淺談數據挖掘在管理會計中運用

摘要：數據挖掘是從海量數據中發現和提取知識和信息的過程。在管理會計領域中運用數據挖掘技術，尋求和發現更多的企業顧客、供應商、市場以及內部流程優化的信息，將為企業決策者提供更為廣泛而有效的決策依據，提高企業戰略競爭能力。本文簡要介紹了數據挖掘的基本概念和方法，在此基礎上重點分析了數據挖掘技術在作用成本和價值鏈分析，產品、市場和顧客分析以及財務風險防范等方面的應用。 關鍵詞：數據挖掘；信息；管理會計；應用

1 數據挖掘技術的含義

數據挖掘是從數據當中發現趨勢和模式的過程，它融合了現代統計學、知識信息系統、機器學習、決策理論和數據庫管理等多學科的知識。它能有效地從大量的、不完全的、模糊的實際應用數據中，提取隱含在其中的潛在有用的信息和知識，揭示出大量數據中復雜的和隱藏的關系，為決策提供有用的參考。

2 數據挖掘的方法和基本步驟

2.1 數據挖掘的主要方法

常用的數據挖掘方法主要有決策樹（Decision Tree）、遺傳算法（Genetic Algorithms）、關聯分析（Association Analysis）、聚類分析（Cluster Analysis）、序列模式分析（Sequential Pattern）以及神經網絡（Neural Networks）等。

2.2 數據挖掘的基本步驟

SAS研究所提出的SEMMA方法是目前最受歡迎的一種數據挖掘方法，其描述的數據挖掘的大致過程包括取樣（Sample）、探索（Explore）、修改（Modify）、模型（Model）和評價（Assess）。

數據取樣。在進行數據挖掘之前，首先要根據數據挖掘的目標選定相關的數據庫。通過創建一個或多個數據表進行抽樣。所抽取的樣本數據量既要大到足以包含有實際意義的信息，同時又不至于大到無法處理。

數據探索。數據探索就是對數據進行深入調查的過程，通過對數據進行深入探察以發現隱藏在數據中預期的或未被預期的關系和異常，從而獲取對事物的理解和概念。

數據調整。在上述兩個步驟的基礎上對數據進行增刪、修改，使之更明確、更有效。

建模。使用人工神經網絡、回歸分析、決策樹、時間序列分析等分析工具來建立模型，從數據中發現那些能夠對預測結果進行可靠預測的模型。

評價。就是對從數據挖掘過程中發現的信息的實用性和可靠性進行評估。

3 數據挖掘在管理會計中的運用

3.1 數據挖掘在管理會計中運用的重要意義

提供有力的決策支持。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高。管理會計作為企業決策支持系統的重要組成部分，提供更多、更有效的有用信息責無旁貸。因此，從海量數據中挖掘和尋求知識和信息，為決策提供有力支持成為管理會計師使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，改進產品和服務質量，提高貨品銷量比率，設計更好的貨品運輸與分銷策略，減少商業成本。

贏得戰略競爭優勢的有力武器。實踐證明數據挖掘不僅能明顯改善企業內部流程，而且能夠從戰略的高度對企業的競爭環境、市場、顧客和供應商進行分析，以獲得有價值的商業情報，保持和提高企業持續競爭優勢。如，對顧客價值分析能夠將為企業創造80％價值的20％的顧客區分出來，對其提供更優質的服務，以保持這部分顧客。

預防和控制財務風險 。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并非一蹴而就，而是一個積累的、漸進的過程，通過建立財務風險預警模型，可以隨時監控企業財務狀況，防范財務危機的發生。另外，也可以利用數據挖掘技術，對企業籌資和投資過程中的行為進行監控，防止惡意的商業欺詐行為，維護企業利益。尤其是在金融企業，通過數據挖掘，可以解決銀行業面臨的如信用卡的惡意透支及可疑的信用卡交易等欺詐行為。根據SEC的報告，美國銀行、美國第一銀行、聯邦住房貸款抵押公司等數家銀行已采用了數據挖掘技術。

3．2 數據挖掘在管理會計中的應用

作業成本和價值鏈分析。作業成本法以其對成本的精確計算和對資源的充分利用引起了人們的極大興趣，但其復雜的操作使得很多管理者望而卻步。利用數據挖掘中的回歸分析、分類分析等方法能幫助管理會計師確定成本動因，更加準確計算成本。同時，也可以通過分析作業與價值之間的關系，確定增值作業和非增值作業，持續改進和優化企業價值鏈。在Thomas G， John J和Il-woon Kim的調查中，數據挖掘被用在作業成本管理中僅占3％。

預測分析 。管理會計師在很多情況下需要對未來進行預測，而預測是建立在大量的歷史數據和適當的模型基礎上的。數據挖掘自動在大型數據庫中尋找預測性信息，利用趨勢分析、時間序列分析等方法，建立對如銷售、成本、資金等的預測模型，科學準確的預測企業各項指標，作為決策的依據。例如對市場調查數據的分析可以幫助預測銷售；根據歷史資料建立銷售預測模型等。

投資決策分析。投資決策分析本身就是一個非常復雜的過程，往往要借助一些工具和模型。數據挖掘技術提供了有效的工具。從公司的財務報告、宏觀的經濟環境以及行業基本狀況等大量的數據資料中挖掘出與決策相關的實質性的信息，保證投資決策的正確性和有效性。如利用時間序列分析模型預測股票價格進行投資；用聯機分析處理技術分析公司的信用等級，以預防投資風險等。

顧客關系管理。顧客關系管理是提升企業競爭優勢的有力武器。首先，要對顧客群體進行分類。通過對數據倉庫的分類和聚類分析，可發現群體顧客的行為規律，從而對顧客進行分組，實行差別化服務；其次，對顧客的價值進行分析，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部分顧客，對這部分顧客的行為、需求以及偏好進行動態跟蹤和監控，并根據不同的顧客群的不同特點提供相應的產品和服務，從而與顧客建立長期的合作關系，提高顧客保持力。如在電信部門，對電信數據進行多維分析有助于識別和比較不同顧客對于產品的不同需求，從而使企業提供更有特色的產品，為顧客提供更優質的服務。

產品和市場分析。 品種優化是選擇適當的產品組合以實現最大的利益的過程，這些利益可以是短期利潤，也可以是長期市場占有率，還可以是構建長期客戶群及其綜合體。為了達到這些目標，管理會計師不僅僅需要價格和成本數據，有時還需要知道替代品的情況，以及在某一市場段位上它們與原產品競爭的狀況。另外企業也需要了解一個產品是如何刺激另一些產品的銷量的等等。例如，非盈利性產品本身是沒有利潤可言的，但是，如果它帶來了可觀的客戶流量，并刺激了高利潤產品的銷售，那么，這種產品就非常有利可圖，就應該包括在產品清單中。這些信息可根據實際數據，通過關聯分析等技術來得到。

財務風險分析。管理會計師可以利用數據挖掘工具來評價企業的財務風險，建立企業財務危機預警模型，進行破產預測。破產預測或稱財務危機預警模型能夠幫助管理者及時了解企業的財務風險，提前采取風險防范措施，避免破產。另外，破產預測模型還能幫助分析破產原因，對企業管理者意義重大。在20世紀30年代，Smith和Winakor率先進行了破產預測的嘗試。隨后到了20世紀60年代，Altman利用多維判別式分析（Multivariate Discriminant Analysis）方法提出的Z-score破產預測模型取得了很大的成功，預測準確率高達90％以上。此后，數據挖掘技術包括多維判別式分析（Multivariate Discriminant Analysis）、邏輯回歸分析（Logistic Regression Analysis）、遺傳算法、神經網絡以及決策樹等方法在企業破產預測中得到了廣泛的應用。

4 結束語

隨著我國加入WTO，企業面臨的競爭壓力也越來越大。充分利用信息技術的最新成果，挖掘企業自身潛力，加強企業內部管理，提升企業競爭力刻不容緩。數據挖掘技術的推廣應用雖然受到成本和技術的限制，但是如果能取得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。