大数据处理中的时空分析与挖掘技术研究

龙源期刊网

大数据挖掘技术在财务分析中的应用研究

作者：刘念

来源：《财会学习》2019年第27期

摘要：近年来，随着互联网、物联网、云计算以及三网融合等信息和新兴技术的迅速发展，现代信息社会已经迈入了大数据时代，大数据的价值之大，并不是混沌无序的数据所创造的，而是通过对这些数据进行深入分析并发现知识实现的。目前传统的财务分析暴露出越来越多的缺点，若将大数据挖掘技术应用其中，可以大大提高财务分析工作的效率和质量。因此，本文主要分析了大数据挖掘技术在财务分析方面的应用，以期能够更好的帮助企业进行决策。 龙源期刊网

关键词：大数据;数据挖掘技术;财务分析

一、引言

目前社会正处于一个以数据为驱动的时代，大数据发展的浪潮持续汹涌，数据信息已经成为企业非常宝贵的资源。而企业经营的一系列活动都会以数据的形式进行保存并记录，数据呈现爆炸式增长的事态，人工在短时间内是无法合理完成数据的收集、管理并处理成有用的信息。奈斯比特在《大趋势》中曾说：“尽管我们沉浸在信息的海洋中，却十分渴望所需要的知识”。从这句话中可以看出，我们缺乏的不是数据，而是一种有效的分析工具，从海量的数据中挖掘到有价值的信息，在这种情况下，应用大数据挖掘技术就非常有必要了。近年来算法优化和数据建模等领域实现了多项突破，使得大数据挖掘技术能够快速的在财务分析中应用和推广。而财务分析是企业经营管理非常重要的一环，传统的财务分析因其固有的局限性，使财务人员在分析多年的财务数据和行业数据都感到很棘手，往往不能发现隐藏在財务数据背后的内在联系。因此，将大数据挖掘技术应用于财务分析，从海量信息中挖掘有用的信息，帮助管理者更好的进行决策就显得尤为重要。

二、大数据挖掘的概述

（一）大数据概念

目前，对于大数据还没有一个公认的定义，最早是由“Big Data”译过来的，麦肯锡在《大数据：创新、竞争和生产力的下一个前言》指出：“大数据是指大小超过了传统数据库软件工具的抓取、存储、管理和分析能力的数据群”。虽然这个定义带有一定的主观性，但是随着科学技术的不断进步，数据不仅巨量而且还复杂，巨量则意味着数据数量庞大，如果处理海量数据耗费超过了企业可承受的能力，则企业将会落后于同行。而复杂则意味着数据是多元化的，不仅仅是只有过去的结构化数据，也包含着半结构化和非结构化数据。因此企业要想在市场上获得持久的竞争力，必须要提高对这些“数据”的加工能力，实现数据的“增值”。

龙源期刊网

大数据背景下数据挖掘技术 在大学英语听力教学效果分析中的应用

作者：扈玉婷

来源：《校园英语·中旬》2015年第03期

【摘要】本文通过大数据，以大学英语听力教学为研究对象，应用数据挖掘技术，从教学环境、师资力量、教学过程以及学生的学习方法、学习动机、学习时间等多方面因素进行分析，统计出大学英语听力教学效果的情况。

【关键词】大数据 数据挖据 英语听力 教学质量

随着社会对英语的应用日益增加，大学英语教育质量也相应的被要求提高。在英语学习中，讲究听、说、读、写、译，听力学习被放在了第一位，所以英语听力教学效果对大学生的英语水平有着重要影响。大数据为教学研究提供了丰富的数据资源，而数据挖掘技术又能够在众多因素和条件的数据中，得出它们的规律和关联性，所以，运用好数据挖掘技术将是提高英语听力教学质量和改善教学方法的有效途径。

一、数据挖掘技术在大学英语听力教学实验中的应用

本次研究将在过去的上、下学期中英语听力有明显进步（成绩提高10%以上）的同学作为调查对象，通过实际调查报告、互联网（以人人网为主）数据、某高校英语听力考试成绩数据等资源，共有10352份有效数据，以教学手段、学习目的、教学语言、教师学历、教师类型以及考试难度等方面进行分类，进行数据统计和计算，得出结果，显示出对英语听力教学效果的主要影响因素。

根据我国高校师资情况现状，由于教师类型、学历程度、以及教学语言方面的影响，使得学生在英语听力的教学当中能够得到最为纯正的英语听力能力培养，同时结合英语课堂当中的新式教学方法，可以在英语听力教学效果上得到最为显著的体现。

二、实验结果与分析

本次研究当中的试验结果采用分类决策的方式予以体现，在各个分类决策的节点当中，在95%置信水平上的节点共有52个，本次研究以其中的15个作为重要阶段予以分析。同时，以个体成绩明显进步率表示学习质量，在此次分类决策当中可以清晰的看到对个体成绩明显进步率产生影响的各个因素。在10352个学生样本当中，以兴趣为学习目的的学生比通过考试的学生数量多近一倍，其次，影响学生提高个人学习成绩的第二因素为教学方式，更为先进的多媒体教学无疑能为学生带来更多的帮助与新鲜感。 龙源期刊网

数据挖掘技术在财务分析中的研究与应用

企业的各类利益相关者需要利用企业提供的财务报表,结合其他资料,对企业财务状况和经营成果进行分析。但是传统的财务分析方法具有片面性、滞后性、和易受会计政策选择的影响等局限性。而随着经济和技术的发展,一种基于数据仓库和商业智能的,能够发掘出隐含的、有用的信息和知识,帮助决策者寻找数据间潜在的关联,发现被忽略的因素的数据挖掘技术正被逐渐广泛应用到各个领域,包括财务领域。数据挖掘技术相对于传统财务分析方法,能够深入地了解海量财务数据潜在的、深层次的信息,辅助公司财务分析人员、公司的投资者和决策者深入认识公司的财务状况,进行相关问题的正确决策。

本文从数据挖掘技术和数据挖掘流程入手,结合财务分析的方法,将数据挖掘技术用于财务预警分析,展现数据挖掘技术在财务分析中的应用。文章使用的是SPSS Clementine 12.0构建“财务预警智能系统”。作为一个数据挖掘平台,Clementine提供了一个功能强大而且简单易用的数据挖掘平台。整个数据挖掘过程要做的,是将数据导入Clementine,建立数据流节点,并将其连接起来,然后执行并输出结果,就完成了数据挖掘的过程,还可以利用挖掘的结果进行进一步的分析。

在数据挖掘方案设计方面,文章主要描述了财务预警数据挖掘系统的形成和方案。首先说明了数据挖掘在财务分析领域的主要应用,选取财务预警分析作为本文的研究重点。接下来描述财务预警的传统分析方法,说明了财务预警传统分析方法的局限性。针对这些局限性,设计了由Logistic回归分析方法、关联规则、决策树和神经网络组成的联合数据挖掘系统。

结合数据挖掘的基本流程和核心规则CRISP-DM,设计了财务预警数据挖掘的方案。基于Clementine将数据挖掘技术应用于财务预警分析,建立由Logistic回归分析方法、关联规则、决策树和神经网络组成的联合数据挖掘系统,展示从数据预处理、数据挖掘、挖掘效果评价等一系列的数据挖掘过程,并对财务预警数据挖掘的结果进行分析。最后说明本文的研究成果及局限性。

数据库技术・Ｄａｔａ　Ｂａｓｅ　Ｔｅｃｈｎｉｑｕｅ　

大数据挖掘中的数据分类算法技术研究　

随着信息技术和计算机产业　的不断发展，数据的处理成为了　当务之急。想好做好数据的处理　工作，就要应用到数据的分类算　法，它作为数据挖掘中的关键技　术，能够很好地将完成数据处理　工作。本文通过比较几种不同的　数据分类算法，从中找到其异同　点，为进一步推广数据分类算法　打好基础。　

【关键词】数据挖掘数据分类算法　

在当前的时代背景下，很多的行业都引　

入了大数据挖掘的理念，这既给计算机产业带　

来了发展机遇，也带来了挑战。因为想要做好　

大数据挖掘的相关工作，就一定要掌握数据分　

类算法，而数据分类算法可称得上是数据挖掘　

中的一道难关。随着数据分析的研究不断深入，　

人们开发了多种多样的分类算法，用以不断减　

轻其难度。通常都是以数据分类器为基准，进　

行相应的数据分类，包括决策树类、Ｂａｙｅｓ类、　

基于关联规则类以及利用数据库技术类，本文　

将对它们进行简单的阐述。　文／饶琛　

当优秀的可扩展性，为处理大数据提供了基础　

条件。但是ＳＬＩＱ算法也存在一些缺点，由于　

它是以Ｃ４．５算法为基础的，因此在进行数据　

处理时，仍需要将数据集保留在内存中，这就　

导致ＳＬＩＱ算法的可处理数据集的大小受到了　

限制。即数据记录的长度一旦超过了排序的预　

定长度，ＳＬＩＱ算法就很难完成数据处理和排　

序的工作。　

（２）ＳＰＲＩＮＴ算法是为了解决ＳＬＩＱ算　

法中数据集大小受到内存限制的问题而开发出　

来的。ＳＰＲＩＮＴ算法重新定义了决策树算法的　

数据分析结构，改变了传统算法将数据集停　

留在内存中的做法。值得一提的是，它没有像　

ＳＬＩＱ算法那样讲数据列表存储在内存当中，　

而是将其融合到了每个数据集的属性列表中，　

这样既避免了数据查询时重复扫描造成的速度　

缓慢，又释放了内存的压力。特别是在进行大　

数据挖掘时，由于数据的基数过大，在每个数　

据集的属性列表内寻找所需数据能够大大节省