In der Buchhaltung ging es schon immer um analytisches Denken. Schon Luca Pacioli betonte die Bedeutung von Mathematik und Ordnung für die Analyse von Geschäftsvorgängen. Die Fähigkeiten, die Buchhalter benötigen, um Mathematik zu betreiben und Ordnung zu halten, haben sich von Bleistift und Papier über Schreibmaschinen und Taschenrechner bis hin zu Tabellenkalkulationen und Buchhaltungssoftware entwickelt. Eine neue Fähigkeit, die für fast jeden Aspekt der Wirtschaft immer wichtiger wird, ist die Big Data-Analyse: die Analyse großer Datenmengen, um verwertbare Erkenntnisse zu gewinnen. Dieser Kurs soll Buchhaltungsstudenten helfen, eine analytische Denkweise zu entwickeln und sie auf die Verwendung von datenanalytischen Programmiersprachen wie Python und R vorzubereiten. Wir haben den Kurs in drei Hauptabschnitte unterteilt. Im ersten Abschnitt schlagen wir eine Brücke zwischen Buchhaltung und Analytik. Wir zeigen auf, wie die Aufgaben in den fünf großen Teilbereichen des Rechnungswesens (d.h. Finanzwesen, Management, Rechnungsprüfung, Steuern und Systeme) in der Vergangenheit eine analytische Denkweise erforderten, und wir untersuchen dann, wie diese Aufgaben durch den Einsatz von Big Data Analytics effektiver und effizienter erledigt werden können. Anschließend stellen wir einen FACT-Rahmen vor, der als Leitfaden für Big Data-Analysen dient: Eine Frage stellen, Daten sammeln, Daten berechnen und andere über die Ergebnisse informieren. Im zweiten Teil des Kurses betonen wir die Bedeutung des Sammelns von Daten. Anhand von Jahresabschlussdaten erläutern wir die wünschenswerten Eigenschaften von Daten und Datensätzen, die zu effektiven Berechnungen und Visualisierungen führen. Im dritten und umfangreichsten Abschnitt des Kurses demonstrieren und erkunden wir, wie Excel und Tableau zur Analyse von Big Data verwendet werden können. Wir beschreiben die Prinzipien der visuellen Wahrnehmung und wenden diese Prinzipien dann an, um effektive Visualisierungen zu erstellen. Anschließend untersuchen wir grundlegende Datenanalysetools wie Regression, lineare Programmierung (mit Excel Solver) und Clustering im Zusammenhang mit Kassendaten und Kreditdaten. Abschließend demonstrieren wir die Leistungsfähigkeit datenanalytischer Programmiersprachen zum Zusammenstellen, Visualisieren und Analysieren von Daten. Wir stellen Visual Basic for Applications als Beispiel für eine Programmiersprache und den Visual Basic Editor als Beispiel für eine integrierte Entwicklungsumgebung (IDE) vor.