最近小秘书在后台收到了来自制造业学员们的留言，距离2021年结束还剩十几天了，除了要写年末总结外还要帮助业务去梳理明年的产品计划。

在做产品计划中，关键的一步是算出新品的成本和定价来确认产品的毛利。这个过程看起来似乎很简单，但是想要把成本算的清、算的准不是一件容易的事。

在财务圈内流传着一句话：“财务对业务的了解程度决定了在成本管控上的力度和精准度”。比如在成本核算方面，如果使用作业成本法，关键得找到成本动因。

举个例子，在进行产品上色之前需要清洗机器，那么清洗机器这个步骤就是一个作业，你要先核算这个清洗步骤消耗了多少资源（水、电、上色用的原料等），之后再看染这批产品清洗了多少次机器，那么就知道这批产品该分摊多少清洗的费用了。而如果采用传统成本法，就是拿机器工作小时除以整个的清洗费用，算出来的分摊费用肯定是没有作业成本法准确的！

所以传统成本核算方法和作业成本法的主要区别在于对制造费用和期间费用的分摊上。

简单一点来说，作业成本法会根据生产的各个环节去分摊成本，这样能更加真实的反映产品成本。它主要应用于产品或服务的成本以及评估产品获利的能力，实现：

• 消除无利可图的产品和服务
• 降低价格过高的产品和服务的价格
• 合理配置资源，持续优化作业、流程和作业链

下图是作业成本法的作用原理：

接下来，我们依据作业成本法的原理，结合Python去计算准确的产品成本！

在下方案例中显示的是某公司两种产品的成本表，在传统成本法下，根据直接人工工时对制造费用总额进行分配。

现在，我们根据作业成本库重新对成本进行分配：

1

将数据导入Pandas

import pandas as pd
data=[['机器准备',50000,'准备次数',300,200],
['质量检测',45000,'检验次数',150,50],
['设备维修',30000,'维修工时',200,100],
['材料订单',55000,'订单份数',195,80],
['生产订单',25000,'订单份数',140,60],
['生产协调',27000,'协调次数',50,50]]
df = pd.DataFrame(data,columns=['作业','总成本','成本动因','作业量-甲','作业量-乙'])
df

2

计算分辨率

总成本/总作业量：

df['分辨率']=df['总成本']/(df[‘作业量-甲’]+df['作业量-乙']
df

3

计算各产品成本

分辨率*产品作业量:

df['甲成本']=df['分配率']*df[‘作业量-甲’]
df['乙成本']=df['分配率']*df[‘作业量-乙’]
df

4

计算各产品单位成本

df['甲成本'].sum()+300000+200000)/10000
#65.375
df['乙成本']=sum()+40000+40000)/2000
#79.125

通过分析得出，在传统成本法下：甲单位成本>乙单位成本；在作业成本法下：乙单位成本>甲单位成本。通过对成本动因的细分，能更准确的预估各产品的生产成本。

对于财务而言，业财融合已经是老生常谈的话题了。如果你不去车间了解制造流程，只在办公室做“表哥”“表姐”是没有办法做好成本管理的，只有了解制造环节的流程后，才能对料、工、费进行把控，知道业务部门的活动对成本费用的影响，才能以财务专业的内控意识，风险意识，效率意识，成本意识去规范业务，达到成本管理的效果。