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企业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、神经网络法、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。然后再重新计算每个簇的评均值,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,不能适合企业协调发展的需求。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。
参考文献:
[1] 秦素娟,王耀文.浅析企业财务预算管理[j].科技情报开发与经济,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].会计师,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].浙江水利水电专科学校学报,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].现代计算机,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
上一页 [1] [2] [3] 下一页