借助IT 技术手段，采用标准化、流程化的过程。但是对治理目标和治理范围尚未作出明确阐述。

信息技术服务分会（ITSS）提出了数据治理的框架，明确了数据治理的范围、内外部驱动因素、数据治理的目标和过程，并根据数据治理的成熟度，建立了企业的数据治理监督体系。

三、A 集团财务公司数据治理过程

（一）A 集团财务公司数据治理的背景

1.《指引》

《指引》要求建立组织架构，明确董事会、监事会、高级治理层和各部门职责，制定制度，确保数据统一治理，各部门高效运行，并在经营治理中发挥价值[4]。

此外，《指引》还要求金融机构应当建立全面有效的数据治理制度、覆盖全面的业务规范和技术标准，建立问责机制，定期排查数据治理和数据价值实现方面的问题，并按规定进行问责。

2.外部数据报送的要求

应人民银行、银保监会和集团的要求，公司需报送业务和财务的明细数据，外部数据报送时效性强，数据更明细，数据质量要求更高，对系统和报送人员提出了很高的要求。

3.内部数据使用的要求

经过4 年运营和财务治理数字化转型，公司积累了一定量的财务数据和业务数据，随着新业务的开展，公司在经营决策、风险治理和业务运营方面的数据需求日益增加。但海量的业财数据存在不同系统中，不同系统的数据标准、规范不统一，数据之间无法进行有效集成，存放在不同系统的数据形成了“信息孤岛”。

（二）数据治理推进情况

如图1 所示，A 集团财务公司初步建立了数据治理工作团队：建立了信息科技委员会牵头，数据治理工作小组具体推进的组织结构体系，财务部作为数据治理工作小组的秘书机构，负责小组的日常治理；信息治理部负责系统建设，各业务部门负责部门数据报送和质量治理。

1.顺利完成了各项数据报送

经过艰苦的努力，顺利完成了各项数据的报送。通过数据报送工作，锻炼了数据治理团队，探索了适合广汽财务的数据治理工作模式。

2.初步梳理了数据标准

按照监管要求和经营治理要求梳理了各项报送指标的口径和系统取数路径、数据治理维度和指标。

3.拟定了数据治理工作路线图

从工作目标、系统建设、数据标准建设、团队建设等方面拟定了2021 年至2024 年的工作路线图。

4.建设了以BI 为核心的数据治理系统

建设了一套完整且可扩展的数据入仓流程，存储了自开业以来所有的业务财务数据，建立了分层次的数据仓库，建成了经营分析、监管报送、征信报送、反洗钱等多个数据集市，提供治理驾驶舱、固定报表、邮件推送、自服务等多种数据提供方式。目前商业智能（Business Intelligence, BI）系统已经成为公司数据治理服务的基础系统。

（三）存在的问题

1.组织机构

数据治理的组织机构尚在探索中，数据治理工作机制尚不完善，责任难以落实。

2.数据标准

数据治理流程和数据标准尚不完善，系统中数据质量不高，数据口径差异普遍存在。

3.团队建设

数据治理团队专业知识和经验不足。成员全部为兼职人员，时间投入无法保证。数据治理关键岗位缺失。人员缺乏晋升和成长通道，流失率偏高。

4.监管驱动

数据治理工作主要围绕监管要求展开，公司治理需求尚未得到有效满足。

5.信息系统

数据仓库和应用系统的设计、需求分析和开发均依靠外包单位完成，数据链路不清晰，数据查找难。

四、数据治理工作经验总结

（一）数据治理与集团总体战略、经营战略、财务战略相匹配

A 集团财务公司的数据治理工作是集团总体战略、经营战略、财务战略的子项目，始终围绕着上述战略目标，并结合自身的资源、能力和需求，制定符合自身情况的改造目标，最终实现资源的优化配置和有效使用，既能满足监管部门的要求，也能匹配集团的总体战略、经营战略和财务战略，实现数据在经营治理中的价值，实现监管报送及时合规、对公司经营决策的支持、对部门数据需求的满足。

（二）加强顶层设计

数据治理工作是一个系统工程，本质是企业财务管理数字化的变革，不仅需要建设匹配的信息系统，还需要进行组织转型和变革，重新定位转型的专业部门职能，健全数据治理相关制度，明确组织治理、部门职责、协调机制、系统保障、流程治理、质量控制和团队建设相关要求，其背后还需要企业战略的支持，也需要贯彻一定的管理理念，是一个系统性的工作。

（三）业务、财务、大数据部门三轮驱动

数据治理项目不是某个部门的事情，需要业务、财务、大数据部门相互合作，相互驱动，互相成就，前期大数据部门用新数字治理技术驱动业务和财务去适应数字治理工作的要求，帮助业务提高工作效率和数据质量；后期业务和财务提供业务场景，需求驱动大数据部门提供新的数字技术解决方案，帮助数字治理技术在业财场景下更好地落地，从而实现既定目标。在这个过程中，需要加强数据治理团队建设，完善由数据治理人员统筹，IT 人员和业务数据人员组成的数据治理团队，优化人员构成，明确岗位职责。

（四）建立公司统一的数据标准

1.完善和落实公司统一的数据标准化和指标体系

参考监管、公司经营管控和部门需求，按照业务流程分步完善和落实公司统一的数据标准化和指标体系，以监管要求为蓝本建立数据标准，循序渐进地增加公司个性化要求及部门个性化要求，以满足不同数据需求。

2.建立数据质量控制机制

加强数据源头治理，在产品开发、系统设计中加入数据治理要求；建立数据差错跟进整改机制，形成数据质量治理工作闭环。

3.建立数据源治理机制

数据治理工作组在产品开发与系统设计环节介入，确定数据标准；对数据录入人员进行培训和错误沟通，加强数据复核，提高数据录入质量；明确数据的归口治理部门和使用部门；建立数据检核和差错整改机制；维护数据检核规则，开发检核工具，加强数据复核；建立数据质量问题发现、沟通、记录、整改和跟进的闭环工作流。

4.完善以数据仓库为核心的数据治理系统

进一步建设数据仓库，提高数据仓库设计和需求分析的自主性，提高系统性能，逐步建设数据自服务系统。提高数据仓库设计自主性，公司自行承担数据仓库的设计、需求分析和部分开发工作，外包人员承担数据仓库和数据应用系统的开发与维护；建设统一监管数据集市，逐步按需合并监管集市，保障报送数据的统一口径、统一来源；建设数据自服务系统，逐步推进面向经营决策的数据自服务系统，提高数据使用效率，降低数据开发成本；加强系统基础建设，优化数据仓库性能，提高数据容量和处理效率。

五、结语

数据治理是一个复杂的、必须长期推动的系统工程。A 集团财务公司下一步需要对目前的财务体系进行数据资产的识别和盘点、数据清洗、数据质量规则、数据模型设计，这四项内容需要通过正确的方法和专业团队保障成功。需要对目前的财务体系及人才队伍建设进行较大程度的变革。

第一，数据资产的识别和盘点。明确数字治理的对象和范围，需要对目前拥有的企业财务信息和与分析有关的非财务信息进行盘点；将数据标准分为业务标准和技术标准，业务标准需要跨领域的业务定义规范，需要各部门广泛参与制订统一的数字词典。按照统一的数据标准将历史数据进行盘点和整理，为后续明确数字资产的“权、责、利”提供依据。

第二，数据清洗。对于所涉及的数据（历史）按数据标准进行清洗，从而将历史数据进行统一，消除数据维度和字段不一致的情况，为后续数据的自动化夯实基础。

第三，数据质量规则。A 集团财务公司需要在内外部技术专家的帮助下，明确各类管控数据的质量接口标准，确定数据在技术层面和业务层面的强制字段和治理性字段需求，基于每一类数据的质量要求梳理数据质量检核规则，并考虑数据的全面可拓展性和选择性价比最高的实现方式。

第四，数据模型设计。A 集团财务公司从内外部需求出发，不断挖掘客户需求，结合BI 应用和模型设计，减少管理冗余和成本，提升经营效率、监管评级和价值创造。