基于大数据思维的财务数据挖掘和实践应用

徐爱菲

（广西国际商务职业技术学院， 广西 南宁 530007）

大数据时代背景下，越来越多企业开始重视和利用大数据的价值，分析市场形势，强化内部管理，但与此同时，也有很多人未能正确认识大数据急速扩张而产生的隐患及问题。要在短期内快速处理大数据，并最大程度消除隐患，使其真正为企业发展而服务，这成为了企业管理者及相关从业人员的重要目标。

1.大数据的背景及特征分析

大数据最初在西方国家的流行，可追溯到2009年前后，在其快速发展的过程中，大数据思维与大数据技术也被越来越多人关注和研究，于是商用化逐渐渗入生活化，影响着更多人的工作与生活[1]。大数据思维主要包括以下几点：一是总体性思维。近百年来，人们研究社会现象的特征需要依靠对社会数据的收集，于是抽样的数据收集方法成为一种重要手段，特别是针对一些无法进行访问来聚合数据的情况较为有效。伴随数据的增加和需求的提升，这样的数据统计和分析方法逐渐落后，无法对大数据展开收集与分析，于是人们又通过各种算法来进行深入研究，力求了解样本中更多隐藏的细节和关键的信息。伴随大数据时代的到来，数据无论在采集环节、储存环节，或是处理分析环节，都取得了较大的突破，人们在利用的过程中思维也在无形中发生转变，从样本思维转变为整体思维，这样的思维更利于人们全面直观掌握数据的整体联系[2]。二是容错率思维。过去人们收集信息存在不充分、来源单一等问题，这需要将获取的数据更结构化与精细化，否则分析出来的结论则存在偏差，于是人们开始探究数据样本的精准。在大数据技术的支持下，伴随大数据储存、处理功能的发挥，人们也逐渐应用容错性的思维，不再将绝对的精度作为唯一的追求目标，而是适度忽略精确，只需确保在一定范围内，这样更能从宏观的角度获取更多的数据信息。三是相关性思维。过去人们提取数据更注重各数据之间的因果关系，试图通过这种方法发现数据的内部联系，但由于样本的有限，很难真正寻求到所有数据间的普遍关联。大数据时代下，借助于数据挖掘技术有助于更好地找到各数据之间的隐藏性关联，甚至可将其用于捕捉现况，预测未来，通过复杂非线性关系、线性关系的研究，很多表面无法察觉的数据联系，都能显著地表现出来被人们所利用[3]。

2.大数据挖掘及其意义分析

大数据应用至今，人们在数据技术生成、收集、应用方面的能力日趋加强，并且伴随逐年发展的态势，这种势头还将不断延续。在这样的背景下，大数据的应用也面临全新的挑战，信息爆炸的社会背景下，信息高度过载已成为一个显著的问题，人们需要及时发现有用的信息，提高信息利用率。对于企业而言，更要试图最大程度挖掘信息的价值，以促进企业的成长与发展，为作出正确决策而提供参考，否则所获取的数据则会成为一种负担，甚至成为垃圾数据。面对这种挑战，企业内部财务管理、业务决策以及整体的战略性发展工作，都要充分尊重大数据的应用规律，接受大数据发展的挑战[4]。要最大程度挖掘大数据的价值，人们就要掌握大数据的挖掘特征。首先，数据的来源非常庞大，展现出丰富有效、真实以及不确定的特点。其次是数据价值的提取是为了满足需求，因此在提取以前必须重点关注具体的需求是什么。最后，在当前愈发激烈的竞争市场上，数据挖掘的背后不同程度渗透出商业价值，且都是相对的。这些特点为企业在财务数据挖掘和应用工作上，工作人员应用大数据思维处理而提供非常重要的参考。

3.以L企业为例探讨基于大数据思维的财务数据挖掘与实践

3.1 L企业简介

本文列举的L企业为一家外贸企业，主要做进出口贸易，产品包括化工原料、机电产品、工艺品等等，在ERP系统上线后业务合同大幅度增加，生成的会计凭证与新增会计记录均增加数十万，自动化率已超90%，无论是内控、业务管理、风险防范和财务管理方面，都有非常显著的效果。基于大数据技术的支撑，该企业的财务分析完全实现自动化，同时还建立了预警平台和风险评估平台。

3.2 企业需建立大数据思想挖掘模式

首先，企业的财务管理工作要将各类数据进行交互整合，由于财务数据包含的内容非常广，几乎囊括所有经营数据，因此对其进行分析很大程度已超越过去资金管理和成本控制的范畴。要处理这些繁琐的数据，若无法将其整合，找出关联，必然影响企业财务管理及经营管理的效率[5]。由此可见，需要对现有ERP系统数据作科学分类管理，结合企业管理的精细化程度按照数据用途将其分为战略、预算、税务、核算、资金管理和绩效考核等多个组成部分，创建模型，同时对财务部门进行转型，强化管理，打破信息孤岛的局面。其次，要对海量的数据进行提纯处理，结合大数据还原用户实际需求的本质，在使用过程中就必须积极应用大数据思维处理财务信息，找到数据背后的关联，将其原有的真实的面貌还原出来，作进一步的提纯[6]。比如L企业就通过各种渠道掌握需要的信息，确保真实性和实效性的同时将数据背后隐藏的真实价值应用在会计工作中。再者是挖掘财务数据的本质。结合不同企业业务的特点，利用数据挖掘技术对财务数据的本质进行探索。多年的应用实践证实，很多企业使用的管理数据未能很好地反映其业务情况，这与其未进行生产数据推导，找到相连性有关。比如L企业如果原材料的成本占比较大，那么就要结合企业购买原材料的数据对其生产的情况加以分析，推测企业经济效益。若L企业电力需求量大，那么就要结合车间使用的电量对其生产情况进行预测，用财务数据来显示生产状况，一旦出现用电量减少的情况，就说明数据存在问题。由此可见，工作人员在进行数据分析时应对企业经营的情况作详细了解，掌握业务的特点，及时将数据中的虚假数据清除，从而挖掘和获取数据的本质[7]。

3.3 创建数据挖掘应用模型

当前各个企业应用的数据挖掘方法较多，具体在财务工作中多以几种模型为主，如统计分析、决策树分析、关联规则、人工神经网络、聚类分析等等。以下结合L企业的实际情况适当列举几种数据挖掘模型的应用。首先是统计分析模型，这是最基础的一种模型和方法，其本质为统计分析，比如在应用聚类算法的过程中，需要计算平均值，在关联算法中需要分析置信区间[8]。L企业在其销售决策中就要细化分析客户的价值，对其进行评级时结合其中一个阈值来判断客户的价值区间，最后结合区间的数据应用回归建模的方式分析客户的潜在价值，从而为决策的制定奠定基础。其次是决策树模型。该模型方法是面向海量的数据进行归类与整理，通过剪枝来将无关的数据剔除，达到准确预测结论的目的。过程中工作人员要设定归纳值集合，使其形成完整的决策树，若生成的决策树没有划分全部数据对象，就要用重复训练的方式提取新的数据集，将原始数据整合其中，循环重复，直到达到精确的效果。L企业就是在人员考核中应用了决策树分析运算法。

3.4 财务数据挖掘的实现机制

要对财务数据进行挖掘，必须有实现价值的有效机制作保障，特别是在当前信息爆炸的背景下，企业更要从庞大的数据中获取关联数据，挖掘潜在价值，为决策提供参考与支持。在具体的实施过程中，首先就要对数据进行全面的预处理，比如L企业借助ERP系统初步清理初始数据，而最典型的清理对象是噪声数据，这方面可用枚举型的如记账部门、财务类型、业务组属性等作为噪声数据的过滤对象，出现一些空值，结合收集数据的样本信息处理空值，比如平均数值填充、最大频率填充、随机数填充等等，但要注意根据实际业务与变量本身的特征进行处理，绝不能随意处理。工作人员严把财务数据生成过程关后，若出现不符合常理的噪声数据，就要考虑其变异的最大可能性，做好全面预处理的工作以提高准确度[9]。其次是自动化的财务分析，如上所述L企业已实现财务分析自动化目标，可从接口实现ERP系统的自动生成财务分析文档的工作。在财务数据指标的分析工作上，L企业延续传统财务分析的方法，应用计算公式确立指标体系，结合指标的情况建立分析查询的功能，比如经营指标完成的情况、营业收入情况、毛利情况、资产情况等等，结合企业的经营模式进行定向分析。这个过程中需要注意以下问题，如指标要素要齐全和适当、主辅指标的功能要协调与匹配，此外还要满足多方面财务信息的需求，确保企业管理者能从中提取多层次和多角度的信息价值。随后就是建立分析的层次树，同样应用决策树的模型和方法，结合具体的需求进行分层应用。构建层次树时，充分考虑到财务指标体系，结合广度优先各层分支的建立原则，从高到低进行替换，确保数据泛化操作以及每个子结点都有类标志。具体操作中，树形为0层，涉及多个层次域，如0层是树根节点，结合层级递进其分析的财务数据更为细致，第一层主要作定量分析和定性分析，第二层则分析定量的盈利情况、资产的运营情况和成长发展情况，定性则为有形资产以及企业的可持续发展能力等等。最后是自动生成分析文档[10]。

4.结语

综上所述，大数据时代下企业在进行财务管理和日常运营工作中，必须对在职员工进行培训，强化大数据技术和技能，确保应用大数据思维挖掘和分析大数据的价值与作用，找出其关联性以及能够促进企业持续发展的关键内容，为企业正确决策提供参考。在大数据思维和数据挖掘应用的支撑下，企业的财务管理过程才能获取更准确的数据信息，工作人员的工作效率才得以显著提升，财务管理工作便捷性才能提高，才能为企业创造出更大的价值。