数据科学在不同的业务功能领域是一股不断增长和发展的力量, 内部审计职能也不例外. 而内部审计部门则努力建立一个内部数据科学团队，或者已经有了一个, 他们应该格外小心，不要将其视为构建任何其他功能或技术团队的方式. 相反，有一些具体的考虑因素需要考虑，包括:
组织背景和考虑
数据科学团队不是技术团队, 但更像是内部审计师的内部咨询公司. 进入内部审计领域的数据科学家最初可能会遇到构建更“花哨”的报告或仪表板的要求, 但那些拥有正确“顾问”心态的人应该意识到，他们的分析解决方案 必须 使他们的“客户”(同行内部审计师)的工作更有成效和/或更有价值, 除了看起来更“花哨”.”
数据科学家执行的最初项目只是引发讨论的机会，讨论长期数字化转型和内部审计师需要的变化，以在整个组织范围内产生更大的影响. 以这些讨论为基础, 数据科学家应该评估所需数据资源的准备情况和可访问性，以及适用分析方法的有效性, 然后沟通内部审计部门可能的变更路径. 为了实现这些目标, 数据科学家实际上是变革的推动者, 但他们应该精明地 在规模和范围上推动变革，使内部审计部门作为一个整体能够理解和承担，而不会经历创伤性的破坏. 考虑到数据科学家大多没有审计经验，而且预算/资源必须在现有项目和转型项目之间得到证明，这一点尤其正确.
团队结构选项随着数据科学家的加入, 必须做出一个关键决定，即如何组织数据科学家与现任内部审计师合作. 通常有三个可用的选项，如下所示:
- 分散的. 个人数据科学家被分配到不同的审计团队，针对特定的业务功能，并向他们专门的团队领导报告.
- 集中. 由数据科学家组成的孤立的数据科学团队为不同的审计团队提供分析服务.
- 混合动力. 个人数据科学家被分配到每个审计团队，而孤立的数据科学团队作为共享分析解决方案的卓越中心，以避免重复工作.
以上任何一种团队结构都是可行的，每种结构都有其优点和缺点, 其中一些是针对内部审计职能的:
集成和协作. 内部审计人员必须获取和保持最新的各种专业知识，以审计感兴趣的业务流程. 坐在一个特定的审计团队中，数据科学家更容易保持相同水平的业务和专业背景，并与个别审计人员建立更大的联系. 这将帮助数据科学家更好地根据审计需求定制他们的分析解决方案，并推动将数据洞察更无缝地应用于审计结果. 正相反, 一个集中的数据科学团队为数据科学家之间的团队合作和协作提供了更多的机会.
数据来源. 数据的来源和获取与内部审计功能有一定的差别:用于审计目的的大多数数据必须从各自的业务所有者处请求, 数据的范围和含义作为基础业务可能会发生变化, 技术和过程变化. 然后，数据科学家需要与澳门赌场官方下载所有者及其支持技术团队保持密切联系. 分散结构中的数据科学家能够更好地利用审核员和被审核员之间的现有联系来实现这些目标.
可伸缩性. 虽然数据科学团队不是技术团队, 数据科学的过程仍然包括技术任务，如数据平台迁移, 采用新技术, 采用实验平台, 由集中的数据科学团队交付并由不同的数据科学家一起执行哪一种更有效.
不断发展的方法
No approach to data science is perfect; it has to evolve along the way. 对于配备有限全职数据科学家的小型内部审计部门, 他们可以从分散的方法开始，将数据科学家和专门的审计员配对，以快速理解审计关注的问题, 模拟问题, 并在快速周转中提供解决方案和见解. 当团队承担更大更复杂的问题时, 它可能保证了以混合方法甚至上面提到的集中式方法开始向结构化数据科学家发展.
无论哪种方法, 成功的关键是找到合适的数据科学家人才(这可能是一个挑战)!)开始数据科学之旅——那些有能力也愿意投身内部审计领域的“种子”玩家.
编者按: 了解ISACA的数据科学基础证书 在这里.
