数据挖掘技术在管理会计中的应用

□文/陈 聪

（扬州大学商学院 江苏·扬州）

［提要］ 在大数据环境下，怎样才能合适地把数据挖掘技术应用到管理会计实践应用中，成为国内乃至国际会计界关注的焦点之一。鉴于此，本文探讨数据挖掘在处理管理会计信息方面存在的问题，研究数据挖掘技术对管理会计的影响、具体应用以及意义，并提出对策。

一、管理会计的定义

随着经济的发展和企业业务日趋复杂化，管理会计应运而生。从起源上来看，管理会计是从传统的财务会计中分离出来的，是企业会计的一个分支。它由管理会计系统和成本会计组成，以提高企业经济效益和改善企业经营管理为目的，着重对企业未来事项的预测和关注。管理会计的主要职能是评价、控制、决策和规划。一方面管理会计为了提高企业经济效益，实现企业价值最大化，因此重视价值管理；另一方面为了提高企业的工作效率和产能产量，也强调作业管理，可以这样说，作为一种价值运动，价值管理和作业管理一起构成了管理会计的作用对象。管理会计人员通过从财务会计那里获得的资料，利用一系列专门的方法，对这些资料进行加工整理以及报告，最终提供给企业各级管理层与日常决策相关的信息，企业利益相关方可以根据这些信息进行决策。

二、数据挖掘技术的定义

目前，随着大数据时代的到来，海量的信息和数据遍布我们生活的方方面面。但是，我们却还是面临“信息匮乏”的困扰，原因就在于虽然有许多信息数据在周围，我们却很少能找到对自己决策有价值的信息。大数据技术的发展，为解决这种困扰带来了希望。

数据挖掘技术深层次地分析了信息数据之间的特点和联系，挖掘不同类数据之间蕴含的潜在联系，从而分析企业的日常经营问题和经营业绩情况，为企业的财务发展和未来战略提供相关的建议，提升管理层的决策水平。数据挖掘在基于管理会计信息的基础上，使用专门的信息技术来强化数据的深入性和全面性，从而帮助企业提高会计和财务管理水平，增强企业在财务分析方面的能力。企业可以利用数据挖掘技术来对企业管理会计信息进行数据分析，为企业的管理会计信息和未来发展保驾护航。

三、数据挖掘相关技术

（一）概念描述。概念描述是对指某一类对象的定义和特点进行叙述和概括。概念描述根据描述对象的差异，主要分为两大类：描述某一类对象的共性叫作特征性描述、描述某一类对象的差别叫作区别性描述。

（二）统计技术。统计技术利用概率论和数理统计的知识，对既定的一个集合假设一个概率和分布模型，在此模型的基础上对目标对象进行相关信息和数据挖掘。由于有回归分析和判别分析等模型支撑，统计技术的优点是分析结果易于理解且精确，被普遍应用于实际中。

（三）差别分析。差别分析通过分析数据的差异来发现隐藏在数据中的非正常情况来缓解噪音数据的干扰，以便使用者获得最有价值的数据和信息。

（四）决策树技术。决策树技术我们一般都比较熟悉，是我们日常生活中最常用的数据挖掘技术之一。它根据不同的判断标准来对数据进行分类，遵循的规则十分直观，简单易懂，在分类时，相较于其他数据挖掘技术，耗时也较短。决策树技术适用于分类条件，原因在于它在不同的条件下会显示有关数值的具体规则算法。至于它的计算方法，一般有 CART、ID3、C4.5 等。

（五）遗传算法。美国D.J.Hol-land 教授于1975 年提出遗传算法，它是一种完美结合了生物技术和计算机科学技术的优化类算法。“物竞天择，适者生存”是大自然最基本的法则，所有的种群都是由各种生物依据一定的机制进化遗传而成。与大自然中这种最基本的生存法则相类似，遗传算法也是遵循一定的合理原则，模拟生物进化机制，优化各种数据模型。相较于其他算法，遗传算法具有高效灵活的优势，原因在于所要求输入的信息较少。

（六）关联规则。关联规则主要将大量数据集中在一起，将这些数据的依赖关系和关联关系充分地进行挖掘，是应用最为广泛的数据挖掘技术。通过关联规则分析，能从用户的行为中挖掘出一类具有共同点的行为模式。比如著名的“啤酒尿布关联规则”，这些美国年轻的父亲去买尿布时总会买一点啤酒，商家根据这一关联规则，把啤酒货架和尿布货架安排在一起，从而获得更多销量和利润。

多种重金属在土壤中会发生协同作用或拮抗作用，这种综合作用会影响土壤的质量,其影响程度可以用RI来表征。RI体现了重金属的生物有效性及其对生态影响的相对贡献比例，可以综合反映土壤重金属的污染水平和对土壤的潜在生态危害。土壤中重金属综合潜在生态风险性评价结果见表8、图3。9个样品中有8个样品的RI值介于150～300之间，综合潜在生态风险程度为中，一个样品RI值超过300，综合潜在生态风险程度为重。总体来看，该农田潜在生态风险较高，主要是Cd和U所带来的潜在生态风险，而其他元素基本没有给农田带来潜在的生态风险。

（七）粗糙集技术。粗糙集技术能够清楚地分析出非精准数据和噪声数据之间的关系，是数据挖掘技术中应用较为广泛的一种方式。相较于其他技术，粗糙集技术只需要用一些不确定不完整的数据就可以建立分析模型，附加信息及初始数据对其建立模型来说是非必要的，因此粗糙集技术具有数据挖掘效率高的优点。

（八）神经网络技术。神经网络技术在功能和结构方面有点类似于人脑的神经元，它是模拟神经测试规则进行设计和开发的。神经网络在结构上一般分为输出层、输入层和隐含层，其中与目标变量相对应的是输出层，与预测变量相对应的是输入层，而位于输出、输入层之间的隐含层，它的层内节点和层数决定了神经网络的复杂程度。神经网络技术相较于其他技术有着较高的承受噪声数据能力的优势。

四、数据挖掘技术应用流程

（一）数据取样。在进行数据挖掘前，为了提升数据挖掘的应用效果，保证有次序地实施数据挖掘的进程，必须对数据所取的样本进行严格检查，以保障数据挖掘的方向可靠。因此，我们必须要紧紧围绕数据挖掘所要达到的预期目标，建立数据表来对信息进行抽样，在此过程中，我们不能盲目地追求样本的数量，还需要考虑样本数据的实际意义。

（二）数据探索。数据探索是对数据进行详细而深入的搜寻，一般在完成数据取样后进行此流程。在数据探索中，我们可以通过数据样本来掌握数据信息中的潜在关联，以便提升我们对数据挖掘任务的认知。

（三）数据调整。由于我们得到的数据性质可能不大相同，比如有的是描述型数据，有的是数值型数据，有的是分类型数据，如果直接把这些数据带入模型计算，会有极大的误差，因而在建模之前，我们要对这些数据进行无量纲化处理，也就是对这些数据进行调整。为了排除一些无价值数据的干扰，数据调整一般是对数据进行替换或修改、减少或增加，使搜集到的数据更有针对性和效率性。

（四）数据建模。在这个流程中，要利用回归分析、决策树等分析方法，建立各种数据模型。数据建模是数据挖掘技术中最关键的流程。

（五）数据分析。数据分析通过创建评级体系，公正客观地分析经过模型验证后的数据信息并评价这些信息的实用可靠性，是数据挖掘技术最后一个流程。

五、数据挖掘技术在管理会计信息处理中存在的问题

（一）数据广度和深度不足。如今，许多企业在用数据挖掘技术处理管理会计信息的过程中，往往会忽视数据的深度和广度。在处理管理会计信息的过程中，他们没有对经营过程中的其他信息进行深入挖掘分析，只是把一些与经营活动有关的信息数据进行了分析对比，只是通过收入和费用的具体情况来对企业的经营利润下定义。由于没有分析项目的成本控制效果和内部运营的成本，就会致使分析数据的深度不足；另外，企业仅仅对财务方面的信息进行了数据挖掘和分析，并没有对企业的其他方面，如人事、市场、物流等数据信息深入挖掘与分析，就会致使数据的广度补足。数据的广度和深度不足，将会对企业管理层的未来决策造成不利的影响，甚至会带来致命性的危害。

（二）财务分析和预算偏差大。当前企业在实施会计电算化的过程中，往往实际财务分析情况和预算财务情况存在较大的偏差，这是因为企业仅走个预算的形式，并没有或者说很少把财务的预算数据和实际数据进行对比。企业不能有效地落实财务预算数据，就会影响处理管理会计信息的效率，管理会计水平得不到提升，最后就会致使企业财务分析和预算存在较大偏差。

（三）财务原始数据传输不畅。目前，由于各种主观和客观因素，企业的原始凭证等原始会计数据会出现传输不畅的问题。我们都知道，管理会计信息最基本的质量要求是可靠性，如果原始管理会计数据传输不畅，那么管理会计信息的可靠性得不到保障，后面一系列的建模分析更是无从谈起。

六、提升数据挖掘技术的管理会计信息处理水平

（一）优化数据挖掘的广度和深度。在日常的数据挖掘过程中，企业应当对财务和运营数据进行全面的分析和了解，验证不同的数据，以便进一步优化数据挖掘的广度和深度。此外，对于数据的深度，既要对重点项目实施全面数据分析，熟悉企业在日常经营过程中的费用支出和成本控制情况，还要对比不同部门的成本和费用情况，为企业经营者提供具体的经营情况，只有这样，才能更好地考核绩效。

（二）加强预算管理。为了减少财务分析和预算的偏差，提高处理管理会计信息水平，保障数据挖掘在处理管理会计信息方面的质量，企业必须要加强预算管理。想要增强财务分析效果，保障数据的有效性和直观性，企业就要使用合适的预算数据，因而预算管理是必不可少的。在预算管理的过程中，企业不但要参考历史经营情况，还要考虑未来发展战略。企业既要把未来经营情况和预算数据结合起来，减少二者之间的差异，又要保证预算数据的可靠。企业在预算时可以选择零基预算法，虽然零基预算法比较难，但是准确性较高。

（三）加强信息共享。为了避免财务原始数据传输不畅，企业应当要加强信息共享。企业各部门的信息都要和财务部门进行共享，这样有利于各种信息及时地传达到财务部，从而保障了管理会计信息的可靠性和及时性。企业可以建立一个信息共享平台，以便更高效地进行信息共享。另外，企业也要重视业财融合，通过一些软件把财务信息和业务信息进行对接。

七、数据挖掘技术在管理会计中的应用探讨

（一）财务风险预测和评估。数据挖掘技术可以帮助管理会计评估企业财务风险，为了让管理层实时了解企业财务风险，我们可以利用如神经网络和遗传算法等技术，建立合适的财务风险评估模型并对财务数据加以分析，这样就能让企业管理层掌握企业财务风险并加以评估和预防，及时采取恰当的措施，把一些问题扼杀在摇篮之中。

（二）投资决策研究。投资决策由于考虑的因素较多，因此比较复杂，我们要合理使用各种模型工具来对其进行简单化处理。数据挖掘因为具有可以量化的特点，因此可以选择企业的各种财务报表和财会信息，根据这些财会资料和数据，再结合企业自身情况，做出合理的投资决策。

（三）预测分析。在管理会计的日常工作中，往往要借助于过去的信息来对未来进行预测，在这个从过去对未来进行预测的过程中，往往就得使用数据挖掘技术。数据挖掘可以搜寻到历史的数据，借助预测模型，对企业未来资金流动和市场销售情况进行预测，给管理层提供一定的参考。

（四）现金流预测。现金流对于任何一个企业来说都是至关重要的，也是管理会计研究的热点问题之一。管理会计人员为了做出合理的资金预算，需要对企业未来的现金流做出评估，为企业接下来的融资投资活动奠定基础。由于预测的基础是建立在大量的历史数据上的，如果全部靠人力，显得不现实且成本巨大，这不符合成本效益原则。因此，我们可以把目光转向数据挖掘技术，根据预设规则在非结构化和结构化信息数据中发现并提取有意义、有价值的数据信息，再通过概念描述和关联规则等方法，建立起一些关于销售量、成本等的预测模型，得出最终相关指标，为管理层提供决策依据。

八、数据挖掘技术在管理会计中应用的意义

（一）保持竞争优势。数据挖掘技术从战略角度来看，可以帮助企业从多维度了解供应商信誉、市场环境、竞争对手情况、消费者偏好等信息，并且从这些信息中抽取出有价值、有意义的信息，帮助企业降低成本，精准营销，优化经营管理流程。企业可以根据数据挖掘技术的预测功能判断企业业绩的优良与否，并据此做出合理的应对措施。

（二）预防和控制风险。许多企业背后都有隐藏的风险，如果不能及时发觉这些潜在的风险，将对企业的发展产生不利的影响。利用数据挖掘技术，对企业的各种信息尤其是财会信息进行挖掘分析，可以帮助企业发现这些潜在的风险，避免风险的渐进和累计。利用数据挖掘技术对企业财务状况进行深入而全面的分析，可以判断企业是否非法挪用资金、资金链是否紧张等，以便企业及时修补漏洞。

（三）提供企业经营决策支持。在使用数据挖掘技术之前，企业都是要通过长时间的市场调研来做出决策。然而，如今随着企业竞争的加剧，企业要想取得竞争优势获得生存发展，就要求管理层要迅速地实施战略部署，做出决策，争夺市场份额。传统的依靠市场调研来做出决策会有较长的时间滞后性，往往会错失良机。在大数据时代，企业的决策不但要考虑科学可靠，还要考虑时效性，而数据挖掘通过挖掘和分析实时数据，可以满足这种要求，给企业提供具有时效性的经营决策参考。