数据已无处不在，但是掌握使用它来实现明确目标的方法却很难。要了解数据给内部审计带来的挑战的核心，首先要了解过去几年中数据的特性如何演变。这些特性，具体指的是IIA全球技术审计指南——《理解并审计大数据》所提及的“7V”，分别是：

1

数量(Volume)：创建的数据量。一些组织现在正在以泽字节（1万亿千兆字节）而非兆字节测量数据量。技术发展正使得我们能利用的结构化数据和非结构化数据的数量激增。

2

速度(Velocity)：数据生成的速度。当想要捕获交易过程中每一个控制点的交易数据时，你越来越多地使用到摄像机、无人机以及连接到互联网的所有不同类型设备上的传感器。高速度让实时获取并上传海量数据成为可能。

3

多样性(Variety)：不断增长的数据源。除了上述例子能够佐证之外，我们可以看到另一个变化，即过去我们通常主要依赖于数据库中的结构化数据，如今迎来了令人难以置信的非结构化数据的增长和使用。想想看，Google、亚马逊和Apple这些公司通过智能扬声器收集了你多少谈话内容，又对此做了什么？他们从你的行为中获取了什么信息？而他们如何以此创造收益？

4

准确性(Veracity)：数据的质量和准确性。在数据的数量、速度和多样性的变化中，存在许多关键的基本问题。数据是否仍然是高质量的？它们能否基于准确性和所在背景进行验证？其被收集和格式化的过程是一贯的吗？该过程是合法并且合乎道德的吗？

5

离散性(Variability)：数据点与均值的偏离程度和数据点之间偏离的程度，一般通过极差、均值、方差和标准偏差来测量。

6

可视化(Visualization)：将大量数据转换为易于呈现的图形和图表的能力，这些图形和图表强调基于数据得出的观点，同时易于被最终用户理解和解释。

7

价值(Value)：数据本身以及使用和传达数据的方式可为组织增加价值。新的见解被转化为创造积极结果的行动，往往是最重要的价值创造过程。如果数据分析结果没有达到价值创造的目的，那无疑是浪费时间。

这个“数据时代”提供了严峻的机会（和风险，但我更想谈的是机遇）。许多的内部审计部门都看到了这个机会，但却很难以此创造可观的价值增值，使这些价值增值至少能够超过实施数据分析程序所耗费的成本。我认为部分原因是我们试图过度简化实施有效数据分析程序所需要的东西。与许多首席审计官讨论数据这个话题时，我经常听到类似的故事：

“我的团队中有一名审计师，他喜欢数据，也懂得如何使用某某软件。我给他做了一些额外的培训，并要求他为一些审计内容提出分析方法，但是写了一堆与之不相关的报告，还进行了一系列本福德式的概率分析。而我不知道下一步应该做什么。“

就是这样，数据分析并不限于收集数据和写报告，其最重要的步骤是要先熟悉组织（商业智慧）并且了解组织关键所有者的需求，接下来，对几个关键问题的分析和回答将决定数据分析产生的价值量。在此过程中，以下两点需要考虑：你是否拥有所需数据？你的团队是否有能力获取并以有意义的方式分析数据？

那么，哪些技能是在数据分析工作中真正需要的？这是该领域迅速发展的过程中很多人争论的一个问题。以下是我认为开发更有价值的数据分析程序所必需的四个关键角色：

NO.1 数据科学家

在这里我们不谈对数据科学家的众多定义中哪一个是最准确的，我们关心的是数据科学家能将大量且混乱的数据转换为可用于解决复杂问题的强大数据集的技能。此角色与机器学习密不可分，应具备整理、组织、连接和解释结构化和非结构化数据的专业知识，并且对算法开发和使用有深入了解。

NO.2 数据分析师

数据分析师收集、处理和分析数据，将数据翻译成普通语言。最重要的是，他们能够以对最终用户有意义的方式传达数据包含的信息。要知道，数据可视化以及用数据讲故事的技巧至关重要。

NO.3 统计学家

统计学家掌握统计和数学的专业知识，确保数据得到正确的收集、组织、分析和解释，避免组织陷入“胡乱输入胡乱输出”的困境。

NO.4 数据库管理员

数据库管理员是数据背后的骨干，他们承担着管理数据容量和配置、数据库设计、性能监控和安全性等方面的工作。本质上，数据库管理员是熟悉数据访问的数据库守门人和专家。

无需读者说明，我得先承认两件事。首先，就这些角色的潜在复杂性、规模和范围的广泛性而言，我对他们的研究只是浅尝辄止。其次，大多数内部审计部门都没有资金来雇用全部这些角色，而是通过团队开发，企业合作和利用组织内其他资源等方式，明确数据分析的需求并让人们熟悉这些技能。最重要的一点是，认识到在这些领域的优势和局限性，你就不会设置难以实现的数据分析目标，而是构建适合自身能力的数据分析程序。

这是我的观点。我很高兴听到你的声音。

作者：Jim Pelletier

翻译&排版：小红

源自2018年8月1日IIA官网

- 往期精选 -

· 这个时代，不应期待“定心丸”

·内部控制与风险管理不得不说的故事

· 5个会导致数据策略失败的元素