基于大數據視角的財務分析研究

倪可　鐘山河　王斐

【摘要】? 信息化、互聯網、物聯網的發展推動了大數據時代的到來。大數據時代信息技術發展的巨大變革深刻影響著社會發展的方方面面，同樣也對財務分析產生了積極影響。文章通過對大數據及其對財務分析的影響進行研究，提出了相應的應對策略，以期對財務分析工作提供借鑒和思考。

【關鍵詞】? ?大數據;財務分析;數據挖掘

【中圖分類號】? F232? 【文獻標識碼】? A? 【文章編號】? 1002-5812（2020）10-0106-03

財務分析在企業管理中的作用至關重要，為企業經營提供了決策依據，為改善企業管理提供了支持。財務分析具有完整的理論體系和專門的技術方法。大數據勢必會對財務分析產生影響，對財務分析人員提出新的要求和挑戰。

一、大數據的特點、產生和大數據技術

（一）大數據的特點。大數據（Big Data）是需要采用新的處理方法和工具才能高效收集、處理、儲存和分析的信息資產，具有“5V”的特點。Velocity是指數據被生成、收集和處理的速度極快。Volume是指數據量宏大，對傳統的數據儲存、分析和統計推斷等帶來了巨大挑戰。Value是指數據集的價值極高，但是價值密度極低。Variety是指數據種類極多，包括文本、語音、圖片、視頻、數值等。Veracity是指數據的可靠性，因數據的來源極多，數據的質量可能良莠不齊，因此，需要關注數據集在生成的過程中有沒有統計偏倚、數據集是否有缺失值等問題。

（二）大數據的產生。隨著人類社會信息化進程的加快和對互聯網依賴性的增加，人類在日常生產和生活中都會產生大量數據，如社交媒體（如點贊、評論、轉載和視頻上傳等）、交易系統（包括網購記錄、單據和收件回條等）、政務系統、辦公系統、自動化系統、財務系統等。近年來，物聯網的發展更是推動了數據量的躍升。物聯網中的溫度感知器、濕度感知器、壓力傳感器等感知器以及視頻監控器，每時每刻都會自動產生大量數據，促使人類社會迅速進入大數據時代。

（三）大數據技術。大數據技術是指伴隨著大數據的采集、存儲、分析和應用的相關技術，是使用非傳統工具對大量的結構化、半結構化和非結構化數據進行處理，從而獲得分析和預測結果的一系列數據處理和分析技術。當下最受歡迎的基礎技術包括數據采集、數據預處理（包括缺失值處理等）、分布式存儲（Apache Hadoop）、NOSQL（Not Only SQL）數據庫、數據倉庫、機器學習（各類計算統計學算法）、并行計算（Apache Spark，MapReduce等）、數據可視化（包括制圖）等各種范疇和不同層面的技術。Python語言的Pandas（數據結構與處理）、NumPy（高性能計算）、Scikit-learn（回歸問題、聚類分析問題）、TensorFlow（深度學習、規律尋找）、Pytorch（深度學習、人工智能）、Matplotlib（繪圖）等庫是相當實用的工具;而且，Python還可以兼容Hadoop MapReduce，使得解決復雜的大數據問題變得輕松。其他受歡迎的工具還包括R語言（dplyr，ggplot2）和MATLAB等。

（四）大數據的工作流程。

1.數據預處理。在現實生活中，剛剛獲取的數據集往往是不完整的：一是表格中數據缺失（Missing Value），如有一些單元格中的數據為空。二是未正確標注種類數據（Categorical/Ordinal Data），例如一張調查問卷中的某一個問題給出的滿意程度為1—5，而回答5的人的滿意程度顯然不是回答1的人的5倍，這種情況下進行機器學習會導致模型產生統計偏倚。三是數據集的值有錯誤，例如在年齡一欄錄入了負數等。四是數據集有重復值（Duplicate），會導致在機器學習過程中賦予同一個解釋變量更大的權重，從而“稀釋”了其他潛在的重要解釋變量被發現的可能性。這些不完整、不一致、不正確的數據常常會導致錯誤的結論，因此，數據科學家在獲取一個數據集后，通常需要進行大量的數據預處理。其中，處理數據集中的缺失值通常是數據預處理的一個重要環節，常用的有三種方法：棄用、鍵入、標示。

棄用的方法最為簡單直觀。如果一個解釋變量（列）中有較少的隨機缺失值（沒有規律的，因為值缺失的規律也是可關注點之一），則可以考慮棄用有缺失值的觀測值（排）。如果一個解釋變量中有過多的隨機缺失值，那么可以考慮刪除該解釋變量。

刪除和棄用不可避免地會導致信息的丟失，因此，數據科學家可以采用在有缺失值的單元格中鍵入一個插入值的方法。插入值的選擇方法有很多種：第一種方法也是最樸素的方法是插入統計學中的平均值、中值等。通常來說，在正態（無偏態）的數據集中鍵入平均值表現良好，在有偏態的數據集中鍵入中值更加穩健（Robust），因為中值不容易受到離群值的影響。第二種方法是（線性）回歸插值。這種方法是將缺失值設為反應變量，將其他現有數據設為解釋變量，然后通過擬合的回歸模型，用已有的數據來預測缺失值。第三種方法是熱卡法，也就是將缺失值替換成相似的觀測中的值。常用的方法有將數據按照某些特定屬性進行分層后鍵入缺失值、kNN（k最鄰近算法）等。

標示法比簡單的刪除法和棄用法損失的信息少，但是在鍵入缺失值時，信息也不可避免地會有所損失。因此，將缺失值單獨標示出來，可以獲得值為什么缺失的規律，這也是使用標示法的初衷。例如，可以考慮將所有缺失值替換成一個值（比如0）來代表缺失，然后在繪制概率分布和計算統計數值時將其忽略。對于分類數據，則可以多加一類“缺失”來代表單元格中存在的缺失值。

2.機器學習。通常來說，如果完成了數據預處理，數據分析就完成了一大半。在處理大數據問題時，在嘗試復雜模型和方法之前，應該先嘗試線性回歸、邏輯回歸（通常用于分類問題，本質還是回歸算法）、決策樹等這些基礎模型，將其作為基線，以避免先試用繁瑣的方法卻沒能帶來更好的結果。

由于模型越來越多，模型的選擇也變得越來越困難;如果選擇的模型不夠好，就需要重新選擇模型和訓練模型，尤其是在處理大數據問題上，往往需要相當的時間和精力。如果用很少的嘗試就選出合適的模型，就可以省下很多時間;尤其是對于重要的規律來說，如果能夠盡早發現可能會給公司帶來更多價值。只不過，數據科學家只有經過不停試錯、反復嘗試，才能獲得選出合適模型的能力。

3.統計推斷。統計推斷和得出結論是最為重要的一個步驟，但通常來說這個步驟比較簡單。在擬合模型后，可以使用極大似然估計（MLE）和檢驗統計量來做假設檢驗;也可以通過檢驗統計量的分布來做假設下的置信區間。因為大部分檢驗統計量都是現成的，做統計推斷不僅需要統計學和數據科學的知識，常識和專業知識也是非常重要的，因此，數據科學家可以與專業人士合作，共同理解模型得出的結果。

（五）大數據分析的局限性。值得注意的是，統計推斷只能得出證據來拒絕一個假設，而不能得出證據來證明一個假設。而且，得出的證據是統計顯著性，統計顯著性代表相關性，不能直接用來證明因果關系。因此，在需要證明因果關系的情況下，經過合理設計的實驗的數據分析可能比大數據分析的價值更高。

二、大數據對財務分析的影響

大數據具有數據量大、數據類型多樣、產生迅速、價值高但密度低的特征，本文試分析其對財務分析的數據來源、分析方法、分析內容、分析結果等方面產生的影響。

（一）數據來源方面的影響。傳統的財務分析數據主要來源于內部財務賬表以貨幣計量的結構化數據。大數據時代，財務分析數據的來源除了內部財務賬表以貨幣計量的結構化數據外，還有各類非結構化數據、業務數據等，并且可用的外部數據也越來越多。

（二）分析方法方面的影響。財務分析的方法有很多種，主要包括趨勢分析法、比率分析法、因素分析法。傳統財務分析以企業內部數據對比分析（縱向對比分析）為主，橫向對比分析由于可取的外部數據受限而較少采用。在大數據時代，由于大數據處理方法的應用，尤其是數據挖掘技術、爬蟲技術等，使得獲取外部數據變得容易，因而橫向對比分析也變得更為容易。

傳統財務分析偏重于因果分析，遵循從結果到原因的分析思路。比如，對于利潤變化，通常會從利潤變化了這一結果查找原因，如收入、成本、費用等是否發生變化，如圖1所示。

大數據時代的財務分析偏重于相關分析，即從某一相關事務的變化去分析另一相關事務是否發生變化，如沒有變化或者變化不合常規，再分析其影響因素，以解釋沒有變化或者變化不合常規是否合理。比如，由于收入變化了，因此分析利潤是否發生變化，如果利潤沒有變化或者變化不合常規，那么再分析成本、費用是否發生變化，并通過分析成本、費用變化是否合理來判斷利潤沒有變化或變化不合常規是否合理，如下頁圖2所示。

傳統財務分析以事后分析為主，往往是對已經報賬、記賬的財務數據，即已經發生的財務數據進行分析，不能對未報賬、未記賬或者事前、事中即將發生的財務數據進行分析。大數據時代，因為數據分析以相關性為主，財務分析將以過程分析為主、結果分析為輔。

（三）分析結果方面的影響。傳統的財務分析一般限于對表層原因的分析，對于更深層次的原因，由于數據來源的限制，較少涉及。比如，本期銷售收入減少了，傳統財務分析僅限于分析銷量是否減少或單價是否降低，對于質量、口碑、消費者變化以及供求變化等深層次原因，由于數據來源的限制，一般不做分析。比如，傳統財務分析可能會得出本期維修費用增加是造成本期成本升高的原因，而對于維修費增加的直接原因一般不做分析。

在大數據時代，財務分析不僅可以分析出表層原因，還可以追蹤分析到深層次原因。如對于本期銷售收入的減少，不僅可以分析出銷量是否減少或者單價是否降低，還可以分析出對某某客戶銷售量的減少，是否為質量變差、口碑不好、消費者愛好發生變化等深層次原因。而對于成本增加的原因，不僅可以分析出是維修費的增加，還可以分析出是因為哪臺機器損壞、機器的哪個部位損壞以及操作不當、新員工培訓不到位等深層次原因。

大數據時代，尤其是5G時代的到來，數據的傳輸速度越來越快，獲得及時性數據的可能性更大，可用數據更多，因此更能分析出深層次原因。財務分析的結果將更準確、更可靠、更及時、更相關，更有利于解決問題，從而更好地滿足決策需求和管理需要。

（四）會計監督方面的影響。會計的職責，一是財務核算，二是財務監督。一名優秀的財務工作者，除了要做好會計核算工作，更要做好財務監督工作。大數據時代，偏重于相關性和過程性財務分析思維，更能從相關事務中發現另一相關事務的異常情況，從而發現舞弊、貪污等問題。比如，某期報銷的機器維修費較高，通過大數據分析發現該期的機器運轉率或者耗電量卻正常，說明極有可能存在舞弊、貪污等問題。

（五）分析人員方面的影響。大數據時代給財務分析人員提供了很多工具和方法，但是如果不能靈活使用這些工具和方法，財務分析人員很難有效利用這些大數據集。因此，財務分析人員應當通過不斷學習來掌握這些技能，分析思維應從因果型轉向相關型。此外，隨著財務業務一體化的普及，自動記賬和自動生成會計報表已經實現，會計傳統的記賬、出報表等工作逐步被計算機所取代，管理型、復合型會計人才將變得越來越重要。這就要求財務分析人員轉變觀念，加強學習，掌握大數據財務分析技能。

三、大數據時代做好財務分析工作的應對策略

（一）提高財務分析人員的素質。大數據時代，財務分析人員將面臨數據容量大、種類多、價值密度低等問題。在短時間內依靠傳統方法發現數據之間的關系和有價值的信息變得越來越困難，這就要求財務分析人員提高素質，不斷加強學習能力，掌握大數據的處理方法和思維，提高財務分析報告的質量，更好地為決策和管理服務。

（二）建立智能化的財務分析體系。大量的低價值密度數據，依靠人工收集、處理、分析變得很困難。因此，財務分析人員可以通過創新型數據處理技術和方法，建立起自動收集、處理、分析數據的智能化財務分析體系。該體系應具有以下特點：一是能夠采用爬蟲技術等自動收集、整理、處理和存貯數據。二是能夠自動分析數據變化的深層次原因，能夠幫助財務分析人員找到解決問題的辦法。三是能夠自動生成滿足各類人需要的直觀的、準確的分析報告。四是能夠對各種財務風險進行自動預警，從而幫助決策人員做出正確決策。

（三）轉變財務分析思維和方法。大數據影響了財務分析的思維和方法。在大數據時代，為了更好地使用大數據這種高價值的新型資產，財務分析思維應從因果型轉向相關型，從偏重于結果分析轉向過程分析，從核算型會計思維轉向管理型會計思維。

四、結論

互聯網、物聯網、信息技術的發展，造就了大數據時代。大數據豐富了財務分析的數據來源，影響了財務分析思維、方法、結果和人員。財務分析人員應加強學習能力，掌握大數據的處理技術和方法，轉變財務分析的思維和方法，提高自身素質，滿足大數據時代的需要，更好地為決策和管理服務。

【主要參考文獻】

[1] Gartner.www.gartner.com/en/information-technology/glossary/big-data.

[2] World Internet Users Statistics and 2019 World Population Stats（0AD）.www.internetworldstats.com/stats.htm.

[3] 文慧嬌.基于價值功能的財務分析框架構建的思考——以水務企業為例[J].商業會計，2017，（05）.

[4] 林潔瑩.大數據時代背景下會計財務分析研究[J].濟南職業學院學報，2015，（12）.