大数据挖掘技术在财务分析的应用

摘要：近年来，随着互联网、物联网、云计算以及三网融合等信息和新兴技术的迅速发展，现代信息社会已经迈入了大数据时代，大数据的价值之大，并不是混沌无序的数据所创造的，而是通过对这些数据进行深入分析并发现知识实现的。目前传统的财务分析暴露出越来越多的缺点，若将大数据挖掘技术应用其中，可以大大提高财务分析工作的效率和质量。因此，本文主要分析了大数据挖掘技术在财务分析方面的应用，以期能够更好的帮助企业进行决策。

关键词：大数据；数据挖掘技术；财务分析

一、引言

目前社会正处于一个以数据为驱动的时代，大数据发展的浪潮持续汹涌，数据信息已经成为企业非常宝贵的资源。而企业经营的一系列活动都会以数据的形式进行保存并记录，数据呈现爆炸式增长的事态，人工在短时间内是无法合理完成数据的收集、管理并处理成有用的信息。奈斯比特在《大趋势》中曾说：“尽管我们沉浸在信息的海洋中，却十分渴望所需要的知识”。从这句话中可以看出，我们缺乏的不是数据，而是一种有效的分析工具，从海量的数据中挖掘到有价值的信息，在这种情况下，应用大数据挖掘技术就非常有必要了。近年来算法优化和数据建模等领域实现了多项突破，使得大数据挖掘技术能够快速的在财务分析中应用和推广。而财务分析是企业经营管理非常重要的一环，传统的财务分析因其固有的局限性，使财务人员在分析多年的财务数据和行业数据都感到很棘手，往往不能发现隐藏在财务数据背后的内在联系。因此，将大数据挖掘技术应用于财务分析，从海量信息中挖掘有用的信息，帮助管理者更好的进行决策就显得尤为重要。

二、大数据挖掘的概述

(一)大数据概念。目前，对于大数据还没有一个公认的定义，最早是由“BigData”译过来的，麦肯锡在《大数据：创新、竞争和生产力的下一个前言》指出：“大数据是指大小超过了传统数据库软件工具的抓取、存储、管理和分析能力的数据群”。虽然这个定义带有一定的主观性，但是随着科学技术的不断进步，数据不仅巨量而且还复杂，巨量则意味着数据数量庞大，如果处理海量数据耗费超过了企业可承受的能力，则企业将会落后于同行。而复杂则意味着数据是多元化的，不仅仅是只有过去的结构化数据，也包含着半结构化和非结构化数据。因此企业要想在市场上获得持久的竞争力，必须要提高对这些“数据”的加工能力，实现数据的“增值”。(二)数据挖掘概念。数据挖掘是一个发现数据特征和模式的过程，它的目标包括概念学习、特征识别、模式分布、规则提取和预测等。通过仔细分析经营活动中具有特定联系的数据，以此进行适当的推测，进一步挖掘其中存在的潜在关系，更好的帮助企业优化业务运营、识别风险、预测新的商业机遇。一般来说，数据挖掘的流程大致可以分为三个阶段：数据准备、数据挖掘以及结果评价，如图1所示。(三)数据挖掘技术应用于财务分析的可行性分析。目前，随着计算机技术和大数据技术的迅速发展，硬件技术不断的迭代更新，为搜集、处理并储存海量的财务数据提供了保障，并且大数据技术还能使得半结构化以及非结构化的数据标准化。同时，云计算、Web存储等软件技术的发展，为企业进行财务分析时提供了软件支持。软硬件结合，为挖掘技术在财务分析中的应用提供了可能。另外，企业做的每一项决策，都会从成本效益角度出发，而利用大数据挖掘技术进行财务分析，可以有效的降低成本，提高企业对信息的利用效率。通过数据挖掘技术，企业进行财务分析时能够获取大量相关的有用数据，这个过程主要与互联网和企业的信息系统相通，不需要投入巨大的人力物力，而后期的分析也是在电脑上进行操作，所以，整体来看能取得以低成本手段达到高收益效果。

三、以数据挖掘视角看传统财务分析

首先，传统的财务分析具有一定滞后性，比较重视反映企业经营活动的历史，对未来发展前景的反应欠缺。计量属性主要以历史为主，大都提供一些历史的财务信息，而企业作为一个营利组织，要重视自身的长远发展，在做决策时仅仅依赖历史信息是不够的。企业的经营活动每天都会更新大量信息，所以及时挖掘有用的信息能够提高企业财务分析的效率。其次，传统的财务分析具有一定的片面性，主要是以定量的方式来分析财务报表各项目之间的数量关系，计算比较简单，比较大的缺陷是当数据比较多时，很难找出数据背后隐藏的信息，简单的数量关系并不能给管理者带来很好的利用价值。而目前大数据技术快速发展，企业能够获取各种各样的数据，不仅仅局限在简单的数量关系上，所以把数据挖掘技术应用到财务分析中，将数据加工成有价值的信息，可以辅助管理者进行决策。最后，会计政策选择对财务分析的影响是不同的，在一定程度上会干扰可比性，不同行业或者相同行业的不同公司，财务政策的选用对财务信息的影响差别是很大的，传统的财务分析一般都是同行业之间进行对比，行业不同财务指标是不能直接横向比较的。但数据挖掘技术可以将大量的数据进行处理，使其标准化，为不同行业的企业进行横向财务比较提供可能。

四、数据挖掘技术在财务分析应用中的主要内容

(一)数据挖掘在财务指标中的应用。传统的财务分析最常用的方法就是定量分析方法，局限于历史数据，主要依赖企业的财务报表，指标计算要等到报表出来以后才能进行，具有一定的片面性和滞后性。而将大数据挖掘技术应用到财务指标的计算中，虽然没有改变其计算公式，但是它能够对会计数据库和其他业务数据库中海量的数据综合的处理，实现实时分析，也能够快速实现与行业内其他公司的业绩指标相比的功能。(二)数据挖掘在投融资决策的应用。对于企业来说，投融资是一个非常复杂的过程，企业要综合考虑投资项目的内外部环境，借助大量的统计工具和应用模型，但是大数据技术能够实时提供投资环境及行业状况的资料，以此建立起来的模型能够使企业挖掘更多有价值的信息，从而确保企业投资的效率和准确性。而对于融资而言，融资量、融资方式以及渠道等都是不容忽视的环节，企业不仅需要了解所处的政治、法律、金融等环境，还要了解企业筹集资金的用途和性质。这时，企业利用数据挖掘技术，可以摆脱原来预设模型的约束，运用回归分析模型，预测未来需要筹资的数量，同时还可以运用关联模型挖掘到企业最合适的筹资方式，以便管理者更好的进行决策。(三)数据挖掘在财务预警中的应用。控制评价是财务分析中重要的一环，传统财务分析的做法是在每一个期间结束后，根据结果数据与原来设定的预算数据作比较，找出其中的差距并分析原因。但是这样难免有滞后性。而大数据挖掘技术能够实时快速的挖掘数据，将系统数据和预算数据进行比较，当发现偏差超过预设幅度，就立即会发出预警，引起管理者的注意。因此，大数据挖掘技术能够使事后评价转变为事中实时预警。

五、大数据挖掘技术在财务分析中的工作流程

数据挖掘并不是简单的套用复杂的算法或模型，也不是对数据进行简单的整理、建模以及分析，它是一个解决问题的方案和完整的流程，能够带给企业管理者一些有价值的信息，帮助其更好的进行决策。一个完整的数据挖掘过程一般包括问题识别、数据集成、数据准备、模型建立、模型评价和部署应用等六个阶段，如图2所示。流程的第一步是要进行问题识别，大数据挖掘的目标是通过数据分析发现能够解决问题的知识。所以，要找出财务分析中有哪些问题以及问题是什么才能够为大数据挖掘找准方向。其次就是数据集成与数据准备，由于财务数据的价值存在于不同的系统、不同的用户之间传递和共享。与此同时，数据是非常容易被破坏的，所以这里重点关注获取的财务数据是否符合解决问题的需要。根据不同的需求，选择合适的数据，例如投资者关心销售利润率、资本增值率等指标，债权人关心的是企业资产负债率、速动比率等等。而数据准备可以将一些冗余数据以及格式不一致的数据进行处理，例如对一些文件、图形等通过技术转换成便于挖掘的数据集合进行储存，为下一步做准备。接下来是模型建立，数据建模是大数据挖掘最核心的环节，这一阶段需要根据不同的任务，对海量的财务数据进行建模分析，例如在进行投资收益预测时，企业可以选择决策树、遗传算法等。接着是模型的评价，一般来讲，主要包括功能性评价和服务型评。功能性评价指从技术上评价所建立模型对于完成财务分析任务的质量，而服务型评价主要是考察用户的认可度如何，进而找出该模式的不足，不断的进行修正，更有甚者，需要不断地建立新的模型。只有建立最适合的模型，才能为企业财务分析提供可靠并且有价值的知识。最后就是部署应用阶段，当大数据挖掘技术建立并经过验证之后，可以将其应用到不同的数据集上，为企业所用。

六、结论

大数据时代随着数据的不断增加和问题求解规模的不断扩张，基于报表的传统财务分析具有一定的片面性以及滞后性，已经不能满足企业的需求，而大数据挖掘技术运用到财务分析中，可以快速实时挖掘到隐藏在海量数据中有价值的信息，使得企业管理者更好的进行决策。未来，随着信息技术的不断发展，大数据挖掘技术在财务分析中的应用会越来越成熟。

作者:刘念 单位:首都经济贸易大学会计学院