数据挖掘技术在财务分析中的应用

2019-02-28吕凯

科学与财富 2019年1期

摘要：随着"互联网+"的发展，大数据、云计算等多种信息技术的不断创新，推动了会计信息化的发展。本文主要分析数据挖掘技术在财务分析中的应用的意义、主要内容及流程等方面进行阐述。

关键词：数据挖掘技术；财务分析

以会计信息化为代表的企业管理信息化为企业管理和决策积累了大量的信息，尤其会计核算已经进入网络时代，这就导致会计数据库规模不断扩大，保存在计算机文件和数据库中的财务数据量正以惊人的速度增长。所以就需要对海量数据进行选择，找出分析者需要的数据。目前，得到快速应用的数据挖掘技术就是为了解决数据搜集、处理等问题发展起来的一种处理方式。利用数据挖掘技术从不确定的、纷繁复杂的、随机的实际应用数据中，提取隐含在其中的、潜在有用的信息和知识，为决策者作出正确的决策提供了可靠的依据。

一、财务分析与数据挖掘技术概念

1.财务分析概念

财务分析是一个庞大复杂的系统，依靠大量的会计信息及其他相关辅助信息为各个利益相关者（投资者、债权人、经营者、政府部分等）提供企业过去和现在筹资活动、投资活动、经营活动等状况的分析及评价，为他们了解企业过去、评价企业现状、预测企业未来，做出正确决策提供准确的信息或依据。在财务分析过程中，财务分析信息是必要的基础，信息的准确与否将直接影响到财务分析结论的可靠性及准确性。

2.数据挖掘技术概念

数据挖掘（Data Mining）就是指从大量的数据中，运用一定的方法提取出隐含的人们事先不知道但有用的信息和知识。并通过分析这些数据的关联性，建立起有规律的模式的过程。数据挖掘不仅仅是简单搜集数据或建立模型的过程，而是随着科学技术发展而发展起来的一门多学科交叉领域，在数据挖掘过程中，不仅需要数据库、人工智能等知识，还涉及到统计分析、逻辑推理、模式识别、电子技术等多学科的综合知识。

二、数据挖掘技术在财务分析应用中的意义

1.数据挖掘技术可以有效地降低财务分析的成本

就短期而言，数据挖掘技术作为一种新兴的技术确实需要投入一定的人力和物力，但是就长远而言，数据挖掘技术可以动态实时地反应各种信息，并且根据已经建立好的模型对企业的数据进行分析处理。更重要的是数据挖掘技术对同样数据进行多次访问时，不必做重复操作，对于不同的决策者做相似访问时也不必做重复操作，这样对于企业就可以减少大量的成本。

2.数据挖掘技术可以深化财务分析的层次，提高财务信息的利用能力

数据挖掘技术可以利用序列分析、机器学习、遗传算法及其他统计方法，对公司的会计报表等财务数据库中大量的财务会计数据中隐藏的各种关系进行分析，揭示其内在的特征和联系，使它们转化为公司经营管理、财务管理和投资决策中所需要的更清晰、价值更高的信息。

3.数据挖掘技术可以及时更新财务数据库数据，帮企业准确分析市场变化

数据挖掘当中的技术模型和管理功能够对于市场的变化做出及时的反应，一旦市场当中的某些信息发生了变化，财务分析人员可以根据该信息的变化情况做出及时的调整，重新分析，得出最优方案，以免企业在经营活动中由于信息的不对称、不及时而做出错误的判断使企业受到损失。

4.数据挖掘技术可以扩大财务分析的范围，提升财务分析的质量

数据挖掘技术能够满足使用者需要实现多部门信息的综合分析，扩大财务分析的范围。另外和传统的财务分析相比，利用数据挖掘技术能够及时更新数据库的信息，了解市场的最新动态；可以整合分类客户的基本信息，在分群销售和客户挽留方面都有积极的贡献；利用关联分析能够了解竞争对手的动态、优劣势以及价值活动，这样有助于提升公司的竞争实力。

三、数据挖掘技术在财务分析应用中的主要内容

1.投资决策分析

要对一个投资项目的可行性进行分析，必须要借助大量的统计工具和模型，而数据挖掘技术可以及时动态的提供投资环境以及行业基木状况等大量的数据资料，通过这些数据资料建立起来的模型，可以挖掘出对企业投资决策有用的信息，保证投资决策的正确性和有效性，如利用时间序列分析模型进行股票价格的预测，就能为进行股票投资提供有用的决策信息。

2.筹资决策分析

企业利用数据挖掘技术，运用回归分析模型等预测企业所需要筹集资金的量，还可以利用关联模型等对各种渠道及方式进行分析，挖掘最适合企业筹集资金的渠道、方式及期限，力争以最小的风险及成本筹集到企业所需要的资金。

3.产品销售分析

企业要不断发展，必须实时分析不同产品在整个市场的趋势，加强管理，不能盲目扩大产品生产线，在采购原材料时，要注意分析库存的量，不能积压太多原材料，在销售过程中，也应尽量注意不要过多采取赊销方式；而对那些市场行情看好，具有长远市场潜力的产品，不仅要注意尽量多培养长期客户群，建立各个客户的信息数据库；同时要通过数据挖掘技术相关模型，如趋势分析等模型了解该产品前期原材料等的预期市场趋势，以加强材料库存的管理，减少产品成本的变化给企业带来的损失。

4.客户分析

企业为了加强对客户信息的管理，可以及时把各个客户的信息录入企业的数据库，再通过对这些客户数据进行挖掘，并进行关联分析客户对企业的价值贡献、忠诚度、流失等信息，掌握各个客户的行为规律，并根据这些规律进行分类，找出最有价值和具有潜力的客户群，对这些重要客户要紧密追踪，要多角度、全方位的尽量为他们提供所需要的服务。

四、数据挖掘技术在财务分析应用中的流程

1.确定对象

财务分析所涉及到的利益相关者很多，有投资者，债权人，政府部门等，不同利益相关者对数据的需求不同。数据挖掘人员在选择数据前必须确定对象，通过与各领域用户紧密合作，掌握用户所要求数据的知识背景，明确工作的目标，满足客户需求。

2.选择数据

明确了财务分析对象后，根据不同需求，从有关数据库信息中选择出适用的数据。财务指标数量的并不是选得越多越好，如果选择过多，可能就会产生冗余数据，对整个财务分析的预测结果产生负面影响，但也不能过少，否则，在数据挖掘过程中所找出的关联模型会出现偏差。

3.数据调整

数据调整是对前而所选择数据进行合并、清洗對一些无用或缺失值过多的变量可以考虑过滤掉、删除等，而对一些文件、图形等可以通过一定的方式转换成便于数据挖掘的数据集合。

4.数据挖掘

首先必须确定挖掘的任务或目的，在明确任务和目的后，根据任务的需求以及不同数据的特点，选择合适的挖掘算法，如在进行投资收益预测时，可以选择遗传算法、决策树、数理统计等方法来建立模型。

5.分析

对数据挖掘阶段建立的模型，需要采用一定的方法进行分析评价，可以选择与开始建立的挖掘数据库中的数据进行比较，也可以同实际中的或其他方法得到的数据进行比较，根据比较的结果，进行修正，甚至重新选择数据，建立新的挖掘模式。只有找到最适合的模式，才能为信息需求者提供合理的决策服务。

参考文献：