为公司财务决策添加数据科学技能

每一小时、每一分钟、每一秒，组织都会捕获和消耗大量数据，用于制定战略和战术决策。然而，随着数据量的增长，很少有财务团队使用这些数据为业务合作伙伴提供可操作的见解。通过使用数据科学技能来预测一系列的结果，并使用这些预测来确定最佳的行动方案，从而为业务创造重大价值．

“数据科学和机器学习(ML)为组织提供了预测看起来不确定的未来的手段。卡莉·j·伊多因高德纳公司高级董事分析师。“它们提供了预测见解，以推动行动，但适当的行动既不明显，也不容易理清。”

考虑到竞争的资源、众多的约束和不断变化的变量，业务规则可能很复杂。这使得很难评估所有的替代方案，并快速决定使用易于重复的方法实现业务目标的最佳操作。财政领导人应该把两个截然不同但又相辅相成的领域结合起来数据科学和机器学习技术推动高影响力的决策。

阅读更多:降低糟糕运营决策的惊人成本

预测性与规定性

结合预测和规定功能是解决业务问题的关键第一步。

预测分析解决的问题是“可能发生什么?”它依赖于预测建模、回归分析、预测、多元统计和模式匹配等技术。

说明性分析解决了“应该做什么?”以及“我们怎么做才能让X发生?”这种技术包括图分析、模拟、复杂事件处理、推荐引擎、启发式，以及越来越多的神经网络和机器学习。

将预测(预测性)与行动(规定性)结合起来，使组织能够探索不同变量的变化可能如何影响结果或改变相对的权衡。伊多因说:“这种结合的方法达到了增加业务价值的核心任务——主动做出决策，推动行动并影响组织的未来进程。”

“问题的性质指导首席财务官们在预测分析部分中选择是使用预测、预测还是模拟。”

对于一些行业——比如制造业、运输业和金融服务业——预测和规定性建模长期以来一直是其流程的一部分。然而，即使已知这些功能的强大功能，它们也经常被隔离并局限于特定的、专用的部门，而不是与其他部门一起使用并在整个组织中发挥作用。

在数字商业时代，灵活性、敏捷性、协作性和响应性是关键。实际上，预测结果、快速评估无数备选方案并采取行动的能力已不再是少数人的专利。

了解更多:新的财政任务

选择最佳组合

一种方法是使用预定义的框架或规则在备选方案之间进行选择。另一种方法是对一组相互依赖的选项或优化使用结果驱动的、基于约束的评估。所产生的操作可以推荐给人类决策者，用于决策支持或作为决策管理系统的一部分完全自动化

问题的本质m指导首席财务官选择是否使用预测、预测或模拟预测分析组件。解决方案的复杂性指导他们选择是使用规则还是对规范分析组件进行优化。

培养内部技能

要进入预测性和指令性分析，首席财务官们需要培养团队成员的技能，以提高决策能力。高德纳(Gartner)指出，财务主管可以通过三种方式培养和拓展团队内部的预测和规范分析技能。

1. 改变招聘的优先顺序。从事数据科学的组织通常从雇佣数据科学家开始，这是21世纪最受欢迎的工作之一。虽然不是无效的，但这可能很困难，而且代价高昂。许多组织已经有在数据科学家类型的角色，即使他们没有这个头衔，他们通常是孤立在个别部门或工作组的专家。为了更一致地扩大预测和指令性分析的使用，财务领导者应该找到方法利用这些现有资源在他们开始外包之前。
2. 利用商业公民社区。大量可访问的、用户友好的数据科学产品使没有数据科学学位的员工能够获得高级的分析能力。现在，越来越多的产品提供详细的分析指南或增强分析，业务分析师可以轻松理解。这些“高级用户”或“公民数据科学家”通常处于足够好的位置，可以承担公民数据科学家的角色。虽然这个角色不能取代经过认证的数据科学家，但它可以补充和扩展组织的分析领域。
3. 与有经验的供应商合作。在某些情况下，组织可以与外部咨询集团或软件提供商合作，以带头进行分析活动。对于刚接触分析，特别是数据科学，或者没有内部技能的组织，这是一种模型方法。在这种情况下，企业首先应该寻找不仅具有预测和规定能力，而且还具有特定行业知识的提供者。领导人还应确保伙伴关系模式提供了技能和经验的转移，并警惕这种方法可能造成的知识产权损失。