分類號: F234.3 TP311.13 相關文獻:主題相關
摘 要:數據挖掘是從數據當中發現趨勢和模式的過程，它融合了現代統計學、知識信息系統、機器學習、決策理論和數據庫管理等多學科的知識。它能有效地從大量的、不完全的、模糊的實際應用數據中，提取隱含在其中的潛在有用的信息和知識，揭示出大量數據中復雜的和隱藏的關系，為決策提供有用的參考。
管理會計在其發展的進程中,不僅需要理論的推動也需要技術方法的創新.數據挖掘是在信息化環境下發展起來的壹門新技術,其在信息的深入加工、充分利用方面具有獨到的功能.探討管理會計中應用數據挖掘技術的可行性,探討數據挖掘技術在管理會計中應用的途徑與領域,對於完善管理會計的技術方法體系,提升管理會計作為信息系統的功能,推動管理會計方法的創新均具有重要意義
數據挖掘是從數據當中發現趨勢和模式的過程，它融臺r現代統計學、知識信息系統、機器學習、決策理論和數據庫管理等多學科的知識。它能有效地從大量的、不完全的、模糊的實際應用數據中，提取隱含在其中的潛存有用的信息和知識，揭示出大量數據中復雜的和隱藏的關系，為決策提供有用的參考。
常用的數據挖掘方法主要有決策樹(Decision Tree)、遺傳算法(Genetic Algorithms)、關聯分析(Association Analysis)．聚類分析(C~smr Analysis)、序列模式分析(Sequential Pattern)以及神經網絡(Neural Networks)等。SAS研究所提出的SEMMA方法是目前最受歡迎的～種數據挖掘方法，其描述的數據挖掘的大致過程包括如下步驟：(1)數據取樣。在進行數據挖掘之前，首先要根據數據挖掘的目標選定相關的數據庫。通過創建壹個或多個數據
表進行抽樣。所抽取的樣本數據量既要大到足以包含有實際意義的信息，同時叉不至於大到無法處理。(2)數據探索。數據探索就是對數據進行深入調查的過程，通過對數據進行深入探察以發現隱藏在數據中預期的或未被預期的關系和異常，從而獲取對事物的理解和概念。(3)數據調整。在上述兩個步驟的基礎上對數據進行增刪、修改，使之更明確、更有效。(4)建模。使用人工神經網絡、回歸分析、決策樹、時問序列分析等分析工具來建立模型，從數據中發現那些能夠對預測結果進行可靠預測的模型。(5)評價。就是對從數據挖掘過程中發現的信息的實用性和可靠性進行評估。
數據挖掘在管理會計中的應用主要體現在以下幾方面：
l、作業成本和價值鏈分析。作業成本法以其對成本的精確計算和對資源的充分利用引起了人們的極大興趣，但其復雜的操作使得很多管理者望而卻步。利用數據挖掘中的回歸分析、分類分析等方法能幫助管理會計師確定成本動因，更加準確計算成本。同時，也可以通過分析作業與價值之間的關系，確定增值作業和非增值作業，持續改進和優化企業價值鏈。在Thomas G．John J和IL-woon Kim的調查中，數據挖掘被用在作業成本管理中僅占3％。
2、預測分析。管理會計師在很多情況下需要對未來進行預測。而預測是建立在大量的歷史數據和適當的模式基礎上的。數據挖掘自動在大型數據庫中尋找預測性信息，利用趨勢分析、時間序列分析等方法，建立對如銷售、成本、資金等的預測模型，科學準確的預測企業各項指標，作為決簫的依據。例如對市場調查數據的分析可以幫助預測銷售；根據歷史資料建立銷售預測模型等。
3、投資決策分析。投資決策分析本身就是壹個非常復雜的過程，往往要借助壹些 I：具和模型。數據挖掘技術提供_r有效的工具。從公司的財務報告、宏觀的經濟環境以及行業基本狀況等大量
的數據資料中挖掘出與決策相關的實質性的信息，保證投資決策的正確性和有效性。如利用時間序列分析模型預測股票價格進行投資；用聯機分析處理技術分析公司的信息等級，以預防投資風險等。
4、顧客關系管理。顧客關系管理是提升企業競爭優勢的有力武器。首先，要對顧客群體進行分類。通過對數據倉庫的分類和聚類分析，可發現群體顧客的行為規律，從而對顧客進行分組，實行差另U化服務；其次。對顧客的價值進行分析，根據帕累托定律，2O％的客戶創造了企業80％的價值。針對這種情況，公司可以從客戶數據庫中挖掘出這部分顧客，對這部分顧客的行為、需求以及偏好進行動態跟蹤和監控。並根據不同的顧客群的不同特點提供相應的產品和服務，從而與顧客建立長期的合作關系，提高顧客保持力。如在電信部門，對電信數據進行多維分析有助於識別和比較不同顧客對於產品的不同需求，從而使企業提供更有特色的產品，為顧客提供更優質的服務。
5、產品和市場分析。品種優化是選擇適當的產品組合以實現最大的利益的過程，這些利益可以是短期利潤。也可以是長期市場占有率，還可以是構建長期客戶群及其綜合體。為了達到這些目標，管理會計師不僅僅需要價格和成本數據，有時還需要知道替代品的情況以及在某壹市場段位上它們與原產品競爭的狀況。另外企業也需要了解～個產品是如何刺激另壹些產品的銷量的等等。例如，非盈利性產品本身是沒有利潤可言的，但是，如果它帶來了可觀的客戶流量，並刺激 高利潤產品的銷售，那麽，這種產品就非常有利可圖，就應該包括在產品清單中。這些信息可根據實際數據，通過關聯分析等技術來得到。
6、財務風險分析。管理會計師可以利用數據挖掘工具來評價企業的財務風險，建立企業財務危機預警模型，進行破產預測。破產預測或稱財務危機預警模型能夠幫助管理者及時了解企業的財務風險，提前采取風險防範措施，避免破產。另外，破產預測模型還能幫助分析破產原因，對企業管理者意義重大。在上個世紀3O年代，Smith和Winakor率先進行了破產預測的嘗試。隨後到了60年代，Ahman利用多維判別式分析(Multivariate Discriminant Analy-
豳)方法提出的Z-score破產預測模型取得了很大的成功，預測準確率高達9o％以上。此後，數據挖掘技術包括多維判別式分析 (Multivariate Diseriminant Analysis)、邏輯回歸分析(LogisticRegression Analysis)、遺傳算法、神經網絡以及決策樹等方法在企業破產預測中得到了廣泛的應用
__