价值创造理念下大数据挖掘技术如何运用于管理会计

2019-07-12沈军

中国乡镇企业会计 2019年3期

沈军

怎样看待大数据、对大数据的处理过程是大数据产生价值的核心要素。其中大数据分析和大数据挖掘就是最重要的两部分。本文重点讲的是大数据挖掘。大数据挖掘分为直接数据挖掘和间接数据挖掘，管理者通过这些被挖掘出来的有效信息可以做出相对正确的判断和决策，对企业的长远发展也起着重要的作用。

一、介绍大数据挖掘技术

（一）与大数据挖掘相关联的主要技术

1.统计技术。也就是统计分析方法，建立在概率论和统计学的基础之上，包括了调查统计、系统优化和信息技术三部分。当数据库字段项之间为函数关系和相关关系时，我们可以通过统计学原理来分析和研究数据库中的信息，这种技术就是统计技术。利用统计技术还可以对数据库信息进行回归分析、差异分析等等，从而有效的提高组织解决问题的效率，更好的通过现有数据挖掘出更多信息来促进决策。

2.神经网络技术。即模拟达尔文的遗传选择和自然淘汰的生物进化过程来进行信息处理,它和人类大脑神经元的作用十分相似，它的定义是根据逻辑规则进行推理的过程，核心是根据神经测试原理来对计算模拟进行开发和设计的。神经网络一般被分为输入层、隐含层以及输出层。神经网络在进行数据挖掘时具有可并行处理、分布储存等特点，所以最近这几年越来越多的人开始对神经网络产生兴趣。

3.决策树技术。即用树状图把决策问题的各个状态表现出来，决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。决策树是一个预测模型，首先它将一系列大量的数据进行有目的分类，通过分类并从中挖掘出一些人们不知道的，有用的，潜在的信息。它的优势在于描述简单，分类速度快，非常适用于对大规模的数据进行处理。

（二）大数据挖掘技术应用流程

1.选择目标数据。在进行数据挖掘之前，首先要根据数据挖掘的预期目标来对数据库进行数据选择和取样。值得我们注意的是要保证数据的有意义性，数据太多了不行，太少了也不行，要保持一个合理性。

2.预处理数据。对破坏的数据、无意义的数据、重复记录的数据进行合理的处理。

3.转换数据。数据从一种系统转移到另一种系统的时候，需要将数据转换到系统能够识别的格式。数据样本抽取结束过后，根据需要对数据再进行增改、删除等。

4.数据开采。确定开采任务，对数据进行统计、分析等，甚至利用当前掌握的数据信息对未来进行预测。

5.建立分析预测模型。利用神经网络方法、遗传算法、决策树方法、统计分析方法等方法对数据进行建模，并在此基础上建立分析预测模型。

6.建立模型评测体系。对大数据挖掘技术应用结果进行评估。

二、管理会计是由业务和价值共同组成的

管理会计是以帮助企业挖掘价值，促进企业长远发展为目的，为企业挖掘出隐藏的、有效的信息，帮助企业管理者做出更好的决策。管理会计通常包括作业管理和价值管理，实现业务与价值相协调。管理会计是根据业务需求来分析和集成业务数据和财务数据的，并且及时向企业管理团队提供宝贵的信息，促进业务部门使用管理会计信息，实现早期计划和流程的服务。控制和打开价值链绩效评价和结果评价的环节，促进供应链效率的提高，提升企业经营效率。

三、大数据挖掘技术运用于管理会计的好处

（一）为企业决策提供帮助

传统企业的决策过程十分复杂，耗费时间多。现在已经进入了信息化时代，所以企业必须要有科学有效的决策，同时还需要达到及时性的要求。管理会计对决策结构起着十分重要的作用，把数据挖掘技术运用于管理会计，实现数据挖掘、分类、集成和分析，发现有价值的信息，为企业决策提供参考和帮助。

（二）有利于对风险进行防范和控制

企业在经营的过程中除了看得到的风险外还有大量的风险是处于潜在状态，利用数据挖掘可以发现和探测潜在的风险，对潜在风险及时找到规避措施，以此来有效的避免潜在风险的积累和渐进。利用数据挖掘技术，对企业财务状况进行综合分析和控制，以确定企业资金链中有没有存在紧张风险，资金有没有被非法挪用，部分产品销售是否不理想，及时有效的对潜在的财务风险进行防范和控制，弥补企业内部的不足。

四、大数据挖掘技术在管理会计中的运用

（一）运营成本的控制

运营成本的精确控制可以帮助计算出不同环节的运营成本，这样有利于提高管理人员对资源配置和使用的合理性。在过去的成本计算中，精确的成本控制过程非常复杂和繁琐，通常需要投入非常多的时间成本与人工成本。通过数据挖掘技术中的回归分析、统计分析和决策树分析等，能够使会计人员的工作量变小，并且利用计算机数据挖掘算法可以轻松得到每个业务环节的运营成本。通过研究供应链运营成本与价值链的关系，将增值运营与非增值运营区分开来，从而提高供应链管理能力，降低成本，提高效率。

（二）现金流情况预判断

管理会计师在制定合理的资本预算之前要做的工作就是对企业未来的现金流进行预测。然而，这一预测是基于大量的历史管理数据，所有这些数据都是由人工计算的，人工成本非常庞大。为了提高数据分析的效率，可以利用数据挖掘技术，使用预设的规则从结构化或非结构化数据中自动找到有价值的信息，然后利用神经网络方法、遗传算法、决策树方法、统计分析方法等方法对数据进行建模，从而对企业现金流情况进行预判断，为企业决策提供参考和帮助。

（三）防范和控制财务风险

对财务风险的防范预警和控制工作对于企业的正常运行至关重要。企业是长期处在动态变化中的，而传统的评价模式周期长、精度低，不能够很好地适应企业的变化和发展。运用数据挖掘技术对企业的财务风险进行了综合评价，同时深入确立预测企业破产概率、利润率和投资回报的模型。根据财务预测工具，能够及时有效地对企业财务、企业经营和企业投资的风险情况进行掌握，并且能够针对风险提前采取相应的防范措施，有效的控制风险。