導語：大數據挖掘技術在財務分析的應用一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：近年來，隨著互聯網、物聯網、云計算以及三網融合等信息和新興技術的迅速發展，現代信息社會已經邁入了大數據時代，大數據的價值之大，并不是混沌無序的數據所創造的，而是通過對這些數據進行深入分析并發現知識實現的。目前傳統的財務分析暴露出越來越多的缺點，若將大數據挖掘技術應用其中，可以大大提高財務分析工作的效率和質量。因此，本文主要分析了大數據挖掘技術在財務分析方面的應用，以期能夠更好的幫助企業進行決策。

關鍵詞：大數據；數據挖掘技術；財務分析

一、引言

目前社會正處于一個以數據為驅動的時代，大數據發展的浪潮持續洶涌，數據信息已經成為企業非常寶貴的資源。而企業經營的一系列活動都會以數據的形式進行保存并記錄，數據呈現爆炸式增長的事態，人工在短時間內是無法合理完成數據的收集、管理并處理成有用的信息。奈斯比特在《大趨勢》中曾說：“盡管我們沉浸在信息的海洋中，卻十分渴望所需要的知識”。從這句話中可以看出，我們缺乏的不是數據，而是一種有效的分析工具，從海量的數據中挖掘到有價值的信息，在這種情況下，應用大數據挖掘技術就非常有必要了。近年來算法優化和數據建模等領域實現了多項突破，使得大數據挖掘技術能夠快速的在財務分析中應用和推廣。而財務分析是企業經營管理非常重要的一環，傳統的財務分析因其固有的局限性，使財務人員在分析多年的財務數據和行業數據都感到很棘手，往往不能發現隱藏在財務數據背后的內在聯系。因此，將大數據挖掘技術應用于財務分析，從海量信息中挖掘有用的信息，幫助管理者更好的進行決策就顯得尤為重要。

二、大數據挖掘的概述

(一)大數據概念。目前，對于大數據還沒有一個公認的定義，最早是由“BigData”譯過來的，麥肯錫在《大數據：創新、競爭和生產力的下一個前言》指出：“大數據是指大小超過了傳統數據庫軟件工具的抓取、存儲、管理和分析能力的數據群”。雖然這個定義帶有一定的主觀性，但是隨著科學技術的不斷進步，數據不僅巨量而且還復雜，巨量則意味著數據數量龐大，如果處理海量數據耗費超過了企業可承受的能力，則企業將會落后于同行。而復雜則意味著數據是多元化的，不僅僅是只有過去的結構化數據，也包含著半結構化和非結構化數據。因此企業要想在市場上獲得持久的競爭力，必須要提高對這些“數據”的加工能力，實現數據的“增值”。(二)數據挖掘概念。數據挖掘是一個發現數據特征和模式的過程，它的目標包括概念學習、特征識別、模式分布、規則提取和預測等。通過仔細分析經營活動中具有特定聯系的數據，以此進行適當的推測，進一步挖掘其中存在的潛在關系，更好的幫助企業優化業務運營、識別風險、預測新的商業機遇。一般來說，數據挖掘的流程大致可以分為三個階段：數據準備、數據挖掘以及結果評價，如圖1所示。(三)數據挖掘技術應用于財務分析的可行性分析。目前，隨著計算機技術和大數據技術的迅速發展，硬件技術不斷的迭代更新，為搜集、處理并儲存海量的財務數據提供了保障，并且大數據技術還能使得半結構化以及非結構化的數據標準化。同時，云計算、Web存儲等軟件技術的發展，為企業進行財務分析時提供了軟件支持。軟硬件結合，為挖掘技術在財務分析中的應用提供了可能。另外，企業做的每一項決策，都會從成本效益角度出發，而利用大數據挖掘技術進行財務分析，可以有效的降低成本，提高企業對信息的利用效率。通過數據挖掘技術，企業進行財務分析時能夠獲取大量相關的有用數據，這個過程主要與互聯網和企業的信息系統相通，不需要投入巨大的人力物力，而后期的分析也是在電腦上進行操作，所以，整體來看能取得以低成本手段達到高收益效果。

三、以數據挖掘視角看傳統財務分析

首先，傳統的財務分析具有一定滯后性，比較重視反映企業經營活動的歷史，對未來發展前景的反應欠缺。計量屬性主要以歷史為主，大都提供一些歷史的財務信息，而企業作為一個營利組織，要重視自身的長遠發展，在做決策時僅僅依賴歷史信息是不夠的。企業的經營活動每天都會更新大量信息，所以及時挖掘有用的信息能夠提高企業財務分析的效率。其次，傳統的財務分析具有一定的片面性，主要是以定量的方式來分析財務報表各項目之間的數量關系，計算比較簡單，比較大的缺陷是當數據比較多時，很難找出數據背后隱藏的信息，簡單的數量關系并不能給管理者帶來很好的利用價值。而目前大數據技術快速發展，企業能夠獲取各種各樣的數據，不僅僅局限在簡單的數量關系上，所以把數據挖掘技術應用到財務分析中，將數據加工成有價值的信息，可以輔助管理者進行決策。最后，會計政策選擇對財務分析的影響是不同的，在一定程度上會干擾可比性，不同行業或者相同行業的不同公司，財務政策的選用對財務信息的影響差別是很大的，傳統的財務分析一般都是同行業之間進行對比，行業不同財務指標是不能直接橫向比較的。但數據挖掘技術可以將大量的數據進行處理，使其標準化，為不同行業的企業進行橫向財務比較提供可能。

四、數據挖掘技術在財務分析應用中的主要內容

(一)數據挖掘在財務指標中的應用。傳統的財務分析最常用的方法就是定量分析方法，局限于歷史數據，主要依賴企業的財務報表，指標計算要等到報表出來以后才能進行，具有一定的片面性和滯后性。而將大數據挖掘技術應用到財務指標的計算中，雖然沒有改變其計算公式，但是它能夠對會計數據庫和其他業務數據庫中海量的數據綜合的處理，實現實時分析，也能夠快速實現與行業內其他公司的業績指標相比的功能。(二)數據挖掘在投融資決策的應用。對于企業來說，投融資是一個非常復雜的過程，企業要綜合考慮投資項目的內外部環境，借助大量的統計工具和應用模型，但是大數據技術能夠實時提供投資環境及行業狀況的資料，以此建立起來的模型能夠使企業挖掘更多有價值的信息，從而確保企業投資的效率和準確性。而對于融資而言，融資量、融資方式以及渠道等都是不容忽視的環節，企業不僅需要了解所處的政治、法律、金融等環境，還要了解企業籌集資金的用途和性質。這時，企業利用數據挖掘技術，可以擺脫原來預設模型的約束，運用回歸分析模型，預測未來需要籌資的數量，同時還可以運用關聯模型挖掘到企業最合適的籌資方式，以便管理者更好的進行決策。(三)數據挖掘在財務預警中的應用。控制評價是財務分析中重要的一環，傳統財務分析的做法是在每一個期間結束后，根據結果數據與原來設定的預算數據作比較，找出其中的差距并分析原因。但是這樣難免有滯后性。而大數據挖掘技術能夠實時快速的挖掘數據，將系統數據和預算數據進行比較，當發現偏差超過預設幅度，就立即會發出預警，引起管理者的注意。因此，大數據挖掘技術能夠使事后評價轉變為事中實時預警。

五、大數據挖掘技術在財務分析中的工作流程

數據挖掘并不是簡單的套用復雜的算法或模型，也不是對數據進行簡單的整理、建模以及分析，它是一個解決問題的方案和完整的流程，能夠帶給企業管理者一些有價值的信息，幫助其更好的進行決策。一個完整的數據挖掘過程一般包括問題識別、數據集成、數據準備、模型建立、模型評價和部署應用等六個階段，如圖2所示。流程的第一步是要進行問題識別，大數據挖掘的目標是通過數據分析發現能夠解決問題的知識。所以，要找出財務分析中有哪些問題以及問題是什么才能夠為大數據挖掘找準方向。其次就是數據集成與數據準備，由于財務數據的價值存在于不同的系統、不同的用戶之間傳遞和共享。與此同時，數據是非常容易被破壞的，所以這里重點關注獲取的財務數據是否符合解決問題的需要。根據不同的需求，選擇合適的數據，例如投資者關心銷售利潤率、資本增值率等指標，債權人關心的是企業資產負債率、速動比率等等。而數據準備可以將一些冗余數據以及格式不一致的數據進行處理，例如對一些文件、圖形等通過技術轉換成便于挖掘的數據集合進行儲存，為下一步做準備。接下來是模型建立，數據建模是大數據挖掘最核心的環節，這一階段需要根據不同的任務，對海量的財務數據進行建模分析，例如在進行投資收益預測時，企業可以選擇決策樹、遺傳算法等。接著是模型的評價，一般來講，主要包括功能性評價和服務型評。功能性評價指從技術上評價所建立模型對于完成財務分析任務的質量，而服務型評價主要是考察用戶的認可度如何，進而找出該模式的不足，不斷的進行修正，更有甚者，需要不斷地建立新的模型。只有建立最適合的模型，才能為企業財務分析提供可靠并且有價值的知識。最后就是部署應用階段，當大數據挖掘技術建立并經過驗證之后，可以將其應用到不同的數據集上，為企業所用。

六、結論

大數據時代隨著數據的不斷增加和問題求解規模的不斷擴張，基于報表的傳統財務分析具有一定的片面性以及滯后性，已經不能滿足企業的需求，而大數據挖掘技術運用到財務分析中，可以快速實時挖掘到隱藏在海量數據中有價值的信息，使得企業管理者更好的進行決策。未來，隨著信息技術的不斷發展，大數據挖掘技術在財務分析中的應用會越來越成熟。

作者:劉念 單位:首都經濟貿易大學會計學院