基于数据挖掘技术在管理会计中的应用

方案。如管理会计中的经营目标决定了数据内容、采集方式和分析方法，数据模型可分析结果决定了企业战略目标的选择。此外，数据的准备和模型将互有反馈，如在企业的竞争环境数据分析中，数据所体现的内外部信息将是分析企业竞争环境的依据，见图1。

图1表示企业的经营数据形成重点是确定目标和数据源，然后根据数据要求采取正确的采集方式、归纳方法，结合管理会计中的数据特征，进行数据建模和分析，如采取相关分析和趋势分析方法，对竞争对手和企业未来发展做出正确判断，根据竞争产品、供应商、价格和销售者等方面数据做出科学的市场定位。

2管理会计与数据挖掘

2.1数据挖掘的涵义和特征

目前，在经济新形态下，数据已经成为经济发展不可缺少的资源，在数据时代大数据应用的前景广阔，这就为数据挖掘技术的应用提供了空间。数据挖掘是集统计学、人工智能和信息技术为一体复合型的技术应用领域，通常是指在数据的采集和整理的过程中，根据预定的目标，对通过大数据方法所得到的海量数据进行清洗和有效处理的过程。通常，在管理会计中，传统数据量少、分散且不规则，所得出的财务分析结果的系统性和可靠性往往不能支撑企业科学决策，在大数据时代，海量数据的采集将成为可能，采用数据挖掘对通过大数据方法所得到的市场、外部环境、财务等海量数据进行处理，可以为经营者进行科学决策提供数据支持。

数据挖掘技术的特征体现在：

具有时效性。在大数据得到越来越广泛认可和推广的时代，海量数据的提取将成为大数据应用的基础，但海量数据必须通过采用挖掘技术进行清洗和挖掘，并通过推理和建模使海量数据得到梳理并成为具有因果关系的有价值的信息。因此，在互联网时代，数据挖掘技术将是不可缺少的数据工具，经过数据挖掘后的海量數据在应用中才能具有实用性和目标一致性。

具有潜在性和未知性。以往采用的数据方法通常具有明确的假设，而数据挖掘技术则是事先没有设置假设，因此数据挖掘技术得出的信息具有未知性;此外，数据挖掘是在大数据应用的基础上，直接对海量数据源进行归纳、清洗和整理，经过清洗的数据才能具有科学的分析价值，而有价值的数据是作为管理会计信息采用中的数据源。假如管理会计具有众多的管理对象，若信息的应用价值只适用于某一特定的对象，则不具备普遍性。通过数据挖掘分析的会计信息往往对各类对象都是有潜在价值，会计信息的潜在性能够为企业的长远规划提供支持。

具有适应性。以往的数据应用方法只能对已经出现的环境所产生的数据进行处理，而面向可能出现的未知变量，数据的滞后性则非常明显，直接影响数据的可靠性。而数据挖掘所针对的海量数据既有当期数据，又有反映未来变化的长期数据，同时还可以针对数据的变化趋势进行进一步追踪，采用数据模型的分析结果，经营者能够在复杂的环境变化过程中做出科学判断。

具有集成性。数据挖掘融合了多种技术，其中包括人工智能和模式识别技术及自然语言理解技術等，因此数据挖掘技术是当前智能和智慧化社会以及大数据时代不可缺少的数据工具。

2.2数据挖掘的功能

在数据时代，数据挖掘的作用体现在通过大数据方法所得到的海量数据基础上，数据的占有者采用一定的数据挖掘方法对已获取的数据进行清洗和整理，并根据数据特点及用途进行重新排列和组合，从而形成有价值的数据链。在现代管理会计中，通过数据挖掘可分析财务数据的整体变化趋势、不同财务数据所体现的关联性和整体性，见图2。

2.3数据挖掘的方法和流程

2.3.1数据挖掘的方法

数据库技术只是将数据进行组织并存贮在数据库中，同时对储存的数据作基本的分析，但在数据库中超大量数据和信息则无法得到。数据挖掘技术是将数据库技术、统计学结合起来，发掘存在于数据内部的潜在且效用的数据，数据挖掘技术按不同的应用方法和所涉及的技术门类可分为数学统计、面向数据库、数据可视化技术、知识表示技术方法等。结合管理会计的应用，数据挖掘方法有许多种，在管理会计中主要应用的方法具体可为：

关联规则挖掘。挖掘关联规则就是发现财务活动中所存在的大数据具有的关联性或相关性，通过建立关联和相关性模型，解释财务活动中相关数据关联性和相关性因子、形成的原因和条件。

数据汇总归纳。面对不同层次的数据，传统数据库应用一般是在已形成的原始概念上获取并进行界定;而数据挖掘则是针对不同层次的数据，在数据集合和归纳基础上进行更加符合实际的汇总和整理，使数据达到更高层次，更加聚焦，具体可采用数据立方体和面向对象的归纳方法。

决策树方法。决策树是系统工程学中的重要内容，采用决策树方法进行经营管理的数据分析，若通过传统数据库通常要求获取具有信息量的相关字段，从而构成决策树的结点，再以字段为根据形成不同的决策树的分支，采用数据挖掘，可对较大型数据库在决策树基础上进一步进行数据整理，尤其是确定重要数据的形成过程。

神经网络方法。神经网络方法是现代计算机技术应用中的一种模拟人脑神经元方法，进行分布式信息处理的算法数学模型，神经网络方法通过建立非线性神经网络预测模型，进行数据分类、聚类、特征挖掘，通过调整已经形成的数据关系，掌握其内在的相关性和差异性，从而为数据分析并得出正确结果做出努力。

可视化技术。以数据形式所体现的结果可被可视化技术转化和表达成可视化形式，如图形、图像等，在可视化技术的转化过程中数字技术将得到广泛应用。

2.3.2数据挖掘的流程

如前所述，数据挖掘的核心技术是人工智能、信息技术和统计技术等，数据挖掘流程是在复合技术应用基础上，将获取的海量数据进行高度集合，使其成为相互关联的整体，进而实现数据使用者所设定的目标。结合管理会计的内容要求，数据挖掘的步骤，见图3。

3数据挖掘在管理会计中的应用

3.1主要背景

S公司是浙江省民营化工企业。2015年以来，公司规模不断扩大，但国内、省内同行业竞争日趋激烈。对此，公司决策人员非常注重企业的核心竞争优势在行业内的影响，公司通过应用大数据技术收集规模数据，采用挖掘技术对规模数据开展针对性的清洗并进行归纳和整理，为企业的竞争能力的分析提供依据。在企业管理会计应用中，根据数据挖掘目标和预期目的，利用关联规则算法挖掘不同财务数据并进行整理，通过数据模型建立财务数据与企业核心竞争优势的关系与内在联系，采用管理会计中的关联分析方法分析并得出已获取的有价值财务数据与企业竞争优势的关联性及形成的原因，这种通过数据挖掘结果所得出的关联性即可对S公司的竞争优势进行分析和评价。

3.2数据挖掘过程

3.2.1指标设计

根据企业经营情况，建立财务和竞争指标，见表1。

3.2.2算法及软件应用

一是关联算法。关联规则是数据挖掘技术的重要概念，也是该技术普遍采用的方法，具体应用体现在，在采用大数据获得海量数据后，应用数据挖掘建立X和Y的蕴涵式，即通过X可以推导出Y，其中X称为关联规则的前件，Y称为关联规则的后件。在关联算法中，支持度和可信度是两个重要概念，支持度指的是事件X和事件Y同时发生的概率，说明规则的重要性，即支持度越高，规则越重要;可信度指的是发生事件X的基础上同时发生事件Y的概率，可以衡量规则的准确度和真实度，若可信度低说明该规则缺乏意义。应用这两个指标，可以清洗掉一些无用的规则。

对关联规则的客观度量，还可以有多个角度。如作用度，即可信度与期望可信度的比值将反映前面事件对后面事件所产生的关联影响强度，作用度则可以避免强规则对用户可能产生的误导作用。若作用度等于1，表明前件对后件无影响，该规则便失去了关联意义。

此外，还有正确率和覆盖率也可说明数据规则的可靠性和可应用性，通常高的正确率可认为规则是可靠的，而高的覆盖率可认为在实际应用中所出现的频率是高的。

二是工具软件的选择。在数据挖掘技术应用于管理会计过程中，Magnum Opus是经常采用的专用工具软件，在企业管理会计实际工作中应用较广泛。

3.2.3数据预处理

数据选取。在管理会计应用中经常要对不同的财务数据进行对比，所以经过数据挖掘的财务数据应具有可比性。s公司是浙江省行业内的领军化工企业，所采用的财务数据参考2016年中国化工企业500强名单，以60家企业作为数据样本，同时考虑数据来源的代表性。

数据清理。由于选取的企业财务报表显示企业的财务数据具有较高的可靠性，可能发生差错或遗漏的不多，这样就为数据清理提供了方便。

数据归约。企业涉及竞争优势的财务数据较多且许多指标具有相关性和重叠性，有必要从已获取的指标中选取典型的指标。这样可采取数据统计方法中的显著性检验法或正态分布检验进行数据检验。

数据变换。在数据挖掘中，根据需要可将可能出现的数值变量进行数值变换，使其成为类别变量，如企业经营年限S-[0，4]， M-[5，8]，L-[9， 12]，U-[13，16];同时，竞争力水平评分也可做类似的转换，c-[0，49]，e-[50，64]，r-[65，79]，a-[80，100]。

3.3主要结论

第一，在具体数据挖掘中，其核心要素是说明数据支持度阈值即临界值的重要性。此外，需要更加明确数据支持度对规则数量的关联性，还要确定相关的指标阈值，通常将最小可信度设定为0，将作用度设定为1，进行最小支持度的变化分析。

第二，如果在数据挖掘中，将企业竞争力水平数据设为后件，将其他数据设为前件，经过对阈值进行不断修正，可获取与实际效果比较相符的结果。因为，数据应用挖掘在管理会计过程中，各条规则可以说明在不同财务数据选取时，财务数据应体现该企业竞争力水平的状態。其中a表示具有绝对竞争优势、r表示相对竞争优势、e表示无竞争优势、c表示危机。

第三，通过挖掘的结果，可以看出s公司2017年度的各项财务指标，可确定该企业在行业内处于相对竞争优势地位。

4几点启示

第一，在管理会计应用中，通过数据挖掘工具确定了适合相关条件的关联规则，依据管理会计的要求可对财务数据在目标设定和理解基础上进行关联规则的判断并确定其价值，进而进一步掌握该规则的现实意义。因此，挖掘规则在管理会计应用，其关键在于掌握规则，同时在规则中紧紧抓住核心方法和技术并充分发挥和体现出其作用。

第二，通过采用数据挖掘技术对大数据下的海量财务数据进行处理，得到了企业财务数据间的关联规则，这是数据挖掘技术在管理会计中应用的核心。这样，企业在管理会计应用中，可以按照挖掘出来的规则进行经营活动实践并接受检验，因此，数据挖掘是一项需要不断和继续研究与实践的过程。

第三，在管理会计应用中，数据挖掘和分析占据重要地位。当今的互联网时代也是数据时代，企业管理会计的位置将凸显，而财务数据和经营数据将对管理会计的职能产生不可缺少的作用。通过关联规则的挖掘，可以找出企业管理中隐含的数据，显示管理过程中的不同状态，促使企业采用相应的措施。因此，采用数据挖掘推动管理会计的应用，可有效地提升企业决策质量。

第四，数据挖掘是一个交互循环的过程，为了避免挖掘技术偏离应用的主体，应在注重数据挖掘结果基础上，更要注重相关数据在形成过程中的关联信息，从而在数据挖掘过程中，经营者不断拓展对数据应用的理解，从更加广泛的视域下对信息和数据进行多方位的全面判断，从更宽泛的领域对企业经营做出决策。

相关热词搜索： 管理会计 数据挖掘 技术