企业画像标签,员工画像标签

　　

　　 　　

　　

　　安永会计师事务所。在后疫情时代，为应对挑战，企业需加强合规管理以避免不利影响。的Young在今年6月发布了最新的全球诚信调查报告，重点关注企业在动荡时期面临的商业伦理挑战。在调查中，90%的受访者认为新冠肺炎疫情扰乱了商业经营秩序，造成了商业道德风险。 　　

　　

　　约三分之一的受访者表示会为了自己的职业发展和加薪而违背商业道德。调查报告称，这种行为普遍存在，而且会随着员工担心自己的工作和薪酬受到疫情影响而愈演愈烈。 　　

　　

　　只有34%的受访者认为第三方(包括供应商、合作伙伴和顾问等。)和他们一起工作的人在工作中恪守诚信。企业为了满足短期业务需求，可能会雇佣高风险的第三方，这往往无法认同企业的诚信文化。 　　

　　

　　59%的企业没有对员工进行数据保护法规培训。33%的受访者认为，疫情导致传统工作模式的改变，加剧了企业的道德风险。 　　

　　

　　面对后疫情时代商业伦理的挑战，企业需要加强自身的合规管理，包括企业诚信意识，以避免不道德行为对企业的不利影响。尤其是在信息高速发展的时代，数据和知识产权已经成为企业需要保护的重要资产之一。 　　

　　

　　如果企业缺乏良好的合规管理体系来应对这些风险，其潜在损失会变得更大。因此，企业建立系统的化学法规管理比以往任何时候都更重要。 　　

　　

　　在在5G、人工智能的时代，合规数字化转型已成为发展趋势。,的5G和人工智能时代，合规的数字化转型已成为重要趋势。利用机器学习、自然语言处理和交互式可视化平台，对合规进行数字化改造，可以更好地帮助识别和调查事件，找到根本原因，从而使合规治理更加规范和精细化，增强识别和调查攻击的能力，同时提高对复发的检测和预防。 　　

　　

　　特别需要强调的是，在前沿技术的应用上，企业的中心局将为企业的业务发展提供各方面的应用支持，尤其是合规部门。而数字孪生(Digital twinning)则可以实时收集、跟踪和计算真实商业世界中的数据，并形成企业真实产品数据或资产的数字虚拟副本。 　　

　　

　　将企业业务信息转化为可用于分析的有效数据，有利于企业合规的质变。未来，这些实质性的变化将大大提高企业数字化转型的速度，有效降低企业数字化成本，成为企业实现数字化转型的重要前提。 　　

　　

　　 　　

　　

　　借助数据中台，打破系统间壁垒，汇聚整合企业数据以实现数据价值变现。 　　

　　

　　目前企业拥有的数据可以分为两类：结构化数据和非结构化数据。 　　

　　

　　(1)结构化数据一般是存储在企业内部系统中的数据，其存储和排列是比较有规律的。但是企业不同系统存储的数据类型是不一样的(比如业务数据、财务数据等。)，而系统之间的壁垒是由于系统之间缺乏互联互通，导致企业合规的数字化转型难以实现。 　　

　　

　　(2)非结构化数据一般是各种形式的办公文档、图像、音频、视频等。在企业。根据国际数据公司(IDC)2的调查报告，现在企业的结构化数据只占总数据的20%，剩下的80%都是以文件形式存在的非结构化和半结构化数据，每年增长60%。如何更好地把握和处理非结构化数据，是企业合规工作实现数字化转型的又一难题。 　　

　　

　　要解决以上问题，“数据中心”是一个很好的解决方案。中心数据站通过数据技术，统一企业内多个部门和系统不同类型数据的标准和口径，形成标准数据并存储。数据平台创建的中间环境将企业中的各种数据源有效地结合起来，可以实现多个系统中各种数据源的汇聚和集成，同时奠定 　　

　　

　　通过基于商业数据集市，应用合规风险分析模型，构建员工合规风险画像。,的数据整合处理，企业原有数据所释放的数据价值将进一步推动企业合规中的数据分析和监控，帮助企业构建完整的合规风险分析模型，建立员工合规风险画像。 　　

　　

　　对于存储在数据库中的数据，我们可以使用描述性分析、有监督和无监督学习、可视化技术等大数据分析方法对数据进行评估和挖掘。合规性分析的框架如下： 　　

　　

　　(1)首先通过基本的描述性分析，从海量数据中提取重要信息，向用户展示企业的基本信息和现状，发现异常数据。 　　

　　

　　(2)其次，通过诊断分析，深入挖掘数据与企业业务信息的相关性，进而找出异常数据背后的原因以及相关的业务场景。 　　

　　

　　(3)然后利用各种统计、建模和数据挖掘工具对历史数据进行预测分析，找出所有数据变量之间的相关性和因果关系，建立模型预测企业中可量化的数值。 　　

　　

　　(4)最后，决策分析结合上述三种分析方法，共同为企业选择最佳的行为和策略。 　　

hp?k=企业画像标签,员工画像标签4.jpg">

　　

目前企业合规工作普遍使用的是基于规则检测的监控模型，主要是以企业现存的政策与规则为基础进行定性及定量分析，因此只能局限性地支持描述性分析和诊断性分析，且无法为企业提供最为有效的执行策略。

　　

在前沿技术中，基于机器学习和深度学习的监控模型可以全面支持描述性分析、诊断性分析、预测性分析、决策性分析。其中，机器学习中的无监督学习是通过训练没有风险标签的数据，使机器学习这些数据的特征，并将它们进行分类区分。

　　

当这些通过机器无监督学习得到的“未知风险标签”在经过大量的积累和强化后，合规部门基于过往知识经验将“未知风险标签”识别为高风险或者低风险，可以转化为更为稳定的有监督学习，即通过训练这些带有“未知风险标签”的数据，将新的带有相同特征的测试数据也归类在此标签下，逐渐形成稳定的新已知标签。新标签的机器学习可以做业务解读的规则，也可以重新应用到传统规则检测模型中，补充完善其中的规则，从而进一步优化模型。

　　

其中无法做简单的业务解读的复杂统计和数学规则，可以作为机器学习的后台引擎来驱动合规风险的识别。两种监控模式在这种交互式的优化中，将更快地助力企业形成一套完整的数字化风险合规模型。同时，合规人员可以利用该模型分析员工个人行为，从而进一步构建基于个人特征的员工画像及标签体系。

　　

　　

员工画像是由当下互联网和营销领域的“用户画像”这一概念衍生而来。企业通过这种“用户思维”了解员工，基于员工的自然属性、行为属性等，提炼出高精度的员工特征标识，形成用于数据分析的多维标签化员工模型。其中：自然属性信息包括性别、年龄、工作地点等比较容易获取的信息；行为属性信息包括考勤打卡、培训学习频率、会议发言频率、报销等基于不同业务模式的行为信息。

　　

相较于自然属性信息，行为属性信息更难获取，但基于这类信息对员工做出的分析与分类将更为准确。如建立精准的员工行为画像，企业合规工作可以考虑不再以个体为单位进行分析，而是通过加强算法，以产品组、事业部为单位，群体性地分析评估整个BU的行为属性信息，这将是未来企业数字化合规工作中的创新突破。

　　

将分析模型嵌入现行措施，同时现行措施的结果反哺分析模型，不断迭代循环。

　　

　　

合规风险分析模型的目的是为了嵌入到企业现行的合规监控流程，助力企业合规的数字化转型。例如，企业可在商业智能BI平台中利用可视化图表呈现合规风险分析模型的结果和发现，提供交互式实时仪表盘，从合规监控角度及时发现数据中隐藏的“异常行为”并对其进行针对性分析和决策。

　　

同时，企业在创立商业智能BI平台时可提供一定程度的用户权限定制，使不同部门人员根据其特定需求，在平台生成并导出专门针对该部门业务模块的数字化合规报告。除此之外，合规风险分析模型的嵌入也可以帮助企业实现合规风险的动态监控，在各个企业应用系统的支持下，风险分析模型的结果可以协助合规人员在多终端、多平台随时随地进行合规相关审批、查询和监控，并以邮件或短信等形式及时接收合规预警提醒。

　　

而这些现行措施在企业合规工作中的应用结果被及时反馈收集到企业数据中台之后，又可以用来进一步优化和改善原有的合规风险分析模型，使其更适用于企业的特定业务场景。通过上述迭代循环，企业更快地以数据为驱动进行合规管理与决策，成为真正的数字驱动型企业。

　　

注：

　　

1. 安永2020年全球诚信调研报告

　　

2. 国际数据公司（IDC）：IDC FutureScape: Worldwide Data, Integration, and Analytics 2020 Predictions

　　

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。