![]()
本文摘自帆软合作专家、畅销书《从财务核算到财务BP》作者耿莹莹（文末还有直播福利，不要错过了！）
“从传统互联网转型到电商行业时，我的前任财务负责人给了我一个10TB的移动硬盘，里面装满了历史数据，并祝我好运，这是我第一次面对如此庞大的数据。”随着数字化进程过半，对于财务领域来说，近期发生了一些令人值得关注的事情：一是全电发票，这一政策自2012年起在全国推广，到2024年已经覆盖了绝大多数城市。二是新版电子税务局，今年10月份整个电子税务局申报界面已经全部更新。三是最近非常火热的数据资产入表，一些企业数据资源相关的会计制度和规章已经发布，比如《企业数据资源相关会计处理暂行规定》、《数据资产评估指导意见》等等。因为数据资产入表的出现，财务人员在报税时就新增了两张表，一个是资产负债表中新设了无形资产，以及数字资产表中新设的外购、自行开发、其他方式获得的数据资产表。根据新的会计条例，实际上数据资产就增加了三个科目——挖掘分析资产、外购资产和合作共享资产。我们可以从杜邦分析中看到一些变化：在数据资产入表前，公司涉及的数据软件或人员开发成本通常计入管理费用下的研发费用；而现在它并不是进入管理费用，而是分期进入到非流动资产，然后分期摊销。这个变动带来的影响就是管理费用的下降，管理费用下降代表企业的净利润上升、代表营业净利润率也上升；同时，非流动资产的出现导致企业的资产总额上升，从而使得总资产周转率上升，最终让企业的净资产收益率提升。也就是说数据资产入表这个动作，它使得我们企业的净资产收益率提升。净资产收益率，也就是股东回报率，这意味着股东投入公司的资金，因为数据资产入表这一会计核算动作，将获得更高的回报。这就是数据资产入表对企业整体的帮助，也是数字化转型过程中会计核算和企业评估的变化。因为财务领域数字化的诸多变化，也带来了财务数字化人才市场的发展。首先，数字化并不仅仅意味着编码能力，我们可以将数字化转型分为两类：业务线的数字化人才和技术线的数字化人才。技术线涉及到多种编程语言，如Python、R等，而业务线的数字化人才则是在原有财务知识体系上与财务数据对接。对于大多数财务人员来说，选择业务线可能更为合适，因为技术线存在较高的技术壁垒。业务线的数字化人才可能涉及的岗位包括财务BP、财务分析师、风险评估师等，而技术线可能对应的是数据分析师或SQL分析师。数字化人才不仅仅是编码能力，还包括数据的可视化和商业分析能，帆软的FineBI在这方面就是一个很好例子。那么对于选择业务线的财务人员来说，如何实现业财融合，走出数字化转型业务线的第一步呢？实际上，业财和数字化转型的关键点是找到业务和财务数据中间的一个共同指标，通过这个共同指标的调拨，我们可以分析财务数据和业务数据。财务数据可以分为会计数据和财务数据。会计数据是我们做账的数据，而财务数据是业务流转下来的原始凭证。业务数据可以从电商平台的第三方平台获取，当我们手上有财务数据和业务数据时，我们就要开始找这两个数据中的一个共同的指标，哪个指标可以把财务数据和业务数据串联起来。这就是业财一体化的第一步，找到业务数据和财务数据的共同指标。从运营部开始，运营部在电商行业基本上是采购的需求方，采购运营部会提出采购需求，申请单要通过公司的采购制度，这个过程中会产生会计凭证。运营部提出采购需求后，采购部要复核运营的需求，选择供应商，这涉及到供应商的评估，这些都是可量化的会计数据。供应商选择完后，会产生采购订单，流转到仓库，仓库要验收和质检，产生验收单和入库单。接下来是财务部的付款，产生银行回单和资金支付的审批单。付完款后，会涉及到发票问题，最后是做账。今天我们分享的最重要的一个板块是电商行业的业财协同新模式。我们会分享几个用帆软FineBI搭建的模型，很多同学用帆软的FineBI工具，追求美观的可视化效果，但实际上FineBI的核心能力在于数据分析。业财数据在整个框架的搭建过程中，是怎么样的流程呢？首先，我们的业务数据都是电商数据，从哪些地方出来？从第三方平台我们就能看到有生意参谋、拼多多等等，这些都是第三方的业务数据。财务数据基本上来自于某一个电商平台后台的订单明细和资金明细，那么订单明细和资金明细和业务数据中间的共同指标一般情况下都是订单编号。下一步我们会做所有的业务和财务数据的数据采集，在后台做一些数据转换和数据清洗，数据清洗完以后就到帆软的数据管理界面，对各个板块的数据进行管理，比如订单管理、物流管理、渠道管理和客户管理。最后财务的数据展现一般是明细账的可视化，但是在帆软FineBI可视化里，实际上可以把所有的账本跟业务数据汇总在一张可视化看板里，更加清楚。下面是我用FineBI搭建的六个业财场景模型，以及如何用FineBI在电商行业搭建一些使用率比较高的数据看板。该模型用于日常监控业务和财务的核心指标，如GMV、取消金额、退货金额等，以评估业务的健康状况和风险水平。同一个指标，不同的数据使用者，它的最终呈现的结果是不一样。从数据看板上我们可以快速的知道为什么我们之间是有差异的，时间维度的差异和收入确定的差异。此模型帮助运营人员在调价时预测快递费用的变化，通过分析历史数据来估算价格调整对快递费率的影响。用于预测增加投流费用对GMV的影响，帮助管理层决策是否增加投流预算，并评估预期的ROI。在与达人合作时，此模型用于评估坑位费和投流费的合理性，预测合作可能带来的GMV，以及是否能达到盈亏平衡该模型用于从大量的SKU中筛选出有潜力的产品，优化产品组合，提高销售效率和利润。它与我们的BI类似，但有两个优势：一是可以把多个平台的所有数据汇总在一起，从宏观角度查看产品在所有电商平台的情况；二是减少企业的人力成本。E数通已经把很多电商平台的数据打通，用RPA和API实现全域数据采集。这样，我们就不需要下载数据，可以直接在E数通里面采集数据，搭建模型。E数通可以帮助我们节省前期取数的动作，让我们可以把更多的精力放在模型搭建上。![]()
❗行业大讲堂-电商专场第二期❗
⏰ 11月14号19:00帆软小程序直播间
👨直播嘉宾：
王老师，中国商业联合会CPDA数据分析师，帆软签约讲师，上海交通大学终身教育学院课程讲师。就职于外资世界五百强企业、现担任上海某国企数据运营总监。
🔥直播亮点：
库存分类：通过ABC-XYZ模型科学补货
库龄分析：倒推库存法对库龄进行分析。
上升品识别：模型识别上升品种，挖掘潜力品。
滞销品识别：识别滞销品，有效降低库存风险。
👊更多精彩，尽在帆软小程序！点击链接右下角即可预约观看
