智能财务“硬核”技术介绍：大数据挖掘

       大数据、人工智能、移动互联网、云计算、物联网、区块链等正在重塑 商业模式和财务模式，推动传统财务信息系统的智能化转型。智能财务场景的融合与创新正在以人们难以想象的速度发展。智能财务技术实现了核算、结算、费报销等基础财务工作的自动化和无人化。计划、决策、控制、评价等管理会计职能也逐渐与智能财务技术融合。财务预测、策略评价、成本决策等也在智能财务技术的支持下不断创新。本次主要介绍大数据挖掘在智能财务领域的应用。

一、大数据挖掘概述

大数据挖掘通过分析大量数据来揭示有意义的新关系、趋势和模式，出现于20世纪80年代后期，在大数据和人工智能领域研究中有较高的研究意义和应用价值。大数据挖掘利用了如下领域的思想：

1. 统计学的抽样、估计和假设检验。

2. 人工智能、模式识别和机器学习的搜索算法、建模技术和学习理论。

3. 最优化、进化计算、信息论、信号处理、可视化和信息检索。

大数据挖掘需要数据库系统提供有效的存储、索引和查询处理支持。高性能（并行）计算技术在处理海量数据集方面是重要的。分布式技术也能帮助处理海量数据，并且当数据不能集中到一起处理时更是至关重要。同时，可以通过高度自动化分析企业数据帮助企业作出归纳性的推理，从而挖掘出潜在的模式，帮助决策者减少风险，调整市场策略，作出正确决策。

大数据挖掘由三个阶段组成：

1. 数据准备。指从相关的数据源中选取所需的数据并整合成用于大数据挖掘的数据集，包括规律寻找和规律表示。规律寻找，指用某种方法将数据集所含的规律找出来。规律表示，指尽可能以用户可理解的方式（如可视化）将找出的规律表示出来。

2. 数据挖掘。其任务有：关联分析、聚类分析、分类分析、异常分析、特异群组分析和演变分析等。

3. 结果表达和解释。通过大数据挖掘发现的知识需要表达和专家解释，通常要考虑可用性、准确性和可理解性等指标来对结果进行评价。

机器学习、数理统计等方法是大数据挖掘进行知识学习的重要方法。大数据挖掘算法的好坏将直接影响到所发现知识的好坏。目前对大数据挖掘的研究也主要集中在算法及应用方面，其中关联分析法、人工神经元网络、决策树和遗传算法在大数据挖掘中应用很广泛。

二、大数据挖掘在智能财务中的典型应用分析

1. 在企业盈利能力分析中的创新应用

企业盈利能力即为企业获得利润的能力，是企业组织生产活动、销售活动及财务管理水平高低的全面体现，更是企业在激烈市场竞争中占据有利位置的有力保障。企业盈利能力所需分析的指标，具体包括销售净利率、销售毛利率、净资产收益率、资产收益率等。

企业依托数据挖掘技术，结合财务报表、凭证、账目等财务数据，挖掘出可计算以上指标的数据开展分析，获取企业盈利能力分析所需的结果，然后依据获取的结果集合企业今后的发展趋势评估，找出企业今后的盈利能力及其存在的不足，进而实现对数据挖掘技术在企业财务管理中的有效应用。

2. 在企业投融资管理中的创新应用

在对企业投资管理分析过程中，应分析投资项目科学可行性，需要引入各式各样的统计工具及模型。大数据挖掘可实时动态提供投资环境、行业相关运行状况等数据信息，利用该部分数据信息构建数据模型，可切实挖掘出有助于企业投资决策的信息，为企业投资决策正确性、有效性提供有力保障。

企业通过引入大数据挖掘，依托回归分析模型等评估企业需求筹集资金量，还可依托关联模型分析一系列融资方式、融资渠道，挖掘出最理想的融资方式、融资渠道，尽可能让企业以最小的风险及成本筹集到需求的资金。

3. 在企业财务管理中的创新应用

大数据挖掘在企业财务管理中可表现出一系列的优势：

（1）大数据挖掘所利用的基础数据，既涉及企业财务报表中的数据，又涉及非财务数据及其他相关数据，诸如企业运营管理数据、企业客户管理数据等。

（2）既可采用钻取、旋转等方式对各项数据开展深入分析，还可对各项数据开展统一管理，并从中挖掘出有价值的分析数据。

（3）可促进挖掘出潜在的投资者。