数据挖掘技术在会计信息系统中的应用

一、管理、决策型会计信息系统具有的特点

1.实现功能综合化和技术集成化.

企业的生产经营活动,是一个相互联系、相互制约的有机整体.财务部门从价值方面综合反映和监督企业的财务状况和经营成果,而购销存等业务部门是从实物的转移等方面影响企业的财务状况和经营成果.因此,该系统是把财务系统作为一个核心子系统,实现工资、固定资产、购销存、人事、财务管理、财务分析决策支持系统与内部控制系统等为一体的功能综合化、技术集成化的信息系统.

2.系统内部数据大量化

根据会计制度的规定,重要财务数据、报表等必须保留十年以上,系统中包含大量的时间跨度性很长的数据.因此,系统的数据大量化甚至海量化.

3.分析决策能力要求增强化

利用各种先进技术对系统中的海量数据进行集中、存储、归类、重组、分析、查询等处理,满足事前预测、事中控制的管理需求,同时对各项数据进行多角度、多层次的分析与观察,向企业决策者提供及时、可靠的财务、业务等数据信息,帮助决策者对未来经营方向和目标进行量化的分析和论证,从而做出科学的决策是企业经营者对系统的分析决策能力提出的新要求.

4.系统输出多元化

传统的输出方式是按月、季、年等会计期间提供信息,为提高信息的及时性,满足日益提高的管理需求,会计信息系统可以按旬、周、日输出：还可根据实时处理的结果,随时输出管理上需要的信息：亦可针对不同的需求对象,通过与用户产交互,输出各种内容特殊、专业性强的专用报表和信息.

根据以上特点,目前大部分会计信息系统的财务分析、财务管理、会计决策支持系统已不能很好地满足企业经营者的要求.面对所积累的海量数据凭传统的方式难以全部掌握,存在信息丢失、真伪难辨等现象,很容易造成误导.为此,数据挖掘应运而生,并在金融、医学等领域得以迅速地应用与推广.同样,将数据挖掘技术应用于会计信息系统中,在现有的核算、管理功能的基础上增加数据挖掘功能模块是会计信息系统发展的又一新方向.

二、数据挖掘技术简介

(一)数据挖掘的概念

数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的、潜在有用的信息的非平凡过程；数据挖掘是统计学、人工智能、计算机技术、建模技术、电子技术、信息技术等不同学科、不同领域的思想交汇和结合的一种技术.此外,数据库系统提供有效地存储、检索和查询处理支持也是对它的重要支撑.

(二)数据挖掘的功能

1、分类：分类是最常见的数据挖掘功能之一,分类包括考察一类新出现的对象的特征,并归类到已定义类中.分类的对象通常表示为数据库表或者文件中的记录,分类工作包括向数据库添加一个新列,并给出某种分类代码.在数据挖掘技术中,决策树和最近邻近技术都能很好地用于分类.神经网络和链接分析也是在某些情况下对分类有用的方法.

2、估计：输入一组数据,估计给出一个未知连续变量的值,如通过账簿各科目的发生额、余额等连续的数据,可以估计本企业的利润总额.在数据挖掘技术中,回归模型和神经网络都非常适合估计任务.如果目的是估计一个事件的时间,生存分析也非常适合估计任务.

3.预测：预测的任务是根据其他属性的值,预测特定属性的值.被预测的属性一般称

目标变量或因变量,而用来做预测的属性称说明变量或自变量.预测与分类和估计一样,但其中记录的分类依据是一些预测的未来行为或者估计的未来值.把预测从分类和估计中分离为单独的任务,主要是由于在预测建模时,存在其他关于输入变量的时序关系或者目标变量的预测问题.

4、关联分析：关联分析的任务是用来发现描述数据中强关联特征的模式,所发现的模式通常用特征子集或蕴涵规则的形式表示.

5、聚类分析：聚类分析旨在发现紧密相关的观测值组群,使得与属于不同簇的观测值相比,属于同一簇的观测值相互之间尽可能类似.聚类与分类的区别在于聚类不依赖于预先定义的类,而分类是以训练预分类样本构建的模型为基础,把每条记录分配到一个预定义的类中.

6、异常检测：异常检测的任务是识别其特征显著不同于其他数据的观测值,即异常点或离群点.异常检测的应用包括检测欺诈、网络攻击、疾病的不寻常模式等.

三、数据挖掘技术在会计信息系统中的应用

目前,数据挖掘技术在会计信息系统中的应用主要体现在：一是财务状况的判断,利用数据挖掘分类、预测等技术根据企业过去、现在的财务信息判断目前的财务状况、预测未来的财务状况：二是财务危机预警,利用回归、神经网络等技术根据收集到的企业信息资料,判断企业未来发生财务危机的可能性：三是客户关系管理,利用分类、聚类、生存周期等技术跟踪不同客户的行为特征,确定不同客户群．针对不同客户实施差异化的营销策略：四是供应商的选择,通过分类等技术跟踪原料的供货信息,并收集相关企业信息,选择最优的供应商；五是投资项目的选择,利用预测、关联等技术在众多项目中选择最有价值的项目,实现资金效率最大化：此外,竞争对手状况分析、市场预测等方面也有一些应用研究.

四、举例：数据挖掘技术在会计信息系统客户关系管理中的应用过程

对任何企业来说,客户都是最重要的资源.在会计信息系统中,对企业目前拥有的客户关系管理,一般只是停留在基本层面的管理.因此,利用会计信息系统中客户相关资料进行深层次的数据挖掘可以为企业经营与决策带来意想不到的收获.比如联合王国第二大银行Halifax选用RightPoint的实时营销套件作为建立主动性客户关系的基础,能使Halifax的客户服务代表收集客户的重要信息,并应用数据挖掘技术确定哪些活动、产品或服务是客户恰好需要的,从而在激烈的市场竞争中提高占有率.

但是,面对众多的客户,企业不可能同等对待所有的客户,因此,首先应对企业目前的客户关系进行分析.一般来说,企业的客户关系如表1所示.

从上表可以看出客户关系中的亲密程度通常随着企业规模的增加而增大,值得维系深度亲密关系的客户通常是大企业,即商业客户.但是这类企业往往在数量上较少,企业通常重点维护.而对于一般用户、中小企业这类客户来说,由于数量较多,企业很难做到特别的关注,对企业的发展极其不利.因此,要注意数据挖掘在企业客户关系管理中的应用过程：

(一)收集整理数据

将来自业务部门和财务部门的客户信息集中到会计信息系统的数据仓库中,并创建单个客户视图.其目的是让企业的每个部门能够访问客户的单个共享视图,如比客户启动、新客户、忠诚客户等信息.当然这些定义必须有一个明确的定义,避免产生歧义.

(二)客户数据清理

对于数据仓库中的客户数据还要进行清理,清理的方法有多种,包括直接删除空缺项、人工填补空缺值、使用属性的平均值填写空缺值等.

(三)数据的选择与变换

并不是所有的数据格式都能直接被用于数据挖掘,一般用于数据挖掘的数据有以下特点：1、所有的数据应该放在单一的表格中；2、每行应该与一个实体相对应,例如客户.3、带有单一数值的列应该被忽略；4、对每列带有不同数值的列应该被忽略；5、对于预言性建模,目标列应该被识别,并且所有的同义列要除去.因此,对于数据仓库中的变量应作分组、离散化等处理.

(四)利用数据挖掘技术构建模型

选择合适的数据挖掘技术进行建模或测试,通常可供选择的技术有决策树技术、最近邻技术、人工神经网络技术、购物篮分析、生存分析、链接分析和聚类分析等.有时,还可将这些技术中的两种或多种结合在一起,以达到更好的效果.

(五)评估模型

主要应考虑的问题：模型的准确度,在用于预测时的置信度怎样是否易于理解等问题.

五、结束语

数据挖掘技术在会计信息系统中的应用还有很多,比如,XBRL语言为数据挖掘技术在会计信息系统中财务分析模块的应用也提供了有效的支持,它可以用来编制、发布各种不同样式的财务信息,也可以在网络中毫无限制地传递、交换、分析信息.对于企业来说,当其需要将其财务信息在网络上发布的时候,只要将原来报表的电子文档格式转换成XBRL的标准格式即可.同时,财务信息使用者也可以直接对下载的财务数据进行分析、利用,而不用进行第二次输入.此外,利用神经网络、机器学习等技术建立动态财务预警系统也是较代表性的应用之一.

(摘自《财会研究》2007年第6期)