¿Cuáles son las aplicaciones de la minería de datos en la contabilidad de gestión?

Número de categoría: f 234.3 TP 311.13 Literatura relacionada: Tema relacionado.

Resumen: La minería de datos es el proceso de descubrir tendencias y patrones a partir de datos. Integra el conocimiento de las estadísticas modernas, los sistemas de información del conocimiento, el aprendizaje automático, la teoría de decisiones y la gestión de bases de datos. Puede extraer eficazmente información y conocimientos potencialmente útiles de una gran cantidad de datos de aplicaciones prácticas incompletos y confusos, revelar relaciones complejas y ocultas en una gran cantidad de datos y proporcionar referencias útiles para la toma de decisiones.

En su proceso de desarrollo, la contabilidad de gestión no sólo necesita mejoras teóricas, sino también innovación en los métodos técnicos. La minería de datos es una nueva tecnología desarrollada en el entorno de la información y tiene funciones únicas en el procesamiento profundo y la utilización completa de la información. Explorar la viabilidad de aplicar la tecnología de extracción de datos en la contabilidad de gestión y las formas y campos de su aplicación es de gran importancia para mejorar el sistema de métodos técnicos de la contabilidad de gestión, mejorar su función como sistema de información y promover la innovación de los métodos de contabilidad de gestión.

La minería de datos es el proceso de descubrir tendencias y patrones a partir de datos. Integra el conocimiento de las estadísticas modernas, los sistemas de información del conocimiento, el aprendizaje automático, la teoría de decisiones y la gestión de bases de datos. Puede extraer eficazmente información y conocimientos potencialmente útiles de una gran cantidad de datos de aplicaciones prácticas incompletos y confusos, revelar relaciones complejas y ocultas en una gran cantidad de datos y proporcionar referencias útiles para la toma de decisiones.

Los métodos de minería de datos comúnmente utilizados incluyen principalmente árboles de decisión, algoritmos genéticos, análisis de correlación, análisis de conglomerados (análisis C~smr), análisis de patrones de secuencia y redes neuronales. El método SEMMA propuesto por SAS Research Institute es actualmente el método de minería de datos más popular. El proceso general de minería de datos que describe incluye los siguientes pasos: (1) Muestreo de datos. Antes de realizar la minería de datos, se deben seleccionar las bases de datos relevantes en función de los objetivos de la minería de datos. Creando una o más tablas de muestreo de datos

. La cantidad de datos de muestra extraídos debe ser lo suficientemente grande como para contener información significativa y, al mismo tiempo, la bifurcación no debe ser demasiado grande para manejarla. (2) Exploración de datos. La exploración de datos es el proceso de realizar una investigación en profundidad de los datos. A través de una exploración en profundidad de los datos, se pueden descubrir relaciones y anomalías esperadas o inesperadas ocultas en los datos, ganando así comprensión y conceptos de las cosas. (3) Ajuste de datos. Sobre la base de los dos pasos anteriores, agregue, elimine y modifique datos para hacerlos más claros y efectivos. (4) Modelado. Al utilizar herramientas de análisis como redes neuronales artificiales, análisis de regresión, árboles de decisión y análisis de series de tiempo para crear modelos, puede encontrar aquellos modelos que puedan predecir de manera confiable los resultados de predicción a partir de los datos. (5) Evaluación. Es una evaluación de la utilidad y confiabilidad de la información descubierta durante el proceso de minería de datos.

La aplicación de la minería de datos en la contabilidad de gestión se refleja principalmente en los siguientes aspectos:

l.Análisis de costes de la actividad y cadena de valor. El costeo basado en actividades ha despertado gran interés debido a su cálculo preciso de costos y la utilización total de los recursos, pero su complejo funcionamiento ha disuadido a muchos gerentes. El uso de análisis de regresión y análisis de clasificación en la minería de datos puede ayudar a los contadores administrativos a identificar los factores de costos y calcularlos con mayor precisión. Al mismo tiempo, también podemos determinar actividades con valor agregado y actividades sin valor agregado analizando la relación entre actividades y valor, a fin de mejorar y optimizar continuamente la cadena de valor empresarial. En la encuesta realizada por Thomas G. John J e IL-woon Kim, la minería de datos solo se utilizó para la gestión de costos basada en actividades, representando 3.

2. Predicción y análisis. Los contadores administrativos deben predecir el futuro en muchas situaciones. Los pronósticos se basan en grandes cantidades de datos históricos y modelos apropiados. La minería de datos busca automáticamente información de pronóstico en grandes bases de datos y crea modelos de pronóstico de ventas, costos, capital, etc. Con la ayuda del análisis de tendencias y el análisis de series de tiempo, se pueden predecir de manera científica y precisa varios indicadores de la empresa como base para el éxito. Por ejemplo, el análisis de datos de estudios de mercado puede ayudar a predecir las ventas, establecer un modelo de previsión de ventas basado en datos históricos, etc.

3. Análisis de decisiones de inversión. El análisis de decisiones de inversión en sí es un proceso muy complejo, que a menudo requiere la ayuda de algunos modelos I:sum.

Las técnicas de minería de datos proporcionan herramientas eficaces. Del informe financiero de la empresa, entorno macroeconómico y condiciones básicas de la industria, etc.

Obtener información sustantiva relacionada con la toma de decisiones a partir de datos para garantizar la corrección y eficacia de las decisiones de inversión. Por ejemplo, los modelos de análisis de series de tiempo se utilizan para predecir los precios de las acciones para la inversión; el análisis en línea y la tecnología de procesamiento se utilizan para analizar el nivel de informatización de la empresa y prevenir riesgos de inversión.

4. Gestión de la relación con el cliente. La gestión de las relaciones con los clientes es un arma poderosa para mejorar la ventaja competitiva de las empresas. Primero, clasifique los grupos de clientes. A través del análisis de clasificación y agrupamiento del almacén de datos, se pueden descubrir los patrones de comportamiento de los clientes del grupo, agrupando así a los clientes e implementando diferentes servicios en forma de U. En segundo lugar. Según la ley de Pareto, el 20% de los clientes crean el 80% del valor de una empresa. En este caso, la empresa puede extraer estos clientes de la base de datos de clientes y rastrear y monitorear dinámicamente su comportamiento, necesidades y preferencias. Y proporcionar los productos y servicios correspondientes de acuerdo con las diferentes características de los diferentes grupos de clientes, estableciendo así relaciones de cooperación a largo plazo con los clientes y mejorando las tasas de retención de clientes. Por ejemplo, en el campo de las telecomunicaciones, el análisis multidimensional de los datos de telecomunicaciones puede ayudar a identificar y comparar las diferentes necesidades de productos de diferentes clientes, permitiendo así a las empresas ofrecer productos más distintivos y mejores servicios a los clientes.

5. Análisis de producto y mercado. La optimización de la variedad es el proceso de seleccionar una combinación de productos adecuada para maximizar los beneficios, que pueden ser ganancias a corto plazo. También puede ser una participación de mercado a largo plazo o una base de clientes a largo plazo y su combinación. Para lograr estos objetivos, los contadores administrativos no sólo necesitan datos sobre precios y costos, sino también una comprensión del panorama de los sustitutos y de cómo compiten con el producto original en un segmento del mercado. Además, las empresas también necesitan comprender cómo un producto estimula las ventas de otros productos, etc. Por ejemplo, un producto sin fines de lucro en sí mismo no genera ganancias, pero si genera un tráfico considerable de clientes y estimula las ventas de productos con altas ganancias, entonces este producto es muy rentable y debe incluirse en la lista de productos. Esta información se puede obtener mediante técnicas como el análisis de correlación basado en datos reales.

6.Análisis de riesgos financieros. Los contadores administrativos pueden utilizar herramientas de extracción de datos para evaluar los riesgos financieros corporativos, establecer modelos de alerta temprana de crisis financieras corporativas y predecir quiebras. Los modelos de predicción de quiebras o alerta temprana de crisis financieras pueden ayudar a los gerentes a comprender los riesgos financieros de las empresas de manera oportuna, tomar medidas de prevención de riesgos con anticipación y evitar la quiebra. Además, los modelos de predicción de quiebras también pueden ayudar a analizar las causas de la quiebra, lo cual es de gran importancia para los directivos de empresas. En la década de 1930, Smith y Vinacre fueron pioneros en los intentos de predecir la quiebra. Luego, en la década de 1960, Ahman utilizó el análisis discriminante multivariado.

El modelo de predicción de quiebras con puntuación Z propuesto por este método de predicción logró un gran éxito y una tasa de precisión de predicción de más del 90%. Desde entonces, las técnicas de extracción de datos, incluido el análisis discriminante multivariado, el análisis de regresión logística, los algoritmos genéticos, las redes neuronales y los árboles de decisión, se han utilizado ampliamente en la predicción de quiebras corporativas.

__