數據可視化與挖掘分析在資產管理中的應用

馮俊池，安豐亮，肖巖平

（軍事科學院系統工程研究院后勤科學與技術研究所，北京 100071）

0 引言

資產是一個單位完成生產任務和開展日常工作的物質基礎，也是單位生存和發展所依賴的重要資源，其管理成效直接影響單位資源能否合理配置。資產管理是單位日常管理的重要工作之一，科學有效地管理好資產，能夠增強資產采購的科學性、資產配置的合理性，實現資產管理與預算管理、財務管理的緊密結合，發揮其最大使用效益，對保持和提高生產能力具有重要意義。

隨著信息化的發展，資產管理信息系統逐漸得到普及，資產申請、審核、購置、登記、處置等各項管理業務流程實現線上化操作處理，資產使用及運行狀態通過實時采集手段實現動態監控。在線系統產生的資產數據逐漸匯聚，規模體量逐漸龐大，資產管理過程中的規律、態勢、風險等有價值的數據潛藏其中。如何有效利用數據積累，發揮信息技術優勢，實現資產整體態勢掌握、有效管控和統籌配置，受到了越來越多的重視。

數據可視化技術與數據挖掘分析技術是大數據利用中常用的關鍵技術，能夠從規模巨大、類型繁多、產生迅速、價值密度低的數據中有效提取關鍵信息。通過在資產數據分析中應用數據可視化與挖掘分析技術，能夠分析資產規模、價值、質量、使用狀況及分布情況，探索變化趨勢，發現存在問題，對掌握資產整體態勢，盤活存量資產，優化資源配置，提高資產利用率和經營管理效能具有重要意義。

1 數據可視化與挖掘分析技術簡介

1.1 數據可視化

數據可視化是數據描述的圖形化表示，通過以直觀的方式呈現數據，幫助用戶深入理解數據內涵，有效獲取數據潛在的重要信息以及特征規律［1］。數據可視化能將枯燥繁多的數據轉化為生動形象的圖表，為錯綜復雜、看上去沒有關聯的數據建立聯系和關聯［2］。

數據可視化過程包括數據采集、數據處理變換、可視化映射和用戶感知4 個主要階段［2］。數據采集主要通過從業務信息系統、離線文件、物聯網采集設備等來源實現數據匯聚，通過自動化接口、人工處理等形式，將多源數據進行融合。數據處理變換將數據進行格式、形式上的轉換和特征提取等操作，為數據展現提供基礎。可視化映射則將數據特征映射到不同類型的圖表，實現由數據值到形狀、大小、顏色等圖表特征的轉換，常用的統計圖表包括柱狀圖、折線圖、餅狀圖、散點圖、氣泡圖、雷達圖、直方圖、詞云圖、熱度圖、地圖等。用戶感知則是用戶借助圖表發現潛在信息和知識的過程，實現由數據到認識的最后轉換。

1.2 數據挖掘分析

數據挖掘分析是通過特定的方法來發現隱藏在大量數據中的信息的過程，是大數據處理體系的核心。數據挖掘分析涵蓋了統計分析、機器學習、模式識別等多個領域的技術和方法［3］，主要包括數據預處理、特征工程、建立模型和應用模型4 個主要階段。（1）數據預處理。主要針對數據進行歸一化、標準化等操作，原始數據中通常存在各類問題，如：數據量綱不一致、數據項冗余、存在缺失值、類別特征不能直接使用等，需要進行處理后才能進行下一步。如在算法只接受數值特征的輸入、字符型類別特征不能直接使用的情況下，需要通過one-hot［4］將字符型數據轉換為數值型數據。（2）特征工程。指從數據中篩選與訓練目標相關的特征，從而提高模型效果的過程。待挖掘分析的數據項一般很多，如果全部作為特征輸入模型進行訓練，則會帶來噪聲，影響模型效果。通過可視化分析可以發現影響目標的相關變量，為特征選取提供參考。（3）建立模型。指選擇要使用的模型，利用數據進行訓練，并不斷調整優化的過程。常見的模型包括回歸、聚類、分類等。針對不同的分析任務，要選取的模型也不同，需要根據任務特點和模型的適用性，選擇最優模型。（4）應用模型。在建立模型階段訓練得到的模型在應用模型階段使用，通過將待分析數據作為輸入運行模型，從而得到分析結果，為業務人員決策提供指導。

2 資產數據可視化分析

數據可視化技術能夠實現資產態勢的掌握以及數據規律的發現，還可用于資產數據的清洗［5］，進行數據的檢查、糾錯和轉換。

2.1 資產分布分析

資產分布主要指資產數量及價值在類別、所屬部門、所處位置等多個維度上的分布情況，可采用柱狀圖、南丁格爾圖、餅圖、雷達圖、詞云圖等形式表現。針對基礎設施類數據可采用地圖形式表現。（1）類別分布分析。通過資產價值在不同類別資產上的分布情況對比，可查看經費投向投量，對比與整體戰略是否一致。（2）部門分布分析。通過資產數據及價值在不同單位或部門的分布情況對比，分析資產分布與單位職能、規模是否匹配。（3）位置分布分析。通過資產數量及價值在不同地理位置的分布情況對比，分析是否均衡，以及與業務區域重視程度是否相符。

（4）多維分布分析。結合類型、部門、位置等多種因素，綜合查看資產分布情況。在堆積柱形圖中可以實現不同子分類數據的堆積，從而在展現數據分類對比的同時查看子分類的占比情況。如在針對單位資產價值的分布圖中，可通過堆積不同類型資產的價值，實現查看不同單位資產價值分布情況的同時，對比同一單位不同類型資產的價值。

2.2 資產趨勢分析

資產趨勢分析主要指分析資產數量及價值在時間維度上的變化情況，可采用折線圖、階梯圖等形式實現。通過觀察資產總量、規模和結構在時間維度上的增減變動情況，可了解資產整體態勢及管理情況，并判斷其對單位生產效能的影響；通過觀察某類資產在時間維度上的增減情況，可發現該類資產購置、使用和退出規律，為采購、維修、報廢計劃提供參考。資產趨勢分析應用場景還包括：

（1）資產購置新增趨勢分析，反映單位在特定領域建設的投入情況，檢查各領域方向投入是否均衡，以及是否與業務發展重點相一致。

（2）資產報廢退役趨勢分析，反映資產消耗情況，檢查資產消耗速度是否正常，是否存在消耗過快情況。

（3）資產使用時間趨勢分析，反映資產使用規律，檢查資產利用率是否合理，如利用率過低，則可能存在資產數量過多或配置不均等情況，需要根據具體原因調整資產配置。

2.3 資產損耗分析

資產損耗分析主要從質量和使用情況角度分析資產狀況，發現資產使用和維護管理中存在的問題，為提升資產質量和使用效益發現可改進之處。

2.3.1 資產質量分析

資產以采購等各種形式新增，以報廢、權利轉移等各種形式減少，在其生命周期內，還需要關注運行（使用）、維護及處置情況，如果沒有完善的管理機制，資產會出現質量問題，導致其無法發揮應有的作用。針對以上情況，分析各類資產新品、堪用品、待修品、報廢品的數量及比例，可獲悉資產質量分布情況，從而判斷質量情況是否合理，并從以下角度分析有無問題以改進管理：①設施設備維修是否及時；②資產報廢率是否過高；③資產購置及處理是否及時；④可用資產規模是否滿足業務工作需求。

2.3.2 資產使用分析

如果采購時缺乏整體協調容易使得部分資產的重復購置率較高，從而造成使用效率低；部分設備類資產由于更新換代頻繁、兼容性差等原因也有可能造成資產長期閑置。針對以上情況，分析每類資產以及其在不同部門的使用及閑置情況，判斷資產存量是否滿足需求、是否存在冗余，以及各部門間資產使用是否存在忙閑不均等情況，為資產合理配置提供數據依據，充分挖掘資產潛能，避免設備空置、重復購置等浪費現象出現。

3 資產數據挖掘分析

3.1 聚類分析

聚類分析目的是把大量數據點的集合分為若干類，使得每個類中的數據最大限度地相似，而不同類中的數據最大限度地不同。將各單位不同類型資產的數量作為特征向量，運用聚類分析方法，可挖掘具有相似資產分布特性的單位，通過與單位職能的對比分析，來輔助判斷資產配置是否合理。

資產數據分析中其他可以應用聚類分析的場景還包括：

（1）根據資產使用壽命、維修周期等特征，建立聚類模型，挖掘具有相同維護特性的資產類型，以便于統一管理。

（2）針對某一類型設備，根據設備性能參數等進行聚類，如臺式計算機，根據處理器、內存、硬盤、顯卡等參數進行聚類分析，結合用途功能，形成系列配置，可為下一步采購、編配、調劑提供參考。

3.2 關聯分析

關聯分析通過尋找最能夠解釋數據變量之間關系的規則，來找出大量多元數據集中有用的關聯規則，是從大量數據中發現多種數據之間關系的一種方法；另外，它也可以基于時間序列對多種數據間的關系進行挖掘。

關聯分析的對象包括不同類別員工數量與辦公設備數量之間的關系、不同類型資產之間的數量關系等，如臺式計算機數量與硬盤購置數量、辦公桌數量等之間的關系；還可以對各類資產數量之間進行關聯分析，發現其中隱藏的不同資產之間的潛在關聯，為制定配置標準、科學規范配置相關資產提供參考。

3.3 回歸預測

回歸分析的核心是解決連續型變量的預測問題，通過對具有連續型標簽的數據進行學習，建立機器學習模型，從而對其他有相同特征的數據集進行預測。常用模型包括線性模型、決策樹模型、生存回歸模型等。應用回歸預測對單位資產總量隨時間變化情況進行分析，可發現資產變化趨勢規律，輔助后續規劃計劃；對比不同單位資產變化情況，根據差異尋找不同及原因，推動改進管理手段和方法。

針對大型儀器設備，通過回歸預測還可輔助進行運行狀態監控管理。根據設備信息、維修情況以及運行特征狀態數據集，構建預測模型，對設備進行使用壽命、檢修維修時間等數值預測，實現設備運行狀況預警，同時為采購計劃、備品備件庫存、維修檢修計劃等提供參考。

3.4 異常點檢測

異常點檢測又稱離群點檢測，是找出明顯偏離其他數據，不滿足一般模式或行為的數據點的檢測過程［6］。常見的檢測方法包括基于統計的模型、基于距離的模型等。異常點檢測試圖捕捉那些顯著偏離多數模式的異常情況，可用于發現大量資產中存在的異常個例。如果某類資產的報廢期限普遍為6～8 年，那么某個使用2 年便報廢的該類資產便是典型的異常點，需要進一步結合實際情況開展分析，確定是統計錯誤還是實際情況，如情況屬實，還可對其產生原因做進一步分析，為后期使用管理提供經驗。此外，還可以針對資產數量、價值、質量等多個指標在不同維度上進行異常點檢測，發現資產管理中存在的個別問題，有助于發現異常和違規情況，推動資產規范化管理。

4 結語

在信息技術特別是大數據技術迅速發展的形勢下，資產數據在質和量上逐漸提升。海量資產數據如果無法得到有效利用，則不能充分發揮信息化管理的優勢，無法將數據優勢轉化為決策優勢，從而無法改進管理，提高效益。為解決這一問題，本文對數據可視化及挖掘分析技術在資產數據管理中的應用進行了分析，針對典型場景提出了應用方向和內容。通過對資產數據的深入分析得出規律，指導資產采購、使用、調配、報廢等工作開展，有利于提高資產利用率，提升資產管理的科學性、準確性。