数据挖掘在财务风险预警系统中应用.docVIP

数据挖掘在财务风险预警系统中应用传统的财务风险预警系统一般是通过财务指标来实现的。也有学者引入了人工神经网络进行财务风险的预测，在进行财务风险预警指标的选取中，仍然是采用财务指标。虽然传统的财务风险预警系统能够对企业财务风险起到一定的警示作用，但也存在着不足。一是由于财务方面的问题所直接导致，二是传统的财务指标分析都是基于历史数据、基本的回归分析的预测中，对于未来不确定因素的预测具有一定的局限性。基于以上两点，本文提出应将数据挖掘技术应用于财务风险预警系统。 一、数据挖掘概述 数据挖掘是一种知识发现的过程，它主要基于统计学、人工智能、机器学习等技术，高度自动化地分析数据，做出归纳性的推理，从中挖掘出潜在的模式，并对未来情况进行预测，以辅助决策者评估风险，做出正确的决策。 对于企业而言，数据挖掘有助于发现业务的趋势，揭示已知的事实，预测未知的结果。在实际应用中，数据挖掘主要采用以下方法进行模式的发现。(1)分类分析。找出一个类别的概念描述，它代表这类数据的整体信息，一般用规则或决策树模式表示。常用的分类模型有决策树模型、基于规则模型和神经网络模型等。(2)聚类分析。与分类分析不同，聚类分析的输入是一组未标定的记录，目的是根据一定的规则，合理地划分记录集合。聚类分析和分类分析是一组互逆的过程，因此在很多分类分析中适用的算法也同样适用于聚类分析。(3)关联分析。如果两个或多个数据项之间的取值之间重复出现且概率很高时，它们之间就存在某种关联，可以建立这些数据项的关联规则。一般用“支持度”和“可信度”两个阈值来在筛选关联规则。(4)预测。预测是利用历史数据找出变化规律，建立模型，并用此模型来预测未来数据的种类，特征等。典型的方法是回归分析、人工神经网络、遗传算法等。 二、数据挖掘技术在财务风险预警系统中的应用 根据财务风险预警系统需求以及系统分析的原理，尝试将数据挖掘技术应用于财务风险预警系统。系统处理信息的过程如图1所示。 (一)数据准备工作　构建财务风险预警所需要的数据源，主要包括生产经营数据和财务数据，两者均可通过企业的ERP系统获取。生产经营数据主要包括企业存货种类、数量、单价、周期；客户名称、购买产品名称、数量、时间、单价、总金额等。财务数据主要包括现金、应收账款、负债、销售收入、销售利润等。外部数据主要包括同行业上市公司的财务数据。 (二)数据预处理　确定好目标数据之后，就需要对数据进行预处理。数据预处理主要包括三个阶段，分别是抽取、转换和装载。抽取阶段的主要任务是：分别从企业ERP系统或外部数据源读取源数据，及时捕获变化数据以及抽取数据到数据准备区。转换阶段的主要任务是：根据源数据及分析任务，清洗并增补列的属性、数据结构、数据规则、业务规则等，一致性处理业务标签、业务度量及性能指标，去除重复数据，将一致性处理后的数据保存到数据准备区。装载阶段的主要任务是：把不同的数据分析模型所需要的数据载人数据分析区。 (三)数据挖掘　对于经过预处理的数据，确定相应的数据挖掘目标，根据不同的数据挖掘目标，确定相应的数据挖掘的方法，最终得到预测结果，根据财务风险预警需要的信息，有以下模式：(1)采用分类分析进行客户细分，发现有价值的客户，以及清楚各类客户的特点。对于企业来说，有价值的客户应该是业务量大、信用度高的客户，该类客户应该是风险较低的客户，那么企业可以通过一定的优惠等措施来保留这些客户，反之亦然。(2)通过进行孤立点分析，分析客户购买货物的时序数据，跟踪发现异常客户。对于异常客户，要及时进行追踪分析，可以从产品宣传、货物质量、支付方式、配送效率以及售后服务等方面来比较购买总金额持续减少和购买总金额持续增加的客户的异同，查找客户购买额下降的具体原因，采取有效措施挽留客户，防止客户流失。(3)分析客户购买商品的详细资料，通过关联规则可以发现一些有价值的规则，企业可以根据商品的关联给特定的客户提供个性服务，促进商品销售，并且根据关联分析的结果，预测某个时间企业需要的存货的数量，提高存货周转率，做好存货管理。(4)财务数据对于财务风险的反映也是财务风险防范的一个重要的方面，可以通过数据挖掘的预测技术来分析财务数据，建立基于财务数据的风险预警模型。 随着经济的不断发展，企业生产经营中面临的不确定性不断增加，建立有效的财务风险预警系统对于企业的健康发展具有重要意义。笔者认为，应用数据挖掘技术的财务风险预警系统具有良好的预测能力，能够在一定程度上起到防范企业财务风险的目的。 1