（一）保证大数据环境下的数据质量

1.管理环境的挑战

大数据时代下，每个个体都是数据的产生者，企业的任何一项业务活动都可以用数据来表示，如何保证大数据的质量，如何建模，提取并利用隐藏在大数据中的信息，从数据收集、数据存储到数据使用，企业必须制定详细、缜密的数据质量管理制度，在数据库设计时要考虑大数据在各个方面可能发生的种种意外情形，利用专门的数据提取和分析工具，任命专业的数据管理人才加强对大数据的管理，提高员工的数据质量意识，以保证大数据的数据质量，从而挖掘出更多准确、有效、有价值的信息。

在云计算的基础上，大数据环境对企业的信息收集方式、决策方案制定，以及方案选择与评估等内容具有一定的影响，从而进一步影响企业管理决策内容。研究内容以及研究现状表明，我国当前企业在发展过程中，运用数据驱动的企业，其内部内容以及财务状况良好，凸显出财务状况的具体实效。大数据当中的数据内容具备先进性特点，对知识经济各项生产要素的发展具有重要作用。大数据的运用已经成为企业实现现代化发展的重要因素，大数据为企业管理决策方面的内容提供了新环境。

2.流程视角的挑战

从流程的角度，即从数据生命周期角度来看，可以将数据生产过程分为数据收集、数据存储和数据使用三个阶段，这对保证大数据质量分别提出了不同的挑战。

第一，在数据收集方面，大数据的多样性决定了数据来源的复杂性。大数据的数据来源众多，数据结构随着数据来源的不同而各异，企业要想保证从多个数据源获取的结构复杂的大数据的质量，并有效地对数据进行整合，是一项异常艰巨的任务。来自大量不同数据源的数据之间存在着冲突、不一致或相互矛盾的现象，在数据量较小的情形下，通过编写简单的匹配程序，甚至是人工查找，即可实现多数据源中不一致数据的检测和定位，然而这种方法在大数据情形下却显得力不从心。另外，由于大数据的变化速度较快，有些数据的“有效期”非常短，如果企业没有实时地收集所需的数据，有可能收集到的就是“过期的”、无效的数据，在一定程度上会影响大数据的质量。数据收集阶段是整个数据生命周期的开始，这个阶段的数据质量对后续阶段的数据质量起着直接的、决定性的影响。因此，企业应该重视源头上的大数据质量问题，为大数据的分析和应用提供高质量的数据基础。

第二，在数据存储阶段，由于大数据的多样性，单一的数据结构（如关系型数据库中的二维表结构）已经远远不能满足大数据存储的需要，企业应该使用专门的数据库技术和专用的数据存储设备进行大数据的存储，保证数据存储的有效性。据调查，目前国内大部分企业的业务运营数据仍以结构化数据为主，相应地主要采用传统的数据存储架构，如采用关系型数据库进行数据的存储，对于非结构化数据，则是先将其转化为结构化数据后再进行存储、处理及分析。这种数据存储处理方式不仅无法应对大数据数量庞大、数据结构复杂、变化速度快等特点，而且一旦转化方式不当，将会直接影响到数据的完整性、有效性与准确性等。数据存储是实现高水平数据质量的基本保障，如果数据不能被一致、完整、有效地存储，数据质量将无从谈起。因此，企业要想充分挖掘大数据的核心价值，首先必须完成传统的结构化数据存储处理方式向同时兼具结构化与非结构化数据存储处理方式的转变，不断完善大数据环境下企业数据库的建设，为保证大数据质量提供基础保障。

第三，在数据使用阶段，数据价值的发挥在于对数据的有效分析和应用，大数据涉及的使用人员众多，很多时候是同步地、不断地对数据进行提取、分析、更新和使用，任何一个环节出现问题，都将严重影响企业系统中的大数据质量和最终决策的准确性。数据及时性也是大数据质量的一个重要方面，如果企业不能快速地进行数据分析，不能从数据中及时提取出有用的信息，就将会丧失预先占领市场的先机。

3.技术视角的挑战

技术视角主要是指从数据库技术、数据质量检测识别技术、数据分析技术的角度来研究保证大数据质量的挑战及其重要性。

大数据及其相关分析技术的应用能够为企业提供更加准确的预测信息、更好的决策基础以及更精准的干预政策，然而如果大数据的数据质量不高，所有这些优势都将化为泡影。

在数据规模较小的情况下，关系型数据库就能满足企业数据存储的需要，一般企业信息系统数据库中的记录通常会达到几千条或上万条，规模稍大的企业，其数据记录能达到几十万条，在这种情况下，检测数据库中错误、缺失、无效、延迟的数据非常容易，几分钟甚至几秒钟就能完成对所有记录的扫描和检测。

然而在大数据时代，企业的数据量不仅巨大，而且数据结构种类繁多，不仅仅有简单的、结构化的数据，更多的则是复杂的、非结构化的数据，而且数据之间的关系较为复杂，若要识别、检测大数据中错误、缺失、无效、延迟的数据，往往需要数百万甚至数亿条记录或语句，传统的技术和方法常常需要几小时甚至几天的时间才能完成对所有数据的扫描与检测。

从这个角度来讲，大数据环境为数据质量的监测和管理带来了巨大的挑战。这种情况下，传统的数据库技术、数据挖掘工具和数据清洗技术在处理速度和分析能力上已经无法应对大数据时代所带来的挑战，处理小规模数据质量问题的检测工具已经不能胜任大数据环境下数据质量问题的检测和识别任务，这就要求企业应根据实际业务的需要，在配备高端的数据存储设备的同时，开发、设计或引进先进的、智能化的、专业的大数据分析技术和方法，以实现大数据中数据质量问题的检测与识别，以及对大数据的整合、分析、可视化等操作，充分提取、挖掘大数据潜在的应用价值。

4.管理视角的挑战

管理视角主要探讨企业高层管理者、专业管理和技术分析人员对保证大数据质量的重要性。

第一，大数据的管理需要企业高层管理者的重视和支持。只有得到了企业高层管理者的高度重视，一系列跟大数据有关的应用及发展规划才能有望得到推动，保证大数据质量的各项规章制度顺利地贯彻和落实。缺少高层管理者的支持，企业对大数据管理、分析和应用的重视程度就会有所降低，大数据的质量就无法得到全面、有效的保证，从而将会大大弱化大数据价值的发挥，不利于企业竞争能力的提升。因此，企业应该在高层管理者的领导和带领下，加强大数据质量意识，建立完善的数据质量保证制度。

第二，专业数据管理人员的配备是保证大数据质量不可或缺的部分。由于大数据本身的复杂性增加了大数据管理的难度，既懂得数据分析技术，又谙熟企业各项业务的新型复合型管理人员是当下企业应用大数据方案最急需的人才，而首席数据官（Chief Data Officer，CDO）就是这类人才的典型代表。CD0是有效管理企业大数据、保证大数据质量的中坚力量。企业要想充分运用大数据方案，任命CDO来专门负责大数据所有权管理、定义元数据标准、制定并实施大数据管理决策等一系列活动是十分必要的。

CDO的缺失是国内数据管理方式落后的直接体现，而落后的数据管理方式是影响大数据应用、阻碍大数据质量提升的重要因素之一。传统的数据管理方式已经远远不能满足大数据环境下数据质量的要求。以往大部分企业在运营过程中均由业务部门负责掌管数据，IT部门负责信息技术的应用，这种分离式的运营管理方式容易造成业务人员不了解分析不同数据所需的不同IT工具，而IT人员在运用IT技术分析数据时不了解数据本身的内涵，甚至会做出错误的数据解释，影响了企业决策的准确性和有效性。

为此，企业应该对组织架构体系及其资源配置进行重组，让数据管理与分析部门处于企业的上游位置，而设立CDO便是企业重组的成功标志之一。

大数据环境下，还应配备专业、高端的数据库设计和开发人员、程序员、数学和统计学家，在全面保证大数据质量的同时，充分挖掘大数据潜在的商业价值。此外，在大数据生产过程的任何一个环节，企业都应该配备相应的专业数据管理人员，通过熟悉掌握数据的产生流程进行数据质量的监测和控制，如在数据获取阶段，应指定专门人员负责记录定义并记录元数据，以便于数据的解释，保证企业全体人员对数据的一致、正确理解，保证大数据源头的质量。

（二）大数据对管理决策的影响

1.大数据环境下的数据管理

在大数据环境下，企业的管理决策内容的技术含量以及知识含量非常丰富，数据已经成为企业管理决策的重要内容。对数据质量以及数量内容进行有效管理，对企业发展具有重要作用。一旦企业不重视数据内容的处理与存储，将造成大量数据内容流失，严重影响企业通过数据分析当前市场环境，市场竞争力下降。

传统上，我们认为会计的基本职能是核算与监督。企业中会计人员的主要职能和精力放在了会计单据的审核、记账、报告、归档等基础工作上。这种格局在大数据时代将发生也正在发生着变化，会计由“核算财务”向“价值提升”转化。大数据的数据管理过于烦琐，需要对整体的解决方案内容进行筛选、抽取与集成，保证多数据处理的质量与可靠性，在此基础上对各项信息及内容进行总结；数据的产生与处理需要满足处理的根本性需求，将数据实时分析的内容作为处理核心内容、发现实时数据的具体作用。在这一层面上，实时数据的及时处理则需要予以充分重视，数据之间的关系内容呈现出关联性特点。大数据的出现，使得数据之间的各项内容呈现出关联性特点，转变了传统的因果关系体系。这种方式的转变，使得大数据能够实现信息挖掘，提升信息的可靠性，发现大数据的具体价值。

2.大数据的知识管理

基于知识管理的角度进行分析，数据当中蕴含着大量知识内容，同时也是影响决策内容的重要因素。在大数据时代下，企业想要获取管理决策方面的知识内容，需要大数据对各项数据进行挖掘，从而获得丰富的知识体系。通过上述各项分析内容得知，数据管理与知识管理在一定程度上能够体现企业对大数据的应用状况，保证两方面的协调发展，使得企业在运用大数据的过程中深入挖掘其中内涵，更新企业发展模式，提升企业综合竞争力。

大数据时代，以知识为核心要素的企业创新速度更快、产品生命周期更短；以互联网和电子商务为平台的合作伙伴选择范围更广，企业生态系统的成员结构呈现出一定的动态性；以知识共享和流程优化的生态系统成员合作关系表现为非线性的竞合关系；以差异化数据为导向的市场细分与行业耦合更趋偶然性。这些非平衡态因素促进了企业生态系统内外的信息、资源、能量等要素的流动，有助于产生自组织现象，以知识为核心要素的技术创新对企业生态系统涨落的冲击力更大。因此，有价值的数据是企业制定战略决策、技术创新、挖掘顾客需求的指南针，也是改变企业生态系统的有序结构、形成企业生态系统耗散结构的触发器，从而促使企业生态系统偏离原有的稳定状态，进入新的稳定状态。

（三）对管理决策参与者的影响

1.数据分析师价值的凸显

在大数据环境下，数据分析师在企业管理决策的具体参与中呈现出重要的作用。数据分析师能够运用统计分析以及分布式处理等各项执行手段，在大量数据的基础之上对整个业务操作方面进行有效的整合，通过易于传达的方式将信息传递给决策者。但由于数据分析师人才的大量欠缺，需要多年的培养，在这方面存在一定不足。大数据内容改变了长期以来单纯依靠经验，以及自身具备知识水平与决策能力的决策形式，直觉的判断方式也让位于精准的数据分析内容，使得决策者的自身职能手段发生相应变化。基于企业内部的高层管理人员进行分析，由于传统企业生产经营过程中对于数据方面的应用较为欠缺，并且数据缺乏全面性的特点，高层管理者只能凭借自身的经验进行管理决策内容的制定与判断。

大数据的出现，能够基于数据的基础分析之上，从事实角度出发，结合管理者的管理经验，对决策准确性具有促进作用；对于企业的一般管理者与员工，能够为其提供决策所需要的信息内容，以提升决策能力和决策水平，使决策内容更加倾向于企业的员工。

互联网信息时代，科技水平的发展正在促进各个领域之间的融合，使得产业界限逐渐模糊，社会化的决策内容正在崛起。因此，多元化的大环境内容更加突出，决策来源呈现出广泛的发展趋势，全员参与的管理决策方式也已经被广泛关注。

2.创新以大数据为基础的关键业务和活动流程

大数据背景下，企业生态系统的主体、资源、结构、价值、边界网络等要素进行不断的动态演化和重构，创新以大数据为基础的关键业务和活动流程是企业生态系统获取竞争优势的动力源泉。

创新以大数据为基础的关键业务和活动流程主要包括：①基于大数据的流程优化，提高业务流程的处理效率，如物流企业通过对合作伙伴多维大数据的分析，找出企业物流配送的最优运输模式和路线，提高物流配送效率；②应用大数据作为企业活动的关键资源，创新企业生态系统的价值活动，如玩具制造企业，通过挖掘企业生态系统中合作伙伴的交易数据、客户购买行为数据、产品质量数据等关键资源，改进产品的设计和性能，创造企业新的价值增长点；③以大数据活动取代企业传统的业务和流程，形成企业生态系统新的经营方式和合作模式，通过对商业数据的分析形成联合库存管理，改变了传统的库存管理的业务类型和活动流程。

（四）对管理决策组织的影响(www.daowen.com)

1.重构决策权

大数据之下的全员参与内容，使得企业决策中的参与决策内容发生转变，对决策权的内容进行重新分配，严重影响企业的决策组织和决策文化的内容。企业管理决策组织方面分析，主要包含两方面：一方面为集中决策与分散决策的选择；另一方面为决策权的分配问题。

基于集中决策与分散决策的内容进行分析，从组织理论层面来看，可预测的环境对于企业的组织过程施加的影响较小，有利于形成集中分层的决策结构，在不可预知的环境中，分散决策结构对于管理决策具有重要的指导作用。但基于动态变化的环境下，分散决策则更能够发挥出集中决策所不能够发挥的作用，为企业管理决策制定提供便利。

除此之外，企业组织结构当中的内容还在一定程度上受到知识分布以及知识转移成本方面的影响，一旦企业内部的高层领导者处于集中状态，就需要通过集中决策结构对管理决策内容进行制定。

基于决策权的具体分配进行分析，企业在进行市场经济竞争中不具备优势的主要原因是由于没有将具体决策权分配给个人，并未准确评估个人的基本因素，严重影响管理决策内容制定的质量。员工在企业生产经营过程中所掌握的各项技能以及基本的信息量越多，理论上决策权应该越大，知识与权力内容在协调性方面的匹配程度越高，则说明在进行各项管理决策指标方面的内容越好。信息技术与网络技术在现代的发展，应该基于金字塔型代表的传统的管理组织模式，其已经逐渐转向人本思想管理内容和扁平化组织结构。

在大数据的发展环境下，企业的内部基层员工也能够掌握相应的主动权内容，使得扁平化的发展趋势更加明显，决策分配顺应相应变化。在企业管理决策制定的过程中，应有效地吸纳管理决策存在的各方面内容，探析大数据环境下组织结构的建设措施。

2.重塑企业文化

大数据下的企业管理决策文化方面受到一定冲击。但需要注意的是，大数据时代并不是运用大数据去得到具体内容，而是通过应用大数据能够知道哪些内容。将大数据运用在企业管理决策方面，有效地转变思想观念方面的内容，遇到重大决策时，需要对数据内容进行收集与分析，保证各项内容进行准确、有效的决策，在思想转变的同时提升对数据运用的具体执行能力，并且企业内部的管理人员也需要通过数据促进企业内部管理策略文化的形成，并基于具体数据做出合理分析，优化内部文化的管理决策过程。在企业发展过程中，企业管理人员为应用大数据提升内部管理决策方面的环境，在大数据的基础之上对整体企业文化制度以及各方面内容进行创新，提升决策的客观性。

企业从海量的大数据中要挖掘出对企业决策有参考价值的数据，需要经历发现、提取、加工、创新等一系列复杂过程，同时需要企业全体成员参与数据的管理和控制，形成以数据为支持的决策导向。这就需要完善企业生态系统的数据处理制度，形成重视数据处理与应用的企业生态系统文化，主要措施包括建立数据收集和处理的制度文化，如数据收集、存储制度、数据传递、共享制度、保障数据安全制度等。建立起企业员工对数据处理和应用的理念，通过员工技能培训、学习、讨论、考核等方式深化企业员工对数据开发和应用的意识，让企业生态系统全体成员普遍接受以数据应用为核心的工作方式。在企业生态系统成员之间建立行之有效的知识激励机制，包括知识明晰机制、知识绩效机制、知识奖惩机制，以形成特有的、规模化的、不断创新的知识资产和核心生产要素，培育重视大数据处理和应用的企业生态系统文化。

（五）基于大数据支持的企业决策管理系统的构建

1.基于生态系统及其协同共生的决策创新

大数据为现代企业的运营管理模式带来了深刻变革，使企业可以整合产业生态链资源，进行产业模式创新；可以重塑企业与员工、供应商、客户、合作伙伴之间的关系进行企业管理创新；可以整合资源，创新协同价值链，提供新的产品与服务，打造新的商业模式。事实上，基于企业大数据的新型企业管理理念和决策模式正在商务管理实践中涌现。现代企业将逐渐摒弃“以产品为中心”、注重微观层面的产品、营销、成本和竞争等要素的传统管理模式，转变为“以服务为中心”、注重宏观层面的资源、能力、协同发展、价值创造和产业链合作等要素所面向的“社会媒体—网民群体—企业群”三位一体、和谐共生的“企业网络生态系统（enterprise ecosystem）”的新型管理模式。因此，结合社会媒体和网民群体产生的丰富的企业大数据，研究企业群体的共生/竞争协同演化，建立可持续发展的企业网络生态系统，对企业管理与决策具有重要意义，同时应重点关注基于社会化媒体的企业众包与协同发展、基于网络大数据的企业生态系统建模、企业生态网络中的协调运作与分配机制等。

2.大数据支持的企业决策管理系统

在大数据背景下，海量而复杂的数据对企业决策管理系统原有的技术体系结构提出了挑战，同时也要求具备更强的数据分析处理能力及数据驱动业务的能力。为了更好地利用大数据技术并将之运用到企业决策管理中，需要构建新型的基于大数据支持的企业决策管理系统模型，对企业原有的业务流程进行优化重组，对各类数据等进行整合。构建基于大数据支持的企业决策管理系统，将之分为三个层面，即数据的获取层、数据的处理层及数据的应用层。数据获取层主要有四个来源，即访问数据、交易数据、网络数据和购买数据。数据的处理层又称为决策协调控制系统，分为五个子系统，分别是决策数据采集子系统、决策数据分析子系统、决策数据筛选子系统、决策数据服务子系统，以及协调控制子系统，其功能依次是数据采集、分析、筛选、服务和协调控制。数据的应用层是基于大数据的企业经营策略，具体包括生产策略、营销策略、财务策略、运营策略、客服策略、公关策略。

（六）大数据背景下企业决策管理的现实困境

1.环境更加复杂

大数据一方面为企业决策管理提供了更为广阔的空间，在企业决策过程中，提供更多的决策信息来源；另一方面，企业面临的决策环境变化速度越来越快，各种与企业相关的数据信息，特别是偶发事件导致数据的不断产生、传播与储存，从客观上要求企业通过云计算平台尽快实现数据的集中整合，构建高度集成的企业决策管理系统，充分挖掘、采集、分析、储存形成海量的企业数据资产。因此，在大数据环境背景下，错综复杂的环境因素影响到企业决策信息的采集与分析、决策方案的制定与选择，从而影响企业对大数据的统一管理，客观上增加决策者进行决策管理的难度。

2.与企业决策相关的信息价值甄别难度大

大数据时代，互联网上的数据呈现爆炸式增长的特征，人类每年产生的数据量已经从TB级别跃升为PB、EB乃至ZB级别。数据中所蕴含的信息量超越了一般企业管理者数据处理能力的范畴，不仅使处理信息的工作量加大，传统的数据管理和数据分析技术难以有效挖掘这些数据潜在的价值，导致判断该信息的价值困难程度加大，从而导致企业在进行决策管理时，如何判断、取舍和利用信息价值的难度增大。只有构建基于大数据技术新型的、功能强大的企业管理决策系统，才能为企业更好地采集、甄别、分类、筛选有价值的数据，从而有利于企业决策的制定更加科学化。

3.企业决策的程序滞后于市场变化

传统企业决策程序，一般都要通过长时间的搜集资料、调查研究、分析论证、方案选择与评估，由于决策程序的复杂很可能导致决策的滞后性，最终企业会错失发展的良机。大数据时代，企业需要制定科学的决策，决策程序要高度简化，市场的激烈竞争要求企业能先他人而动，迅速做出决策，抢占市场制高点，在市场中占有一席之地，即企业未来的竞争主要就是基于大数据的竞争。通过应用大数据中的数据挖掘与分类整合功能，找出对企业决策有价值的数据参考，并迅速进行判断。

4.企业决策的主体更加多元化

进入信息化工业时代，由于企业决策要求的技术化和知识化不断加强，以及数据的不断增多，不少专家、学者，甚至是技术人员也加入这个决策群中。随着企业决策主体的增加，决策智库成员的多样化与知识的多面化，在一定程度上，可以使企业决策中集体主观判断的失误率下降。为提高决策管理的科学化程度，企业级决策管理系统应尽快构建，更广泛地应用大数据中的数据采集、分析、筛选技术，形成科学的决策数据指标，更好地为管理决策服务。

5.传统的企业决策方法有待创新

大数据时代，企业决策的制定必须以决策数据为依据，大数据研究不同于传统的逻辑推理研究，其要对数量巨大的数据做统计性的搜索、比较、聚类、分类等分析归纳，关注数据的相关性或称关联性，通过构建大数据支持的企业决策管理系统，在数量众多的数据中找出某种规律性的相互关系网，一般用支持度、可信度、兴趣度等参数反映相关性。只要从数据挖掘中发现某种方法与增加企业利润有较强的相关性，就可能为企业决策管理提供战略支持。数据的相关性及其对于企业决策的重要性，就从客观上要求企业管理者应顺应形势，及时改进决策管理的方法。

（七）大数据时代应如何通过财务战略优化资源配置

1.利用大数据优化财务分析

要想更好地提升企业的财务管理能力，企业就必须进一步明确财务分析和大数据的关系，统筹兼顾，实现资源的优化配置。众所周知，财务数据是企业最基本的数据之一，其积累量较大，其分析结果直接影响着企业财务管理的最终质量。因此，企业在进行决策分析时，必须坚持客观公正原则，以财务数据为基础，制定明确的分析指标和依据，以保证企业财务管理的平稳推进和运行。在进行财务分析时，财务管理人员应先查找和翻阅当期的管理费用明细，并将其与前一阶段的数据进行对比，找出二者之间的主要差异，从而找出管理费用的变化规律，最终得出变化原因。在进行原因分析时，财务管理人员可以建立一个多维度的核算项目模型，并在模型中做好变化标记。在整个分析过程中，财务人员往往要花费大量时间用于管理费用的核算与验证，同时查找相关资料。在财务软件中，上述系列动作要切换不同的界面。而如果利用大数据技术，只要通过鼠标的拖拽，就可以在短短几秒钟内分析出所有管理费用明细发生在每个部门的情况。对企业的决策者而言，通过对财务信息的加工、搜集和深度分析，可以获得有价值的信息，促使决策更加科学、合理。

2.利用大数据加强财务信息化建设

大数据可能对会计信息结构产生以下两个方面的影响：

（1）会计信息中非结构性数据所占的比例会不断提高

大数据技术能够实现结构性：和非结构性会计信息的融合，提供发现海量数据间相关关系的机会，并以定量的方式来描述、分析、评判企业的经营态势。因此，我们越来越有必要收集非结构化数据，并加以解读和理解。

（2）在特定条件下，对会计信息的精准性要求会降低

大数据时代，会计信息的使用者有时可以接受非百分之百精确的数据或者非系统性错误数据，这可能会对会计信息的质量标准提出新的观察维度：会计人员需要在数据的容量与精确性之间权衡得失，是强调绝对的精准性，还是强调相关性。

为此，在财务信息化的建设上，第一，在企业内部逐步建立完善的财务管理信息化制度。制度保障是企业信息化的第一步，因为信息化并不是一蹴而就的，只有从制度层面做出规定，才能保障信息化切实有效的推进。构建网络化平台，实现企业的实际情况和网络资源的有机结合，达到解决企业信息失真和不集成的目的。构建动态财务查询系统，实现财务数据在不同部门之间的迅速传递、处理、更新和反馈。第二，加强监管力度。发挥互联网的优势，利用信息化的手段实时监控各部门的资金的使用情况，将资金运行的风险降到最低，使资金的使用效率最大化，同时要注意保障财务数据安全。

3.构建科学的财务决策体系

为建立科学的大数据财务管理决策体系，第一，要强化企业决策层对大数据的认识。因为在传统决策中依靠经验获得成功的案例比比皆是，再加上大数据需要投入大量的人力、物力，短期内很难给企业带来明显的效益提升，所以很多决策者认为企业财务决策与大数据关系不大。这种认识是片面的，企业只有正视这种变化，才能够从数据中获得自己想要的信息，认识到自己面临的风险，从而制定出合理的决策。第二，要结合企业的实际情况，建立有效的基于大数据的财务决策流程。要改变过去“拍脑袋”做决策的模式，通过积极地收集企业相关数据，建立大数据平台，利用先进的技术，从数以千万计甚至亿计的数据中收集、处理、提取信息，挖掘问题背后的相关性，探索企业隐藏的风险和商机，找出问题的解决方案，实现由数据引领决策的目的。