论文部分内容阅读
随着企业信息化过程的不断推进，很多企业已经积累了大量的业务数据，但是这些业务数据的商业价值并没有得到充分地挖掘和利用，传统的财务分析方法只是简单地利用统计学的方法对于少量的财务数据进行分析，如果想要分析行业里数以千万的信息是比较困难的，并且利用传统的分析方法也不能够深入地了解海量财务数据潜在的、深层次的信息。然而在信息化工具组合中，数据挖掘工具作为最为锐利、高效和复杂的工具之一，它的优势就是能够快速从海量数据中抓取有效的信息从而得到这些数据背后独特的业务规律，就可以科学地制定决策，更能预测未来业务的发展趋势。应该利用数据挖掘技术在这方面的优势，如何让财务分析方法和数据挖掘技术有效地结合应用是本文研究的焦点。本文描述了数据挖掘的理论和方法在财务分析中的实际应用。在实际应用中，以商业智能应用为背景，采用财务分析方法与数据挖掘技术相结合的研究手段。针对网络上公布的钢铁行业企业的财务报表数据，建立一套运用聚类、关联规则、决策树方法进行联合分析的财务分析模型。通过此模型的运用，我们发现可以提高财务分析的效率，因此本文的研究工作具有较高的实用价值。论文的主要工作表现在以下三点：1．由于Apriori算法需要频繁地访问数据库，而当候选集项目数目过多时就会造成计算机I／O阻塞、内存效率低下。为了改善这个问题，本文采用数据预处理机制来提高关联分析的效率：将不规则数据转换成布尔矩阵，从而使关联分析的工作从对事物数据的挖掘转换成对其布尔矩阵的分析；2．当仅仅使用关联规则一个算法的时候，如果数据量变的巨大，计算时间将会增长得很厉害。针对这个问题，本文构建了一个综合运用聚类、关联规则、决策树分析方法的数据挖掘联合模型。通过运用此模型，可以帮助我们更快速、更准确地分析财务报表数据；3．本文对投资报酬率规则进行优化，得到一个改进的投资报酬率规则，并有效地运用到财务分析中，在企业分级过程中起着关键性的作用。