基于数据挖掘技术的企业财务预算系统的设计

摘 要：在传统财务工作中，财务管理一直是一种重核算、轻管理的模式，财务预算时往往靠经验决定资金的分配与使用。在规模较小的企业中，这种方法尚可使用，当企业规模逐渐扩大，尤其是跨国企业日益增多的情况下，资金分配决策无疑成为一个重要的问题。因此，仅靠传统的处理手段已不能有效解决财务预算的相关问题，在企业信息化的进程中应对财务预算系统的自动化与智能化投入一定的关注。
关键词：数据挖掘;财务预算;决策树

        一、企业财务预算中存在的问题
        企业财务预算是由企业的最高权力机构讨论通过的企业未来一定时期经营决策和目标规划的财务数据说明和责任约束依据，它是企业组织运用现代管理理论和方法，在经营预测与决策的基础上，围绕企业战略目标，以市场为导向，以经营利润为目标，以现金流量为中心，对一定时期内企业资金取得和投放、各项收入和支出、企业经营成果及其分配等财务活动进行的计划和规划运行，确保企业理财目标实现的有效管理机制[1]。企业财务预算管理体系经过不断，已形成较为完善的体系结构。目前，财务预算主要有利润预算、现金流量预算、资产负债预算等。然而，在企业的财务预算中仍存在着一定的问题。
        (一)忽视动态管理
        在编制财务预算时，大多企业仍采用传统的固定预算、定期预算等方法。这种静态的编制方法使得预算指标在执行过程中均保持不变，这对于业务量波动不大的企业而言较为适用。当企业销售量、价格、成本等因素出现较大变化时，静态预算则显得盲目、滞后和缺乏弹性。因此，企业应积极寻求科学、合理的方法，加强动态管理。
        (二)忽视外部因素分析
        部分企业在进行财务预算时，主要以指标和过去的活动为基础，结合资金、技术和管理水平来制定未来的财务预算指标。这样，往往忽视了对外部因素的详尽分析与预测，使得很多财务预算指标难以与外部环境相适应，从而难以在企业中实施。因此，企业在进行财务预算时不仅要考虑内部因素，更要考虑外部因素，如市场占有率、客户盈利水平等，以此来确定销售量的变动范围或价格的变动幅度，最终形成弹性预算。
        (三)忽视对决策的辅助性
        在大型企业中，由于每种业务都采取单独的数据库系统，数据之间缺乏联系，则容易造成数据孤岛的出现。数据孤岛使得描述同一事物的数据由于来源库不同而彼此之间缺乏联系，从而造成了数据的完整性不高。这种局限性的存在，使得财务管理系统无法给决策部门提供一份完整而准确的财务预算信息。因此，企业应随发展的需要利用信息化技术将历年数据情况进行汇总和分析，以供高层决策使用。
        二、在财务预算中应用数据挖掘技术的必要性
        (一)数据挖掘的技术特点
        数据挖掘包括数据收集、数据处理、数据变换、数据挖掘、模式评估、知识表示几个过程，其中前四个过程是一个循环反复的过程，在这个反复过程中要对挖掘结果进行评估与修正，直到找出真实的结果为止。数据收集是通过广泛收集用户的各种信息，建立必要的数据库，为数据挖掘做准备。数据处理是对收集的信息进行注入去噪等操作，从而确保数据能够真实反映待要挖掘的对象。数据变换是将经过去噪的数据进行一定的格式转换，使其适应数据挖掘系统或数据挖掘软件的处理要求。数据挖掘是指可以单独利用也可以综合利用各种数据挖掘方法对数据进行分析，挖掘出用户所需要的各种规则、趋势、类别、模型等。模式评估是对发现的规则、趋势、类别、模型进行评估，从而保证发现的模式的正确性。知识表示是将挖掘结果以可视化的形式展现在用户面前。
        数据挖掘的技术特点在于：数据挖掘技术是一种面向用户的检索模式，它能自动地提取相关数据之间有价值的知识，并将这些知识以可视的、动态的方式反馈给用户。数据挖掘能通过预先设定的算法自动处理数据库中大量的原始数据，应用各种方法和手段从大量数据中抽取出具有必然性、富有意义的模式，挖掘出对象间的特定关系，找出人们对所需问题的解答，为决策服务[2]。
        (二)财务预算系统的实际需求
        在信息化的企业中，财务预算系统不应仅仅是利用机来取代人工完成数据处理工作，而应利用其同时完成财务数据的管理，并在此基础上帮助高层进行财务的管理和辅助高层进行决策。由于财务预算数据分布在企业的各个部门，随着当前企业规模的扩大，来自各个部门的财务预算数据量也在逐渐增加，再加上涉及到的部门分类也越来越细，财务信息不易统一是一个在企业中长期存在的问题。因此，将多个部门多年的财务数据进行汇总和分析，成为了企业在财务管理方面的主要需求之一。
        在逐步推进信息化的过程中，企业在员工人数、设备需求等方面都发生了较大的变化，其中现有数据量的扩大和原有数据的提取工作，都会给财务预算部门带来很大的工作压力。因此，财务预算部门希望能够用简洁灵活的方式来处理日益增多的复杂数据，并能够产生相应的报表[3]。
        从上述分析我们可以看出，随着企业发展和信息化进程的推进，应建立一种机制合理有效的财务预算系统，以高效地利用财务数据，产生相应的财务预算报表，使企业的财务数据信息可以合理有效地被利用，以为各级部门提供有效财务信息，并帮助决策人员分析和预测问题。
        三、基于数据挖掘技术的企业财务预算系统的设计
        结合数据挖掘技术的特点，构建基于数据挖掘技术的财务预算系统，为建立合理完善的企业财务管理系统提供一种解决方案，这样不仅能够将财务人员从复杂的数据整理分析中解脱出来，同时也能更准确有效地为经营者提供全面、科学、完善的决策支持。将数据挖掘技术应用于企业财务预算系统可以帮助企业把一些零散、无序的数据集中起来，充分利用其强大的数据分析功能，从复杂的数据中挖掘出有用的信息，建立预测分析模型，从而为企业提高预测分析的能力。根据数据挖掘技术的特点与功能，本文试图构建一个基于数据挖掘技术的企业财务预算系统模型
        在该模型中数据仓库中的数据来源于各个操作层面的预算数据库，如：人力资源部门、科研部门、销售部门、市场部门等。企业中各个职能部门所提供的财务预算数据信息由于会存在一些噪声数据、空缺数据或不一致的数据，因此在采集到这些数据后还应对这些数据进行相应的预处理。在源数据预处理模块中，可采用数据清理、数据集成、数据变换等方法将数据进行合并处理，过滤掉一些无用或缺失值过多的变量[4]，这样数据仓库中存储的数据便是经过处理和调整的数据。在进行数据挖掘前应确定挖掘的任务或目的，如分类、聚类、关联规则等。只有明确了任务和目的后，才能根据需求的不同和数据特点的差异在数据挖掘模块中选择合适的挖掘算法，如可利用分类、聚类算法对已有预算数据进行分类；可利用关联规则、决策树算法对未知数据进行预测。对于财务预算数据库中的数据进行数据挖掘后，可以智能地提取预算数据中的有用规则或模型，发现数据之间的关联，对数据进行分类，并将挖掘的结果输入企业的财务管理平台，便于经营管理者利用已有的数据对未来的活动进行预测。        四、财务预算系统模型中数据挖掘技术的实现
        数据挖掘技术融数据库技术、人工智能技术、数理统计技术和可视化技术为一体，将其应用于财务预算系统中可把对财务数据的应用从低层次的联机查询操作，提高到分析预测、决策支持等高级应用上[5]。当前数据挖掘的技术主要有聚类算法、神经法、遗传算法、决策树方法、机器学习方法等。结合前文所提出的财务预算系统模型，本文将就财务系统中所常用的数据挖掘算法进行简单的分析。
        (一)聚类算法
        聚类算法是数据挖掘技术中的核心算法之一，在财务预算系统中使用聚类算法可以将财务数据形成聚类的列表树，从而使用户能够方便地获取自己所需的数据[6]。聚类算法的基本原理是：在用户查询结果中，与查询提问相关的数据通常会聚类的比较近，而无关的则会与相关的相互远离，因此可以通过聚类技术将结果数据集合分成若干组，同一组的数据相似度尽可能得大，而组间的相似度则尽可能得小，用户则只需考虑其所选择的组。在实际应用中，最具代表性的聚类算法是K-means算法。这种算法是以k为参数，把给定结果中的n个对象分为k个簇，使簇内具有较高的相似度，而簇间的相似度较低。相似度为簇中对象的平均值。K-means法的流程如下：首先随机地选择k个对象，每个对象初始代表一个簇的平均值或中心；将剩余的对象分别归与簇中心距离最近的簇。然后再重新每个簇的评均值，并不断重复这个过程，直到准则函数收敛[7]。
        (二)决策树算法
        将决策树方法应用于财务预算系统中，可以通过建立决策树来将数据依据实例分类到一个已知的类集中，以将各种预算数据进行分类；也可以通过决策树对数据集的分类发掘数据间的联系，从而对未来进行预测。决策树的建立是通过将实例递归地划分成子组来完成，每次划分都依据了对实例的某种属性检验，即采用一些条件来决定数据集应该如何被分割。具体过程是[8]：首先找出最有判别力的因素，把数据分成多个子集，每个子集又选择最有判别力的因素进行划分，一直进行到所有子集仅包含同一类型的数据为止，从而得到一棵决策树。然后遍历决策树，把决策树转换为由其上面的关键字组成的布尔查询串，从而得到更加精确的用户兴趣，提高了检索的准确性。
        (三)神经网络算法
        神经网络算法可以利用预算数据仓库中的数据形成预测模型，高级的算法还可以培训出成千上万个大规模的神经网络模型，对这些神经网络模型进行分析即可从中提出有用的知识。神经网络的建模过程可以通过从已知的样本中学习来完成，通过权重的设置可以将简单的“神经元”构成的网络连接起来，再通过调整“神经元”之间的权重来培训神经网络。神经网络目前正在使用的有两个分支，按照他们的培训方法可分为：监督型和非监督型。监督型人工神经网络分支利用一个“教师”来培训模型，在这种模型里将在模型输出和已知输出之间定义一个错误。使用错误回传算法调整模型连接权重，减少重复表征输入向量导致的错误[9]。当缺乏相关类的数量信息时，非监督型人工神经网络分支则试图找到相似输入的类。
        五、结语
        本文主要是设计了一个企业财务预算系统模型，其中应用了数据挖掘的技术，解决了企业中财务数据管理单一，不能适合企业协调的需求。同时，不断发展中的企业势必需要从复杂的数据处理中挖掘出对决策有所帮助的知识。因此，在企业信息化的建设中，合理地利用数据挖掘技术从各部门的预算数据中找出适合决策主题的相关知识，将对企业的稳定发展有良好的促进作用。
：
[1] 秦素娟,王耀文.浅析企业财务预算管理[J].科技情报开发与,2007,(27):187-195.
[2] 樊志平,吴际.基于数据挖掘技术的商业决策支持系统的研究[J].商业科技,2008,(1):23.
[3] 赵宝华,阮文惠.一个基于数据挖掘技术的高校财务预算系统设计与研制[J].微型电脑应用,2008,(6):31-33.
[4] 向建红,黄巧仙.数据挖掘技术在财务分析中的应用[J].湖北经济学院学报,2009,(3):71-72.
[6] 李英.数据挖掘技术在高校财务管理信息化中的应用研究[J].师,2009,(1):34-35.
[7] 刘泉凤,陆蓓.数据挖掘中聚类算法的比较研究[J].浙江水利水电专校学报,2005,(2):55-58.
[8] 陈红英,李卫华.用ID3算法实现网络智能搜索引擎Agent兴趣学习[J].计算机,2000,(101):17-19.
[9] 李法运.基于Web的信息过滤模型优化及系统实现研究[D].武汉:武汉大学信息管院博士学位,2004.