由于工作的原因，我時常需要跟公司的財務人員打交道，在聊天中我發現財務人員常常會有以下這些職場煩惱：

一直在做報表，財務技能沒有提升

工作量大，重復工作多，沒有時間做深入分析

財會晉升通道窄，工資老是上不去

…

前段時間我在校友會上，遇到了財務專業出身的校友小張。不同于剛畢業時總是靦腆害羞的她，現在小張開朗外向了不少，舉手投足中都帶著成熟和自信。聊天我中得知，如今她工作已經快3年了，已經晉升到了某電商企業的中層，薪水也翻了3倍。我不禁感到好奇，借機問問她升職加薪的秘訣。

其實在剛工作那會兒，小張也遇到了財務工作上的困境，

感覺一直在不停地做報表，每天疲于應對大量的重復性工作，財務技能卻沒有提升，一度陷入迷茫和恐思。

一開始，不滿足于現狀的小張在網上跟風報了很多職場技能培訓班，一通學習下來發現并沒有用武之地，作用都不大。然而一次偶然的機會，她需要用到數據分析的技能，于是到網上找了數據分析的工具和教程，邊學邊用，結果那次項目得到了領導的肯定。

小張自此嘗到了甜頭，于是下定決心學好數據分析，用數據思維結合財務領域知識，不斷精進自己的技能。就這樣，小張一步步在很多項目上都發揮了很大作用，得到了重用。

她跟我說，真慶幸自己當初接觸到了數據分析，現在給自己定了個小目標，就是要做財務人員里最會做數據分析的那個。

的確，從小張的職場晉升經歷我們不難看出，各行各業是越來越離不開數據分析技能了。

隨著數字化經濟在國內不斷深化，互聯網、金融、零售、醫療、旅游等行業，都迫切需要專門從事數據采集、清洗、處理、分析并能制作業務報告、提供決策的復合型數據分析人才，數據分析已成職場標配技能。

如今我們每天都要產生大量的數據，數據就在我們身邊，與此同時財務也進入大數據時代，作為財務人員，要有敏銳的感官，發現時代的機遇與挑戰，才能最大程度發揮出財務管理在企業管理中的重要作用。

01、數字經濟時代下，財務管理面對的問題

財務工作是當今較為重要的工作，各行各業都離不開財務的相關處理，分析和結算。傳統的財務模式依靠財務人員的對賬、統計、結算等完成財務報表等，對于少量的財務數據可以采用這種模式，但是這種模式的弊端是效率低且容易出錯，不能有效的反映出數字背后的關聯信息，進而提出有效的財務決策和企業管理計劃。

如今，財務人員在工作中難免會遇到以下這些困境：

1、低效率

大量的財務數據導致了工作量的指數增加，財務人員面對面對大量手動數據時，信息的核對和信息的錄入等環節需花費較多的時間。而隨著數據量的進一步增加和人員工資量的增加，這也要求財務人員必須尋找有效的方式減少整體的工作量。

從記賬到報銷的整個過程有多個環節，而手工輸入數據使對帳的標準化程度較低，并且缺乏準確性的保證，從而容易導致錯誤率高的問題。

2、碎片化

由于財務制單人員和遞交人員的時間沖突，導致財務的信息在一段時間內呈現碎片化，而大量的財務數據也是以碎片化的存在，造成工作人員對于信息中所蘊含的內容不甚了解，無整體化概念。系統之間的信息交換困難,當財務統計工作需要面對多個部門時，不同部門的數據標準或系統接口通常不一致，并且跨系統數據的積累和使用很難兼容。

3、關聯性差

由于信息的碎片化，導致數據之間的聯系減弱，無法從大量的數據中尋找到精確的特征信息，也就難以對大量數據進行深挖和探索，導致更多的時間花在了數據整理和做報表上，而實實在在能做出成績的經營分析，花費的時間卻很少。這樣的結果就是，不能很好地為企業管理方面提供有力支持和協助決策的制定。

02、數據思維在當下財務工作中的應用

面對以上這些問題，財務人員應該該如何破局？有效發揮財務數據的作用呢？

財務數據越來越程序海量化和多樣化，如何把重復性的工作實現自動化才是至關重要的。而目前面對大量財務數據，Excel 就變得不再夠用了。下面的場景財務人是否有種莫名的熟悉感：

死磕一整天，把所積累的Excel絕招全用上終于搞定了這張“大表套小表、小表還有表外表”的報表。滿心歡喜的點擊“保存”按鈕。鼠標在屏幕上轉啊轉~

咚……界面彈出一個提示框“可用資源不足，Excel無法完成此任務……”

為什么Excel老是出問題？公式一多行數一多就那么卡？為什么做個合并都那么麻煩？為什么涉及到海量業務數據，我用Excel連打開都這么費勁？

這說明工作中僅靠Excel已經遠遠不夠了，財務人想知道，如何從海量的數據和復雜的計算邏輯中解脫出來，是否有更行之有效的解決方案？

這里就需要數據思維能力了，讓數據賦能實現自動化辦公，幫助讓財務人員從重復繁瑣的工作中解放出來。

03、數據賦能實戰案例：一秒鐘對賬

數字化技能的核心就是數據能力，而且數據能力貫穿著公司業務全流程的每個環節，這也是為什么人們說，數字經濟時代的新生產資料是數據！

我們可以看看這張數據能力圖，分成四個層面：需求層、數據層、分析層、輸出層。

第一層是需求層，是目標確定的過程，對整個業務進行拆解，為數據工作指明方向；

第二層是數據層，包含數據獲取、數據清洗、數據整；

第三層是分析層，包含描述性統計制圖、業務根因分析，這里就涉及到專業的算法；

第四層是輸出層，面向管理層、決策層、執行層，給出不同的數據報告、業務儀表盤、落地模型等。

下面我們已財務對賬這個案例場景舉例，看看數據分析能力是如何高效解決這個問題的。

對賬可以說是財務最常做的一項工作。就算你們公司的系統已經非常完整了，你還是會遇到兩個表要核對差異在哪里的情況。你會怎么做？

當數據量不大的時候，我們最簡單的做法就是把兩張表放到一起，一左一右進行對比。

但如果數據量大了，幾百上千行，甚至幾萬行，這個方法就不太現實了。

比如我們現在有的兩張數據表，一份公司銀行存款明細賬和一份銀行流水，我們需要將公司銀行存款明細中的借方與銀行流水的收款金額進行核對。

別說幾百上千行了，光看這個100多行，看著就覺得累，而且特別容易出錯。

解析問題

如果用 Python 來做，效率就會大大提升。我們先看看Python實現的邏輯，還是之前的例子：我們要看數據有沒有重復，就是統計每個數據在兩個表分別出現的次數，然后兩個表中的個數相減。

· 268，在兩張表中分別出現了1次，重復次數就是0，說明268這個數字不重復；

· 20.1，只在公司銀行存款明細賬中出現了一次，重復次數就是1次，說明20.1在公司賬多記錄了一次，也可能是記錯了；

· 100，在公司銀行存款明細中出現了2次，銀行流水出現了1次，重復次數就是1次，說明100在公司賬多記錄了一次，也可能是記錯了；

· 21，只在銀行流水出現了1次，重復次數就是-1次，說明21在公司賬里面漏記了；

· 8，跟21是一樣的情況，也是在公司賬里面漏記錄了，因為銀行流水就是銀行直接導出的，有錢出入才會有記錄，所以以銀行流水為準。

知道了邏輯，我們就可以來操作了。先看看效果，30多行代碼即可快速解決。

效果演示

import pandas as pd

# 讀取公司明細賬df_gs = pd.read_excel('./對賬數據/公司銀行存款明細賬.xlsx',header=1)

# 讀取銀行流水df_yh = pd.read_excel('./對賬數據/銀行流水.xlsx',header=1)

df_gs_jie = df_gs[['憑證號','借方']]df_gs_jie = df_gs_jie.rename(columns={'借方':'金額'})

df_yh_shou = df_yh[['收款金額','對方戶名']]df_yh_shou = df_yh_shou.rename(columns={'收款金額':'金額'})

# 將兩張表的借方-收款拼接mergedStuff_jie_shou= df_gs_jie.append(df_yh_shou)mergedStuff_jie_shou = mergedStuff_jie_shou[mergedStuff_jie_shou['金額'] != 0]

df_count =
mergedStuff_jie_shou.groupby(by='金額').count()

# 判斷金額出現的次數df_count['重復次數'] = df_count['憑證號'] - df_count['對方戶名']

# 重復次數不為0，就是沒有對上df_result = df_count[df_count['重復次數'] != 0].copy()

# 判斷錯誤問題df_result['錯誤原因'] = df_result.apply(lambda x: '漏記' if x['重復次數']< 0 else ('重復記錄/多記' if x['重復次數'] > 1 else '多記/錯記'), axis=1)print('借方-收款出現的錯誤')df_result[['錯誤原因']]

# 列出兩張表中具體的行# 公司銀行存款明細賬中的多記/錯記df_gs[df_gs['借方'] == 1.00]

# 銀行流水中的漏記df_yh[(df_yh['收款金額'] == 637146.52) | (df_yh['收款金額'] == 27023289.88) ]

實操代碼

讀取兩張 Excel 表的數據

import pandas as pd

# 讀取公司明細賬df_gs = pd.read_excel('./對賬數據/公司銀行存款明細賬.xlsx',header=1)df_gs.head()

# 讀取銀行流水df_yh = pd.read_excel('./對賬數據/銀行流水.xlsx',header=1)df_yh.head()

數據清洗：修改列名

df_gs_jie = df_gs[['憑證號','借方']]df_gs_jie = df_gs_jie.rename(columns={'借方':'金額'})df_gs_jie.head()

df_yh_shou = df_yh[['收款金額','對方戶名']]df_yh_shou = df_yh_shou.rename(columns={'收款金額':'金額'})df_yh_shou.head()

拼接兩張表

# 將兩張表的借方-收款拼接mergedStuff_jie_shou= df_gs_jie.append(df_yh_shou)mergedStuff_jie_shou = mergedStuff_jie_shou[mergedStuff_jie_shou['金額'] != 0] # 剔除金額為 0 的行mergedStuff_jie_shou

根據金額進行統計

df_count =
mergedStuff_jie_shou.groupby(by='金額').count()df_count

# 判斷金額出現的次數df_count['重復次數'] = df_count['憑證號'] - df_count['對方戶名']df_count

# 重復次數不為0，就是沒有對上df_result = df_count[df_count['重復次數'] != 0].copy()df_result

# 判斷錯誤問題df_result['錯誤原因'] = df_result.apply(lambda x: '漏記' if x['重復次數']< 0 else ('重復記錄/多記' if x['重復次數'] > 1 else '多記/錯記'), axis=1)print('借方-收款出現的錯誤')df_result[['錯誤原因']]

# 多記/錯記df_gs[df_gs['借方'] == 1.00]

# 漏記df_yh[(df_yh['收款金額'] == 637146.52) | (df_yh['收款金額'] == 27023289.88) ]

將來你只要修改好需要讀取的表，確定需要比對的列，然后一鍵運行，結果一瞬間就出來了。而且你之后每個月，每周，甚至每天要比對的時候，你只需要確定好你要比對的表，比對的數據列，就可以快速得到結果，代碼復用效率極高。

你還可以進一步查看各自表中具體行的數據，方便你具體判斷。

結語

不同的行業對數據分析師的技能和要求都不一樣，但是數據分析的思維是可以通過崗位不斷磨練出來的。