对许多行业来说，数字化转型是必然趋势。为保持竞争力，公司需要优先考虑创新与战略投资，而CFO团队可以在这方面发挥重要作用。承担这一职责，意味着运用技术辅助决策将成为日常工作，但这会给CFO带来一系列挑战：他们需要运用分析工具，从传统的事中监督和事后反思职能向事前预测职能转变，并通过预测未来以及协助公司向这一未来前进，来推动变革。
运用技术辅助决策的需求，与IMA®（美国管理会计师协会）对管理会计的定义以及《IMA管理会计能力素质框架》要求相吻合。管理会计的定义明确了面向业务合作伙伴的财务报告在决策中的运用，以及在组织战略的规划与实施方面的辅助作用；能力素质框架则指出，数据分析作为支持技术，可用于获得洞见、提升预测准确性和支持决策。
在大数据时代，这些观点带来了一个全新的挑战，即作为会计师，我们在技术思维上必须超越这样的传统观念：会计数据是历史数据。事实上，普华永道在其2016年全球行业调查报告中指出，虽然83%的受访者预计未来5年内数据将对其决策制定产生重大影响，但只有约半数的受访者在运用数据驱动决策。正如Raef Lawson在2018年8月刊《战略财务》杂志的一篇文章（bit.ly/2WkoQgH）中所指出的，“财会专业人员可以支配海量数据，这些数据可用来为组织创造价值”，因而，技术不能只用于支持事后判断，而必须作为数据分析工具，支持具有前瞻性判断的决策。
对CFO来说，还会有什么地方比公司资产管理领域更适合开始转变管理视角呢？有形资产投资巨大，是企业的生命线，每天都用于创造利润、鼓励员工提高生产效率、提升企业竞争力。从生产设施设备到办公家具和电脑，这些资产触及每一位员工，几乎没有企业能脱离资产而经营。事实上，对35年以上数据的分析结果表明，固定资产是公司最大的投资之一，占到总资产的39%。
推动管理视角转向资产管理领域的价值诉求，始于将数据分析整合到资产管理工作中。我们的目标是帮助CFO从分析师转变为业务发展的促进者，具体而言，是通过运用数据分析，使公司资产配置与公司战略方向相匹配，从而做出更有效的决策。
资本投资与资产管理趋势
表1显示了PP&E（不动产、厂房和设备）方面的新情况以及按类别划分的资产变化趋势。20世纪80年代，建筑、土地和修缮改造占到PP&E总量的1/4，但如今这一数字已降至15%以下。这类资产使用期限长，寿命周期在20~40年。相反，自科技潮兴起以来，机器、设备和计算机等软硬件越来越普及，这类投资在20世纪80年代占PP&E总量不到2/3，目前则已接近3/4。这类资产因更新换代快，寿命周期只有3~8年。上述趋势表明，随着资产组合从耐用资产转向高技术信息处理设备，固定资产已经不再像以前那样“固定”了。
上述趋势还表明，公司资产的平均使用寿命发生了变化。图1显示了自20世纪50年代以来PP&E使用寿命显著下降的趋势。在资本密集型实体企业中，资产的平均寿命为20年，而在以技术为主的新世纪，平均寿命几乎持续下降到约11年。因此，组织必须更快地重置或翻新资产，而这会带来财务问题——不仅有现金流方面的影响，还有随着使用寿命下降而产生的对非现金收入的影响。以往资产的年平均折旧率只有5%，但如今这一比率几乎翻了一番，对损益表的冲击更大。此外，图2表明折旧在损益表中占相当大的比重，因为折旧与销售额的比率也几乎翻了一番，从约2%提高到近4%。由此可见，即使不考虑现金费用对最终利润的影响，如今的资产也会对收入造成更大的负担。
这一变化会影响到财务绩效。然而，一旦投入使用，这些资产可能就归于某个极少受干预的明细分类账户中，不再受关注。因此，就这些资产而言，在怎样进行生产率管理以增加收入、怎样控制因使用资产而产生的开支以保障利润方面，CFO所采取的行动是极其重要的。
转变管理视角
图3运用Edward Blocher、David Stout、Paul Juras和Steven Smith所著的Cost Management: A Strategic Emphasis一书中的信息价值链（information-value-chain）决策框架，来讨论通过将数据分析整合到资产管理工作中，实现管理视角的转变。表2汇总了一些资产管理示例。应用该框架可帮助CFO从被动的资产分析师，转变为主动的资产管理者。
描述性分析。会计专业人士善于解释过去发生的情况。处于领导岗位上的管理会计师则通过在每个会计期间报告业务合作伙伴的经营绩效和财务状况，来支持其发展。
CFO还须负责有形资产的报告工作。他们指导资产采购，使资产进入“启用状态”，并在明细分类账户中记录相关情况；确保资产符合资本化标准，并确定其在财务报告中的资产类别和使用寿命。接下来，他们在财务报告中记录下投资和折旧费用的相关情况，以协助将“运营需求”转化为“财务效应”。然后，使用比率和指标来分析这些资产的绩效，并向利润中心的管理者共享分析结果，以衡量其工作的有效性。
为报告资产状况，CFO还可以审查明细分类账户，并按资产类别和使用年限编制报告。这可以作为确定资产情况、评估资产生产率的第一步。这一步可以和资产实物盘点结合起来，并按使用年限和资产状态编制报告（即“资产情况报告”）。这可以让CFO主动使用分析来描述资产使用情况，是实现资产管理视角转变的良好开端。
然而，虽然CFO领导着财务报告和分析工作，但这一阶段的工作都是被动性的。他们对交易活动进行解释，并生成数据以了解这些交易的结果。
诊断性分析。财务工作并非止于描述性分析，为了从多方面给合作伙伴的业务提供增值服务，财务专业人士要深入探究为何资产的使用能够产生所报告的绩效（例如差异分析）。这将使业务合作伙伴能够以持续改进为目的拓展资产使用的相关知识。例如，制造设备产生的间接费用可能超出预期，但这一信息催生了工程学研究方面的新知识，该知识可解释如何提升设备利用率；或者，因制造流程效率低下导致订单积压，新制造设备所贡献的销售额低于预期，这一信息催生了另一新知识：如何重新调配制造设备来提升效率和产量。
财务专业人士还可以将资产情况报告与绩效指标及趋势进行比较，或许资产使用年限/状态与绩效之间存在着相关性；或许新资产因是“强行加入”的，进而导致生产率降低；或许旧资产因未能善加利用而导致生产率降低。这有助于理解绩效为何超出或不及预期。
虽然从深入研究“为什么”的原因中产生的新信息与知识有助于推动变革，但管理会计领域的领导者仍然是被动的分析师，因为他们主要是解释已然发生的情况。财务专业人士能否提供更多服务，从业务合作伙伴进一步成为共同决策者，参与组织战略的规划和实施？他们能否不只是解释资产的使用情况和绩效，还能与合作伙伴一同成为资产的管理者？这方面所要达到的目标是，使管理视角朝着洞察和预测方面延伸，通过基于分析的预测、规范和适应来创造价值。
预测性分析。在解释了资产“是什么”和“为什么”的问题后，管理会计师就可以通过协助预测未来来拓展更广阔视野。这意味着运用所获得的资产历史绩效信息来预测绩效，为业务合作伙伴提供具有可操作性的知识。
上述例子中所提到的重新调配制造设备的需求，带来了生产率的提高，由此可在损益表上量化对销售额和成本的影响，这将为生产部门提供有关如何提升资产绩效的、具有可操作性的知识。财务专业人士还可以基于资产情况报告提供经营绩效方面的方案，以对资产维修和新的资本性支出需求进行预测。有了这些知识，他们就可以明确了解资产维修工作对资本、支出以及收入（或成本节约）的预期影响。这些具有可操作性的知识可运用于未来的损益表、资本预算和新的业务情境。
并且，财务专业人士无须被动地等到月底编制财务报告时才能获知自己的绩效。得益于企业资源规划（ERP）系统的实时数据提取功能，通过确定整个月的绩效，他们可以变得更为主动。例如，可以从利润中心系统中提取实时收入和支出信息，创建以周为单位的定制化预测报告，并在关账之前与业务合作伙伴共享。了解资产使用是否符合预期、是否存在其他能够在早期化解的绩效方面的问题，有助于预测财务绩效。
规范性分析。作为积极的决策者，财务专业人士不能只局限于预测绩效，还要根据各种经营决策的财务影响提出行动方案。他们要结合描述性、诊断性和预测性分析，来制定决策并采取行动。
不妨想一想，怎样在资产管理领域运用上述分析来提升绩效。当他们运用资产情况报告以及关于资产利用率/生产率的知识来预测绩效时，可以运用全新的业务情境来制定战略路线，阐明组织在资产投资方面的需求，并对预期产出进行规划。例如，如果之前三个阶段的数据分析结果表明处于老化中的资产降低了生产率，他们就可以建议进行与预期绩效产出相匹配的新的资本投资，例如增加收入、降低成本、提高产量、提升产品质量、加快或改进现金流等。此外，根据资产状态，他们可以就是维持现有资产（产生维护成本）还是重置资产（产生新的投资成本）提出建议。
当然，未来在分析的支持下，更多的日常工作将会自动完成。想象一下，通过构建智能化系统，将资产属性（例如使用年限、状态、近期维修、利用率等）与绩效联系起来，如此，系统就能够提供预测和建议。也就是说，系统自动获取资产相关数据并生成信息、具有可操作性的知识和建议，同时允许管理人员审核这些信息并通过实施最佳行动方案进行干预。管理会计师的工作会因此变得更加有效，更多地在参与决策、协助组织战略的规划和实施等方面，贡献其专业能力。
适应性分析。机器学习可以改进预测性和规范性分析，通过适应性分析来支持资产投资决策。在持续改进的目标下，通过机器学习的运用，数据能够支持预测性的资产管理与监控。这样的智能化系统因长期处理数据并从中学习模式来进行预测，能够自行积累丰富的知识。机器学习的好处是可以对其编程，使其无需人为干预即可自动运行，从而让管理人员专注于决策及实施。人为干预在资产管理中仍然是必要的，但这种干预，要让CFO及其团队有更多时间从事那些基于专业经验和隐性知识的前瞻性判断活动。
例如，系统可以通过监测制造周期时间以及报废率来反复检验设备利用率，从而学习其绩效模式，然后预测维护/重置需求及间隔。通过标记高风险资产供管理人员审查，机器学习在确定投资优先顺序方面发挥着至关重要的作用。该项知识会对可能发生的新增成本、收入的提升、未来的成本节约以及新的资本投资产生影响。因此，在机器学习的帮助下，CFO可将预测运用到未来的损益表和业务情境中，得出有助于优化营运与财务绩效的、关于资产使用情况的见解，从而更好地了解业务。机器学习可以通过回答这些问题来帮助优化投资：哪些资产需要重置、何时重置、怎样重置（如维修、翻新或更换）以及费用是多少。
CFO调查一览
我们对众多CFO展开调查，以了解他们如何将数据分析整合到资产管理中，以及他们认为其组织应该在何种程度上进行这种整合（见表3）。受访者主要来自于一个CFO成员组织所提供的部分成员名单以及专业人士网络，共29名，平均拥有29年工作经验；其所在公司的销售额平均达到2.72亿美元，固定资产净值平均为8,930万美元；其所处行业分布广泛，包括制药、制造、电信/电子、批发贸易等。
我们首先询问了其公司如何在资产管理中运用数据分析，接下来是他们如何运用数据分析来分析资产绩效。对于这两组问题，他们的回答包括公司实际在做的事情以及应当做的事情。总体而言，在“实际做的”和“应当做的”事情之间存在着相当大的差距，这意味着还有更多的工作要做。例如，在使用数据分析来分析资产方面，存在着60%的差距；不到1/3的CFO采用了我们调查中所说的数据分析，而约90%的CFO都认为其公司应当这样做。
调查结果显示，当前的工作更多地侧重于信息管理，而不是通过分析驱动决策，因为公司都在使用数据分析进行描述性和诊断性分析，而不是预测性、规范性或适应性分析。例如，大多数公司都制定了固定资产政策（88%）、给资产做标签以进行电子化跟踪（81%）、在规划和预算编制中使用某种形式的分析（81%），以及使用数据可视化工具呈现分析（57%）。相比之下，很少有公司会通过资产状况来预测经营绩效或制定行动方案（对问题5、7、9、12、13和14的肯定回复率平均仅28%）。事实上，仅有9%的公司建立了将资产使用情况与财务绩效关联起来的经营预测报告（问题14）。
最后，几乎没有公司通过虚拟现实、实时监控、机器人流程自动化或机器学习等技术，将适应性分析纳入其资产管理（对问题2、4、11和18的肯定答复率平均只有7.5%）。因此，只有20%受访者将管理视角从回顾转向了洞察，虽然86%的受访者认为他们应当这样做。这些结果表明，在资产管理的数据分析能力投资方面，企业行动迟缓，仍具有较大的提升空间。
为深入理解上述调查结果，我们与几位财务专业人士进行了交谈。他们非常坦诚，讨论得出五点共同原因：
1.基础设施。CFO提到，他们缺乏诸如软件和系统等基础设施来进行更高级的数据分析，只能依赖于现有平台（比如电子表格分析），这就造成了一些限制。一位CFO补充道，在制造部门中，他们确实更仔细地分析了资产状态，但仅限于个例分析（因此是被动式的），并没有正式的流程将分析整合到财务报告中，以将资产绩效与财务绩效关联起来。
2.成本。一个明确的共识是：更高级的数据分析需要极大的投资。一位CFO表示他不大可能进行这样的投资，除非其他人都这样做。
3.部署/培训。CFO还提到，他们没有受过适当培训、可进行数据分析的员工。一位CFO补充说，目前数据分析报告是由IT团队提供的，而IT团队不具备财务相关知识。因此，这方面的投资应当包括增加员工，但这又与对销售、管理和一般费用以及费用收入比率的严格管控相悖。
4.时间限制。CFO提到没有足够的时间进行数据分析，因为他们要给业务合作伙伴提供其所需的诸多常规性分析。这类常规性分析大多是描述性或诊断性分析，而预测和建议是一种判断，建立在管理者运用其业务隐性知识解读财务报告的基础上。
5.思维方式。我们与CFO的交流很明显地显示，当CFO着重于强调损益表时，资产是不受重视的。他们认同资产会产生很大的经济影响，但却视之为理所当然。因此，使用数据分析来开发关于资产使用及状态的智能化系统缺乏吸引力。
未来展望
正如我们所强调的，数据分析为管理会计师提供了新的机遇：他们可以将支持技术应用于资产管理，从而将管理视角转向决策。但是，尽管固定资产投资规模很大，却很少有CFO认为其所在公司对此有足够的重视。在向新的数字化财务部门转型过程中，CFO将在奠定高层基调时发挥关键作用。这种转型是必然之举，只能升级相关技能，因为未来的日常性工作将由机器完成。我们与CFO的讨论揭示了在转型过程中可能会成为焦点问题的五种阻碍，而我们所提供的框架有助于组织在数据分析方面进行新的投资，从而实现CFO从分析师向业务发展促进者的转变，使公司资产配置与其战略方向相匹配，进而做出更有效的决策。
Thomas G. Canace，博士、CPA，维克森林大学会计学副教授，IMA皮德蒙特三角区分成员。联系方式：canacetg@wfu.edu。
Ayaz Jaffer，CPA，奥林巴斯美国公司财务总监。联系方式：ayaz.jaffer@olympus.com。
Paul Juras，博士、CMA、CPA，巴布森学院管理会计与运营绩效Jefferson Vander Wolk主席，IMA2019-2020财年董事会候任主席。联系方式：pjuras@babson.edu。
纪文嘉 译，郭强 校
