大数据时代的CFO

大数据时代的CFO（精选6篇）

大数据时代的CFO 篇1

大数据不仅重塑了财务管理的理念与实践, 也深刻改变了作为高级财务管理人员的CFO和总会计师的形象、角色和定位。

一、大数据时代:CFO的职能与地位

互联网时代, C T O的角色急剧上升, 成为影响互联网科技企业走向的重要管理者;同样, 大数据时代, CFO将在企业价值创造中扮演更为重要的角色, 因而也将享受更高的待遇和拥有更广泛的管理职能和更大的管理权限。

(一) 向整合型CFO的转变

CFO在公司治理结构中的重要程度与企业发育状态高度相关, 销售驱动型企业 (营业额1亿元-20亿元) CFO基本处于账房先生状态, 附加值相对较低, CFO可发挥价值空间大约为25%;管理驱动型企业 (营业额20亿元-100亿元) CFO天然处于业务流程的中枢位置, 成为企业走向精益管理的发动机, 但前提是管理层对此的认同, CFO可发挥价值空间大约为50%;资本控制型企业 (营业额100亿元以上) 将是未来中国式跨国公司演变的最终形态, CFO可发挥价值空间最高达100%。

对应下来, CFO具体可分为三种:第一种是核算型CFO, 该类型CFO业务焦点为以核算为基础的流程管理;第二种是管理型CFO, 该类CFO业务焦点为以效率与风险为核心的流程管理;第三种是价值创造型CFO, 该类CFO业务焦点为以资本运作为核心的集团整合。

从核算型CFO到管理型CFO到整合型CFO, 突出表现在三种能力的全面提升:经营活动的反映能力、风险控制能力、决策支持能力。

整合型CFO要更好地履行财务总监的角色, 必须做好四方面工作:支持企业战略、管控业务过程、完善流程运营、创造企业效益。

(二) CFO向CPO (首席绩效官) 的转变

据美国最佳实务研究和定量分析顶尖机构CFO执行委员会 (CFO Executive Board) 2011年调查显示, 财务部门被迫浪费大量的时间在搜集和验证数据 (47%) 以及管理流程 (50%) 上, 相反, 最为核心的增值分析只占据23%的比例。造成这种现状的直接原因便是前瞻理念以及核心技术的缺失。这个时代的CFO以及其带领的财务部门已然站在了重要的抉择关头:要低绩效的现状还是高价值的新角色?结果显而易见。CFO执行委员会 (CFO Executive Board) 2011年调查显示, 65%的CFO将商业智能、分析、绩效管理视为公司最重要的年度技术计划。《麻省理工学院斯隆管理评论》和IBM商业价值研究院联合举行的2011年新智能企业全球高管调查和研究项目指出, 2011年, 58%的企业已经将分析技术用于在市场或行业内创造竞争优势, 实现业务价值, 这一数据比2010年增加了21%。

从上文的数据中我们可以得知, 大数据时代CFO的主要职能在于价值分析和企业整体绩效的提升。通过利用先进的管理技术和平台, 对海量的财务、商业数据进行分析, 进而发掘价值增长点。通过高效的财务流程对企业的现金流、收购兼并、资源配置、风险管控等进行管理, 利用大数据等分析工具获得深度洞察, 将资源更好配置在快速增长的领域, 从而不断为企业创造价值。

二、大数据时代:CFO的挑战与洞察

全球最大的管理会计师组织——英国皇家特许管理会计师公会 (C I M A) 以及美国注册会计师协会 (AICPA) , 日前联合对全球2000多位财务高管进行的调研显示, 34%的受访者认为对大数据的错误分析或不利于营收, 86%的企业表示难以把日益庞大的数据量转化成有价值的管理洞察力, 44%的受访者表示自己的公司缺少这样的技术实力去理解并利用此项新技术, 只有53%的企业在为增强自身的大数据能力而进行投入。

调研结果与人们对大数据未来价值的预期大相径庭。87%的人认为大数据以及相关的分析技术将在未来十年改变商业的面貌, 不去利用这项新技术, 将导致企业在十年后被淘汰出局。

受访者表示, 企业在试图通过大数据洞察管理时, 面临以下障碍:从不同的数据库及数据孤岛抓取数据的困难 (62%) ;首先确保抓取的数据是可靠的、高质量的 (51%) ;能从非财务数据中提炼出管理意见 (46%) ;确保从数据中得来的管理意见可以用于改进绩效 (43%) ;在海量数据中找出有意义的趋势及见解 (39%) ;智能可视化报告 (34%) 。

上述数据对各大企业的CFO及总会计师来讲, 挑战无疑是十分巨大的。面对挑战, CFO和总会计师们应该如何应对, 以便在未来的竞争中占据制高点呢?

(一) 迅速而深入地学习新的分析方法, 修炼深厚内功

大数据时代, 数据本身的性质、特征发生了巨大变化, 分析、处理数据的技术和方法也发生了极大变革。大数据的分析处理将主要由相关的专业人士或由专业软件来进行, CFO或总会计师并不需要精通所有分析技术和技巧。但最基本的分析技术还是需要掌握的, 否则不利于CFO和总会计师从全盘的角度考虑问题。

(二) 尽早着手大数据处理平台建设

大数据是大势所趋, 但各企业对于大数据的敏感度并不一致, 像一些大型集团企业或互联网企业可能需要以较快的速度推进大数据处理平台建设, 而一些中小型企业则可能在时间上的要求并不那么紧迫。大数据处理平台建设是一项战略行动, 需要董事会及其他高级管理层取得共识才能顺利推进, 所以CFO和总会计师必须在协调各方思想方面付出更多时间和更大精力。

(三) 建设更加智能的信息管理体系

大数据须对企业多年积累的业务、财务、市场和人事等方面的各种信息进行深入的挖掘和分析, 从中找出可以帮助和指导业务发展的洞见。这势必会打破数据存储的壁垒, 因此, 大数据的兴起有可能颠覆现有的企业信息管理体系, 这就有必要更新现有的信息管理体系, 使之更加智能化。大数据时代, 因为数据挖掘和分析的工具更为先进, 即使数据格式不统一, 仍然能够进行高效的分析, 为信息基础架构原本较差的企业提供了跨越升级的机会。

大数据时代的CFO 篇2

数据库管理形式是大数据管理不断发展的重要成果，也是到目前为止最后的一个阶段。在计算机技术不断发展的过程中，计算机内部的容量得到了很大程度的提高，并且大数据的管理和维护成本也相应的有所下降。同时，在大数据管理形式不断发展的过程中，对其系统管理内存不足等现象，进行了全面的提高，有效的实现了资源共享，也在最大程度上保证了大数据的安全、稳定等性能。另外，在大数据时代的大数据库管理的过程中，不在近几年只是固定在某一个计算技术应用体系，而是面向整个管理体系，以此在最大程度上提高了大数据共享的性能，使大数据与大数据形成一个独立的个体，对其大数据进行了全面、有效的、统一的管理，为我国信息技术的发展提供了重要方向。

小数据企业的大数据时代 篇3

大数据时代并非“忽如一夜春风来”，其理念在信息时代以前就有成功应用，只不过随着技术手段的不断成熟，现在实现起来更加容易。事实上，美国职业篮球联赛（以下简称NBA）从1980年代起使用的数据管理技术就是大数据的雏形，经过近30年的积累和完善，为我们提供了成熟的大数据管理经验，非常值得借鉴。也许有人会质疑，NBA一共只有30支球队，每支球队每年才打82场常规赛，其蕴含的数据甚至比不上谷歌一分钟的搜索量，NBA真的有大数据吗？归本溯源，还是要从大数据的概念入手。按照畅销书《大数据时代》对大数据的诠释，这个“大”并非必须是太字节（240字节）的数据，“大”取的是相对意义而不是绝对意义。

笔者尝试将此书中对大数据的概念总结为一个前提、三大特点和一个目标：

前提：一切都是数据。

特点一：向抽样说不。

特点二：向完美主义说不。

特点三：向因果关系说不。

目标：替人脑做不擅长的工作。

下面将以NBA的数据管理经验为例，对其进行诠释。

相信没有人会否认，将事件转化为数据是大数据管理的前提。NBA比赛是球员和球的运动，如果不转换成为数据就只是录像资料，靠人工反复回看提取资料效率很低，必须对比赛进行拆解、定义、记录，将其转换为数据才能进行处理分析。

拆解：将运动员的动作进行层层分解，变成尽可能小的单元，如将运动员场上行为先分为进攻、防守，再将进攻分为有球进攻和无球跑动，再将有球进攻分为运球、投篮，再将投篮分为上篮、中投、远投。拆解类似于巴巴拉 · 明托在“金字塔原理”中提出的MECE（即Mutually Exclusive Collectively Exhaustive），中文意思是“互斥，完全穷尽”，“相互独立”意味着问题的细分是在同一维度上并有明确区分、不可重叠，“完全穷尽” 则意味着全面、周密。

定义：每一项拆解后的动作均有相对准确的定义，明确内涵和外延。如篮板球就是投篮不中后抢到并且控制住球的行为，碰到球但是未能控制住或者直接碰出界的球不算有效篮板。定义准确可以确保拆解出来的元素具有明确的含义。

记录：将拆解后且有准确定义的行为编码为数据储存起来。NBA记录了球员在比赛中的上场时间、得分、篮板、抢断、盖帽、失误等一系列基础数据，并且放在公开的数据库里，可供任何人随时查询，这也是NBA进行决策的依据。现在的存储成本几乎已经低到了可以忽略的程度，随便一块硬盘都是以TB为计量单位，更不要说日趋成熟的云技术。编码过程相对复杂，以往NBA使用人工进行记录，每场比赛都会有若干工作人员全神贯注地记录每一个细节，而现在使用了SportVU系统，这个系统将最先进的导弹追踪技术引入NBA，通过在球场架设的多台摄像机全面收集数据，用电脑自动将比赛过程的每个细节转化为数据存储，节约了大量的人力成本。

有了拆解、定义、记录的方法，可以将绝大多数企业中的绝大多数事件和行为转化成为数据，也就有了实施大数据管理的基础。其中，拆解和定义环节只需要熟悉本行业的流程就很容易实现，科学管理的先驱泰罗在20世纪初就将工人搬运等动作成功转化为数据。最大的难题还是出在记录环节，靠人工记录一组搬运的数据不难，但是仅凭人工记录所有搬运数据显然是天方夜谭。我们必须承认，即使是现在的科技也不可能记录编码所有行为，但在技术的帮助下可以做得更好。例如可以完善现有的IT系统，使系统可以记录更多信息。以餐饮行业为例，基本每个餐厅都有点菜系统，通常只具备简单的计算功能，可以进行技术升级以记录更多信息，例如可以增加数据存储字段记录顾客点菜时间和结账时间；可以通过与会员卡绑定记录顾客消费行为和消费习惯；可以分解记录每位服务员的服务业绩；可以记录菜品投诉和退菜情况事实上只要多花些功夫，仅仅投入不大的成本就可以在现有技术条件下收集到更多的数据，对于无法完整转化的事件和动作，可以选择暂时搁置或者等待技术完备时再进行记录（可以预计，动作识别和语音识别的低成本化指日可待）。

特点一：向抽样说不

——但求广度的非抽样整体数据采集技术

所谓抽样就是全体中抽取一部分样本，其基本要求是要保证所抽取的样本对全体具有充分的代表性，即要确保样本有和全体一样的特性。在计量成本很大，技术达不到的情况下，抽样是无奈之举，但如果能够低成本高效率的统计全体数据，抽样就是画蛇添足。而且由于抽样技术本身的制约及随机性因素，抽样很容易出现以偏概全的问题。在迈克尔 · 刘易斯的《点球成金》（Money Ball）中，传统的棒球球探通过观察球员在部分场次比赛是否有诸如本垒打之类精彩发挥来评估球员，以往的NBA选秀（从大学、高中或海外选拔新球员）也依靠球探的主观印象，这就是典型的通过抽样来评估球员的手段。体育运动的特点决定了，个人状态很大程度影响一场或者几场的发挥，如果球探看到的比赛正好是某位球员手感爆发或者手感冰凉，那么就难免会出现偏见。

企业中的管理者评估人员、事件都会不知不觉地用到抽样的方法，其中也存在了大量的偏见。比如近因效应使员工年末表现影响其年度考核，比如某个很小的突发事件影响到全局的决策，这些不自觉的抽样导致了偏见的产生，甚至形成管理上的“迷信行为”。

因此，这就需要在收集数据的层面尽可能完备，追求数据广度，在技术上能实现、成本可控制的前提下，将尽可能多的数据记录下来，至于这些庞杂的数据是否真的“有用”不要由人脑来判断，而要交给计算机来分析，很可能最不起眼的信息反而与结果的相关性最大。

nlc202309022100

例如消费科学教授迈克尔 · 韦德尔研究发现，之前有些人总认为产品上的图片越大越好（一些抽样问卷调查容易形成这样的偏见），但通过眼球跟踪技术，则发现由于人脑对图像处理的能力很强，因此图片尺寸的作用并不大。

大到跨国公司，小到街旁小铺都可以在不抽样的前提下记录整体数据。大企业的例子比比皆是，就不再赘述。以小便利店为例，原来只能通过抽样调查统计客流量，而安装一个摄像头就可以通过软件统计所有客流；原本需要做客户调查才能了解会员偏好，现在只要通过会员卡号中记录的消费记录就能掌握客户信息。管理者应该清查一下自己手中的数据，哪些是抽样获得的不靠谱数据，是时候将这些数据替换为整体数据了。

特点二：向完美主义说不

——兼收并蓄、不求精确的模糊数据管理技术国内一直流行将一些概念无条件的放大，比如所谓“细节决定成败”就荼毒了相当多的管理者，一味追求每个细节都无比精确。殊不知，细节是个双刃剑，盲目追求精确势必造成成本（财务、时间、管理）飙升。

大数据管理要求数据尽可能多，而不太在乎是不是每个数据都精确，甚至乐于从错误的信息中获取价值。

NBA的数据管理从未也不可能做到精确，在高速运动下即使是计算机也很难确保不出错。比如，两个本方球员同时伸手将球碰出界，记录这个失误数据到底算到哪个球员身上，势必存在误差。如果一定要闹个明白，必然耗费大量时间和精力，得不偿失。而且NBA很多数据都依赖于裁判，比如犯规数，裁判依靠眼睛判断如此高强度高对抗的比赛，犯错误的概率非常高，数据必然不准。但在大数据的概念下，这些误差放在某个运动员一年甚至整个职业生涯中反而不会对数据分析结果有任何影响。

企业应用大数据管理，一定要在可以容忍的范围内允许瑕疵的存在，避免因噎废食。举个虚拟的案例，一家银行要记录客户办理业务平均等候时间，通过计算客户拿号时间和办理业务时间得到。这个银行的管理者开始思考，如果有个别客户拿错了号怎么处理；如果有个别客户拿了很多号会不会虚增了办理业务时间；如果叫号机和系统时间不同步怎么办。相信如果这位管理者一直纠结于这些细节问题，总在完善统计过程，那么永远也不会得到数据。只要不是系统问题，个别小的误差，在大数据量的前提下，对于决策的影响是微乎其微的。战胜完美主义的心魔，容忍不那么完美的数据才能够用好大数据。

特点三：向因果关系说不

——忽视因果、重视关联的数据分析技术

从认知的角度讲，人类非常喜欢因果关系，为了解释错综复杂的外界环境，必须建立高效简洁的知识体系。因为看见乌云密布狂风大作，出门就一定要带好雨具，否则就会被雨淋；如果触碰电源就会被电击。人们通过传承掌握因果知识体系，省去尝试而造成的风险和成本。因此，总结因果规律是人类得以传承繁衍的本能。但是，随着科学的发展和社会复杂程度升高，这种因果关系受到了越来越多的挑战，量子物理的“测不准原理”等研究使我们不得不重新认识这个世界；经济领域突然出现的股市崩盘和经济危机几乎很难被预测，只有事后诸葛亮式的说法层出不穷；人们的行为更是难以预测，所谓经济学的“理性人”假设只会出现在学术论文中；企业管理更是如此，只要实施诸如六西格玛之类的管理项目就必然导致绩效提升的因果关系根本不可能实现，只是一些CEO忽悠投资者的法宝和咨询公司欺骗企业的灵丹妙药。

在哲学界和科学界，卡尔波普尔打破了对以往绝对真理（其实就是有因必有果的决定论）的普遍至信，承认随机的重要性，主张试错和证伪。但是，大范围的试错成本太高，无法替代低成本的因果关系带来的便捷，所以在信息科技成熟以前，因果关系始终在决策中起到主导作用。飞速发展的大容量存储和云计算技术终于可以从因果关系的垄断中分得一杯羹了。

在因果关系时代，NBA评估球员的标准是跑得快、跳得高、投得准等等，一般的因果关系假设，这方面出众的球员就能在比赛中表现出色。而通过数据分析，NBA有了很多新的评估手段，打破了这种因果关系。比如有一项数据反映球员在场上时双方得分对比、球员不在场上时双方得分对比。某球员个人能力超强，在场上得分如探囊取物，但上述数据却显示他在场上时对方得分更多；反之，有的球员跑得不快、跳得不高、投得不准，但只要他在场上，全队得分比对方高，这显然不符合因果关系的逻辑，甚至要想分析原因进行倒推都几乎是不可能的，因为原因也许非常复杂：有可能是他和队友私下关系不好，导致士气受损；有可能是他防守能力差，使对位的对方球员得分变得容易；有可能是他和某个队友位置重叠，无法充分发挥甚至可能是不同因素叠加而成。教练在决定球员上场时间时，根本没有时间考虑这么多的因果关系，只需要根据数据分析的结果，让能够使球队得分更高的球员多上场就可以了。

取代一部分因果关系的工具就是不同数据之间的相关关系，数据告诉我们个别球员上场时间和球队得分之间存在关联，也许数据还会告诉我们，球员身高体重比和球员三分命中率相关，球员英俊程度和抢篮板的能力成反比（后面仅是假设）。

通过大数据找到意想不到的关联有三个必要条件。

首先，不要在分析或者收集数据过程中有任何偏见或者假设，避免在收据收集过程中就带有偏见，只收集部分感兴趣的数据。

其次，使用计算机对各组数据进行交互相关性分析，这里涉及统计学和计算机知识，不过可能只要招聘一个计算机专业的研究生就能胜任。也许有人会问，这么多组数据，相互做相关性分析，排列组合的数量也很大，是不是会花很多时间。其实并非如此，现在计算机的处理速度足以完成这些运算，即使数据量大，也可以使用云计算提高效率。

相关性有一个特例就是加入时间轴，分析数据变化趋势。NBA将球员和球队每场比赛的数据记录以后自然形成了一系列数据，通过对一段时期中比赛的数据分析，就很容易看出球员各种表现的发展趋势。分析变化趋势的目的是预测和辅助决策。某个球员如果近期表现大幅提升，球队就会考虑增加其上场时间，让他发挥更大的作用。如果某个球员三分球命中率持续上升，球队就可能专门为这个球员布置三分球战术。而球员单场的灵光一现，往往不会促使球队做出类似的决策。

nlc202309022100

将时间加入到相关性分析中也很容易应用，毕竟时间这个信息是最容易记录的。还以餐饮行业为例，将每天不同菜品的数据进行记录，就形成月度、季度、年度数据，可以判断每个菜品在不同季节的销量；菜品是否存在明显的淡旺季；某些菜品是否已经不再流行等等。从而在原材料、营销策略等方面做出调整。

再次，找到相关性后不刻意解释为什么会出现这样的相关，避免再度陷入因果关系的魔咒中。

目标：替人脑做不擅长的工作

——自然而然地使用相关性预测未来

有了相关性分析的结果，做决策并不是一件太难的事，因为计算机已经做了90%的工作。

以NBA为例，无论是球员转会、教练布置战术、临场指挥甚至商业决策全都依靠这些数据，投资者、球队、教练、球员、媒体、球迷都可以从数据中取得自己需要的内容。假如一个球队主力控球后卫受伤需要一名新的控球后卫，那么用什么指标来选择呢？控球后卫是场上的灵魂，主要负责运球和组织全队进攻，可以理解为给全队输送炮弹的人，评价控球后卫是否能够带动整个球队就非常重要，通过数据分析控球后卫得分、篮板球等指标与成功带动全队进攻相关性不强。而助攻（球传出后队友可以直接得分）/失误比才是真正关键的数据，也就是为队友制造机会的成功率。使用这一指标作为选择控球后卫的KPI就避免了某些后卫盲目传有风险的球，一味提高助攻数量刷数据。2012年美国体坛风云人物林书豪在爆发期间一直被专家诟病的一点就是失误太多，所谓成也萧何，败也萧何。2012-2013赛季截至2月3日，林书豪的助攻失误比仅为2.0，也就是说每送出两个助攻就要伴随一次失误，而顶级后卫保罗的数据，助攻失误比为4.6，超出林书豪一倍，显然更为出色。

在《点球成金》一书中，使用数据作为选人基础的奥克兰运动家队，用最小的投入换取最大的收益，打败了依靠经验选人的很多财大气粗的传统强队。如今，包括NBA的美国职业体育界已经将数据作为决策最重要的依据，球员打完比赛第一件事是看比赛的技术统计，教练依靠数据决定战术和球员上场时间，球队依靠数据交易球员，联盟依靠数据安排比赛日程，比如重大节日往往会上演收视率高的强队对决。

数据是决策的辅助工具，但是绝不可能完全替代人类智慧。纵使NBA的数据管理如此完善，做出最终决策的还是一个个活生生的人而不是冷冰冰的计算机，因为数据不会设计出有创造力的战术配合，不能进行临场指挥，更不会提升球队士气。企业管理也是如此，数据作用再大也只能是管理者的助手。

数据能预测大多数表现，但是人类不能成为数据的奴隶，从哲学角度讲，再大、再完美的数据也只是更加完善的归纳法而已，对于随机出现的黑天鹅事件无能为力。有了大数据，并不代表解放了人类的大脑，大数据是人类走向完美决策路上的一个工具，合理分配人脑和数据在决策中的比例尤为重要，既不能完全依靠所谓以经验和认知为基础的人脑，也不能盲从于循规蹈矩的电脑，让人类的创造力与电脑的存储和计算能力相结合才能做出更加完美的决策。

大数据时代的CFO 篇4

方存

内容摘要：

随着信息技术的飞速发展，税收征管也已经进入大数据时代，由于数据信息化的广泛运用，使海量数据的即时获取和精确分析成为现实，为研究纳税人办理涉税业务特征提供了良好条件，带来了税收服务手段、服务理念、服务载体、服务管理的大跨越……

关键词：大数据

应用

管理

信息化

现今很多人随时都会拿起手机发微信、微博，要购物不是上超市而是上淘宝、京东，外出就餐先看大众点评，有问题不是找老师而是找百度„„在我们的日常生活中，已经离不开这些网络应用。这些网络应用都有共同的特征，就是通过海量的数据，进行云计算后让用户获得到更好的应用体验。这些随时随地抓取数据的网络应用，让我们感受到，大数据的时代已经到来。

随着信息技术的飞速发展，税收征管也已经进入大数据时代，由于数据信息化的广泛运用，使海量数据的即时获取和精确分析成为现实，为研究纳税人办理涉税业务特征提供了良好条件，带来了税收服务手段、服务理念、服务载体、服务管理的大跨越。近年来，广东地税依据纳税人类别、涉税业务类别、办理时段等信息，依托数据信息化逐步形成了服务大厅、网上办税、纳服热线、自助办税、短信服务等多种渠道并存的大服务格局。

一、实现大数据管税的意义

从目前我们系统的数据量来看，还算不上真正意义的大数据。我们的征管系统中大量的数据都是传统的结构化的数据，已经达到了一定的数量，应该更多的是关注如何提高数据质量，如何应用好这些数据。而对于正在生长的海量的非结构化数据，则要关注怎么收集、用什么方式有效管理，从海量数据中发现有用的信息，深入挖掘分析、与征管系统数据综合利用，如何“要让睡着的数据醒过来”，转化为税源，才真正体现涉税数据的价值，才能实现“信息管税”。

在涂子沛的《大数据》中提出，随着技术的发展，数据的存储与处理成本显著降低，人们现在有能力从支离破碎的、看似毫不相干的数据矿渣中抽炼出真知烁见。充分运用大数据的思维和手段，对于大力推进税收治理能力现代化，不断提高税收管理水平，意义重大。

二、当前税收数据应用管理的中存在的问题

近年来，地税部门在税收征管和信息化建设方面积累了大量的理论和实践经验，也取得了丰硕的成果。但受诸多因素的制约，在涉税数据采集、分析、利用等方面还存在一定的问题，影响税收数据的应用效用。

（一）征纳双方信息不对称日益突显

纳税人经营信息存在多样化和复杂化，地税机关获取纳税人信息的复杂性和工作难度明显增加，获得纳税人信息的渠道相对单一，主要是采用纳税人自报与税务机关根据自身工作需要进行采集所得到的信息。虽然省局与市局正在尝试进行政府部门之间的信息共享，但是这些仅仅是起步阶段，还没有完全形成有效、规范的机制。这些因素导致税务机关对纳税人生产经营状况、销售情况、生产成本等信息的掌握不全面，加上税务部门自身也没有一套完善的决策支持体系，严重影响税收数据的收集质量。

（二）税费征收管理系统过多，相互之间存在信息壁垒

目前，地税系统使用软件相对繁多，与税费征管有关的系统包括大集中征管系统、电子办税服务厅、税源管理平台、两业系统、数据综合展现平台、存量房交易计税价格评估系统等十多个操作系统，这其中有省局开发的，也有市局开发的。这些征管系统有部分在数据交换上互不共享，而软件开发公司也不一致，系统维护相对繁琐，给基层税务人员实际操作带来了很大的困扰。

（三）信息数据分析利用的广度深度不够

一是对现有数据的分析利用不足。目前的税收分析主要对税收任务的分析，只是局限于对某些数据的纵向对比分析。虽然这几年在这方面进行了大量的努力，但是没有形成长效的、可持续发展的数据分析模型，与宏观经济、市场变动、企业财务数据等联动分析不足，没有完全发挥数据信息利用应有的作用。二是税收业务与技术没有有效的融合。目前在基层税务机关这是最为薄弱的一个环节，业务与技术基本上还是各自为政，没有形成业务与技术的有效融合，导致对各方信息的横向比对和各时间段信息的纵向分析不足，从分析比对中发现问题的能力较弱，无法形成对信息分析利用的合力，制约了对信息的深度分析利用。

(四)专业信息技术人才缺乏，数据得不到有效利用

目前，以我县的干部职工为例，能够掌握比较系统的、全面的计算机知识的干部很少，另一方面，由于年轻干部交流频繁，精通税收业务的干部也不算多。因此税收信息化建设队伍任务繁重、人员不足、素质不齐等问题比较突出，高素质的专业化人才更是相当缺乏，即懂技术又懂业务的复合性人才更是屈指可数。这就造成即使拥有大量的有用数据，我们的基层税务人员也不懂分析利用，无法及时从中获取有效的数据信息。

三、完善税收数据应用管理的几点思考

（一）运用大数据的思维和手段，树立“信息管税”的新理念 我们都已清楚的看到，大数据时代所带来的思维方式、管理模式、监控手段等方面的变革，对税收征管工作带来了深远而巨大的影响，税收征管已经离不开信息化手段，紧密依托数据信息手段开展税收征管工作，已经成为税收工作的必然要求。结合风险管理和大数据理念，做为新征管改革的突破口，将大数据税收征管模式与先进的管理理念相结合，技术创新与管理创新相结合，通过税源监控、税收分析、纳税评估、税务稽查等质量控制手段，达到堵塞漏洞、纠正偏差、提高税收质量的目的。

（二）制定数据规范化，提高数据质量 要提高数据质量，必须要有数据管理标准和采集操作规范。一是要规范数据采集渠道。建立基层分局、县区局、市局、省局四级数据采集网，有条件的可设置涉税数据采集专业岗位，专门从事纳税人生产信息、交易信息、经营动态信息的采集。二是要加强数据质量的管理。按照统一标准录入有关数据，对采集的数据进行逻辑和真实性检验，把好数据进口关；制定数据审计规则，加强数据质量事中控制和事后比对，将数据质量纳入绩效考核，为数据应用提供准确可靠的信息来源。三是实行信息数据集中处理。建立覆盖采集、交换、分析、应用等主要环节的数据管理体系和运行机制,实现各个管理系统各类征管数据统一存储、加工和管理，实现各类信息资源互通互联共享，实现征管工作各环节在信息化支撑条件下的相互衔接。

（三）充分发挥政府职能作用，实现全社会的涉税信息共享 一方面，大时代数据必将全方位构建数据网络体系，通过政府部门建立大数据仓库，实施统一的信息管理平台，将工商、供电、建设、房产、交通、国土等政府各部门的数据实施统一管理，并对这些数据建立政府数据共享机制。另一方面，积极健全各政府部门间的信息网络，明确各部门通过网络获取信息的相应用户权限，彻底改变信息离散、各自为阵的局面，实现高效的信息共享，为税务部门全面掌握涉税信息提供强有力的外部环境支撑。同时，地税部门的反馈信息也可以帮助社会综合治税的成员单位掌握有关情况，查找各自工作中的不足和监管漏洞，共同提高管理水平。

（四）创新数据挖掘分析方法，打造智能税务

在调查研究的基础上，不断探索，创建科学有效的数据挖掘和分析体系。要建立税收数据仓库，对分散在各个应用系统中的数据进行集成、整合和统一管理，实现数据资源省级集中和共享，为数据挖掘分析提供基础支持。创新税收数据挖掘分析方法，应当注重五个结合：一是宏观与微观相结合。通过宏观分析了解本地区范围内不同行业、不同税种、不同类型企业的税收情况，找到税收管理的薄弱环节，对有疑点的企业、存在问题多的行业从微观上进行纳税评估、税务稽查，采取切实措施强化管理，堵塞漏洞。二是上级与下级相结合。瞄准税收管理现代化方向，省市县层层落实税源专业化管理思路，分级分类加强税收数据挖掘分析工作。三是全面与重点相结合。在全面分析的基础上，各地要结合本地实际突出重点，有的放矢地开展重点数据挖掘分析。四是定量与定性相结合，形成完整的科学的税收分析方法体系。五是动态与静态相结合。进行税收数据挖掘分析时，注意动态数据与静态数据的结合使用，坚持从经济看税源，从纳税人的发展看税源。

（五）培养复合型税务人员，满足大数据税收工作需要

人的因素是搞好一切工作的前提，实行税收现代化管理，必须培养复合型税务人员。复合型人才是“一专多能”、“多专多能”，以博见长，知识面广，易于融会贯通、触类旁通。培养既精通税收业务，又熟练掌握法律、财会、统计分析、计算机等方面知识和技能的复合型人才，是大数据时代税收工作对拥有复合型税务人员的需求。

在大数据时代，我们每个人既是数据的创造者，又是数据的使用者，这就要求每个税务干部，必须要有大数据的思维，运用大数据方法和手段，不断创新税收管理手段和方式，才能实现税收现代化。

参考文献：

（1）涂子沛《大数据》 广西师范大学版社，2012年7月（2）谢永健 《大数据：实现税收现代化的利器》 中国税务报，2014年9月17日

大数据时代的机遇 篇5

阿里巴巴为首的中国民营企业积极创新，不仅带动了成千上万的创业者和小微企业的迅猛发展，也在充分利用和挖掘大数据资源方面做出了一系列有益的尝试。中国政府面临千载难逢的契机，有可能在今后10年里领导人民持续开创举世瞩目的经济增长奇迹！

我们有阿里巴巴那样的鼓励草根创业平台，我们有广东、浙江和江苏那样的社会服务的创新，我们还有来自国际方面的先进经验和竞争压力，我们没有理由怀疑中国在大数据时代引领世界的能力。将这种能力变成现实需要远见卓识的领导，也需要合作的力量。商界、学界、政府和媒体联合起来，全社会的创新精神得以鼓励和释放，我们可以把事情做成，做得更好。

综合2012年年底在清华大学一次会议上与各界针对大数据的研讨与交流，本文从企业以及城市管理两方面来简要介绍大数据未来的发展潜力。

阿里巴巴数据战略

云计算的建立和数据的公开是阿里巴巴为1000万家小企业，1亿电子商务从业者，10亿消费者打造了一个平台。在这个平台上，阿里巴巴集团打通了旗下阿里巴巴、淘宝网、支付宝等公司的资源，打通了整个电子商务产业链。

万通实业股份有限公司董事长冯仑曾经说过，能够构成前瞻力的一定是站在未来安排今天。阿里巴巴集团主席马云正是这样一个人。

早在六年之前，他就已经意识到数据的重要性，尽管当时不明确具体的用途，但他隐隐感觉到：是时候开始了。而这一预见性想法也在今天逐步让阿里巴巴成为数据时代下的佼佼者。

据阿里巴巴研究中心统计，2012年双十一当天，天猫和淘宝共吸引了2.13亿独立用户访问，相当于有四成网民参与了狂欢节。在2012年11日零时37分39秒，天猫1111购物狂欢节支付宝交易额突破10亿元。

根据当天的实时交易量统计，在2分钟时候，支付宝交易就达到1亿，13个小时就达到100亿，这对于服务器有非常大冲击。对于凌晨就守在电脑前面准备抢购的买家来说，很多反应“订单无法登陆无法打开就是付款之后却显示无货状态”。而阿里巴巴研究中心开发出的平台“聚石塔”，保证订单的交易购买过程中的零丢单、零故障。

阿里巴巴集团研究中心研究部专家张婷介绍，这期间聚石塔内的商家很好地完成了任务，其中有6家商家当天的交易额在5000万以上。

不过，阿里巴巴对自己提出了更长远和清晰的定位。引用张婷会上的一段话作为总结：“阿里巴巴现在还远未达到大数据的状态，我们还有很长的一段路要走。在这个过程中我们也是在被业务驱动着跑，业务量大了之后有很多数据沉淀下来，然后我们需要用数据平台去处理一些问题。数据平台推动起来之后，我们希望能够对数据进行研发，然后用数据去推动商业进步。目前，我们正在积极利用大数据来寻找小而美的卖家，鼓励更多的人来到阿里巴巴平台上创新、创业。”

相信，会有更多更丰富的创新不断涌现出来。

智慧城市

大数据今年3月份成为美国战略，并获得2亿美元的来自美国联邦政府的财政支持，与其当年拿出4个亿来支持互联网旗鼓相当。无疑，信息系统以及数据战略对于支撑一个国家的软实力建设至关重要。

随着社会发展，越来越多的城市人口给城市管理和服务带来巨大的挑战，也带来了能源的压力和环境危机。原来以国家为单位的竞争逐渐转变为城市之间的竞争。美国凯特智能决策有限公司亚太事务主任涂子沛着重强调了大数据对于智慧城市的意义何在。

智慧城市是大数据时代下的主要载体。中国与美国比，无疑在很多地方有差距，但若从城市角度出发，特别是从信息技术角度出发，这个时代为我们提供了一个契机，上海，北京，广州实际上完全可以比纽约波士顿要好，时代的竞争慢慢成为城市的竞争。

涂子沛提到，智慧城市首先是一个开放的城市，能够保证信息自由流动，在其基础上才能产生知识和智慧。这不仅仅是一个技术创新，也是社会创新。

例如，2011年10月，美国国家气象局（NWS）在2000辆客运大巴上装了传感器，沿途收集温度、湿度、露水、光照度。而美国国家邮政局（U.S.PostalService）也规划在邮车上安装传感器，在投递邮件时采集社区的空气质量、污染指数和噪声数据。

现在城市的数据开始多元化，主要有三种表现形式。

原来是只有信息系统数据，也就是精确数据。各类信息系统的数据，每一条都有具体的含义和价值。

后来开始有一些社交媒体的出现，他们形成的单条数据可能没有明确含义、确定价值，是由大众产生的数据。这部分数据称之为模糊数据，也就是其价值是有待确认。

第三部分则是指准增值数据，也就是这些数据与大部分数据结合可以产生价值，这部分数据大部分也是公共数据。

数据的价值在于整合，不整合没有价值。中国仍旧缺乏透明详实的公共基础数据，但缺少这些社会基础数据，很多数据就无法有效整合，例如天气、人口、地理、经济发展指标、社会福利等等。而数据开放之责任在于政府。

大数据时代的安防建设 篇6

Gartner报告预计，2013年全球各大企业用于大数据业务的投资总额将增至340亿美元，同比增长8倍；2013年年初IDC预测，大数据技术与服务市场将从2010年的32亿美元攀升至2015年的169亿美元，实现高达40%的年增长率，并将是整个IT与通信产业增长率的7倍。大数据的发展趋势毋庸置疑。

数据越发庞大，积累的商业信息越多，价值也就越大。以海量、多样、快速为显著特征的大数据，不像传统数据库的数据那么易于管理和分析，在为整个IT及通信行业带来机会的同时，也提出了更高的要求。大数据时代的战略意义已超越如何掌握庞大的数据信息，而是实现对这些数据的深层挖掘，进而让其“增值”。

驱动大数据发展的重要因素主要来自两个方面：一是消费领域，如网购及社交媒体应用产生的大量数据；另一方面来自城市基础设施建设，安防便是其中之一。建设平安城市的过程伴随大量数据的产生，尤其是以视频监控为主要特征的数字安全监控（Digital Security Surveillance， DSS）。我们所居住的城市中有无数的高清摄像头，涉及治安监控、指挥通信、侦查破案、规范执法、社会服务等，视频接入规模从几千到几十万，随着安防监控对高清、智能、联网的要求越来越高，每天产生的数据规模正以惊人的速度不断增长。

安防大数据

从全省、市视频监控，交通卡口监控，到运营商机房和基站的环境量监控，原有的系统数据查询越来越慢，写入的数据越来越多，需要配置的存储也越来越大，原先使用的关系型数据库性能压力激增，IO陷入瓶颈，不得不承认安防领域的大数据时代已经来临。然而，一直以来，由于安防行业的自身业务特点以及国内厂商受研发方向所限，大数据技术在安防领域并不如在IT、互联网行业那样得以深入应用。随着科技巨头的入驻，这一市场格局正在发生巨变。

基于安防的大数据同样引起了计算机和服务巨头IBM的注意。2012年10月，IBM发布了专为大数据处理打造的专家集成系统PureData，并和南京有关部门达成建设“智慧南京”的战略合作，综合应用智慧交通、智慧医疗、智慧数据系统，提高南京市民的生活水平。

云计算解决方案供应商浪潮紧随其后，于同年年底宣布推出用于大规模部署的公共云数据中心——“模块化数据中心”。“数字安全监控远非安装几个摄像头那么简单。除了捕获数据，还要从中充分挖掘新知，在此基础上开发更多应用。传统安防厂商和IT厂商合作是未来的发展趋势。安防厂商对业务的熟悉度与IT公司的大数据检索和分析能力是绝佳的互补。”英特尔公司全球数字安全监控市场总监Todd Matsler如此评价。

智能计算至关重要

随着政府部门大力推动“平安城市”、“和谐社会”建设，各行各业对安防产品的需求全面爆发。金融、交通、政府等传统领域的安防应用更加深入，新生领域如教育、卫生、体育、能源飞速发展，社区、居民相关应用也在不断升温。根据《安防产业“十二五”规划》所提到的目标，到“十二五”末期，安防产业规模将翻一倍，年均增长率达到20%左右，2015年总产值达到5000亿元。从高端市场如军队、政府、司法、金融、交通、核电站、机场与港口，到中端市场如工业设施、教育、医疗，再到居民小区、零售店铺、仓库管理、物流等民用市场，安防需求将全面爆发。

与此同时，安防行业在国内的发展表现出一个重要特点，即由政府主导的大型项目推动，如智能交通系统。以视频监控为主要特征的数字安全监控扮演着无可替代的重要角色，在城际间、城市中的各类设施及行业中不断部署、渗透。随着视频监控与IT、电信行业的联系日益紧密，数字化、高清化、网络化和智能化成为其发展方向。

如何从前端摄像头获得的数据中挖掘出有用的信息，最终服务于智慧城市、智能交通？我们需要构建一个复杂而精致的系统，并考虑互联性、安全性和可管理性。英特尔在构建这个系统时，利用主动管理技术实现了设备之间的互联，并提出了分布式智能计算的构想。后者包含三个重要概念，一是如何从瀚如烟海的数据中挖掘出对各行业有用的知识，二是保证基础架构及设备与设备间的数据流动，三是降低数据对来自于不同用户或者不同系统的访问障碍。”

这套系统化解决方案，从数据获取、存储到分析及应用各个层面均有覆盖，包括软件。这些基于IA架构的技术，不仅广泛应用于后端运算系统以及开发系统，也在前端和边缘设备中发挥着巨大作用，可以帮助设备开发商大幅缩短产品上市周期，降低开发成本，同时，其强大的计算能力以及基于互联网应用的开放平台也将进一步促进安防行业的多样化发展。

而博康智能副总裁田广表示，安防行业的数字化、高清化、网络化和智能化转变，也契合了国家的物联网政策。数字安防监控行业的现状是缺乏标准却要谋求大发展，这对企业产品兼容性、未来的可扩展性、产品性能、安全性以及稳定性是个很大的挑战，需要企业在软件、上层平台等方面都有很强的规划和实施能力。

安防的可期未来

全国政协委员、南京政协主席沈健就大数据时代政府的公共基础建设需求这一主题曾说过：在大数据时代，政府要做的事情，第一应该高度重视数据的采集和生成；第二做好数据的公开工作；第三，数据的整合；第四，建立我们的数据文化；第五，数据安全。这意味着在智慧城市的基础建设中，大数据将承担更多信息的挖掘和整合工作。

当数据全面实现联网、共享，得到有效存储，并予以充分分析和挖掘，安防领域的大数据时代将真正深化。那时警察可以轻松地搜索某一时段某一颜色或某一品牌汽车的所有视频并快速识别违章行为；在没有人为干扰的情况下，视频监控设备通过自动分析对动态场景中的目标进行定位、识别和跟踪，在异常情况发生时做出反应，进行自动报警；现在每年社会走失的老人、小孩成千上万，开发“人员走失查询系统”，联网共享这些视频资源，将为更多的老百姓服务……

nlc202309011556

大数据究竟可以带给安防一个怎样的未来，我们拭目以待！

-李育新

LSI SAS力挺新型服务器

LSI 公司日前宣布，其12Gb/s SAS存储解决方案将用于100多款新型服务器，这些服务器均采用日前宣布的IntelXeon处理器E5-2600 v2产品系列。包括Asustek、Fujitsu、Gigabyte、Huawei、Intel、Supermicro等在内的领先服务器制造商，均已选用LSI12Gb/s SAS和MegaRAID解决方案，为其新一代服务器平台提供存储性能加速和企业数据保护功能。

LSI 12Gb/s SAS技术能将存储I/O性能提升50%。Intel Xeon 处理器E5-2600 v2产品系列采用22nm工艺技术，大幅降低了功耗，同时提升了性能。这样的组合解决方案将为新一代服务器提供强大的平台。

今年，针对服务器和外部存储OEM厂商，LSI宣布推出业界首批12Gb/s SAS 片上RAID（RAID-on-Chip）和I/O控制器。7月，LSI率先宣布向市场推出12Gb/s SAS主机总线适配器系列产品。

自SAS诞生以来，LSI推出了众多领先的产品。LSI SAS解决方案能提供同类最佳的SAS技术，确保互操作性和统一的厂商支持，现已应用于业界最广泛的服务器平台之上。

昆腾改变数据存储、共享和保护方式

昆腾公司近日宣布正在与CommVault一同扩展其对象存储产品，以便为数据中心融合备份与归档提供独一无二的解决方案。这个经过验证的解决方案基于昆腾Lattus对象存储技术以及CommVaultSimpana 10 软件，能够实现全面数据保护和归档战略，从而降低了主存储成本并优化了备份性能，同时在多 PT 级环境中最大程度降低了管理复杂性、管理成本和资本支出。

在一个高度可扩展、高成本效益，并且不需要“叉车式”升级的一种永久性磁盘归档的磁盘解决方案中，Quantum Lattus可近线访问全球各地的归档数据。Lattus提供比传统 RAID 产品更优异的耐用性，其中包括真正的自我修复和自我保护功能，并且无需复制就能自动进行多站点保护。最终实现一个无需备份的高弹性、容灾、可扩展的归档库。CommVaultSimpana将备份、归档、报告和灾难恢复（DR）统一到一个软件平台上，提供一个融合数据管理解决方案来控制成本和风险。通过昆腾Lattus-D 与CommVaultSimpana的整合，企业现在可以放心地在Lattus上存储单一归档数据实例。这种方式超出了传统冗余副本数据保护计划所提供的保护措施。客户还能得益于全球规模所实现的低延迟访问。

Emulex光纤通道助力HP StoreFabric

Emulex公司日前宣布，最新的Demartek实验室评估1 显示，基于第五代Emulex Light Pulse光纤通道（FC）主机总线适配器（HBA）的存储解决方案在性能和动力上大大优于基于上一代8Gb FC的解决方案。Demartek实验室对Emulex提供的HP StoreFabric SN1000E 16Gb FC HBA和使用全闪存配置的HP 3PAR StoreServ 7450存储系统的HP SN6000B 16b FC交换机进行了测试，结果显示惠普Emulex组合解决方案可以为备份/恢复、客户端虚拟化、软件服务、OLTP数据库以及富媒体等存储密集型应用提供它们所需的卓越吞吐量、低延时和存储网络性能。

测试评估显示，Emulex和博科为HP StoreFabric提供的第五代Emulex光纤通道技术可以提供强大的性能和动力，从而满足当今不断增长的性能要求——如部署有虚拟化服务器、数据库应用、SSD、闪存的环境。采用这些解决方案可以进一步优化IT资源，同时使更大规模的虚拟化部署和云举措实现最高性能。