返回概览
Executive Decision Systems

各部门的数字不一致,CEO 如何建立可靠的决策依据

部门之间的数字不同,不等于数字有错。关键是针对具体管理决策,明确指标定义、截止日、数据路径和尚未解决的差异。本文提出一个可操作的起点:建立可追溯的差异调节方法,落实责任,并在明确规则下使用 AI 辅助。

高管摘要

一分钟看懂关键问题

管理问题

销售、财务和运营负责人所计算的,是不同业务状态下的数字。如果没有共同定义,企业可能为尚未确认的订单提前扩充交付能力,也可能不愿投入实际履约所需的资源。把数据放到同一个界面上,并不能解决指标含义不同的问题。

管理影响

一项历史监管评估说明了全面落实数据汇总和报告要求的难度:巴塞尔银行监管委员会 2023 年报告依据 2022 年 6 月的数据,指出接受评估的 31 家全球系统重要性银行中,只有 2 家完全符合所有接受评估的原则。多数银行在各项原则上的评估结果为大体符合或完全符合。这不是数据错误率,也不是中小企业的对标基准。本文的说明性示例通过订单确认状态、重复记录和截止日,解释了原始导出数据 CHF 1,200,000 与约定管理口径下已确认净新增订单 CHF 900,000 之间的差异。后者不是已经确认的收入,CHF 300,000 的差额也不能自动视为收入损失。

高管行动

选择一份直接影响重要决策的报表。约定指标定义和截止日,将差异解释到具体数据记录,并指定业务责任人。明确哪些指标已核验、哪些为暂定值,以及哪些不得用于特定决策。按 30、60、90 天的节奏测试流程。只有在来源和规则澄清之后,才使用 AI 辅助;尚未厘清的指标应如何处理,仍须由人承担决策责任。

销售部门报告业务增长,财务部门看到的已确认业务却更少,运营负责人则在规划增加交付能力。各方都做了测算,但计算的未必是同一件事。到了管理层会议,讨论往往变成追问数字从哪里来,而本该决定的是人员配置、投资安排或向客户作出的交付承诺。

这不只是沟通上的麻烦。把尚未成交的报价金额当成已确认的新增订单,可能导致企业过早扩充交付能力。反过来,如果系统更新滞后,已经确认的订单没有及时呈现,企业也可能不愿投入履约所需的资源。这类问题没有一个可以普遍套用的损失比例。真正需要回答的经营问题是:我们依据哪个数字,作出什么决定?

因此,我不会先着手增加一个数据看板。各部门应先明确:影响决策的指标究竟代表什么,差异如何解释,以及一个数字在什么条件下足以支持某项决策。这些定义应纳入共同的运营机制,而不能只存在于报表编制人员的记忆中。

数字不同,不等于数字有错

销售预测、已确认订单、已完成的履约工作和已开票金额,反映的是不同的业务状态。它们可以不相等。订单不等于已经确认的收入,开出发票也不等于收到款项。对于周期较长的项目,这些区别尤其重要。

真正的问题,是把这四类数字放在同一个指标名称之下,或者直到开会时才解释它们的边界。这样一来,数字本身可能正确,却支持了错误的决策。如果指标含义仍不明确,呈现得再精细也无济于事。

例如,要形成跨部门一致的新增订单指标,就必须明确合同状态、取消订单的处理方式和统计截止日。国际业务还需要统一币种、汇率,以及业务在集团内的归属规则。比较利润率,则必须采用相同的成本口径。一个部门可能只计入随交付量变化的成本,另一个部门还计入项目管理成本。这首先是分析目的不同,不一定是计算错误。

所以,第一步是说明差异,而不是立即消除差异。对业务有用的部门视角可以保留,但在支持跨部门决策时,必须能够通过清晰的调整过程,转换为各方约定的管理指标。

为什么昂贵的报表系统不能单独解决问题

银行业的一项评估,可以说明建立共同数据架构和报告体系有多难,但其适用范围必须讲清楚。巴塞尔银行监管委员会在 2023 年发布的进展报告中指出,以 2022 年 6 月的数据为依据,接受评估的 31 家全球系统重要性银行中,只有 2 家完全符合所有接受评估的 BCBS 239 原则。 评估由各银行的主管监管机构进行。报告同时指出,多数银行在各项原则上的评估结果为大体符合或完全符合。1

这不是数据错误率,不意味着银行报告无法使用,也不是中小企业的对标基准。国际银行所面对的监管标准和业务复杂性都很高。这项结果说明,已有系统并不保证数据基础已经完全协调一致。同一份报告还将缺乏共同的数据分类和不完整的数据来源追溯,列为推进工作的障碍。1

BCBS 239 对银行提出的要求包括一致的概念定义、可追溯的数据核对,以及业务部门和 IT 部门各自承担责任。它并不要求所有数据必须使用同一个物理数据模型,但如果使用多个模型,就需要可靠的核对与调整机制。这是一项有参考价值的数据架构思路,并不是普遍适用于中型企业的监管义务。2

对 CEO 来说,整合数据可能值得做,但整合本身不能替代两项管理决定:采用什么口径,以及由谁对这个口径负责。

用可追溯的差异调节,替代反复争论

下面是一个明确用于说明问题的示例,并非客户案例。一份 CRM 导出数据声称,新增订单金额为 CHF 1,200,000。但企业在规划交付能力时,只希望采用约定截止日前的已确认净新增订单。以下金额均以瑞士法郎计价,不含增值税,各项扣减互不重叠。

核查发现,其中 CHF 100,000 对应的业务尚未确认,CHF 50,000 来自重复记录,另有 CHF 150,000 在截止日之后才确认,应计入下一个统计期间。

调整过程如下:

从原始导出数据的 CHF 1,200,000 中,扣除尚未确认业务的 CHF 100,000、重复记录的 CHF 50,000,以及不属于本期的 CHF 150,000,得到符合约定管理口径的已确认净新增订单金额 CHF 900,000。 这是示例测算,不是实际观测到的企业经营结果,也不是已经确认的收入。

CHF 300,000 的差额并不自动意味着业务流失,更不能直接称为收入损失。其中一部分业务可能在以后得到确认,而重复记录确实属于数据错误。把这些差异统称为收入损失,只会制造下一个口径错误的指标。

即便得到 CHF 900,000,也还不足以单独支持人员配置决策。运营负责人还需要知道这些订单何时交付、需要哪些技能,以及现有可用交付能力是多少。统一的数字为下一步判断提供了基础,并不能替代这一步判断。

这种差异调节必须能够追溯到相关数据记录。否则,它只是演示文稿上的另一段解释。如果仍有差异无法查清,就应明确记录金额、可能原因和责任人。不能通过增加一行汇总数字,把尚未解决的差额隐藏起来。

由各部门共同负责的指标说明卡

我会从少数真正影响管理决策的指标开始,为每个指标建立一份简明说明卡。不必在取得第一个可用成果之前,先编写上百页的数据手册。

先明确决策用途。 这个指标是用来批准增加交付能力、决定价格,还是采取现金流措施?同一数据来源,为不同目的可能需要不同的分析方式。预测值只要明确呈现不确定性,就有使用价值;如果把它当成已经落实的业务,就会误导决策。

再明确指标定义。 哪些内容计入,哪些排除?适用哪个期间、币种和计量单位?取消订单、部分订单和事后变更如何处理?比例类指标必须明确分子和分母。按订单数量计算的成交率,与按订单金额计算的成交率,不是同一个指标。

随后梳理数据路径。 相关业务事项在哪里发生,各个业务状态以哪个数据来源为准,通过什么计算得到最终的管理数字?手工调整必须有理由、可追溯的审批记录和日期,同时保留原始数据状态。

最后明确责任分工。 业务责任人确认指标定义,以及它是否适合预定用途。IT 负责技术处理和控制措施。指标使用者反馈需求和发现的问题。数据责任人可以澄清数字问题,但经营决策仍由获得相应授权的管理者作出。

英国政府于 2020 年发布的《政府数据质量框架》支持这种以使用目的为出发点的做法。它要求优先管理关键数据,以易于理解的方式记录数据质量,并落实责任。该框架面向英国中央政府部门制定,不是对企业具有约束力的标准。3

存在不确定性时,什么时候仍可以决策

要求所有数字完全核对一致,也可能造成问题。运营决策可能今天就必须作出,而最终入账信息要到以后才能获得。此时需要的是明确标注为暂定的数据,而不是假装已经有了最终结论。

英国的这份框架区分了一致性、准确性、完整性和时效性等数据质量维度。数据之间可以相互一致,却仍然错误地反映实际情况。框架也说明了及时提供数据与确保数据完整之间的权衡。数据质量应根据具体用途判断。3

我会区分三种使用状态。已核验的指标,可用于已经说明并获准的用途。暂定指标,只能用于明确列出的有限决策。暂停使用的指标,在关键不确定性澄清之前,不得作为相关决策的依据。

差异是否重要,并不只取决于金额大小。即使一笔尚未解释的差额很小,只要它会影响接近底线的最低利润率,或者改变对资源瓶颈的判断,也可能很重要。反过来,金额不重要且已经解释清楚的舍入差异,不应让所有运营规划停下来。判断标准是:这项差异是否可能改变决策。

实际操作中,财务部门和相关业务部门应说明,尚未解决的差异会在多大程度上影响决策。如果在合理的不同假设下,这项措施仍然值得采取,那么附带复核日期的有限批准可能是合理的。如果不同解释会让结论发生逆转,就应在作出决策前进一步澄清。对于可以撤回的措施和长期承诺,也应采用不同的要求。

AI 可以合理承担哪些工作

在口径和规则澄清之后,AI 可以辅助准备报表、解释可识别的差异。它可以调用已批准的指标定义,概述数据路径,或汇集供业务人员核查的线索。重复记录检查、截止日检查等常规工作,往往用规则就能实现自动化,不一定需要语言模型。

AI 助手尤其不应自行决定,两套相互冲突的定义中哪一套才是官方口径。它也不能用听起来合理的解释,替代尚未完成的核对。提交给管理层的决策材料,必须能够追溯数据来源、数据截至时间、采用的定义,以及仍然存在的限制。

可以先用已经结束的报表期间开展有限测试。团队在独立的测试数据中加入已知的重复记录、不一致的截止日和缺少确认的记录。辅助系统能否识别这些情况?能否区分有证据支持的差异与推测?遇到未查清的问题时,能否转交给指定责任人,而不是声称得到了最终数字?

美国国家标准与技术研究院(NIST)于 2023 年发布的《AI 风险管理框架》要求记录业务背景,使用适当的数据,明确已知的知识边界,并规定人工监督。这是美国的一项自愿性框架,既不是认证,也不构成安全保证。4

在 Fassbender AI Operating System(AI 运营体系)中,这项工作涉及多个相互配合的层面。“战略与价值”确定哪些决策对经营结果重要;“流程与决策”明确决策如何形成;“数据与知识”落实指标定义和数据来源;“技术与集成”支持不同口径之间的数据转换与调节;“治理与评估”检查指标是否可用,以及变更是否适当;“人员与运营模式”确保相关人员有能力履行自己的职责。如果没有这些管理安排,仅仅连接系统,工作仍未完成。

从 30、60、90 天着手的务实路径

前 30 天, 我会选择一份直接影响决策的报表,并把涉及的指标限定在必要范围内。财务部门、一个相关业务部门和 IT 共同记录指标定义、数据路径和当前差异。以最近一个已经结束的期间为起点,同时记录实际用于数据核对的工作量,以及因此等待的决策。目标是建立基线,而不是事后拼凑出所谓节省金额。

到第 60 天, 至少在一个新的报表期间实际应用这套差异调节方法。手工步骤必须保持透明。重复出现的错误应尽量在源头修正,例如在 CRM 中建立更明确的订单确认方式。定义变更必须注明生效日期,并解释新旧口径的计算结果。否则,口径变化可能被误认为业务增长或下滑。

到第 90 天, 管理层检查这份报表是否已足够可靠,能够满足预定用途。比较内容包括尚未解决的重要差异、数据时效性、手工工作的总投入,以及作出相关决策所需的时间。新增的检查和维护工作也必须计入。工作量减少,首先意味着释放了可用工作能力,不自动等于成本下降。

在此之后,再决定是否推广到下一个部门,以及是否进一步自动化。法定报告义务和会计核算仍须遵守各自适用的要求。内部为经营管理制定的务实口径,不能替代这些要求。

什么时候需要高管 AI 转型蓝图项目

单个导出文件有误,通常只需要有针对性地修复。对于这种情况,我不会建议启动转型咨询项目。

但如果多个部门分别依赖不同数据来源,重要经营决策因此受阻,而 AI 又已经准备使用这些数字,情况就不同了。此时,优先事项、数据架构、责任分工和投资安排必须放在一起决策。

高管 AI 转型蓝图(Executive AI Transformation Blueprint)在三周内为这些决策建立可用的基础。它将管理层访谈与管理价值论证、目标 AI 运营体系、按优先级排列的工作专项,以及 90/180/365 天路线图结合起来。管理层将获得一份可独立阅读的两页高管摘要,以及一套 30–45 页的高管决策演示文稿。这三周用于完成规划,不意味着能在这段时间内解决全部数据问题。

针对本文的应用场景,管理价值论证必须具体说明:哪些决策目前还在等待,核对与协调产生了多少工作量,以及哪项改进可以用合理投入进行验证。如果缺少基线,预期收益仍然只是有待测试的假设。企业的转型投资与咨询费用须分开列示。

管理层常见问题

所有部门都必须使用完全相同的数字吗?

不必。不同部门的数据视角可以服务于不同目的。但在支持共同决策时,指标含义和统计边界必须清楚。如果各方指的是同一个管理指标,就必须提供可追溯的口径转换过程,并记录仍然存在的差异。

必须先建立统一的数据平台吗?

不一定。范围有限的起步工作,可以建立在现有系统上。关键是明确获准使用的数据来源、共同的指标定义,以及可核查的数据处理过程。只有具体需求确实需要平台提供的新增能力时,平台投资才有充分理由。

数字发生冲突时,由谁作最终决定?

业务责任人澄清定义,相关部门核查数据。如果某种解释会实质性改变经营决策,就必须由获得相应授权的管理者作出决定。IT 或 AI 助手不应在目标之间的冲突尚未解决时,悄然替各方作出取舍。

怎样判断第一阶段的改进是否真正有用?

选定的报表明确说明指标定义、截止日和使用限制,数字差异得到可追溯的解释,且有权决策的负责人能够据此作出预定决策,这才是有用的进展。仅仅让数据看板更美观,并不能证明问题已经改善。

来源

  • ◆巴塞尔银行监管委员会,2023 年进展报告:对大型国际银行开展的监管评估,数据截至 2022 年 6 月。1
  • ◆BCBS 239,2013 年:银行业背景下的一致定义、数据核对与业务责任。2
  • ◆英国《政府数据质量框架》,2020 年:面向具体用途的数据质量,以及透明披露的使用限制。3
  • ◆NIST《AI 风险管理框架 1.0》,2023 年:业务背景、数据与人工监督。4

延伸洞察

战略咨询

从洞察走向可靠决策。

我们将AI潜力转化为清晰架构、可衡量的优先事项和可执行的企业路线图。