
然而,大数据的商业潜力有其局限性。大数据是一项资产,但也有一些缺点。原因有很多:
数据会贬值,将来的价值可能不如现在。
挖掘数据的价值可能很困难或很昂贵,具体取决于企业是否拥有现成的技能或技术。根据某项估计,到2018年,美国掌握大数据分析所需技能的人才缺口可能高达19万(麦肯锡全球研究院,2011)。
随着越来越多的企业和行业开始利用大数据,它的竞争优势将减弱。很有可能将展开一场挖掘“暗数据”(已收集但尚未使用的数据)价值的角逐。
对数据收集和使用的审查日益严格,且数据收集和使用必须遵守不同国家和地区的法律法规。
在这一场挖掘更多新价值的激烈竞赛中,人们会更专注于开发能够捕捉那些其他人看不到的信息的复杂分析技术。换句话说,对技能的争夺将进一步加剧,有可能引发商业的“大数据分水岭”。
显然,只有主动管理大数据,才能为企业提供有利可图的解决方案。
大数据与财会行业的未来:机遇与挑战
对于高级分析技能日益增长的需求为会计师和财会专业人士带来了重要机遇。
会计师和财会专业人士接受过财务信息的组织、收集和分析方面的训练之后,就能够将自己的核心技能运用到非财务数据集和其他数据集中,而且至关重要的是,能够让大数据变小,变得更结构化。
因此,他们可能为企业带来巨大的价值增长。在未来5至10年内,财务部门可能出现从服务部门到关键业务服务部门的质变,它将处于战略决策的核心位置。
对会计师和财会专业人士而言,大数据的管理不仅意味着“改变游戏规则”的机遇,也意味着全新的挑战。未来不仅关乎技能的“直接”转移,还关乎新技能的发展。会计师和财会专业人士将需要寻求利用大数据评估企业业绩、企业风险和投资风险的方法。此外,随着大数据对于商业的重要性与日俱增,他们需要寻找方法来评估大数据这一企业资产的内在价值。
领域1:数据资产的估值
作为一项公司资产,大数据的重要性正日益突显,这促进了新的数据资产估值方法的发展。
互联网和移动及智能技术的传播已经从根本上改变了商业数据的面貌和曝光度。
数据被越来越多地用于提升运营效率。其所带来的一些好处在零售行业十分明显,在该行业,实时分析协助公司更好的适应顾客需求和减少物流及分销成本。例如,纽约时尚品牌Elie Tahari目前可以使用销售数据提前四个月预测其每项产品的全球需求(IBM 2012)。这些预测的细致程度令人惊叹:在大数据和其相关工具的帮助下,该公司能够适时获悉到哪些区域的哪些门店中,哪些尺码和颜色搭配最为畅销。
大数据不止是一种用于获得竞争优势的商业工具。对于越来越多的行业中越来越多的公司而言,它还是一种商业计划或商业模式。
目前已经有公司利用大数据来创造收益。谷歌等互联网公司已经率先利用大数据创收,其他行业的其他公司也紧跟其后。
无线技术和“万物互联”(IoE)进一步扩大了数据量和数据种类,将大数据转化为价值的机会也将随之增多–至少在短期内可以这么说。
因此,未来十年内,数据将成为一个重要的财富创造来源,并且将越来越多地被视为一项值得重视的企业资产,企业可能需要为其建立专门的负责部门。
帮助公司为其数据资产估值
关键理念是,那些制定大数据衡量指标的会计师和财会专业人士将突出自己在市场中的差异化优势。
最近的研究发现,20%的大型公司已经将数据作为一项资产编入其资产负债表中,而在那些总员工超过1万人的公司,该数字上升到了30%(Dynamic Markets 2012)。对于未来的会计师而言,提供数据估值服务可能是一个区别于普通会计师,独具差异化优势的巨大的机会。
然而,为数据估值可谓困难重重。在当今的知识经济中,无形资产变得日益重要,但在为工业时代制定的报告和治理体系中,无形资产很容易被忽视。数据即使清晰可见,衡量起来也不容易。其中第一个挑战就是贬值的问题。数据周转速度的提高意味着数据过时的速度也相应加快:随着新数据的出现,旧数据的价值可能很快“消减”。
随之而来的问题是,数据的价值根据其相关性的不同而各不相同,而数据相关性又因数据使用者而异。您如何客观地衡量一个数据集的商业价值呢?对某个人群没有价值的数据,可能对另外一个人群相当有用。
这些问题很可能随着数据集市场的深入开发和流动性的增加,以及专业技术和知识的增长而得到解决,但是围绕大数据仍然存在其他的不确定因素。正如前面部分所述,这些不确定因素包括监管、全球治理和隐私权等问题,这些问题可能对大数据的经济价值以及公司对大数据的投资力度产生实质性的影响。
为了实现为大数据资产估值的目的,会计师和财会专业人士需要确定哪些数据有价值、选择一种容易接受的估值方法并确定关键的假设。
思想聚焦:NINA TAN CPA,ACCA
Trax Technology Solutions首席财务官
数据的价值几何?
Nina Tan 是Trax Technology Solutions的首席财务官,该公司通过图像识别技术来获取零售数据,从而向快速消费品(FMCG)零售商和其销售代表提供实时报告。该公司的解决方案将产品图片转化为数据,用于显示这些产品对照各项关键业绩指标(KPI)的业绩情况。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10