【大数据挖掘在财务方面的应用探究（论文）4000字】

大数据挖掘在财务方面的应用研究目录TOC\o"1-2"\h\u2921一、数据挖掘的概述 117356（一）数据挖掘的概念 124701（二）数据挖掘的功能 226447二、数据挖掘的应用 228890（一）数据挖掘在财务预测中的应用 37210（二）数据挖掘在财务分析中的应用 47318（三）数据挖掘在危机预警中的应用 517832三、结论 5摘要：随着互联网技术的发展，信息传播速度越来越快，且无论是企业还是个人接受的信息越来越多，范围越来越广，要想在海量的数据信息中靠人工找出所需要的有用的信息是很困难的，如何从企业会计信息处理系统等其他信息技术资源中快速挖掘出潜在的有用信息,服务于现代企业的财务管理决策,是当前企业需要及时解决的财务问题，因此数据处理的技术得到了快速发展，大数据挖掘技术应运而生。本文主要研究数据挖掘技术在财务方面的应用,介绍了数据挖掘的基本原理和方法,对数据挖掘在财务分析、危机预警、财务预测等方面的实际应用进行了深入探讨。关键字：大数据挖掘；财务分析；财务预警；预测一、数据挖掘的概述（一）数据挖掘的概念数据挖掘指在大量的、不完全的、模糊的财务数据中,采用一定的技术方式或者方法进行提取挖掘出一些隐含的、人们不可能知道的但是对它有着重要指导作用的专业知识与财务信息的挖掘过程,通过深入研究分析挖掘数据的逻辑关联性,建立一个个具有逻辑规律的挖掘模式；数据挖掘是使用人工智能技术、数据库技术以及统计学原理等来完成的数据收集、收据分析的过程。数据挖掘将推动人们对海量数据的广泛应用,从低层次的简单数据查询,提升发展到从海量数据中深入挖掘有用的技术信息和专业知识，以此来提高决策的水平，它不仅能对过去的数据进行查询,并且能够找出过去数据之间的潜在联系,从而促进信息的传递。数据挖掘的主要目的是发现和目标群体契合的数据，找到这些数据存在的规律，并将其运用到日常工作中，提高工作效率以及减少风险的发生。数据挖掘的功能1、数据挖掘具备预测分析的功能目前数据挖掘分析技术已经能够自动地在大型海量数据库中自动寻找具有预测性质的信息,以往那些需要自动进行大量数据手工预测分析的大型问题现在可以直接由大型数据本身得出结论。一个非常典型的应用例子是市场预测问题,数据挖掘使用对过去几年有关产品促销的市场数据分析来帮助寻找未来促销投资中每年回报最大的目标客户。2、数据挖掘具备关联分析的功能若两个或多个变量共同取得的值之间仍然存在某种新的规律性,就可以称为关联。关联分析可以根据以前对数据的分析所得出的相关信息中寻找到数据与数据之间的关联性，它的目的是找出数据库中隐藏的关联网。数据挖掘具备概念描述的功能概念描述就是对某类对象的各种内涵特征进行描述,并明确概括这类对象的各种有关功的特征。概念描述主要分为共同特征性描述和基本区别性描述,前者主要描述某类对象的共同概念特征,后者主要描述不同对象之间的基本区别。通过对象在数据库中进行相应的数据描述能够真正了解数据的本质，寻找出数据之间的相互关联性，奠定良好的基础保障数据模型能够顺利地建立。数据挖掘具备聚类分析的功能所谓的聚类就是指在发现相关的数据联系之后，针对数据进行重新地分类与分析，简单的来说聚类就是一个数据库系统中的所有记录数据可被个性化地划分为一系列的具有重要意义的数据子集。聚类分析加强了现代人们对社会客观现实的正确认识，利用聚类分析可以进行企业绩效评价和投资决策等。二、数据挖掘的应用（一）数据挖掘在财务预测中的应用财务预测是根据企业财务活动的重要历史数据资料,考虑当前已经出现和正在出现的财务变化因素,运用现代经济学的数学方法和结合现代电子计算科学技术,对一个企业未来几年财务活动的持续发展变化状况进行综合预测和分析判断。财务预测是现代企业财务预算管理的重要环节,是经济预测原理和方法在财务预算管理中的具体应用。财务预测是一个涉及自身财务活动和外部财务环境的复杂动态过程,有很多不受管理人员控制的因素,包含主观方面和客观方面的、企业内部的和企业外部的,单纯充分利用这些传统的财务模型和分析方法很难对其做出准确的财务判断。而数据挖掘正是解决这一难题的有效方法,它可以从大量的、不完全的、模糊的会计数据中,提取一些隐含在其中的、潜在有用的专业知识,会计信息化的迅速普及为这种新信息技术的广泛应用奠定了坚实基础。利用数据挖掘进行财务预测采用定量分析与定性分析相结合的方法：1、定量分析定量分析法以已经掌握的历史资料为基础,运用数据挖掘进行科学的加工处理,并通过建立一套数学模型,揭示各时期有关数据变量之间的规律性联系,作为长期预测分析的重要依据。定量分析法是财务预测的基本方法,可分为以下两种类型:（1）因果预测分析。从某项定量指标与其它某种有关定量指标之间的规律性联系中可以进行定量分析研究。这种数学预测模型主要目的是根据各有关预测指标之间的各种相互依存、相互不受制约的因果关系,建立相应的因果关系数学预测模型。数据挖掘技术可以对数据库中收集、加工和存储的大量财务数据进行分析和处理,使用决策树方法建立各种指标的预测模型,对财务数据进行处理，使因果预测的结果更准确。（2）趋势预测分析。根据某项财务指标按时间顺序排列的数据,运用数学方法进行加工计算,借以预测未来发展趋势的分析方法,其实质就是把未来视为历史的延伸。在数据挖掘中,利用神经网络方法可以很好地进行趋势分析。首先找出一组关键变量,这些关键变量中往往需要有导致实例结果的因素，然后通过反复分析学习,找出这组变量与实例结果的函数之间的关系,利用这一关系函数对新建的数据进行分类、预测、评价等处理。2、定性分析财务预测中包含许多不确定因素,如政策影响、企业背景资料等。在这种特殊情况下,首先由熟悉上述企业主营经济业务和相关市场动态的行业专家,根据过去几年积累的企业经验数据进行综合分析判断,提出初步征求意见,然后再通过组织召开专家座谈会或公开发出初步征求意见邀请函等多种形式,对上述企业预测的初步征求意见结果进行分析修正、补充,并作为上述预测结果分析的最终参考依据。定量分析法和其他定性定量分析法各自都有其中的缺陷,数据挖掘可以将两者融合起来,充分利用会计信息系统和其它业务系统的信息,提高预测的准确性。（二）数据挖掘在财务分析中的应用财务数据分析主要是以企业财务报表和其它企业相关会计资料为主要数据分析依据和理论起点,采用专门分析方法,系统性地分析和综合评价一家企业过去和现在的企业经营管理成果、财务状况及经济变动,目的主要是用于了解过去、评价现在、预测未来,帮助现代企业管理决策者不断改善企业决策。财务定量分析常用的计算方法主要是一些专门的定量分析计算方法,主要类型包括比较定量分析、结构分析、因素分析、比率分析等和一些综合分析方法(如杜邦分析)。从企业财务管理学的角度分析,数据挖掘技术是一种新的企业财务数据信息综合处理应用技术,其主要技术特点在于它能对企业会计管理数据库、其它各种业务管理数据库系统中的大量财务数据信息进行综合分析处理,通过数据抽取、转换、分析及其它各种模型化数据处理中分析提取出能辅助财务决策的大量关键性业务数据。财务数据挖掘其实质就是一类深层次的企业财务数据分析方法、与传统的企业财务数据分析方法相比,一方面财务数据挖掘所需要采用的财务基础统计数据更加全面,不仅可以包含企业财务报表分析中的财务数据,而且可以同时包括财务会计管理业务中的基础统计数据和其它财务相关业务数据,例如采购、销售等业务数据等,还可以包括非财务数据,如国有企业内部背景资料、人力资源管理信息等；另一方面它在财务数据分析中还可以向用户提供更有价值的财务信息,不仅仅可以利用数据钻取、切片、漂移、旋转等数据功能简单而直观地引导所有用户从一个多角度、多侧面深入观察财务数据,而且它还可以将财务分析中的数据统一进行管理整合,使所有用户在同一操作界面下轻松选择财务分析的每个重点,获取所有财务分析中的数据;同时,财务数据分析的工作时效性更强,财务数据分析可以影响的应用范围也更大,有助于有效吸引潜在的风险投资者。数据挖掘在危机预警中的应用从财务报表等历史的财务数据信息中自动推倒并且判断出企业现在是财务状况与发生财务危机的可能性，从而可以对上市公司未来经营活动和财务风险进行预警，这是上市公司一直寻找更加高效、快速、合理的数据挖掘模型来进行财务危机预警的目的。将历史的财务数据进行分类用来预测，预测的目的在于从历史的数据中自动导出给定数据的模型，用来预测未来发生状况。目前所使用的动态财务预警模型主要有神经网络模型、案例推理模型、递归分类树等,其中具有代表性的是神经网络模型和案例推理模型。同其他静态化的财务风险预警系统技术相比,动态化的财务风险预警主要认为具有以下几个优势：动态化的财务风险预警系统主要具有较强容错能力和处理财务资料中的遗漏或错误的能力。动态财务风险预警系统主要用于使用非统计分析方法。动态化的财务风险预警系统必须具有自主学习的能力,这是与传统静态财务风险预警系统的根本区别。动态系统通过专业知识的不断积累,可及时修正原静态系统的一些基本参数和性能指标,使其预警的结果更加有效、准确。动态化的财务风险预警系统具有较强的动态适应性。动态财务风险预警系统主要采用数据仓库、数据挖掘和人工智能代理等核心技术,能够随财务环境变化进行高度适应性的调整,其内部的实时存储权重参数,可用于动态财务预警,以有效应对多变的企