新常态下数据尽职调查的必要性：
数据，是指对客观事件进行记录并可以鉴别的符号，是对客观事物的性质、状态以及相互关系等进行记载的物理符号或这些物理符号的组合。它是可识别的、抽象的符号。随着数字经济的发展，数据作为数字经济时代最核心、最具价值的生产要素，正深刻地改变着人类社会的生产和生活方式。人工智能、云计算、区块链、产业互联网、泛在感知等新技术、新模式、新应用无一不是以海量数据为基础，数据已成为驱动商业模式创新和发展的核心资源。
2022年上半年，我国国内生产总值（GDP）同比增长2.50%，增速较2021年全年（8.10%）明显放缓。4月份以来，国际地缘政治冲突持续，国内疫情反复，工业生产、零售和投资等活动均受到较大冲击。面对经济下行压力，各行业“存量竞争”时代来临，企业投资意愿降低，更多企业有迫切出售的渴望，虚增甚至伪造某些核心指标数据，以提升自身估值。
在互联网进入存量时代后，用户增长变得日益艰难，但对于资本市场而言，用户数是衡量互联网企业的关键指标，这也促使企业对业务数据频繁注水。纵观国内外，因为企业数据问题被曝光而对企业估值带来负面影响的新闻不绝于耳。而金融行业由于其本身的业务特点，成为了数据质量问题的“重灾区”。2022年第三季度，根据人民银行和银保监会的公开处罚信息，金融业数据质量相关罚单共计269张，占罚单总量的84%，数据真实性和数据准确性是数据质量处罚的主要原因。保险机构数据真实性问题最为突出，在保险机构收到的159张数据罚单中，约94%与数据真实性相关，常见处罚事由为财务业务数据不真实、编制虚假资料、虚列费用。
投资并购中数据尽职调查的意义：
1. 数据尽职调查对买方的意义
数据尽职调查对买方最主要的意义之一在于有助于评估购买目标公司数据资产可能存在的真实性风险。如经评估发现真实性风险高、风险敞口大，买方可选择调整收购价格、设置交割先决条件，甚至终止交易。
2. 数据尽职调查对卖方的意义
数据尽职调查对卖方而言同样意义重大。卖方与其等到买方通过数据尽职调查发现目标公司的数据问题后以此为筹码要求降低最初承诺的对价或终止交易，不如在交易前未雨绸缪，自行或聘请第三方机构开展数据尽职调查，提前厘清目标公司的数据问题并有针对性地进行整改。目标公司在根据数据尽职调查完成整改后，其标的股权的估值或数据资产的估值将得以提升，交易的确定性得以提高，还可以此为亮点吸引更为优质的买家。
无论是买方还是卖方，仍要面对不确定的宏观经济、通货膨胀以及国际局势所带来的挑战。交易参与者更关注价值创造的各种不同机会，因此需要进行更深入的投前尽职调查工作。尽职调查不仅关注财务、税务、IT和运营等领域，同时要深入到数据这一重点领域。安永数据尽职调查从运营和业务数据出发，以不同业务场景及风险为导向，通过多种数据分析模型对目标公司的数据进行深度挖掘和分析，定位真实风险，勾勒真实业务表现，有效识别企业的可疑交易及可能存在的欺诈行为。
安永数据尽职调查工作流程：
一、理清数据现状
- 了解公司主要的业务模式、系统架构、系统功能及数据流转过程
- 了解公司关键业务数据的可用性、数据库、数据结构等内容
- 根据安永对业务的理解和行业经验，梳理核心业务流程，明确关键信息系统，确定系统中数据是否可充分反映业务实质
二、定制分析指标
安永数据尽职调查服务将根据不同行业以及行业内不同企业所面临的风险点，挖掘可能存在异常和造假的节点，定制不同的数据验真和分析指标，以如下四个行业为例。
电商行业： 买家评价分析、用户刷单行为分析、快递真实性分析、新客户交易量分析等
医疗健康行业： 消费者地域分布、消费者年龄分布、消费者行为合理性分析等
物流行业： 异常物流分析、订单地域分布分析、库存产品数量分析
金融行业： 信贷真实性分析、逾期率分析、用户真实性分析、不良资产分布分析
三、获取和清理数据
获取企业内部数据，同时也要进行外部数据获取用于核对校验，如运营商数据、网站/app流量数据等，以及客户、关联公司、系统供应商、合作伙伴和用户抽样调研访谈等。
清理数据时考虑以下事项：
- 标准化： 确认每列中存在相同类型的数据
- 规范化： 确保所有数据都一致地记录
- 合并： 将多条重复的记录合并为一条有效、准确的记录
- 聚合： 对数据进行排序，并将其以汇总形式表示
- 筛选： 缩小数据集范围，仅包含需要的信息
四、评估数据质量和分析数据
1. 数据质量评估
从六大维度评估数据质量，通常基于明细数据进行，常见的有业务端数据（如管理报表）和系统端数据（如离线数据库）逐条核对，系统端数据（如订单数据）与外部第三方还款记录（如支付宝对账单）逐条核对。
a)真实性： 衡量所采集的数据的真实程度。数据的真实性越高，可分析性越强，数据的价值也越大。
b)完整性： 衡量所采集的数据是否存在缺失。完整的数据可持续利用程度高，反之若重要数据存在缺失，未来或将支付额外成本进行数据补充。
c)准确性： 衡量数据采集值或者观测值和真实值之间的接近程度，也叫做误差值，误差越大，准确度越低。
d)及时性： 衡量数据更新频率，反映数据与客观世界的同步程度，主要与数据的同步和处理过程的效率有关。
e)唯一性： 衡量是否存在重复数据。若数据重复次数过多，会导致后续分析结果失真。
2. 数据分析
基于数据质量评估结果与现有数据，搭建数据分析模型。
a)指标匹配分析： 串联的业务环节相关核心指标是否匹配，如*款贷**申请量与*款贷**放款量的匹配情况。
b)指标异动分析： 某核心指标趋势波动或极端值分析，如某个时间段交易量突增原因分析。
c)回归与相关分析： 对具有因果关系的影响因素（自变量）和预测对象（因变量）所进行的数理统计分析，如促销力度与交易金额趋势分析。
d)聚类与离群分析： 将数据分组并检查异常值，如对交易金额进行分类，并在此基础上定位异常用户及异常交易。
e)公开数据侧面分析： 获取网络公开数据，并与企业数据进行合理性对比，如地域销量增长与该地域经济增长对比。
五、形成结果并提示风险
- 对核心指标进行差异分析，识别企业数据是否存在造假或粉饰的可能性，与相关方讨论分析结果。
- 揭示业务数据的准确性、合理性以及潜在风险因素，还原企业真实估值和投资风险，为投资人的分析与决策提供科学依据。
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。