關鍵詞數據挖掘信息管理會計應用
介紹
近年來，數據挖掘技術引起了信息產業的極大關註。主要原因是有大量可以廣泛應用的數據，迫切需要將這些數據轉化為有用的知識和信息。根據GAO(總審計局)的報告，聯邦政府在提高政府服務水平、分析科學數據、管理人力資源、偵破犯罪和恐怖活動等方面發揮了巨大作用。尤其是9·11之後，美國的反恐活動需要從大量的數據中搜索有用的信息，數據挖掘技術發揮了重要的作用。此外，數據挖掘也廣泛應用於商業活動中。根據Thomas G、John J和Il-woon Kim對財富500強公司首席財務官的調查，收到的有效反饋中有65%使用了數據挖掘技術。支持使用數據挖掘技術的企業聲稱，有效使用數據挖掘技術可以為企業創造2000萬到2400萬的凈利潤。在數據挖掘的調查中發現，24%用於會計，42%用於財務，信息系統和市場分別為65，438+09%和5%。目前，數據挖掘技術的應用大多集中在金融保險、醫療保健、零售部門和電信部門。然而，數據挖掘在改善企業內部管理和建立企業競爭優勢方面的應用卻很少被提及。
壹，數據挖掘技術的含義
數據挖掘是從數據中發現趨勢和模式的過程，它結合了現代統計學、知識信息系統、機器學習、決策理論和數據庫管理等知識。它能有效地從大量不完整、模糊的實際應用數據中提取潛在有用的信息和知識，揭示大量數據中復雜、隱藏的關系，為決策提供有益的參考。
二、數據挖掘的方法和基本步驟
(壹)數據挖掘的主要方法
常用的數據挖掘方法主要包括決策樹、遺傳算法、關聯分析、聚類分析、序列模式分析和神經網絡。
(二)數據挖掘的基本步驟
SAS研究所提出的SEMMA方法是目前最流行的數據挖掘方法，它描述的數據挖掘壹般過程包括采樣、探索、修改、建模和評估。
1.數據采樣
在進行數據挖掘之前，應根據數據挖掘的目標選擇相關的數據庫。通過創建壹個或多個數據表進行采樣。提取的樣本數據量應該足夠大，以包含有意義的信息，但又不至於大到無法處理。
2.數據探索
數據探索是對數據進行深入調查的過程。通過對數據的深入探索，可以發現隱藏在數據中的預期或意外的關系和異常，從而獲得對事物的認識和概念。
3.數據調整
在以上兩步的基礎上，增加、刪除、修改數據，使其更加清晰有效。
4.建模
利用人工神經網絡、回歸分析、決策樹、時間序列分析等分析工具建立模型，從數據中找出那些能夠可靠預測預測結果的模型。
5.估價
它是對數據挖掘過程中發現的信息的實用性和可靠性進行評估。
三、數據挖掘在管理會計中的應用
(壹)數據挖掘在管理會計中的意義。
1.提供強有力的決策支持
面對日益激烈的競爭環境，企業管理者對決策信息的需求也越來越大。管理會計作為企業決策支持系統的重要組成部分，有責任提供越來越有效的有用信息。因此，從海量數據中挖掘和尋求知識和信息，為決策提供有力的支持，成為管理會計師運用數據挖掘的強大動力。例如，數據挖掘可以幫助企業加強成本管理，提高產品和服務的質量，提高商品的銷售比例，設計更好的商品運輸和配送策略，降低商務成本。
2.贏得戰略競爭優勢的有力武器
實踐證明，數據挖掘不僅可以明顯改善企業的內部流程，而且可以從戰略的角度分析企業的競爭環境、市場、客戶和供應商，從而獲得有價值的商業信息，保持和提高企業的持續競爭優勢。比如對客戶價值的分析，可以區分為企業創造80%價值的20%客戶，為企業提供更好的服務，留住這些客戶。
3.金融風險的防範和控制
利用數據挖掘技術，可以建立企業財務風險預警模型。企業財務風險的發生不是壹蹴而就的過程，而是壹個積累和漸進的過程。通過建立財務風險預警模型，可以隨時監控企業的財務狀況，預防財務危機的發生。此外，數據挖掘技術還可以用於監控企業在籌資和投資過程中的行為，以防止惡意商業欺詐，維護企業利益。特別是在金融企業中，通過數據挖掘，可以解決銀行業面臨的欺詐問題，如信用卡惡意透支、信用卡可疑交易等。根據證交會的報告，幾家銀行，如美國銀行、第壹美國銀行和聯邦抵押貸款公司，已經采用了數據挖掘技術。
(二)數據挖掘在管理會計中的應用
1.基於活動的成本和價值鏈分析
作業成本法因其成本計算準確、資源利用充分而引起了人們的極大興趣，但其復雜的操作卻讓許多管理者望而卻步。在數據挖掘中使用回歸分析和分類分析可以幫助管理會計人員確定成本動因，更準確地計算成本。同時，我們還可以通過分析活動與價值的關系來確定增值活動和非增值活動，從而不斷改進和優化企業價值鏈。在Thomas G，John J和Il-woon Kim的調查中，數據挖掘僅用於基於活動的成本管理，占3%。
2.預測分析
在很多情況下，管理會計師需要對未來進行預測，而預測是基於大量的歷史數據和合適的模型。數據挖掘在大型數據庫中自動搜索預測信息，利用趨勢分析和時間序列分析建立銷售、成本、資金等預測模型，從而科學準確地預測企業的各項指標，作為決策的依據。比如對市場調查數據的分析，可以幫助預測銷量；根據歷史數據等建立銷售預測模型。
3.投資決策分析
投資決策分析本身就是壹個非常復雜的過程，往往需要借助壹些工具和模型。數據挖掘技術提供了壹個有效的工具。從公司的財務報告、宏觀經濟環境和行業的基本情況以及大量數據中，挖掘出與決策相關的實質性信息，以保證投資決策的正確性和有效性。例如，利用時間序列分析模型預測股票價格進行投資；利用在線分析處理技術分析公司信用等級，防範投資風險。
4.客戶關系管理
客戶關系管理是增強企業競爭優勢的有力武器。首先要對客戶群體進行分類。通過數據倉庫的分類和聚類分析，可以發現集團客戶的行為規律，從而對客戶進行分組，實施差異化服務；其次，分析了顧客的價值。根據帕累托定律，20%的客戶創造了企業80%的價值。針對這種情況，公司可以從客戶數據庫中挖掘出這些客戶，動態跟蹤監測他們的行為、需求和偏好，根據不同客戶群體的不同特點，提供相應的產品和服務，從而與客戶建立長期合作關系，提高客戶留存率。例如，在電信領域，對電信數據進行多維度分析，有助於識別和比較不同客戶對產品的不同需求，從而使企業能夠提供更有特色的產品，為客戶提供更好的服務。
5.產品和市場分析
品種優化是選擇合適的產品組合以實現利益最大化的過程，可以是短期利潤、長期市場份額、長期客戶群及其綜合。為了實現這些目標，管理會計人員不僅需要價格和成本數據，還需要了解替代品的情況及其在某壹細分市場中與原產品的競爭情況。此外，企業還需要了解壹種產品如何刺激其他產品的銷售等等。舉個例子，壹個非盈利的產品本身沒有利潤，但是如果它帶來了可觀的客戶流量，刺激了高利潤產品的銷售，那麽這個產品就是很賺錢的，應該列入產品清單。這些信息可以根據實際數據通過相關性分析等技術獲得。
6.金融風險分析
管理會計師可以利用數據挖掘工具評估企業財務風險，建立企業財務危機預警模型，進行破產預測。破產預測或財務危機預警模型可以幫助管理者及時了解企業的財務風險，提前采取風險防範措施，避免破產。此外，破產預測模型還可以幫助分析破產的原因，這對企業管理者具有重要意義。20世紀30年代，史密斯和維納克爾率先進行了破產預測的嘗試。隨後在20世紀60年代，Altman利用多元判別分析方法提出的Z-score破產預測模型取得了巨大成功，預測準確率達到90%以上。此後，包括多元判別分析、邏輯回歸分析、遺傳算法、神經網絡和決策樹在內的數據挖掘技術被廣泛應用於企業破產預測。
四。結束語
隨著中國加入WTO，企業面臨的競爭壓力越來越大。迫切需要充分利用信息技術的最新成果，挖掘企業潛力，加強企業內部管理，提高企業競爭力。雖然數據挖掘技術的推廣應用受到成本和技術的限制，但是如果能夠得到企業高層管理者的支持，數據挖掘的應用將會有很大的發展前景。