大数据背景下的财务诊断探析

邓和智+马睿清+庞大莲

[摘 要] 基于大数据的特点及相关技术，将大数据引入现代财务诊断流程中，与各个诊断功能模块相结合，构建基于大数据的财务诊断形式。利用大数据增强各个模块功能，提高对不同诊断环境的适应性和整体的诊断效率，让诊断方案更具科学性和前瞻性。

[关键词] 财务诊断；大数据；诊断方案

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2016. 23. 025

[中图分类号] F234 [文献标识码] A [文章编号] 1673 - 0194（2016）23- 0046- 04

0 引 言

财务诊断属于现代管理咨询的重要内容之一， 是企业诊断活动中极其关键的环节[1]。现代财务诊断通过对企业进行全面的调研，收集与企业经营活动相关的财务和非财务信息，运用计算机技术辅助施诊专家完成诊断，并提出诊断改进方案。

近年来大数据（Big data）的应用日益受到关注。大数据是指无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集[2]。事实证明无法用传统工具进行分析挖掘的庞大数据蕴藏着丰富的价值，为发现新的规律和趋势提供了新的视角和方法。大数据时代的到来，一方面，生产数据、销售数据、财务数据的迅速增加对财务诊断的数据处理和诊断能力提出了更高的要求；另一方面，大数据、互联网的发展，能够以较低的成本迅速获取更具针对性的诊断信息，提升诊断的效率，降低了因为信息不对称导致决策失误的可能性。随着大数据的发展，不少企业看到了大数据在企业经营管理中的应用价值，开始重视数据相关的开发和应用。

在财务诊断过程中引入大数据技术，以形成财务诊断的新模式，也是值得研究和探索的问题。本文将结合财务诊断的基本流程，以现代财务诊断体系中的三个主要模块为基础探讨如何运用大数据及其相关技术构建财务诊断数据库，利用数据挖掘方法完成分析诊断并找出问题的原因，通过关联分析寻找相应的改进措施，最后结合大数据的预测结果生成具有前瞻性的诊断方案。

1 基于大数据的财务诊断模块化结构

财务诊断的机理类似于治病，是一个根据病症现象检出相应的病因，再根据病因对症下药的过程。一般而言，可以将完整的财务诊断过程划分为诊断资料收集、分析诊断查找问题、诊断方案生成这三个主要的环节，如图1所示。

如果将大数据引入财务诊断，根据诊断过程中不同环节的主要工作内容和目的，可将整个诊断过程划分为数据收集模块、分析诊断模块、诊断方案生成模块，以明确各个模块的主要的工作任务，也理顺了财务诊断流程中各模块的关系[3]。基于大数据的财务诊断模块化总体框架如图2所示。

其中数据收集模块主要利用互联网和企业内部的管理信息系统收集与财务诊断相关的财务数据与非财务数据，是后续诊断工作的基础；作为诊断过程核心的分析诊断模块，主要任务是运用相关的数据挖掘方法通过定量分析来确定出现财务问题的关键因素，并寻找确实可行的纠正改进措施；诊断方案生成模块需要将定性方法和定量方法相结合，通过大数据预测的趋势，结合分析诊断模块得出的结果，确定对受诊企业效用最佳的改进措施，完成最后的诊断方案。

2 基于大数据构建财务诊断基础数据库

财务诊断的起点是资料准备，相关的财务信息和非财务信息是财务诊断的依据，所收集的信息质量会对诊断结果有方向性的影响。因此，数据收集模块是财务诊断过程中一个关键的基础性工作。大数据为诊断数据库提供了更多的获取数据的渠道来源和方法，提升了诊断数据的规模。运用大数据技术构建一个包括财务数据、非财务数据的诊断数据库主要经历以下三个环节。

2.1 财务数据的收集

财务诊断的切入点应该是相关的财务数据，构建诊断数据库的第一环节应该从企业内外部的财务数据入手。对财务数据而言，不仅包括企业内部历史上的生产、销售、资金循环等数据，还可能来源于不同地域、不同机构的外部数据[4]。对于企业的内部数据，则可以借助结合企业业务流程的ERP、SAP等管理信息系统实现相关的信息实时收集和整理工作，收集到的资料更贴近企业的实际业务。外部数据包括来自政府的经济统计数据，同一行业的其他企业的财务报表，以及银行的信用、融资等数据等。比如，可以利用XBRL技术将同行业其他上市企业的财务报表转化为统一格式的XBRL文档，以便在后续的诊断中实现快速的查询、统计和分析。大数据的出现能够以较低成本及时获取宽区域、跨系统的相关数据，并提高了相关财务数据的实时性，保证了数据库中财务数据的规模。

2.2 非财务数据及历史资料的收集

构建数据库的第二环节主要涉及宏观经济环境、行业背景、企业经营等半结构甚至非结构化的非财务数据收集处理方面。相关的研究表明，目前采集到的数据75%以上是以文本、图片、视频等形式的非结构化和半结构化数据[5]。数据的获取难度限制了半结构化和非结构化的非财务信息在财务诊断方面运用，相关变量难以量化后形成统一的标准，反映不出企业对某一非财务指标敏感程度。而与企业经营活动相关的宏观、中观（行业）、微观（企业内部）等非财务数据多是以半结构化或是非结构化的形式存在，信息量大，维度广，范围宽。数据化是一个将现象转变为可以制表分析的量化形式的过程，成为大数据时代发展的一个趋势[6]。经过数据化的半结构和非结构化的资料不仅能够存储、查询、阅读，还可以对量化后的信息进行机器处理和机器分析。在诊断过程中，由诊断专家采用德尔菲法或打分法定义对于诊断相关的关键词，运用聚焦网络爬虫在庞大的互联网数据资源中对定义的关键词信息进行收集，将收集到与企业经营环境相关的半结构化和非结构化信息进行量化，用于后续诊断的挖掘分析。

同时，还可以将以往的财务诊断项目的历史资料，诊断方案实施效果的相关数据存入诊断数据库中，为后续项目的开展提供一些经验和参考。

2.3 财务诊断基础数据库的建立

大数据复杂程度高、数据量大等特点要求建立的财务诊断数据库具备设计简单而高效的索引结构。借鉴典型数据仓库的模式来构建财务诊断数据库[7]。财务诊断数据库基本构架如图3所示。

运用相关的大数据处理工具将对来自企业内部和互联网分布的、异构数据源中的数据抓取到临时中间层，进行初步识别、转换、集成等初步处理，通过数据清洗剔除掉缺失、异常的数据。将符合数据质量要求的数据存储到数据仓库中，并按照财务数据、非财务数据、历史诊断数据进行分类而形成对应的数据集市，借助OLAP（联机分析处理）实现数据查询、表报呈现、OLAP分析等功能，实现财务诊断数据库的建立。

3 基于大数据的分析诊断

大数据对财务诊断能否起到所期待的作用，关键在于是否能够在庞大繁杂的数据中挖掘和分析出对财务诊断项目有价值的内容。如图2 所示，基于大数据的分析诊断模块包含以下三个环节，在这三个环节中可适当应用数据挖掘技术，以减少繁杂的人工操作，提高财务诊断效率，同时优化了财务诊断的流程，使财务诊断过程更具逻辑操作性，得出更具客观性和科学性的财务诊断结果。

3.1 分析财务指标寻找关键因素

在分析诊断环节，针对企业财务管理方面出现的问题，提取诊断数据库中的企业财务数据，运用主成分分析或因子分析等方法对财务诊断数据库中的企业财务数据进行对应的指标分解，以确定各个指标的敏感程度，对比企业历史数据及同行业先进企业数据，寻找出现财务问题的关键因素。例如，当企业利润出现持续下降的趋势时，将利润的构成要素进行相应的分解，确定产品滞销、产品毛利率降低或者期间费用过快增长等因素分别对利润下降的影响大小，找出导致利润减少的2至3个主要因素。在此基础上通过大数据对相关财务指标进行相应的趋势预测，结合趋势分析、比率分析方法对暴露出的财务问题的关键因素进行验证，同时检查是否存在未显现的危机，进而起到一个财务预警的作用。在确定企业财务问题关键因素的过程中，由于利用大数据收集的财务数据规模更接近总体数据，在此基础上的分析结果降低了因样本数据规模小而导致分析出现差错的比率，因此选出的财务指标更有代表性，对实际情况的描述更加贴近。

3.2 确定财务诊断主题

财务诊断主题是施诊专家以自身知识和经验去评价关键因素的挖掘结果，结合受诊企业的意愿，决定了施诊的方向和性质。诊断主题的确定应以受诊企业的委托主题为出发点，施诊专家和受诊企业管理层分别评价挖掘出的关键因素之后进行沟通。继而由施诊专家结合丰富的诊断经验充分发挥主观能动性运用打分法、SWOT分析等方法，确定财务诊断的主题，为提出改进方案提供方向。值得注意的是，在选择诊断主题时，应该对不同的主题的价值进行评估，选择对受诊企业效用最大的主题。大数据帮助建立完善的企业信息体系，让施诊专家在全面了解企业信息的情况下，准确把握财务诊断主题的脉络，避免了因为信息不对称导致诊断主题选择的偏差。

3.3 探寻有效的改进措施

诊断的意义不仅仅为了发现问题，更关键的是去解决问题。大数据技术的发展，有助于将对企业所处的经营环境等非财务信息进行量化，添加到诊断分析的环节中。将企业的财务状况、问题与相关经营环境数据进行聚类分析、关联分析，以期发现一些以前未注意的联系和规律。利用数据的关联性进行未来发展趋势的预测，结合传统的财务管理价值创造理论、企业财务风险理论探寻解决财务困境的措施。

将大数据与传统数据挖掘分析相结合，能够洞察到一些新的规律和价值，大数据和传统数据都是可供分析的数据整体战略的组成部分。将大数据和一些成熟的财务理论分析模型相结合，才能更好地发现问题，并了解症结所在，最后才能对症下药。

4 基于大数据预测的诊断方案生成

财务诊断的最终目的是通过发现并解决企业经营过程中出现的财务问题，从而提高企业的价值，简单来说，财务诊断的价值体现在为受诊企业提出诊断改进方案的价值提升上。

在诊断方案生成模块中，专家诊断与最终的施诊方案生成就相当于在整个财务诊断过程中对问题的定性分析及决策。因此在这一部分，应将重点放在大数据环境下如何进行决策。

4.1 预测企业未来的经营环境

大数据在预测方面具有重要的作用。根据宏观经济背景、政策环境以及行业发展状况等外部影响，结合企业自身的产品结构、研发能力、人才储备及资本结构等内部因素，运用相关的数据统计和分析技术，可预测企业未来面临的经营环境。由施诊专家将受诊企业的业务和盈利模式与预测的未来发展趋势进行分析研究，从整体上把握企业的发展路径和长远战略，据此确定改进方案的方向和期望效果。

4.2 形成诊断方案

在整体把握诊断方案的环境因素的基础上，进一步确定诊断方案中具体的改进建议。具体改进措施的决策可以分为两个部分。

第一，发现企业在财务管理方面存在的问题并给出改进建议。施诊专家应将诊断过程中识别出的财务问题与受诊企业管理层进行沟通，提出具有针对性的备选纠错措施，与管理层探讨具体措施的有效性和可行性。施诊专家综合管理层的意见之后，可以运用线性规划、运筹学等方法在备选的改进措施中选择能够实现受诊企业效用最大化的改进措施作为诊断建议。

第二，企业是向前发展的，财务诊断的价值不能仅仅停留在对过去问题的纠正，还可以对企业未来的发展提供一些建议。将大数据及其技术引入财务诊断中，可利用大数据预测的结果建议企业对未来的发展做出提前的安排和准备。例如根据宏观环境政策、企业经营需求，对相关财务指标进行趋势分析，预测企业的经营活动、投资活动、筹资活动的资金需求量，在诊断改进方案中纳入企业现金流的考虑中。诊断方案的生成是一个决策的过程，需要重视企业的盈利模式和长远的发展战略。 4.3 财务诊断方案呈现

对于诊断方案的展示和解释也非常重要，可以通过引入可视化技术对结果进行分析，用形象的方式向用户展示使其更易理解和接受。财务诊断是一种咨询性质的服务，客户或许并不能了解在诊断过程中那些技术性极强的分析过程，但最终的诊断成果要能够让客户明白并认可。

5 结 语

大数据背景下的财务诊断，改变了过去财务诊断中过多依赖财务数据进行诊断的格局。利用大数据的优势对受诊企业所处的宏观经济、行业状况、企业内部环境等因素进行定性与定量的结合分析。将大数据及其技术融入财务诊断的功能模块，贯穿整个诊断流程，借助专家的知识和经验发现企业财务管理过程中暴露出的问题或者缺陷。结合大数据预测企业未来的经营环境和发展趋势，给出具有一定前瞻性的诊断方案。

主要参考文献

[1]瞿晓龙. 构建基于XBRL的财务诊断体系[J]. 会计之友，2007（9）：40-42.

[2]张东， 亓开元， 苏志远，等. 大数据平台和产品标准化建设研究[J]. 信息技术与标准化，2015（7）：18-22.

[3]梁戈夫， 庞大莲. 人-机分工下的财务咨询方案生成的施诊流程及方法体系布局[J]. 广西大学学报：哲学社会科学版，2013（6）：39-44.

[4]张高胜. 大数据时代财务预测的变革探索[J]. 商业会计， 2016（6）：14-16.

[5]马建光， 姜巍. 大数据的概念、特征及其应用[J]. 国防科技， 2013（2）：10-17.

[6]杨会荣. 大数据思维与企业竞争情报变革[J]. 竞争情报， 2015（3）：20-23.

[7]李艳玲. 大数据环境下的技术变革与管理创新[J]. 控制工程， 2014（z1）：142-145.