大數據技術驅動下管理會計模式轉型發展探討

陳 旭

(長春中醫藥大學附屬醫院，吉林 長春 130021)

1 大數據分析技術與管理會計概述

1.1 大數據分析技術概述

大數據是信息技術飛速發展誕生的一種數據處理方式，特指一定時間范圍內超出常規計算機軟件工具捕捉、收集、管理以及分析處理的數據集合，大數據技術針對某一特定領域海量數據信息的收集和分析能夠結合數據挖掘模型進行深度價值挖掘，對優化流程、參與決策和展現數據特點具有十分重要的現實意義。當前，大數據分析技術數據分析與挖掘的價值在企業運行數據管理方面取得了突出的推動作用，特別是財務管理這類涉及數據信息較多、信息規模較大且信息種類繁多的業務流程，大數據分析技術以其高效的數據處理能力推動了企業財務管理工作的轉型升級。

1.2 管理會計概述

管理會計是一種誕生在傳統財務會計基礎上，為實現企業經濟效益最大化而誕生的一種現代企業財務管理工作模式。管理會計建立在信息技術基礎之上，通過整理獲取和挖掘分析與企業運營相關的一切資料信息，找尋數據信息的內在屬性和關聯性，進而為企業財務戰略調整和財務管理工作提供決策性依據，管理會計與財務會計相比在管理職能上得到全面強化，將財務管理工作上升到企業戰略決策層面，重點通過數據信息的分析、處理與整合，輔助企業戰略層面制定相應調整決策。

1.3 大數據技術驅動下管理會計模式轉型的具體形式

1.3.1 會計主體

企業傳統會計工作的主體對象主要為企業的受益者和管理者，在大數據技術應用的驅動下，企業財務管理環境和結構變得日益復雜，工作內容也在逐漸增多，管理會計模式的形成使得企業財務管理工作滲透到企業從上至下的各個層級和各個部門，企業財務會計的主體結構也逐漸從受益者和管理者擴大至企業內部的各個層級和各個部門，企業管理會計為了適應大數據技術應用環境下的工作角色變換，其會計工作主體的職能也隨之進行轉型[1]。

1.3.2 信息相關性

在信息時代背景下，企業長時間運營所產生的財務數據規模是十分驚人的，且數據內容不再局限于財務管理部門，而是涉及企業參與業務的多個部門，這就需要企業決策者在制定發展策略過程中必須整合完整的數據內容，并經過科學謹慎的分析推理方能夠最終確定。在大數據技術的驅動下，企業財務管理部門承擔了數據信息收集、整合、分析以及挖掘的任務，且財務會計需要處理的財務數據類型變得越來越多樣化，在此背景下，企業財務會計工作模式向著管理會計進行轉型升級變得十分迫切。

2 大數據技術推動管理會計模式轉型發展的必要性

在信息時代背景下，傳統財務會計在企業經營決策數據支持方面存在一定的局限性。在數據源方面，信息時代下企業的生產經營活動會產生海量的數據信息，但財務會計進行財務決策分析主要來自于歷史業務形成的結構化數據，依靠這種單一結構化數據分析制定出來的財務決策方案很難滿足當前企業經營發展對財務決策的創新需求；在技術方法方面，傳統財務會計主要針對企業的盈利能力、債償能力、成長能力以及運營能力四個方面進行定量分析，且分析方法主要以Excel為主，財務分析結果具有相當的片面性。總而言之，傳統財務會計在大數據時代背景下很難滿足企業對財務數據分析的各項創新要求，企業進行管理會計模式轉型勢在必行。

3 大數據技術在管理會計模式中的主要分析方法

大數據分析技術在企業管理會計中的應用主要表現在通過建立財務數據模型，對相應數據進行分析，整合數據特征，挖掘數據價值，進而為企業管理者提供更具指向性的決策性依據，當前管理會計模式中應用大數據技術的分析方法主要為統計分析，內含聚類分析方法、可視化分析方法以及決策樹分析方法。

3.1 統計分析方法

統計分析方法是企業管理會計應用大數據技術所采用的最基礎也是最核心的方法模型，通過統計分析模型，企業可以利用大數據技術分析出某一經濟指標的影響因素，也可以分辨出不同經濟指標彼此之間的線性關系[2]。目前管理會計運用大數據技術進行統計分析主要采用時間序列分析預測、回歸性分析、趨勢分析、殘差分析以及比較分析等。

3.2 聚類分析方法

聚類分析是企業管理會計在數據價值挖掘過程中常用的一種大數據分析技術。在具體操作過程中，主要是依照財務數據庫中的各類樣本數據自身特點，對比被聚類的對象進行類別劃分，聚類分析通常被應用到企業管理會計的財務決策分析過程當中，譬如：企業在制定市場營銷策略過程中，可以將目標市場中的用戶數據進行收集以及預處理，定義相似的度量度，分成高等收入、中等收入以及低收入三個類別，進而通過聚類分析依照不同用戶需求制定不同的針對性營銷策略。

3.3 可視化分析方法

可視化分析方法通過大數據分析向企業管理者和決策者以數據可視化的形式展現分析結果的方法，而PowerBI是目前企業管理會計應用十分熱門的財務數據可視化分析平臺，PowerBI主要包含數據整理、數據建模以及數據可視化三種基本功能。數據整理就是通過統一數據集的數據類型和維度名稱，對財務相關原始數據進行合并，并通過不斷地抽取、清洗、轉換和加載來對數據進行正確解讀；數據建模就是通過管理企業各類數據指標之間的關系，利用DAX函數創建度量值、計算列、計算表以及層次結構；數據可視化就是在數據建模獲得度量值、層次結構等基礎之上，形成瀑布圖、條形圖、地圖或者儀表盤等內容，以便進行更加清晰和直觀的數據展示，具體可視化過程如圖1所示。

圖1 管理會計數據可視化實現示意

3.4 決策樹分析方法

決策樹分析方法是一種滿足企業管理會計分類需求應用的更具直觀理解的分析方法，通過類似流程圖中的決策樹結構對數據分類結果進行直觀描述。決策樹分析方法的計算方式主要采用概率分析法，通過決策樹模型，企業獲取目標數值的快速判斷依據。譬如：企業管理會計在進行項目審批過程中，需要對項目申請人的風險進行分類，此時，財務管理者利用決策樹從上至下依照每一個節點的問題開展問答，能夠求出最終到達節點所需的結果，幫助決策人清晰地判斷哪些字段相對重要[3]。

4 基于大數據分析技術下的管理會計服務平臺結構設計

4.1 管理會計服務平臺總體框架設計

不同的企業針對企業發展不同的需求會從不同角度應用大數據分析技術進行財務決策支持系統平臺的設計，本文分析的基于大數據技術下的管理會計服務平臺采用四層結構設計，即：數據收集層、數據存儲層、財務分析層以及決策支持層。數據收集層主要通過Wind、社會網站、企業年報、內部信息管理系統以及政府對應職能部門收集財務類、業務類以及政策類相關數據；數據存儲層也叫數據倉庫，主要通過原始數據庫、方法數據庫以及模型數據庫為大數據分析及數據價值挖掘提供完整的分類數據信息；財務分析層是大數據技術應用的主要區域，主要通過數據倉庫中提供的各類數據進行市場分析、業務分析、財務能力分析以及報表結構分析等；決策支持層是管理會計應用大數據分析技術進行數據挖掘而產生的結果應用，為企業的經營決策、投資決策、融資決策、利潤分配決策等提供支撐依據。

4.2 數據收集層設計

大數據技術的廣泛應用解決了企業數據收集分散且滯后的問題，信息時代背景下，企業進行各類數據信息的收集變得更加便捷。從數據來源角度，在大數據技術的支撐下，企業財務管理部門可以通過企業內部數據庫、信息化辦公系統、金融數據庫、企業外部網站、社交媒體網絡、政府數據網站獲得企業管理會計進行決策分析的全部原始數據。包含企業財務能力指標和財務報表數據的財務類數據，包含企業生產基礎信息、客戶基本信息、供應商基本信息、銷售額、生產成本等結構化數據的業務類數據，包含會計政策、會計制度、財務政策法規、會計準則、宏觀經濟數據等政策類數據，這一切數據均通過數據收集層的爬蟲軟件獲得文本數據[4]，具體采集手段可采用傳感器采集、RFID、數據檢索分析以及條形碼技術等。

4.3 數據庫設計

財務能力指標數據以及財務數據報表是金融數據庫中的公開可獲取的數據，直接導入管理會計服務平臺的數據庫即可，而業務類數據以及政策類數據則需要企業財務數據庫借助大數據技術如Hadoop技術進行導入處理。在數據庫結構方面，財務決策服務平臺需要構建原始數據庫、方法數據庫以及模型數據庫。原始數據庫需完成財務類數據、業務類數據以及政策類數據的分類與匯總，確保數據信息的全面性和完整性；方法數據庫需要結合大數據分析技術打造財務指標的各種算法和計算公式，形成符合企業發展所需的財務分析方法和財務決策方法；模型數據庫主要涵蓋財務分析、財務預測以及財務決策的數據模型，目前企業管理會計常用的模型數據庫有沃爾森財務分析評價體系、杜邦財務分析體系等，還有一些財務指標相關的趨勢分析模型[5]。

4.4 財務管理分析層設計

在大數據技術驅動下，企業管理會計模式轉型發展的核心部分就是財務決策平臺中的財務管理分析層，該部分是管理會計模式為企業經營發展提供決策性依據的關鍵分析環節，財務人員結合數據庫中的原始數據、方法數據以及模型數據，利用相應的分析技術以及模型算法對企業的財務狀況以及經營情況進行分析與判斷，進而形成精準的財務決策方案。財務管理分析層主要由三個功能模塊構成：第一，報表結構分析模塊。主要針對企業的資產結構、貨幣資金流動情況、應收賬款、存貨、負債結構、流動與非流動負債、股東權益構成、實收資本等進行代表財務狀況類數據進行分析，判斷企業目前的資金與資產狀況；第二，財務能力分析模塊。主要針對企業的盈利能力(總資產報酬率、凈資產收益率、銷售利潤率)、債償能力(資產負債率、流動比率、速動比率)、運營能力(資產周轉率、應收賬款周轉率、存貨周轉率)、成長能力(資產增長率、股東權益增長率)等類型數據進行匯總分析；第三，業務能力分析模塊。主要針對企業的生產能力(原材料、費用要素、職工薪酬)、銷售能力(銷售額、廣告宣傳、費用變動)、存貨能力(存貨方式、存貨量、存貨周轉)等類型數據進行匯總分析。

4.5 決策支持層設計

決策支持層設計主要為企業發展提供經營決策支持、投資決策支持、融資決策支持以及利潤分配決策支持，在完整的大數據分析流程當中，決策層形成的支撐方案主要來源于對數據分析結果進行的數據解釋，該環節主要通過數據可視化技術和決策樹分析技術進行更加直觀的展示，依托Hadoop、HPCC、ApacheDrill等數據處理工具和圖標技術、面向像素技術、分布式技術以及集成化可視技術，形成最終的決策方案，進而實現數據價值挖掘的成果實現。