
大数据怎样在财务系统提升数据价值(1)_数据分析师考试
大数据已经成为一个商业流行词。随着众多企业领导者逐渐了解其风险和机遇,它的前景和隐患正日益受到世界各地企业的关注。
产生和存储的数据量正在迅速增长,甚至呈指数增长。根据预测,数据量每两年就可能翻倍。同时,从业人员能够运用新的高级分析技术,来连接和查询原先分散的数据集,只要这些数据集中含有数据。
新数据和新分析的结合,正和企业运作的其他深层转变一同改变着商业局面。企业变得更加灵活,更具流动性,更加开放:它们的复杂性正日益上升。
随着大数据和大数据分析的影响带来商业上的转型,财会专业人士的角色也同样会发生变化。那些能够发现数据模式、将其转化为引人注目的战略故事的专业人士,将处于21世纪商业的核心位置。
会计师和财会专业人士已经发现了大数据的潜力。2012~13年ACCA技术趋势调查显示,78%的受访者表示,他们希望未来两年内大数据得到广泛应用。该调查还表明,在显着改变商业和会计行业局面的潜力方面,大数据堪称第二大最具影响力的技术趋势。
要实现大数据在财会行业的广泛应用,需要新能力、新度量和新的思维方式。
新类型的数据也将带来全新挑战:未来十年内,衡量和评估数据的新标准将得到发展,在报告、建模和预测中将采用全新的、更多样化的数据集。同时也存在不太好衡量的问题,例如涉及道德和隐私的问题。围绕这些问题的冲击和影响展开的辩论才刚开始——但如果不处理好这些问题,后果将不堪设想。
本报告全面描绘了未来5至10年内大数据对财会行业的影响。核心问题是:“未来5至10年内大数据将对企业产生哪些影响,它将为财会行业带来哪些机遇和挑战?”作为“未来思维”的一部分,本报告并非声称预测未来,而是力求确定和研究未来几年内可能对全球财会行业产生影响的大数据趋势。
大数据和商业未来
大数据拥有几乎改变商业的各个方面的潜能——从研发到销售和营销再到供应链管理,还拥有为增长提供新机遇的潜力。
然而,要获得这些效益并非易事。数据集能创造价值,也能摧毁价值。它们需要有效及专业的管理,并需要企业的大力投资。
什么是大数据?
大数据主要指通过信用卡、客户会员卡、互联网、社交媒体以及日渐普及的无线传感器和电子卷标等设备和技术不断收集的海量资料。大数据是一种委婉的说法,一种经过仔细斟酌而决定的简称,它指的是那些数量之巨大、内容之复杂、变化之迅速到无法用Microsoft Excel之类的标准软件来处理的数据集。
Gartner是美国一家信息技术研究权威和咨询公司,早在2001年就首次开发了大数据模型。它的“3V”模型包含“数量(volume)、速率(velocity)和种类(variety)。”
Gartner公司在2012年正式作出定义:“大数据是指数量大、变化快和/或多样化的信息资产,需要新的处理形式,从而强化决策,促进洞察力以及优化流程”。
同时,也存在其他不那么正式的定义。随着大数据成为主流,一旦其庞大规模成为“常态”,很有可能出现全新的定义特征。
大数据的兴起
从Gartner的定义可知,大数据拥有增值的潜力。企业正利用商业智慧和数据挖掘工具来提高效率、发现新机遇、为客户提供更好的产品和服务,以及预测未来的行为模式。不出所料,“价值”一词正被热捧为Gartner “3V”模型中的一个新“V”。
机遇并不专属于大企业。Google Analytics和Tableau图表绘制等以云为基础的在线平台意味着中小企业无需进行大量资本投资就能够从大数据中挖掘出商业见解。这些不受大型旧有系统限制的企业有时能够跳过“旧技术”,几乎从一开始就使用大数据。
大数据的商业潜能如此之大,以至于它如今被誉为“新型石油”,其在信息领域的作用堪比石油这种曾在19和20世纪对经济产生重大影响的自然资源。
这一比喻不无道理,但尚有缺陷。不像石油,大数据几乎可以无限量供应,且“可再生”。它的数量每年都在增长,而且呈数量级增长。十年前,人们谈论的是千兆字节的资料;现在他们谈论则是兆兆字节,整整增加了一千倍。
未来10年数据容量持续增长的关键是所谓的“物联网”,也称为“万物互联”(IoE)。新技术——例如调频识别技术(RFID)和近场通信(NFC)3技术——正不断将物体与互联网相连,允许信息在二者之间传递。纽约市场情报公司ABI研究预测,到2020年将有超过300亿的设备连接到无线网络(ABI研究,2013)。
大数据对商业的意义
大数据分析除了使企业能够着眼于历史数据之外,亦能“审视”新兴趋势所处的环境。因此,它有潜力改变新产品开发、市场定位和定价等流程的成本和效益。
大数据被提炼和完善为可付诸实施的商业见解,并被细分和应用于每个细微的决策过程,因此成为了兼具商业性和战略计划特性的工具。
然而,信息不仅是工具:它本身就是一种商业机遇。在从专有数据中开发新产品和新服务的趋势中,这点得到了最明显的体现。
目前,企业正在通过出售自己的资料来创造新的收入来源。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04