06 零数据 没有数据怎么办

无论大数据、小数据、活数据、伪数据，还是软数据，其前提都是有数据。那么，大家有没有想过，如果没有数据该怎么办？

没有数据，就是所谓的“零数据”，即只有一系列模糊的信息。我们经常遇到的风险，如汇率风险、供应商交货风险、知识产权侵权风险等，就属于此类。想要解决这类没有数据的问题，我们只需要记住一句话：没有数据就创造数据。

大家可能会问，数据真的可以创造吗？答案是肯定的。有一种创造数据的方法，是代理值估测法。

请看下面这份季度风险管理预测报告（见表1-16），表内每一项风险或机会的影响、概率、期望都是有数值的，这些数据是怎么来的呢？

1）第一项是“汇率波动的成本影响”，从方向上讲，此次汇率波动是一个造成资金外流的风险事件，所以其影响是负数。如果此次汇率波动可能造成的成本为100万元，预估发生的概率是50%，期望就是-100万元×50%，等于-50万元，在表内用带括号的数字来表示。

2）第二项是“地方政府补贴”，获得此类补贴属于机会事件，如全部落实可以获得60万元的收入，但其中有一小部分的投资补贴没把握获得，所以我们把概率从100%下调到75%，于是这一项的期望为60万元×75%，等于45万元。

3）第三项是“上游材料供应商提价”，原因是材料供不应求，这是一个风险事件，影响产生的成本为80万元。我们根据供应链分析数据预测这一事件肯定会发生，于是把概率设为100%，期望为-80万元。

4）第四项是“知识产权纠纷获赔”，由于我方可能胜诉，所以此事件属于机会事件，标的金额是200万元。鉴于国际裁决的流程比较慢，下季度等不到裁决结果的可能性很大，所以将概率预估为25%，期望为200万元×25%，等于50万元。

5）第五项是“用工荒带来的工资成本增加”，属于风险事件。我们以政府上调最低工资后的工资测算，会产生20万元的额外成本，执行概率为50%，期望就是-10万元。

最后，我们将上面五项的期望加起来，获得的总期望为-45万元，其绝对值占下个季度预测利润的比例为0.5%。

从表1-16的例子可以看出，在处理汇率波动的成本影响、地方政府补贴、知识产权纠纷获赔等企业没有多少掌控权的外部信息时，我们都可以填入代理值（即表1-16中“影响”一列的数值）来估算期望，这种方法叫代理值估测法。比如我们不知道未来汇率会如何变动，就可以先采用一个代理值，这个代理值会根据汇率的不断波动而不断变化。我们曾经只采用花旗银行预测报告中的汇率数据作为代理值，后来又找到了瑞银、渣打等7家投行的预测报告，用这7家投行预测报告的中位数平均值来做汇率的代理值，数字的置信系数就高得多了。

大家可能还会有这样的疑问：真实的汇率很可能与代理值有偏差，这样估算有意义吗？

要回答这个问题，我们需要一点儿哲学思维。事实上，从一个更广阔的视野来看，我们面对的世界就是不确定的，我们如果能够在所有不完美的答案中找到一个在当下相对合理的估计值，就可以解决很多问题了。如果大家还是有所质疑，我只能这样回答：财务工作中需要估算的情况并不少，比如每月纳税申报的数值都要求精确到角和分，但其中的折旧为什么是按5年推算，残值为什么是10%？这些问题其实都离不开估算。

所以估算不是问题，问题是如何把估算的偏差尽可能缩小。通过估算，我们能够实现“没有数据就创造数据”的目标。落实到企业管理中，估算还能够帮我们实现“从模糊到模块”的管理思路。

下面来想象一个情景。

老员工老张准备离职，将手头的工作移交给了新来的小李。

半个月过去了，经理把他们叫到办公室，问老张：“怎么样，你把工作都交代给小李了吗？”

老张坦然回答：“经理，都交代过了。”

经理转身询问小李：“小李，你感觉怎么样？”

小李挠了挠头，回答道：“差不多了……”

这是一个很常见的工作交接场景，很多时候，关于交接的对话就到此为止了。但是，什么叫“都交代过了”？什么又叫“差不多了”？这样的信息太模糊了。

这也是很多公司常遇到的问题，模糊的标准、模糊的指令、模糊的反馈，必然会带来一系列的“模糊成本”。就像在上面的情景中，由于交接的标准十分模糊，大概率会出现这样的局面：一周后老张离开了公司，轮到小李独立操作，却出现了很多错误，经理不得不想办法补救。

类似的模糊成本还有很多。比如任务不清晰造成的重复劳动、沟通不明确造成的外部损失、决策不正确造成的资源错配等，所有这些，最后都会以某种形式体现在月末的利润表里，例如不必要的检验成本、额外的材料报废、设备的闲置减值，等等。

想要尽可能避免这样的问题，我们就要想办法“创造数据”，从而让问题从模糊变得具体。比如在上面的情景中，经理不妨这样问：“小李，如果10分算满分，1分是最低分，现在让你独立操作，你会给自己打几分？”

假如小李想了一下，说道：“3分。”

经理则可以继续追问：“那欠缺的7分在哪里？”

小李给出具体的答案：“我对跌价准备金的计算逻辑理解得不到位。”

很显然，这样的交接要比之前的做法好得多，而且能够从一定程度上减少“模糊成本”。下面这份税务会计报表交接清单（见表1-17）在设计上就注意到了对“模糊成本”问题的处理。表1-17中包括10项，已交接的只有3项，计为3分，即对已交接项目每项赋值1分，对未交接项目每项赋值0分。像这种分值低于6分的交接就是不合格的，需要引起我们的重视。

这种为交接清单赋值的做法体现了“从模糊到模块”的原则，即将头脑中不够确定的东西尽可能明确地表达出来，以形成讨论、调整的基础。

下面我再举一个例子，十几年前，我在做投资考察时曾经用到一张“城市竞争力评分表”。

当时我们考虑在中国建一个研发中心，我作为项目组的一员参与了全部的考察与决策。我们考察了南京、西安等7个城市，发现在人才储备、政府意愿、配套供应链、亲商环境、生活宜居等几个考量标准上，这几个城市各有所长。到底应该选择哪个城市，我们一直无法达成共识，因为我们在第一天讨论中使用的都是模糊的标准，如“好”“出色”“不怎么样”等。

第二天，学数学出身的项目组长给出了这样的建议：对大家认为最重要的因素“人才储备”给予9分的权重，对一般重要的因素给予3分的权重，对可有可无的因素给予1分的权重，然后对每个城市在各个考量因素上的表现打出1～7分的分值，再将每个城市各因素的分值乘以相应的权重后加总，得出每个城市的竞争力加权总分。

按照项目组长的办法，我们得到了一张“城市竞争力评分表”（见表1-18）。

有了这张评分表，答案就一目了然了——我们将加权总分排在前两位的城市西安和南京推荐给总部做最终选择。这两个城市能够脱颖而出，也是因为它们拥有更多的半导体专业人才，而“人才储备”一项正是我们给予9分权重的考量因素。

最终，总部在权衡之后选择在西安建设研发中心。事实证明，这个选择是完全正确的，西安的研发中心运行不到3年，就开始承接集团的旗舰产品研发任务了，后来该中心被英特尔公司收购，成了英特尔一个重要的研发基地。

上面这张打分表将各因素按照重要性高低赋予相应的权重，再对每个对象的各因素分别打分，这种多因素综合打分法就是一个对复杂问题进行量化处理的决策方法。后来集团在考察投资晶圆厂时也使用了类似的打分法，只不过考虑到晶圆厂投资金额非常大，便增加了一项因素——“资助力度”。

上述这些例子体现了管理会计的数据智慧。管理会计毕竟不同于财务会计，财务会计研究数据的真实来源，管理会计则着眼于数据应用场景中的解决方案。财务会计对数据普遍存在完美主义倾向，或者说有“专业洁癖”，管理会计则应当跳出这个思维误区，有的时候要敢于使用“相对数据”，不要在“绝对数据”上花太多时间。

我经常看到财务部与业务部门出现这样的争论：财务部认为业务部门的数据与最后的财务报告对不上，所以应该用财务部的数据；而业务部门却认为财务数据不能真实地反映业务状况，比如在计算工时效率时应当采用标准工时更新前的标准，这样计算结果与历史数据才有可比性。

在应对这样的争论时，我们就应当采用管理会计的思路——使用相对数据。如果业务部门坚持使用自己的版本，比如用“4-4-5”的13周季度统计口径（一个季度的第一个月按4周计，第二个月按4周计，第三个月按5周计，共13周），我们就可以按照业务部门的版本，然后注意相对变化就可以了。

这样说可能比较抽象，还是用一个简单的例子来说明。

前几天，儿子看到我站在秤上称体重，就说：“老爸，别称了，我们家的秤不准。”

我说：“没关系，我不是要知道绝对正确的体重，我只是想与上周比较，看看经过这几天的锻炼后，用同一个秤称，我究竟瘦了几斤。”

我们对待数据的态度就应当如此，与其等待一个完美的标准，不如创建一个不太完美的数据标准，然后进行比较，这一样能够起到评测的效果。这一点对于管理会计的成长尤其具有参考意义。很多公司的管理会计都是在做完财务会计的一个个模块（比如出纳、应付款、总账）后才转岗过来的。其实两者的能力要素是不一样的，财务会计要求精准，管理会计注重有用。所以，从财务会计转岗过来做管理会计的财务人员，一定要先确立“有用比精确更管用”的新思维，在遇到零数据或模糊问题的时候，要学会“创造”数据，变模糊数据为模块数据，才能让看似棘手的问题迎刃而解。