学習成果説明書 Part 1 Section F テクノロジーと分析

学習成果説明書 Part 1 Section F テクノロジーと分析受験情報

Learning Outcome Statements 学習成果説明書

米国公認管理会計士(USCMA)の試験を受験にするにあたり、シラバスが用意されています。試験範囲のそれぞれのセクションごとに、マスターすべき内容とその達成水準が具体的に示されています。

Learning Outcome Statements として、IMAのホームページからダウンロードすることができます。

https://www.imanet.org/cma-certification/taking-the-exam?ssopc=1

上記ページの右下に「Click Here for the Learning Outcome Statements」のリンクがあり、ここからダウンロード(PDF)することができます。

初めて受験にチャレンジする方、最初はちょっと英語はどうもとっつきにくくて、とお感じの方向けに、非公式ながら、日本語訳をつけてみました。

下記英文は、全て「Effective January 1, 2020」版からセクションごとにそのまま抜粋しています。

Section F. Technology and Analytics テクノロジーと分析

As indicated in the Content Specification Outlines, candidates are assumed to have an understanding of basic statistics, including measures of central tendency and dispersion.

Section F.1. Information systems 情報システム

The candidate should be able to:

  1. identify the role of the accounting information system (AIS) in the value chain
  2. demonstrate an understanding of the accounting information system cycles, including revenue to cash, expenditures, production, human resources and payroll, financing, and property, plant, and equipment, as well as the general ledger (GL) and reporting system
  3. identify and explain the challenges of having separate financial and nonfinancial systems
  4. define enterprise resource planning (ERP) and identify and explain the advantages and disadvantages of ERP
  5. explain how ERP helps overcome the challenges of separate financial and nonfinancial systems, integrating all aspects of an organization’s activites
  6. define relational database and demonstrate an understanding of a database management system
  7. define data warehouse and a data mart
  8. define enterprise performance management (EPM) [also known as corporate performance management (CPM) or business performance management (BPM)]
  9. discuss how EPM can facilitate business planning and performance management

受験者は次のことができるようになっていること

  1. バリューチェーンにおける会計情報システム(AIS)の役割を明らかにする
  2. 会計情報システム内のサイクル、売上がキャッシュに変わるまで、費用、生産、人事と給与支払い、財務、機械設備、総勘定元帳(GL)と報告システムに関する理解を示す
  3. 会計システムと非会計システムの分離に対する問題を明らかにして説明する
  4. 企業資源計画(ERP)を定義し、ERPの長所と短所を明らかにして説明する
  5. 企業資源計画(ERP)が会計システムと非会計システムの分離に対する問題に打ち勝つためにどのように機能し、組織活動のあらゆる面をどのように統合するのかを説明する
  6. リレーショナルデータベースを定義し、データベースマネジメントシステムに対する理解を示す
  7. データウェアハウスとデータマートを定義する
  8. 企業業績管理(EPM)[CPMやBPMとしても知られている]を定義する
  9. EPMが事業計画と業績評価をどのようにして統制できるようにするのかを論じる

Section F.2. Data governance データガバナンス

The candidate should be able to:

  1. define data governance; i.e., managing the availability, usability, integrity, and security of data
  2. demonstrate a general understanding of data governance frameworks, COSO’s Internal Control framework and ISACA’s COBIT (Control Objectives for Information and Related Techniques)
  3. identify the stages of the data life cycle; i.e., data capture, data maintenance, data synthesis, data usage, data analytics, data publication, data archival, and data purging
  4. discuss the importance of having a documented record retention (or records management) policy
  5. identify and explain controls and tools to detect and thwart cyberattacks, such as penetration and vulnerability testing, biometrics, advanced firewalls, and access controls

受験者は次のことができるようになっていること

  1. データガバナンスを定義する。例:データの可用性・使用性・完全性・安全性の管理
  2. COSOの内部統制フレームワークとISACAのCOBIT(情報技術管理についてのベストプラクティス集)におけるデータガバナンスに対する一般的な理解を示す
  3. データライフサイクルの各ステージを明らかにする。例:データ取得、データ維持、データ合成、データ活用、データ分析、データ発行、データ保存、データ破棄
  4. 文書化された記録の維持または記録管理のための方針を持つことの重要性を論じる
  5. ペネトレーションテストや脆弱性テスト、生体認証情報、高度なファイアウォール、アクセスコントロールといったサイバー攻撃を検知して阻止するための管理手法とツールを明らかにして説明する

Section F.3. Technology-enabled finance transformation テクノロジーが可能にする財務変革

The candidate should be able to:

  1. define the systems development life cycle (SLDC), including systems analysis, conceptual design, physical design, implementation and conversion, and operations and maintenance
  2. explain the role of business process analysis in improving system performance
  3. define robotic process automation (RPA) and its benefits
  4. evaluate where technologies can improve efficiency and effectiveness of processing accounting data and information [e.g., artificial intelligence (AI)]
  5. define cloud computing and describe how it can improve efficiency
  6. define software as a service (SaaS) and explain its advantages and disadvantages
  7. recognize potential applications of blockchain, distributed ledger, and smart contracts

受験者は次のことができるようになっていること

  1. システム分析、基本構想、物理設計、構築、改修、運用と維持といったSLDCに沿ったシステム開発のライフサイクルを定義する
  2. システムパフォーマンスを改善するための業務プロセス分析の役割を説明する
  3. ロボティクスオートメーション(RPA)とその利点を定義する
  4. 人工知能(AI)等、どういった領域のテクノロジーが会計処理と会計情報の効率性と効果性を改善できるのかを評価する
  5. クラウドコンピューティングを定義し、どのようにクラウドコンピューティングが効率性を改善するかを説明する
  6. SaaS を定義し、その長所と欠点を説明する
  7. ブロックチェーン、分散型台帳、スマートコントラクトの適用可能性を認識する

Section F.4. Data analytics データアナリティクス

The candidate should be able to:

Business intelligence
  1. define Big Data, explain the four Vs: volume, velocity, variety, and veracity, and describe the opportunities and challenges of leveraging insight from this data
  2. explain how structured, semi-structured, and unstructured data is used by a business enterprise
  3. describe the progress of data, from data to information to knowledge to insight to action
  4. describe the opportunities and challenges of managing data analytics
  5. explain why data and data science capability are strategic assets
  6. define business intelligence (BI); i.e., the collection of applications, tools, and best practices that transform data into actionable information in order to make better decisions and optimize performance
ビジネスインテリジェンス
  1. ビッグデータを定義し、4つの”V”、ボリューム、速度、多様性、真実性を説明し、このデータに支えられて得られるインサイト(洞察)がもつ機会と課題を説明する
  2. 構造化データ、半構造化データ、非構造化データをどのように企業が活用するのかを説明する
  3. データが情報になるプロセス、行動に結びつけるインサイト(洞察)に対する知識について説明する
  4. データ解析を管理することの機会と課題を説明する
  5. なぜデータとデータサイエンスの可能性が戦略的資産となるのかを説明する
  6. BIを定義する。例:より良き意思決定と業績の最適化のために、データを実践的な情報に変えるアプリケーション、ツール、ベストプラクティスを収集する
Data mining
  1. define data mining
  2. describe the challenges of data mining
  3. explain why data mining is an iterative process and both an art and a science
  4. explain how query tools [e.g., Structured Query Language (SQL)] are used to retrieve information
  5. describe how an analyst would mine large data sets to reveal patterns and provide insights
データマイニング
  1. データマイニングを定義する
  2. データマイニングの課題を説明する
  3. なぜデータマイニングが反復的プロセスであり、アートの面とサイエンスの面を持つのかを説明する
  4. データクエリー(検索)のツールを説明する。例:SQLを使って情報を取得する
  5. どうやってアナリストが莫大なデータセットの中から特定パターンを抽出してインサイトを提供するのかを説明する
Analytics tools
  1. explain the challenge of fitting an analytic model to the data
  2. define the different types of data analytics, including descriptive, diagnostic, predictive, and prescriptive
  3. define the following analytic models: clustering, classification, and regression; determine when each would be the appropriate tool to use
  4. identify the elements of both simple and multiple regression equations
  5. calculate the result of regression equations as applied to a specific situation
  6. demonstrate an understanding of the coefficient of determination (R squared) and the correlation coefficient (R)
  7. demonstrate an understanding of time series analyses, including trend, cyclical, seasonal, and irregular patterns
  8. identify and explain the benefits and limitations of regression analysis and time series analysis
  9. define standard error of the estimate, goodness of fit, and confidence interval
  10. explain how to use predictive analytic techniques to draw insights and make recommendations
  11. describe exploratory data analysis and how it is used to reveal patterns and discover insights
  12. define sensitivity analysis and identify when it would be the appropriate tool to use
  13. demonstrate an understanding of the uses of simulation models, including the Monte Carlo technique
  14. identify the benefits and limitations of sensitivity analysis and simulation models
  15. demonstrate an understanding of what-if (or goal-seeking) analysis
  16. identify and explain the limitations of data analysis
分析ツール
  1. データに分析モデルを適用させる際の課題を説明する
  2. データ分析の様々な種類を定義する:説明的(descriptive)、診断的(diagnostic)予測的(predictive)、規範的(prescriptive)
  3. 以下の分析モデルを定義する。クラスタリング、分類、回帰分析。それぞれの適切な使用ケースを決定する
  4. 単回帰式と重回帰式の構成要素を明らかにする
  5. 回帰分析の結果を計算し、特定のケースに適用する
  6. 決定係数(√R)と相関係数(R)を理解しているかを示す
  7. トレンド、循環的、季節的、イレギュラーパターン等、時系列分析を理解しているかを示す
  8. 回帰分析と時系列分析の利点と限界について明らかにして説明する
  9. 標準誤差、適合度、信頼区間を定義する
  10. 予測的分析テクニックを用いて、インサイトを導き出し、おすすめを提案する方法を説明する
  11. 探索的データ分析とパターンを見つけ出してインサイトを発見する方法を説明する
  12. 感度分析を定義し、感度分析が適切に使用できるケースを明らかにする
  13. モンテカルロシミュレーションなど、シミュレーションモデルの活用法を理解しているかを示す
  14. 感度分析とシミュレーションモデルの利点と限界を明らかにする
  15. “what-if”分析(ゴールシーク分析)を理解しているかを示す
  16. データ分析の限界について明らかにして説明する
Visualization
  1. utilize table and graph design best practices to avoid distortion in the communication of complex information
  2. evaluate data visualization options and select the best presentation approach (e.g., histograms, box-plots, scatter plots, dot plots, tables, dashboards, bar chats, pie charts, line charts, bubble charts)
  3. understand the benefits and limitations of visualization techniques
  4. determine the most effective channel to communicate results
  5. communicate results, conclusions, and recommendations in an impactful manner using effective visualization techniques
見える化(可視化)
  1. 複雑な情報を伝える際に誤解が生じるのを避けるために表とグラフのデザインに関するベストプラクティスを活用する
  2. データの可視化手法の適用手段を評価し、最良のプレゼンテーション方法を選択する。例:ヒストグラム、箱ひげ図、散布図、ドットプロット、表、ダッシュボード、棒グラフ、円グラフ、折れ線グラフ、バブルチャート
  3. 可視化テクニックの利点と限界を理解する
  4. 分析結果の最も効果的な共有方法を説明する
  5. 効果的な可視化テクニックを用いて、分析結果、分析から求められた結論、おすすめ案をインパクトのある方法で伝える

コメント