智能财务基础 第12章 智能财务决策.pptx

智能财务基础 第12章 智能财务决策.pptx

《智能财务基础 第12章 智能财务决策.pptx》由会员分享，可在线阅读，更多相关《智能财务基础 第12章 智能财务决策.pptx（61页珍藏版）》请在冰点文库上搜索。

智能财务基础,第12章智能财务决策,财务决策企业为了实现经营目标，由企业的管理者根据经营状况和财务资料，结合决策的原理和方法而进行的管理活动,12.1传统财务决策的特点和不足,财务总目标决策,投资决策,筹资决策,存货决策,成本决策,利润决策,分配决策,主观性过强现实中,决策者并不能做到完全理性。

一方面决策者不能完全掌握决策所需的所有信息,另一方面其认知和判断受知识水平、行为习惯、历史记忆等因素的影响。

由此形成的决策结果主观性过强,会使决策结果产生偏差,偏离预期。

12.1传统财务决策的特点和不足,12.1传统财务决策的特点和不足,考虑因素不全现实中企业面临的不确定因素很多。

传统财务决策形成过程中，由于人力、物力以及时间的限制，收集到的信息十分有限，管理者很难考虑到所有的因素，从而根据不全面的信息做出有偏差的决策,12.1传统财务决策的特点和不足,效率较低，时效性差传统的财务分析将大量的人力、物力和时间浪费在对数据的收集和分析上，决策的制定、反馈和调整的整个过程耗时较长，效率较低，时效性差,决策支持系统（decisionsupportsystem,DSS）最早由Gorry和Scott在1971年提出,其被定义为交互的计算机系统,能够帮助决策者从历史数据中建立模型并对决策提出合理建议,以解决传统财务管理模式难以解决的非结构化问题。

本质上是指能为管理者提供辅助决策支持的信息系统,它不能完全代替决策者进行决策,但可以利用数据和模型解决决策中的结构化问题,并通过与决策者之间的人机交互来解决非结构化问题。

12.2智能决策支持系统,电子数据处理系统（EDP）ElectronicDataProcessing,12.2智能决策支持系统,智能决策支持系统（IDSS）IntelligentDecisionSupportSystem,决策支持系统（DSS）DecisionSupportSystem,管理信息系统（MIS）ManagementInformationSystem,决策支持系统的发展历程,可提高效率，但功能单一,流程传统，脱离用户需求,摆脱低级重复的工作可辅助半结构化问题决策,结合人工智能技术实现决策的智能化,12.2智能决策支持系统,决策支持系统的结构,1980年Sprague和Carlson提出的三部件架构：

包括数据子系统、模型子系统和人机界面1981年Bonczed提出的三系统结构,包括语言子系统、问题处理子系统和知识系统1985年Dolk提出的三库模型,包括方法库（也称算法库）、数据库、模型库和人机交互子系统,也称人机界面,用于连接用户和DSS，其灵活性和友好性是评价DSS质量的重要指标。

人机交互系统的形式为在计算机或移动端的操作界面,用户可以通过操作键盘、鼠标以及语音识别等方式输入命令和数据,供DSS识别用户需求;当DSS得出分析结果时,再由人机交互系统将输出结果反馈到界面上。

如果用户对结果满意,则流程结束;如果用户对结果仍有疑问,则可以重复之前的步骤,直到得到满意的结果。

12.2智能决策支持系统,人机交互系统,负责方法库的创建、检索和执行。

方法库是DSS运行的支持结构,是用于调用数据模型的软件系统,需要根据决策内容创建。

方法库不仅克服了数据与模型间一对一的传统局限,还可以根据情况选取合适的模型或模型组合,以更好地决策辅助。

方法库中需要添加决策将要用到的方法,包括回归预测法、线性规划法、时序分析法等。

12.2智能决策支持系统,方法库管理系统,12.2智能决策支持系统,方法库管理系统,数据库管理系统通过建立数据库,为DSS提供数据查询、处理以及更新等方面的支持,是模型库、方法库和人机交互系统的基础部分。

数据库中收集、存储和处理的数据的数量和质量是决策成功与否的关键因素。

12.2智能决策支持系统,数据库管理系统,数据库中需要用到数据仓库技术以及相应的数据库查询工具、联机分析处理技术和数据挖掘技术。

12.2智能决策支持系统,数据库管理系统,模型库管理系统是DSS的核心结构,负责建立、更新调用、维护以及组合模型以满足不同决策环境的需要。

模型是对已经收集的数据的特征进行抽象概括的结果,合理有效的模型是提高决策效率、提升决策有效性的关键。

模型库中有两类模型:

一类是标准化的模型,另一类是再开发的模型,由系统在处理问题的过程中以及多次人机交互活动的过程中不断形成,可更新。

人机交互系统和模型库管理系统的结合可以解决用户的非结构化问题。

12.2智能决策支持系统,模型库管理系统,用户输入问题后,系统将用户输入的问题转化、分类和定义。

通过调用系统中的数据库、模型库和方法库,提取决策所需的数据,并对数据进行分析和处理,建立模型进行求解。

得出结果后,形成符合决策要求的方案反馈给用户,由用户进行评价和选择。

12.2智能决策支持系统,决策支持系统的决策制定流程,在技术的不断进步下,DSS发展出了多种应用场景下的新型智能化系统,智能决策支持系统（intelligentdecisionsupportSystem,IDSS）即为其中之一。

IDSS是在DSS的基础上,结合AI技术发展起来的智能决策辅助系统。

AI技术的加入,使系统更加智能化,扩大了DSS的应用范围,提高了系统辅助决策的能力。

AI技术中的知识表示、建模、推理、演绎、问题求解和各种搜索技术为IDSS提供了理论和方法支持。

12.2智能决策支持系统,智能决策支持系统,专家系统（expertsystem,ES）是结合了AI技术中的知识表示技术、知识推理技术、自然语言处理技术等,由语言系统、问题处理系统、知识库系统构成的体系结构。

ES的决策支持在于利用专家的知识资源进行推理,达到专家解决实际问题的能力。

知识推理是人工智能的主要技术,以定性的方式辅助决策。

12.2智能决策支持系统,专家系统,机器学习（machinelearning,ML）是AI技术的核心,是使计算机智能化的根本途径。

ML通过在数据中搜索统计模式与关系,把记录聚集到特定的分类中,产生规则和规则树,如此不仅可以提供关于预测和分类的模型,而且能够从数据中产生明确的规则。

目前人们对ML在IDSS中的应用有一些初步的探索和尝试,如将ML引入IDSS,尝试建立具有学习能力的IDSS,或将其作为问题处理子系统、语言子系统以及知识子系统的元件,使知识库的内容更加精确。

12.2智能决策支持系统,机器学习,人工神经网络（artificialneuralnetworks,ANNs）是根据生物学上的神经网络原理建造的算法模型。

神经网络主要是利用神经元数学模型和学习规则,对大量的实例或样本进行学习获取知识,再利用该神经网络对新案例进行识别。

IDSS中的ANNs技术可以用于方法库管理系统和模型库管理系统,通过输入数据、建造样本模型和设置相关参数,使神经网络模型从中学习,并将学习结果存储,提高决策系统的智能化水平。

12.2智能决策支持系统,人工神经网络,数据可视化是指以动态或静态图像、图表等呈现对数据的处理结果的技术。

在IDSS中,对于用户输入的决策问题,系统可以调用数据库对与决策相关的数据进行处理和筛选。

对于决策系统生成的数据的处理结果,可以由数据可视化软件如PowerBI、FineBI等进行多度度的展示,直观生动地体现决策依据,辅助用户决策。

12.2智能决策支持系统,数据可视化,智能财务决策支持系统（intelligentfinancialdecisionsupportsystem,IFDSS）是在IDSS的基础上,结合企业财务决策的现实需要构建的智能决策辅助系统。

通过对IDSS各个模块进行方向性和针对性的改造,可以形成适合企业财务决策方向的IFDSS。

财务分析系统主要由盈利能力分析、偿债能力分析、营运能力分析、成长能力分析构成,财务预算系统由经营预算分析、投资预算分析、财务预算分析等构成,财务决策系统由筹资决策分析、投资决策分析、生产决策分析、存货决策分析、利润分配决策分析构成。

12.3智能财务决策支持系统,人机对话子系统,用户：

企业的业务人员、财务决策制定者、财务人员、数据分析人员等重要指标：

系统的使用友好程度数据显示方式：

可视化软件在实际应用中,人机对话子系统往往为电脑端或移动端的系统面板,用户可以在对话框中输入关键词来获得想要了解的数据分析结果或决策方案。

随着技术的发展,目前一些软件可以实现精致的用户面板,并呈现直观、立体、全面的可视化效果。

12.3智能财务决策支持系统,该面板显示出了某公司的综合运营管理仪表盘,当在面板中选择不同的指标时,面板中的其他表格也随即发生改变,12.3智能财务决策支持系统,人机对话子系统,人机对话子系统,数据库管理系统,数据库管理系统是IFDSS中的核心部分。

本系统中,数据库主要由两部分数据源构成:

一部分是企业经营业务数据;另一部分是从外部渠道挖掘形成的数据仓库。

企业的内部数据可以通过企业的财务共享平台获取。

目前多数企业建立了本企业的财务共享中心或财务共享平台。

企业外部的数据源可以通过数据挖掘实现,如行业政策信息、供应商合作交易、行业情况变动等。

未建立财务共享平台的企业,也可从企业自用的财务管理软件中提取数据。

从企业外部角度而言,可以对企业的供应商和客户来往信息、所处产业环境、国家政策等进行及时收集和存储。

12.3智能财务决策支持系统,数据库管理系统,12.3智能财务决策支持系统,数据处理流程,12.3智能财务决策支持系统,IFDSS可供连接的数据源,12.3智能财务决策支持系统,有了数据源之后，用户可以根据需求从数据库中抽取、选择对应的数据,在IFDSS中创建自主数据集。

如果用户希望查看利润表中的净利润和资产负债表中的货币资金的数据,并对两者之间的关系进行研究,则可以建立自主数据集,从数据库中分别提取这两项的数据,组成新的数据表。

12.3智能财务决策支持系统,对分析的数据进行选取和集成后,系统中的联机分析处理服务器负责从多个维度,如时间、空间、地点、产品特性等对数据进行组织,并生成可视化的成果反映给用户,联机分析处理技术中的星型数据模型和雪花型数据模型,12.3智能财务决策支持系统,12.3智能财务决策支持系统,挖掘工具负责对提取的数据进行进一步的检验、加工。

推理模块负责按照一定的推理方式从系统的知识库中调用知识来回答用户的提问,并进行求解或验证。

分析方法和模型,系统中通常会存储用于基础性财务分析的模型,也有针对不同人员的使用需求预设的数据分析方法和数据分析结果等。

以BI系统为例。

12.3智能财务决策支持系统,数据分析方法中有根据基础数据形成的一些基本图表,如帕累托数据分析、复购分析等,功能数据中有可供用户进行进阶分析的样例,是企业财务数据之外的各类功能性的数据,行业数据中有不同行业常用的数据表案例,如零售行业中的销售明细、门店销售数据统计、门店维度、品类维度等,知识库与专家系统,在知识库中,可采用专家系统智能技术,与专家团、案例库、期刊等机构合作,形成对决策者的各种问题更全面的覆盖和更准确及时的应答。

12.3智能财务决策支持系统,系统的实现举例,系统搭建后,用户可以在操作界面根据需求选取相应的分析系统,选择想要查询的数据和分析结果,也可以进入决策支持系统直接获得需要的决策支持。

为某公司财务决策支持系统的构建成果,可以通过面板中的选项进行数据的分析和查看,从而辅助财务决策。

图为某公司智能财务决策支持系统的构建成果。

12.3智能财务决策支持系统,智能财务决策支持系统的特点智能化自动化全面性高效性,12.3智能财务决策支持系统,智能化,12.3智能财务决策支持系统,专家系统的引入和人机交互系统中人工智能的运用,使财务决策的形成过程更加智能化。

在决策者和系统不断交互的过程中,系统可以根据决策者输入的问题和系统输出的结果不断积累数据信息,模型库可根据人机交互的实践不断更新模型,使系统做出的决策越来越符合企业的实际情况,能制定更适合企业发展的财务决策相较代码、SQL处理与人工Excel计算,封装好的ETL功能更便捷、更易上手、更能满足数据处理的需求。

相较固定报表、Excel,IFDSS能够对不同数据、不同图标做探索性分析,针对性处理不同的事务。

IFDSS还可以进行数据自动更新,重复分析只需要做一次,整个决策管理流程权限分管,不同人只需要一个分析模板。

自动化,12.3智能财务决策支持系统,IFDSS使财务人员、管理层、决策者等用户可以实现自助分析、自由分析。

企业的决策不再完全依赖人工,一般的小型决策可以由系统自动做出,减轻了决策者的负担,使决策者可以专注于更重要的决策。

接入多种数据源后,用户只需拖拽单元或在下拉菜单中选择需要查看的项目,就可以在可视化界面展示分析的结果。

用户可以根据需求,结合业务需求方向,对数据进行针对化处理,以满足各个部门的不同用途,处理各方面的数据。

通过在模型库、方法库和知识库中加入公式、模型、知识和方法,可以基本实现对结构化问题的自动响应。

对于非结构化信息的处理,系统也可以在不断学习中形成记忆,构造相应的模型,发现数据间的内在关系,以便更精确地形成决策。

全面性,12.3智能财务决策支持系统,在大数据技术的支持下,企业可以低成本进行数据的采集和存储,实现对信息全面完整地获取和分析,而非传统财务管理中的样本抽样分析。

数据的全面性,一方面使企业的财务管理能力和质量大幅提升,全面的数据挖掘和分析可使企业财务人员发现财务问题,防范财务风险;另一方面使企业的财务决策更精准有效,完整的信息数据克服了以往采样分析可能出现的统计结果偏离和失真,并可得出数据内部的相关关系,解决传统决策中人工分析产生的主观性过强的问题。

高效性,12.3智能财务决策支持系统,IFDSS中引入了多项AI技术,如专家系统、神经网络、机器学习等。

将智能部件嵌入IDSS中的不同位置,可以产生不同结构的IFDSS。

AI技术通过对历史数据进行学习,可以知识推理的定性方式辅助决策,使传统的财务决策由单一类型、单一功能发展为多类型并存、多功能并行的财务决策系统,其内容也由单一的定量分析发展为定量分析和定性分析相结合,使决策过程中的人工干预比例降低,大大提升了决策的效率和效益。

项目总体情况,1,3,算法选择,4,数据分析,2,智能推荐模型指标体系的构建,12.4案例：

供应商寻源的智能推荐,A公司,具备财务共享服务中心信息化系统基本实现业务活动线上化，积累了大量的业务数据业务流程信息化有较大的改善空间,现状：

工作效率低，决策质量差,目标：

提高决策效率，决策智能化,智能化的供应商管理决策支持系统使数据创造价值，让数据服务业务决策过程更高效、更科学,项目总体情况,1,项目总体情况,1,项目总体情况,1,用于供应商管理的智能决策支持系统（IDSS）,分析供应商寻源的场景,对公司已经积累的业财数据进行分析运算,对供应商推荐模型进行训练，使系统智能化,提高决策效率、降低运营成本有效解决供应商寻源管理中品类经理人工管理供应商的数量有限、品类经理经验不足等问题充分发挥采购数据的作用,使数据创造价值,让数据服务业务,使供应商管理决策过程更便捷、更高效、更科学。

2,智能推荐模型指标体系的构建,构建影响因子,构建影响因子,A公司供应商选择评价体系QCDS评价体系,（Quality）,（Cost）,（Delivery）,（Service）,构建响应因子,响应因子是机器学习的目标,通过让系统去学习这些企业的特征,系统就可以根据这些特征对供应商进行智能化的推荐。

响应因子分为推荐和不推荐,取值为0和1,也就是此模型是一个二分类问题,构建响应因子,适合公司的供应商,不一定是行业排名靠前的企业,而应是和公司交易次数较多的企业,本系统的响应因子：

半年内中标次数大于6次的供应商。

3,算法选择,决策树,决策树是随机森林的基分类器，是一种典型的单分类器的分类技术，本质上是通过一系列规则对数据进行分类的过程。

从根节点出发,经过若干中间节点后,到达叶子节点的路径表示某个规则,整棵树表示由训练样本决定的规则的集合。

构建随机森林,STEP01,STEP02,STEP03,节点分裂,将每个属性的所有划分按照规则指标进行排序,然后按照规则选择某个属性作为分裂属性,并按照其划分实现决策树的分支生长,随机特征变量的随机选取,在进行节点分裂时,让所有的属性按照某种概率分布随机选择其中某几个属性参与节点的分裂过程,形成随机森林，执行算法,重复上述两个步骤建立大量的决策树,就生成了随机森林。

算法最终的输出结果采取大多数投票法实现。

4,数据分析,提取并处理数据,试点范围：

根据机器智能学习的前提条件,经与关键用户详细分析及探讨后,将本次项目试点范围确定为“供应商多且技术门槛低”,数据来源：

2018年1月至2020年1月，共享中心财务系统、GSP系统、招投标系统、启信宝中储存的180家铸件类供应商的信息，取得12个影响因子和1个响应因子,用Jupyter软件进行数据的预处理和模型的程序设计,进行相应的数据引入和数据缺失情况查询,并剔除有值的数据。

本例使用Scikit-learn包中的train_test_split函数进行数据的拆分,训练集和测试集的比为73,训练数据用于训练模型,模型训练好后,使用不同的训练数据的测试数据进行测试,可以较好地判断模型的性能。

训练模型,首先创建一个初始的随机森林模型，该模型使用Scikit-learn随机森林分类器文档中定义的所有预测特征和默认设置。

调用随机森林算法对应的函数RandomForestClassifier,即可完成模型的训练,显示结果为1.0,也就是训练的模型在训练集上的预测效果为100%正确。

评估模型,模型的准确率在91.43%左右,总体来看模型的效果不错,可以上线使用。

应用结果,根据机器评估的结论,使用模型对铸件类供应商进行了全面的学习和推荐,并推荐出20家比较好的供应商,交予有经验的品类经理来人工打分。

根据各品类经理的反馈结果,机器推荐的准确率在80%以上。

经过机器的评估和人工核验,总体来看,模型的推荐效果不错,可解决企业供应商寻源的实际问题,能作为企业在供应商管理决策中的有效辅助。