【中图分类号】F275 【文献标识码】A 【文章编号】1004-0994(2022)14-0122-5 DOI：10.19641/j.cnki.42-1290/f.2022.14.016 一、引言 数字经济加速了行业的变革与创新，改变了企业传统的商业模式与运营需求，而面对企业经营者日益复杂、多维、多变的要求，财务人员却疲于应对，大量的手工业务、冗杂的数据处理工作更让财务人员深陷窘境。为了顺应时代发展变化，洞察企业经营状况与市场变化趋势，越来越多的企业希望通过数据分析技术降本增效，提升财务的数据信息挖掘能力，以数据驱动决策，提高财务管理水平，实现企业的精细管理与价值创造。 数据分析作为一门科学，最早由美国统计学家Tukey[1]于1962年正式提出，他认为数据分析及其中的统计学知识必须具备科学特征而非数学特征，数据分析的本质是经验科学，即可以不断地通过实验以获得知识的过程。伴随着数据分析科学的不断发展，越来越多的研究聚焦于数据分析的应用价值。如Moll等[2]研究发现，数据分析等技术可以显著提高财务的可见性，能够对财务管理起到及时干预的作用，极大地减少财务人员的任务数量，而财务人员需要尽快学习数据分析技术，及时跟上时代变化，为企业创造新的附加值。同时，数据分析也是众多企业和机构关注的焦点，麦肯锡全球研究院(McKinsey Global Institution，MGI)强调，数据本身的价值是有限的，而数据分析的价值将不断被放大，数据分析不止于分析结果，其将驱动企业实现新的商业模式的探索和突破[3]。 本文认为，数据分析是利用数据分析技术对数据进行处理以获取有效信息，达到科学思考和决策的过程，包括数据探索和数据算法。数据探索是运用专业的统计方法对数据的特征与分布进行呈现，以基础分析方法获得对于数据的初步认识，帮助财务人员掌握数据的特征、关联性及分布规律；数据算法是基于数据创建算法模型的计算过程，对海量数据开展深度信息挖掘，从而在经营管理中发挥数据的深度价值。因此，将数据分析应用于财务领域十分必要，用数据提炼企业管理思维，形成符合企业价值诉求的思路和方法，赋能企业的智慧成长。 二、数据探索与数据算法 (一)数据探索的原理与应用 数据探索是基于数据样本，对数据进行解释性的分析工作。数据探索旨在描述数据的形态特征并解释数据的相关性，帮助企业准确掌握数据的分布规律与发展趋势，洞察其中可能存在的问题。对数据进行统计与分析，不仅可以凸显数据的特征，逐步形象化数据的变化趋势，有效衡量指标水平，还能够发现存在的问题，并挖掘产生问题的原因及采取相应措施，为下一步的数据算法工作奠定良好的基础。当然，数据价值不全都深藏于数据之中，并非必须通过复杂的算法才能进行挖掘，一些情况下，以基础的统计学知识与工具也足以发现规律，获得洞见。数据探索具体包括以下三个方面： 1.描述性统计。财务人员可以从集中趋势、离散趋势、分布形态三个方面对数据特征进行刻画：常见的衡量样本数据集中趋势的统计指标包括平均数、中位数和众数等，衡量离散趋势的指标包括极差、标准差及方差等，衡量分布形态的指标包括峰度和偏度。例如，在计算公司资产周转率时，会选择一定时期内的销售收入净额与平均资产总额(资产总额年初数与年末数的平均值)来计算，以衡量销售水平与资产投资规模之间的配比情况。 2.推断性统计。财务人员通常无法收集到针对某一业务的所有数据，难以对该项业务的运营情况展开分析，推断性统计方法则能够有效解决这一问题。推断性统计通过抽取样本进行测量，并可以根据获得的样本数据对所研究对象的总体特征进行推断[4]。该方法能够帮助财务人员利用样本数据来推断总体特征。基于研究对象的分布情况，可以采用推断统计的方法从总体中抽取样本数据进行分析，包括参数估计和假设检验。例如，企业的财务人员可利用假设检验的方法分析企业不良资产产生的原因。 3.相关性统计。相关性分析是研究两个或两个以上随机变量之间相关关系的统计分析方法，主要包括绘制相关图表和计算相关系数。例如，财务人员可以利用Pearson相关系数判断总资产周转率、净资产收益率、流动资产周转率等多种财务指标对上市公司财务风险的影响方向与影响程度，以基于公司的实际经营状况及时防范和控制财务风险。 (二)数据算法的原理与应用 算法是指一切经过明确定义的计算过程，其将某个或者某组值作为输入内容，并产生某个或者某组值作为输出结果，其既包含一系列解决问题的清晰指令，也包含决定各项清晰指令背后的逻辑规则与方法[5]。算法可以从数据中“学习”或对数据集进行“拟合”，不同的算法对应着企业不同的信息需求，数据算法是数据价值链中的核心环节，面向业务需求，对采集、清洗后的数据由浅入深地进行价值挖掘，发挥数据的作用，赋能企业财务的数字化转型。常见的算法包括： 1.回归算法。每一件事情的发生都有一定的因果关系，回归的过程即是由因溯果的过程，最终得到因果关系。回归算法能够基于获取到的测试集数据建立模型，并得到自变量与因变量的关系。回归算法一般应用于预测分析，如财务人员通过今年的利润额，采用线性回归分析得出利润额与时间的关系模型，从而预测明年第一季度的利润额。常见的回归算法包括线性回归算法和非线性回归算法。 2.分类算法。分类是人类认知事物最基本的方法，人类通过对复杂的事物进行分类，寻找规律，并根据每个类别的特征快速识别每个具体的事物，降低被分析问题的复杂程度，从而简化问题。分类不仅是认识事物的基本方法，也可以作为数据分析的重要方法。分类算法的基本功能是做预测。例如，商业银行会根据客户的基本信息情况，搭建贷款偿还的决策树，通过学习形成分类器，对客户未来贷款偿还能力进行预测，判断银行是否应该接受其贷款申请。常见的分类算法包括KNN算法、Logistic回归算法、决策树算法、BP神经网络算法等。
