缩小数据分析的技能差距
随着数字技术继续需要新的技能，使旧的技能变得多余，雇主、教育工作者、公共政策制定者和雇员都可能期望彼此之间缩小不断扩大的技能差距，管理会计师正面临严峻挑战。
大数据下的“大问题”：技能差距
普华永道第22届全球CEO年度调查中最引人注目的发现之一是，2019年的“信息鸿沟”（CEO们需要的数据和他们实际得到的数据之间的差距）与10年前一样大。尽管在可用的数据范围内取得了巨大的进步，并且在数据分析解决方案方面投入了大量的资金，但还是出现了这种情况。
适应性与终身学习
这一差距有三个关键原因：缺乏分析人才、难以访问企业内部孤立的数据以及如何分析数据的可靠性（或其他方面）。
随着数字技术继续需要新的技能，使旧的技能变得多余，雇主、教育工作者、公共政策制定者和雇员都可能期望彼此之间缩小不断扩大的技能差距，这是一个非常现实的危险信号。最大的危险与实现和利用大数据所需的技能有关，需要有人承担责任。
雇主对这种分析人才短缺的担忧是正确的。但他们似乎更倾向于招募有经验的员工，而不是培养自己的员工。为了证明自己的职业前途，员工将越来越需要培养自力更生、适应性强和终身学习的精神。
领导者和业务部门经理用于根据自己的经验和个人判断做出决策和管理绩效。这些决定不仅受制于主观偏见——而且越来越过时，通过历史经验获得的敏锐度对数字未来几乎没有指导作用。
例如，许多因素可能会影响结果。但是，当一个人表达自己的观点时，不太可能提到超过三个或四个因素，一个算法（或任何高级统计分析）将考虑到更多的因素。
信息、分析和文化
因此，对一个合理的、有度量的规程的需求日益增长，以确保决策和绩效管理基于适当的分析和所有相关信息，其重点必须是为企业及其利益相关者提供价值。
如果要将所获得的见解正确地应用于提高绩效，那么在作为文化的一部分做出决策时，不仅必须要求企业领导人提供信息和分析，而且还必须提供支持观点的证据。
管理会计可以很好地发挥这一关键作用，他们已经接触到企业的各个方面，在管理控制周期中提供和使用信息，并提供专业的客观性，以提出问题和解决决策中的偏见。
这给他们提供了一个坚实的基础，扩展他们的汇款不仅仅是收集和分析财务信息。而且，它使他们有潜力在确保大数据的访问和分析符合业务、客户和所有利益相关者的利益方面发挥重要作用。这是一个非常令人兴奋和有趣的机会。
“最大的危险与实现和利用大数据所需的技能有关，需要有人承担责任。”
大数据、大变革
图1中对大数据的定义说明了如何将企业数据和财务数据视为企业现有的大量数据（“大数据”）的子集，而且它也在迅速增长——来自企业外部的数据在网站、社交媒体和互联网上的其他形式的交流中激增。
最初使用数据最多的行业是那些拥有数据最多的行业，如零售商、保险公司、银行和航空公司。然而，现在几乎每个行业的企业都在使用数据分析来提高效率和提供的服务。
图1：大数据定义
1、财务数据
标准财务指标，跟踪和理解良好。
2、企业数据
以上，以及更广泛的运营和交易数据，可用于支持分析和预测。
3、大数据
以上，再加上新类型的内部和外部数据，其中大部分是非结构化的，但其中一些数据可能会对业务绩效、风险和机会产生新的见解。
大数据驱动大变革
1、农业
带传感器的拖拉机可以收集有关播种率、作物产量和地面状况的数据，使农民能够更准确地预测产量。农民还可以分析天气模式，以便更好地为恶劣条件做好准备。
2、制造业
制造商正在使用先进的分析方法来管理生产过程中设备和产品异常的潜在故障风险。他们还将其用于预测、库存管理和预测计划。
3、零售业
零售商利用数据预测客户需求并了解他们的偏好，从而使他们变得更加积极主动，能够更好地预测行为。他们还利用大数据创建新的数字产品
4、交通运输
运输行业的参与者（如航空公司、铁路公司和卡车运输公司）通过预防性维护计划、库存零件管理和保修索赔管理，使用预测性分析来管理其成本。航空行业使用分析来了解确定客户，预测需求并优化定价。
5、通信
电信供应商正在使用分析和大数据来降低客户获取成本，细分目标用户群，并根据潜在用户的购买倾向对其进行排名。
6、金融机构
银行和保险公司使用预测分析软件进行欺诈分析，而信用卡公司使用分析来管理信用额度和收款。
7、市政
城市管理者越来越多地使用大数据来了解市民的需求，并积极计划未来在交通、警务、医疗保健等方面的需求。
8、教育
教育工作者正在使用来自学生测试和评估的数据来确定模式和表现水平。这有助于他们调整课程并调整教学方式。
9、健康医疗
为了改善医疗保健服务并降低成本，医疗保健组织正在使用大数据分析来分析大量结构化和非结构化数据，以提高医疗保健的效率和质量。
示例：
业务模型 | 零售业（比如超市）如何利用大数据创造价值 |
|---|---|
价值主张 | 市场营销 |
价格优化 | |
市场组合模型 | |
促销分析 | |
忠诚度分析 | |
资源与关系 | 供应链 |
销售预测 | |
合同管理 | |
存货管理 | |
经营活动 | 营销 |
商店布局 | |
产品组合优化 | |
购物篮分析 | |
渠道分析 | |
销售类别 | |
后勤 | |
欺诈探测和损失预防 | |
收入和成本 | 收入和成本分析 |
财务预算和分析、数据分析 | |
多维度分析 | |
决策支持 | |
商业智能、仪表板 | |
文化和控制 | 文化 |
无偏见支持商业目标 | |
数据控制 | |
品牌价值维护 | |
客户数据保护 | |
网络安全 | |
管理和发展 | 战略和预算 |
水平扫描 | |
存储和格式 | |
绩效管理 | |
创新 | |
数字生态系统 | 线上购物 |
寻找客户购物偏好的关键数据 | |
社交媒体 | |
建立品牌关注度 | |
供应链 | |
整合整个企业数字生态系统的供应链以推动：更大的协同创新、填平商业、顾客之间的鸿沟 |
深入企业核心
大数据不仅仅是为了提高服务和效率水平，它还可以在业务模型的各个方面都有应用程序，如本文所示，使用零售部门。
“……几乎每个行业的企业都在使用数据分析来提高效率和提供的服务。”
文化与人才：从数据中提取价值
除了正确的数据之外，企业还必须具备分析数据的能力。而且，为了实现影响力，必须有一种文化，其中：
- 预期、鼓励和要求使用数据。
- 运用技能来确保获得的洞察力被用来创造价值。
成功的技能
实现这一目标需要致力于人才培养，使企业具备一套能力和技能（图2），包括：
- 技术能力
- 商业技巧
- 绩效管理能力
- 遵守数据管理政策，了解客户的期望
图2：管理会计的潜在角色
以下概述了企业从大数据中获取价值所需的能力，以及财务专业人员可以扮演的关键角色：
业务需求的能力
数据管理
数据完整性是必不可少的。商业经理对基础数据缺乏信心将会破坏任何基于数据的倡议。因此，企业需要确保：
- 他们的系统和过程正确地捕获相关数据，第一次和之后每次。
- 然后，数据可以可接近地存储,准备在随后与内部用户、客户和其他涉众之间的交互中使用。这使得流程效率更高，提高了用户的经验。
客户关心“如何”使用他们的数据，如果公司只使用他们的预期目的的数据。数据隐私审查和透明度是客户信心的关键。
客户也必须对企业品牌及其系统有信心。他们需要知道他们的支付记录,联系细节和其他敏感数据总是正确地处理并保持安全。商业经理们也会担心,所有形式的商业敏感数据不应该容易受到网络攻击。因此,数据管理是确保企业依赖于其关键决策的数据质量的基础。确保符合数据管理策略和程序也是至关重要的。当数据被捕获并管理于系统时,这通常会属于IT专业的职权范围。
金融专业人士可以扮演的角色
数据管理者
这种工作可以被视为IT专业的领域。然而，许多管理会计师对他们的业务信息系统有很好的理解。作为会计信息的可靠提供者，他们当然有必要的专业学科来帮助确保数据质量。
他们也可能从事数据信息项目或数据规划的纪律和可信度。这是因为它们通常是最好的定位,以阐明用户的需求,并确定哪些数据是必要的,以通知决策和管理性能。他们当然应该在数据规划上领先,并就要追踪的措施达成一致。这有助于确保在性能分析或管理报告中使用的数据被正确捕获。这包括跟踪跟踪的性能指标、预期结果和这些结果的驱动因素的数据。
数据分析
现在对企业提供的数据集的规模和复杂性通常需要高级的数据科学家对数据挖掘、推导算法和预测分析的分析能力水平。
SAS公司报告指出了这些技能的短缺。一些行业专家认为，这是一场迫在眉睫的危机，并呼吁对数据科学技能进行广泛的培训。
然而，另一些人认为，大多数分析程序将随着时间的推移，变得自动化和商品化。数据可视化工具已经使用户能够识别趋势和相关性。因此，随着新软件使业务用户能够在自我服务基础上分析数据，高级数据技能可能并不总是需要复杂的分析。
数据分析师
数据科学家的短缺将使该领域吸引更多的“定量”管理会计师。
有可能会有机会投资于进一步的教育，以补充他们的会计技能，在高级分析技术方面有更大的专业知识。
随着时间的推移，数据科学家目前的短缺可能变得不那么令人担忧。自然语言处理（NLP）和机器学习的结合将使管理会计师和其他人员能够提供一些高级分析的形式，并在没有技能的情况下获得见解
一个数据科学家。
数据文化
为了从数据和分析的发展中获益，它必须发展一种管理文化：
- 决策是基于证据，并以利益相关者的利益为基础。
- 数据被认为是一种重要的战略资产，用于提高竞争地位，并启用新的战略。
- 假设受到挑战，并根据最好的证据做出决定。
企业也需要创新的雄心。它必须准备好开发新的战略，并进行收购，以获得新的能力或修改其商业模式。
它还必须在如何管理数据的情况下进行完整性管理，超越合规，确保客户和供应商有信心允许他们的数据收集和使用。
数据拥护者
管理会计师已经提供了专业的客观性。这使他们有可能成为基于证据的决策的拥护者——确保在他们对利益相关者的长期价值的基础上考虑决策。
他们也很好地帮助企业开发利用数据价值的策略。
例如，首席财务官可以在高水平上影响商业文化。金融业务合作伙伴可以在业务职能和业务部门的业务水平上产生影响，在业务部门，管理者将越来越多地掌握他们数据的潜力。
价值创造
信息技术专业人士、数据科学家、金融专业人士和商业经理必须合作，洞察力商业变化、影响。一个创造价值的机会可能是一个重要的推动者，像客户关系、人力资本和知识产权等无形资产是企业创造价值的潜力的基础，而测量和管理这些无形资产需要数据。
诚然，对客户行为的战略洞察，为有利可图的收入提供新的机会可能会得到更多的关注。但管理者也必须警惕其他创造价值的机会，比如:
- 提高效率
- 降低风险
- 盈利销售
- 改善现金流
- 专注于成本管理，动增量创新，并持续改进业务流程效率
最后一点通常是最重要的。
业务伙伴
随着他们的角色使他们与业务的各个方面接触,管理会计师可以成为商业经理、IT专业人士和数据专家的商业伙伴。
超越财务分析：将“科学”植入财务分析
传统上，金融规划和分析是关于金融数据的，而评估预算绩效是财务管理的基石。后者相对简单：涉及的数学并不比计算百分比复杂。
图2：Gartner分析优势模型
另一方面，理解预算的原因或从预算上的分歧需要对业务有更好的理解。这意味着要求相关问题并进行根本原因分析。然而，高价值的分析，如预测或规范性分析，要求更先进的分析，通常需要一个数据科学家的专业知识（图3）。
数据科学家的责任
框架问题
澄清问题：将不清楚的请求转化为分析问题。
数据收集
确定可用的数据并可能有用，询问可以访问哪些数据。
数据清洗
正确的错误和缺失，不完整或腐败的记录，转换为可使用的形式。
数据探索
寻找趋势，也许用可视化和回归分析来识别相关性。
数据分析
数据挖掘、统计建模、机器学习、推导算法。
报告
可视化和讲故事,帮助用户理解和行动发现。
“更高价值的分析，如预测或规范性分析，要求更先进的分析，通常需要一个数据科学家的专业知识。”
数据分析需要改进
企业面临的挑战
- 缺乏先进的分析技能的人应成为数据科学家。
- 良好的数据治理和数据管理是至关重要——否则，不同业务单元的不同实践和系统可以使大型组织的数据架构非常复杂，且数据集互不兼容。基于这些数据的分析可能会误导用户，进而怀疑分析师。
- 数据往往属于拥有生成它的过程和活动的人。人类的本性意味着，如果这些所有者报告了它，那么分析很可能是奉承的。金融纪律的专业客观性和验证有明显的需要。
- 预算在设定预期方面仍然很重要——但他们受到游戏规则的影响，他们准备的细节水平可能是虚假的。基于驱动的滚动预测为绩效管理提供了更可靠和更准确的基础。
- 大多数企业的价值驱动因素是无形资产。需要度量或准度量，这可以帮助监视、管理和开发驱动值的无形资产。
- 通常情况下，管理是基于对结果采取财务措施。这就像画数字，而管理会计师的商业思维具有更公平的鉴定力。
管理会计师如何抓住机会
- 计划和控制周期往往太过繁琐。策略>运行计划>预算>报告>分析>预测阶段，需要更好的规划。这提供更好的数据计划，包括事先识别出必须被捕获和控制的数据，以确保它适合于报告、决策和性能管理。
- 财务部门经常繁忙收集数据和生产标准报告来支持运营，管理会计师可能无法提高他们的效率，及挖掘他们的潜力。但是，新技术可以简化仪表板上的报告，使业务单元管理人员能够查询和进行分析。
- 由于数据科学家是如此稀缺的资源，在金融领域的多学科团队中，将他们集中在多学科团队中是有意义的，从而使他们的专业知识能够更好地发挥作用。
- 管理会计师可以与数据科学家一起工作。他们可以帮助设计框架与IT专业人员处理的业务问题，并确保数据可用进行分析。
- 管理会计师也可以与企业经理合作，在整个业务中聚合公司的影响力。他们很好地帮助确保从大数据中获得的见解并应用于业务的管理方式。
下一步是什：通过商业伙伴提高绩效
当涉及到大数据和分析时，业务合作是管理会计师最伟大的机会。研究显示雇主最热衷于管理会计师的数据，而不是信息技术专家或数据科学家。
相反，他们要求他们成为基于证据的决策的拥护者。这样，他们将有助于将分析性的见解转化为商业见解，他们将确保在业务部门层面应用，以提高该组织的前景和表现。
学习更多的机会
管理会计师应该警惕所有可用的数据来源的潜力。这样，他们就可以与IT专业人士、数据科学家和业务部门经理联系，以确保决策和绩效管理得到正确的支持。
他们的角色给了管理会计师一个广泛的业务概述，以及专业的客观性，能够挑战假设或评估证据。
有些人对商业及其系统的理解和自然的量化，可能会抓住机会改变职业，成为数据科学家。另一些人则倾向于作为项目经理、产品经理或IT专业人士来发展自己的职业生涯。
然而，我们与雇主的讨论清楚地表明，管理会计师最大的机会在于他们将会计和分析技能与商业洞察相结合，以支持商业伙伴创造价值。
“管理会计师可以与数据科学家一起工作。”
——参考《Closing the skills gap in data analytics》（CGMA）