《ACCA：財務工作中的數據分析（72頁）.pdf》由會員分享，可在線閱讀，更多相關《ACCA：財務工作中的數據分析（72頁）.pdf（72頁珍藏版）》請在三個皮匠報告上搜索。

1、財會分析工具 2020 Association of Chartered Certified Accountants and Chartered Accountants ANZ September 2020關于ACCA ACCA，全稱為特許公認會計師公會。作為一家蓬勃發展的國際專業會計師組織，我們秉承極其嚴格的專業要求與道德標準，在全球176個國家擁有227,000名會員與544,000名未來會員。ACCA目前在中國擁有27,000名會員及154,000名未來會員，并在北京、上海、廣州、深圳、成都、沈陽、青島、武漢、長沙、香港特別行政區和澳門特別行政區共設有11個辦公室。我們堅信：財會行業是社

2、會發展的基石，也是公共領域和私營部門發展的強大支柱。為此，我們一直致力于推動全球財會行業強有力的發展，使其造福于社會和個人。自1904年創立至今，ACCA始終秉持為公共利益服務的使命。作為一家非營利性組織，我們的目標是推動全球財會行業的可持續發展。我們不斷投資到行業建設之中，提升會員價值，促進行業面向未來。通過提供全球領先的ACCA專業資格，我們為不同地區、各行各業的有志之士創造機遇，使他們在財會、金融和管理領域成就卓越的職業生涯。通過廣受認可的專業研究，我們剖析當前議題，洞察未來趨勢，引領行業發展。了解詳情，請訪問ACCA網站：關于澳大利亞及新西蘭特許會計師公會 澳大利亞及新西蘭特許會計師公

3、會（CA ANZ）代表著超過12.5萬財會專業人員，支持他們為工作與生活的企業、組織和社區創造價值并締造不凡。在全球各地，特許會計師都以誠信敬業而聞名，他們具備出色的財會技能、適應能力，并且接受過嚴格的專業教育和培訓。CA ANZ始終致力于提升特許會計師（CA）的市場形象和卓越道德標準、為會員提供世界一流的服務和終身教育，并且倡導追求公眾福祉。我們確保會員在健全的紀律程序支持下恪守道德規范，以此捍衛行業聲譽，同時監督著直接向公眾提供服務的特許會計師群體。我們核心的CA培養計劃將嚴謹的教育與實際經驗相結合，推動學員成長為特許會計師；而持續的專業發展項目更有助于會員有效制定業務決策，并在瞬息萬變的

4、世界中與時并進。我們代表會員和專業人士，與政府、監管機構和標準制定者展開積極互動，從而維護公共利益。我們的領先思維在不斷地促進澳大利亞及新西蘭的繁榮。我們加入了多個國際會計組織，進一步拓寬對本行業的支持。我們是國際會計師聯合會（IFAC）中的一員，通過全球特許會計師聯盟（ICAEW）和全球會計聯盟（GAA）與全球緊密相連。全球特許會計師聯盟將13家特許會計師協會的會員匯集在一起，創建出由180萬名特許會計師和190多個國家的學員組成的龐大社群。CA ANZ也是全球會計聯盟的創始成員，該聯盟包括了10家領先的會計機構，共同促進著優質服務和共享信息，并就重要的國際議題開展合作。財會分析工具這項全球

5、的研究探索了分析工具對企業財會部門的影響，以及專業會計人員的職責和技能。這篇報告的觀點是基于對全球財務領袖、財務分析師和數據專家的30多次采訪所得，他們來自于不同類型的企業，代表了各行各業。根據采訪，這篇報告直接展示了財務部門的自然演變，它們最初只負責處理財務信息，但現在也會處理各種非財務信息、創造價值以及利用商業智能實現確切目標。本報告還在2019年10月調查了ACCA和澳新特許會計師公會現有和未來的1150位專業財會人員。n 英國,17%n 馬來西亞,7%n 巴基斯坦,6%n 澳大利亞,5%n 會計,20%n 金融服務 中小型企業,6%n 金融服務 大型企業,8%n 企業部門,46%n 香

6、港特別行政區,4%n 阿拉伯聯合酋長國,4%n 愛爾蘭共和國,4%n 其他,54%n 非盈利機構,5%n 公共部門,11%n 其他,4%n 專業服務,15%n 專業服務領導力,3%n 財會,25%n 風險管理和合規,19%n 財務領導力,20%n 教育,0%n 其他,18%前言革命之中，可以獲得的數據信息也越來越多。通過這些數據，我們可以提取到關鍵的行業信息以促進決策的有效進行。專業的財會人員則需要在這場分析革命當中沖鋒陷陣。由于新冠疫情，企業需要迅速地響應外界的變化，根據不同的場景和時機制定不同的應對計劃，這樣企業才可以繼續前行發展。那些行動迅速的企業已經開始利用數據資產，探索應對措施，從而

7、幫助企業生存下去。這篇報告發現了還有很多專業的財會人員仍在使用回顧性的分析工具，向利益相關方匯報的依然是過去的業績表現。但是現在最需要的是將精力投放在未來，通過前瞻性的分析幫助決策者探索未來的可能性，再將其應用于了解企業當前的動向。如果財會人員無法恰當地運用這些技能，無法向利益相關方提供前瞻性的分析見解，那么他們就會面臨被邊緣化的危機。ACCA和澳新特許會計師公會都在不斷地提升自己的資質資格，不斷地開展教育項目讓現有和未來的成員學習相關的技能。在這篇報告中，我們發現財會人員需要掌握的技能包括認識問題、闡明分析以及使用數據和應用程序等，并對此提出自己的見解。這是一個不斷發展的領域。面對不斷進步的

8、科技，我們的選擇，以及如何將其應用在我們的日常生活中，都反映出了我們對未來的洞察力。ACCA的合作伙伴NTT DATA在報告中對此提出了非常具有參考意義的觀點。白容(Helen Brand)ACCA首席執行官Ainslie van Onselen 澳新特許會計師公會首席執行官4目錄執行摘要 81.在財會工作中使用分析工具的前景 141.1 分析工具發展至今 14 1.2 分析工具的機遇？15 1.3 分析項目 17 1.4 最大的機遇 18 1.5 大數據的四個“V”18 1.6 最大限度利用分析工具的挑戰 22 1.7 數據戰略 232.現狀 262.1 支持數據分析工具的技術 26 2.2

9、 分析工具可以應用于何處？30 2.3 由誰負責？31 2.4 中期實施數據分析工具的責任 33 2.5 從分析工具中獲取價值的所需技能 33 核心技術和軟技能 34 所需的數據和分析技能 34 新的分析工具模式？36 發展技能 36 學生學到了什么？373.分析工具的類型和應用 413.1 四種分析工具 41 描述性分析工具 42 診斷性分析工具 43 預測性分析工具 43 指示性分析工具 43 3.2 分析工具的未來 464.在您的業務中使用分析工具 48 4.1 商業案例 48 實施步驟 49 4.2 數據洞見和報告 52 4.3 開發財務部門的分析能力 525.道德和法律方面的考慮 5

10、4 5.1 道德考慮 54 5.2 數據治理 55 5.3 隱私 55 5.4 通用數據保護條例和其他法規 56 5.5 安全網絡和其他威脅 5656.習得的經驗 587.分析的新興趨勢 60 7.1 綜合技術框架 60 7.2 未來的非結構性數據和結構性數據 60 7.3 大數據思維 61 7.4 人工智能（AI）、機器學習和工具 628.應考慮的行動 64 8.1 治理和數據管理 64 8.2 大數據現實 65 8.3 人才集合 65 8.4 決策賦能 66 8.5 預測性和指示性分析 66鳴謝 68 參考文獻 696現在最需要的是將精力投放在未來，通過前瞻性的分析幫助決策者探索未來的可能

11、性，再匹配當前的企業行為進行最佳的選擇。7財會分析工具|執行摘要首席財務官和財會人員的作用不再只是傳統的財會監督，還要作為企業的重要顧問，幫助企業實時根據數據進行決策。執行摘要一直以來，財務部門都使用的是描述性分析工具來展示信息，比方說用儀表盤和報告來匯報過往事件。哪怕現在也很少看到有人使用預測式和指示性分析工具。我們采訪了全球30多家企業的首席執行官、首席財務官和財政部門的員工，這些企業包括零售、電信和公共事業。在過去十年，隨著傳感器和設備等物聯網中獲取的數據飛速增長，財政部門獲取的數據也在與日俱增，并且這一趨勢并沒有放緩的跡象。首席財務官和財務部門的作用主要有兩點，第一點就是解決財務相關的

12、問題；而第二點是從調查回復和深度訪談中發現的一項新型功能，即利用非傳統財務領域的分析工具為整個企業的決策賦能。所有的受訪者都表示了他們提高企業決策質量和速度的愿望，這也是使用分析工具的首要原因。有一家從事公共事業的歐洲公司，它們財務部門的工作不僅局限于財務數據，還包括利用分析工具以及融合配電設備工具的技術數據協助服務供應和電網分布等非財務問題的決策。另外一家來自北美的公司，它為聯絡中心提供服務。它的首席財務官會充分利用分析工具來協助價格、技術工程和支持要求等方面的決策，進而幫助全球的企業共同成長。一位澳大利亞四大專業服務公司的合伙人認為，使用大數據可以很大程度上地幫助客戶確認公司內部控制的缺陷

13、所在，還為客戶帶來了傳統審計以外的新方法，用于了解每筆交易。對于首席財務官和財務部門而言，企業的轉折點不僅僅是改善財務決策，還要在企業上下推行分析工具的使用。首席財務官和財務部門的功能轉變ACCA和澳新特許會計師公會共同采訪了世界各地的專業財會從業人員，和他們一起探討分析工具對首席財務官和財務部門成員的影響。我們從采訪對話中總結出了五大方面：n治理和數據管理 n大數據的現實 n人才集合 n決策賦能 n預測式/指示性分析我們的調查還顯示，分析工具是企業提高效率、改善規劃、制定預算和預測以及風險管理的關鍵。因此，在當前這個變化無常的時代，企業領袖就要展示出他們的遠見卓識、果斷勇猛和應變思維（Geo

14、rge 2017）。企業的首席財務官和財務部門通過大數據和分析工具，引領企業在關鍵時刻制定恰如其分的決策，戰勝無法預見的困難和挑戰。8財會分析工具|執行摘要財務部門的分析工具分析工具是企業必備的一項技能，分析技術是從企業數據中提取價值信息的關鍵機制。但是新興的大數據已經超出了財務信息的范疇，它還包括了一系列非財務信息來源，如所謂的“工業4.0”1（圖ES1）技術中的機器、客戶關系管理(CRM)系統、手機、傳感器和外部數據（包括環境數據），這就意味著分析工具正處于發展的關鍵節點。當前的數據復雜性正在不斷提升，如今擁有海量數據和各種數據集的不再是企業中的銷售部、市場部、財務部和制造部。在數據的洪流

15、中，管理層面臨著行動決策方面的困難。如果首席財務官可以評估新冠疫情對商業模式和運營帶來的影響，他們就可以在財務部門以外的領域使用分析工具和數據，從整體上協助支持企業渡過這段困難時期。除了培養新人才和新技能，首席財務官和財務部門還可以通過技術投資和使用財務分析工具發掘自己的競爭優勢，促進企業的整體增長。這篇報告強調了首席財務官和財務部門在不斷地支持和擴張財務部門原有的分析模式。財務領袖、專業人員和數據專家也都明確表示，在首席財務官的果斷領導下，企業的財會人員可以通過分析工具更快更好地根據數據進行決策。此外，在制定管理、運營和戰略決策的時候，分析工具會優先預測未來場景，而非回顧過往。我們的調查還顯

16、示有相當一部分受訪者故步自封，沒有前瞻性。大多數的財政部門滿足于一成不變的傳統報告，因為這樣的報告和相關的決策幾乎不會遭到他人的質疑，但也因此沒有人會認真閱讀，現代的可視化技術也無法提取報告中的關鍵要點?，F在的報告審閱人都追求快速的閱讀方式，這樣才可以迅速決策再進入下一項事宜，讓企業保持快速運轉，緊跟全球市場的變化。財務部門需要通過數據展望未來，確保自己的工作能對企業帶來積極影響。他們需要合理分配用于歷史分析的時間，在歷史分析和前瞻性分析之間取得平衡。這些都屬于專業財務人員必備的技能工具，需要他們根據企業的需求提高這些技能的使用頻率。從分析當中獲取價值的技能組合相關專業人員必須投入時間和精力去

17、學習如何從分析中實現價值最大化的技能（圖ES2）。這些技能集合了技術技能、應用熟練度以及批判性思維和解決問題之類的軟技能。將分析工具和企業問題相掛鉤的能力是重中之重，這種能力既涉及技術，也涉及商業。圖 ES1:工業4.01 “第四次工業革命”一詞最早由世界經濟論壇創始人和執行主席Klaus Schwab提出，指的是由計算機技術和人工智能引領的“第四次工業革命”（Schwab 2017）。物聯網智能傳感器大數據分析增強現實先進的機 器人科學云計算位置方向3D打印工業4.0財會數據素養數據采掘應用知識應用及批判思維可視化會講故事圖 ES2:以下技能可以幫助你從分析中獲取價值9財會分析工具|執行摘要

18、總而言之，首席財務官和財務部門應該怎么做？我們整合了深入訪談中支持本研究和金融調查分析的見解，從中我們發現，在2020年及以后，我們要堅持五大方面才可以創建真正以數據為中心、以分析為驅動的企業（圖ES3）。這五大方面是治理和數據管理，大數據現實，人才集合，決策賦能，預測式/指定性分析。圖 ES3:財務部門分析工具未來發展的五大方面治理和數據管理大數據現實人才集合決策賦能預測式/指定性分析前文所述的發展趨勢會對不同產業帶來巨大影響，大大小小的企業都無法獨善其身。應對戰略之一就在于鼓勵跨學科融合分析（如：財務、分析及網絡安全）。為了確保恰當的數據治理機制得以實施，CFO及財務部門應：n確保有數據治

19、理機制，進而正確區分數據且恰當地將數據使用與戰略目標掛鉤 n確保在企業內建立數據所有權機制 n數據收集是為了滿足獲得數據洞見的需求，明確數據收集為深度分析所用，避免為了收集數據而收集數據 n避免在分析中使用可識別個人信息（PII）進而將安全風險降至最低 n確保數據清理及準備過程中切勿移除可用于偵測異常值的重要數據2 n建立正確使用數據的指南并與其他部門共享。大數據的興起已成現實。CFO和財務部門應：n開發及部署如云服務等有助于財務部門工作的技術，進而支持實時分析 n思考如何通過最佳方式從過往系統中抽取數據用于開發分析能力 n生成認證外部數據源列表進而對內部數據進行補充，維持日常更新以隨時捕獲新

20、的數據源。財務部門應當掌握數據目錄，并更新工作流程，因為使用外部數據會對財務決策和其他決策產生直接影響。n確保分析項目能兼容更多元化的結構性及非結構性數據，重視在數據收集中跨部門合作的重要性。n評估導致描述性分析的活動，進而決定它們是否繼續為企業增加價值。2 從第二次世界大戰期間Alan Turing和他的團隊在布萊切利公園的工作中可以看出，異常情況具有信息價值。他們用異?，F象破解了密碼（Hamer 1997）。10財會分析工具|執行摘要總而言之，首席財務官和財務部門應該怎么做？除此以外，若想實現跨人才團隊的建立，CFO和財務部門應：n推出針對企業內每一個人的數據素養項目，在其中涵蓋績效改善、

21、企業內財務決策及業務自動化等的具體例子 n讓更多人掌握分析技能；這需要在技能和人才能力兩方面進行恰當投資，隨著業務需求的改變，兩者的投資比重也應隨之變化。n形成企業內自助式資源，如：博客及線上社區 n定期組織培訓活動、黑客馬拉松及針對分析工具心得分享會，并邀請行業專家及不同部門的專家做客活動，分享經驗，從而保障技能及知識得以更新。若要實現決策賦能，CFO及財務部門應：n與內部利益相關方就如預測性分析等數據分析工具如何輔助戰略決策制定進行溝通 n通過建立使用實時數據模型進而幫助財務部門做出更合理及更高效的決策 n將決策按照戰略層（C層）、管理層（功能層）、運營層（商業流程）、開發層（新產品或服務

22、）及客戶區分層（外部客戶）分類 n修訂商業案例文件，找出側重于預測性和理想的規范性分析的項目 n不斷追求更高效決策的顛覆性創新。企業內使用預測性及指示性分析可幫助CFO及財務部門：n實現元數據（企業內共享范疇內最有價值的數據）標準化 n開始持續識別企業內的異常值，從而提早發現將出現的問題或機遇 n制作決策模式的Excel電子表格模板，有助于決策部署 n探索是否能在整個分析工具價值鏈中使用開源成分（SQL數據庫、機器學習及端對端流程）。這對于提供軟件服務或咨詢服務的公司，或者企業內部的商業智能中心尤其重要 n通過使用RapidMiner或KNIME等開源軟件就專家及商業用戶間合作進行試點。11來

23、自NTT DATA的觀點現在各種類型的企業都可以通過操作簡單卻功能強大的低成本工具來分析、使用數據。雖然數據工程和數據科學仍然需要一些特定的技能，但由于數據使用的困難不再是克服技術屏障，而是人員管理，所以企業的各級員工必須要認同數據的價值和分析的準確性。如果企業可以充分做足這些準備，那么企業領導也就可以相信數據，相信分析工具，相信從數據和分析當中提取的關鍵信息。我們不可否認數據工程和數據科學領域還存在著技能短缺。高德納咨詢公司（Gartner）估計，現在有將近一半企業缺乏應有的數據素養和人工智能技術（Panetta 2019）。我們應該如何克服現狀？首先我們需要承認現實：n不存在精通財務、銷售

24、、市場和機器學習的數據科學家。分析工具應該是幫助企業的利益相關方和技術人員之間的溝通。通過建立融會貫通的團隊，企業可以更快地獲得發展的關鍵信息，滿足企業的發展需求。n始終維持高質量的數據非常困難。對于現有數據和正在使用的數據，企業都有必要公開這些數據的質量，這樣就可以對分析的權重做出明智的決定。為了提高數據的質量，企業需要將數據原則作為共享資產和共享責任，應用到各個方面。n雖然從數據當中提取有用的關鍵信息需要各方的共同努力和資金投入，但隨之肯定會有巨大的回報，幫助企業更上一層樓。如企業可以認清這些現實并克服現狀，那么它們就在建立數據信任文化的道路上邁進了一大步。一旦建立起了數據信任，分析工具就

25、進入了一個新境界。我們不會再糾結于歷史數據，我們會更重視前瞻性的數據預測。這樣的轉變可以讓企業在變化來臨前就認識到變化帶來的潛在影響，進而提高企業運營的智能化程度、效率和利潤。我們也會繼續回顧過往，確保新型預測模型的準確度。建立成功的分析項目，其核心原則就是建立數據信任。而保護這種信任就是現代企業中財務部門的職責。專業財務人員擁有的許多技能都可以用來彌補數據科學家和企業之間的差距。他們是值得信任的財務數據專家，并且可以輕松地將他們的知識應用到其他領域的數據上。這份報告列出了首席財務官和財務部門可以采取的一些明確步驟，幫助他們從入門開始學習數據和分析工具，代表企業的利益去充分利用這些寶貴的工具，

26、預測行業變化。因為成本和操作復雜等原因，科技在過去一直是企業使用數據的壁壘，但這些問題現在都已經不存在了。財會分析工具|執行摘要Simon Williams,首席執行官，NTT DATA 英國12將分析工具和企業問題相掛鉤的能力是重中之重，這種能力既涉及技術，也涉及商業。財會分析工具|執行摘要13財會分析工具|1.在財會工作中使用分析工具的前景1.在財會工作中使用分析工具的前景1.1 分析工具發展至今分析工具的歷史，如同很多技術和企業環境的歷史一樣，是一段不斷演化的故事。它最早可以追溯到19世紀，即Frederick Winslow Taylor第一次提出時間管理策略。20世紀60年代（圖1.

27、1），隨著計算機普及率增加，統計技術應用于數據也隨著成為持續趨勢。而在70年代，Edgar F.Codd發明了關系型數據庫（Relational databases）3，其在80年代隨著越來越多的人使用SQL挖掘數據而開始流行起來。關系型數據庫和SQL可以在數據生成的同時進行數據查詢，并且它們仍然沿用至今?！吧虡I智能”一詞雖然最早使用于1865年，但卻是因為Gartner的推廣普及，才在1989年流行起來（Power 2007）。Gartner用“商業智能”來描述基于搜索、采集和分析數據來進行決策的行為。當時的大規模企業資源計劃（ERP）軟件包括商業智能（BI）模塊（即“BI 1.0”），可以

28、允許用戶查詢大規模的數據庫。數據挖掘始于90年代（BI 2.0），實現了過去無法做到的數據中規律的發現。于是，企業開始根據歷史的趨勢預測未來的銷售額。2005年，Roger Magoulas首次提出了“大數據（BI 3.0）”的定義（Halvi and Moed 2012），即當時計算機資源難以操作和分析的大量數據。但同年開發出來的“Hadoop”實現了對此類數據的操作。在云計算出現之后，我們的分析能力也變得越來越強大，現在我們有能力去分析整個社會創造出來的數據。它為我們提供了開源工具，而這些工具可以直接應用于存儲在云端的大規模數據集。這就標志著（高級）分析工具時代的到來。圖 1.1:分析工具

29、發展至今3 用于識別存儲信息項之間關系的數據庫。1950年1960年1970年1980年1990年2000年2010年結構化高度復雜數據的復雜程度統計技術數據挖掘商業智能（BI 1.0）商業智能（BI 2.0）大數據分析（BI 3.0）14財會分析工具|1.在財會工作中使用分析工具的前景1.2 分析工具的機遇？分析工具可以從數據中提取有價值的關鍵信息，幫助我們提高決策的質量。如此一來，財務部門就需要了解公司上下所有的決策，包括但不限于財務方面。有了分析工具，財務部門的職責就不再只是“管理數據”或財務報告等單一的交易業務，現在它們還需要通過財務和非財務信息向企業提供決策支持。因為簿記和編制財務報

30、表所需的人力投入減少，所以財務部門可以將時間和精力從會計工作上轉移到管理上。在ACCA發布的一系列報告中，有一篇是關于財務部門的演變（圖1.2）。正如ACCA和普華永道在報告 金融洞察重新設想（Finance insights Reimagined）（ACCA/PwC 2020）中提到的那樣，雖然越來越多人意識到財務部門需要分析數據源，向企業提供發展的關鍵信息，但未來前進的道路仍然難以捉摸。ACCA和普華永道在另一篇報告 金融：未來之旅？（Finance:a journey to the future?）中提出，如何設計財務部門會成為未來五至十年的討論重點（ACCA/PwC 2019）。首席財

31、務官和財務部門可以借此機會協助企業進行有效的決策。企業為了實現其目標會制定各種行動方針，而這一系列行動也會反映在數據當中，其中就包括國際綜合報告委員會（International Integrated Reporting Council）定義的六大資本數據4（ACCA/PwC 2020）。而基于這些數據的決策流程需要數據分析做支撐，并且最終對于數據背后信息的敘述可以吸引到更多的資金和投資。圖 1.2:ACCA的財務部門報告4 國際綜合報告委員會（International Integrated Reporting Council，IIRC）與于2013年提出了六大資本，它們代表了“企業使用并受

32、之影響的資源與關系”。這六大資本包括財務資本、制造資本、智力資本、人力資本、社會與關系資本以及自然資本。目標與戰略運營與洞察 數據與分析金融：未來之旅？財會分析工具金融洞察重新設想15財會分析工具|1.在財會工作中使用分析工具的前景有效使用分析工具是財務部門持續轉型的關鍵所在（圖1.3）。隨著財務部門的職責越來越多地集中在交易效率、合規與控制以及商業洞察力這三個方面，分析工具的使用變得格外重要，尤其是利用財務和非財務信息進行的前瞻性分析。財務部門絕對不能錯失這次機遇，否則它們將會進一步被邊緣化，被其他可以解決企業需求的機構替代。這次調查研究，我們不僅采訪了多個產業領域的首席財務官和多位財務部門

33、的成員，還有與社會企業打交道的政策制定者。他們認為，我們不僅有可能為能實現經濟增長的項目融資，還能提高人們的生計，這符合企業的目標，也帶來了社會效益，而社會效益的產生就是資本回報高的有利證明。這樣從多個方面進行決策思考，就可以激發出職場罕見的思維創新模式。在所有的深度訪談中，我們達成了一個共識，即首席財務官和財務部門在未來中使用分析工具，實現整個企業的統一決策?；趯v史財務數據的關注，以及分析工具基于證據而做出的決策，我們可以明確未來的形勢。首席財務官和財務部門將會利用分析工具來分析改進整個企業的決策制定，除了使用財務信息之外，還會使用大量的非財務信息和可用的新數據源。這些決策包括上至戰略決

34、策、運營決策，下至資源分配。分析工具為決策提供了一個支點，將企業戰略與運營聯系起來。一位歐洲企業的首席財務官明確表示，在未來五年內，分析工具將推動企業戰略，從而實現更好的決策、規劃和預測。同樣，一位北美的首席財務官表示，他們的首席執行官和領導團隊已經開始向首席財務官尋求幫助，不僅是數字方面，還包括所有決策制定的分析。這位首席財務官負責對接該企業所有不同部門的工作，包括戰略和銷售部門，還要協助技術部門的工作分配。雖然這還達不到在數據公布后迅速決策的能力（即“實時決策”），但對大多數企業來說，目前的能力也已經足夠了。圖 1.3:分析工具和轉型的財務部門來源：摘自于ACCA&普華永道2020企業洞察

35、力：企業運作的有效方式合規與控制：在不限制企業運作的情況下平衡可持續成本交易效率：及時且經濟高效地提高業務績效分析工具提供洞察力，進而維持合規與控制分析工具提供支持企業洞察的信息，但受到交易效率的影響人力科技進程數據分析工具可以保證交易效率，同時維持合規與控制16財會分析工具|1.在財會工作中使用分析工具的前景一位英國服務行業首席執行管的觀點再次印證了企業背景決定其訪問“實時數據”的程度。但是另一位歐洲的首席財務官告訴我們，使用分析工具的動力在于企業希望能做出正確的決策，可用的數據不再只是財務數據，還包括能夠支持服務交付和基礎設施維護的非財務數據。如今的趨勢是，在做決策時，不再只是看數字的準確

36、性，而是越來越多地使用非財務數據，并考量交易描述以外的信息。這些非財務數據有助于我們更廣泛地了解企業受到的影響，從而進一步擴展企業財務部門的職責范圍，以支持管理決策。這次研究中有來自澳大拉西亞地區的公共部門領導層，他們表示自己在投資公共資金的背景下有機會做出更好的決策。決策制定和支持過程是最重要的一個環節。它會直接影響公司的最終盈虧。麥肯錫（McKinsey）的一項研究顯示，如果公司的決策過程得到優化，那么決策的投資回報率(ROI)會提高6.9%（Lovallo and Sibony 2010）。為了確保制定卓越的決策，首席財務官和財務部門需要在企業的決策過程中使用分析工具。在我們的研究訪談中

37、，有很多關于不同類型分析、工具和算法的討論，但是決策分析的過程和框架是同等重要的。CRISP-DM（用于數據挖掘的跨行業標準流程）是經過良好驗證的框架，可以將業務和數據理解結合在一起，適用于各種規模的企業。CRISP-DM框架將數據挖掘過程分為六個階段，請見下列方框中的討論和圖1.4的說明。CRISP-DM框架我們如何開始分析項目？我們如何組織分析項目？我們需要做些什么來確保正在進行的分析項目符合道德規范？我們如何知道我們已經成功完成了一個高級分析項目？來源：IBM SPSS CRISP-DM模型指南（IBM，日期不明）圖 1.4:CRISP-DM進程框架這些問題都有一個共同點：它們都需要某種

38、方案來組織分析項目的多項步驟。其中，分析項目持續的時間和需要的技能各不相同，因此該方案、框架或方法實則是一種排序機制，對不同長度的多步驟分析項目進行排序。此外，一種通用的方法可以讓團隊的任何成員或交付團隊之外的人員重現該項目。CRISP-DM是使用最廣泛的分析過程標準（Chapman等人，2000年），因此它也幾乎可以看作是實現預測性和指示性分析項目的標準模型。當代所有其他的方法論似乎都是從最初的CRISP-DM框架變化而來。CRISP-DM框架可用于分析項目各個階段道德保障的建立（Cunningham 2020），確保已知數據中的偏差，實施安全措施，防止模型受到外來影響。1.3 分析項目我們

39、如何開始分析項目？我們如何組織分析項目？我們需要做些什么來確保正在進行的分析項目符合道德規范？我們如何知道我們已經成功完成了一個高級分析項目？這些問題都有一個共同點。解決這些問題的方法就是建立一個組織分析項目的框架。這樣的框架需要覆蓋分析模型以外的活動，還要在處理缺失數據或者“解決”未明確的問題時，避免草率地使用分析技術?，F在我們需要的框架要經得起近20年的時間考驗。隨著技術變革的步伐，你可能會認為這種框架會被取代，但是CRISP-DM卻存活至今，還成為了預測式分析的標準模型，使用于機器學習項目的發展和審計（Clark 2018）。數據準備部署數據模型企業理解數據理解評估17財會分析工具|1.

40、在財會工作中使用分析工具的前景1.4 最大的機遇在所有的受訪對象中（圖1.5），51%的受訪者認為，決策速度更快質量更高將是使用財務分析工具為企業未來5年帶來的關鍵效益和機遇。31%的受訪者認為，使用財務分析工具是為戰略發展目標提供支持性的信息。此外，49%的人認為，分析工具帶來的機遇是更好的規劃和預測，而40%的人認為是對風險的理解和管理，然而二者的重要性不分伯仲，都需要獲得類似的數據集。實時分析對決策制定和風險承擔的支持是顯而易見的，所以分別有38%的人希望通過分析工具實時洞悉業績表現和提高數據質量。還有37%的人認為最大的機遇是將未來趨勢和預測進行更清晰的可視化，而我們也的確有必要實現可

41、視化，認識到預測能力是數據分析的本質，這樣財務部門的工作就可以從匯報財務和會計措施向預測未來。檢測完整數據集則被認為是最不重要的，因為只有15%的受訪者希望從分析工具中獲得這方面的效益和機遇。1.5 大數據的四個“V”在各種規模的企業中，領導層都在通過大數據進行決策。許多企業產生或積累了大量非結構化的非財務信息，包括全球定位系統(GPS)數據、手機數據、傳感器溫度、問卷調查中開放式問題的答案、網站客戶互動、社交媒體上的動態和監控攝像的視頻。這種大數據的標志性特點代表了交易之間產生的非財務信息(NFI)。自文藝復興以來，我們一直通過復式記賬法和會計系統來捕獲和記錄財務交易，但卻經常無法收集或使用

42、非財務信息。當前的企業業務是通過交易(銷售和經營指標)來表示的，但在將來，這將取決于人們的共情和人際關系。相關的信息包括用戶使用品牌產品而生成的內容、評級、評論，以及一對一的對話、客戶遇到困難時的信號和客戶活動的地理位置。但是這些信息又是如何影響財務狀況的呢？假如你在經營一家旅館，你會關注TripAdvisor排名的變化，因為這會影響到旅館未來的收入。但是，如果企業主只是等待會計定期編制的財務報表，然后根據報表上的預計收入和客房需求變化導致的實際收入采取后續行動，那么企業主的經營策略就是不充足的、低效率的。圖 1.5:未來五年，你希望你們團隊通過使用分析工具而獲得的最大機遇是什么？0%10%2

43、0%30%40%50%60%18財會分析工具|1.在財會工作中使用分析工具的前景表 1.1:大數據的業務來源非財務信息業務進程非財務信息企業內的大數據來源房產、廠房和設備線上數據庫不斷補充的歷史價值市場營銷社交媒體、電子郵件、谷歌搜索、網站分析，以及腕帶設備和智能手機提供的健康數據應收賬款商品或服務的完整文本描述（非結構化數據）采購和銷售射頻識別(RFID)，GPS和藍牙信標現金移動支付、電子信用以及Apple Pay或其他使用近場通信（NPC）的安卓支付客戶服務電子郵件、社交媒體、呼叫中心記錄（CCR）供應鏈RFID、GPS、視頻（物流中心）和溫度庫存RFID、GPS、視頻（儲存倉庫）圖 1

44、.6:大數據的四項組成部分 大數據有四項公認的組成部分（圖1.6），下文就根據受訪者的經驗對這四項組成部分進行了闡述。表1.1列出了在企業可能使用的大數據中屬于非財務信息的種類。企業可以使用的非財務信息來源多種多樣?，F在我們以葡萄酒企業為例，解釋一下這類非傳統信息的重要性。經濟學家Orley Ashenfelter曾“算過一筆賬”，他發現葡萄酒的品質=12.145/0.00117 x 冬季降水量+0.0614 x 生長季節的平均溫度 0.00386 x 采收期降水量（Marland 2014）。這套公式曾預測出了1989年和1990年的“世紀最佳葡萄酒”。我們也可以采用類似的方法預測澳大利亞隱

45、士莊園的價格。網站Liquid Assets（Ashenfelter和Quandt 2020）是一個專門刊登葡萄酒文章和查詢葡萄酒數據的網站。有趣的是，人們是在現有的企業和會計信息之外發現了預測酒店收入和葡萄酒價格的數據。在新西蘭，澳新銀行的“卡車指數”（Truckometer）（Zollner 2020）將道路交通密度作為非財務信息與新西蘭未來的經濟狀況聯系起來。雖然這看起來毫無聯系，但澳新銀行暢通的交通指標（ANZ light traffic indicator）可以提前六個月預測GDP的活動。根據Zollner的說法，“交通流量可以實時地反映真實的經濟活動”。但由于新冠肺炎疫情導致的封鎖

46、切斷了交通與GDP的聯系。企業外部持有的數據可以在實際事件或財務報表公布之前起到預測的作用，同時這樣使用數據的做法越來越普遍，反映出了“數據的民主化”（Handler 2013）。這就要求專業人員和消費者可以自由地訪問數據，這樣就可以幫助企業進行以數據為導向的決策。多樣性真實性速度數量19財會分析工具|1.在財會工作中使用分析工具的前景一家連鎖超市的首席財務官會使用基于客戶購買和天氣數據組成的大數據，提前訂購未來需要的冰淇淋；通過電網數據和智能電表數據，另外一位首席財務官不僅可以明確地查找出網絡的故障，還可以主動為消費者需求提供服務；還有一家企業可以通過汽車排氣管的數據建立商業模型。有一位首席

47、財務官認為行為數據是企業的DNA，并從電信、醫療和保險行業的客戶互動中獲取數據。同樣，政府機構的洞察力經理還會遇到非個人化的行為數據。不同企業規模和行業的首席財務官和高管們現在都在使用大數據進行決策，尤其是考慮到決策的多樣性方面。有一些來自英國和亞洲的受訪者表示，他們發現企業的網站數據具有非常高的利用價值。在新冠疫情期間，電子商務一直不斷地改變零售和食品行業，從門店購買轉變為在家中上網下單。因此，企業的首席財務官和財務部門就開始利用網站的數據創造價值。如果首席財務官和財務部門想要擁有比其他專業人員更大的競爭優勢，他們就必須不斷地向前進步，還要將獲得的大數據整合到他們定期向企業提供的財務績效指標

48、中去。首先可以從企業自己的網站數據開始。與前一時期相比，在線客戶訪問量的減少是未來銷售額下降的一個潛在指標。谷歌分析報告對網站瀏覽量的分析可以在銷售交易條目被企業錄入或輸給競爭對手之前，讓企業直觀地看到銷售的潛力圖。財務部門當前的任務是將非財務信息與財務數據連接起來，這樣才可以實現其預測的能力（見第3章3.4節）。在公用事業、制造業和零售業，首席財務官需要處理的數據來自于智能電表、技術設備上的傳感器或社交媒體上的消費者互動。因為這些數據的速度有時候會非常高，所以在進行測試或向消費者提供特別優惠時，這種高速度會導致大量數據的積累。其中一些數據可能需要實時監控，因此需要一個能夠處理大數據的基礎設施

49、。數據速度是圖1.6中的第二個“V”。在公用事業和制造業中，數據的價值取決于它們的真實性（即準確度）。但傳感器的數據容易對設備造成干擾，甚至導致設備出現故障。因此清除這些數據是獲取數據價值的一個重要步驟。真實性是圖1.6中的第三個“V”。所有受訪者都表示，數據的數量非常巨大，這就意味著企業不可能使用一臺機器來存儲、處理和分析數據。提供研究投入的大數據示例包括“工業4.0”應用程序：社交媒體數據、電子商務應用程序的網站點擊流數據、呼叫中心的行為數據、電力設施系統的機器傳感器數據、全球運輸食品的貨船數據、信用風險模型和來自銀行和金融應用程序的交易數據。如圖1.6所示，數量是大數據的第四個特征。澳大

50、拉西亞公共部門領導在采訪中提到了一種不同尋常的大數據集，它就是與家庭生活經歷故事相結合的數據。政府有一項關于個人和家庭的微數據研究，而這類數據集就是建在該項研究的數據庫之上。關聯的數據同時兼有個人家庭與政府的互動，包括生活事件（如教育）、收入、福利、移民、司法和健康。對審計專業人員（包括來自北美和澳大拉西亞的“四大”的合伙人和經理）的采訪顯示，內部和外部的審計實踐正在使用大數據。過去，審計使用的是某一時間點上的小樣本，但現在使用大數據和分析工具的審計人員會占用并審查整個數據群。采用大數據方法可以提高審計質量，為客戶帶來效益，還可以在需要改進的領域提供見解，尤其是內部控制方面。在第3章中，我們將

51、探討可以從大數據中獲取價值的各種類型的分析工具，即描述性分析、診斷性分析、預測性分析和指示性分析。數據的數量非常巨大，這就意味著企業不可能使用一臺機器來存儲、處理和分析數據。20例如：畢馬威事務所的全新設計平臺Clara可以為審計生成豐富的可操作的分析信息，并且通過可視化的方式對信息進行詮釋。Clara使用了預測式分析工具、外部數據及非結構化數據。該智能平臺可以實現以下功能：1.通過分析大量交易信息，協助審計員以更快的速度做出準確的判斷。如果Clara用作分析評估，則可更容易識別欺詐行為。2.通過從審計角度分析數據明細為客戶創造價值3.可實現自動化，在不削減成本的基礎上提升效率事實上，許多客戶

52、公司的管理層也希望像審計員使用分析工具一樣自行使用同樣的分析工具，包括訪問儀表盤、基準、成本控制問題等。但是真正的價值并非源自工具本身，而更多是來自審計師及專業判斷。就大數據及分析工具的最新分析流程來說，審計工作如同探索事件日志。該分析流程使抽取任意交易成為可能。通過與原本設置的業務流程目標的匹配，我們可以識別出是否有異常的業務流程操作。該分析流程能發現過去在傳統審計操作中無法發現的異常交易。該異常交易可能違反內部操作，繞過了審批流程或甚至破壞了權責分離的原則。通過操作流程挖掘，任何在內控環節被忽視的異常操作都能夠進行進一步調查。由于數據異常豐富的分析審計平臺的普及，就技能和人才發展的角度，我

53、們應該招聘具有STEM背景的畢業生。STEM指的是科學、技術、工程及數學。除此以外，我們也應該招聘數據專業人士。對于畢業生來說，現今的培訓囊括全面熟悉內控流程。除此以外，測試部門依舊起著舉足輕重的作用。這個部門的工作風險性很高，因此不應該以自動化取代測試部門的工作人員。在過去，審計是培養下一代首席財務官的訓練基礎。這一關聯性或許會發生改變，因為在未來首席財務官可能得首先是一位優秀的數據科學家，又或者在該人員剛開始工作的時候從事的是數據相關的工作并且掌握高階分析工具的使用方法。大部分的培訓都是在職培訓，所以我們要善于利用領英上的定制培訓。對審計人員來說，一些可選擇的工具包括Alteryx（一種分

54、析流程自動化工具）、微軟BI及SQL數據庫。數據專業從業人員也需要對Python編程語言有一定的認知。由于審計工作的本質及敏感性，在審計工作中應僅僅使用認證及已羅列出的可使用技術。只有這樣才可以在工具和模型開發中控制質量。此外，使用認證工具可以確保在遇到審計問題時保護審計員。就財務人員開發及職業培訓角度來說，懷疑、判斷及倫理道德原則依舊是不可或缺的學習內容。這是因為財務人員并非只是簡單地看記錄，而是透過交易信息理解管理控制流程以提供審計證據。成本最為高昂的步驟是細節證據的收集。在將分析平臺與客戶ERP平臺集成的過程中還是不乏挑戰和難題。這可能是因為即使客戶購買的是來自同一公司的平臺，如SAP、

55、甲骨文或微軟公司的平臺，不同的平臺之間還是有不小的差異。最低的要求是針對于不同的ERP平臺的分類賬測試。該情況及數據訪問在不斷改善，同樣客戶也在利用運營及外部數據建立數據湖。大數據及包含社交媒體數據、PDF文件圖片及視頻、音頻、GPS及傳感器的數據的各種各樣的非財務數據為高階分析提供了素材。除此以外，由于外內數據的整合，這能夠為審計提供證據且進行風險評估。關鍵還是要從核心業務流程開始著手。這包括收入、每一筆銷售訂單到交付的跟蹤及發票。畢竟我們還是應該把重點放在標準化的重復性的流程。在未來，或許最大的機遇會來自于在審計中借助機器學習及使用一系列自動化工具。除此以外，大數據分析下的審計或許也會經歷

56、巨大的變革，從事后行為過渡到持續性的甚至是實時的基于風險及管理控制的審計過程。如前文所述，審計將不再是一種合規要求的確保外部交易正確記錄的定期回顧式的義務行為。而在基于大數據分析的審計操作的今天，審計師的專業判斷將顯得更為的彌足珍貴。大數據和審計即使是審計業務也開始大量采用大數據及諸如預測性及指示性分析工具等的高階分析工具。審計員也親身見證了許多客戶在工作中使用云技術、工業4.0傳感器及包括社交媒體在內的外部數據。財會分析工具|1.在財會工作中使用分析工具的前景21財會分析工具|1.在財會工作中使用分析工具的前景1.6 最大限度利用分析工具的挑戰當今時代，企業在決策過程中面臨著什么樣的阻礙？有

57、位首席財務官在采訪過程中表示，之所以會遇到這些問題，是因為企業缺少數據治理和數據質量等能力。雖然首席財務官的職責在不斷地變化，但財務部門仍然是確保數據準確的第一道防線。一家英國服務提供商的首席執行官認為，商業分析師扮演著一個非常關鍵的角色。財務專業人員除了需要熟悉決策流程，還需要在支持和授權的情況下，把整個決策過程記錄下來，并在后期將這些工作自動化，而決策的質量反過來會受到這些工作的影響。參加調查的對象需要選出他們部門在使用分析工具的過程中遇到的挑戰（圖1.7）。我們還調查了中小型企業（SME）相同的問題（圖1.8），它們的情況與大型企業不同。英國有一家專門面向中小企業社區的軟件提供商，據這家

58、提供商的首席執行官表示，中小企業可能會接受兼職或“組合型”的首席財務官服務。但大型企業使用的云端分析工具同樣也適用于中小企業。這些工具的出現可以幫助會計師在實踐過程中創造更多的機遇。圖 1.7:你認為你們部門使用分析工具遇到的最大挑戰是什么？圖 1.8:你認為你們部門使用分析工具時遇到的最大挑戰是什么？中小企業與所有受訪者的比較0%5%10%15%20%25%30%35%40%45%0%5%10%15%20%25%30%35%40%45%中小型企業 所有受訪者22財會分析工具|1.在財會工作中使用分析工具的前景澳大拉西亞地區分析軟件提供商可以幫助中小型企業實現基于數據進行的決策，幫助它們擺脫憑

59、借“直覺”決策而導致的不良后果。在企業提高數據使用規模的過程中，會遇到一些阻礙企業發展的問題。其中最大的挑戰就是缺乏對現有技術的了解（40%）、有問題的數據格式（39%）、學習正確分析數據的技能（37%）、分析非結構化數據（32%）和打造數據驅動型的文化氛圍（30%）。1.7 數據戰略英國一家軟件和服務提供商首席執行官認為企業需要完全根據它的企業戰略和模型制定數據戰略，這是企業制定分析工具項目的第一步，因為數據戰略將會切實地服務于企業的需求。由于數據戰略框架包括了分析、數據控制和管理，因此支持這個概念的首席財務官都認為數據是寶貴的財富，而不是帶來損失的負債。數據戰略可以組織、治理、分析和使用企

60、業的信息資產（DalleMule和Davenport 2017）。數據戰略分為兩個不同的策略性組成部分，需要在防守型數據和進攻型數據之間取得適當的平衡（圖1.9）。n防守型數據專注于風險最小化，確保分析工具的使用的合規性。n進攻型數據會通過儀表盤為企業的決策提供支持，還會通過數據模型和分析工具生成客戶的關鍵信息，直接作用于企業的商業活動，推動企業的增長目標。我們這項研究中采訪的企業都采取了混合式的數據戰略。金融服務提供商和零售商采用了進攻型戰略，而一家按照汽車排放標準運營的汽車零部件供應商和一家公共部門企業則采取了更具防御性的數據戰略。關注安全和治理的企業往往就會采取防守型戰略，而使用預測性分

61、析的企業則意味著它們采取的是進攻型戰略。首席財務官都希望從前瞻性的角度收集數據并從中提取關鍵信息，但困難在于缺少獲得合適數據的渠道。然而在解決企業的問題時，以財務為主導的分析方法會為企業創造重要的價值。大多數參與這項研究的企業都提供了它們的內部數據，而利用外部數據源的企業和案例研究則非常稀缺。盡管如此，我們采訪的一家在北美市值數十億美元的企業，它們的首席財務官明確表示，該公司會通過全球的外部系統分析外部的客戶數據，而整個企業的商業模式和收入流都是基于這些分析而建立的。另外一位同樣來自北美的經理，他的公司是四大專業服務公司之一，他在采訪中提到了一項伐木公司的案例研究，這家公司會通過卡車將木材運送

62、到全國的建筑用品連鎖店。他們在運輸過程中，將卡車的GPS數據與交通事故相結合，預測了路線和天氣的持續時間。這兩個案例都為企業利用外部數據提供了非常多的參考價值。(另外，關于如何使用外部數據創造價值（box）（第1章，第1.5節）和增強決策能力，請參閱葡萄酒和ANZ卡車指標的案例。)圖 1.9:數據戰略進攻型 vs 防御型來源：Leandro Dallemule&Thomas Davenport 2017年5月 The Financial Brand防御型進攻型數據戰略頻譜公司的數據戰略取決于它所在的行業、競爭和監管環境以及該公司總體的發展戰略。醫院在高度規范、對數據質量和保護極為看重的環境下運

63、營，因此重視防守多于進攻。銀行往往受到嚴格的監管，需要強大的數據防御。但由于市場的動態環境，銀行通常會在數據進攻和防守方面投入同等的精力。零售商的受監管程度低，處理的私人敏感數據不多，同時它們還要應對競爭和市場變化做出反應措施，因此他們采取了典型的進攻型戰略。23財會分析工具|1.在財會工作中使用分析工具的前景這些外部來源的數據，被Henke等人（2016）稱為“正交（獨立）數據”，因為它獨立于內部數據，有可能改變企業的商業模式。整合來自多個來源的外部數據，并結合到一個已經運行的內部BI系統中，將有助于生成描述性分析、預測性分析，以及指示性分析（見第3章）。圖1.10顯示了受訪者如何評價他們企

64、業所使用的數據。超過50%的受訪者表示他們的數據安全、可靠，不僅時常更新，還易于訪問；而只有不到50%的人認為他們的數據易于分析、易于使用和清洗。當被問及這些數據是否一直被正確使用時（只有38%的人認為正確），選擇同意選項的受訪者人數最低。財會專業人士通常需要完全可信的數據，但有人認為如果我們過分強調這一點，就可能會浪費時間而不能及時地進行決策。使用100%準確的數據和使用80%準確的數據，我們做出的決策會有什么不同嗎？所以，我們需要思考我們真正需要的是什么。超過三分之一的受訪者表示，他們對自己使用數據的方式感到滿意。如果我們是財會專業人士，那么一旦驕傲自滿，我們就不會認識到數據和分析工具為我

65、們創造的機遇。圖 1.10:結合你工作的企業，你認為你的數據是否符合以下特征的描述？0%20%40%60%80%100%24作為財會專業人士，一旦驕傲自滿，我們就不會認識到數據和分析工具為我們創造的機遇。財會分析工具|1.在財會工作中使用分析工具的前景25財會分析工具|2.現狀2.現狀2.1 支持數據分析工具的技術盡管“第四次工業革命”的影響勢如破竹，各行各業的大小公司都在考慮如何利用新技術來重塑他們的業務，但是Excel仍是首席財務官和財務部門的首選分析工具。在本報告采訪討論中，受訪者表示他們需要能夠處理大量數據和實現可視化的系統。在本次研究中，我們將這種系統統稱為“商業智能工具（BI工具）

66、”?！胺治觥背Ｖ傅氖悄撤NBI工具，而非分析方法。圖2.1展示了使用BI工具生成數據報告的主要過程。這里所列出的工具并不包括所有工具，僅重點展示生動、新穎、創新的開源分析工具。由于數據科學界更偏愛R和Python等開源語言，而非商業軟件，所以包括微軟在內的主要公司所設計的工具都是與開源工具和語言配套使用。圖2.1的黃色標題則著重強調的是BI工具（如微軟的Power BI）在未來路徑圖上的突出功能。訪問中最常提及的工具是微軟的Power BI。此外一些受訪者也談到了Tableau和Alteryx。這些工具都集成了先進的統計和機器學習技術，從而能從數據中挖掘洞見。Alteryx是種數據混合工具，能幫

67、助商業用戶甚至分析師混合、清理并轉化多來源數據，并將其整合為單一數據集，以便于分析。數據專家和商業用戶能在Tableau中審查數據圖形，從而分析所得結果。圖 2.1:BI分析所獲得的財務數據報告分析工具能幫助我們對數據進行最佳描述財務開放數據 運營制定決策，通過可行性計劃發現和利用市場機遇Excel電子表格系統 Google表格系統 Power BI分析工具套件 Tableau商業智能可視化分析軟件 谷歌Data Studio數據分析和可視化工具 Plotly可視化工具*Apache Superset商業智能 Web 應用程序*Metabase商業智能工具*Redash數據查詢與可視化工具*1

68、.用自然語言提問2.自動生成數據故事3.獲取運行數據的背景信息4.自動發現數據源并歸入目錄5.自動建模數據6.分析數據和建議7.提供見解并執行決策8.數據報告推動工作流程大數據數據報告創造價值競爭優勢通過數據可視化實現的商業智能BI工具*開源可視化儀表盤26財會分析工具|2.現狀目前，一種新的和數據打交道的方法正應運而生；受訪者多次提及此類的工具和培訓，這也證明了它們在各行各業中的廣泛應用。5SAP和甲骨文財務系統（Oracle Financials）中也集成了分析工具，雖然人們有使用它們，但是似乎并不很感興趣。許多受訪者仍在使用這些平臺的沒有分析功能的舊版本。相較之下，一家專業基金公司的財務

69、經理則認識到了財會行業的專業性，并樂于使用新的專業系統所提供的分析工具。小企業用戶則可選擇為它們量身設計的一套分析工具。一名澳洲中小企業顧問介紹最重要的工具包括：n用于財務報告和分析 n能將會計數據可視化，從而實現更為強大的報告和預測功能，以及 n能在獲取所有的會計數據后對企業進行預測如果中小企業要使用這類軟件，它們就必須使用Xero或QuickBooks的在線會計軟件套件。圖2.2表明，Excel仍是受訪者企業分析工具中的“主力軍”，而數據可視化工具則排在技術應用中的第二位。此外還有機器人流程自動化(17%)、機器學習(13%)、人工智能(12%)和深度學習(6%)，而這些應用程度表明，受訪

70、者仍處于此類技術應用的初期階段。圖 2.2:您的團隊目前使用哪些技術來支持數據分析活動/戰略/客戶工作？5 ACCA和澳新特許會計師審查了2019年ACCA和澳新特許會計師的技術使用情況。0%10%20%30%40%50%60%70%80%90%27這類工具包括能進行復雜建模的微軟Power BI，和使用Azure云服務及Salesforce Tableau分析平臺的機器學習。隨著中小型企業嘗試采用新技術，并提高了對于數據的理解，SMP也需要做出回應，開發出比商業企業分析工具更適合小企業的中小企業分析解決方案。由于新冠疫情，事務所的員工或者客戶都已經了解到了分析工具在信息創造方面的優勢,SMP

71、就無需再說服他們來使用此類工具。服務中小企業的SMP在疫情期間加大了分析工具的部署，這不僅幫助它們理解這類的金融分析工具，還讓它們能夠獲得政府的工資補貼和稅收激勵計劃。如果要獲得上述援助，就需要證明公司的收入同比出現顯著下降。如果中小企業要證明自己有獲得援助的資格，就需要了解各項數據，并交由SMP進行分析。一家澳大利亞顧問和SMP機構表示，企業通過確認收入、梳理人員配置和提高對自己數據的利用程度，這實際上能為企業帶來更多的營收，而不非損失。這使它們能重整業務，擺脫“累贅”。企業沒有故步自封，而是正在實現商業模式的飛躍式變化。而關鍵問題就是要定位資產，探索改造資產的方法。這種改變的一個范例就是杜

72、松子酒公司，它們現在正打造自有消毒劑品牌，這種變化是全球性的。當地的咖啡館也改為出售野餐用食物，重點放在外賣服務上。這名受訪的澳大利亞顧問表示，就連SMP會計從業人員也在發生著變化。一名過去習慣于在電腦后敲敲打打的稅務會計師在新冠疫情期間轉而利用Zoom視頻會議和Skype通訊工具為客戶提供在線咨詢服務。這位咨詢師和會計從業人員還為中小企業開辦了一個在線支持小組，每次的線上支持會議都會進行2個小時。該澳大拉西亞支持團體面向全球，其中不乏來自馬耳他、愛爾蘭、英國和美國的參與者。為了幫助中小企業，讓它們更加了解分析工具（尤其是預測性分析工具）和“現成的”軟件，這家澳大拉西亞咨詢機構提出了幾點建議。

73、1.利用如Xero,MYOB或QuickBooks等會計工具，從而確保賬目記錄清晰直觀，包括有簡潔明了的開支項目和不同的工作內容，并且要為每個項目選擇一個合適的工具。2.接來下就是提取賬目中的交易和數據。我們可以使用DataDear(https:/ 財會分析工具|2.現狀28財會分析工具|2.現狀創始人面臨的挑戰包括了要讓中小企業了解分析工具的力量和價值，因為這些企業可能從來沒有用過此類工具。對于亞洲的中小企業而言，選擇何種分析工具的關鍵人物通常是首席執行官（CEO）。企業所有人或首席執行官（CEO）能確保合作的開展從而實現數據共享。因此，重點不在于財務信息，而在于是否能形成洞見，促成合作。這

74、一點極為重要，因為對于中小企業而言，部署分析工具的成本相當高昂。依據企業戰略進行可視化定制，根據關鍵數據源生成圖表，這都會影響到部署成本。是否能符合企業戰略，這影響到了終端用戶對于分析工具的體驗。一家亞洲的數據技術應用提供商的CEO表示，分析工具技術有助于分析和切入更多的數據，這是Excel和腦力分析所不可及的。由于有一系列的軟件都可用來生成分析結果，所以這名CEO的財務部門正積極地參與到此項業務中，幫助了解客戶需求，為客戶和軟件開發團隊搭建起了溝通橋梁。該財務部門會在公司內部使用預測分析工具，從而了解客戶行為，積極管理交付資源。在企業內部，財務部門可以利用財務儀表盤來呈現公司業績表現。技術團

75、隊負責編寫分析工具程序，而財務部門則負責了解需求。當技術團隊在表述上遇到困難時，就可以與財務部門合作，這有益于對信息進行正確的可視化。重要的是，財務部門成員能幫助客戶理解商業案例和投資回報率，并持續密切關注投資回報率的情況。該名CEO在其公司內部開設了一個培訓機構，提供相關的技能培訓。但是，即便有這一內部機構，員工也應該參加公共會議，以彌補在對這些工具的了解和使用上的差距。我們需要發展軟技能，才能根據不同的數據集和問題選擇對應的可視化方法，并做好情況描述，用以有效輔助所選的可視化方法。這類軟技能是對現有財務和會計能力的補充，一個了解技術（分析工具）的財會專業人員需要具備這些軟技能。中小企業和事

76、務所的的觀點292.2 分析工具可以應用于何處？根據受訪機構表示，獲得成熟應用的分析工具包括預測性銷售分析、客戶盈利、產品盈利和現金流分析。一個英國的數據專家不僅利用分析工具來幫助他預測需要改進的工作，還將分析工具重點用于尋找商業模式中需要改善的部分。最值得注意的是，B2B的商業模式在了解客戶需求上面臨著諸多挑戰。之所以會出現這個情況是因為B2B模式選擇繞過如“實體”零售店等正逐漸日落西山的傳統渠道。分析工具不僅被應用在財務和市場營銷上，還被廣泛應用于企業中的其他各個部門。使用分析工具的原因包括以下幾點:n從數據中挖掘價值 n提高競爭優勢 n支持戰略和策略目標的實現 n有助于企業做出更好的決策

77、 n有助于提高業績表現 n創造知識（Holsapple 等人.2014年）在新冠疫情大流行期間，分析工具的部署速度加快，主要應用于勞動力規劃、人力資源或人員分析上。一名就職于“四大”專業服務公司的北美經理，他同時也是我們ACCA網絡組成員，他正在幫助政府進行人口統計規劃和資源配置，將一線員工轉移至受疫情影響較弱的地區。數據分析工具有助于企業了解如何利用政府推出的疫情扶持措施。將這類工具用于了解失業者上，可以幫助政府行政人員和公共部門決策者完善相關政策，改進長期的激勵舉措。這些工具還可用于報告受新冠疫情影響的小企業，從而使政府能在疫情期間規劃企業激勵措施。新冠疫情對工作方式的改變包括工作安排變得

78、更為靈活，完全在家辦公，白天與子女同處，并且無通勤或少通勤也增加了可用時間。而這些變化也要求企業要迅速地實施遠程工作戰略，并在必要時部署新技術，從而保證業務的連續性。而其中，分析工具發揮著巨大的作用，它能“幫助任何地方的員工獲得資源，而以前公司只需要向員工集中辦公的辦公室提供資源”。自新冠疫情以來，工作量在某些情況下出現了下降，而分析工具則有利于有效的利用資源。過去，一個簡單的管道工具和小組討論足以維系兩到三個月的資源規劃所需。如今，利用疫情期間的資源配置工具，一家“四大”專業服務公司能平衡一個國家不同地區甚至各國之間對于資源的需求。北美地區針對受新冠疫情影響的企業推出了小企業政府優惠刺激計劃

79、，而每周需要400人處理該計劃。以前，要招聘到這批人幾乎是天方夜譚，因為招聘時需要對申請人進行審核，檢查他們是否了解企業會計。如今這項招聘工作已經完成，需要每個申請人完成書面手續，從而支持現有會計信息。財會分析工具|2.現狀案例研究：主數據的挑戰我們所面臨的其中一項挑戰就是是否擁有質量優秀的數據。這是一個紀律性問題，也是我們在主數據方面所存在的難題之一。多年以來，我們一直向最高管理層施壓，以期能解決上述難題。我們有良好的基建，投入了大筆資金，進行人員培訓。但即便如此，我們仍在管理主數據方面面臨著巨大難題。例如，我們了解我們的銷售和營銷部門存在有主數據問題。他們總是未能對系統中的主數據進行及時維

80、護，或者提供了錯誤的主數據。他們不僅會出錯，還將工作外包，因此問題就會變得更復雜。但是，當你知道有問題時，不能只是說一句“這有問題”，而是要解釋清楚。因為我們都明白生活處處是問題。需要解釋清楚的就是，如果我們想要有良好的決策能力，就需要有強大的分析工具，而這分析工具的前提是有高質量的數據，否則分析就成了空談。30財會分析工具|2.現狀圖 2.3:您認為您的團隊探索或使用數據分析工具的主要原因是什么？0%10%20%30%40%50%60%70%80%圖 2.4:在你的團隊中實施數據分析工具時，是否明確分配了責任？隨著首席財務官（CFO）的職能不局限于財務范疇，除了實現降低成本，提高流程效率外，

81、能應用分析工具來發掘價值也變得至關重要。這與交易無關，而是關乎能否從數據中獲取價值，從而幫助推動整個組織的發展。分析工具對于業務流程的改變能力才初露鋒芒。以收款流程為例，傳統的做法是根據賬戶的大小或者開票后的天數來確定賬戶的優先等級。公司現在可以利用分析工具，根據在特定時間內付款可能性的高低來確定優先等級。主動使用電子郵件聯系客戶，發出收款請求。這就是為什么分析工具完全地改變了業務流程。企業探索或使用分析工具不僅僅只是針對現有的業務。根據我們的調查對象反饋，使用分析工具的兩大優勢分別是提高效率（67%）和改善規劃、預算和預測（也是67%）。除了上述原因外，提高風險管理（48%）和檢測及改善控制

82、（45%）等也都有助于我們從數據中獲取價值。但是，優勢并不止于此，還包括：提高收入（37%）支持新產品或服務開發（33%）檢測欺詐（27%）和滿足監管要求（26%）?？偠灾?，受訪者表示，他們使用數據的目的并非單單是要獲得洞見用于管理客戶關系（33%）。受訪者從數據中獲得的好處中排名最靠后的是：滿足監管要求（26%）和了解競爭對手（17%）。在財務部門使用分析工具的原因中，最次要的原因是發現和管理人才（14%）。2.3 由誰負責？大多數調查的受訪者（62%）清楚地了解他們在實施數據分析工具方面的責任（圖2.4）。如圖2.5所示，最常見的情況是，在整個組織中負責實施分析工具的是首席財務官（40%

83、），而由首席執行官負責該責任的比例（28%）則遠遠低于前者。其他人在實施分析工具上所承擔的責任或擁有的權利遠不及公司的管理層。審計合伙人的出現表明，盡管存在獨立性方面的挑戰，但企業在審計過程中越來越傾向于使用大數據分析，因為這對企業具有吸引力。此外，企業會以類似于審計的方式使用數據分析工具，因此審計合伙人對實施數據分析的影響相對較大（15%）。31首席分析官（5%）對實施數據分析工具的影響不如預期高，這反應了該職務依然處于初始階段，他們需要繼承先前實施的分析系統。這也反映了組織建立分析職能的多種方式。但無論采用何種結構，企業都必須要明確治理和誠信上的責任。應指出的是，由于該調查采用的答復是來自

84、所有受訪者的，所以審計合伙人只影響力比重只有15%。如果按受訪者的行業對這個問題的回答進行細分，從事專業服務的受訪者認為審計合伙人的影響力比重為49%，從事專業服務領導層的受訪者認為是81%，而從事財務工作的受訪者認為僅有1%。圖2.6展示的是進一步對比了認為在中小企業（即員工少于250人的企業）中工作的回復人和所有回復人的結果。結果表示，小型企業CEO在應用數據分析工具上比CFO發揮了更大作用。它還顯示出，在這一領域中，財務部門并不領先，但隨著為這一市場開發基于云的應用程序越來越多，仍是有機會的。財會分析工具|2.現狀圖 2.5:目前誰負責做出在整個組織中實施數據分析工具的決定？圖 2.6:

85、目前誰負責做出在整個組織中實施數據分析工具的決定？中小企業與所有受訪者的比較0%5%10%15%20%25%30%35%40%45%0%5%10%15%20%25%30%35%40%45%中小型企業 所有受訪者32財會分析工具|2.現狀2.4 中期實施數據分析工具的責任在2023年-25年（圖2.7）這段期間，負責在整個公司實施分析工具的是首席財務官（40%）和首席執行官（34%）。這種情況其實是目前情況的自然演變，當前也是由同一批領導層在推進分析工具的實施（圖2.5）。令人驚訝的是，預計首席數據官在這段期間承擔的責任（8%）會高于首席營銷官（4%）。實施過程中不僅涉及工具的選擇，還涉及團隊的

86、建設和架構，從而才能從數據中發掘洞見。首席財務官在讓整個組織獲得數據和分析工具方面起到至關重要的作用。2.5 從分析工具中獲取價值的所需技能雖然分析技術、流程和數據是分析項目的基本要素，但是能否獲得分析人才才是成功的關鍵因素。為分析項目選擇合適的方法（如CRISP-DM）和確定正確的數據和分析方法，這些任務都必須由人來完成。首席財務官和首席執行官需要足夠靈活，才能重新設計思維和決策，以對接由商業智能工具和可視化獲得的分析和見解。但分析工具正在降低統計和數據技能所需水平的門檻，并為現有人才提供傳統財務和會計工作之外的發展機會。無論公司已經具備有哪些資源，為了要獲得洞見，有時依然需要從外部招聘人才

87、。因此這類人才罕見，而且要找到具有特定行業經驗的分析師更是難上加難，所以我們需要修改人才招聘方法。這是我們所咨詢過的若干家公司的一致想法。一位來自東歐的首席財務官希望每個團隊中都有一名“冠軍”。冠軍不僅致力于解決問題，而且還負責幫助其他團隊成員發展他們的分析技能。對于一些人來說，成為冠軍靠的是他們的過往經驗和對企業的了解。ACCA和澳新特許會計師公會（Chartered Accountants ANZ）都有指導課程，遵照上述發展路徑，并且已經有先例證明我們能發展技術技能，同時對與道德相關的軟技能進行監督并維護隱私。圖 2.7:在整個企業的未來三到五年內，誰最有責任做出實施數據分析工具的決定？0

88、%5%10%15%20%25%30%35%40%45%33所需的技能既包括軟技能也包括技術技能，如圖2.8所示，接下來的段落中會詳細討論這些技能。關鍵能力是能夠明確問題，理解并解釋結果。雖然可以利用工具發現規律，但是需要人才來解讀和表述。核心技術和軟技能技術技能和道德技能再輔以額外的技能，這共同構成了ACCA的職商（圖2.9a“職商”定義見 專業會計未來：變革驅動因素與未來技能（Professional Accountants the Future:Drivers of Change and Future Skills）（ACCA2016）或澳新特許會計師公會的能力模型（Capability

89、Model）（圖2.9b）。對于利用分析工具而言，重要的是在分析和敘述數據時利用職商。所需的數據和分析技能即便對于已經構建了商業智能卓越中心（BI Centres of Excellence）的組織而言，這些組織的受訪者依然希望提高財務部門的技能，將分析技能和技術使用納入主要的財務職能范疇中。有時，一些首席財務官會認為，沒有必要要求團隊成員擁有更高深的微軟Power BI或Python語言的編程技能。一個人的學習動力是由于他知道：已經擁有會計資格卻還利用空閑時間學習Python和機器學習是不多見的。但是領導層需要了解這些技能和知識。在C級高管中，首席財務官和首席執行官都要明白“分析工具優先”的

90、思維能產生何種效應。我們采訪的一位北美的首席執行官，他在進入財務部門之前曾擔任數據科學家，并獲得了深厚的分析培訓知識。雖然這種情況很少見，但在天生以數據為中心的公司中并非絕無可能，這使得財務會計機構能從更廣泛的途徑吸收人才。財會分析工具|2.現狀金融和會計數據素養數據提取應用知識解決問題和 批判性思維可視化會講故事 圖 2.8:從分析工具中獲取價值所需的技能圖 2.9a:ACCA職商圖 2.9b:澳新特許會計師公會能力模式來源:ACCA 2016來源：2020澳新特許會計師公會不考慮專業會計師的工作水平、職業階段、工作環境和工作職務，我們也可以通過這六項非技術能力判定他們未來就業的基本能力。其

91、他關鍵的非技術能力則因工作職務各有輕重差異。專業能力和 道德水平智商經驗遠見創造力數字商情商能力模型稅務財務規劃養老金無償還能力審計和鑒證企業金融報告道德和誠實批判性思維和判斷適應性理念尊重他人自我管理和學習溝通合作和關系解決問題和決策數字流利度以客戶為中心數據分析靈活和改變領導他人促進結果的實現創新高瞻遠矚治理和風險領導力商業個人技術34財會分析工具|2.現狀一位英國的首席財務官表示，無論首席財務官的數據素養有多高，參加培訓或“預告形式”的研討會了解當代技術和工具，這對于領導層來說都是非常有價值的，因為通過參加這種“速成學習班”，領導層能為員工指明方向。領導力并不是指需要領導層有深入的知識，

92、而是要求他們了解適合某類大數據處理技術的商業理念類型，以及相關技術的知識。只有擁有了這樣的領導力，才能具備能力質問他人所提出的分析商業案例，確保其完整性，同時也不會被視為是盲目批準項目的“軟肋”。實際上，仍然存在的一個問題就是：財務和會計專業人士熟悉數據科學技能到何種程度，才能熟練地使用這些技能，才能了解數據收集方法甚至數據結構。至少一位來自歐洲的首席財務官表示，當務之急必須是不斷學習，以認識到所有這些數字技能、分析工具、數據、它們的治理和質量是如何相互交織的。這有助于確保財務專業人員在未來的業務中依然保持與時俱進。一家會計事務所和軟件供應商的英國負責人通過讓數據工程師接受會計模塊和財務培訓來

93、應對技能挑戰。由于首席財務官和財務部門負責對分析工具和實施進行決策，這種跨學科方法的采用能夠讓數據專家和財務部門成員之間進行更為良好的溝通。對于財務部門而言，下一步就是接受分析工具培訓，這包括了如何訪問數據源，了解應用編程接口，并將銷售等數據提取到財務系統中，從而進行預測和報告。這種按需整合系統的工作，其中大部分是通過“低代碼”實現的，即設計者不是用傳統的計算機代碼來編碼，而是借助于對基礎業務流程的理解來進行操作。低代碼環境將流程的流程圖和數據結構的高層抽象轉化為應用程序。事實上，Salesforce平臺就包含了低代碼的Lightning平臺。熟悉電子表格的財務部門成員可以從這個環境中受益，因

94、為他們可以開發一個程序，將多個電子表格簡化為一個應用程序。因此，重要的不僅是掌握技術技能，而是需要財務部門通過正確的數據、正確的工具、正確的技能幫助企業開展恰當的合作。對于審計事務所而言，其所選擇的工具既需要對事務所內的人才有吸引力，也要對客戶有吸引力。這將有助于減少學習阻礙。澳大拉西亞的一位審計事務所合伙人和經理一直都致力于幫助其員工提高技能，這類技能提高不僅包括報告、控制和分析領域，最近還明確涵蓋了計算機領域。自2020年開始，該審計事務所已經利用Excel、SAP和機器人流程自動化中的高級分析技術，優化和自動化了很多分析程序。一家為中小企業客戶提供SMP服務的軟件機構的澳大拉西亞席執行官

95、舉辦了一個微軟Power BI“訓練營”，幫助學員熟悉商業智能和可視化技術。DAX（數據分析表達式）是整個Power BI中使用的公式語言，也是訓練營的關鍵培訓內容。參加該培訓課程的財務儀表盤冠軍可以獲得通過“拖放”和數據透視表驅動的預建模板。數據冠軍專注于將外部數據源引入系統，并擁有DAX技能。由于企業和財務部門的電子表格方面的技能存在不足，這進一步加劇了它們在分析工具上技能的短板。中小企業或規模較小的會計和咨詢機構的情況也是如此。它們缺乏對于以下使用工具的能力：包括Microsoft Power Pivot和Power Query及其支持語言M和DAX。這兩種工具的功能都可以在Micros

96、oft Power BI中使用。新人才的入職培訓應該包括哪些內容？一般來說，他們除了要參加進修課，鞏固了解最新的電子表格版本和Microsoft Power BI，還需要接受財務和會計基礎知識的基本培訓。此外，本報告中采訪的多數公司都表示，它們都確保了自己的員工都能獲得一定量的教育資源（例如，L-現在稱為LinkedIn Learning）。這種在工作或項目之余進行的微學習有助于使員工了解最新的數據技術和技能。一些公司還使用微學習這種方法，將學習融入到員工的整個工作體驗中。因此，這種“邊做邊學 能將分析工具使用范例與工作活動聯系起來，有助于將知識應用于實踐。35新的分析工具模式？一位英國首席執

97、行官（CEO）希望將他的整個公司擺脫傳統結構，建立一種新的分析工具業務模式的工作方式。這種新的工作方式是指用新的方式對數據進行可視化和分析。為了實現這一目標，需要一本以數據為中心的工作思想和行動的指南，從而幫助員工建立一種新的工作方式，不僅能提高生產力，還能利用數據中尋得的結果實現創新。這種未來工作的場景有助于解決千禧一代員工的急躁性問題，同時能促進自助分析工具的發展。編制這樣的指南也是勞有所得的，它尤其有助于那些以數據為中心，但沒有明確理解將來業務需求的工作，還有助于那些模糊不清，缺乏深入詳情的工作。一名亞洲數據專業機構的CEO表示，軟技能是各項技能中必不可少的一種。他在自己公司設立了未來學

98、院，每個月培訓50名員工，從而幫助自己的公司建立起使用分析工具的能力。此外，他們也會參加社會上開設的培訓課程，從而才能確保員工學會最新的工具，學到最新的知識。支持分析項目必不可少的兩項關鍵技能是可視化技術和能夠為不同數據集或問題選擇最佳可視化方法。一旦實現了可視化，就需要知道如何敘述內容，針對每個客戶，進行正確的信息傳遞和內容敘述。了解分析工具的財務部門是最適合敘述數據背后的深意。發展技能來自歐洲、亞洲和北美的幾位受訪的首席財務官都是務實派，他們意識到，現有團隊成員了解現有系統和流程并擁有相關技能。他們認為，將舊技術與新技術相結合，可以避免出現無所適從的問題。因此，未來的技能包括了如今工作所必

99、需的技能再加上包括分析能力在內的新技能。新技能的融合是通過提高現有員工的技能以及補充企業內部缺乏的技能，但這些技能對于分析項目和思維的發展必不可少。采用這種方法有助于在利用組織內現有人才的同時提高企業的競爭優勢。招聘的新員工依然以業務能力為主，但是他們也具有各種的分析和個人技能。分析開始于業務協調以及相關內部和外部數據源的標識。三個關鍵特征有助于將理想的具有分析能力的員工與其他員工區分開來：n分析技能理解數據及其操作（包括Excel數據透視表）n將商業問題轉化為分析工具流的能力 n充滿好奇心好奇心有助于人們通過探索數據、可視化和預測模型來解決問題。通過數據素養計劃，能由點及面地使更多人獲得洞察

100、力，增強人們對數據的信心，提高他們使用數據的意愿。今后將不可能會出現大大小小的企業把數據分析工具丟給用戶讓其自身自滅的情況。建立起一種人人參與的數據文化這將會大有裨益，因為如果人們不支持數據舉措，任何數據和分析技術或流程都無法發揮作用。讓人們對使用數據充滿信心是采用BI工具的關鍵。這種解決方案的出現是由于：“數據素養計劃的出現。數據素養是識別、定位、解釋和評估信息，然后有效地傳達關鍵見解的能力”（澳大利亞公共服務委員會2018）。一個“全民數據素養”項目會囊括一系列重要的商業技能，包括：n數據語言 n了解不確定性（概率）和復雜性，以及 n解釋數據和可視表現中的關系；首席財務官和財務部門有能力協

101、調開展數據素養項目，有機會讓整個公司都能了解財務和運營數據語言。同時，數據素養計劃能喚起大家的好奇心，讓大家思考企業中有哪些數據、數據代表了什么以及如何解讀數據。最重要的的是，數據素養項目的目的是讓工作場所中的更多人能開始思考如何應用這些數據，從而更快地做出更好的決策。對于正在著手制定數據素養計劃的組織和個人而言，由分析軟件供應商Qlik設立的“數據素養項目”（Data Literacy Project）包括創始合作伙伴埃森哲（Accenture）、Cognizant、Experian、Pluralsight、英國特許營銷協會（Chartered Institute of Marketing）

102、和Data to the People，以及學術界人士（Qlik 2020），能成為這些組織和個人的數據素養資源庫。2020年，鑒于分析工具的重要性，與軟件廠商合作利用分析工具正成為一種可能趨勢。這種合作能將軟件、教育和支持相結合，從而幫助組織攀登數據素養的階梯。那么，成為有數據素養的人又意味著什么呢?有數據素養的人必然是一名專業人士，雖然他不一定是數據專家，但卻擁有將數據轉化為有用知識且應用這些知識從而推動決策的能力。在一個自動化和注重決策的工作場所，所有財務和會計專業人員都需要具備數據素養。本次研究所咨詢的首席財務官包括歐洲一家公用事業公司的首席財務官，其公司使用第三方供應商來解決專業化模

103、擬模型的具體問題，以便在監管環境中進行未來定價。使用第三方來解決特定的分析模型或項目問題并不罕見。一位來自亞洲的首席財務官使用的是另一種模型，通過在境內軟件供應商獲得額外的專門分析人才，以提供始終如一的服務，滿足不穩定的需求。無論采用何種方式獲得必要的人才，三個關鍵角色對于實施大型分析項目至關重要（表2.1）。表 2.1:大型分析項目的關鍵角色角色 描述 分析工具團隊領隊將商業領導技能與技術分析技能相結合 分析工 具模型 建設者具有分析實施和技術技能，并融合了行業領域的專業知識 商業分 析人士具有商業和分析工具技能，包括參與項目的能力財會分析工具|2.現狀36財會分析工具|2.現狀學生學到了什

104、么？麥考瑞大學（Macquarie University）意識到大數據是非財務信息的一個關鍵方面，在其新課程中教授了學生一系列的新技能，使他們能夠從年報和政府資源中提取數據，包括澳大利亞統計局(ABS)、澳貿委（Austrade）、計量局和澳大利亞稅務局。該課程引導學生分析非結構化數據，包括年度報告中的敘述和農業企業的新聞稿等。學生還可以使用微軟Power BI或Google Sheets從數據中提取模式或見解，向雇主證明他們擁有的炙手可熱的數據分析技能。從2018年的模擬中總結出的經驗，將幫助其他大學將前沿的專業內容吸收到現有的會計課程中，包括以下幾點。1.學生將學習如何使用機器學習技術提取

105、數據，并使用電子表格以外的新一代工具進行自動分析，包括（但不限于）微軟Power BI、Google Spreadsheet和Fusion Tables。文本分析工具有助于學生從單詞模式和短語中精確地確定情感信號，以發現任何內幕交易的提示。通過使用不同的工具，學生可以確定哪些工具最適合控制測試，哪些工具適合可視化欺詐性索賠等。2.能夠分析非財務大數據集，是培養大數據會計技能的關鍵。這類數據包括來自谷歌分析（Google Analytics）的網站數據，甚至是無人機在一個空間進行商品盤點的視頻錄像。授課所需的數據集不需要幾百萬行的數據，只需幾千行數據就足以。3.通過實操，學生可以培養預測性數據分

106、析能力，不僅利用工具和數據解決問題，還可以探索大型數據集，親自挖掘數據中是否有有用信息。例如，利用大數據代替趨勢歷史數據，觀察每個客戶，預測客戶是否會付款，這可作為實操案例向會計專業學生介紹預測性分析。37會計和財務專業人員的技能：大數據會計課程簡介雇主尋找的是具有大數據和分析技能的學生。麥考瑞大學和澳新特許會計師公會合作研發了該課程的模擬和大數據模塊。學生將習得大數據會計技能，包括非財務報告技能。隨著全球努力應對商業大數據的爆炸性增長，尋得有適當技能的員工是業界最大的挑戰。麥考瑞大學2017年試行了一門新課程，旨在培養會計專業學生的大數據分析能力，可能有助于填補澳大利亞的技能缺口。麥考瑞大學

107、的情景會計（Accounting in Context）(ACCG399)是由麥考瑞大學和澳新特許會計師公會合作開發的，目的是向學生傳授大數據會計的技能。這門新課程是學生參加特許會計（CA）課程前會計學位的最后一門課。最初的課程模擬項目將澳新特許會計師公會大數據平臺的材料和各種公共數據源相結合，終于在2017年推出了該課程，主要有兩批學生參加了模擬和后續評估。該課程是第一個將大數據概念納入大學學位學習的課程。由于大數據將成為會計和審計的核心，如果畢業生能熟悉大數據并擁有分析技能，那么他們將在可預見的未來就業市場中擁有優勢。隨著澳大利亞的各個組織努力跟上數據量激增的這一趨勢，普華永道大數據跨行業

108、（PwC 2017b）項目調查中，77%的受訪者表示難以找到具有行業所需的相關大數據技能的員工。隨著大數據成為會計和審計流程的核心，需要發展這些技能的行業中首當其沖的就是會計行業。如果會計師不接受這一領域的學習，那么新興的數據科學家和數據分析師將替代會計師成為商業數據的保管者，而會計師將因此無法充分參與到關鍵管理人員的戰略決策中。將來，尤其是管理層更需要具備數據知識。一項對美國雇主的調查發現，59%的財務和會計經理認為，到2020年，數據科學和分析技能將是所有經理人的必備技能。商業-高等教育論壇（Business-Higher Education Forum）和普華永道聯合進行的關于投資數據分

109、析人才的調查(PwC 2017a)稱，目前這一領域的技能短缺，無法通過商業化策略來滿足。因此，根據IBM的報告（Columbus 2017），有必要提供更多的商業分析課程從而適應數據行業的需求，因為到2020年，數據行業預計在美國會創造300萬個就業崗位。財會分析工具|2.現狀麥考瑞大學（Macquarie University）和澳新特許會計師公會（Chartered Accountants ANZ）設置并推出了澳大利亞第一個將大數據和會計結合起來的大學課程模塊。38財會分析工具|2.現狀受訪者認為，要充分運用分析技術，最重要的兩項技能是對業務的深入了解和理解（66%），以及在運用分析技術解

110、決問題時需要有創造力（63%）。技術性的財務和會計技能（47%）與數據可視化技能（46%）的重要性不相上下。保持質疑的態度（41%）比描述數據中的內容的技能（35%）更重要。有趣的是，編程和編碼技能(28%)被認為略比職業道德(22%)更重要。圖 2.10:為了利用分析工具帶來的價值，你的團隊中哪些技能是最重要的？0%10%20%30%40%50%60%70%39ETL（提取、轉換和加載）工具和分析框架有助于將多個來源的數據導入中央數據庫或“數據湖”。ETL工具最早出現在20世紀70年代，當時它是用來提取數據，將數據轉換為目標格式并加載到目標數據庫中。2020年，運營數據的格局已經發生了巨大變

111、化。大大小小的組織的大數據是來自高度多樣化的來源，包括從外部社交媒體、日志文件、傳感器、全球定位系統（GPS）、無線射頻識別（RFID）標簽、中央閉路電視（CCTV）視頻到文本文檔等。大數據源的種類和數據量都在持續增長。ETL工具可以結合非結構化和結構化數據的來源。此外，該工具還可以幫助維護數據質量以及由元數據衍生出的數據脈絡。元數據對于數據建模和報告以及業務流程建模至關重要。隨著企業對云的使用，21世紀的ETL模式正發生變化，如今的模式中，加載提早到提取后就開始：因此，變成了ELT（提取、加載、轉換）。這并不意味著人們不再需要傳統的ETL或宣告它的“死亡”（Mintz 2017），而是應該根

112、據不同的用例值而采用不同的方法。ETL可能非常適合于企業內部的工作。ELT，正如其名稱所示的那樣，是從源頭提取數據，將其不變地加載到云上的目標平臺，并在之后對其進行轉換（即平臺應用商業規則，處理缺失值，或執行貨幣的一致性）。這種方法帶來了直接的好處，包括一旦可以訪問數據，就可以對數據進行審計，任何轉換都可以從云分析平臺上的處理中獲益。隨著數據湖的出現，人們希望能提取和加載數據源。在這種情況下，報告工作則被推后，且只有快要使用時才會決定轉換類型。開源ETL/ELT工具的成本較低，但也有一個缺點，那就是它們所需的支持更多，而且在某些情況下，這些工具無法處理大數據的復雜性。ELT工具包括Apache

113、 Airflow（由Airbnb開發）和Luigi（Spotify開發）。開源的ETL工具包括Apache Kafka和Apache NiFi。財會分析工具|2.現狀將ETL（提取、轉換、加載）模式轉換為ELT（提取、加載、轉換）技術ETL框架ETL框架提取轉換加載分析源數據庫中轉地數據倉庫分析工具提取加載轉換分析大數據信息源云數據湖分析工具403.分析工具的類型和應用熟模式”。但是，也可能直接從描述性階段到指定性階段，不包括中間階段。我們也看到有越來越多的商業智能工具已經拓展，提供了描述性以外的分析工具。SAP和Oracle等主要供應商的會計系統和專業財務應用程序就包括了預測建模的功能（We

114、bb 2020）?，F在，順應分析學趨勢實現快速發展的機會已經如期而至。但是首先我們要思考不同類型的分析工具。3.1 四種分析工具目前，為了理解各個組織可以使用的分析工具類型，我們采用了一種成熟模型的方法（Zych 2017）（見圖3.1）。人們使用分析工具是為了達到一系列目的，包括描述性目的，然后是診斷、預測和指定性目的。這就要求分析工具的使用者了解不同階段的分析工具的應用方式，才能從中獲益：這就是“成財會分析工具|3.分析工具的類型和應用圖 3.1:四種分析工具成熟模式如表3.1所示，不同作者引用的模型有若干種變化。表 3.1:按文獻來源分列的不同分析工具類型VESSET(2018)6DAV

115、ENPORT(2013)KART等人(2015)BAHGA 和 MADISETTI(2019)規劃分析工具：計劃是什么？描述性分析工具：發生了什么？描述 描述描述 診斷性分析工具：為什么會發生？診斷診斷預測性分析工具：接下來會發生什么？預測預測 預測指示性分析工具：應采取什么行動？預測預測 預測 6 該定義和分析工具類型源自于ACCA/澳新特許會計師公會 商業數據透視攻略（Business Data Insights Playbook）（即將于2020年出版）。前瞻回顧指示應該采取什 么行動？診斷為什么？描述 發生了什么？預測接下來會如何？41下文圖3.2概述了每個步驟中的技術。圖3.3顯示了

116、調查受訪者表示其團隊正在使用的分析類型。更多人偏向回顧性的技術，而非前瞻性的。接下來的內容將更詳細地討論每種分析工具類型。描述性分析工具意料之內的是，首席財務官和財務部門最?？紤]和使用的分析工具類型是描述性分析。描述性分析方法旨在對過去和現在的數據進行簡明描述。其中使用了統計函數，包括計數、最大值、最小值、平均值、前N位和百分比。電子表格中就有提供這些函數。一直以來，人們都使用描述性分析工具來建立商業智能（不要與商業智能工具和軟件的廣泛功能混淆，包括預測性分析）。例如，使用報告、財務儀表盤創建的業務快照以及查詢過去數據的功能。這種類型的分析工具無法告知我們數據中所蘊含的規律，只是試圖在解釋過去

117、“已經發生了什么？”。財會分析工具|3.分析工具的類型和應用圖 3.2:四種分析類型中的各步驟概述圖 3.3:你的團隊采用哪種類型的分析工具？0%10%20%30%40%50%60%70%80%90%預測性將會出現什么情況？前瞻回顧優化隨機測試預測建模統計建模發現和警示詢問和探究專門報告千篇一律的報告描述性應當采取什么行動？診斷性為什么會發生？指示性已經發生了什么?42診斷性分析工具對于在公用事業、零售業和制造業行業的歐洲CFO來說，診斷分析主要用于分析機器的傳感器數據，以從以往的故障歷史中獲取模式，從而對故障進行預測。診斷有助于回答：“為什么會發生？”預測性分析工具預測分析工具利用現有數據建

118、立統計模型，從而對未來事件或價值進行預測。簡言之，預測分析工具要幫助解答的問題是“將會發生什么？”。不過我們要注意的是，利用過去事實是不能預測未來的。我們在與澳大拉西亞一家四大事務所的審計合伙人和經理的討論中發現，預測性分析工具在業務中的使用越來越多，不僅提高了整體審計質量，也提高了效率。更具體地說，預測性審計有助于發現風險和發現欺詐行為（Earley，2015）。指示性分析工具指示性分析有別于其他種類的分析工具，其主要特點是可以從一套備選方案中建議一則行動方案（Hare等，2016）。這種分析工具的形式非常適合支持決策：指示性分析工具與其說是統計或數學輸出，不如說它創造了一個決策作為輸出。指

119、示性分析工具的結果可直接轉化為自動化流程，不需要人始終參與在決策環節中。這種分析工具支持從營運乃至戰略的全方位決策。在預測分析的基礎上，指示性分析方法結合了預測模型、業務規則、線性編程、評分和優化技術。這種結合可用于處理優化問題或進行基于規則的預測。因此，這種分析工具的使用范圍廣泛，涵蓋了交叉銷售、客戶流失、倉庫交付的最佳路線規劃以及供應鏈和物流的優化。指示性分析回答了這樣一個問題：“我們能做什么來實現它？”。雖然在本研究咨詢的首席財務官和財務部門中很少使用指示性分析工具，但政府政策顧問和一家社會企業投資機構的首席執行官表示他們正在逐步采用這種分析工具。因此，利用數據和故事（人們的生活經驗）的

120、根本目的是為了通過描述性和診斷性的分析工具能夠形成洞見，促成行動。財會分析工具|3.分析工具的類型和應用表 3.2:Differences between dashboards,reports and querying data using Microsoft Power BI as an example特征儀表板報表頁面單一頁面一份或多份數據來源/數據集單一儀表板上包含了多份報表和多個數據集每份報表基于單一數據集生成自然語言查詢儀表板上帶有該功能單一報表不具備該功能可視化類型更改某一報表可視化類型的更改不會引起儀表板改變可視化類型改變會體現在報表中定制化儀表板和磁貼的許多元素都可自定義，并且

121、磁貼能夠移動編輯視圖允許改變警示可通過電子郵件進行，或者在移動設備上設置發出警示無相關性數據過濾不具備該功能多個選項按照特征設置打開儀表板可進行特征設置，并按照現有的第一種設置打開不適用于報表43 預測性實踐的建議、工具和技術四個關鍵支柱影響了預測性實踐的發展，并有助于重構當今網絡世界的會計工作：1.主動出擊2.預測模式3.利用大數據4.提供線上專業服務。主動出擊斯蒂芬科維（Stephen Covey）Covey，1989）在其經典著作高效能人士的7個習慣（The 7 Habits of Highly Effective People）中，將第一個習慣稱為“積極主動”。顯然，如果要讓預測實踐取

122、得成功，那么參與其中的專業人員就必須要積極主動。有人說，積極主動的個性是創業成功的主要預測因素。積極主動對于以目標或計劃為導向、著眼于未來的實踐而言更是不可或缺的，因為它會對客戶產生直接影響。不僅中小企業可以采用預測性實踐，大企業或機構的服務中心也能使用，因為它能滿足財務職能部門的各種需求，為不同的業務領域帶來額外價值。通過預測性實踐，企業從過去的被動和等待變為將注意力放在開發用于預測客戶還未發生的需求場景的方法，從而挖掘商機。預測性實踐有利于企業最大限度地利用機會，減少風險，并積極主動地為客戶提供有關業務和財務方面的建議。這些建議可能包括提前警告客戶不要占用債務人和庫存的周轉資金，并查明異常

123、交易或因季節性因素而產生的可疑債務等。預測性模式除了上述情景之外，預測性模式的應用還能為“主動出擊”帶來如虎添翼的輔助效果。實際上，不同還以的范例可能具有直接適用性，并可作為預測模型重新反哺于實踐中。這些應用使用KNIME開源平臺。其他同樣強大的免費工具包括Orange、NLTK、Rapidminer、R-programming和Weka。所有這些工具都能夠處理非結構化信息形式的大數據，提取數據并將其轉化為預測分析和決策的有用輸出。這當然依然存有挑戰，那就是如何根據分析所得出的洞見確定接下來的行動。利用大數據此外，要應用預測性實踐就必須要掌握新工具和技術，包括大數據和分析工具。一個簡單的初始做

124、法就是利用谷歌每年超過1.2萬億次的搜索量（每秒約59,596次），幫助客戶評估新市場中新的客戶機會。谷歌趨勢（Google Trends）能顯示一個詞在全球范圍內相對于總搜索量的搜索量，這一在線工具能幫助我們了解人們的購買意圖。打個比方，公司有一個做管道設施的客戶，該客戶正在考慮將業務從悉尼擴展到澳大利亞其他地區和新西蘭。我們可以在谷歌趨勢（Google Trends）上搜索 管道設施和類似詞，并將“地區”設置為澳大利亞或新西蘭。此外，我們還可以查看構成搜索量的地點，并根據查詢量選擇相關城市地點。這些來自谷歌趨勢的數據能輸出為CSV文件形式，它可以非財務信息（稱為NFI）再配合上財務信息幫助

125、我們判斷未來的任何趨勢。財會分析工具|3.分析工具的類型和應用44預測性實踐的建議、工具和技術通過這種方式，我們利用搜索詞來尋找需要管道設施服務的消費者和企業。值得注意的是，盡管數據量巨大，但谷歌趨勢提供了過去一小時在澳大利亞和新西蘭發生的搜索信息。為了了解每個地方對“管道設施”感興趣的人數，臉書（Facebook）的廣告投放提供了對“#管道設施”點“贊”的大約人數的詳細信息。此外，SimilarWeb和Alexa（亞馬遜公司）還能提供關于流量來源、上游網站、搜索關鍵詞以及受眾人口統計的競爭情報。這些公司的網站上都有提供上述服務的免費版本。在這個階段，我們已經生成了足夠多的數據，并利用相關搜索

126、關鍵詞生成了報告。接下來要做的就是以積極主動的方式將報告呈交給客戶，結合你對于類似企業的理解，同時利用如澳大利亞國家地圖和data.govt.nz等其他開放數據源，為自己和客戶帶來價值，促成你和客戶之間的對話，和客戶探討如何幫助其業務發展。線上專業服務將這種主動工作所得呈交給客戶的最佳方法也許是將其轉變為線上數據故事，可以利用新一代的數據敘述軟件，如Storify或Sway。預測性實踐的預期是，2020年，其50%的工作都會在網上完成。如果你對此抱有疑慮，不妨仔細思考一番，因為專業人士和客戶通過線上方式進行溝通交流的這一做法將迎來井噴式的發展。雖然Fiverr和Freelance可能是最早進入

127、人才外包市場的，但領英（LinkedIn）也推出了Profinder服務（https:/ 分析工具的未來在決策中應用分析工具將來會發展為結合利用各種分析工具以達成一決議。例如，與財務部門成員討論預測汽車零部件的訂購問題時，會采用某種決策框架，那就是：一開始，先使用診斷性分析工具確定現狀。再利用預測性建模確定回報率，利用客戶數據這一模型可以獲得非常準確的三個月預測結果。通過與銷售和營銷的合作，這一準確預測的時間跨度能進一步擴展到三個月之后。有趣的是，大部分受訪的CFO都沒有在使用預測性模型。如果財務部門想要在整個企業決策中發揮重要作用，那么就必須大幅度地增加預測性分析工具的使用。在對財務報表產生

128、任何影響之前，預測能力或是說能夠明智地預測未來需要做出何種決定，這對企業是極具吸引力的。上市時間的縮短能帶來競爭優勢的提高。用一位歐洲首席財務官的話來說，后發則被動，先發制人才能成為贏家。對于較小規模的事務所而言，利用自動化和指示性分析工具能讓它們有機會和大型事務所一爭高下，因為使用云服務訪問產品和服務，工作流程自動化，這能讓小事務所在較少投入下就能完成更多工作。目前各組織所主要使用的分析工具類型是描述性工具（占受訪者的79%），這呼應了它們主要使用Excel作為分析工具。其次為診斷性分析（56%），使用比率高于預測性分析（43%），而使用指示性分析工具的比率最低（31%）。62%的受調查對象

129、表示，企業有明確的數據分析工具實施責任，當然，這可能是那些企業內負責實施分析工具的人員的樂觀看法。財會分析工具|3.分析工具的類型和應用案例研究：財會工具在現實中的挑戰我們組織有一個在AS/400平臺上運行的傳統會計和制造系統。我們有一個門戶，屬于核心應用程序的一部分，通過該門戶，我們可以將數據下載到Excel中。通過該系統可以制作許多不錯的報告，包括銷售和控制等領域，但是并不全面。利用該系統的報告，企業可以發現何時會出現問題，例如物流錯配等。因此，就這方面而言，這個系統是不錯的。該系統的應用程序是集中維護的，這意味著如果我們希望對報告作出任何更改或補充，我們必須向位于另一個歐洲國家的全球IT

130、部門提出申請。他們不可能馬上就能進行反饋和幫助。在一些情況下，我們需要自己使用Excel來創造報告和操作數據。所以我們團隊中的一些人在這方面比其他人更精通。上述情況也給管理層帶來了不便。董事們雖然獲得了所需信息，但是他們必須要下載多份報告，通過Excel對數據進行組合、操作和分析。這整個過程耗時耗力，效率低下。如果需要額外的跟進，則需同樣多的時間進行調查。這情況讓人有折戟沉沙的挫敗感。46財會分析工具|3.分析工具的類型和應用我們采用的是“三維一套”的財務分析體系，通過對各類業務基礎信息的整合，統一轉化形成一套管理會計報表。經過三種維度下不同視角的分析，實現定期報告與專題報告相結合、業務與財務

131、相融合的財務分析，支撐公司各項經營決策?！叭S”：是指通過層級、專業、時間三個維度來構建財務分析框架。n層級維度：是指公司級、事業部級、基層單位（代表處/產品線/項目）。需自上而下地關注各層級的經營結果及風險問題，從不同層級的視角定期開展戰略分析、行業分析、業績預測分析、項目執行分析、經營指標分析等。n專業維度：是指各財務管理專業領域，包括業績、應收、預算、存貨、稅務管理等，從各專業角度進行深入的專題分析，并發掘風險問題。n時間維度：是指歷史、當期、中長期。歷史是“倒后鏡”，要回顧過去的路，總結經驗；當期是“儀表盤”，是行駛眼前的路，把握當下的狀態；中長期是“導航儀”，預期遠方的路，支撐持續發

132、展?！耙惶住保菏侵竿ㄟ^一套管理會計報表來統一業務和財務語言。三合一財務分析系統“三維一套”的財務分析體系 層級專業時間基層單位事業部公司財務分析報告輸出一線業務信息輸入中長期當前歷史管理會計報表來源：中興通訊稅務存貨預算應收業績47財會分析工具|4.在您的業務中使用分析工具4.在您的業務中使用分析工具我們咨詢過的中小型會計師事務所專家認為，商業案例對中小企業來說，就是反復思考如何節約時間。這時候就適合使用微軟的Power BI，或者咨詢可以幫助企業通過節省時間來提高效率的顧問。一旦每個月能節省2個小時，就基本上滿足了企業愿意去咨詢或簽署協議的要求。許多情況下，當企業選擇以工具為主導方法來進行分

133、析時，商業案例就應運而生以配合企業使用這種特殊工具。商業案例會遵循以下步驟展開：“我遇到了一個問題，所以需要一種工具?！狈治龇椒o論是否以某個具體工具為主導，它都能從多個渠道獲得資金支持。資金支持通常來自職能領域，并與職能部門對該分析的重視程度成正比。雖然這不是一條硬性規則，但是一般情況下，分析工具使用越成熟的企業，越有可能擁有一套整體的資金和資源配置模型。這種情況下，商業案例需要強調的是分析對整個企業帶來的戰略價值。因為越來越多的分析工具以軟件形式普及并服務于各個企業，所以收取少額內部費用的消費模式很可能適合用來收回用于中央資源配置的服務成本。隨著使用模式和其回報模式越來越清晰，資金模式的靈

134、活性可以根據具體情況進行調整。對于大數據審計來說，對整個收入交易進行測試，可以通過識別“高風險”交易來進一步對其進行測試和核實，從而使審計更加關注風險。這種更加全面的交易測試可以讓審計人員更好地了解客戶及其企業，從而提供比單一抽樣測試更高級別的鑒證?？蛻粢材軓闹惺芤?。4.1 商業案例談及制作商業案例的必要性，本篇研究中所采訪的公司都有許多值得分享的經歷。一方面，公司在商業案例中除了追求積極的回報外，并不追求其他具體目標，并且公司主要關心的就是如何快速實現這一目標。制作一個運用新技術的商業案例一般需要評估上百個不同的標準。為分析工具制作這樣的商業案例往往更加直接。這不僅適用于商業智能（BI）和分

135、析軟件，也能用于更加抽象的數據治理概念。成功商業案例的共同之處在于使用案例。在數據治理的場景中，使用案例就是將數據不作為資產處理而產生的成本。在這方面，受訪者一致認為，由于信息質量不足而導致做出錯誤決策甚至災難性決策的例子，就是最好的證明。一位首席財務官甚至說，最短的商業案例中包含了由錯誤的財務公式、表格中不合格的宏和質量欠佳的數據造成的各種錯誤。另一種方法是使用“問題日志”，這給用戶和財務人員造成麻煩。這樣的案例有時是顯而易見的，例如，由于劣質數據而非人為疏忽導致企業向已故的服務用戶繼續計費。這方面的商業案例重點不在于節約了多少成本，而在于避免名譽受損和潛在問題。無論在哪種應用場景下，商業案

136、例的模板都有必要附加一頁強調成本收益的信息圖表。對于金融服務公司的分析主管來說，分析工具的最初想法和商業案例都來自于數字化轉型項目。最初的問題往往與維持客戶留存率有關。一般來說，公司會針對分析工具進行試點測試，如果測試能在公司首席執行官、首席運營官和首席財務官的共同指導下取得成功，那么該項目就會推廣至在整個企業。48財會分析工具|4.在您的業務中使用分析工具實施步驟由于尋找分析人才、相關數據和適當的技術與方法并不容易，所以企業不可能只靠單一的方法來支持分析項目。透過受訪企業各式各樣的組織設計，我們可以看到他們面臨的挑戰也各不相同。尤其是卓越中心模式，采取這種模式的公司都面臨著各種挑戰，受訪企業

137、也紛紛表示了它們對響應時間和交付時間的擔憂。表 4.1:支持分析的組織模式支持分析的企業類型分析資源模式去中央化型僅在職能或業務部門范圍內將分析資源分配給項目，不存在或幾乎不存在任何企業內部的協調。中央化型通過中央資源庫對整個企業內用于項目的資源進行嚴格管理。SAP和甲骨文公司用財務中心的資源來處理分析。卓越中心型由精益團隊負責計劃的改善和優化。分析員由中央統一協調。該模式在大型跨國企業內頗受歡迎。咨詢型分析員組成一同工作的中心小組，但以內部顧問的形式向內部客戶提供服務并收取費用。專家資源屬于外部第三方。有時該類型也適用于轉型團隊。中央輻射型分析員組成中心小組，對整個企業內部的各項計劃進行戰略

138、部署。功能型分析員在活動最多的職能領域工作。商業伙伴、倡導者和導師也都在職能領域。信息合伙人就數據問題對總部提供直接支持。財務部門對整個組織提供幫助，協助轉化要求和分析決策的制定。首席數據官或分析主管通常會直接向首席財務官匯報工作。圖 4.1:思考在整個“數據分析”的過程中，您的團隊對下列活動投入了多少精力？0%20%40%60%80%100%49財會分析工具|4.在您的業務中使用分析工具案例分析：中央輻射模式-卓越中心的作用作為一家金融公司卓越分析中心的管理者，我們積極地與許多咨詢公司展開溝通，尋找在集團內部組織和構建分析能力的最佳方法。由于集團規模龐大，擁有約一萬名員工，因此集團決定采用中

139、央輻射模式來建立集團數據辦公室。這就意味著我們作為數據和分析的中央“樞紐”團隊，需要專注于整個企業的戰略分析計劃，并與“輻射”分支相連接，即分析團隊要嵌入負責設計、制定和交付分析解決方案的業務部門。我們的目標是在集團內部實現數據和分析民主化。中央樞紐團隊主要負責制定和執行整個企業的分析戰略，并通過確定適當的框架、工具和標準，讓企業向分析驅動型企業轉型。這有助于我們在這類大型企業里管理不同數據、分析工具和數據源時保持一致性?！皹屑~”包括許多輕量、敏捷且具創新性的分析團隊。我的團隊主要專注于高級分析，負責的項目雖然不在“輻射”分析團隊職權范圍內的項目，但非常具有戰略性。我們的工作離不開集團各領域的

140、商業合作伙伴，財務就是其中之一。通過與商業伙伴的合作，我們為廣泛的關鍵利益相關方提供專門設計的數據和分析解決方案，在推動數據和分析民主化的同時關注數據素養的提升。我們擁有一間企業數據倉庫，為集團提供專門的業務報告。最近我們還實施了企業數據湖，用來支持大規模分析。我們的業務團隊需要擁有強大的應對能力來利用數據和分析解決業務問題。面對這樣的需求，我們會堅持公平、透明的原則，通過以價值為基礎的優先流程來幫助分析團隊識別機會、解決問題，從而實現更好的商業成果。這也使得我們通過投資分析基礎設施和數據資產，實現大量可觀的商業價值。我們卓越中心的主要職責之一，就是與不同部門和利益相關方合作，幫助他們從數據中

141、獲得重要洞見來做出知情決策。我們也會提供必要的培訓，幫助利益相關方使用可視化分析工具，達到超越Excel這類傳統工具的效果。這意味著那些不具備技術意識的利益相關方也可以通過與數據互動、發掘更多數據的方式，來獲得洞見與意義。這些數據已經通過適當的治理措施進行了數據清洗，以確保有需要的人都可以獲得有效的數據。50案例分析：去中央化模式我們最初的做法是建立一個卓越中心（CoE）來推動企業的數據分析。但在2000年初，這個方案很大程度上需要依靠高層管理來進行推動才可以在市場營銷和財務管理中實現更多的運用分析。我們建立了數據倉庫，開始探索預測性分析和預測性市場營銷等事物。然而，我們最初的精力主要集中在財

142、務分析上，非財務類分析相對起步較慢。早期，由于內部利益相關方的強烈興趣，我們對卓越中心的期望值非常高，導致了卓越中心在短時間內被大量的產品、服務、客戶人口統計和復雜性等分析請求壓得不堪重負。隨之而來的負面反饋使我們意識到，我們需要一個不同的方法去中央化模式。事實證明，這個模式取得了更大的成功，尤其是對于我們這樣的大型組織。但是，要確保去中央化的分散式活動不會導致標準和質量的差異，我們成立了幾個委員會來解決這一問題。其中一個委員會專門負責數據治理，包括財務和非財務數據。我們將大量的投資運用在建立這一數據治理模型上，并通過各類政策、程序和數據庫來處理其中70%-80%的數據。而剩余的20%依然需要

143、進一步的干預來確保信息收錄的完整性，因為許多信息還是通過核心程序之外的人工方式進行收集的。我們需要將這些信息也納入到各個數據庫和平臺中，使得用戶可以使用這些數據來完成他們的分析工作。為了讓去中央化模式取得成功，我們除了為客戶提供一個共同的平臺和可靠的數據之外，還需要其他的輔助措施，為所有的關鍵利益相關方同步提供關于數據分析的培訓和交流項目。雖然這一模式推進了我們利用分析來獲得洞見的步伐，并且還能滿足巨大的需求，但我們依舊在不斷發展，所以不能忽視以后需要其他不同模式的可能性。隨著我們對這一領域越來越了解，我們也不排除將來的某一天，我們為了提升效率而將所有人員匯集到另一個更大中心的可能性。財會分析

144、工具|4.在您的業務中使用分析工具51財會分析工具|4.在您的業務中使用分析工具4.2 數據洞見和報告我們咨詢過的大多數公司已經開始進行數據和分析的民主化。通過使用Tableau在內的可視化工具和利用來自不同系統的數據，它們可以讓許多非技術類用戶也可以更好、更規律地使用圖表和會計儀表盤。為了更好的利用數據和分析的民主化成果，一家歐洲機構的首席財務官認為，領導團隊在考慮數據分析請求時，需要擁有獨特的眼光。他們需要透過對某一具體輸出值的請求，確定最終的期望結果。隨著時間的推移，分析將慢慢成為企業戰略的核心：驅動銷售增長、降低成本、規避監管處罰、聯絡客戶或提升凈推薦值（即：客戶忠誠度）。從報告的角度

145、來看，大多數公司的期望是將報告的程序自動化，這樣一來，我們可以將更多的時間用在從數據中分析洞見和決定未來的行動上。報告中也要包括非財務信息：不僅是環境、社會和治理問題，也要包括來自客戶的信息?？蛻粼谏缃幻襟w上表達的觀點會為我們提供機會在網絡群體中處理負面的言論或推廣正面的評論。4.3 開發財務部門的分析能力為了建立分析能力，企業需要超越現有的結構，培養人才，開拓獲得技術和正確數據的渠道。我們采訪的所有首席財務官都認為這里的“能力”是指企業可以通過數據產生的洞見促進更好的決策。此外，許多首席財務官也表示，在使用數據進行決策時，信心至關重要的因素。分析的第一步是收集數據。在分析數據之前，首先需要收

146、集數據并將其接入到一個大型的數據棧中。收集數據時選擇的工具和框架取決于待接入數據的源頭和類型。收集數據可以使用各種各樣的連接器來完成，如發布-訂閱信息框架、消息隊列、source-sink連接器、數據庫連接器和自定義連接器。就建立分析能力而言，優化數據收集程序（54%）和員工培訓（54%）都是最重要的。其次，采用新技術（41%）與用于分析和報告的數據可視化新方法（41%）的重要程度不相上下，說明新技術與新分析方法可以相互結合在一起。相比之下，使用非結構性數據（29%）、外部數據（27%）和招募數據分析技能（25%）的重要程度相對較低。而重要性最低的兩個方面是數據的云轉錄（21%）和對接外部顧問

147、（16%）。圖 4.2:你的團隊為建立分析能力而采取了什么活動？0%10%20%30%40%50%60%52案例分析：實現預測性分析為成員提供無摩擦的自動化數據驅動服務 我們公司建立于1954年，為工會成員和他們的家人提供高性價比的私人醫療保險服務。擺脫現有人工流程、為成員們提供數據驅動數字化服務的機會來了。我們的愿景是使用數字化分析，為數字客戶提供優質的體驗，就像電子商務一樣?？蛻魝兎浅ＯＭｋU公司能滿足線上客戶的需要，提供無摩擦的即時理賠服務。如果始終保持一成不變，企業將無法生存。我們的初步工作包括通過自動化程序生成監管報告。我們還有使用微軟云和Power BI的基礎設施進行數據和分析功能

148、的基礎建設?；A建設完工之后，理賠調查程序將從人工流程轉變為使用預測性分析的自動化解決方案。數據隱私是健康保險領域的一個重大挑戰。雖然所有的框架都難以駕馭，但是在理想狀態下，我們就可以找到最佳的操作方法。隨著來自各部門分析員的加入，一個實踐與分析中心的社區逐漸形成了。全公司的分析員與管理者們，甚至全部的C級領導們都正在積極地提升自身能力，這其中包括但不限于財務領域技能。技能提升并非易事，尤其對那些日常不需要接觸分析的人們來說更是如此。因此，他們可以在午休時間參加學習會議來提升自己的技能，也可以通過概念證明，在企業內部建立起一個持續學習的生態系統。指導委員會由首席執行官、首席運營官、首席營銷官、

149、首席信息官、首席信任官和首席財務官6人組成，他們的職責至關重要，將會為整體的計劃提供贊助、背書和監督。如果您想要購買新的分析項目，我認為最好的方法可能是在咨詢各個團隊后，提出一個量身定做的方法。這個方法應該包括一個101環節，由高層管理人員提供問答和反饋。我們需要確保每個人都可以獲得相應的支持。雖然共享學習對企業透明度來說至關重要，但我認為我們也不應該受到分析工作中各項事宜的牽制。無論新技術的前景如何，我們都不應該盲目追求所有的新鮮事物。我們需要適當放慢腳步，因為一個分析項目如果失敗了，將會對企業文化和一大群人帶來嚴重的負面影響。財會分析工具|4.在您的業務中使用分析工具535.道德和法律方面

150、的考慮由于涉及到財會專業人員的工作，道德方面的考慮幾乎是不可避免的，但這同時也提醒我們應該從根本上重新思考道德和分析的關系，在兩者之間建立直接的聯系。財務部門對數據集進行認證，就像審計員確認交易記錄準確無誤或會計人員簽署賬目一樣，可以把道德與工作直接聯系起來，而這些卻在以往處理數據的過程中被忽視掉了。這樣的簽署范圍可以包括數據的位置和安全級別，確保數據不會受到人為操控。正是因為數據對大部分企業來說代表著一項主要資產，所以首席財務官和財務部門才可以傳達了數據的價值，也進一步傳達了相關分析方法的價值。確實，由于職業道德可以為確定分析項目的投資回報奠定理想的基礎，因此道德方面被再次強化。如果從一開始

151、就專注于道德和數據，即使通過分析做出的決策出現了任何風險，這些風險也是可以理解和控制的。但是大家目前關注的問題是如何使用分析工具，公眾需要相信他們的數據使用都是符合道德標準的，不會損害他們個人的公民權利。各政府已經開始引導這樣的可能性。新西蘭Aotearoa的 算法憲章（新西蘭政府2020年）就證明了政府部門可以道德地使用數據，其他政府也正在采取各自不同的方法達成類似的效果。5.1 道德考慮在受訪的審計合作方中，他們意識到企業數據在接受審計的過程中應按照一定的道德框架予以尊重和謹慎處理，所以至少有一位審計員對監管以外的事項表示了擔憂。但是對于首席財務官來說，主要挑戰依然是確保數據的道德使用。然

152、而，當受訪者被問及：“在您的團隊中，如果想要通過分析來創造價值，什么技能最重要？”，他們反而都幾乎認為道德（22%）最不重要的，只比影響決策制定者（18%）稍微重要一些。然而這并不意味著道德對客戶或消費者來說是無足輕重或不足以構成任何挑戰，因為財會專業人員提供包括審計、季度簡報和退稅等服務的核心原因就在于此。在這些情況下，監管、法律要求和道德規范的含糊不清會讓我們無法將其清晰劃分。這也證明了即使財務專業人士在工作中遵守了行為準則，財務的分析卻是擁有一套不同的評估標準，包括這些專業人士自己也使用了不同標準來評價財務領域的分析工作。財會分析工具|5.道德和法律方面的考慮如果從一開始就專注于道德和數

153、據，即使通過分析做出的決策出現了任何風險，這些風險也是可以理解和控制的。54一些企業的業務合作團隊都是在IT部門的協助下集中管理的，而另一些企業的管理方式是去中央化，即由他們的信息合伙人來管理和提供數據。這些人都可以以個人身份直接獲得整個企業的信息和數據源，并從職能的角度為分析項目提供直接支持。但是有關數據治理的最終話語權必須由一位英國專家敲定，他非常了解投資基礎在處理分析項目之前的有益之處?；A方面的投資如果出現問題，將會阻礙分析項目的進行，更甚者，當我們質疑“數據是否正確”的時候，決策制定也會受到影響。數據專家會日常記錄一份有關數據質量的問題日志，能為任何開始做自主分析項目的企業提供重要的

154、幫助。數據治理有助于建立數據信任，這對財務和其他領域的分析工作是至關重要的。5.3 隱私隱私問題對整個行業來說都是一個重大挑戰。全球范圍內接受咨詢的每個人都認為他們當地的監管制度難以遵循、缺乏最佳實踐的指導。一位亞洲的首席財務官曾預見，采掘社交媒體中的信息將變得極其困難，甚至完全不可能，尤其當歐洲的隱私標準意識也開始出現在亞洲時就更是如此。其他首席財務官則認為，雖然大部分數據的使用是道德的，但是每個企業的具體分析和數據工作仍然需要接受審查。當個人行為與第三方數據相結合時，情況尤為如此。一位銀行首席財務官看到了線上服務數據的發展機會，諸如Spotify、網飛（Netflix）或亞馬遜（Amazo

155、n）那樣根據客戶所使用的流媒體服務為其提供特定的銀行產品。不同服務受眾的年齡可進行以下劃分：30歲以下的人們大多使用流媒體來收聽音樂，而30-51歲的受眾大多使用流媒體來看電影。因此，我們提供產品是不需要涉及個人隱私的，只需要與銀行展開交流，就能讓銀行證明它對客戶需求的了解，從而能提供有價值的服務。然而對于電力公司來說，挑戰是無處不在的。隨著電動汽車的面市，電力公司需要了解客戶使用的電池類型，以及充電的地點、日期和次數。而這些信息至少在理論上可以讓不法分子通過還原出行軌跡從而鎖定單個駕駛用戶。同樣地，如果電力公司希望設備在關閉時仍然可以向個人設備發送信號，從而進行預測性維護，那么智能計價器也能

156、應用在每家每戶的電表裝置上。保護這些公用設施信息的隱私是最重要的原則，匿名化只能點到為止。20世紀90年代，有人提出了“設計隱私（privacy by design）”的方法，希望通過建立基本原則的方式來克服這些潛在的問題（Cavoukian 2011），這種方法非常適用于公用事業現在面臨的智能電網和分析工具的挑戰。然而在深挖數據的時候，管理者應該是“知情的懷疑論者”（Shah等，2012）,能夠通過傾聽他人的意見、卓越的分析能力、以及在判斷與分析之間進行權衡來做出良好的決策。但是，只有38%的員工和50%的管理者是善于質疑的懷疑論者（Shah等，2012）。我們咨詢的首席財務官和審計合伙人都

157、一致認為，在數據分析的工作中需要擁有質疑精神，這也再次強調了財務部門需要參與引進新數據源、BI工具和數據素養教育。對首席財務官和財務部門來說，在了解財報變化和潛在風險或失誤時最重要的就是保持專業的質疑態度。對審計員來說，數據質疑精神或數據好奇心（Davis，2014）是工作中的關鍵基礎，能促使審計員帶著問題去尋找數據的來源以及收集方法。那么我們缺少了什么？我們還需要審核什么其他數據？對數據科學家和數據分析員來說，專業的質疑培訓能幫助他們學會使用BI工具和數據技術的基礎架構，特別是算法的復雜性，它會因為預測性分析和指示性分析的應用而不斷增加。不要把分析計算視為黑箱，尤其是在獲得審計簽字的時候更是

158、如此。正如一位熟悉大型審計項目的澳大拉西亞審計合伙人說的那樣，利用工具處理已確認的信息流是需要獲得批準的，數據專家和財務部門必須共同合作來使用這些工具，從多個客戶場景和核心程序中獲取洞見。除非財務專家們學會這樣的工作模式，否則其他了解如何使用數據和分析工具的顧問人員和數據科學家，都可能會降低會計師和其他財務專家的顧問能力。如果這樣的情況發生了，那么其他的顧問可能會因為收集何種數據和如何解讀數據所設定的準則而與相關的會計準則、知識和基本道德要求產生差異。5.2 數據治理一位生活在亞洲的首席財務官將大家的注意力吸引到了他的團隊和所在企業對數據集的認證上，展示了一種更加合理的方法來治理數據，而不是“

159、一刀切”地處理各種數據表格。但是其他的企業也確實意識到了擁有一個信息委員會的好處，因為它可以追蹤財務分析背后對各種數據的使用情況。這些企業都不認為他們完全掌控了數據治理，其中大部分認為他們只做到了70%-80%，還需要額外的工作進行收尾，包括完成或建立中央數據湖。而一位英國電信服務公司的首席執行官認為，數據治理更多的時候是在做數據的管理，確保數據資產的使用是正確且安全的。有效的數據管理是把分析項目成功拓展到整個企業的關鍵因素。一位歐洲金融公司的首席財務官正在研究如何在保持數據沿襲的同時又能提高數據的質量。這也回答了下列的問題，“如果我改動了這個數據，會發生什么？”或“為什么這份報告不是最新版本

160、？”財會分析工具|5.道德和法律方面的考慮55財會分析工具|5.道德和法律方面的考慮從網絡審計的目的出發，這些系統提供了一系列日志和事件后報告，以便及時發現未來的網絡攻擊。機器學習的算法經常用于解讀各種網絡攻擊的模式，以及發現或預測網絡攻擊，對網絡安全的審計也是審計專業人員工作的自然延伸。雖然不是審核財務報表，但是這些工作能幫助客戶提升他們在網絡安全相關領域的防御能力和競爭力。網絡安全與首席財務官之間的關聯看似很薄弱，但如果考慮到投資方對企業處理網絡攻擊和信息泄露能力的需求時，也許您就不會這么認為了。雖然本篇研究主要關注于財務領域的分析，一些受訪者卻認為，如果財會專業人士能夠了解網絡安全，將能

161、直接助益于企業的應對能力。居家辦公時期尤其如此。在居家環境中識別信息安全問題有助于應對新冠疫情所導致的分散性遠程辦公新模式。在這種情況下，首席財務官和財務部門也許會考慮吸收一位聯絡員（即數據隱私官）來處理與GDPR和網絡安全有關的問題，而將這樣的職位安排在其他任何部門，都有可能產生問題甚至引發矛盾。ACCA建議財會部門與網絡安全專業人員多多交流合作。信息系統審計與控制協會（the Information Systems Audit and Control Association，簡稱ISACA）會幫助ACCA成員與網絡安全專業人士牽線搭橋。對從業人士來說，這樣的合作不僅可以進一步促進他們客戶的

162、業務，也能幫助他們更好地協同網絡安全專業人士一起，在法務會計方面使用分析技能調查安全漏洞問題造成的經濟損失。5.4 通用數據保護條例和其他法規無論是在電信公司工作，還是在銀行、零售或電力公司，根據歐盟的 通用數據保護條例（General Data Protection Regulation,簡稱GDPR）7的規定，首席財務官務必要確保企業在管理敏感個人信息方面是認真負責的。在本篇研究中，我們咨詢過的財務部門都非常重視個人數據的保護，對于潛在的數據泄露尤為如此，因為這樣的泄露可能使不法分子有機會竊取消費者的個人信息或盜取錢財。根據GDPR的規定，確保個人信息安全的責任已經從個人轉移到了持有數據的

163、機構身上。由于企業收集的數據越來越多，且數據收集工作由首席財務官和財務部門負責，因此分析工作和侵犯客戶隱私的問題需要受到進一步審查。5.5 安全網絡和其他威脅隨著網絡安全分析8的改進幫助企業解決了許多安全問題，持續監測運營系統的工作也受到了審計員進行法務會計調查的方法和技巧影響，已經開始使用各種信號來顯示異常情況或大規模差異。監測平臺針對電力、零售和其他行業提供了多種報告、可視化結果和預測性分析。想要了解企業面臨的網絡安全風險，首席財務官和財務部門應該更加關注這些系統的重要性以及它們是從審計程序中產生的過程。7 歐盟于2016年4月14日通過，于2018年5月25日起執行。8 網絡與首席財務官

164、（Cyber and the CFO）（ACCA/澳新特許會計師公會/麥考瑞大學/澳都斯 2019）一文討論了網絡威脅對企業組織造成的風險以及財務部門的責任。56在居家環境中能夠識別信息安全問題有助于應對新冠疫情所導致的分散性遠程辦公新模式。財會分析工具|5.道德和法律方面的考慮57財會分析工具|6.習得的經驗眾所周知，數據是一種寶貴的資產，優質的數據能很好地為分析所用。然而，如果無法妥善解決員工、管理者和高層人員的問題，那么就無法最大程度地發揮出分析的作用。6.習得的經驗企業內部的各個級別都需要解決分析方面的顧慮并把握相關的機會，包括改善員工的參與度、支持有技術理念的管理者工作和有效影響C層

165、領導。直接與這些利益相關方合作，會再次提醒我們同一企業里的不同人擁有各不相同的背景和數據素養。此外，通過與各級別人員的互動合作，能更清楚地了解到在利用分析方法、工具或技術解決問題的方面，各級別人員的真正需求與他們自稱或自認為的需求是不同的。關注與人相關的挑戰可能是除技術能力之外唯一一項最重要的因素。對一位歐洲的首席財務官來說，員工愿意積極參與分析項目比獲得大量數據更為重要。歐洲和亞洲的首席財務官都紛紛表示鼓勵員工積極參與是很重要的，并且他們都愿意把員工參與度的重要性放在優質數據的前面。管理者和C級領導都應該樹立自主性，而不是依賴于業務分析員或其他員工來幫忙從分析報告中獲取洞見。他們如果有能力自

166、己制作報告和提取必要信息，那么就可以減少獲取洞見和采取行動的耗時。為了制定出更好的決策、規劃和預測，企業必定少不了實時數據的支持。據一位歐洲的首席財務官稱，實時數據來源的多樣性越高，你就可以更清楚地看到你的企業正在如何發展，也可以看到你的決策是如何在短期內直接影響業務。與此同時，分析應該幫助人們更加關注數據本身，而不是數據籌備所消耗的時間。一位澳大拉西亞的分析部門主管評論道，想要做好新的分析項目，最好的方法可能就是咨詢各個團隊，并為每一個職能或業務部門提供一個量身定做的方法。這些分析工作坊不僅包括入門介紹，也包括與C級領導進行分析相關的高層次交流與問答，每個職能部門都有機會提出自己的反饋。在這

167、種情況下，您可以了解企業的政治環境并在整個企業內部推廣分析工作。這個方法強調了深入了解利益相關方需求的重要性。有時，您將不得不從咨詢方法轉變成咨詢顧問的角色，指導企業未來更多的分析工作。通常，您需要通過分析的理念和方法，幫助利益相關方解決一系列的問題。這類工作坊需要把重心放在通過數據而產生的影響，而不是這個合作階段中使用的工具或應用。在過去的工作中，尤其在新冠疫情期間，即使人們為了實現一些必要成果，可以直接下載并操控類似甲骨文或SAP的中心財務系統數據，但主要的專業分析工具依然是工作表。根據一位歐洲的首席財務官稱，中心團隊在一些情況下會請求在財務系統中提供特定報告，但整個過程耗時耗力。相比之下

168、，高層管理獲取報告和自行分析解讀數據的能力則是無可替代的。58財會分析工具|6.習得的經驗這些原則與一位英國首席執行官的建議對比：1.一切皆存在技術、云和數據科學家2.正確、持續地完成3.關注決策制定4.下一個最優方案5.確保您擁有整體數據架構6.自上而下建立所得經驗的最后一句來自一位歐洲首席財務官，他認為數據分析、機器學習和人工智能三者合一，是大多數企業改革成功并進階世界一流企業的推動因素。敏捷宣言（the Agile Manifesto）（敏捷聯盟2001-2019年）中提及的敏捷開發原則，可適用于業務分析和一般軟件開發。為了方便起見，我們在此重申一下這12條原則9：（為方便業務分析進行輕

169、微重述。）1.了解數據的多樣可能2.數據質量并非易事3.隨著分析能力的提升，要擁有戰略眼光4.數據使用需要征得客戶（內部）同意5.流程是具有挑戰性的6.在包括收入處理和訂單處理在內的標準和可重復的核心程序下進行分析9 原12條原則來自 敏捷宣言（敏捷聯盟2001-2019）59財會分析工具|7.分析的新興趨勢7.分析的新興趨勢7.2 未來的非結構性數據和結構性數據通過與首席財務官和財務部門的討論，我們發現除了財務數據外，他們還希望在未來能使用更多業務數據。由于這些業務數據源的數據格式各不相同，且數據也是碎片化的，我們將需要新工具和新方法來支持這些大數據的使用。不可避免的是，未來的BI軟件版本將

170、超越最初的開發用途。未來進一步的要求是處理文檔中大量非結構化數據的能力，如pdf文檔。7.1 綜合技術框架分析領域正同時呈現著多個趨勢，為個人和團隊掌握分析技術提供了機遇。主要的趨勢包括機器人程序自動化（見ACCA/澳新特訓會計師公會/畢馬威（2018）、大數據獲?。òǚ墙Y構性數據和結構性數據）、人工智能（AI）和機器學習（ML）。這些技術作為各種趨勢綜合在一起，為通過高效的數據采集和改進的分析來重塑未來業務提供了機遇（圖7.1），如下文所示。圖 7.1:預測性分析和其他技術預測性分析智能自動化認知技術更深入透徹的了解商業風險與機遇 自動化數據采集，包括機器人程序和支持大規模數據采集的智能自

171、動化分析大量數據，包括非結構性數據和結構性數據60財會分析工具|7.分析的新興趨勢7.3 大數據思維大數據對財務專業人員的影響會體現在他們對業務數據、非結構性數據和外部數據源的意識和關注度不斷提高。與大數據打交道，需要一種不同的思維理念在更加嚴格管控的條件下收集數據。大數據是在各企業和不可控制源頭的環境中自然而然產生的。在這種情況下，最好的方法是把重心放在從數據中發掘有用信息，而不是思考科學的方法和假設。當把會計信息與大數據結合時，包括公共信息源中的大數據，就會產生新的價值。而想要從數據中發掘出有用的信息，就需要了解數據的模式和規律和一種好奇的思維。此外，大數據還需要我們從應對數據稀缺的思維和

172、行為，轉變為可以應對無限量數據的思維和行為?？紤]到與個人相關的個人身份信息（PII）數據的安全和敏感性，這一轉變將是毋庸置疑的。會計方面的工作極少或不會涉及PII，但法務會計或洗錢調查例外。確保隱私保護的方法和軟件將涉及數據匿名化，而在必要的情況下，可以使用相關工具進行數據匿名；而這將屬于另一研究領域。探索在會計、甚至審計領域整合大數據，有望使會計和財務報告中的內容變得比目前僅根據總分類賬（GL）、應付賬款（AP）和應收賬款（AR）而生成的報告更有價值。無論與傳統會計方法相結合，或在傳統會計方法的基礎上進行拓展延伸，都將為某些領域帶來極大的益處。例如，壞賬計提準備金通常是以歷史趨勢為準的。而大

173、數據有望根據經濟情況、債務人狀況、收賬能力和歷史收賬比率，讓壞賬數額更接近真實價值。銷售和應付賬款的業務數據和交易數據等“傳統”結構性數據的記錄、采集和分析相對容易，并可能為商業表現和趨勢提供直接洞見。非結構性數據，例如郵件、網絡活動日志、電話和社交媒體發文，可能是數量龐大且具有多樣性的。使用工具來分析這類數據可以了解到與企業相關的更多信息，包括客戶需求和外部市場因素。圖 7.2:結構性 vs 非結構形式數據大多數受訪者（76%）（圖7.3）認為，相比于財務數據，未來的分析將更多地使用非財務或業務數據。過半受訪者（54%）稱外部數據將在未來的分析活動中起到重要作用，而50%的人認為非結構性數據

174、數量將超過結構性數據。超過三分之一（34%）的受訪者對這一結構性數據/非結構性數據的劃分充滿信心。圖 7.3:在未來的分析活動中，相比于結構性數據，你是否希望使用更多非結構性數據？0%20%40%60%80%100%結構性數據非結構性數據一般出現在數據庫和交易流中一般包括文本、音頻、視頻、圖像、郵件61力、高速網絡和大數據處理能力。相關可使用技術包括計算機視覺（CV）、自然語言查詢（NLQ）、自然語言處理（NLP）、機器學習（ML）和語言翻譯，這些都能幫您有效利用企業數據。這些功能有些尚未可視化或提供了一種不顯眼的方法來評估人工智能（圖7.4）。Power BI服務允許通過使用簡易英文查詢（Q

175、&A）來使用NLQ進行相關數據庫查詢，而ML將自動顯示數據規律，突出相關洞見（快速洞見）。谷歌表格的“探索”功能也提供了類似的能力。7.4 人工智能（AI）、機器學習和工具大數據思維需要能支持該思維的工具。2020年，人工智能和機器學習是評估大部分數據分析基礎工具功能的關鍵指標，包括工作表、數據可視化和商業智能，例如谷歌表格和微軟Power BI.從最基礎的層面來看，AI10代表著機器有能力模擬人類大腦的認知功能，并擁有更好、更快和成本更低的處理能力、記憶財會分析工具|7.分析的新興趨勢10 人工智能和機器學習的概念解釋，請參閱 機器學習：科學向左，科幻向右(Machine Learning:

176、More Science Than Fiction)（ACCA 2019）圖 7.4:微軟和谷歌的人工智能能力（不可視）自然語言生成自然語言查詢自然語言處理深度學習機器學習機器人個人助手語言翻譯聊天機器人62財會分析工具|7.分析的新興趨勢使用機器學習平臺來尋找錯誤數據，加速數據清洗或整理的過程。在一些情況下，數據可能是不完整的，但是這是數據自然生成的狀態，機器學習將把這一情況一并考慮在內。平臺的試行和試驗可能可以更好地利用時間，快速從數據中生成商業洞見，而不用花費大量的時間和資源來準備數據。事實上，這表明了使用自動化程序也許是從數據中獲取洞見最快捷的方法，隨后人員可以根據該洞見采取適當的應對

177、行動。而將洞見轉化為行動的實際工作，是從洞見被發現的一刻起就開始的。這就像打開冰箱門，然后尋找三顆雞蛋一樣。這就是洞見，烹飪西班牙煎蛋的工作都尚未開始，更不要考慮其他食譜了。將數據呈現在如谷歌表格或微軟Power BI的機器學習環境里，可以預測未來時間點的數據點或補充歷史數據中的缺失部分?；蛘?，機器學習的環境也可以提供數據分類功能來尋找分類錯誤的數據或欺詐性交易。要達到這些結果，需要將數據呈現在系統中，并在系統中進行數據清洗或整理后，再進行數據處理，從而生成數據的代碼。這些代碼又將反過來協助進行預測或分類。一篇福布斯研究（2016版）提醒我們，企業利用80%的時間去獲得和清洗數據，而只用20%

178、的時間在使用數據。由于相關工具成本較低或者免費，我們鼓勵您積極采用這一程序（圖7.5）并圖 7.5:數據和機器學習的流程呈現數據清洗或整理數據機器學習平臺代表數據進行分類和預測63財會分析工具|8.應考慮的行動通過整合支持本篇研究的訪談見解和財務調查中的分析，我們得出了5個重點關注和行動的領域，以促進在2020年及以后創建真正以數據為中心的分析驅動型企業。8.應考慮的行動所有參與公司的受訪者都認為他們正在進行著整個公司內部長達多年的分析工作，這些工作從現在開始，并將在未來3年，即2023年之際實現重要的階段性目標。這些公司和財務團隊都希望在未來十年，通過使用分析技術來實現競爭力、優勢和地位的提

179、升。這些趨勢都是可擴展的，不僅適用于不同行業，也適用于各類大、小型企業，無論是5人團隊還是一個全球性會計財務專業團隊都能適用。包括大數據顯示、治理和數據管理、人才集合、決策支持和預測性/指示性分析在內的5大領域從根本上拓寬了首席財務官和財務團隊的工作范圍，突破了財務界限，在組織內部率先開展分析工作。關注已確認的領域并采取相應的行動，大大提升了財務和業務決策的質量。此外，在整個組織內部推動分析工作，將降低分析軟件和服務的成本，從而做出更好、更快和成本更低的決策。8.1 治理和數據管理把數據比喻成新石油是不恰當的。數據不像其他商品，它并非實際的事物，而與事件緊密相關。因此，數據可以幫我們回答一些問

180、題，但如果無法回答與企業相關的問題，這些數據也就失去了價值。對首席財務官和財務團隊來說，針對治理問題應采取的建議做法如下：n根據企業對數據背后的洞見需求進行數據收集，避免收集沒有用戶需要的數據 n通過避免在分析中使用個人身份信息（PII個人的敏感信息），將安全風險最小化 n確保在數據清洗和數據籌備的過程中，不會刪除任何可能用來識別離群值和異常值的信息 n與其他職能部門和團隊一起，牽頭制定正確使用數據的“游戲手冊”圖 8.1:財務團隊分析工作未來發展的5個重點關注和行動領域治理和數據管理大數據現實人才集合 決策支持預測性和指示性分析64財會分析工具|8.應考慮的行動首席財務官和財務團隊面對大數據

181、的建議做法總結如下：n編制一份認證外部數據源目錄來補充內部數據，定期更新目錄以確保新數據源均收錄在內。財務團隊應該擁有這份目錄和其更新程序，因為使用外部數據將對財務決策和更深遠的方面產生直接影響。n確保分析項目能支持企業獲得更加多樣的數據，包括結構性和非結構性數據。n幫助企業其余部門在BI技術不再適用或不再相關的領域采用分析技術。8.3 人才集合協助培養了解企業和分析技術的員工和團隊成員是非常有價值的。除了尋找出色的分析人才，也要通過預測性和指示性分析提升現有員工的技能。此外，首席財務官和財務團隊可以采取以下措施進行人才集合：n利用公司內部財務決策改善和公司其他部門工作實現自動化的案例，推出服

182、務每個人的數據素養課程。n將分析能力拓展至更大的用戶群，選擇幾乎不需要額外培訓的群體。n為組織提供自助服務資源，包括播客和社群。n定期組織普及活動、開發大賽和分析圖書俱樂部，輪流邀請外部客座主講人和組織內部不同團隊的主講人代表參與。n組織跨領域分析，突破傳統界限，如財務、分析和網絡安全。n使用例如領英在線學習平臺等工具。8.2 大數據現實對首席財務官和財務團隊起來說，大數據的使用已經成為一個現實可能。這不僅意味著他們將獲得海量的數據，也意味著處理大量各種類型數據的能力對財務團隊來說變得至關重要。將財務數據和業務數據相結合，能幫助團隊得出從前被忽視的洞見，也能有機會提升決策和程序的質量。獲得大量

183、的數據為財務職能部門帶來了明顯的優勢，因為他們可以整理出更多各種類型的非財務數據報告，涵蓋環境、社會、治理和可持續性等問題。包括微軟的Power BI和Tableau在內的各類BI工具能讀取和導入來自各類信息源的結構性和非結構性數據，加之功能強大的連接器、數據提取器和自然語言處理技術，使得企業可以獲得包括音頻和視頻在內的更多類型數據。導入從前無法量化信息和非結構性數據，能幫助企業做出優質的決策。外部審計人員和組織內部財務團隊的觀點不謀而合。從審計角度來看，一位北美四大的管理者認為大數據是關鍵的轉折點。越來越多各式各樣的數據得以為企業使用，包括社交媒體中的非結構性數據、Excel工作表、甚至是對

184、pdf文件進行數據清理的過程中提取出的圖片信息。即使我們無法完全保證大數據是絕對準確無誤的，大數據確實能幫助我們提供數據背后的審計證據和財務報表的支持性證據。一位澳大拉西亞的審計合伙人認為很多情況下，外部數據都像黃金一般珍貴。例如，消費者服務銷售行業，如電力公司，可以使用公共數據獲取洞見和優質的觀點。獲得大量的數據為財務部門帶來了明顯的優勢，因為他們可以整理出更多各種類型的非財務數據報告，涵蓋環境、社會、治理和可持續性等問題。65財會分析工具|8.應考慮的行動8.4 決策賦能分析工作帶來的挑戰常常令人困惑。有時“分析”一詞的含義代表使用分析來解決問題，有時代表使用某種分析應用或BI工具。關鍵的

185、問題是，如何使用分析做出更快、更好的決策？這個主題在我們的深度訪問和調查中都有涉及。指示性分析是一項關鍵的分析技術，可用來提出可能的決策建議。但是比思考如何改善分析工具本身更重要的是，在財務和更多組織領域的決策中更好地使用分析。在此基礎上，對首席財務官和財務團隊來說決策支持方面的建議做法如下：n財務團隊應該做好準備，通過使用實際數據開發決策模型，在整個組織范圍內支持更好、更快的決策。n根據組織應有層級進行決策分類：戰略類（C級）、管理類（職能部門）、業務類（業務程序）、開發類（新產品或新服務）、和區別化類（外部客戶）。n為Excel中使用對決策模型建立模板，幫助思考有大數據和沒有大數據情況下該

186、如何進行決策。n為投資注重預測性分析的決策項目，甚至包括指示性分析在內的決策項目，修改商業案例。n持續關注任何顛覆性創新，幫助企業實現更快、更好的決策。8.5 預測性和指示性分析除了關注企業效率舉措和預測改善之外，預測性和指示性高級分析不僅可以幫助企業發掘新收入渠道和新客戶，也能幫助企業改善業務流程。對首席執行官和財務團隊來說，在整個企業內部使用預測性和指示性分析的建議做法如下：n將組織內部的主數據標準化（即各部門之間分享的最具價值的信息）。n首先在全組織范圍內持續尋找離群值，作為新問題和新機遇的潛在預警。n發掘在整個分析價值鏈中使用開源數據的可能性：如SQL數據庫、機器學習和端到端程序。如果

187、您正在為客戶提供分析軟件和服務，無論作為企業服務機構、中小型企業、或服務客戶的BI競爭力中心，這一點都尤其重要。n通過RapidMiner或KNIME在專家與使用開源數據的企業用戶之間進行試點合作。66財會分析工具|8.應考慮的行動在整個組織內推動分析工作，將減少分析軟件和服務的成本，最終在更快捷、更低成本的基礎上做出更好的決策。67財會分析工具|鳴謝The contributions of the following individuals in the development of this research is noted with thanks.M S M Sundaram,Citi

188、bank,SingaporeMaria Stupakova,Lenta,RussiaMark Robinson,Smith and Nephew,United StatesNeil Smith,Vodafone Global Enterprises,United KingdomNilanhan Majumdar,Cargill,IndiaOlusola Olowoyeye,Arkounting Professional Services,NigeriaPavlina Jungova,Czech RepublicPete Williams,Penguin Random House,United

189、KingdomSam Ellis,Interworks,United Kingdom and Chair of ACCAs Technology Global ForumSayamadeb Mukherjee,UB Group,IndiaShane OConnor,KPMG Audit,AustraliaSimon Driscoll,NTT DATA,United KingdomSimon Williams,NTT DATA,United KingdomSiva Raj Jeyarajah,MalaysiaSteven Chong,GA Alliance,MalaysiaWaleed Shah

190、nawaz,KPMG,CanadaWill Browne,AMP Capital,Australia鳴謝Participants(in-depth interviews)Alastair Barlow,flinder,United KingdomAlex Alifa,PwC,CanadaAndriy Osipov,EPAM,BelarusAngela Kim,Teachers Health,AustraliaCameron Lynch,Etaini Business Platform,AustraliaCharles Sullivan,Social Wellbeing Agency,New Z

191、ealandDarren Kong,Fusionex,MalaysiaEvan Landsdown,KPMG Audit,New ZealandFilep Istvn dm,MOL Group,HungaryHeather Smith,ANISE Consulting,AustraliaJamie Rehanan,Bank of Ireland,Republic of IrelandJana Palkova,Vychodoslovenska Energetika,HungaryJiri Kovala,Faurecia,Czech RepublicJuraj Sekera,Vertiv,Slov

192、akiaLe Quang Hai,FE Credit,VietnamLi Ying,ZTE Group,mainland ChinaLiz Blackburn,United Kingdom and Chair of ACCAs Accountants in Business Global ForumWe also thank those who completed the survey conducted in conjunction with this report.AuthorsCharlotte Evett,New Zealand Government and Pacific Relat

193、ions Leader,Chartered Accountants ANZClive Webb,Head of Business Management,ACCAJamie Lyon,Portfolio Lead,ACCASuresh Sood,Data Scientist,Chartered Accountants ANZ68財會分析工具|參考文獻ACCA(2016),Professional Accountants the Future:Drivers of Change and Future Skills,accessed 10 August 2020.ACCA/Chartered Acc

194、ountants ANZ/KPMG(2018),Embracing robotic automation during the evolution of finance accessed 10 August 2020.ACCA(2019),Machine Learning:More Science Than Fiction,accessed 10 August 2020.ACCA/Chartered Accountants ANZ(2019),Audit and Technology,accessed 10 August 2020.ACCA/Chartered Accountants ANZ/

195、Macquarie University/Optus(2019),Cyber and the CFO accessed 10 August 2020.ACCA/PwC(2019),Finance:A Journey to the Future?,accessed 23 March 2020.ACCA/PwC(2020),Finance Insights Reimagined,accessed 3 August 2020.ACCA/Chartered Accountants ANZ(forthcoming 2020)Business Data Insights Playbook will be

196、launched 16 September 2020.Agile Alliance(200119),The Agile Manifesto.Downloadable from,accessed 16 August 2020.Ashenfelter,O.and Quandt,R.(2020),Liquid Assets website,accessed 3 August 2020.Australian Public Service Commission(2018),Data Literacy Skills website,accessed 20 January 2020.Bahga,A.and

197、Madisetti,V.(2019).Big Data Analytics:A Hands-On Approach(Published by the authors,ISBN:978-1-949978-00-1).Chartered Accountants ANZ(2020),Capabilities for Accounting A Model for the Future,accessed 2 August 2020.Cavoukian,A.(2012),Privacy by Design The 7 Foundational Principles(Information and Priv

198、acy Commissioner of Ontario),accessed 20 July 2020.Clark,A.(2018),The Machine Learning Audit CRISP-DM Framework,ISACA Journal Volume 1,accessed 1 August 2020.參考文獻Chapman,P.,Clinton,J.,Kerber,R.,Khabaza,T.,Reinartz,T.,Shearer,C.and Wirth,R.(2000),CRISP-DM 1.0 Step-by-step Data Mining Guide,SPSS Inc.,

199、accessed 10 August 2020.Codd,E.F.(1970),A Relational Model of Data for Large Shared Data Banks Communications of the ACM.13(6):377387.accessed 10 August 2020.Covey,S.(1989),The 7 Habits of Highly Effective People,Simon&Schuster UK,ISBN-13:978-1471195204.Columbus,L.(2017),IBM Predicts Demand For Data

200、 Scientists Will Soar 28%By 2020,Forbes,13 May,accessed 10 August 2020.Cunningham,C.(2020),Ethical CRISP-DM:The Short Version blog post.,accessed 10 August 2020.DalleMule,L.and Davenport,T.(2017),Whats Your Data Strategy?,Harvard Business Review,MayJune,accessed 20 July 2020.Davenport,T.(2013),Analy

201、tics 3.0,Harvard Business Review,December,accessed 10 August 2020.Davis,P.(2014),The Data Curious or the“Informed Skeptic”blog,accessed 20 July 2020.Earley,C.(2015),Data Analytics in Auditing:Opportunities and Challenges,Business Horizons,58:493500.George,B.(2017).VUCA 2.0:A Strategy For Steady Lead

202、ership In An Unsteady World website article,accessed 5 August 2020.Hamer,D.(1997):Actions involved in the double stepping of the middle rotor,Cryptologia,January 1997,Volume XX,Number 1.,accessed 10 August 2020Handler,B.(2013),The Democratization of Data website article,last accessed 3 August 2020.H

203、are,J.,Adams,C.,Sood,B.,Woodward,A.and Swinehart,H.(2016).Forecast Snapshot:Prescriptive Analytics,Worldwide,2015,accessed 22 July 2020.Halvi,G.and Moed Dr.H.F.(2012)The Evolution of Big Data as a Research and Scientific Topic:Overview of the Literature Research Trends,accessed 10 August 2020.69財會分析

204、工具|參考文獻Henke,N.,Bughin,J.,Chui,M.,Manyika,J.,Saleh,T.,Wiseman,B.and Sethupathy,G(2016),The Age of Analytics:Competing in a Data-driven World website article,Mckinsey Global Institute,accessed 20 July 2020.Holsapple,C.,Lee-Post,A.and Pakath,R.(2014),A Unified Foundation for Business Analytics,Decisio

205、n Support Systems,64,accessed 20 July 2020.IBM(nd),IBM SPSS Modeler CRISP-DM Guide,accessed 10 August 2020.IIRC(International Integrated Reporting Council)(2013),The International Framework,accessed 2 August 2020.Kart,L.,Linden,A.,Schulte,R.(2015),Extend Your Portfolio of Analytics Capabilities,(Gar

206、tner Inc.,Stamford,CT,United States)accessed 10 August 2020.KPMG US(2018),Boards-eye View of Data and Analytics,accessed 10 August 2020.Lovallo,D.and Sibony,O.(2010),The Case for Behavioural Strategy,McKinsey Quarterly,March,accessed 20 July 2020.Marland,J.(2014),How Big Data Can Predict the Wine of

207、 the Century website article accessed 3 August 2020.McCormick,J.,Hopkins,B.,and Schadler,T.(2016),The Insights-Driven Business,(Forrester Research,Cambridge,MA,United States).accessed 10 August 2020.Mintz,D.(2017)ETL Is Dead InfoWorld,13 October,accessed 10 August 2020New Zealand Government(2020),Al

208、gorithm for Aotearoa New Zealand website,accessed 10 August 2020.Nigrini,M.(2011),Forensic Analytics:Methods and Techniques for Forensic Accounting Investigations(Hoboken,New Jersey:Wiley).Panetta,K.,(2019),A Data and Analytics Leaders Guide to Data Literacy,accessed 10 August 2020.Power,D.J.(2007)A

209、 Brief History of Decision Support Systems,version 4.0 DSSResources.COM.accessed 10 August 2020Press,G.(2016).Cleaning Big Data:Most Time-Consuming,Least Enjoyable Data Science Task,Survey Says,Forbes,23 March,.PwC(2017a),Investing in Americas data science and analytics talent,April,accessed 10 Augu

210、st 2020.PwC(2017b),Public Paper Big Data Cross Sector Project,accessed 10 August 2020.Qlik(2020),The Data Literacy Project website,accessed 1 August 2020.Schadler,T.(2016),Insights-Driven Businesses Will Make$1.2 Trillion In 2020 Wanna Join Them?blog accessed 25 July 2020.Schwab,K.(2017),The Fourth

211、Industrial Revolution,Portfolio Penguin,ISBN-13:978-0241300756.Shah,S.,Horne,A.and Capell,J.(2012),Good Data Wont Guarantee Good Decisions,Harvard Business Review,April accessed 10 August 2020.Vesset,D.(2018),Planning Analytics 101:What is our Plan?blog,accessed 20 July 2020.Webb,J.(2020),Practical

212、Predictive Modeling to Improve Your Forecasts blog,accessed 23 July 2020.World Bank(2020),Global Economic Prospects,accessed 16 August 2020.Zollner,S.(2020),ANZ NZ Truckometer website article,May,accessed 3 August 2020.Zych,M.(2017),Data Analytics Maturity Models Blog ,accessed 20 July 2020.70財會分析工具|參考文獻71PI-ANALYTICS-FINANCE-ACCOUNTANCYACCA The Adelphi 1/11 John Adam Street London WC2N 6AU United Kingdom/+44(0)20 7059 5000/CA ANZ 33 Erskine Street,Sydney NSW 2000,Australia/+61 2 9290 5660/