探索管理会计中非财务数据价值挖掘
随着管理会计研究的深入，非财务数据越来越多地应用r管理会计之中，在管理会计信息系统巾的地位也H显重要，是企业决策的重要信息来源。目前，管理会计中的数据处理方法主要包括初、高等数学方法，如产品定价决策中的弹性定价法，生产组织决策中的经济批量决策法；数理统计方法，如混合成本分解中的回归直线法，经营预测巾的资金增长趋势预测法，本量利分析中的非线性回归法；运筹学方法，如赶lr决策中的成本计划评审法，产品组合优化决策中的单纯形法等。这些技术方法的应用往往都是以财务数据为基础，而非财务数据在数据的来源、类型及结构等方面与财务数据存在着显著差异，所以有必要引入新的数据处理技术，数据挖掘正是这样一种善于从海量且结构复杂的数据中提取有用信息的技术。近年来，数据挖掘技术在管理会计领域应用的研究主要集中在财务危机预警、经营预测、风险分析、预算管理等方面。而从非财务数据价值挖掘的角度应用数据挖掘技术的研究却极少， 此，在管理会计中利用数据挖掘技术深挖非财务数据价值，值得进行深入探讨。
一、管理会计中非财务数据的应用领域及价值
在管理会计中，非财务数据(Non—Financial Data)并没有一个完全统一的定义，它是一个与财务数据相对应的概念，泛指不受公认会计准则约束的，可使用多种量化单位或个性化术语描述和记录的企业业务结果和交易细节。
(一)非财务数据的应用领域
企业经营环境的变化，使管理会计研究的焦点逐渐从企业内部挖潜转移到对企业外部竞争环境的分析上，这一发展使管理会计对信息的种类及数量的需求发生了根本性的变化，仅仪应用财务数据已不能全面、充分和客观地为管理者提供决策支持信息。与此同时，随着企业信息化建设的迅速发展以及数据库技术的广泛应用，企业积累的数据，尤其是非财务数据越来越多。激增的数据背后隐藏着许多重要的信息，作为具有为企业经营战略提供各种有价值信息职能的管理会计，希望利用这些数据资源，理解数据背后的经济实质，发现企业经营管理中存在的问题和潜在的机会，以满足企业经营决策的需要。因此，有必要将非财务数据纳入到管理会计的分析范畴，发挥非财务数据的应用价值。非财务数据作为财务数据的补充，其应用多集中在战略管理会计的研究内容和管理会计新的研究领域中， 主要涉及以下几个方面：价值链分析、作业成本计算、竞争对手分析、产品寿命周期成本计算、绩效评价、质量成本分析、目标成本计算、客户分析和人力资源管理会计等。除此之外，传统管理会计的销售预测和业务预算等方面也广泛应用着非财务数据。
(二)非财务数据的应用价值
以上研究领域之所以要引入并应用非财务数据，主要是由于非财务数据有着财务数据所无法涵盖的价值。非财务数据的应用价值主要体现在能够弥补财务数据的局限性，增强决策的科学性。与财务数据相比，非财务数据具有以下显著优点：(1)来源广泛，数量繁多。非财务数据来源于企业生产经营的各个方面，涉及的内容更多，范同更广，如市场规模、客户资源等。(2)形式灵活。非财务数据不受可计量性和货币计量假设的限制，可以用比率、统计数据、文字叙述及图表等多种方式表示。(3)前瞻性。由于不受公认会计准则的约束，非财务数据能够反映企业各个时点的信息，不仅包括过去的和实时的数据信息，还包括前瞻性的数据信息，如预测性信息。相对而言，财务数据来源单一，数量有限，时效性差，且只能反映企业资金运动方面的信息，依赖财务数据所提供的信息并不能充分反映企业所面临的机会和风险，也不能将企业价值充分体现出来。
因此只有结合非财务数据，形成同财务数据之间的相互补充和对照，才能从深度和广度上反映企业整个业务流程和业务链信息，综合地衡量企业业务运行状态和运行结果，为管理决策提供更有力、更全面的信息支持。
二、管理会计中应用非财务数据的难点
管理会计中广泛应用非财务数据虽然在理论上已势在必行，但实践中的应用进程则较为缓慢，这主要是由于管理会计现有的技术方法往往建立在规整的、标准统一的、时间连续的、数量有限的、关联关系明显的财务数据基础之上，利用现有技术处理非财务数据会遇到以下几方面的困难：
(一)提高数据处理效率
非财务数据通常数量巨大，甚至海量，对数据处理方法的选择性强，对支持软件和硬件系统的要求高。海量数据的处理还会消耗大量时间成本，如何提高数据处理的效率始终是各个领域中海量数据应用的一个难点。
(二)筛选有价值的数据
现有技术对数据质量有较高要求，而非财务数据来源广泛且难以保证数据的真实性和准确性，数据易受噪声污染，数据错误、冗余、不一致、缺失等现象普遍存在。如何从这些质量有缺陷的数据中筛选 有直用价值的数据是现有技术较难解决的问题。
(三)综合应用异构数据
非财务数据结构复杂，既包括结构化数据(如关系型数据库)，也包括半结构化(~HWeb数据)和非结构化数据(如图像、声音数据)；其数据类型也极为丰富，既有数值类型、字符类型，还有日期／时间类型、白定义类型等，而现有技术只能处理结构化和数值型数据。
(四)寻求数据之间的关联关系
非财务数据应用的困难还体现在非财务数据之间的关系错综复杂，关联关系不够明显，且不易寻找和发现，因而难于利用已知数据之间的关联关系建立模型来分析或预测经济现象。
冈此，尽管非财务数据背后隐含着重要的、有价值的信息，但如何将这些重要信息挖掘出来是管理会计亟需解决的问题。数据挖掘技术是近年来信息爆炸推动下的新兴产物，是从海量数据中提取有用知识的热门技术， 具有集成化、自动化和智能化的特征，在信息深加工、充分利用方面具有独到且强大的功能，因而其必将成为管理会计中非财务数据应用的有力技术支持。
三、数据挖掘技术挖掘非财务数据的内在价值
管理会计现有的技术方法往往是一种单一的技术，而数据挖掘则是一种集成化的技术，它融合了多个学科的技术，如数理统计、人工智能、机器学习、数据库管理、模式识别等，这种集成化的技术在处理非财务数据方面显示出单一技术所无法超越的优势。
(一)数据挖掘技术处理非财务数据的优势
(1)数据挖掘技术适于处理海量数据。非财务数据来源广泛、数量繁多、规模庞大，现有的方法难以应用，而数据挖掘技术恰恰是以处理海量数据、复杂数据为目标。(2)数据挖掘技术对数据质量的要求较低。
数据挖掘技术允许数据有缺失、有噪声、有冗余、有不一致，因为数据挖掘技术还包含数据的预处理过程，能够将有缺陷的数据运用科学的方法补全、消声、清洗和归约，从而提高了数据的可用性和可靠性。(3)数据挖掘技术能够处理结构复杂的数据。对以异构形式存在的非财务数据，如文本、图像、声音等，可以分别利用文本数据挖掘技术、Web数据挖掘技术、多媒体数据挖掘技术等来处理。(4)数据挖掘技术善于寻找数据中潜在的模式和关系。数据挖掘技术是在没有明确假设的前提下去挖掘信息、发现知识，其思维方式与现有的技术方法相比是逆向的，它是用数据来产生模型，再用数据去检验模型，模型的构造是从特殊到一般的归纳过程，所以往往能够找到关联关系不明显的非财务数据之间的关系，发现意料之外的信息或知识。
(二)数据挖掘技术处理非财务数据的实例
本实例以DH公司为研究背景，将财务数据与营销数据结合使用，将财务职能与营销职能综合协调，以期满足DH公司战略管理的要求。
第一步，确定主题。DH公司是化工行业的上市公司，经过多年发展，拥有了庞大的销售网络和客户资源。如何在繁多的客户数据中找到有价值的信息，为企业的管理决策服务，是管理会计人员的重要职责。本实例将研究主题确定为对企业销售客户群体进行细分，目的是根据不同类别的客户制定合理的财务收账政策及有效的市场营销策略。其挖掘思路如图1所示。
第二步，选择算法及工具软件。讨论客户群体的划分自然要选择分类或聚类算法，由于没有因变量来指导学习过程，因此选择无指导聚类的算法。本例选择的挖掘软件是IDA分析器，它是基于Excel的数据挖掘工具，其ESX组件可以运用无指导聚类算法对给定数据进行挖掘。
第三步，数据预处理。(1)数据选取。本实例所用数据来源于DH公司的财务部门和营销部门，调用了财务部门的产品成本数据库及营销部门的客户数据库， 同时采集了销售发票及会计报表的相关数据。本次挖掘以公司最近一年的数据为研究样本。
(2)数据清理。DH公司近年来在企业的信息化建设方面做了大量的工作，因此，其数据管理比较规范， 数据质量相对较高。
而且，IDA分析器中包含一个预处理器(Preprocessor)组件，该组件能够对非法数值、空行和缺失项等错误进行扫描，并且能纠正多种类型的错误。本例就利用了这一组件对数据进行了预处理。
图2显示了处理后的目标数据。 图2中除前三行的每“行”为一个实例，即每个客户的所有信息；每“列”为实例的各类属性值(包括数值型I和类别型R)， 即客户的单位代码、老客户续约率、累计购货次数、平均订货周期、客户支持率等。本例选择的是无指导聚类的算法， 故将“购货单位代码”的属性用途(第三行)设为u(不使用的属性)，即该属性不参与相似度的计算。其他的属性用途设为I(用作输入的属性)，即参与相似度计算的属性。
货记录，而其中某些记录是将一次购货在开具发票时做了分开处理，因此对于这类同一月内多次购货的情况本例均做一次购货记录处理。
第四步，实施挖掘及结果分析。以DH公司的主要产品5为例，对与其相关的财务数据和客户数据实施挖掘。经过多次阈值调整，反复进行挖掘，结合分析生成的结果，最终得到了最佳的输出结果，如图3所示。
挖掘会话的结果显示在四个新的工件表中，其中RES SUM工作表包含了有关属性值的汇总统计表；RES CLSX作表包含了作为无指导挖掘会话结果所构造的聚类信息；RUL TYP工作表列出了每个客户的归属簇；RES RUL工作表包含了为每个簇生成的产生式规则。
最终挖掘结果将购买产品5的客户群体分成了四个簇，即图3中所示的Classl，Class2，Class3，Class4。图4显示了Class3簇各属性的阈值等聚类信息。
通过对结果进一步的分析发现，归人Classl簇的客户属于低价值不稳定的客户群，共有46家；Class2簇是低价值稳定的客户群，共29家；Class3簇是高价值稳定的客户群，共13家；Class4簇是高价值不稳定的客户群，共11家。
依据挖掘得到的销售客户群体的分类，财务部门应针对不同的客户群体制定相应的信用政策和收账政策，进而提高企业资金的营运能力及获利能力； 而营销部门则应针对不同的客户群体制定有效的营销策略，如销售优惠政策、产品的交叉营销等，以此提升销售业绩，拓宽销售渠道，发掘潜在客户， 激发隐性消费等。
四、结论
非财务数据不受公认会计准则的限制，来源广泛、形式灵活， 前瞻性强，具有财务数据所无法替代的应用价值；但同时非财务数据因为数量多、质量低、结构复杂、关联关系不明显，使得传统的技术方法很难发现其内在价值，而数据挖掘技术恰恰适合于处理具有上述特征的数据。因此，可以利用数据挖掘技术完善非财务数据处理方式，提高管理会计的信息质量。在数据挖掘技术面向企业应用时， 应注意将财务数据和非财务数据结合使用、互为补充、综合衡量， 同时应根据主题或挖掘目的选择合适的算法和工具软件， 并结合企业实际正确分析和运用挖掘结果。
