企业数字化现状

随着数字化时代的到来，基于互联网的企业信息系统的发展，企业数据的管理和应用更为复杂；数据不仅要支撑企业的运行和管理，更要为企业的决策服务。在这样的背景下，将数据作为企业的战略资产加以重视和综合利用，才能为企业实现长期发展战略和增长目标服务。

大数据分析无论在商业分析中还是业务风险识别中的作用日趋凸显，数据驱动毫无疑问已经成为当代业务增长和风险把控的核心竞争力。不管是电商和SaaS等互联网行业，还是零售，消费，生命科学等“互联网+”行业，从数据着手，释放数据价值，已经是企业发展过程中迫在眉睫的需求。

数字化新常态下企业面临的问题

系统漏洞：创业企业发展迅速，以业务增长为导向，系统功能设计缺失导致的数据失真十分常见。同时，由于业务高速发展，系统的复杂程度和关联关系也急剧增加，从而导致业务之间的数据勾稽关系混乱。而业务系统与财务系统往往也相互独立。

数据失真：企业主观虚增甚至伪造某些核心指标数据，提升自身估值，其手法包括：直接篡改数据库中的原始数据，购买虚假流量，爬取竞品数据，调整统计方式，以及对“羊毛党”以套利为目的的刷单行为放松管理等。

无法有效分析：未形成有效的元数据管理、数据地图管理，因此未能建立有序的指标系统，导致数据质量较差，无法进行全链路的数据质量监控和指标分析。

投资和尽调过程中面临的挑战

传统分析无法适应新经济，无法处理大量数据：传统行业处在数字化转型过程中，数字化转型不及时导致早期财务数据不完善，而业务数据量巨大，需要使用更数字化的分析方法了解企业真实经营状况。

核心指标易被人为操作，存在大量“水分”：核心指标用户量、GMV，可通过刷单、刷用户量、刷活跃度等行为进行注水造假，难以评估业务的实际情况；同时，也可通过使用不同的统计口径和计算方式，优化核心指标。

业务与财务之间无法勾稽：投资人拿到的财务报表与管理报表由于各种各样的原因，存在较大差异，并且无法解释差异原因，也无法从业务数据推演计算得到财务数据。

数据尽职调查“四步法”完美应对挑战

安永数据尽职调查方法论是由各行业业务分析和反作弊经验丰富的专家经多年企业工作经验和尽调实践得出的先进方法论，可以在尽调过程中充分发挥数据的作用，为识别尽调中的重要业务指标和风险点赋能。

一般的信息和技术尽职调查仅着眼于IT系统架构审阅，安永的工作方法着眼于业务数据的风险，基于系统架构、数据质量和商业模式的理解，准确反映目标公司的经营状况与变化趋势。

安永团队通过对行业的深入理解与行业经验，将财务数据与业务数据紧密结合，并进行充分的交叉验证，更加侧重业务数据风险，形成了了解业务模式、数据清洗加工、验真和分析、形成结果“四步法”的完整数据尽调闭环。

图1：信息和数据尽职调查“四步法”
 

了解业务模式、系统架构、数据逻辑。为了能够更深入地理解数据以及数据所反映的商业实质和业务风险：

（1）从业务流程入手，梳理分析业务操作流程，确定系统中数据与实际业务流程一致，并且可充分反映业务实质；

（2）根据业务理解和行业经验，梳理业务流程，并挖掘可能存在异常和造假的节点；

（3）罗列业务流程各节点的常见风险，分析对结果有影响的基础指标；

（4）最终结合目标公司实际业务及运营情况设计验真和分析指标，形成一套有效的风险识别和业务分析方案。

数据清洗和加工。在数字化新常态下，不仅要获取企业内部数据，同时也要进行外部数据核对校验，如通过对比第三方平台数据（如运营商数据、网站/app流量数据、工商及法律信息平台、发票信息查询平台等）以及客户、供应商、合作伙伴和用户抽样调研访谈等，寻找可疑点，进行业绩分析。在对内部数据进行清洗和加工时，安永团队使用了主流大数据工具来提高效率和质量，如Python，Hadoop，Mysql，Sql Server，SAS等。

验真和分析。

1.数据验真-运用大数据手段，针对全业务流程进行风险识别。包括：

（1）关键KPI的校验，保证企业提供的关键KPI统计口径的合理性和统计结果的准确性；

（2）业财数据交叉验证，创业型企业往往忽略了业务数据和财务数据之间的勾稽，导致业财数据不匹配，安永的财务尽职调查团队与数据尽职调查团队为同一团队，能够完整准确地将财务数据中的业务形态复现，同时将业务数据通过修复计算得到财务数据，实现业务数据与财务数据相勾稽；

（3）线上指标异常测试，识别业务数据中记录的可能存在虚增关键KPI的数据，清洗相关数据从而得到更加贴近实际业务真实状态的核心指标；

（4）线上与实际相互勾稽，根据关键KPI和异常测试的结果，模拟业务系统中实际的数据状态，复现真实业务形态和业务数据流转情况，进而判断关键KPI选取和统计方法是否可以满足分析需求，以及高风险数据的真实性。

2.数据分析-结合业务特性，通过体系化的指标分析理解业绩趋势。主要包含:

（1）驱动因素分析，根据企业本身的业务模式与业务发展阶段，细分不同业务场景，制定合理的分析指标，挖掘各业务场景的影响因子。

（2）运营质量分析，如：内容质量、用户粘性等，包含的主要指标如累计客户数、活跃客户数、付费客户数、订单量、交易额、留存率、复购率、转化率等。

形成结果。

（1）通过数据验真，识别企业业务数据是否存在作弊或造假风险，夯实核心KPI；

（2）梳理出业务与财务之间的差异，为企业商业模式的分析和判断提供有力的数据支撑；

（3）分析驱动因素对业务增长的贡献，通过系统的归因分析，对业务增长提出有针对性的可行建议。

安永团队在信息和数据尽职调查的基础上，结合行业专家丰富的分析经验完成了企业运营风险监控，实现了公司数据仓库与定制化报表连接，实时更新，已经可以应用于市面主流可视化工具，如PowerBI和Tableau。

总结

信息和数据尽职调查实现了线上数据/线下数据和财务数据的交叉验真，拓展了传统尽职调查聚焦于财务和业务数据的工作方式。

下面以电商为例详细介绍对于信息和数据尽职调查过程中验真和分析环节的关注重点：

数据验真。进行刷单指标测试，如：同一手机号/IP/收货地址对应多个账号；单笔订单金额大于N元；订单集中在特定时间（如：凌晨订单）；收货地址属性与产品用户群定位不一致；用户聚集性等。通过对全业务流程（除传统尽职调查的货物流、资金流、财务流分析外，还包括线上数据分析）的梳理、风险点和控制点检查，识别潜在风险。

图2：以电商为例的全业务流程风险识别

数据分析。对于电商收入增长的分析，不仅仅着眼于量价的拆解，同时通过体系化的指标分析，理解各个维度的匹配情况，从而更深入地剖析业务，挖掘业务驱动因素。电商业务数据分析使用人货场模型，通过体系化的指标分析，理解人货匹配度及业务驱动因素。

图3：以电商为例体系化业务指标分析

不同类型企业信息和数据尽职调查的关注重点

图4：信息和数据尽职调查关注重点指标

案列分享

针对当前投资热门新零售和消费，安永团队就分析痛点列举两个案例。

案例一

背景介绍：目标公司主要业务为自营门店，有会员体系，可在门店线下选购，也可通过app、小程序或外卖平台下单。

问题：目标公司的线下门店流量与线上app、小程序、外卖流量是否能够相互转化从而驱动用户体量和交易规模的增长？

解决方法：识别不同渠道新增用户的来源，并分析用户后续的行为特征，从而得出线下流量与线上流量之间的转化关系。

图5：新增用户不同渠道转化率

案例二

背景介绍：目标公司为主要销售渠道是线上电商平台的消费品，获客成本较高，因此对用户生命周期价值（LTV）十分关注。

问题：目前的计算方法只能利用现有数据进行估计，由于现有周期仅有30个月，使用现有周期计算LTV会导致数据失真。

解决方法：安永团队根据已有用户复购数据选择拟合算法，对用户完全流失进行预测，从而更准确计算用户生命周期价值。本案例选择了非线性拟合对用户复购率进行了拟合，得到用户复购曲线，当复购曲线趋于0时，代表当期新增用户已完全流失完毕。计算拟合公式可得全量用户在首次新增之后的180个月完全流失完毕，求得全量用户的平均生命周期约为3.2个月。

根据新增用户数以及新增用户销售额，新增全量用户的月度ARPU分别为191元，同时考虑税率与毛利率，全量用户生命周期价值约为331元。

图6：复购率非线性拟合曲线

本文是为提供一般信息的用途所撰写，并非旨在成为可依赖的会计、税务、法律或其他专业意见。请向您的顾问获取具体意见。