數據分析在財務領域的應用研究

陳虎 楊利明

【摘要】數字技術的快速發展賦予了財務新的職能， 讓財務基于數據、業務和技術深入分析數據信息、汲取數據價值， 成為企業數字化經營的實踐者與推動者。 數據分析包含數據探索與數據算法， 財務人員通過探索數據的特征與分布， 開展對海量數據的處理與分析， 挖掘出更多的潛在信息， 釋放數據的真正價值， 從而驅動企業的科學高效決策， 促進企業財務的數字化轉型。 本文基于數據探索與數據算法的原理， 突出其在財務領域的應用， 詳細介紹了應收賬款信用風險管理、銷售量與訂貨量預測、潛在流失客戶畫像等場景內容， 體現了數據分析對財務的重要價值在于提高財務管理的效率與質量、強化財務風險的評估與防范、全方位支撐業務的高效開展和精準驅動企業的經營管理決策。

【關鍵詞】數據分析;數據探索;數據算法;財務領域

【中圖分類號】F275? ? ? 【文獻標識碼】A? ? ? 【文章編號】1004-0994（2022）14-0122-5

一、引言

數字經濟加速了行業的變革與創新， 改變了企業傳統的商業模式與運營需求， 而面對企業經營者日益復雜、多維、多變的要求， 財務人員卻疲于應對， 大量的手工業務、冗雜的數據處理工作更讓財務人員深陷窘境。 為了順應時代發展變化， 洞察企業經營狀況與市場變化趨勢， 越來越多的企業希望通過數據分析技術降本增效， 提升財務的數據信息挖掘能力， 以數據驅動決策， 提高財務管理水平， 實現企業的精細管理與價值創造。

數據分析作為一門科學， 最早由美國統計學家Tukey[1] 于1962年正式提出， 他認為數據分析及其中的統計學知識必須具備科學特征而非數學特征， 數據分析的本質是經驗科學， 即可以不斷地通過實驗以獲得知識的過程。 伴隨著數據分析科學的不斷發展， 越來越多的研究聚焦于數據分析的應用價值。 如Moll等[2] 研究發現， 數據分析等技術可以顯著提高財務的可見性， 能夠對財務管理起到及時干預的作用， 極大地減少財務人員的任務數量， 而財務人員需要盡快學習數據分析技術， 及時跟上時代變化， 為企業創造新的附加值。 同時， 數據分析也是眾多企業和機構關注的焦點， 麥肯錫全球研究院（McKinsey Global Institution， MGI）強調， 數據本身的價值是有限的， 而數據分析的價值將不斷被放大， 數據分析不止于分析結果， 其將驅動企業實現新的商業模式的探索和突破[3] 。

本文認為， 數據分析是利用數據分析技術對數據進行處理以獲取有效信息， 達到科學思考和決策的過程， 包括數據探索和數據算法。 數據探索是運用專業的統計方法對數據的特征與分布進行呈現， 以基礎分析方法獲得對于數據的初步認識， 幫助財務人員掌握數據的特征、關聯性及分布規律; 數據算法是基于數據創建算法模型的計算過程， 對海量數據開展深度信息挖掘， 從而在經營管理中發揮數據的深度價值。 因此， 將數據分析應用于財務領域十分必要， 用數據提煉企業管理思維， 形成符合企業價值訴求的思路和方法， 賦能企業的智慧成長。

二、數據探索與數據算法

（一）數據探索的原理與應用

數據探索是基于數據樣本， 對數據進行解釋性的分析工作。 數據探索旨在描述數據的形態特征并解釋數據的相關性， 幫助企業準確掌握數據的分布規律與發展趨勢， 洞察其中可能存在的問題。 對數據進行統計與分析， 不僅可以凸顯數據的特征， 逐步形象化數據的變化趨勢， 有效衡量指標水平， 還能夠發現存在的問題， 并挖掘產生問題的原因及采取相應措施， 為下一步的數據算法工作奠定良好的基礎。 當然， 數據價值不全都深藏于數據之中， 并非必須通過復雜的算法才能進行挖掘， 一些情況下， 以基礎的統計學知識與工具也足以發現規律， 獲得洞見。 數據探索具體包括以下三個方面：

1. 描述性統計。 財務人員可以從集中趨勢、離散趨勢、分布形態三個方面對數據特征進行刻畫： 常見的衡量樣本數據集中趨勢的統計指標包括平均數、中位數和眾數等， 衡量離散趨勢的指標包括極差、標準差及方差等， 衡量分布形態的指標包括峰度和偏度。 例如， 在計算公司資產周轉率時， 會選擇一定時期內的銷售收入凈額與平均資產總額（資產總額年初數與年末數的平均值）來計算， 以衡量銷售水平與資產投資規模之間的配比情況。

2. 推斷性統計。 財務人員通常無法收集到針對某一業務的所有數據， 難以對該項業務的運營情況展開分析， 推斷性統計方法則能夠有效解決這一問題。 推斷性統計通過抽取樣本進行測量， 并可以根據獲得的樣本數據對所研究對象的總體特征進行推斷[4] 。 該方法能夠幫助財務人員利用樣本數據來推斷總體特征。 基于研究對象的分布情況， 可以采用推斷統計的方法從總體中抽取樣本數據進行分析， 包括參數估計和假設檢驗。 例如， 企業的財務人員可利用假設檢驗的方法分析企業不良資產產生的原因。

3. 相關性統計。 相關性分析是研究兩個或兩個以上隨機變量之間相關關系的統計分析方法， 主要包括繪制相關圖表和計算相關系數。 例如， 財務人員可以利用Pearson相關系數判斷總資產周轉率、凈資產收益率、流動資產周轉率等多種財務指標對上市公司財務風險的影響方向與影響程度， 以基于公司的實際經營狀況及時防范和控制財務風險。

（二）數據算法的原理與應用

算法是指一切經過明確定義的計算過程， 其將某個或者某組值作為輸入內容， 并產生某個或者某組值作為輸出結果， 其既包含一系列解決問題的清晰指令， 也包含決定各項清晰指令背后的邏輯規則與方法[5] 。 算法可以從數據中“學習”或對數據集進行“擬合”， 不同的算法對應著企業不同的信息需求， 數據算法是數據價值鏈中的核心環節， 面向業務需求， 對采集、清洗后的數據由淺入深地進行價值挖掘， 發揮數據的作用， 賦能企業財務的數字化轉型。 常見的算法包括：

1. 回歸算法。 每一件事情的發生都有一定的因果關系， 回歸的過程即是由因溯果的過程， 最終得到因果關系。 回歸算法能夠基于獲取到的測試集數據建立模型， 并得到自變量與因變量的關系。 回歸算法一般應用于預測分析， 如財務人員通過今年的利潤額， 采用線性回歸分析得出利潤額與時間的關系模型， 從而預測明年第一季度的利潤額。 常見的回歸算法包括線性回歸算法和非線性回歸算法。

2. 分類算法。 分類是人類認知事物最基本的方法， 人類通過對復雜的事物進行分類， 尋找規律， 并根據每個類別的特征快速識別每個具體的事物， 降低被分析問題的復雜程度， 從而簡化問題。 分類不僅是認識事物的基本方法， 也可以作為數據分析的重要方法。 分類算法的基本功能是做預測。 例如， 商業銀行會根據客戶的基本信息情況， 搭建貸款償還的決策樹， 通過學習形成分類器， 對客戶未來貸款償還能力進行預測， 判斷銀行是否應該接受其貸款申請。 常見的分類算法包括KNN算法、Logistic回歸算法、決策樹算法、BP神經網絡算法等。

3. 聚類算法。 聚類和分類都是把多個分散的事物歸集為不同的類別， 但聚類的目標只是把相似的東西聚到一起， 并不需要明確類別信息。 聚類算法可以對無標簽樣本進行分析， 因此實際應用十分廣泛。 例如， 保險公司可以對平均賠付率較高的人群進行聚類， 研究相似特征， 從而達到鑒別風險、個性化定價以及識別騙保行為的目的。 常見的聚類算法包括K-means聚類算法、均值漂移聚類算法等。

4. 時間序列算法。 時間序列分析能夠在特定時間里對某區域進行連續觀測形成圖像， 并分析其變化過程與發展規模[6] 。 通過建立時間序列模型， 可以根據已有的歷史數據研究變量的自身發展規律， 從而對未來的變化趨勢進行預測， 如預測利率波動、收益率變化、股市行情等。 常見的時間序列模型有四種， 包括AR模型（Autoregression Model， 自回歸模型）、MA模型（Moving Average Model， 移動平均模型）、ARMA模型（Autoregression Moving Average Model， 自回歸移動平均模型）和ARIMA模型（Autoregressive Integrated Moving Average Model， 自回歸差分移動平均模型）。

5. 關聯規則算法。 關聯規則分析也稱為購物籃分析， 是通過機器學習的方式尋找數據間的關聯性并對數據進行轉換， 幫助企業通過銷售找到具有關聯關系的商品， 并以此獲得銷售收益的增長。 例如， 通過對客戶歷史購買記錄的數據進行深層分析， 構建基于銷售的主題數據倉庫， 得到有效、有價值的產品銷售關聯規則， 挖掘出客戶群體購買習慣背后的內在共性， 以此調整營銷手段或銷售方式， 指導企業制定科學的銷售計劃， 實現銷量的提高[7] 。 常見的關聯規則算法包含Apriori算法、FP-Tree算法、Eclat算法及灰色關聯法等。

三、數據算法在財務領域的應用

（一）應收賬款信用風險管理

某通信解決方案提供商為電信運營商、政企客戶和消費者提供技術與產品解決方案。 該企業面對客戶的項目周期較長， 應收賬款的回款周期通常也較長， 占用資金量較大， 存在較高的信用風險， 對方履行到期債務的不確定性增大。 因此， 財務部門根據客戶資信情況， 確定對其授信的額度， 對于資信表現不佳的客戶， 降低授信額度， 改善應收賬款回收情況。 為此， 財務部門選擇應用分類算法構建客戶違約（不履行到期債務）概率模型， 并在此基礎上建立授信額度計算模型， 如表1所示。

1. 建立違約概率模型。 構建違約概率模型是為了計算出不同客戶的違約概率p， 以得到違約概率調整系數T1， T1是授信額度計算模型中調整財務授信額度的關鍵系數。 首先， 根據上述應用目標， 選擇運用Logistic回歸算法來構建違約概率模型， 并以企業歷史客戶數據為樣本， 其中70%為訓練集、20%為測試集、剩余10%為驗證集。 其次， 從區域經濟環境、公司治理、財務風險三個維度出發， 選擇公司規模、運營實力、盈利能力、償債能力、現金流、社會責任等作為影響客戶違約概率的因素， 形成模型訓練參數。 最后， 利用訓練集初步構建違約概率模型， 通過測試集和驗證集反復測驗模型的有效性并進行調整優化， 以構建最終的違約概率模型。 通過該模型， 可計算得出違約概率p， 從而得到T1。

2. 計算最終授信額度。 除需得到T1之外， 財務部門還需要設計信用與財務評級體系， 并根據客戶的資信情況進行信用評級、財務評級， 從而得到信用評級調整系數（T2）、財務授信額度（X）， 最終通過授信額度計算模型（L=T1×T2×X）得出不同客戶的授信額度， 實現對應收賬款信用風險的管理， 以提升應收賬款周轉效率， 改善經營現金流量。

（二）銷售量與訂貨量預測

某餐飲企業通常依靠經驗來決定每日食材訂貨量， 然而， 由于經驗不足， 總是無法保證精準訂貨， 導致門店采購成本增加， 每月利潤難以保持穩定。 實際上， 每日食材的訂貨量取決于每日各菜品的銷售量， 因此， 科學預測每日銷售量是精準配備食材、降低門店運營成本及提高門店利潤率的關鍵。

1. 模型選擇。 該餐飲企業希望根據旗下某門店各菜品的歷史銷售量， 預測未來一周內的銷售量。 從歷史數據來看， 門店銷售量受季節更替因素的影響， 大致依照一個固定周期呈規律性變化， 因此， 該門店選擇應用時間序列算法中的ARIMA模型（如圖1所示）， 以設計構建銷售量預測模型， 并應用規則模型將一些非常規因素也考慮進預測中。

2. 基礎預測。 在正式構建模型之前， 該門店收集了自開業以來各菜品的銷售量歷史數據， 應用ARIMA模型， 調整目標參數， 不斷修正優化， 構建銷售量的基礎預測模型， 基于歷史數據推斷未來各菜品的銷量走勢。

3. 調節預測。 由于一些非常規的因素也會對門店銷售量產生一定影響， 如新菜品上市、促銷活動、周邊同類門店變動等， 因此， 在基礎預測模型之上， 還需要考慮這些非常規因素， 以提高模型預測的準確性與合理性。 為此， 門店通過搜集、分析非常規因素， 利用規則模型調節預測量， 對基礎預測模型進行校正， 從而獲得最終的銷售量預測模型。

4. 自動預測， 支持決策。 根據最終調節校正后的銷售量預測模型預測每日菜品銷售量， 并基于菜品銷售量與所需食材的數量關系， 可以獲得門店每日所需的食材量， 為門店訂購食材提供重要參考。

銷售量預測模型可以幫助餐飲企業科學預測各菜品的銷售量， 從而合理地預訂食材， 促進以銷定產、產銷結合， 降低企業的綜合運營成本。 同時， 科學的銷售量預測既避免了食材短缺又兼顧了食材新鮮， 提高了門店的服務質量和顧客滿意度， 進一步降低門店運營成本、提升門店營業利潤率。

（三）潛在流失客戶畫像

隨著數據分析技術的快速發展與廣泛應用， 財務的職能范圍不斷擴大， 財務不再局限于對賬表的處理， 還可以通過對數據的采集、處理和分析為企業提供更有價值的信息， 參與到業務發展和經營決策的過程中。 例如， 商業銀行之間的競爭主要集中于對客戶資源的爭奪， 然而， 許多商業銀行在不斷挖掘新客戶的同時， 往往忽略了存量客戶的流失， 而存量客戶的營銷成本遠低于新開發客戶的成本， 因此， 實現對客戶流失率的精準測算并及時控制以減少客戶流失， 對于銀行來說十分必要。 某商業銀行從二季度開始頻繁出現存量客戶理財資產減少、銷戶客戶數量增加等問題， 存量客戶的流失率同比增長30%。 該銀行調研得知， 產品利率降低、銀行服務質量下降等是客戶流失的主要原因。 為此， 該銀行希望聯合業務部門和財務部門， 通過數據算法實現對客戶特征的洞察與分析， 預測潛在流失的客戶群體， 提供差異化的營銷及管理方案。

1. 模型選擇。 歷史流失客戶數據和現有客戶數據均呈現出維度多、目標類別未知及特征相似度高等特點， 因此， 該商業銀行選擇利用K-means算法（K均值， 聚類算法）對潛在流失客戶群體進行特征挖掘， 根據客戶的年齡、資產數額、消費偏好等數據將客戶分群， 從不同的維度對客戶進行畫像， 預測未來一年內可能會流失的客戶群體與客戶數量。

2. 算法步驟。 從該銀行實體數據庫中采集半年內的業務數據樣本， 從客戶屬性、資產、持倉產品、交易筆數、交易方式、投資偏好、投資收益、消費能力等多個維度進行描述， 并對樣本中多個異常數據進行清洗處理， 使用K-means函數對樣本數據進行聚類建模。 先隨機選擇可以作為初始化的中心點， 將數據點歸集到距離其最近的中心點， 所有數據點分配完成后， 重新計算聚類的中心， 且這個過程將不斷重復直到每一個聚類中心的數據點不太變化為止， 從而完成對樣本數據的分類。

3. 客戶畫像。 由K-means 算法建模可得到潛在流失客戶數量， 以及客戶分布情況。 通過總結可從潛在流失客戶群體中劃分出三類特征最為明顯的群體， 得到流失客戶的特征規律。 具體客戶群體分類如圖2所示。

依據三組客戶群體的特征維度， 以客戶屬性、投資偏好、發展空間、風險接受度等特征對各群組客戶進行全方位刻畫， 完成對每一位客戶的特征洞察和價值挖掘， 及時預警客戶的流失風險， 并制定個性化、差異化的營銷策略， 從客戶的需求出發， 合理配置資源， 幫助客戶實現價值最大化， 提高客戶的滿意度和忠誠度， 延長客戶的生命周期， 從而實現對銀行存量客戶數量的維持。

通過以上應用場景的介紹可以看出， 依托商業環境下數據的持續增值， 算法作為深度挖掘數據價值的工具， 在財務工作中的應用場景逐漸豐富， 正在顛覆財務傳統的工作模式及企業運營決策的方式， 實現企業向洞察驅動型模式的轉變。

四、數據分析常用工具

常見的數據分析工具包括Excel、SQL、SPSS、SAS、Python、R等。 Excel雖能滿足日常辦公的基本需求， 但不能有效地處理大量數據， 而SAS、Python、R這類傳統的數據分析工具雖然功能強大， 但具有一定的技術門檻， 往往需要使用者具備相應的編程能力。 隨著企業對數據分析需求的不斷增加， 以算子平臺為代表的面向財務人員的人工智能大數據平臺應運而生。 借助算子平臺， 財務人員即便不懂編程， 也能得心應手地開展數據分析。

算子平臺將獨立的數據處理邏輯和建模計算能力抽象為一個個算子。 簡單來說， 算法中的一個函數、幾行可以重復使用的代碼、一個數學中的平方操作都可以認為是“算子”， 算子即進行某種“操作”。 算子平臺通過對算子的自由拖拽、編排和可視化配置， 構建算子流， 滿足數據清洗、計算、分析、建模等需求。 算子平臺的主要功能特點包括： 第一， 算子平臺對機器學習算法組件進行了封裝， 故使用者在進行數據分析時， 無須編寫代碼， 只需要將相應的算子拖拽至畫布， 進行連接， 即可實現模型的快速搭建， 且數據取用全鏈路、數據加工計算規則可視、可配置、可理解。 算子平臺這種自由拖拽式的可視化操作大大簡化了大數據工具的使用流程， 降低了數據加工、智能算法應用、可視化展示的技術門檻。 第二， 算子平臺內置數理統計、機器學習、知識圖譜、可視化分析等多種不同功能的算子， 能幫助使用者挖掘數據深層規則與關聯關系， 并利用模型進行業務預測， 實現對企業管理決策的指導。 例如， 利用算子平臺， 可以實現對支付異常數據的識別， 以企業的燃料費用管理為例進行分析。 算子平臺支持多種導入方式， 選擇導入銀行流水本地文件， 同時， 企業將單筆平均支付金額大于歷史平均支付金額的15%設定為異常大額交易。 通過篩選算子， 在2020年流水中過濾出燃料費用交易數據， 與對應的采購信息進行整合， 通過簡單配置能夠識別出的異常燃料交易結果中存在11筆異常交易， 分析人員可以基于此結果進一步分析業務信息， 以提高企業的內控管理效率。

算子平臺作為一種企業級的數據分析工具， 集數據接入、數據處理、數據分析、數據可視化、數據應用、數據資產沉淀與共享于一體， 助力企業深度挖掘數據價值， 實現“從數據到模型， 從模型到場景化應用”的全流程數據資產管理閉環。

五、數據分析對財務的價值

（一）提高財務分析的效率與質量

在傳統的財務工作中， 財務人員常常要面對大量的手工處理所帶來的成本高、效率低、質量差等問題。 因此， 財務部門需要將數據分析技術應用于財務工作當中， 降低數據處理工作的成本， 提高財務分析的效率與質量， 讓財務對企業需求與外部市場變化做出快速響應， 從而高效率、高質量地支撐企業的管理和發展。

（二）強化財務風險的評估與防范

面對各類風險的不可控問題， 企業應增強財務預警與風險管控意識， 利用數據分析技術， 運用比對數據差值、篩查異常數據、分類統計、監督審查、指標預測等各類分析方法， 建立并完善企業財務風險識別與預警系統， 科學合理地評估財務數據信息與財務指標趨勢， 并及時采取相應的防范措施， 從傳統的事后反應轉變為事前、事中的控制與追蹤， 迅速捕捉危機發生的先兆， 增強企業抵御風險和防范風險的能力， 以保障企業持續健康發展。

（三）全方位支撐業務的高效開展

數據來自于業務， 最終也要回到業務中去。 財務利用數據探索與數據算法深度挖掘數據， 預測未來產品趨勢、服務業務的開展方向與收益分布， 提升企業在市場中的競爭力。 同時， 財務還可以及時識別業務風險、監督資金流向及預警財務風險， 避免企業陷入財務危機。 數據分析在財務領域的應用， 進一步賦能企業業務的高效開展， 加強財務管理對企業科學經營的支持。

（四）精準驅動企業經營管理決策

財務部門通過數據分析對多種數據資料進行深層次的研究， 可提高數據的有效利用率， 挖掘潛藏在數據中的信息， 釋放數據價值， 完成企業從流程驅動到數據驅動的轉變， 賦能企業的智慧決策革命， 緩解經營者的焦慮， 消除財務人員的決策困境， 增強運營的靈活性與敏捷性， 實現科學決策與精準決策， 為企業創造新的附加值， 幫助企業在競爭激烈的市場中保持長久的競爭優勢。

【 主 要 參 考 文 獻 】

[1] Tukey J. W.. The future of data analysis[ J].The Annals of Mathematical Statistics，1992（1）：1 ～ 67.

[2] Moll J.， Yigitbasioglu O.. The role of internet-related technologies in shaping the work of accountants： New directions for accounting research[ J].The British Accounting Review，2019（5）：1 ～ 20.

[3] MGI. The age of analytics： Competing in a data-driven world[R].New York： McKinsey & Company，2016.

[4] 賈俊平，何曉群，金勇進.統計學（第4版）[M].北京：中國人民大學出版社，2009.

[5] 李琳，劉鳳委，李扣慶.會計演化邏輯與發展趨勢探究——基于數據、算法與算力的解析[ J].會計研究，2021（7）：3 ～ 16.

[6] Philip Kotler， Gary Armstrong著.趙平，戴賢遠，曹俊喜譯. 市場營銷原理（第七版）[M].北京：清華大學出版社，1997.

[7] 祖巧紅，陳定方，李文鋒.基于關聯規則重要性的產品購買序列模式發現[ J].東南大學學報（自然科學版），2007（S2）：440 ～ 444.

【作者單位】深圳市中興新云服務有限公司， 深圳 518000