大数据分析在管理会计的应用分析

导语：大数据分析在管理会计的应用分析一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

【摘要】大智移云背景下，数据的深度挖掘在管理会计中发挥着越来越重要的作用。分析学将企业的数据分析分为三个层次：描述性分析学、预测性分析学、指向性分析学，为企业数据分析提供了新思路。为更好地应用分析学，并将战略融入到企业的各项活动，文章提出在企业中，以平衡计分卡为框架，对其各视角应用分析学的方法，从而使企业的数据分析时刻围绕着企业战略展开，强化管理会计对企业决策的支持作用。

【关键词】大数据；分析学；平衡计分卡

一、引言

在大智移云背景下，有价值的数据无处不在，管理会计师处理的数据不应再局限于企业内部经营数据，而是要广泛利用外部数据，进行内外部数据的挖掘利用。与此同时，管理会计师处理数据的方式也需要与时俱进，不应再局限于描述性分析和简单的趋势预测。分析学可以简单定义为“发掘数据中有意义的规律”，是利用分析工具、技术以及原理来解决复杂的商业问题。在企业信息化环境下，管理会计师可以利用数据分析技术从内部和外部数据源提取分析数据，来回答发生了什么（描述性分析学），将会发生什么（预测性分析学），优化的解决方案是什么（指向性分析学）。可见，分析学为管理会计师的数据处理提供了新的思路。基于平衡计分卡视角，用分析学来进行数据挖掘，是将分析学的三个层次（描述性、预测性、指向性）应用于平衡计分卡的财务、客户、内部流程、学习与成长等四个视角来对企业进行绩效考核，保证了企业发展状况的描述、预测、优化一直围绕着企业战略展开，便于在环境改变的情况下及时调整企业发展战略，以促进企业的可持续发展。

二、理论基础

（一）大数据。大数据来源广泛，包括博客、RFID标签、社交网络、基于互联网的文本文档、视频档案、摄影档案、科学实验、活动记录等［1］。企业中的大数据来源分为3类：第一类是来源于企业中的筹资活动、投资活动和经营活动的数据，它们是数据的传统来源。第二类是互联网和社交媒体产生的数据，它们对于企业来说潜在价值最高，但是因为这些数据比较复杂，且大部分数据是非结构化的，需要对其进行文本挖掘，从中提炼出有价值的信息和知识，然后再利用数据挖掘技术和工具进行分析。第三类是机器产生的数据，现在很多前端的数据收集系统已经实现了自动化，各种机构都可以收集到庞大丰富的数据，这将是未来数据的主体。（二）分析学。分析学可以通过数据报告分析研究对象的发展趋势，创建预测模型，为优化企业工序提高绩效服务，从而帮助企业实现商业目标。分析学的应用涉及到企业的众多部门和职能，甚至可以覆盖整个企业活动。IN⁃FORMS为分析学划分的三个层次，得到了业界领袖、学术机构的广泛认可［2］。图1中展示了分析学的三大分类，包括每一层级要回答的问题和所用的分析技术类型。由于大数据具有数量大、种类多、流动速度快的特点，具体的挖掘分析需要运用先进的算法，利用分析学中的先进技术水平无疑是最好的选择。在描述性分析学阶段，只是向决策者定期传达企业“发生了什么？”以及“正在发生什么？”，在这一阶段大多是采用图表的形式将企业数据呈现在决策者面前；在预测性分析学阶段，企业会思考“未来会发生什么？”这个预测是建立在历史数据的基础上；在指向性分析学阶段，企业利用复杂的数学模型确定解决问题的最佳方案，回答企业“应该做什么？”的问题［3］。分析学的三个层次是逐渐上升的，现在很多企业管理会计的应用仍停留在描述性分析学及简单的预测性分析学方法上，指向性分析学的应用则是少之又少。（三）平衡计分卡。平衡计分卡从四个视角衡量企业绩效：（1）财务视角，描述“利益相关者所期望或要求的财务成果是什么？”（2）客户视角，回答“我们的目标客户是谁？”“他们的期望是什么？”“我们的价值主张是什么？”（3）内部流程视角，分析“为了能为客户创造价值，我们需要在哪些流程上高效运营？”（4）学习与成长视角，考察“我们能否继续创造价值？”图2中的框架使平衡计分卡的应用不再局限于衡量企业绩效，还可以通过预测性分析学和指向性分析学对企业未来绩效进行预测和改进，为未来的管理层决策提供重要的数据支持。

三、分析学在平衡计分卡中的应用

平衡计分卡的各个视角相互影响，相互促进。学习与成长衡量公司推出新产品的能力、为客户创造更多价值的能力、继续提高企业效率的能力，这些使人力资源和信息技术与战略要求相一致，而这些战略要求来源于企业的关键内部商业流程、差异化的价值主张、客户关系，最终影响企业的经营成果。分析学在平衡计分卡的框架下应用可以契合企业战略，为管理层提供更加具体的决策信息，促进企业可持续发展。（一）财务视角。从商业企业追逐利润开始，企业的重点就已经是通过在驱动收入增长和增强成本控制之间实现创造性的平衡，来提高股东价值。其中，收入的增长通常通过两个方式来实现：在市场上销售全新的产品或服务，或者加深与已有客户的关系。所以在对企业财务视角的目标完成情况进行评价时，可以参考的考核指标有销售增长率、市场占有率、现金流量、净资产收益率等。利用描述性分析学可以提供对企业目前财务状况的整体性描述。例如，在比率分析中将基于历史数据计算的各年度净资产收益率进行比较，管理会计师将得到企业成长的信息。另一方面，将财务视角关注的比率与行业基准进行比较，可以描述公司是否保持竞争优势。可视化工具为管理会计师更有效直观地提供财务信息，将公司近几年的销售数据做成折线图，可以直观地看出销售的波动情况［4］。从财务角度看，预测性分析学是利用企业积累的历史数据预测未来的财务业绩，管理会计师根据预测结果可以较精确地编制企业整体预算。预算编制的起点为销售量预测，利用数据挖掘技术根据产品历史销售数据，综合考察其影响因素对预测模型进行修正，预测各个产品的销售情况，实时搜集生产成本、费用支出等各种数据进行测算，进而制定企业的各项预算。利用预测性分析学制定企业预算不仅提高了预算的精确度，还能够缩短预算的编制周期。根据描述性和预测性分析方法得到的结果，管理会计师可以利用指向性分析方法得到最佳解决方案及其可能的结果。指向性分析学与预测性分析学使用的方法在有些情况下是相同的，但指向性分析学本质上是通过比较得出最优解决方案。例如：智能制造模式的一个显著性特点是网络化协作，生产产品不再仅仅是制造企业的任务，而是需要材料供应商、技术开发商和商等产业链上下游企业的协同合作，在如何选择合适的合作企业上，可以利用企业的内外部数据，确定合适的指标体系，采用人工神经网络算法，选择有利于企业实现提高存货周转率，降低产品成本，获取高回报的合作企业［5］。（二）客户视角。在最初的平衡计分卡框架中，从时间、质量、性能和服务、成本四个方面描述了客户的关注点。时间是指企业满足客户需求所需的时间；质量衡量顾客感知的产品或服务缺陷水平；性能和服务衡量企业产品或服务如何为顾客创造价值；最后，成本衡量企业产品或服务达到某种程度所利用的各项资源的价格。描述性分析学的应用提供了客户视角当前状况的一个综合观点。多数的大数据处理方法需要结构化的数据源，但文本挖掘和可视化使管理会计师可以从企业网站和客户论坛的评论和投诉中提取意见，并生成有用的信息，进行客户维度的描述分析。结构化数据计算的退货率和保修索赔率也可以作为衡量顾客对制造企业产品的满意度的指标。采用预测性分析学，管理会计师可以从客户视角关注的四个方面对顾客关于企业产品或服务的看法做出合理预测。具体来说，时间、质量、性能和服务以及成本都可以通过预测分析算法（例如：支持向量机、人工神经网络、遗传算法、对数回归、时间序列分析、层次分析法）利用内部历史数据或外部网站数据进行估计。例如：管理会计师可以用内部数据训练人工神经网络模型，对收到顾客订单到交付产品或服务之间的时间间隔进行预测，这将有助于协调企业各部门之间的合作，并协助管理者调整公司战略。在“互联网+”背景下，电商后台数据库中存在着大量文本形式的用户评论，采用文本挖掘不仅可以得到用户对产品的评价，还可以对用户未来需求产品的特性进行预测，进而预测未来新兴产品的市场［6］。指向性分析学提供了企业成本与时间、质量以及性能和服务等因素之间的最佳解决方案。企业非常注重提高客户的满意度，这就要求企业能够更快地响应客户的要求，提高产品的质量，提供更好的性能和服务，但是这些都面临着预算约束。管理者通过制定资本与劳动力的投入策略来提高顾客的满意度和忠诚度，而这是一系列复杂的决策，通过指向性分析得到各种方案可能的结果，进而选择最优方案。将描述性分析学和预测性分析学结合使用，管理会计师可以向管理层提供回答各种问题的决策相关信息。比如：我们衡量客户满意度的方法揭示真相了吗？谁是我们的潜在客户？基于实时社会媒体数据实施有效的分析技术（文本挖掘等）使管理会计师能够进行即时分析，并协助管理层做出适当的客户策略。（三）内部流程视角。平衡计分卡的内部流程视角是对影响内部流程的因素进行考察，包括生产周期、产品质量、员工技能和生产率等。为了有效地进行内部流程管理，管理会计师需要将各个影响因素进行从上而下的分解，从而为下级员工提供明确的行动目标、决策目标和改进目标，而信息系统是管理会计师与员工之间沟通的桥梁。响应良好的信息系统可以及时为管理会计师提供有价值的信息，从而为管理层决策提供依据。内部流程视角的描述性分析学可以概括目前企业流程的状况。企业中具有各种各样的信息系统，使用流程挖掘可以从实际业务执行日志中发现结构化流程信息，并将其与可视化技术相结合，提供对正在进行工作的全面说明。以员工的技能、生产率和其他特征为聚类依据，可以发现高效率的员工并提供奖励，以激励其他员工提高工作效率。预测性分析学在衡量和管理内部流程中起着重要的作用。管理会计师可以基于历史数据建立预测模型，来预测相关因素的未来价值，从而为衡量企业绩效提供监测基准。如果管理会计师认为实际的绩效比预测结果差的多，那么就需要确定这种差异是由什么原因造成的。一般有两种原因：一是企业确实经营的差，比如内部控制不足；二是选择的模型不适合，有时对企业内部流程具有重要影响的因素可能没有被包括在原始预测模型中，导致预测结果可信度差。因此，预测性分析工具应该不断地进行监测和修改，以确保预测结果的有用性。在内部流程分析中应用预测性分析学的典型例子是利用流程挖掘优化企业事务处理。管理会计师可以了解到企业内部处理各项事务的流程，并且预测在各种情况下流程的效率。基于这些信息，管理会计师可以修改日常流程以改善组织效率。此外，管理会计师对未来可能发生的事情进行预测可以减少企业突发事件出现的可能性，也就是说可以预测未来可能发生的事情，做好准备，使其不再是突发事件。具体而言，管理会计师可以提供对企业各级员工的预测性报告，使每个员工对企业内部流程的现状和预期具有更广泛的了解。指向性分析学是根据内部流程描述和预测的分析结果对其进行优化。传统意义上复杂决策是基于经验和简单的描述性统计作出的，管理会计师可以使用指向性分析工具以找出员工技能、事务处理复杂性和生产质量之间的最佳解决方案，为决策者提供更具体的决策相关的信息。在内部流程视角，指向性分析工具可以采用目标规划或帕累托优化，将复杂的决策过程转化为优化模型，其中包括来自其他不同视角的描述性和预测性算法提供的信息。（四）学习与成长视角。企业创造价值的关键是提高企业软实力，其中包括人力资源、品牌价值等。在学习与成长视角衡量与软实力相关的能力，比如创新、改进和学习，衡量指标包括新产品的市场份额和员工培训费用等。企业的成长离不开学习和创新。学习和创新的两种情形可以概括为开发新的产品或服务和采用新的技术。描述性分析学可以解释公司重视创新的程度和在新的挑战下员工如何学习。例如，可以用研究开发费用与总费用的比率来衡量企业对开发新产品或服务的重视程度。文本挖掘和可视化方法可以用来评估展示学习进展。ERP系统的实施需要对使用的员工进行培训，利用描述性分析工具可以呈现系统的学习进度，从而管理会计师可以监督员工的学习效率。企业的可持续发展是创新和学习关注的重点，这就需要企业必须了解当前活动可能对价值创造过程产生的影响。新技术带来的收益和成本；流程改造后对事务处理效率的影响，运营成本的变化；客户对新产品的接受程度。这些预测有助于管理会计师了解创新和学习的有效性，并据此对员工提供激励。指向性分析工具可以使管理会计师利用描述性和预测性分析的结果，找到解决问题的最优策略或方向。在指向性分析学中机器学习算法可以用于训练模型，以便考虑到客户满意度和销售收入等因素对创新的影响，确定优化策略。企业应用分析学需要在大数据储存、分析、挖掘、可视化的过程中选择适合的软件，采用指向性分析工具可以为企业建立适合自身的大数据管理体系，进行精益管理，全面提升企业的运营效率，增强企业价值创造能力，促进企业全面可持续发展。

四、总结

在大智移云背景下，企业已经具有了收集、储存数据的能力，但是如何将数据转换为商业价值，成为企业需要解决的问题。企业利用分析学可以挖掘大数据中的商业价值，依靠现有信息及时采取快速准确的行动。分析学的应用是一个长期的过程，企业需要搭建一个基于大数据分析技术的分析平台，从而使员工可以进行简单的操作实施复杂的数据挖掘过程。本文的描述进一步突出了管理会计在企业决策中的地位，并且对于从事管理会计职业的人员提出了新的要求，不仅要精通会计知识，还要熟知IT、业务和营销等方面知识。

【参考文献】

［1］（美）NathanielLin著，赵玲译.大数据商业分析：整合大数据与业务流程的高级商业分析指南［M］.北京：人民邮电出版社，2016.

［2］（美）DursunDelen著，丁晓松等译.大数据掘金：挖掘商业世界中的数据价值［M］.北京：中国人民大学出版社，2016.

［3］AppelbaumD，KoganA，VasarhelyiM，etal.Impactofbusi⁃nessanalyticsandenterprisesystemsonmanagerialaccount⁃ing［J］.InternationalJournalofAccountingInformationSys⁃tems，2017，（25）：29-44.

［4］（美）MicheleChambers等著，韩光辉等译.大数据分析方法：用分析驱动商业价值［M］.北京：机械工业出版社，2016.

［5］潘珠.基于BP神经网络的供应商选择与评价研究［D］.中国地质大学（北京），2010.

［6］易剑波.基于文本挖掘的电商用户评论分析与系统实现［D］.东南大学，2017.

［7］司玉娟.以S公司为例谈平衡计分卡绩效评价体系的构建［J］.商业会计，2015，（01）：68-69.

［8］杨兴月.基于平衡计分卡的绩效评价指标体系的构建［J］.商业会计，2011，（32）：45-46.

作者:李爱敏 李燕 单位:青岛科技大学经济与管理学院