Grundläggande färdigheter du behöver som datavetare

Att bli datavetare är ett av dagens mest omtalade karriärmål. Men datafärdigheter är inte längre bara datavetarnas sak: för de ekonomiteam som varje dag arbetar med utläggs-, kostnads- och budgetdata har datakunnighet blivit en grundläggande kompetens. I den här artikeln sammanfattar vi först kort datavetarens grundfärdigheter och fokuserar sedan på den centrala frågan: vilka datafärdigheter behöver en ekonomiproffs och hur använder hen dessa färdigheter på utläggsdata?

Vilka grundfärdigheter bör en datavetare ha?

En datavetare är den expert som drar meningsfulla slutsatser ur stora och komplexa datamängder och omvandlar dessa slutsatser till affärsbeslut. Områdets grundläggande kompetenser kan kort sammanfattas så här:

• Programmering: Python och R är de två vanligaste språken för dataanalys och modellering.
• Statistik och matematik: Sannolikhet, hypotesprövning, regression och tidsserieanalys är grunden för att läsa berättelsen bakom datan rätt.
• Maskininlärning: Förmågan att bygga och validera klassificerings-, klustrings- och prognosmodeller.
• Datavisualisering: Att omvandla analysresultat till diagram som beslutsfattare förstår.
• Domänkunskap och kommunikation: Att förstå affärsprocesserna i den bransch man arbetar i och kunna förklara resultaten på ett icke-tekniskt språk.

Dessa färdigheter utgör helheten av en datavetares arbete. Om du är i ett ekonomiteam behöver du inte specialisera dig på dem alla; det du behöver är den sida av kompetensen som vetter mot ekonomiarbetet, alltså datakunnighet.

Vad innebär datakunnighet för ekonomiteam?

Datakunnighet är förmågan att läsa, ifrågasätta, tolka och fatta beslut utifrån data. På ekonomisidan innebär det, snarare än att skriva kod, att med säkerhet kunna besvara följande frågor:

• Finns det någon ovanlig rörelse i utläggsposterna den här månaden?
• Hur mycket avviker varje avdelnings budget och varför?
• Åt vilket håll går våra kassautflöden nästa kvartal?
• I vilka poster koncentreras utgifterna som strider mot policyn?

Datavetarens modeller bygger motorn för dessa frågor; ekonomiproffsets datakunnighet säkerställer att rätt fråga ställs och att resultatet omvandlas till ett affärsbeslut. De ersätter inte varandra utan kompletterar varandra.

Datafärdigheter som en ekonomiproffs behöver

1. Att ifrågasätta datakvaliteten

Varje analys är bara så bra som datans tillförlitlighet. Manuellt inmatade utläggsposter är öppna för fel som saknade kvitton, felaktig kategori och dubbletter. Ekonomiproffset bör göra det till en reflex att inför varje rapport ställa frågorna «varifrån kommer denna data, saknas något, kan samma utlägg ha räknats två gånger?» För bördan och felmarginalen som manuell hantering av utläggsinmatning skapar kan du titta på artikeln den dolda tidskostnaden för utläggsinmatning för företaget.

2. Grundläggande statistisk läsning

Att tolka begrepp som medelvärde, median, spridning och avvikelse rätt räcker för det mesta av arbetet på utläggsdata. Till exempel kan en avdelnings genomsnittliga måltidskostnad se låg ut medan några extrema utlägg blåser upp summan; en ekonomiproffs som vet att titta på spridningen och inte på medelvärdet märker detta genast.

3. Trend- och avvikelseanalys

Att kunna läsa månatliga utläggsserier innebär att kunna skilja säsongseffekt, bestående ökning och engångsökning från varandra. Denna färdighet är också nyckeln till att fånga budgetavvikelser innan de inträffar. För att fördjupa budgetplanering och -uppföljning är artikeln budgethantering en bra början.

4. Att känna igen tecken på avvikelser och bedrägeri

Vissa mönster i utläggsdata är varningssignaler: utlägg uppdelade för att hamna precis under gränsen, utgifter som koncentreras till helger, upprepade kvitton med samma belopp. Att känna igen dessa mönster gör det möjligt att fånga utläggsbedrägeri i ett tidigt skede. Modeller för avvikelsedetektering inom datavetenskap gör detta i skala; ekonomiteamets uppgift är att bedöma de poster som modellen flaggat i ett affärssammanhang.

5. Visualisering och berättande med data

Effekten av en utläggsanalys som presenteras för ledningen beror på valet av rätt diagram: för fördelning per avdelning läses ofta ett sorterat stapeldiagram bättre än ett cirkeldiagram, och för periodisk jämförelse en trendlinje. Att koppla siffran till ett affärsresultat är också en del av denna färdighet: att säga «om denna avvikelse fortsätter överskrids budgeten vid kvartalets slut» sätter beslutsfattaren i rörelse mer än att säga «avvikelsen ökade i procent».

Analys med utläggsdata: konkreta exempel

Datakunnighet har en konkret motsvarighet i ekonomiverksamheten:

• Kategoribaserad utläggsanalys: Att dela upp utgifter i kategorier som resa, logi och representation och jämföra dem periodiskt gör besparingsområden synliga.
• Policyefterlevnadskontroll: Att jämföra utläggsposter med företagets regler och lista de poster som bryter mot reglerna minskar granskningsbördan. För hur reglerna utformas kan du titta på guiden utläggspolicy.
• Kassaflödesprognos: Att utifrån tidigare utgiftstrender uppskatta nästa periods kassautflöden är grunden för ekonomisk planering; för detaljer titta på artikeln kassaflöde.
• Leverantörs- och postkoncentration: Att se om utgifterna samlas hos ett fåtal leverantörer eller poster skapar möjligheter för förhandling och riskhantering.

Ingen av dessa analyser kräver avancerad modellering; det den kräver är ren data, rätt fråga och en vana att titta regelbundet.

Vanliga frågor

Måste alla i ekonomiteamet lära sig att koda?

Nej. Grundläggande färdighet i att göra förfrågningar och bearbeta tabeller räcker för de flesta ekonomiroller. Det avgörande är reflexen att ifrågasätta data och förmågan att tolka resultaten rätt; modelleringsarbetet kan stanna hos datateamet eller inuti den programvara som används.

Vad är skillnaden mellan en datavetare och en datakunnig ekonomiproffs?

Datavetaren bygger och validerar modellen; den datakunniga ekonomiproffsen ställer rätt fråga, tolkar utfallet i ett affärssammanhang och omvandlar det till ett beslut. Starka ekonomiteam talar båda sidornas språk.

Var ska man börja med datakunnighet?

Börja med din egen utläggsdata: granska ett kvartals utläggsposter uppdelat på kategori, avdelning och period; hitta de tre största avvikelserna och undersök orsaken. Denna övning med verklig data lär ut snabbare än vilken kurs som helst.

Ersätter programvara dessa färdigheter?

Programvara automatiserar insamling, klassificering och generering av varningar; tolkning och beslutsfattande stannar hos människan. Bästa resultatet kommer från en uppställning där automatiseringen tar över rutinarbetet och ekonomiteamet fokuserar på analysen. För att återvinna tiden som går förlorad i rutinmässiga utläggstransaktioner kan du titta på artikeln förhindra tidsförlust på arbetsplatsen.

Förvandla din utläggsdata till beslutskraft

Datavetarens kompetens är ett djupt specialistområde; det ekonomiteam behöver är den kärna av kompetensen som vetter mot affärssidan, alltså datakunnighet: att ifrågasätta datakvaliteten, läsa trend och avvikelse, känna igen avvikelser och omvandla resultat till beslut. Masraffs lösning för utläggshantering samlar in och klassificerar utläggsdata automatiskt och ger ekonomiteamet en ren och aktuell grund för analys. För att se vad du kan göra med din utläggsdata, kontakta oss.