基于数据挖掘技术的财务决策应用研究

时间：2026-01-18 来源：未知

小中大

字号：

此文档是在学习决策支持系统后的一篇个人体悟小结,当然也参考了一些资料,存在的一些不足,真诚的希望各位指教。

基于数据挖掘技术的财务决策应用研究

在现代社会中，企业在处理基本业务时广泛地应用数据库系统，在此过程中必然会积累大量的数据，如何利用这些数据为企业的管理和决策服务，是许多企业非常关心的问题，特别是企业大多数财务流程的核心部分是数据。为了对企业中产生的数据及其处理的多层次性也有更清晰的认识，且进一步利用企业业务系统所产生的数据，人们在数据的组织技术和分析技术两方面展开了时间和研究，由此产生了数据仓库技术和数据挖掘技术，数据仓库所解决的问题是如何更合理和更有效地组织企业的数据体系，以满足企业信息型应用对数据的要求，降低企业的数据管理、数据获取和数据集成的成本，提高数据系统响应速度，提高数据质量和数据的一致性。而数据挖掘的任务就是如何对具体的分析对象和分析需求，尝试通过智能化和自动化的手段把数据转化为有用的信息和知识。针对财务决策中面对的数据海洋的现状，采用数据挖掘这个技术，为提高财务决策的效率和科学性，提出了对策。

一、数据挖掘的概念和技术

数据挖掘是针对非常大的数据进行的研究和分析。它采用自动或半自动的程序，对数据中固有的先前未知的潜在有用信息进行抽取。数据挖掘的起源可追溯到20世纪50年代人工智能的早期发展。在此期间，模式识别和基于规则推理的发展提供了基础构建块，数据挖掘就建立在这些概念的基础之上。在最近10 年中，大型业务数据库（特别是数据仓库）使用量的增长以及对这些数据的理解和解释的需要，再加上相对廉价的计算机的供应，导致数据挖掘在各种业务应用中的使用急剧增长。这些应用从零售业务的顾客细分和市场购物分析，到银行业务和金融业务应用中的风险分析和欺骗侦查，涉及面非常广泛。 

多年来各国学者已开发了多种数据挖掘技术，用于大量的数据集中探索和抽取信息。总的说来，数据挖掘技术分为两大类：探索型数据挖掘和预测型数据挖掘。探索型数据挖掘包括一系列在预先未知任何现有模式的情况下，在数据内查找模型的技术。探索型数据挖掘包括分群、关联分析和频度分析技术。预测型挖掘包括一系列在数据中查找特定变量（称为“目标变量”）与其它变量之间关系的技术。预测型挖掘常用的有分类和聚类、数值预测技术。数据挖掘使用的算法很多，主要包括统计分析、机器学习、决策树、粗糙集、人工神经网络和径向基函数（RBF）等。

1、数据挖掘的对象：

数据挖掘可以在任何类型的数据上进行,即可以来自社会科学,又可以来自自然科学产生的数据,还可以是卫星观测得到的数据。数据形式和结构也各不相同,可以是传统的关系数据库,可以是面向对象的高级数据库系统,也可以是面向特殊应用的数据库,如空间数据库、时序数据库、文本数据库和多媒体数据库等,还可以是Web数据信息。

2、数据挖掘的任务:

数据挖掘的目标是从海量数据中发现隐含的、有意义的知识。它的任务主是分要类、预测、时间序列模式、聚类分析、关联分析预测和偏差分析等。

(1)分类---分类就是按照一定的标准把数据对象划归成不同类别的过程。

(2)预测---预测就是通过对历史数据的分析找出规律,并建立模型,通过模型对未来数据的种类和特征进行分析。

(3)时间序列模式---时间序列模式就是根据数据对象随时间变化的规律或趋势来预测将来的值。

(4)聚类分析---聚类分析是在没有给定划分类的情况下,根据数据信息的相似度进行数据聚集的一种方法。

(5)关联分析预测---关联分析就是对大量的数据进行分析,从中发现满足一定支持度和

此文档是在学习决策支持系统后的一篇个人体悟小结,当然也参考了一些资料,存在的一些不足,真诚的希望各位指教。

可信度的数据项之间的联系规则。

(6)偏差分析---偏差分析就是通过对数据库中的孤立点数据进行分析,寻找有价值和意义的信息。

3、数据挖掘的过程

数据挖掘使用一定的算法从实际应用数据中挖掘出未知、有价值的模式或规律等知识,整个过程由数据准备、数据挖掘、模式评估、巩固知识和运用知识等步骤组成。