作者：方曼静&舒紫花

校审：林德燊

排版：赵芷姗

自财政部官网发布《企业数据资源相关会计处理暂行规定》（简称《暂行规定》），并揭晓该规定将于2024年1月1日正式施行后，传统企业对数据资源入表的重视和认知进一步加码。对于国家有关数据资源的一系列政策举措，通常传统企业内部都财务人员会尤为关注，特别是数据资源入表这方面。

根据《暂行规定》，数据资源按数据来源可以分为外购、自行开发和其他方式三类，在存货、无形资产、开发支出项目下均增设“其中：数据资源”项目，企业内部自用型数据符合无形资产准则的确认为无形资产，企业日常活动中持有的、最终目的是用于出售的交易型数据符合存货准则的确认为存货。

作为财务人员，数据资源合规入表是交付工作的成果，是完成工作的目标，但对于企业而言，数据资产入表更是一个发展的机会，是一个本身就富有价值的行动过程。

一、数据资源入表面临的挑战有哪些？

1、确权：数据从生产到消亡的整个生命周期中主要贯穿四类角色：数据生产者、数据所有者、数据使用者、数据管理者。

数据确权就是针对特定的数据资源确认角色的过程，是数字经济的发展基石，一切数字经济行为都依托于数据确权。对于数据确权这方面目前暂时没有明确的法律规定，现有政策法规也仅仅只在数据确权上做出方向和框架的指导。值得一提的是，数据资产的权属虽然仍有争议，但可以明确的是，数据资源的重心在于使用、控制与收益，而非所有权。因此，企业无需证明对其数据拥有所有权，而是需要证明拥有其使用权、收益权或控制权。只要能证明拥有这三种权利中的任意一种即可，并不一定需要通过备案登记或获取证书的方式来证明其数据资源权属。

2、估值：根据存货和无形资产的确认条件，数据资源要被纳入为数据资产，除了要确定能够给企业带来经济效益之外，还需要满足其价值能被可靠计量的条件。

与实物资产不同，确定数据资源价值的过程显得比较复杂，数据资源目前还没有标准的估值方法，这使得在财务报表中准确量化其价值具有挑战性。而目前对数据资源定价估值的方法研究，大多都是在成本法、收益法和市场法基础上衍变而来，均存在估值不成熟因素。

①成本法：根据投入成本来计算价值，但由于后期价值可能持续增加等因素，成本法并不能有效衡量数据资产价值；

②收益法：根据预期收益来估计价值，但具有较强的主观能动性，估算值可靠性低；

③市场法：根据市场供需与价格来判断价值，但由于现有数据要素市场不成熟，市场法暂且不具备可靠估算条件。

3、测量：数据资源的价值通常会随时间以及其它因素的变化而发生改变，这使得财务人员在周期基础上测量其对财务的影响变得十分困难，因此企业要想建立可靠且统一的数据资源测量方法具有一定的挑战性。

4、隐私安全：数据资源受到相关隐私及安全法规的约束，企业面临着数据合规管理和数据安全保护的挑战，不仅要对用户等相关方面的数据进行安全保护以增强用户的信任感，也要对企业内部重要数据做好管理，采取措施保护敏感数据并遵守相关法规避免对企业造成不利的后果，保证数据的安全性这也是一项挑战。

二、数据资源入表需要哪些数据？

与报销差旅费、固定资产入库等流程一样，财务人员需要获取第一手资料也就是原始单据才能够据此作出相对应的账务处理，那么在数据资源入表之前财务人员需要获取哪些数据资源呢？

根据不同的标准数据可以划分为多个分类：

1、根据数据的类型标准分类：

①结构化数据：具有固定格式和明确定义的数据，比如表格数据等；

②半结构化数据：具有部分结构和标记的数据，比如XML文件、JSON文件和HTML文件等；

③非结构化数据：没有固定结构和格式的数据，比如文本文件、图像文件和音频文件等。

2、根据数据的来源标准分类：

①内部数据：企业内部生成的数据，比如企业的销售数据、用户行为数据、渠道数据、采购数据等；

②外部数据：从企业外部获取的数据，比如市场数据、竞争对手数据、行业数据等。

3、根据数据的用途标准分类：

①操作性数据：操作性数据是指用于支持组织的日常运营和业务流程的数据。这些数据通常用于执行操作和交易，例如交易记录、用户行为记录、设备数据等；

②分析性数据：分析性数据是指用于支持分析和决策的数据。这些数据经过加工和整理，可进行统计分析、数据挖掘和机器学习等。例如，报告、统计数据、用户调研数据等；

③参考性数据：参考性数据是指用于作为参考和指导的数据。这些数据通常是行业标准、指南、规范等信息，用于指导组织的业务决策和实践。

4、根据数据的储存方式标准分类：

①数据库数据：数据库数据是指存储在关系型或非关系型数据库中的结构化数据。关系型数据库使用表格和行列的结构存储数据，而非关系型数据库使用键值对、文档、图形等方式存储数据。

②文件数据：文件数据以文件形式存储，可以是结构化数据、半结构化数据或非结构化数据，例如文本文件、图像文件、音频文件等。

③流数据：流数据是以实时流的形式传输和处理的数据。流数据通常来自传感器、日志服务器、实时事件等，需要进行实时处理与分析。

5、根据数据的领域标准分类：

数据可以根据不同的行业和应用领域进行分类。例如金融领域的数据包括交易数据、市场数据、投资数据等；医疗领域的数据包括患者病历、医疗影像数据、健康监测数据等；教育领域的数据包括学生信息、教学资源、考试成绩等。

以上这些数据资源，只要是能够满足无形资产或者存货的确认条件的，都可以按照一定流程将数据资源以资产的身份纳入资产负债表，财务人员需要将这一系列数据资源规范入账入表，提高企业财务报表价值显示准确性，优化资产负债表，提升企业的融资能力。

三、这些数据能够从哪里获取？

通常情况下，财务人员做账入表需要获取的第一手资料一般都是跟相关业务部门进行工作交接获取的。随着企业规模日益扩大和信息化水平的提升，传统企业积累的数据资源也越来越丰富，这些数据资源往往来源于企业日常经营中运营活动、销售记录、生产过程、供应链管理等多个环节，蕴含着丰富的价值信息，揭示客户需求、市场趋势、销售渠道、产品质量等。但在数字化发展之前，企业相关业务部门究竟是通过哪些渠道获取这些数据的？

1、调研与市场调查：通过市场调研及调查来了解目标用户的相关需求、偏好与行为，传统手段有通过调查问卷、焦点小组讨论、电话访谈等方式来采集数据。例如，一家汽车制造生产商可以通过市场调查了解消费者对于电动汽车的看法评价、是否有购买诉求及其购买动机。

2、销售与客户服务：通过在销售的过程中与客户的互动和服务记录来获取用户数据和销售数据，据此分析客户的购买行为、对产品偏好等信息。例如，一家零售店可以通过销售记录了解哪些产品是最畅销的哪些产品是无人问津的，帮助零售店做出较为准确的库存管理决策。

3、网络与社交媒体：通过互联网或者社交媒体平台收集行业数据、用户数据和市场数据。企业可以通过分析网站流量、用户行为和社交媒体活动来了解用户兴趣和市场趋势。例如，一个电商平台可以通过使用网站分析工具追踪用户在平台上的购买行为和偏好，从而投其所好做出选品和产品定价决策。

需要注意的是，企业在采用以上传统渠道收集和使用数据资源时会存在许多弊端：

1、存在人为偏差：在调研和市场调查中，受访者的回答可能受到回忆偏差、社会期望和个人主观意见的影响，导致数据的可信度和准确性受到影响；

2、投入时间及资金成本高：传统渠道获取数据通常需要耗费大量的时间和资金成本；

3、数据质量失真性高：由于传统渠道收集数据的过程通常较为复杂，数据的质量可能难以保证，比如调研中受访者可能不愿真实回答问题，销售记录与客户服务记录可能存在遗漏或登记错误的情况；

4、数据采集来源受限：采用传统渠道获取的数据样本通常都是有限的，由于采集渠道的问题可能导致数据样本不够全面，无法全面揭示用户与市场的全部信息特征；

5、难以及时响应市场变化：通常需要一段时间来整理和分析传统渠道采集获取的数据，因此无法及时响应市场变化，这可能会使得企业在快速变化的市场环境中做出不准确的决策错失良机。

四、数据资源入表对传统企业的启示

1、全面审视数据从产生、加工、流转到应用的全链路

数据对于大多数传统企业都是新事物，《暂行规定》建议披露的事项包括原始数据的类型、规模、来源、权属、质量等，这些信息在大部分传统企业往往是零散、不成体系的。传统企业需要通过数据资源盘点，梳理清楚企业内部有哪些数据，这些数据与业务/系统存在何种关系，以及数据从产生、传输到使用的链路如何。这个过程不是单纯的技术问题，而是系统工程。但绝大多数传统企业还没有配置相关系统工程，这时候从外部寻求助力就显得尤为重要。通过与具有专业技术且服务经验丰富的企业服务商合作，采用数字化工具和手段来获取更全面、准确、实时且是“活”的数据。

2、数据入表需要做好系统性数据规划

数据资源“入表”过程中，企业需要论证数据资源预期是否会给企业带来经济利益，此外，对预计使用寿命內可能存在的各种经济因素作出合理估计，并应当有明确的证据支持。因此，企业需要对数据未来有哪些应用场景、可能产生哪些使用或变现收益做好全局性思考。数据规划能够帮助企业系统性地梳理数据愿景、数字化转型方向、数据应用场景、技术底座等要素之间的关系，以更系统、全面的方式谋划未来数据价值释放的机会点，以及各场景的优先级顺序，从而为更好地评估数据“入表”做好准备。

3、数据资源入表是一把手工程

数据不是单纯的技术问题，而是一套系统工程。数据入表也并非是财务部门主导的工作，而是一把手工程。数据与数字化转型息息相关，数据资源入表与企业组织数字化协同紧密相连。以数据资源入表为例，需要财务部、IT部、外部审计师在年审之前预先做好沟通，共同商议。此外，在评估数据资源未来经济利益流入的可行性方面，必然会涉及业务部门的专业判断。因此，必须由高层领导牵头建立企业级的数据管理委员会，在数据管理委员会的领导下，形成财务、IT、业务部门共同商议的正式流程，形成成本归集与分摊的机制，为“入表”做好准备。

关于米多

米多成立于2014年，主营大数据引擎系统，拥有三大核心产品“一物一码、社交云店、CDP”，致力于以EBC为核心，以产业路由器为载体，以BC一体化为切入点，构建基于”立体连接、数据共通、流量共享、全景共鸣、全域赋能、全链共赢“的在线化产业服务平台。为产业链相关企业提供包含商品、技术、营销、数据、物流等一站式综合服务解决方案，推动产业链各环节经营者尤其是大消费领域品牌商的营销数字化转型。

目前米多已经和“可口可乐、劲酒、茅台、维达、洁柔、雪花、嘉士伯、立白、卡姿兰、百雀羚”等30000+家知名品牌商达成合作，帮助【持续增长】首选的营销数字化整体解决方案提供商。

如想获取“营销数字化解决方案”，请私聊我~或试用申请

 

填写联系方式，免费体验。