打造一流数智化财务管控体系，助力能源央国企智能决策分析和洞察
引言
大型能源企业产业链长，受到国际地缘政治、原油产量以及全球经济形势等多方面不确定因素的影响，大幅的原油价格涨跌等已经成为一种新常态，这使得上中下游产业板块需要迅速进行联动、深入的分析，并制定相应的对策。能源央国企不仅产业链长，同时也在朝着世界一流企业建设加速推进管理体系的“数智化”升级，以提高管理效能，实现成本降低和效益提升。在数字经济迅猛发展的今天，新一代ERP系统再升级，融合云技术、人工智能、机器学习等新技术，形成了开放生态的信息、数据和智能技术，在算法模型和业务预测方面展现了强大的优势，科学的决策分析成为提升企业竞争力和经营管理水平的关键抓手。
一流数智化财务管控体系之智能分析和洞察
面对价格波动等不确定性因素影响、多业务板块的经营管理业态，管理层在进行决策时往往聚焦以下问题：如何最大限度地降低价格波动对利润水平的影响？如何精准洞察上下游生产经营成本短板，落实成本管控、切实降本增效？如何分析成员单位之间的相互价值贡献？这需要从财务视角切入，洞察业务动因，增强财务对业务的决策分析支持职能。这些都驱动着财务组织的分析能力从“可描述”逐步转变为“可诊断、可预测以及可应对”，追求贯穿业务全流程的洞察、分析、管控与预测，实现事实看得更透、问题说得更清、业务管得更深、未来抓得更准，这对于新一代财务转型至关重要。
图1：洞察与分析功能演进路径
毕马威认为，建设一流数智化财务管控体系之智能分析和洞察，应从以下三方面着手：
- 首先建立起覆盖全产业链和价值链的分析体系，提升问题诊断与分析能力；
- 其次通过财务预测模型等能力搭建，提升财务快速、精准预测能力；
- 同时借助智能分析与洞察工具，实现全流程的风险管理，增强风险应对与管控能力。
一、打造覆盖全产业链和全价值链的分析体系，提升问题诊断与分析能力
智能决策不是技术“嫁接”，需要从数据、模型等多个层面打通业务逻辑，落地于实际业务场景应用，进而带来管理效益提升。决策分析要真正实现经营成果可追溯，打通业务至财务的通道，首先要建立起一套覆盖上中下游全价值链、贯穿业务与财务动因、衔接集团与运营单元的分析体系。
图2：决策分析体系相关要素
构建全价值链的决策分析体系
从全价值链出发，构建以价值管理为核心、覆盖上中下游全价值链的决策分析体系，将价值发现融入能源勘探开采、存储运输、炼化分销等完整产业链条中，覆盖能源生产经营主要业务流程和关键决策指标。并借助智慧大屏、管理驾驶舱、仪表盘等可视化分析工具，将分析体系予以直观呈现，打造业财经营分析场景，推动业务的价值提升。
搭建分层分级的决策分析体系
决策分析体系应全面覆盖集团和下属单位、业务单元，不同层级的管理重点应各有侧重，形成集团-下属单位-业务单元整体分析体系，并通过指标衔接向下溯源，实现全产业链上下游分析联动，剖析关键业务价值驱动因素，更大化释放财务价值，驱动业务洞察。
图3：搭建分层分级的决策分析体系
建立财务与业务联动的价值树分析体系
通过财务数据和指标分析联动至业务运营，实现财务分析视角和业务分析视角联动，迅速发现和反馈管理、技术等层面的问题，并基于此进一步分析原因，为预算编制、经营分析、成本管理和改善提供重要基础。
在大数据环境下,云计算(Cloud computing) 技术的发展为业务动因的追溯提供了强大工具。云计算平台可以为大数据的决策分析提供强大的存储空间和分布式并行计算能力。有别于传统智能决策，基于云计算的智能决策可以提供开放的决策环境、虚拟化的决策资源、分布式的协作求解方式。
确立全面的财务分析图谱
利用图谱分析技术，可以开展一系列用于探索不同实体(如组织、人员和交易)之间关系的活动，建立财务分析图谱，帮助管理层分析数据中的关联关系，查看传统分析技术不易分析的数据。图谱技术将促进企业决策过程中涵盖常规经营分析、专项经营分析与管理会计三个部分，实现快速场景化。
- 常规经营分析：建立各指标相应的风险阈值，自动提供KPI跟踪、经营分析报告初稿，支持管理决策；
- 专项经营分析：围绕报表分析维度、指标、方法构建多维度分析模型，如吨油完全成本分析；
- 管理会计：应用管理驾驶舱、模型工厂、经营图谱，支持不同层级管理报表分析需求。
图4：财务分析图谱示例
二、搭建财务预测模型，建立财务快速、精准预测能力
新的形势下财务对于预测性分析提出了更高的要求，当原油价格发生波动时，仅仅依靠对于历史趋势、驱动因素等的人工判断，很难满足对于原油价格预测、能源生产经营成本、利润结果预测的精确性要求。智能财务预测模型显得尤为重要，通过财务预测模型的搭建，产业链上中下游的各成员单位能够有效应对原油价格波动带来的影响，为科学决策、风险防范提供有力支撑。这促使企业建立粒度更细、准确性更高的预测模型，引进效果全面的算法、集成外部数据、统一管理预测方法、搭建模型管理平台，并借助新技术进行落地：
机器学习与智能决策融合发展
近年来，机器学习与智能决策的融合创新日益发展，从数据出发，学习决策的经验规律，并通过模型训练不断验证准确性，实现数据—模型的完整闭环，利用算法、模型提升智能决策的速度和质量，并与数学建模等方法相融合，推动决策智能向更高水平的理解和预测能力发展。
以炼化销售企业收入预测模型为例，利用机器学习和深度学习技术，通过历史数据建立预测模型，实现对能源需求、产量和收入的精准预测，帮助能源行业企业做出更准确的能源交易决策。
深化应用人工智能决策引擎
在AI和大数据的时代，“决策AI”已被广泛用于管控风险、降低成本、收入预测等决策领域。当前决策AI所用的技术主要有专家系统、概览算法、优化算法，专家经验和AI技术相辅相成，使用数据+规则+机器学习，辅助人进行决策判断，使得人工智能决策引擎具备更深度的识别与预测能力，帮助智能决策分析能力不断进阶。
2023年初，ChatGPT引发的人工智能热潮，各类算法、模型相结合，为智能决策提供了新方向。例如通过实时监测能源供需情况，分析大量的能源数据，预测能源供需情况，并根据这些信息做出智能决策，推荐最佳的能源分配策略，从而优化供需平衡。
三、通过智能决策分析实现风险全流程管理，增强风险应对与管控能力
能源保障和能源安全关乎国计民生，能源行业的高质量发展离不开风险管理，应将风险管理贯穿到能源行业全价值链决策支持体系当中。
端到端流程打通和可视化
通过端到端流程集成和可视化分析技术，对于生产经营风险进行实时的跟踪、检测与识别，揭露流程中的问题和薄弱环节，制定有针对性的解决方案。
构建量化的风险管理指标体系
建立量化的风险管理指标体系，利用大数据分析技术，将风险管理与业务管理、财务管理建立有效联动，对特定指标进行智能根因分析，形成全场景化风险防控“网”。
建立全量风险识别清单
挖掘、运用能源大数据，建立跨业务的数据要素价值体系，依托多维数据分析，形成差异化的计量工具、风险监控指标和风险识别清单，全量化识别不同业务场景可能存在的风险，出具自动化、可视化的管控及预防解决方案，推动风险防控更具科学性和敏捷性。
图5：全量风险识别结果
建立企业级智能决策分析平台
对于组织、业态都极为庞大和复杂的能源央国企集团来说，构建一体化、端到端的企业级智能决策分析平台，将分散的分析工具和技术进行整合尤为重要。
- 一方面是建立数据标准并部署集成的数据中台，推动全领域的数据实时流动与共享；
- 另一方面是引进智能决策分析技术，提升决策科学性与敏捷性，全面推动管理“数智化”升级。
图6：企业级智能决策分析平台
结语
毕马威致力于发展业务技术一体化，结合行业最佳实践，依托业务管理咨询和数字化技术赋能的专业能力，以数字技术驱动智能决策分析和洞察，助力大型能源央国企打造一流数智化财务管控体系，实现高质量发展和“世界一流企业”的建设目标。
本文内容仅供一般参考用，并非针对任何个人或团体的个别或特定情况而提供。虽然我们已致力提供准确和及时的资料，但我们不能保证这些资料在阁下收取时或日后仍然准确。任何人士不应在没有详细考虑相关的情况及获取适当的专业意见下依据所载内容行事。本文所有提供的内容均不应被视为正式的审计、会计或法律建议。
©2023毕马威华振会计师事务所(特殊普通合伙)、毕马威企业咨询(中国)有限公司及毕马威会计师事务所，均是与英国私营担保有限公司— 毕马威国际有限公司(“毕马威国际”)相关联。毕马威国际及其关联实体不提供任何客户服务。各成员所均为各自独立的法律主体，其对自身描述亦是如此。毕马威华振会计师事务所(特殊普通合伙) — 中国合伙制会计师事务所；毕马威企业咨询 (中国) 有限公司 — 中国有限责任公司；毕马威会计师事务所 — 香港合伙制事务所。版权所有，不得转载。毕马威的名称和标识均属于毕马威国际的商标或注册商标。