数据挖掘技术在财务管理中应用研究.docVIP

数据挖掘技术在财务管理中应用研究 　　[摘 要] 数据挖掘技术可以从海量数据中提取有用的知识和信息。本文从财务分析、财务预测、财务决策支持、财务实时控制、顾客关系管理等方面，研究了数据挖掘在财务管理中的应用，从而为企业决策者提供有力的依据。 　　[关键词] 数据挖掘 财务管理 企业财务管理系统 　　 　　1、引言 　　大部分企业都有财务管理信息系统，并且都积累了一定的数据，企业需要从数据中获得信息、从信息中获得知识，再运用知识进行正确的决策。数据挖掘是从海量数据中发现和提取知识和信息的过程。在财务管理领域运用数据挖掘技术，寻求和发现更多的企业顾客、供应商、市场以及内部流程优化的信息，将为企业决策者提供更为广泛而有效的决策依据，提高企业战略竞争能力。 　　2、数据挖掘技术概述 　　数据挖掘[1]就是从大量的、不完全的、有噪声的、模糊、随机的数据中，提取隐含在其中的、有效的、新颖的、潜在有用的、并且最终可理解的模式的非平凡过程。数据挖掘时一个多学科交叉领域。一方面，想要以非平凡的方法发现蕴藏在大量数据集中的有用知识，数据挖掘必须从数据库技术、人工智能、机器学习、神经网络、统计学、模式识别、知识库系统、知识获取、信息提取、高性能计算和数据可视化等学科领域汲取营养。另一方面，这些学科领域也要发展，也在从不同角度关注数据的分析和理解，数据挖掘也为这些学科领域的发展提供了新的机遇和挑战。 　　数据挖掘的功能用于指定数据挖掘任务中要找的模式类型。数据挖掘的两个基本任务是预测和描述。预测涉及到使用数据集中的一些变量或域来预测其它我们所关心变量的未知或未来的值；描述是在数据集中找出可解释的数据模式。因此，可以把数据挖掘活动分为两个基本类，描述性数据挖掘：在可用的数据集的基础上生成新的、非同寻常的信息。预测性数据挖掘：生成已知数据集所描述的系统模型，试图预测新数据集的行为。具体包含以下功能： 　　（1）概念描述 　　 概念描述是最简单类型的描述性数据挖掘，产生数据的特征化合比较描述。特征化提供给定数据汇聚的简洁汇总，而概念或的比较提供两个或多个数据汇集的比较描述。概念描述与∩数据概化密切相关，数据概化将任务相关的数据集从较低概念层抽象到较高概念层。 　　（2）关联规则挖掘、 　　 关联规则挖掘发现大量数据中项集之间有趣的关联或相关联系。关联规则是形如X=Y的蕴涵式，且X∩Y=φ。如果事务数据库中有s%的事务包含X∪y，则关联规则X=Y的支持度为s%;如果事务数据库中包含X的事务中有c%的事务同时也包含Y，则关联规则X=Y的信任度为c%。 　　（3）分类和预测 　　 数据分类是指用一个分类函数（分类器），把数据集中的数据项映射到某个给定类上的过程。主要分类方式有判定树归纳、贝叶斯分类和贝叶斯网络、神经网络、粗糙集、遗传算法、k-最临近分类、基于案例的推理、模糊集方法和SVM等等。 　　分类可以预测数据对象的类标记。然而，在某些应用中，可能希望预测某些空缺的或不知道的数据集，而不是类标记。当被预测的值是数值数据时，通常称之为预测。 　　（4）聚类分析 　　将具体的或抽象的对象按照相似程度分类的过程称为聚类或非监督分类，使得类内对象之间的相似性最高，而类间的相似性最低。与分类分析方法不同，聚类分析的输入集是一组未标定的记录，也就是说此时输入的记录还没有被进行任何分类。其目的是根据一定的规则，合理地划分记录集合，并用显式或隐式方法描述不同的类别。 　　聚类算法在统计方法、机器学习、神经网络灯领域同样得到广泛的研究，不过侧重点不同。在机器学习中，聚类分析常被称为无教师学习，因为对象所属的类不是预先指定的。 　　（5）孤立点分析 　　数据库中可能包含一些数据对象，它们与数据的一般行为或模式不一致。这些数据对象是孤立点。大部分数据挖掘方式将孤立点视为噪声或异常而丢弃。然而，在一些应用中（茹欺骗检测），罕见的事件可能比正常出现的那些更有趣。孤立点数据分析称为孤立挖掘。 　　（6）演变分析 　　数据演变分析描述行为随时间变化的对象的规律或趋势，并对其建模，包括时间序列数据分析、序列或周期模式匹配和基于类似性的数据分析。 　　3、财务管理中的数据挖掘技术 　　目前，我国许多大型企业或集团公司的财务分析工作仍停留在手工分析上，或通过财务软件计算出部分财务分析指标。这样传统的财务分析模式主要存在以下主要缺点： 　　（1）技术落后导致分析结果为固定的报表及格式，不能根据各级决策层的需要灵活展现； 　　（2）财务分析结果往往停留在某个时间或空间上，缺乏连续性，不能动态反映某个问题； 　　（3）由于工作量巨大，响应速度慢、时效性差； 　　（4）分析范围狭窄，不能与企业其他部门联合起来进行综合分析。 　　所以，利用数据