摘要：随着计算机技术的飞速发展，会计管理也逐步实现了计算机化，计算机进行会计管理过程中会产生大量的数据，而这些数据含有很宝贵的潜在价值，值得去进行分析。而要对这些大数据进行分析，光依赖人工是无法实现的，因此，基于数据挖掘技术的汇集管理与数据分析便应运而生。本文在介绍数据挖掘技术的基础上，阐述了其在会计管理与分析中的应用研究。
关键词：数据挖掘；会计管理；信息系统；应用
中图分类号：F235 文献标识码：A
一、引言
数据挖掘就是指从超大量的计算机数据中寻找和分析对企业有潜在价值的数据信息的步骤，该过程可以为企业的生产、经营、管理和风险评估带来巨大的价值，大大提高企业的管理水平和风险防御能力。因此，数据挖掘技术被广泛应用于企业管理、生产制造、政府管理、国家安全防御等各行各业中。据某调查数据显示大约有30%的数据挖掘技术被应用于会计管理领域中，32%的数据挖掘技术被应用于金融分析与管理领域，用在信息系统和市场领域分别占29%和9%，该数据显示数据挖掘已经广泛应用于会计管理中，其可以帮助企业分析和挖掘出更多潜在的客户、供货商、潜在产品市场以及内部管理的优化数据等等，这些都将为企业提供更优化的管理依据和运营模式，以提高企业的综合实力，增强其在市场中的竞争力。
二、数据挖掘技术概述
（一）数据挖掘的基本定义
数据挖掘是通过某种算法对计算机系统中已经生成的大批量数据中进行分析和挖掘，进而得到所需有价值的信息或者寻求某种发展趋势和模式的过程，数据挖掘是将现代统计学、计算机算法、离散数学、信息处理系统、机器学习、人工智能、数据库管理和决策理论等多学科的知识交叉在一起所形成的。它可以有效地从海量的、繁杂的、毫无规律的实际应用数据中，分析得到潜在的有价值的数据信息，以供企业使用，帮助其改善管理流程，并为管理者做判断时提供有价值的参考。决策树算法、聚类分析算法、蚁群算法、关联分析算法、序列模式分析算法、遗传算法、神经网络算法等都是数据挖掘技术中常用的算法，可以大大提高数据挖掘的效率和质量。
（二）数据挖掘的基本流程
SEMMA方法是目前最受欢迎的一种数据挖掘方法，其由SAS研究所提出。它主要包括数据样本采集、大数据搜索、数据调整、模型建立和挖掘结果评价五个数据挖掘步骤。
数据样本采集过程是在数据挖掘之前进行的数据储备过程，该过程一般是先根据预先设定的数据挖掘目的，选定要进行挖掘的的现有数据库。采集过程主要是通过建立一个或多个数据表来实现的。所采集的样本数据不仅要足够多，以使得这些数据尽可能涵盖所有可能有价值的潜在信息，还要保持在一定的数量级下，以防止计算机无法处理或者处理很慢。大数据搜索过程主要是对上一阶段所采集的大样本数据进行初步分析的过程，通过对这些海量数据进行初步分析以发现隐藏在数据中潜在价值，从而帮助调整数据挖掘的方向和目标。数据调整过程主要是对前面两个过程所得到基本信息进行进一步的筛选和修改，使其更加清有效，方便后续进行建模处理，提高所建数学模型的精度。模型建立过程主要是通过决策树分析、聚类分析、蚁群算法、关联分析、序列模式分析、遗传算法分析、神经网络等分析工具来建立模型，从采集的海量样本数据中寻找那些能够对预测结果进行可靠预测的模型。挖掘结果评价？过程主要是对从数据挖掘过程中发现的信息的实用性和可靠性进行评估。
三、数据挖掘在管理会计中的运用
随着市场经济的发展，企业所面临的竞争压力越来越大，因此，企业管理者要想在这激烈的竞争中获胜，就必须及时精准的掌握企业运行动态，市场动态，产品趋势等关键性决策信息。而这些关键信息的获取往往离不开会计管理的作用，其是现代企业决策支持系统的重要环节，而如何来高效准确地发现这些关键性决策数据就成为制胜的关键，在会计管理中涉及到海量的数据，必须对这些海量数据进行分析，才可以得出有价值的潜在信息，这就必须借助数据挖掘技术，以分析出关键决策信息，帮助企业改进成本管理，改进产品质量和服务质量，提高货品销量比率等等。
（一）作业成本及价值链数据挖掘
作业成本的精确控制可以帮助企业对自己的各项运营成本进行精确的计算，并对企业资源进行最合理的分配和使用，但其精确的成本控制却十分繁杂，以往完成一次需要耗费大量的时间和经历，这一难点使得很多管理者退却。而数据挖掘技术中的回归分析、分类分析等方法可以是管理会计人员从海量数据中解脱出来，其可以通过计算机数据挖掘系统自动的得到准确作业成本。同时，其还可以通过分析作业成本与价值链之间存在的关系，确定增值作业和非增值作业，持续改进和优化企业价值链。帮助企业降低运营成本，提高企业利润，
（二）资金趋势数据挖掘
会计管理者往往需要对未来的企业的资金流发展趋势进行预测分析，以帮助制定下一财年的资金预算。但是预测往往是基于海量历史数据和合适的预测模型的。而数学预测模型通过人工得到是十分困难的。为了克服这个难题，可以充分利用数据挖掘技术，其可以自动在海量数据中按照预设的规则提取所需的预测信息，并通过趋势分析、时间序列分析、神经网络分析、聚类分析等智能分析方法来建立对如成本、资金、销量等的预测数学模型，高效精准的预测出企业各项运营指标，作为管理者未来的决策依据。
（三）投资决策数据挖掘
现有的投资决策分析涉及到财务报告、运营数据、资金流、外部市场环境、宏观经济环境、企业产品依存度等繁杂的因素，其是一个十分复杂的过程，所以必须借助智能工具和模型。而数据挖掘技术就为投资决策分析提供了十分高效的工具，通过基于数据挖掘的分析工具可以直接从公司的财务、外部市场环境、宏观经济环境以及企业产品依存度等海量的影响因素数据中挖掘出与决策相关的有用信息，保证投资决策的正确性和有效性。
（四）顾客关系管理数据挖掘
良好的顾客关系管理模式是各大企业都十分重视的，其可以大大提高企业竞争力。基于数据挖据的顾客关系管理模式可以从现有的海量顾客关系管理数据中分析得到潜在的优化客户关系管理模式。先将顾客群体进行分类，通过对数据挖掘技术中的分类和聚类分析工具来发现群体顾客的行为规律，从而对顾客进行分组，实行差别化服务；然后对顾客的潜在价值进行深入分析，一般可以从客户数据信息中挖掘出客户的消费行为、需求以及偏好等因素，并对这些因素进行动态跟踪和监控，并根据不同的顾客群的特点提供个性化的产品和服务，从而与顾客建立长期的合作关系，提高顾客保持力。
（五） 财务风险数据挖掘
企业要健康长久的运行，必须加强对财务风险的评估和分析预警。传统模式的风险评估难度大，周期长，很难满足企业的实际需求。基于此，会计师可以充分利用数据挖掘工具份额高效性和精确性来对企业的财务风险进行全面预测和评估，并进一步通过建立企业财务危机预警模型来对企业进行破产预测、盈利预测、投资预测等等预测分析。通过建立这些完善的预测模型可以大大提高管理者的管理水平，让其及时了解企业的财务风险、运营风险、投资风险，并为其提前采取风险防范措施提高依据。
四、结语
会计管理信息化的过程中会产生大量的数据，其是企业巨大的潜在财富，要充分利用好这个潜在财富，就必须找到有利的工具。而数据挖掘技术则可以高效地从这些海量的数据中挖掘出对企业有价值的潜在信息，以为管理者的各项决策和控制提供依据，因此，会计管理人员要加强对数据挖掘技术的学习和应用，为企业的发展注入新的活力。
