數據已無處不在，但是掌握使用它來實現明確目標的方法卻很難。要了解數據給內部審計帶來的挑戰的核心，首先要了解過去幾年中數據的特性如何演變。這些特性，具體指的是IIA全球技術審計指南——《理解並審計大數據》所提及的“7V”，分別是：

1

數量(Volume)：創建的數據量。一些組織現在正在以澤字節（1萬億千兆字節）而非兆字節測量數據量。技術發展正使得我們能利用的結構化數據和非結構化數據的數量激增。

2

速度(Velocity)：數據生成的速度。當想要捕獲交易過程中每一個控制點的交易數據時，你越來越多地使用到攝像機、無人機以及連接到互聯網的所有不同類型設備上的傳感器。高速度讓實時獲取並上傳海量數據成爲可能。

3

多樣性(Variety)：不斷增長的數據源。除了上述例子能夠佐證之外，我們可以看到另一個變化，即過去我們通常主要依賴於數據庫中的結構化數據，如今迎來了令人難以置信的非結構化數據的增長和使用。想想看，Google、亞馬遜和Apple這些公司通過智能揚聲器收集了你多少談話內容，又對此做了什麼？他們從你的行爲中獲取了什麼信息？而他們如何以此創造收益？

4

準確性(Veracity)：數據的質量和準確性。在數據的數量、速度和多樣性的變化中，存在許多關鍵的基本問題。數據是否仍然是高質量的？它們能否基於準確性和所在背景進行驗證？其被收集和格式化的過程是一貫的嗎？該過程是合法並且合乎道德的嗎？

5

離散性(Variability)：數據點與均值的偏離程度和數據點之間偏離的程度，一般通過極差、均值、方差和標準偏差來測量。

6

可視化(Visualization)：將大量數據轉換爲易於呈現的圖形和圖表的能力，這些圖形和圖表強調基於數據得出的觀點，同時易於被最終用戶理解和解釋。

7

價值(Value)：數據本身以及使用和傳達數據的方式可爲組織增加價值。新的見解被轉化爲創造積極結果的行動，往往是最重要的價值創造過程。如果數據分析結果沒有達到價值創造的目的，那無疑是浪費時間。

這個“數據時代”提供了嚴峻的機會（和風險，但我更想談的是機遇）。許多的內部審計部門都看到了這個機會，但卻很難以此創造可觀的價值增值，使這些價值增值至少能夠超過實施數據分析程序所耗費的成本。我認爲部分原因是我們試圖過度簡化實施有效數據分析程序所需要的東西。與許多首席審計官討論數據這個話題時，我經常聽到類似的故事：

“我的團隊中有一名審計師，他喜歡數據，也懂得如何使用某某軟件。我給他做了一些額外的培訓，並要求他爲一些審計內容提出分析方法，但是寫了一堆與之不相關的報告，還進行了一系列本福德式的概率分析。而我不知道下一步應該做什麼。“

就是這樣，數據分析並不限於收集數據和寫報告，其最重要的步驟是要先熟悉組織（商業智慧）並且瞭解組織關鍵所有者的需求，接下來，對幾個關鍵問題的分析和回答將決定數據分析產生的價值量。在此過程中，以下兩點需要考慮：你是否擁有所需數據？你的團隊是否有能力獲取並以有意義的方式分析數據？

那麼，哪些技能是在數據分析工作中真正需要的？這是該領域迅速發展的過程中很多人爭論的一個問題。以下是我認爲開發更有價值的數據分析程序所必需的四個關鍵角色：

NO.1 數據科學家

在這裏我們不談對數據科學家的衆多定義中哪一個是最準確的，我們關心的是數據科學家能將大量且混亂的數據轉換爲可用於解決複雜問題的強大數據集的技能。此角色與機器學習密不可分，應具備整理、組織、連接和解釋結構化和非結構化數據的專業知識，並且對算法開發和使用有深入瞭解。

NO.2 數據分析師

數據分析師收集、處理和分析數據，將數據翻譯成普通語言。最重要的是，他們能夠以對最終用戶有意義的方式傳達數據包含的信息。要知道，數據可視化以及用數據講故事的技巧至關重要。

NO.3 統計學家

統計學家掌握統計和數學的專業知識，確保數據得到正確的收集、組織、分析和解釋，避免組織陷入“胡亂輸入胡亂輸出”的困境。

NO.4 數據庫管理員

數據庫管理員是數據背後的骨幹，他們承擔着管理數據容量和配置、數據庫設計、性能監控和安全性等方面的工作。本質上，數據庫管理員是熟悉數據訪問的數據庫守門人和專家。

無需讀者說明，我得先承認兩件事。首先，就這些角色的潛在複雜性、規模和範圍的廣泛性而言，我對他們的研究只是淺嘗輒止。其次，大多數內部審計部門都沒有資金來僱用全部這些角色，而是通過團隊開發，企業合作和利用組織內其他資源等方式，明確數據分析的需求並讓人們熟悉這些技能。最重要的一點是，認識到在這些領域的優勢和侷限性，你就不會設置難以實現的數據分析目標，而是構建適合自身能力的數據分析程序。

這是我的觀點。我很高興聽到你的聲音。

作者：Jim Pelletier

翻譯&排版：小紅

源自2018年8月1日IIA官網

- 往期精選 -

· 這個時代，不應期待“定心丸”

·內部控制與風險管理不得不說的故事

· 5個會導致數據策略失敗的元素