请问会计和IT行业如何结合？
请问会计和IT行业如何结合？ 作为一个会计出身，做过财务工作，又转行到 IT 行业的过来人，分享一下我的观点。想要搞清楚会计与 IT 如何结合，首先应该知道：
1.为什么会计能和 IT 结合？
原因在于：
[*]会计核算企业各类业务单据，所有业务部门的数据都会汇流到财务部来，所以会计其实是企业的数据中心；
[*]而 IT 技术正是处理数据的利器，可以将重复的流程自动化，还能将财务数据可视化。
因此，两者之间有天然的结合点。
2.会计与IT结合的案例：
① 机器人流程自动化
大约在2017年，四大之一的德勤曾推出一款自动处理发票流程的机器人「小勤人」，引爆财会界；到2019年，Uipath风靡一时，这一年也是PRA（流程自动化）元年。这项技术的出现，对于重复冗杂的低价值财务工作，意义重大，它能够自动化财务的很多流程，尤其是会计核算。
[*]以下是RPA的应用场景：
http://pic1.zhimg.com/v2-0720b41dddf5aecbe7b9df8a343ce18a_r.jpg?source=1940ef5c
图片摘自中心云，如有侵权，请联系删除
②BI可视化工具
财务分析岗，以前基本是用Excel处理数据，经过繁琐的图形美化，将相关表格更新到PPT中，用于向高层汇报。BI工具和数据仓库的出现，可以在数据库中完成财务KPI的逻辑设定，用BI工具输出精美的仪表盘，并实时呈现，大大提高了报表的及时性和准确性。
http://picx.zhimg.com/v2-b3ee4f1e54c5002b0c8a9347200941bf_r.jpg?source=1940ef5c
除此以外，还有很多案例，就不一一举例了，感兴趣可以参与知乎知学堂官方的数据分析训练营，他们专门邀请了互联网大厂的技术牛人做分享，里面有涉及很多经典案例，不妨用刷抖音的时间，了解一些数据分析在财务领域的应用案例，多了解一些新知识，提高自己对行业发展的认知，也能让自己少走弯路，领先一步。
点击卡片即可加入 ↓↓↓
3.总体看一下2021年，影响会计工作的 十大IT 技术：
http://pica.zhimg.com/v2-c9f902f55091c8fccc31be39d1cbf108_r.jpg?source=1940ef5c
4.数字化浪潮的新机遇
相信看到这里，可能有做会计的朋友会觉察到一丝危机感，担心以后自己的工作是否会被技术所取代。
事实的确如此，有一些会计岗位，很有可能在未来5-10年内消失，就好比汽车时代来临，马车会逐步退出历史潮流一样，时代总是在发展的，变得越来越高效。
但先知先觉者却总能够在危机中看到新的机遇，不信你看以下岗位，待遇基本都比做会计高：
红框是需要会计+IT背景；而蓝框则是传统的会计。
http://picx.zhimg.com/v2-3e101d50039350bba9f7bdd4324c4d37_r.jpg?source=1940ef5c
体制外工作的我们，一定要学会顺势而为，抓住财务数字化转型过程中，时代给予的红利；而不是在传统会计岗上内卷，做着重复枯燥的工作，但却得不到更好的薪酬回报。
<a data-draft-node="block" data-draft-type="ad-link-card" data-ad-id="fee_9fd1b3ae2c1fd44f8995a5a1374ea057">在知乎，我的每一篇回答都很认真，如果对你有所帮助，不忘点赞支持一下。
======随手点个赞，谢谢你喜欢======
我是阿木，爱分享财会干货、懂 IT 的CPA，欢迎到我的知乎主页，从个人资料中认识我，里面有惊喜哦~更多财会职业的用心回答，都在这里：
[*]财会经验：
[*]有什么经验说给会计专业的学生吗？
[*]学会计的人应该看哪些书？
[*]有什么值得推荐的财会类学习网站？
[*]薪酬岗位：
[*]独家|全网最全的财务/会计岗位总结
[*]大家会计工资都多少？
[*]有没有给会计应届毕业生的建议？
[*]会计转行：
[*]为什么薪水翻倍，工作反倒轻松了？
[*]学会计将来就业一定是会计吗？
[*]会计专业的转行都去做什么了？
[*]财会+IT：
[*]有哪些适合会计转行的高薪 IT岗位？
[*]财务+IT岗|学习资源分享
[*]年薪30W+|近期财务BA招聘岗
[*]财会考试 ：
[*]学会计的大学生在校考什么证书？
[*]初级会计 | 高分备考教程
[*]注会CPA | 适合大多数人的备考经验
http://picx.zhimg.com/v2-149a5c79ec198aa4219b0fbc4078ee35_r.jpg?source=1940ef5c 有事没事给当会计的老婆写vba脚本算结合么～～ 我是学it的，我女朋友是学会计的。 以我个人最近项目的经验
我们正在推行一个自动化
我们的项目客户的账目比较规范
由于行业原因
所以我们平时是大规模批量生产报告的
原先我们需要将近四十人三个月时间完成
现在基本测算下来只需要八个人十天吧
仅仅用了一些非常落伍的计算机技术
两个经验略微丰富的技术人员
将近一年的项目时间
基本就让我们这边百分之八十的基础员工面临失业转项目
这就是现状
以后会更明显因为老板尝到甜头了
winter is coming
搞得我一个审机狗一大把年纪了开始准备看计算机类的书籍了
不然真的要被淘汰了 四大会计师事务所都在布局机器人流程自动化，前段时间毕马威在深圳召开RPA机器人研讨会，与我实习所在的管理咨询部门的业务息息相关。经理要我在明年入职前提前学习一下Python和R语言，以后将关注财务机器人这一块。
下面分享给你毕马威数据挖掘团队关于这方面的推送，文章都是由项目经验丰富的博士以及资深顾问精心准备，内容也是结合实际业务的理论应用和心得体会等干货。
原文链接：私募股权投资与大数据之一——大数据应用介绍
------我是分割线------
该文是《私募股权投资与大数据》系列的第一篇，将带你入门大数据、私募股权投资以及大数据的应用。该系列之后的文章将具体地介绍项目的投资评价指标体系、尽职调查中的大数据应用实例等内容。最终目的是为了用大数据助力私募股权投资，提高投资成功率。
投资者时时在问自己以下几个问题：我该如何评价现在大数据的发展？哪些分析方法可以为我所用？大数据对于私募股权投资有哪些潜在的威胁，又有哪些机遇?
http://picx.zhimg.com/v2-417ed8071c5dd25d2c772e092d8d2ada_r.jpg?source=1940ef5c
《私募股权投资与大数据》系列会逐步为读者解答上面的问题。这篇短文分为以下几个部分：一、大数据是什么？二、私募股权投资的各个阶段；以及，三、大数据的应用。
01 大数据是什么？
传统的数据分析往往基于描述性数据分析、探索性数据分析以及传统统计学的假设检验，数据使用者主要解决了如下几个问题：数据里有哪些内容？从不同维度看数据或将数据做一些基本变化之后能获得什么额外的信息？从手中观察到的样本数据的特性是否可以推广到总体？
http://picx.zhimg.com/v2-16b840f368324eb85265e946b93abdb9_r.jpg?source=1940ef5c
而大数据本身，并没有唯一的定义，Bell (2015), who paraphrasedSupreme Court Justice Porter Stewart by saying ‘I shall not today further attempt to define big data, but I know it when I see it’.一方面，大数据分析沿用了传统数据分析的内容；另一方面，海量的数据规模与极高的维度为使用者提供了详细的信息，不少信息往往能提供即时的反馈——这使得使用者能描绘一些之前基于样本数据没有办法推导出的特性或格局。
毕马威大数据在业界大量的最佳实践，不断积累着经验与数据。正是这些的历史经验与数据，使得毕马威的行业专家能在面临各个领域的挑战之时，如鱼得水。
02 私募股权投资的各个阶段
项目投资往往会经历项目挖掘，尽职调查，投资组合，价值创造以及投资的退出策略选择这一流程，流程中的各个部分又涉及私募、机构投资者的战略和运营等各方面。
项目挖掘或者项目的调查：投资者在投资初期逐渐形成投资理念、了解行业、筛选目标并设计出接近目标的方案；
尽职调查：评估利润增长与成本削减的可行性，挖掘运营数据与财务数据，描绘出目标企业的全息图景，并确定它的最大开发潜力在哪儿；
在经历了“投前”的立项、尽职调查以及资本角逐敲定估值等条款后，投融资双方便可根据谈好的条件拟定合同签约，完成“投中”环节；之后便是“投后”双方资源互动用以提升企业价值与投资方投资组合的价值。
“投后”，即上图描绘的投资初期与投资中期。投资者通过拟定战略蓝图，追求快速的收益增长与成本缩减，有针对性地制定战略优先级与管理方案。
最后，在准备充分的情况下，最大化回报率，制定最优的退出策略。这就包括准备售前的文档与寻找合适的买家。
03 大数据的应用
在美国，华尔街分析师很多来自名校的MBA项目，非常擅长Excel。他们长久以来做着像侦探一样的工作来发现公司的真实价值，快速地搜集数据并作出决策对他们来说至关重要。在大数据技术这股浪潮开始之前，分析师们也用着各种辛苦的办法来搜集特色的数据来为自己的投资理念做支持：比如上山下乡数高炉，数发货卡车数，与消费者和商家进行访谈，或者看剧院的上座率。再结合Bloomberg、Reuters等新闻媒体的公开信息，用Excel计算和设计关键的计量指标来衡量资产价值、业务流程等等。
不过，国际上一些知名私募已经进入了大数据的新领域。Python，SAS，R也成了他们工具箱里的选项。他们开始转型，雇佣越来越多的数据科学家，运用大量消费者数据以及其他数据集，来预测公司的利润并评估潜在的投资。当投资或者并购一家公司时，用这些私募用数据分析结果来帮助提升客户价值、产品价值与渠道的价值。学术界，帝国理工的David Hand，宾大沃顿的教授Pete Fader和Eric Bradlow也都在作为参谋协助着业界的私募公司采用大数据来服务业务。
这一新方法的引入会为私募股权投资带来以下三方面的变革:
1 大数据可以作为私募股权投资战略项目讨论的基础
甲骨文的策略师Paul Sonderegger 在《福布斯》杂志上说“为了成功，CEO们需要拥抱数据，并把它们作为一种资产，就像其他新产品、服务和商业流程一样有价值的资产”。
曾经，不少思想领袖们反复强调，应由企业战略指导大数据应用，而非反过来。但如今，越来越多的业界实践告诉我们，大数据本身，作为一种关键的资产，能有效地助力公司战略以及指导其执行。消费业、科技业、金融业以及传统制造业企业都陆续开始打造自己的数据中心，或者利用第三方的数据为现有企业战略提供指引。对于私募来说，大数据的引入可以大大提高工作效率与项目审查有效性。对于某些私募，一年需要从大量的项目中遴选出真正投资的10家左右，这些项目有的是领导觉得合适的，有的是私募直接有关系的项目，有的来自于其他的业务条线或者行业专家的推荐。从上千个潜在的投资项目中筛选出数十个可能要耗费投资经理数月的时间。大数据的应用可以帮助专业投资者更加有效地进行筛选。
当用于对私募的投资组合和投资战略进行咨询，大数据技术会非常有用：
(1) 涉及地产项目的投资时，分析相关地块的价值也很实用，利用周边交通、天气、附近商圈的数据就能容易地估算出一个地区的房地产价值；
(2) 分析哪个行业在上升期，是否是并购的目标，比如，利用行业数据看汽车行业的变化，对其未来趋势做出定量分析；
(3) 从医药行业的数据挖掘得到的宏观数据指标预测，对股权投资有指导性的意义。有家私募发现，来自药品测试厂商的销售数据的分析结果，能作为未来美国就业率变化的早期预测指标：越多的人被雇佣，就会有更多的药物筛选。这类数据转而能为股权投资做出指导；
(4) 相关行业的自然语言分析也能用于提前警告投资者，市场对于一些行业或公司是否过于乐观了。比如RavenPack指数对Tesco的预测，成功识别了分析师的评论与社交媒体的情感对Tesco的倾向。
不过，这些都还是大数据在私募股权投资中的简单应用——分析大量之前难以得到的数据或者被忽视的数据为投资做出战略性的指导。更加专业的指标定义与选择会在下一期做总结和分析。
2 技术提升带来的数字化会重塑金融业与私募行业
没人能准确预测究竟何时华尔街上的金融分析师会被机器分析师取代，但是如果搜索一下indeed或者其他招聘网站上的JD就会发现，越来越多的金融职位开始要求数据科学背景的候选人，在有些岗位的需求上，数据科学家比名校MBA还更加受欢迎。
3 大数据技术会促进信息公开政策的变革
如果大数据分析能更加普遍的作为衡量公司的方法，并且对于公司来说，数据资产也成为了公司的资本，那么金融业的监管者也需要尽快评估该如何保障各方投资者的利益。
最后，大数据在有些方面的应用也其有局限性。当然，在这些方面传统Excel里的分析也是非常无力的。比如，有些投资需要7到10年才能变现，对这样的投资进行预测往往是不现实的。另外，虽然对来自社交媒体或者新闻的情感分析能为投资决策提供一定的帮助，但是这无法识别内部交易与重大货币政策的变化。而且，大量非结构化的数据与来自不同渠道的噪音也会对大数据的应用造成影响。
有数据前就形成理论是一个重大的错误。(It is a capital mistake to theorizebefore one has data. Insensibly one begins to twist facts to suit theories,instead of theories to suit facts. ——阿瑟·柯南·道尔 《福尔摩斯探案集》)
也就是说，随着数据积累，决策也会越发理性。在私募股权投资中，大数据的应用可以服务于投资的各个阶段，不论是市场调研、战略决策还是尽职调查。毕马威作为金融行业大数据的先行者，正不断拓展大数据理论与积累业界最佳实践，在实践中验证理论的可靠性。
参考文献：
(1) Franke, B., Plante, J. -F., Roscher, R., Lee, E.-A., Smyth, C., Hatefi, A., Chen, F., Gil, E., Schwing, A., Selvitella, A., Hoffman, M. M., Grosse, R., Hendricks, D., and Reid, N. (2016) Statistical Inference, Learning and Models in Big Data. International Statistical Review, 84: 371–389. doi: 10.1111/insr.12176.
(2) 毕马威研究。
- END -
页:
[1]