同人力资源、自然资源一样，大数据也是一种资源且是非常重要的战略资源[1]，它将世界的本质看成是数据的集合，用数据化思维和先进的处理技术去探索海量数据之间的关系。大数据的特征可以归纳为“4个V”：容量（volume）、多样性（variety）、生成速度（velocity）、价值（value）。目前，大数据已经成为经济社会发展的巨大引擎，其在提升产业竞争力、推动商业模式创新、国情分析和社会管理等方面发挥着越来越重要的作用。大数据技术，是指从各种类型的数据中快速获得有价值信息的一种技术，其水平反映了提取有用信息的能力。鉴于此，本文拟在分析大数据对传统审计带来的挑战的基础上，探索大数据审计的方式和途径，以应对大数据时代给审计工作带来的深刻变革。
一、大数据对审计工作带来的影响和挑战
大数据审计是对各类电子数据、账套、文件进行审计，是计算机审计的延伸和发展，是对多行业、多领域、多种形式海量数据的电子审计方式。大数据审计既要处理结构化数据，又要处理大量的非结构化数据，对审计目标、审计内容、分析技术和审计思维模式都提出了新的、更高的要求。
1.审计目标的转变
在信息化发展初期，计算机审计能够通过对数据的观察和分析发现疑点，为审计提供线索。随着大数据时代的到来，审计目标逐步转向发现线索、评估风险、关注效益等方面，审计不仅要发现违法违规问题，更多的是要揭示制度方面存在的问题，评估内控风险，通过对经济社会相关大数据的获取和分析，洞察行业整体走向，探索发展规律，对国家、行业、部门的制度出台与发展策略做出前瞻性的思考和战略性的分析。
2.审计内容的转变
传统意义上的“数据”大多是指数字，如主营业务收入金额、营业费用等，由简单数字或用数字编码的简单文本组成，传统的数据分析工具基本上能够满足其需要。而大数据不再单纯指数字，其涵盖的内容更加宽泛；传统意义上的 “数据”是关系型的、结构化的二维表数据，而大数据则是指在不同时间生成的复杂、异构、多样化的数据，包括xml、html、文本、音频、视频和“影子数据”（如访问日志和web搜索历史记录）等。
3.分析技术的转变
顾名思义，大数据分析就是指对规模巨大的数据进行分析。大数据分析包括5个基本方面：一是可视化分析，利用图表完整展示数据分析的过程和数据链走向；二是数据挖掘算法，从海量的、随机的、不相关的数据中构建数据挖掘模型，提取有价值的、隐含在数据内部的信息；三是预测性分析能力，根据可视化分析和数据挖掘的结果，做出预测性的判断；四是语义引擎，借助一系列的工具去提取、解析和分析数据，从“文档”数据中自动提取信息；五是数据质量和数据管理，通过标准化的流程和工具对数据进行处理，保证数据分析结果的质量。
4.审计思维模式的转变
大数据时代带来审计思维模式三大转变：一是实现审计全覆盖而非抽样审计，对公共资金、国有资产、国有资源和领导干部履行经济责任情况实行审计全覆盖[2]。二是审计数据的混杂性而非精准性。传统审计以财务数据为审计重点，其核心是结构化的报表和凭证信息，而大数据具有高度的数据混杂性，数据类型涵盖了结构化、非结构化和半结构化的数据，保留了最宝贵、最有价值的信息，其内涵具备更深、更广的洞察力。三是大数据主要反映事物的相关关系而非因果关系。大数据没有改变审计事务间的因果关系，而是注重对相关关系的开发和利用，使得数据分析对因果逻辑关系的依赖性降低了，甚至更多地倾向于基于相关关系的数据分析。
二、大数据审计的方式和途径
面对大数据时代对审计工作带来的挑战，审计方式和途径将实现以下4个方面的转变。
1.应用大数据分析技术，实现审计方法从数据验证性分析向数据挖掘性分析转变
传统的计算机审计，是通过电子数据采集转换对数据进行验证，通过构建查询分析、多维分析等方法模型进行数据分析，而应用大数据分析技术，则能够使审计数据分析逐步由传统的验证性分析向挖掘性分析转变。挖掘性分析是指采用大数据处理技术，利用数据仓库、数据挖掘和模型预测工具进行审计分析[3]，从大量数据中发现蕴涵的数据模式和规律，包括分类分析、聚类分析、关联分析和序列分析等。其中，分类分析按照数据属性，将数据分派到不同的组中；聚类分析根据数据的相似性原则，将数据划分为若干类别，使同类数据差别极小，不同类别数据差异尽可能大；关联分析可发现隐藏在数据间的相互关系，通过挖掘发现不同数据间的密切度或关系；序列分析可发现数据出现时间、出现序列的规律，分析数据间的关联性。
例如，在金融审计中，运用数据挖掘中决策树的关联规则和挖掘方法，可对不良贷款与正常贷款之间相互错分的规律进行研究，创建对不良贷款和正常贷款具有较强分类能力的条件属性指标，从而增加分类预测模型的可理解性，并在一定程度上揭示商业银行信贷资产风险等级分类的相关规律[4]；在税收征管审计中，利用聚类方法，根据聚簇规则，可将纳税户进行分组，使组内纳税户具有最大的相似性，组间纳税户具有尽可能大的相异性，从而产生聚类标准，并按照标准对纳税户进行分行业、分税种聚类分析，确定纳税群体的总体情况和特征，为审计目标和审计重点的建立提供依据。
2.应用大数据分析模式，实现审计方式从发现问题向风险预警转变
传统审计工作以发现问题为主，对经济形势进行预测分析，因而须等到相关事件发生并且形成一定规模后，再根据搜集到的足够数据进行分析研究，具有滞后性[7]。而大数据技术可通过对跨领域的大规模经济、社会行为数据进行分析，对经济社会相关异常动态实现早期关注，利用其对异常数据的敏感性实现早期预警。当前，审计可以运用大数据相关技术，对宏观经济社会风险问题展开初步分析。例如，可以综合利用政府债务审计数据、社保审计数据、宏观经济运行数据、金融市场数据等多种数据库构建大数据集合，运用数据挖掘等数据分析工具，结合多个数据库信息交叉分析与宏观经济社会运行相关的事件，通过基于个别领域、结构化的数据分析，不断将半结构化、非结构化的跨领域数据加入分析框架中，逐步提高大数据审计的分析能力。
3.应用大数据审计作业平台，实现单机审计向云审计转变
以审计大数据为中心建设“云审计”平台，实现远程存储和移动计算，使审计机关能够通过网络接入“云”实施审计，利用大数据分析、人工智能等信息技术，解决数据采集分析和管理中存在的问题，实现审计成果共享。其次，应完善联网审计系统，逐步建立预算、执行、财政、地税、社会保障、医疗机构、公积金等重要行业和部门的审计实时监督系统。再次，应建设审计数据综合分析平台，运用大数据技术，加大业务数据与财务数据、单位数据与行业数据，以及跨行业、跨领域数据的综合比对和关联分析，提高运用信息化技术查核问题、评价判断、宏观分析的能力。最后，应推广“总体分析、发现疑点、分散核实、系统研究”的审计模式。
4.构建专业的审计分析队伍，实现传统纸质账本审计向大数据审计转变
审计工作应实现“六大转变”，即由单点离散审计向多点联动审计转变、由局部审计向全覆盖审计转变、由静态审计向静态与动态审计相结合转变、由事后审计向事后与事中审计相结合转变、由现场审计向现场审计与非现场审计相结合转变、由微观审计向微观与宏观审计相结合转变。为此，需要在组织方式、人员结构、思维方式等方面与之相适应。在组织方式上，应尝试开展无项目审计，依托审计数据中心积累的数据资源，横向关联比对分析，纵向深入挖掘分析，从数据中发现审计疑点和线索。在人员结构上，应不断提升“四种能力”，即大数据分析能力、综合研究能力、创新能力和跨领域知识运用能力，不断加强对大数据先进理念和前沿技术的学习，掌握大数据分析方法，提升审计人员综合素质。在思维方式上，应培养“数据先行”意识，以数据为核心，使数据分析在审计工作开展前先行实施，根据数据分析结果，有重点、有步骤、有深度地在审计实施过程中进行核查验证、追踪线索、发现问题，全面深化大数据技术在审计工作中的应用。
三、大数据技术在审计中的应用
大数据技术在审计中的应用广泛，具体说来，主要表现在以下4个方面。
1.创新大数据工作模式，探索部门预算执行审计全覆盖
传统的以处（科）室为单位的孤立审计，已不适应大数据审计的要求，需要打破部门界限，以审计项目为管理主线成立大审计组，进行扁平化管理。大审计组分领导小组、数据分析组和问题核查组三个层面：领导小组负责审计方案的制定、领导决策等，由牵头机构组建；数据分析组由审计能手和计算机操作骨干组成，具体负责审计实施，筛查审计疑点和线索；问题核查组由审计一线人员组成，进行实地延伸核查。例如，在“同级审”项目中，采集各部门预算执行审计数据，通过对数据进行集中分析，发现是否存在部分预算项目缺乏科学论证、影响预算执行的问题；结合各预算部门的财务数据，发现是否存在预算项目因连年结转的情况下仍然安排新增预算、造成资金闲置的问题；通过对数据进行宏观整体分析，发现是否存在预算执行效率不高、分配下达预算不及时、拨付转移支付资金超期等情况。
2.应用数据分析作业平台，开展跟踪审计
通过建设审计数据综合分析平台，搭建关系国计民生的重点行业联网审计系统，用Hadoop等专业工具处理半结构化、非结构化数据，规范高效地汇集和处理大规模数据信息。例如，在地税审计中，可利用地税联网审计系统，集中进行全省地税数据整理分析，探索“数据集中采集、集中统一分析、疑点分布落实、资源充分共享”的大数据审计模式，实现全省联动审计；通过构建查询分析模型、多维分析模型，固化审计思路，对地税数据进行全面分析，重点选择税款征收、税款缴纳和税款管理等信息，在财政审计中，运用部门预算执行分析平台，将独立运行、分散存储的各部门预算编制、预算指标、部门决算、部门财务核算等业务数据，进行标准化清洗和整理，同时与组织预算执行数据进行整合，实现各类资金的横向关联，对资金分配结构、资金使用流向、资金管理情况进行总体分析，全面反映预算执行整体情况，实现对预算单位的审计监督全覆盖。
3.多领域数据融合，开展经济责任审计
运用关联分析，找出数据间的相互联系，分析关联规则，发现异常联系和异常数据，寻找审计疑点。在经济责任审计中，可利用财政、税务、社保、公安、工商、养老、房管、教育、培训等数据，进行纵向比对、横向关联分析。例如，可将城镇居民医保、城镇职工医保、新农合等信息进行综合分析，检查是否存在同时参保、重复报销、虚假报销、套取资金等情况；将小额担保贷款与人社部门行政事业单位人员信息进行关联分析，检查是否存在违规向行政事业单位人员发放担保贷款和进行财政贴息的问题；将职业技能培训补贴、创业培训补贴与企业法人和行政事业单位人员进行关联分析，检查是否存在向不符合条件人员发放就业补贴的问题；将人社、农业、扶贫、教育、民政管理的各项培训资金进行关联分析，检查是否存在虚报冒领财政资金的问题；将义务教育、中职中专、中学学籍数据与中职助学金发放、免学费补贴等信息进行关联分析，检查是否存在虚报冒领或者套取中职助学金、免学费补贴等专项资金的问题。
4.深入挖掘数据，开展宏观经济形势预测
利用数据仓库、数据挖掘和模型预测工具进行审计分析，运用回归分析等统计方法，分析趋势变动或数据关系，发现总体情况和规律，进而揭示体制机制性问题。例如，在“三公经费”专项审计中，可通过各预算单位财务核算数据提取“三公经费”预算编制和实际支出情况，结合单位人员花名册，构建统计分析模型，进行结构分析和时间序列分析，横向比对所有预算单位“三公经费”的支出规模、各项支出占比、人均支出金额与年度支出趋势等，分析其压缩控制比例是否符合要求，各项支出比例和人均支出金额是否存在异常和明显偏离，进而挖掘行业性、趋势性问题，并对离群点进行延伸，发现违规违纪问题线索等。再如，利用城镇或农村居民家庭人均收入指数和各地制定的最低收入保障标准进行分析，查找人均收入指数与最低收入标准间的差异，分析各地低收入标准制定是否科学，为政府制定宏观经济政策提供参考。
综上所述，大数据技术的发展对审计工作提出了新的、更高的要求，也为审计提供了新的工具。大数据审计应从数据、人才和技术等方面逐步积累基础资源，创新工作思路，研究技术方法，培养高素质人才，不断提升大数据技术在审计中的有效运用。
参考文献：
[1]怀进鹏.大数据是国家战略资源[J].中国经济和信息化，2013（8）：49.
[2]秦荣生.《关于完善审计制度若干重大问题的框架意见》学习笔谈摘要[J].审计研究，2016（1）：3.
[3]李玲，刘汝焯.计算机数据审计[M].北京：清华大学出版社，2012：4-36.
针对同步多维数据流异常分析技术提出了一种改进的主元分析（PCA）方法。将原始数据流空间的变化趋势映射到特征向量空间内，求解稳态特征向量，以瞬时特征向量与稳态特征向量之间的关系作为判据来对同步多维数据流进行异常变化诊断。将该方法应用于某隧道应变监测数据的异常诊断中，并利用VC++实现了隧道应变实时监测预警系统。实验结果表明，使用该方法能够实时反映非周期性监控变量的变化情况，较好地实现同步多维数据流的异常诊断。
关键词：
主元分析；多维数据流；异常诊断；稳态特征向量；实时预警系统
0引言
隧道工程的变形监测内容多、周期长，且监测过程中随时存在安全隐患，而隧道健康监测手段目前主要集中在对隧道围岩位移的量测，对隧道围岩位移测量数据的处理方法有位移反分析法、时间序列法、回归分析法、灰色系统预测、神经网络模型预测等，也有很多学者针对监控量测数据处理的计算机辅助系统进行了研究，如孟陆波等[1]、吴连波[2]利用计算机软件编写了位移预测和回归分析的软件。还有专家学者提出一些新的隧道健康监测方法，如尚金光[3]通过研究变形监测的技术特点与物联网的技术架构，设计了基于物联网模式的变形监测具体解决方案；刘燕萍等[4]采用三维激光扫描技术分析隧道收敛状况等。但是隧道在施工过程中的健康监测手段主要集中对围岩位移的监测，目前还未见通过应变来进行监测的相关文献。
主元分析（Principal Component Analysis， PCA）是一种常用的基于变量协方差矩阵对信息进行处理、压缩和抽取的有效方法，被广泛用于信号处理和故障诊断，它用最少的特征量对数据样本进行描述，将多个相关变量转化为少数几个相互独立变量从而达到降低空间维数的目的[5]。主元分析方法作为一种压缩数据的方法多被应用于预警模型分析的前期数据处理中，如刘锋[6]运用主成分分析原理，对各类传感器采集的数据进行关联分析，对关联度较大的属性，利用PCA算法对各属性进行主元分析，对判别桥梁健康状态意义不大的数据进行降维处理，以减少数据的处理量，使输入模型的数据更加有效；李志华[7]通过传感器阵列采集火灾发生初期气体信息，采用基于PCA的神经网络算法对火灾信息进行识别实现火灾的早期判别以及分类；宋杰鲲等[8]采用基于PCAAR（Principal Component Analysis Autoregressive）和K均值聚类方法对煤炭安全进行预警研究；谷琼等[9]提出一种基于主成分分析的基因表达式程序设计算法，并将其用于边坡稳定性预测，构建边坡稳定性的预测模型。以上对主元分析方法的预警应用分析多集中于其数据降维功能，本文根据隧道自身结构特点以及多维应变监测数据的变化规律，提出了一种改进的主元分析方法，用于隧道的健康监测。
该方法的主要思想是：对数据流滑动窗口内数据进行主元分析，通过计算累积方差贡献率确定PCA模型的主元个数，针对相应主元所对应的特征向量，构建特征向量与原始数据流的映射关系，从而将对原始数据流的动态分析转换为对特征向量的稳定性分析。这种改进的主元分析方法能够及时识别同步多维数据流的异常变化信息，并且适用于非周期性监测数据流。隧道应变的实时监测数据是非周期性的同步多维数据流，以上述数据和方法为基础可对隧道进行实时稳定性预警分析，通过对特征向量的稳定性分析来计算新进窗口数据的稳定性级别，以该级别和前次的隧道断面稳定性预警结果为依据，判断本次的隧道断面预警级别，从而达到实时监控与预警的目的。实验结果表明，该方法可以实时准确地反映隧道应变的异常变化，从而为隧道施工期间的安全监测提供了有效依据，并为同类问题的研究提供了一种有效解决方案。
1改进主元分析方法
改进的主元分析模型如下：
【关键词】 平衡度误差 计算机 数据处理
平衡度误差即为理想要素与实际被测要素间的变动量，同时在平衡度误差数据处理过程中要求相关技术人员应注重确保被测要素与基准间的平衡性，继而由此达到最佳的误差数据处理状态。而分析法在误差数据处理流程中的贯穿，要求相关技术人员应注重获取直线度误差，且在计算过程中采取最小包容区域准则方向，以此达到高效率数据处理目的。
一、平衡度误差数据模型建构路径
第一，在平衡度误差数据模型建构过程中要求相关技术人员应注重对最小包容区域进行严格把控，即确保其符合相间准则，并注重选定两条最小包容平衡线，继而由此实现被测要素数据的获取，满足误差评定条件。同时，在平衡度误差评定过程中为了提升整体评定效果，亦应注重将被测要素、基准要素作为标准，获取直线度误差数据信息，并以误差数据曲线绘制形式将平衡度误差评定结果直观地呈现出来；
第二，在平衡度误差数据模型建构过程中为了满足模型建立需求，应注重依据误差数据将误差曲线设定为n个测点，并注重确保n=1，2，3，4……n，且利用y1，y2，y3……yn对基准要素测点误差值进行表示，同时设定被测要素测点误差值为yd1，yd2，yd3……ydn，并建立直线方程，y=（yi-yj/i-j）x+（iyj-yi/i-j），最终由此实现对测点误差值的判断；
第三，在平衡度误差值数据模型建构过程中亦应注重对误差数据的评定，且注重在误差评定过程中设定曲线上任一点到基准要素方向连线为Lij的y向距离，并设定平衡度误差为f，由此建立误差数据计算公式：f=yemax-yemin，由此达到平衡度误差数据分析目标，达到最佳的误差分析状态[1]。
二、平衡度误差评定方法
当前平衡度误差评定方法主要涵盖了对三角法、最小二乘法、三点法、基准面方程法等几种误差评定方式，且要求相关技术人员在平衡度误差评定环节开展过程中应注重合理贯穿计算机测量数据处理方式，将平衡度误差评定数据转化为测量矩阵，且在矩阵设计过程中将其计算单位设定为μm，并保持水平方向、竖直方向、测得数据方向分别为X轴、Y轴、Z轴，同时将矩阵数据置入到Windows 98操作分析环境下，继而利用AutoCAD2000对平衡度误差数据进行分析，达到高效率误差数据分析效果。
三、平衡度误差计算机数据处理
1、软件总体架构。基于分析法应用的视角下，平衡度误差计算机数据处理行为的展开对软件总体架构设计提出了更高的要求，为此，相关技术人员在总体架构设计流程开展过程中应注重首先针对平衡度误差分析条件对软件进行层次划分处理，即规划为主界面、数据运算处理、结果输出三个层次。同时，在主界面设计过程中为了提升整体误差数据处理效果，应注重确定计算规模，并发挥AutoCAD2000功能达到误差数据图形分析效果，且通过CAD图形分析模块、三角形准则运算模块等的完善，快速获取平衡度误差值，达到最佳的误差数据处理效果。其次，在软件CAD图形分析模块完善过程中，应注重导入点阵线框模型，同时确定平衡度准则，最终以图形分析的形式全方位展现计算数据，且实现对平衡度误差效果的判断[2]。
2、软件设计与开发。第一，在软件设计过程中为了满足分析法应用需求，应注重完善求解基准方向、平衡于基准方向被测要素两个软件组成部分。同时在软件系统运行过程中，创建Windows应用程序，且在程序建立过程中注重对Visual C++6.0的应用[3]，由此获取代码信息：
Void Cwucha View：：OnDraw（CDC*pDC）
………………
//求yemax
//求yemin
f=yemax-yemin//平衡度误差
即在此基础上满足平衡度误差数据处理需求，提升整体数据处理效果。
第二，在平衡度误差处理过程中亦应注重完善启动系统、初始化系统等软件结构组成部分，达到最佳的平衡度误差分析效果。
结论：随着社会的不断发展，工业生产等领域在可持续发展过程中逐渐凸显出平衡度误差等问题，影响到了产品生产质量。因而在此基础上，为了对此问题进行有效缓解，要求相关技术人员应注重从软件总体架构、软件设计与开发等角度出发，营造良好的计算机数据处理环境，达到最佳的平衡误差数据分析状态，且就此增强整体误差数据分析效果。
参 考 文 献
[1]于大国，宁磊，孟晓华.基于最小二乘法深孔轴线直线度误差评定[J].组合机床与自动化加工技术，2014，11（01）：39-41+45.
关键词：银行数据挖掘；理论分析；典型算法；应用及效用
中图分类号：TP311.13
银行是现代经济的标志，也是现代经济活动中不可或缺的环节和工具，从银行诞生应用以来，银行业就需要处理大量的经营数据，银行数据记录手段也经历了数个阶段，从白纸黑字的账本到计算机信息化时代的银行数据信息系统，银行数据业务可以在业务交易流程、数据库建设、金融风险评估和经营决策分析等方面发挥极其重要的作用。从银行业本身的发展来看，商业银行的规模和类型都在逐年丰富，信息化和数字化的银行业务模式也逐渐成为商业银行的运行模本；现代银行更加重视客户本位思考，通过多样化的市场需求分析手段，可以为客户提供极具个性化的银行业务产品服务，吸引更多的潜在客户群；同时现代银行的风险管控意识更强，在市场经济节奏更快的当今社会，银行经营决策的风险评估效果决定了现代银行的经营走向；再者是网络终端服务和移动终端服务的迅猛发展，银行交易手段更加丰富，网上银行、手机银行、移动证券交易等等电子支付交易方式的发展给现代银行带来了新的机遇和挑战，这一切都需要现代银行在数据处理分析能力上有新的应对措施。
1 数据挖掘和数据效用理论基础
数据挖掘的通用定义指的是从现有的大量存储数据中，采用数据撷取的方式，搜寻出感兴趣的、有价值的数据点或数据模块的数据处理技术。数据挖掘广泛地应用于商业金融领域，基于既定的商业化分析目标，可以依托于企业内部的金融数据系统进行数据分析，最终获得需要的商业经营规律和市场发展规律，并且能够在成熟的数据挖掘模型的支持下与其他分析工具和分析技术相结合，形成商业化的数据挖掘分析系统和分析软件。数据挖掘的功能需求决定了数据挖掘是一个典型的学科交叉项目，现代银行受到业务拓展发展的需求，在其数据挖掘技术的运用中广泛地的结合了数据库技术、智能学习技术、统计分析技术、模式识别技术、人工智能技术和神经网络技术，数据挖掘常分为六个技术类别：聚类、分类、估值、预测、相关性分组和关联规则分析、描述和可视化分析。
对数据资料的重视性促使了现代银行对数据利用效率的不懈追求，现代化经营模式中，数据已经成为最为重要的无形商品，作为商品的数据资料，其资本性和营利性决定了信息数据的效益最大化，由于数据资料的复制成本低、附加值高且利润丰厚的特点，数据信息价值理论已经成为数据效用分析的主要理论模式。
2 银行数据挖掘的应用分析
2.1 数据挖掘在银行客户需求分析中的应用
现代银行针对客户资料和消费记录都建立了功能庞大的消费市场数据库系统，对银行客户的个人资料、账户信息、交易历史记录、业务服务历史记录、理财数据和个人理财风险评估等进行了数据库仓储式分析，基于成熟的数据仓库逻辑分析模型，可以对每一个银行客户进行多维度消费分析，以交易历史纪录为例，交易历史纪录作为该分析维度下的分析主键字段，在其下端进行次元维度分析，对交易类型、交易金额、消费地点、存贷款交易、电子银行消费、手机银行消费、证券消费等进行子健分析，但是也要考虑到不同主键之间存在着较大的关联性，此时可以考虑在客户数据仓库分析中建立星形数据模，在关联数据子健上进行数据溢出处理。在数据挖掘中主要采用的是聚类算法，在对客户数据进行详细的数据仓库建立之后，可以对客户进行数据特征值标定（如商业价值、交易类型、风险倾向等），以便于进行客户分类，在用户细分时，行为特征是主要的特征，自然属性是辅助的特性。
表1 聚类汇总表
业务类型 纸黄金 基金理财 外汇 个人金融 债券 贷款
业务渠道 柜台 电话银行 网上银汉 手机银行 自主服务 中间交易
由此可以得到详细的客户聚类，例如以年龄段为标准的20-30岁阶段用户（业务类型为纸黄金，业务渠道为网银和自助服务）、30-40岁阶段用户（业务类型为外汇和金融，业务渠道为柜台和自助）、40-50岁阶段（业务类型为基金债券，业务渠道为柜台服务）。
基于SQL Server Analysis Services分析工具，在银行原始交易数据库中进行聚类分析，选用Microsoft聚类算法对交易日志中的指定页进行类型搜索，在后处理模块中可以查看聚类分析结果。聚类算法进行数据挖掘时需要原始数据具有较强的分类性和数据关联性，才能在数据挖掘中针对特定数据属性和数据聚类进行分析，并且获得该属性在任意聚类中的数据分布情况，由此可以精确的知道特定类型客户的银行消费习惯和消费倾向，有助于银行稳固现有客户群，吸引潜在客户群体。
2.2 数据挖掘在银行决策分析中的应用
银行经营的各个环节都基本实现了信息化管理，银行综合业务系统为其提供了基础业务操作平台和统一账务处理系统平台，能够帮助银行实现有效的资源整合和集中管理。数据挖掘技术的应用能够全面提升银行系统的内控管理和风险管控水平，为银行的内部决策提供有效的数据支撑。
表2 数据挖掘与银行决策关系
数据源 数据处理 数据存储 决策分析
交易数据
客户信息
管理信息
外部信息 数据抽取
数据整合
数据加载 数据仓库 经营状况决策分析
数据监控 数据节点1 资产负债决策分析
数据刷新 数据节点2 风险管理决策分析
数据包装 数据节点3 客户需求决策分析
数据公布 数据节点4 银行财务决策分析
为了保障银行的经营效益、提升业务覆盖范围并预防经营风险，银行需要及时掌握市场动态并且做出经营调整，数据挖掘技术能够跟踪分析银行经营过程中的各个基本要素环节，通过比对分析自身产品的营收现状、竞争对手的经营现状，以及对资产负债率、银行坏账率和金融产品的销量，可以及时为决策层提供参考数据。商业银行的风险管控是其保障经济效益的关键，数据挖掘系统的关键性作用体现在对银行业务的全方位、多角度的可靠性分析和风险评估，基于银行内部的风险模型参数，在成熟的模式识别技术和智能分析技术的辅助下，可以提前对经营风险进行预判，以减少成本损失为风险数据挖掘模型约束，以保障经营效益最大化为风险决策目标，以调控决策方式为风险决策手段，可以进一步提高银行的资产质量。财务风险控制中数据挖掘的具体应用如下图所示：
图1 数据挖掘在银行财务决策分析中的应用分析
3 银行数据挖掘的效用分析
3.1 数据挖掘在银行风险控制中的效用
风险控制是银行日常经营活动中的核心内容，通常来看可以分为定性控制和定量控制两种方式，定性控制的关键是建立一套有效的风险控制管理体系，在多流程决策体系的协作下，构成风险管理知识，以非结构化数据的形式保存并流转使用；定量控制则更看重对经营实时数据的管理效率，建立一个基于客户需求和市场规律的量化风险控制体系统框架。银行信用评估体系要求银行用于信用评级的数据必须具备一定年限和质量标准，对数据样本量、样本时效性、业务覆盖范围、数据来源都有明确的要求。数据挖掘对于银行风险控制的关键性作用主要体现在对于银行信用风险控制、银行市场风险评估和银行操作风险管理上。
在信用风险控制上，数据挖掘主要是针对信用关键指标：违约率、违约损失率、违约暴露和违约期限进行针对性的数据挖掘分析，结合银行的信用评级动态变化和银行信用置信度的波动规律，在银行交易数据库中采用数据关联分析方法，对概念分层数据进行多层挖掘，提高数据挖掘的精准度；在对市场风险控制上，数据挖掘技术主要集中在市场风险识别和市场动态分析两方面，通过分析银行特征值数据在各种风险环境下的数据概率分布值，可以构建银行内部的市场风险模型，结合遗传算法和智能分析，可以针对市场发展规律进行智能风险评估决策；对于市场的偶然和不确定行为，通常数据挖掘会采用预测（predication）、时序分析模式（time-series model），通过遍历历史交易数据，能够对偶然性市场行为进行概念排序，采用模糊分析（fuzzy method）、证据理论（Evidence theory）等方法进行决策分析。
3.2 数据挖掘在银行产品创新中的效用
产品创新是提升银行市场竞争力的根本手段，数据挖掘的重要性则体现在数据分析准确性和有效性上，首先是对业务流程效率的数据分析，对于总行、分行、支行和营业网点的银行结构进行业务处理效能分析，通过实际交易数据和历史交易数据进行比对分析，可以有效的找出实际业务模式中的最大风险点，设计或优化业务流程，明确录入、审核、授权各岗位的职责，从而运用创新手段控制流程风险；采用产品规划的方法指导新产品的设计流程工作，则需要在产品设计理念、产品市场定位、产品竞争优势分析和产品风险控制上进行数据分析，通过数据挖掘技术可以在银行内部历史数据、行业共享数据和商业数据的基础上进行特征属性挖掘，并最终为新产品的量化定型提供有效的数据参考，并未新产品的市场价值进行定性和定量预测分析。
4 结束语
信息化时代背景下金融业的供需地位发生巨大转变，金融数据也从经营资料开始向数据商业化发展。基于详尽的量化数据系统，现代银行可以在高效数据分析模型的基础上对银行数据进行二次开发，提供数据分析服务。本文通过阐述银行数据的数据结构，分析了对银行海量数据进行数据挖掘的主要方法和应用模式，并评估现行银行数据挖掘方法的有效性和经济效益价值，为进一步提升银行数据挖掘的效能提供了新的思路。
参考文献：
[1]丁剑敏.数据挖掘技术及其在商业银行中的应用[J].市场周刊・财经论坛，2013（04）.
[2]宓文斌.数据挖掘在银行信贷业务中的应用[M].上海：上海交通大学，2012.
[3]王佳丽.财务诊断中的数据挖掘运用研究[D].南宁：广西大学，2012（05）.
关键词：焊接补偿；反变形；分段变形图谱；数据分析
中国分类号：U671.4 文献标识码：A
Abstract：This paper studies the manufacture precision， shrinkage and warping deformation of moderately thin plate blocks for 4 000 t official ship. By using block technology deformation graph and the analysis of actual construction measuring dada， this paper proposes the reasonable welding shrinkage compensation and anti- warping deformation arrangement for convenient operation and good precision control standard of block manufacture.
Key words ：Welding compensation；Reversible deformation； Block deformation graph ；Data analysis
1 前言
船体分段建造的精度技术发展大致经历了三个发展阶段：由全船所有零件加放余量，到内部构件无余量，再到分段无余量建造。其中，包括了设备的改进、设计手段的革新等方面，在一定程度上促进了精度技术的发展。但是目前建造的中薄板公务船因缺乏基础数据的积累，分段建造的精度控制措施还是主要依据经验进行粗略的估算，无法通过理论计算方式进行精确的测算。
由于此前建造的产品呈现出多样性，各型船的结构特点、材料都不一样，加上生产过程缺乏统一的监管和各关键工序数据的积累，导致相似产品可以借鉴或参考的意义不大，针对在建4 000 t中薄板公务船进行系统分析，整理出该公务船分段建造焊接收缩与变形的精度设计方案，增强公司建造中薄板公务船的能力。
2 分段建造精度分析与补偿与反变形设计
4 000 t公务船总段建造的基本流程如下：全船按照零件、部件、组件、分段、总段、搭载的顺序逐步开展；底部分段主要由零件、部件在胎架上散装；上半立体分段主要是由部件、组件在胎架上组装；总段主要由上半立体分段与底部分段组装而成。该船建造过程中大量采取部组件的施工方法，故在开展施工策划时，需重点针对此种情况制定相应的施工方案，并提前掌握其收缩变形的规律。
分段焊接总变形的预测方法有多种，但由于目前国内造船现代化程度不高，理论计算法进行精确预测，通过参考工艺手册有关分段焊接变形及公差造船尺寸链的相关内容，由于图谱简化近似计算的方法比较适用于建造技术要求较高、结构较复杂的的船，初步确定该船主要采用此法，然后再利用数据收集进行分析进而优化设计。
经分析对比，根据图谱法初步测算的数据及类似船的建造数据，以最终确定该船的数据，其前提是对比两型船的施工工艺和结构特点。此外，由于分段建造过程中的变形主要是焊接引起的，但在建造过程中会适当采用火工进行矫正，即分段建造过程中的变形主要是由焊接变形和火工矫正变形组成。
现以典型的机舱底部分段（D31）为例，根据试验得出的简单板件焊接变形规律及典型分段的施工工艺，对分段的焊接总变形进行计算。底部分段的施工顺序如下：外底板纵骨中龙、旁龙、肋板内底纵骨内底板舷侧纵桁2甲板与内底板间壁板2甲板。
根据分段划分图和分段的基本结构：双层底高度H=1 200 mm，分段长度L=1 300 cm，分段半宽B=420 cm。分段正造，对应工艺手册分段装焊工艺规程8号方案：外板装配焊接；内底板装配焊接；安装构架于外板，先焊构架焊缝，再焊构架与外板焊缝；安装内底板分段翻身；焊接内底与构架焊缝。
根据选定的方案8，查找焊接变形图谱，确定分段焊接变形的相对缩短值与曲率，最后根据理论计算公式得出分段焊接总变形的理论数据。
由此，可由图谱查到t=8.4×10-4、b=13.2×10-4、C1=9.6×10-6、Cb=9.4×10-4。根据各参数，利用计算公式得出典型底部分段（D31）的总变形如下：
长度收缩：L=t×L=8.4×10-4×1 300=1.092 cm；半宽收缩：B=b×B=13.2×10-4×420=0.554 cm；长度挠度：F1=C1×L2/8=9.6×10-6×1 3002/8=2.028 cm；
半宽挠度：Fb=Cb×B2/8=9.4×10-4×4202/8=0.207 2 cm。
通过计算得到：分段纵向每米0.8 mm焊接收缩；横向每米1.1 mm焊接收缩；纵向每米1.5 mm的反变形；横向每米0.5 mm反变形的初步方案。
3 实测数据分析
3.1 纵向补偿数据
根据H1185船测量监控数据，分析纵向补偿数据（每米加放2 mm）为表1所列。
3.2 横向补偿数据
根据H1184/1185两艘船底部分段甲板半宽测量数据，分析横向补偿数据（每米加放3 mm），为表2所列。
3.3 纵横向变形数据
根据H1184/1185两艘船底部分段首尾甲板及龙骨高度测量数据，分析纵向向补偿数据（每米加放1 mm），横向未加放，如表3所列。
根据以上数据，结合分段的建造工艺，对类似船分段的建造经验总结如下：
（1）v向焊接收缩量：分段长度一般在10～14 m范围内，纵向焊接收缩量一般在20～28 mm间，即纵向2.0 mm/m，根据测量数据分析，底部分段实际纵向焊接收缩量仅为加放量的1/3～1/2；上半立体分段实际纵向焊接收缩量较底部分段小，平均加放量为1.19 mm/ m。
（2）横向焊接收缩量：分段半宽一般在5～7 m范围内，横向焊接收缩量一般在4～9 mm间，即横向3.0 mm/m根据测量数据分析，底部分段实际横向焊接收缩量仅为加放量的1/3，平均加放量为0.96 mm/m。
（3）纵横向反变形：底部分段纵向反变形1.0 mm/ m，由检验肋骨线到分段两端加放的纵向龙骨反变形量在6-7 mm间。根据测量数据分析，底部机舱分段纵向反变形实际变形量较大，平均加放量为1.61 mm/m，其他底部分段与原设计补偿相均加放量0.95 mm/m；横向反变形甲板四角水平，并除去两端纵向变形值，原设计并未加放，根据测量数据分析，底部分段变形量不大，平均加放量为0.53 mm/m，
4 结论
借鉴前期建造两艘船的变形补偿设计方案，并根据该船确定的分段制作工艺，可以发现型船分段制作采用胎架角钢固定，构件多数采用部件或组件进行施工，各部件或组件完工后均需要进行火工矫正，使得建造实际测量的数据与设计补偿有出入。
从工程建造施工方便和分段建造精度标准要求出发，根据实船建造的经验数据和理论计算，经分析对比，得出该船合理的焊接收缩和变形施放为：
（1）纵向焊接收缩取原经验数据的1/2，即1 mm/m；
（2）底部分段甲板为拼装后分段组立，焊接收缩取原经验数据的1/3，即1 mm/m；
（3）底部分段纵向变形补偿取原经验数据1 mm/m，但机舱段首尾翘曲变形较大，取1.5 mm/m；
（4）由于受外班纵骨焊接退火的收缩影响，横向翘曲变形相互抵消其值，较小，可采取加放0.5 mm/m的补偿。
（5）其他纵骨间距无加放，仅在分段端口余量进行粗略处理，甲板半立体分段为片体组装，翘曲变形可脱胎校正定型，不设反变形值。
参考文献
[1]黄浩主编.船体工艺手册[M].国防工业出版社，1989.
【关键词】医疗数据信息；医疗保险；医疗保险管理
北京市医保中心医保管理数据信息采集系统日趋成熟，医保基金监管完成了从无到有、从人工审核到智能监控的转变，实现了对医疗行为的事前提醒、事中监控、事后分析，医保监管方式进入全口径审核、全方位监管时代。同时，随着医保数据库的完善，北京市医保中心在加强总额控制的基础上，推进DRGs等多种支付方式结合的医保付费方式改革，并建立可量化的指标体系对定点医疗机构进行考评。作为医保定点医疗机构，随着医疗保险管理方式信息化改革的不断推进，如何应对这一变革无疑是医院现代化建设过程中的一次重大挑战，采用科学的管理策略进行合理的信息数据管理已经成为当前医院所面临的主要任务。目前，很多医院已将医保拒付管理、医保总额预付指标管理、医保DRGs费用管理等信息系统开发作为重要管理措施，而医保信息系统的有效运转依赖于准确有效的数据。因此，对数据信息的精确获取和有效利用是医保信息化管理的基础和关键。作者论述了数据信息在北京友谊医院医保管理中的作用、数据信息的获取及分析方法。
1数据为根本，确定医院战略决策
随着北京市医保数据库、医保数据管理体系的建立，为提高医保基金使用效率，2013年起北京市医保中心逐步完善了总额预付管理的考评机制。从仅对医疗总费用考核过渡到对定点医疗机构人次人头比、拒付比例、次均费用、药占比、病案上传率及质量、群众满意度等质量指标进行考核，并将考核结果纳入定点医疗机构年终考评。2015年总额额度核算方式再次改变，将以往的结余额全部留用改为按分段计算累加（结余额在本院2014年指标额5%以内的部分全部纳入结余核增额，5%～10%以内的部分按50%纳入结余核增额，10%以上的部分不纳入结余核增额）。医疗保险改革重点已由扩大范围转向提升质量[1]。北京市医保中心总额预付管理方式的细化促使医院应加强自身应对能力才能确保总额预付基金的合理充分利用，避免总额基金的核减，保证医院可持续发展。因此建立完善的信息数据链，是快速反应能力的基础，是危机问题应对的根本，及时调整的依据。我院对下达的总额基金进行测算，结合自身数据完成情况，分析质量核减系数、结余核增额，在保证医疗安全、医疗质量的前提下，积极调整费用结构，鼓励科室先进技术的申报开展，扶持重点学科、优势学科，合理分配，确保总额费用的有效利用。通过对医保数据源的及时获取，充分分析，了解潜在问题，医院决策层及时采取了有效解决方案，提高管理效率，作出科学的判断和决策，保证医院健康发展。
2深度挖掘数据，建立统计分析体系
医保管理数据建设是医院信息化建设进程中不可缺少的组成部分。通过对历史数据的分析统计，科学预测未来的发展趋势，明确医保的管理方向。通过完善数据管理，提高医疗保险管理效率及科学性，从而进一步提升医保管理水平。
2.1数据挖掘
数据作为医保管理的切入点，是指标分析、指标制定的基础，数据采集的完整性、准确性，收集的及时性至关重要。我院医保数据主要来源为医院信息系统（HIS）及北京市医疗保险院端业务组件，两组数据之间存在着一种相互依存、相互促进、相互补充的互动关系[2]HIS系统数据主要为临床医疗活动中采集的未经处理的基础信息，繁杂且分散；北京市医疗保险院端业务组件中的数据为医疗保险持卡实时结算中统计的数据，相对HIS数据已完成部分整合，处理后的数据虽使用方便但在特定查询中无法提供详细清单。医疗保险端数据促使医院端数据的规范与整合，医院数据又是北京市医疗保险系统获取医疗信息的源头和费用结算的必要平台。基于两种数据关系，如何在不相互开放数据库的情况下将两项数据有效结合，消除信息孤岛的形成，实现院端与医保中心数据共享与数据资源交换，一直是我院医保数据信息建设中亟待解决的难点问题。医保办通过政策解读，将政策导向结合临床需求，提出信息数据的关联方式。信息中心建立信息共享和交换平台，HIS开发商、北京市医保系统开发商改造数据接口，将需要匹配的数据，可通过“对接”方式完成医院与医保数据的共享与交换。这一方法深度挖掘了院内数据，促使数据的使用做到点面结合，即不仅可获取某一特定点的详细数据，也可获取运行中的整体数据，为下一步的数据分析、数据应用奠定了基础。
2.2数据统计与分析
数据分析是数据应用的基础，是方案制定的依据。数据分析的目的在于把系统中杂乱无章的数据进行集中、萃取和提炼，提取有效数据信息，经过计算、归类、综合分析形成准确、完整的统计资料。因此只有进行分析后的数据才拥有价值，经过处理后的数据才能运用于管理工作中。
2.2.1拒付费用数据分析。在拒付费用管理中采取对数据点、面结合的分析方式，首先对北京市医保中心反馈的拒付数据进行逐条筛查，通过软件调取当日就诊的HIS数据。根据HIS数据分析出现该笔拒付原因，原因明确后确定责任单位或个人，如为医生操作不当，则将该笔费用进行落实，若为系统错误或政策培训缺失，则向相关责任科室进行反馈，完成阶段数据分析。第二步汇总各科室拒付费用、拒付人次及科室发生的总费用与总人次，通过拒付费用比（科室拒付费用/科室总费用）、拒付人次比（科室拒付人次/科室总人次）、拒付费用构成比（科室拒付费用/全院总拒付费用）、拒付人次构成比（科室拒付人次/全院总拒付人次）四个维度的数据进行分类比较，综合评判分析，根据数据横向比较确定主要拒付问题科室。除此以外，还可对全部数据进行纵向分类汇总，根据各拒付原因的数据占比，明确全院或科室的主要拒付问题。抓住问题科室、主要拒付原因，完成面分析也就是综合分析才能对下一步管理方案提出建设性意见。
2.2.2次均费用数据分析。次均费用分析分为全院次均费用数据分析及科室次均费用分析。根据北京市医疗保险院端业务组件的反馈数据，对全院次均费用数据进行纵向比较，计算同比、环比数据的的变化率，同时横向与同级同类医院比较了解兄弟医院指标运行情况，通过对整体数据分析提出医院下一步管理方向。在管理方式确定后，由HIS数据及医疗保险上传数据，通过数据处理系统软件确定每个科室的次均费用完成情况，分析次均费用的结构，对于科室异常的数据变化，及时测算结构动向，比较多项关联数据指标，确定涨幅所在，分析数据涨幅可能原因，及时与科室沟通，给予恰当的调整或引导。
3建立合理的医保指标考核体系
将数据信息运用于实际医保管理中，把提炼、整理清晰的数据应用于医院指标制定以及绩效考核方式的制定，以数据为基础，保证考核体系的科学性、有效性。
3.1遵从客观数据，结合科室特色，确定次均费用指标
我院自2011年下半年开始开展总额预付制试点工作，作为北京市首批4家试点医院之一，合理测算科室数据制定管理指标是试点后的重要任务之一。总额费用下达后，医保办以2010年7月12月各科室医保费用数据为基数，结合医保费用增长趋势和医保基金支付增幅等数据进行分析，根据各科室权重数据分别测算出应下达的科室次均费用、自费比例等指标。另一方面积极听取科室意见，尊重历史，考虑病种、环境等因素对数据的影响，并加强定向激励，测算科室开展新技术、新项目情况，按照“公平求实、分科下达、保证特色、促进发展”原则，根据测算出的数据对指标进行动态调控。
3.2多层次数据结合，建立科学的考核体系
2012年起我院逐步实现全院岗位管理绩效分配，医保指标作为全院绩效考核体系中的重要组成部分，考核指标的科学性、考核方式的合理性至关重要。现代管理学认为，科学化管理有三个层次：第一个层次是规范化，第二层次是精细化，第三个层次是个性化[3]。医保办以数据为切入点，以次均费用、拒付费用为基本考核指标，以科学化的考核方式建立基本考核体系，同时本着医务人员受鼓舞、医院发展添活力的目标，变更绩效考核理念，采取精细化管理，通过医保指标数据和医疗指标数据联动考核方式，将医疗考核数据中的药占比、病例组合指数（CMI）作为联动指标，纳入医保考核管理。为了进一步体现不同科室间工作性质及费用结构比例不同的客观差别，实现考核的公平性，考核指标制定按照多项数据相结合的分析方法，将科室对全院贡献值、科研教学影响力等个性化数据指标进行分析，力争考核体系更加科学、合理。通过合理的指标制定与考核，2012年-2014年我院总额运行平稳，次均费用无显著增长，费用结构得到调整。
3.3实现数据信息共享，完成多部门协同管理
信息化管理可实现医院各部门间信息数据的汇总及整理，使数据共享，一方面保证了各科室间数据口径的一致性，另一方面也避免了数据的反复采集，减少资源无形中浪费，同时加强了管理科室间的联系，为多部门联合管理提供基础。随着公立医院改革的深入，既往依靠医保部门单独管理医保费用已经无法满足日益复杂的考核方式和管理要求，需要医务处、门诊办公室、物价办公室等多部门相互配合，制定相互制约指标，才能达到科学有效的管理方式。
3.3.1共享拒付数据，多维度有效管理。医保办将收到的拒付数据整理归纳，并进行数据共享，门诊办、药剂科、物价办等相关部门通过共享信息对拒付费用进行确认与再核实。并根据各部门的管理方向，即药剂科从药品安全、门诊办从医政管理、物价办从合理收费等不同角度分别入手，多维度进行拒付费用管理，使我院拒付情况得到有效控制。
3.3.2完善数据录入，确保DRGs平稳运行。对于仍处于试点阶段的DRGs付费制度改革，医院各部门之间需要高度配合，才能保证流程高效运行。临床科室需做好病案首页数据填报工作；病案、统计部门要及时完成病案首页数据的录入；医务处根据填报数据加强临床路径的规范与管理；住院结算部门根据反馈的数据进行结算操作；医保办通过对结算后的数据进行分析测算。多部门各司其职，通过数据链进行协同管理，保证DRGs平稳运行。2014年，我院共结算DRGs患者11014例，共覆盖科室26个，覆盖病组104个，占108组的96.3%。按项目结算为17663万余元，按DRGs结算为21314万余元，盈余3651万余元，盈余率20.67%。
参考文献
[1]北京市人力资源和社会保障局.关于下达2015年定点医疗机构总额预付指标的通知（京）[Z].人社医保发〔2015〕101号.
[2]刘剑锋,李刚荣.定点医疗机构医保信息化建设的问题与对策[J].重庆医学,2008,37(21):2406-2407．
关键词：设计思路；分析功能；用电管理
中图分类号：C93文献标识码：A文章编号：1009—0118（2012）11—0220—01
一、前言
随着社会经济的发展，我国电力事业进入高速发展阶段，电力企业的服务理念由计划用电向市场开拓转变，由用电管理向营销服务转变，这种以市场为导向、对内以营销为中心、对外以客户服务为中心的新机制，需要企业的管理层、决策层对变化的环境做出快速、科学的决策。然而国内的绝大多数供电企业建立的基于联机事务处理的用电管理信息系统还不能很好地提供对决策分析功能。
主要的问题表现在：历史数据难以利用；统计口径多、数据的一致性不能保证而难以全面地掌握企业经营信息；查询效率低；决策应用和业务应用相互干扰等等。
二、设计思路
用电营销综合分析辅助决策系统采用数据仓库技术来解决用电管理辅助分析决策方面的问题。第一步将用电管理系统、财务系统及其他相应系统的数据进行抽取，通过清洗、过滤等手段进行加工，然后加载到系统的数据仓库中进行统一存储，形成一个全局性的、标准化的、高质量的数据服务平台，从而解决了统计口径不统一的问题，实现了数据的一致性，同时采用数据粒度技术把历史数据进行存储，最大限度地发挥历史数据的作用。第二步从业务部门管理层、决策层的角度出发，按照主题分析的组织原则，采用数据仓库技术对相应的数据建立星形模型，数据是按照分析主题组织，从而消除了决策查询效率低的问题。第三步在建立了强大的数据支持后建立各种联机分析应用多维模型，满足各层次用户的分析决策的需要，从而形成一个全面的企业经营信息分析系统。
三、辅助决策系统
（一）数据仓库。是面向主题的、集成的、稳定的、不同时间的数据集合，用于支持经营管理中的决策制订过程，数据仓库技术的主要体现是通过划分不同的主题，规划不同的数据粒度层次来组织、建立星形模型，从而达到规范、整理数据，把面向业务处理的数据结构向面向决策分析的结构转变，更加符合分析的需要。
（二）联机分析处理。是从数据仓库中的集成数据出发，构建面向分析的多维数据模型，再使用多维分析方法从多个不同的视角对主题进行多角度的分析、比较，通过其强大的分析功能提供一种验证式的分析手段。
四、主要的业务分析功能
（一）用电营销分析。通过对售电的分析，为供电企业分析市场潜力和制定市场营销策略提供决策支持的信息。电力市场营销所关注的核心是客户售电量的变化趋势以及供电企业应该采取的营销策略。
（二）业扩报装分析。根据各行业、各地区、不同类别用户的业扩报装业务分析，可以判断用电发展趋势，确定电力需求增长的潜力所在。
（三）计量装置分析。统计分析各类计量装置的状态、数量，分析各供应商提供的产品的实际性能价格比，为设备采购提供依据。
（四）用电检查分析。分析用电检查中的各类指标，找出违章用电的规律，提高检查工作的效率。
（五）大用户分析。市场营销的核心是研究如何满足用户的需求，因此用户分析也是用电营销的重要环节。从各种角度分析VIP用户的用电特征，制定贴身的营销策略，获取更高经营利润。
（六）综合统计分析。分析各类经济指标的完成情况，统计购电、售电和调度等数据，分析某段时间企业运行状况。
五、示例
（一）不同用电时间段的售电量分析。根据不同月份用电总量统计数据，纵向分析各个月份售电量变化趋势，横向比较不同月份售电量差异，形成多维分析，比较不同月份之间售电量变化的差异；了解市场需求的时间属性，及时捕捉市场的变化。
（二）不同地区的用电分析。分析地区售电量历史数据，形成该地区售电量变化曲线，根据曲线走势判断该地区未来电量变化趋势；分析各地区对总体售电量涨跌的贡献率；根据该地区各行业用户分布情况，结合行业发展综合指标，进一步分析、判断该地区售电量潜力；分析各经济指标对电量涨幅的贡献率。
（三）不同电价类别的售电量分析。针对不同类别的电价，统计售电量历史数据，分析不同类别电价的对应售电量变化趋势；通过多维分析，横向和纵向相结合，立体、直观地分析售电量变化率差异，可以得到不同电价类别的售电量增长潜力，为用电营销部分的电价调整提供决策依据。
（四）不同行业的用电分析。按照行业分类，统计行业售电量，比较历史数据，形成不同行业售电量变化曲线；纵向分析某一行业售电量随时间变化的趋势；横向比较不同行业售电量的差异，重点关注不同行业之间售电量变化率的差异，关注售电量大、售电量变化显著的行业，揭示带动电量增长的主导行业。
通过对售电情况进行动态分析和深层挖掘，揭示行业用电潜力、各类用户需求潜力和区域用电增长潜力等，为企业决策人员提供重要的决策依据。
六、系统的主要特点
（一）一致、准确、高效的数据服务。数据仓库系统整合现有相关业务系统的数据，并保证数据全局一致、准确；
（二）强大的数据分析服务，通过任意钻取、预定义钻取、细节钻取和旋转等OLAP技术，从所有角度多层次地分析数据仓库中的数据，能显著地提高珠海供电分公司在数据分析、统计、报表定制等方面的效率和精确度；
（三）提供数据预警功能，以达到监控和防范风险的目的；
（四）提供界面友好、简单易用的客户端访问工具，最终用户能通过前端浏览器登录系统进行动态数据分析及报表制作；
（五）提供领导信息系统（EIS）的分析应用，让任何级别的领导都能轻松地使用；
（六）提供分析报表制作功能，简便、快捷地生成图文并茂的分析报表；
（七）具有完整、可靠的安全机制，采用纯服务器端的集中式管理。
关键词:银行;分析型CRM;功能;技术
随着银行业务的不断扩展和业务处理信息系统的不断升级,如何高效地管理和利用银行庞大、分散的客户数据,是银行所面临最迫切需要解决的问题。建立分析型CRM系统成为银行实施CRM系统,提高竞争力的有力武器。
利用银行分析型CRM的解决方案,对客户信息进行全面分析,挖掘客户知识,继而制定和改进相应的市场策略,与操作、协作型CRM相结合,以更好地指导营销人员为客户服务和完善客户服务流程,并反馈到银行内部系统,用于增强银行内部的运营效率。
一、银行分析型CRM的实现技术
为实现上述功能,银行分析型CRM主要通过数据仓库、数据挖掘和联机分析处理三项技术来进行业务分析和客户关系管理。
1、数据仓库(Data Warehousing)
数据仓库是CRM的基础,以满足系统对各方面数据的要求。传统数据库技术是以单一的数据资源,即数据库为中心,进行事务处理、批处理、决策分析等各种数据处理工作。其虽对银行的日常事务实现了集中处理,但无法满足数据处理多样化和CRM对业务运作及相关行业情况进行分析的要求。数据仓库则前进一步,所要研究和解决的就是从数据库中获取信息的问题,目的是进行数据挖掘,从不同数据源收集数据,对数据进行整合和统计,形成一个中心数据集,从而既能保持数据的一致性,又易于用户访问。
数据仓库系统一般包括三层结构:数据获取层、数据存储层、数据输出层。数据获取层通常采用弱耦合方式与业务系统数据库相连,通过对业务系统数据进行抽取、转换和加载后,导入数据仓库;数据存储层完成对数据仓库系统中数据的存储和管理,为了便于对海量数据的管理,得把数据以一定的规则组织起来,而如何从逻辑和物理上去组织数据,正是数据仓库建设的重要步骤;数据的输出层与OLAP服务器、数据挖掘服务器相连,对数据仓库中的数据进行多维分析和挖掘。
2、数据挖掘(Data Mining)
数据仓库中信息数据量非常大,要找出与客户相关,有价值的信息,及相互间的关联,需要对大量数据进行深层分析,以获得有利于商业运作、提高竞争力的信息。数据挖掘就是从海量数据中抽取出潜在、有价值的知识、模型或规则的过程,挖掘出更有价值的信息。也就是根据预定义的商业目标,对大量的企业数据进行探索和分析,揭示其中隐含的商业规律,并进一步将其模型化的有效技术过程。数据挖掘是一门交叉学科,它集成了许多学科中成熟的工具和技术,包括数据库技术、统计学、机器学习、模型识别、人工智能、神经网络等。
数据挖掘技术在商业上的实际应用非常丰富,业务应用十分广泛,常见的具体例子有客户细分、客户保留、欺诈检测、信用风险评估、投资组合管理、客户服务自动化等等。
3、联机分析处理(On-Line Analytical Processing)
联机分析处理是针对特定问题的联机数据访问和分析,通过对信息进行快速、稳定、一致和交互式的存取,对数据进行多层次、多阶段的分析处理,以获得高度归纳的分析结果。联机分析处理是一种自上而下、不断深入的分析工具,在用户提出问题或假设之后,它负责提取出关于此问题的详细信息,并以一种比较直观的方式呈现给用户。OLAP是使分析人员、管理人员或执行人员能够从多角度对信息进行存取,从而获得对数据更深入了解的一类软件技术。
OLAP是多维数据分析工具的集合,基本操作有钻取、切片和切块、以及旋转等。(1)钻取是改变维的层次,变换分析的粒度,包括向上钻取(roll up)和向下钻取(drill down)。向上钻取是在某一维上将低层次的细节数据概括到高层次的汇总数据,或者减少维数;而向下钻取则相反,它从汇总数据深入到细节数据进行观察或增加新维。(2)切片和切块是在一部分维上选定值后,关心度量数据在剩余维上的分布。如果剩余的维只有两个,则是切片;如果有三个,则是切块。(3)旋转是变换维的方向,即在表格中重新安排维的放置(例如行列互换)。
OLAP有多种实现方法,根据存储数据的方式不同可以分为基于关系数据库的OLAP实现(ROLAP)、基于多维数据组织的OLAP实现(MOLAP)、基于混合数据组织的OLAP实现(HOLAP)。MOLAP是以多维的方式组织和存储数据,ROLAP则利用现有的关系数据库技术来模拟多维数据,HOLAP则还同数据挖掘工具、统计分析工具配合使用,增强决策分析功能。
二、银行分析型CRM的实施策略
基于对银行分析型CRM的内涵、功能及实现技术的阐述,结合国内银行已开展的业务电子化、信息化建设实际经验,银行在进一步实施分析型CRM系统之前要对以下几个方面有明确的认识。
首先,银行分析型CRM应当以现有的管理信息系统(MIS)和商业智能(BI)、决策支持系统(DSS)等为基础,注重组织再造与业务流程重构。通过改革和组织再造,整合内部资源,建立适应客户战略的、职能完整、交流通畅、运行高效的组织机构,以客户需求挖掘和满足为中心,实行业务流程的重构。针对客户的需求及时推出创新的金融产品和服务,全面提高MIS应用级别和商业智能、银行业务信息系统、决策管理系统、客户信息系统和决策模型、方法库、专家系统等的应用效果,集中对业务流程的主信息流进行搜集、整理、挖掘、分析和利用,从而提高银行管理效率、效果,形成商业决策分析智能。
其次,把战略重视、长期规划、开放运作和系统集成结合起来考虑,促成分析型CRM的顺利实施。战略重视CRM的实施是一项极为复杂的系统工程,实施CRM要获得银行高层管理者发展战略上的支持,以提供所需的财力、人力资源并推动实施。长期规划银行要在发展战略框架内进行CRM规划,设计较长远、分若干个可操作阶段的远景规划非常重要。开放运作银行实施CRM应当遵循专业化、开放式的运作思路。系统集成银行推进CRM实施和改进,还要特别注重与现有信息业务系统的集成,包括客户联系渠道、工作流及财务、人力资源、统计等应用系统。
一、大数据时代下的财务分析
在大数据时代，财务分析可以定位为综合财务分析，它主要是依据一系列的大数据资料（财务与业务资料），采用专门的方法和技术，对企业经营活动进行分析和评价的一种重要工具。财务分析能为企业管理者提供数据分析和指导意见，同时分析盈利点和风险点及企业管理存在的问题，帮助管理层作出科学决策，提升企业创造价值的能力。财务分析的作用体现在：（1）反馈与评价经营结果。财务分析最主要的职能就是对企业某段时期内的经营结果进行综合反馈与评价，并与预算进行对比，可作为考核依据，找出过去经营管理中的问题与不足，为企业下一步的工作指明方向。这是财务分析比较传统的职能，在后续很长时间内这个职能也是相对比较重要的。（2）动态决策的数据支持。经济越发展，竞争越激烈，企业的经营风险也越大。财务分析总结过去，着眼未来，帮助企业动态经营决策提供数据支持，从而做到精准预测商机和危机。（3）总结运营发展规律。在企业经营发展中的资金运用、资源配置、成本水平、市场份额、业务完成情况及盈利水平等都可以由历史数据分析出基本的运营规律。了解运营规律对于企业在竞争中的准确定位、提升管理效率、保障企业顺利发展有着极大的推动作用。（4）提供全面财务预算参考依据。全面财务预算在企业战略规划中的重要作用不言而喻，而财务预算制定时的很多数据与依据都来自于财务分析。财务分析能为财务预算做好未来的资源配置起到很好的指引，同时也可以为企业预算中的风险预警提供参考，财务分析是财务预算的基石。（5）财务分析帮助挖掘大数据价值。企业所有信息最终都会以各种数据加以呈现，数据的价值是无法估量的。大数据是企业业务的集成，数据蕴藏着企业未来的价值。大数据的变革对财务分析的影响是深刻的。智能财务分析是大数据高效利用的利器，大数据时代下的财务分析体系只有重新构建，实现业财融合的智能化分析，才能提供高效、精准的企业财务分析，帮助提升企业价值创造的效率与速度。
二、大数据时代财务分析存在的主要问题
（一）财务分析技术相对落后
目前财务分析主要还是运用Excel办公软件进行分析，没有更好的财务分析技术与手段，不能快速处理海量的数据，不能实现大数据时代的交互性与实时性分析，分析技术相对落后，无法满足大数据时代对智能财务分析的要求。事实上财务报表数据只是大数据里面很小的一部分，财务数据是对业务数据进行高度概括之后形成的二手数据。这些财务数据有很明显的逻辑规律，而大量的业务数据琐碎而没有明显的规律，这对财务分析技术提出了更高的要求，需要先进信息技术介入帮助财务分析技术实现突破。
（二）财务分析思维存在局限
目前财务分析思维还停留在传统会计账务的基本思维上，绝大多数人都认为财务分析就是对财务数据的分析，因此比较关注预算对比以及考虑事后审计，如每笔账务的原因及去向等。但伴随着财务工作的转型，财务触角必须深入到企业的每一个价值创造环节，将会更多地介入到企业价值管理的全过程，财务分析应该理解为企业价值管理工作的效果分析。所以财务分析思维不能只局限于会计信息，而应该从企业全局出发，获取企业全面的相关数据，同时还应该关注数据之间的相关性，否则将无法满足大数据时代管理的需要。
（三）财务分析数据质量不高
财务分析的基础是数据，但目前数据来源相对单一，基本上是财务部门会计核算的数据，未能搜集业务部门的数据，数据之间也缺乏关联性。由于是人工进行财务数据分析，所以数据加工时间长，无法实现自动化实时分析，导致输出数据信息的数量与质量都不高，满足不了大数据时代对数据分析的要求。
（四）财务分析与业务分析关联度不高
目前财务分析只关注财务报表的定量数据，不能充分与经营业务分析相结合。财务与业务联系不紧密，财务分析只有内部数据，缺乏必要的外部数据，不能关注外部市场环境的变化，没有做深入的行业分析，也不能深入到整个产业链中做分析。
（五）财务分析过程中缺乏多维度
企业经济活动涉及多种维度，从产品维度来看，企业生产的产品有很多种，有的产品相互之间可能没有关联，有的产品之间关联度可能很高，同一产品不同生产阶段情况也可能不一样；从供应商维度来看，渠道供应调整都是有前兆的，加强沟通与分析可以预判后端销售产品线的许多问题；从客户维度来看，分析客户消费偏好数据可以充分挖掘产品的市场潜力和前景；从地区维度来看，不同地区产品消费习惯和偏好也会有侧重。目前财务分析一般能做到对单一维度的产品、供应商、客户或地区进行分析，还不能做到不同地区下的产品分析的多维度、关联性分析。
三、财务转型对财务分析提出的新挑战
（一）财务分析智能化
大数据时代的海量数据加工与处理的工作量是人工难以及时完成的，即便人工勉强完成，但数据的时效性也丧失了，大数据所蕴含的巨大商业价值可能因此而变得没有价值。因此财务分析只有充分利用大数据技术，实现海量数据的智能化、流程化分析，才能帮助提升企业管理效率。
（二）综合财务分析
大数据时代财务分析不仅仅是财务数据的分析，而应能够对财务信息、管理信息和市场信息等进行综合性分析。利用先进技术对接不同的信息系统，获取内外部不同的数据，合理处理量化的和非量化的数据，设计不同的财务、业务指标，提高基础数据的质量与准确性，以实现业务与财务之间的联动分析，帮助企业及时、准确地发现商机。
（三）精细化管理会计
技术改变生活，技术同样改变管理。信息化时代最主要的特征就是精细化与个性化。大数据技术是精细化管理的重要手段，财务分析可以借助新技术实现实时的、个性化管理定制的分析。综合财务分析要求能把分析触角延伸到企业的每一个细节，为精细化管理会计发挥更大作用提供支撑。
四、适应财务转型构建智能财务分析的对策
（一）构建智能财务分析体系
财务分析在企业管理中有着极为重要的作用，大数据时代财务转型背景下构建智能财务分析体系可以为企业可持续发展提供足够的动力。智能财务分析借助于人工智能技术按照一定的业务逻辑实现对海量结构化和非结构化数据的采集、查询、计算与分析，并按设定的模板自动生成分析报告，如预算执行报告、部门运行报告等。1.以经营为导向。智能财务分析体系设计时要充分考虑企业自身经营特点，以经营为导向，理清业务的基本逻辑以及与财务的关系，可以使用不同的分析方法与手段，同时实现内部数据与外部市场、行业、政策等必要数据的对接。2.全过程分析。智能财务分析可以实现全过程分析。事前，智能分析系统按照固定的流程、标准及方法对数据进行处理，并模拟设置不同条件下的变量值，最终输出事前预测的目标值。事中，智能分析系统会随时关注指标执行情况，一旦有变化，及时发出预警，有效纠正偏差。事后，与事前预测进行对比差异分析，探讨原因，找出主要因素，并制定出有针对性的解决方案。财务分析利用大数据的先天优势，实现了全过程分析，使得企业经营各个环节都得到有效管控，形成了贯穿整个企业价值链的闭环式智能分析体系，这极大地提升了财务分析的价值。3.财务与非财务指标相结合。建立科学的财务分析体系，一是要继续完善财务指标，深入分析指标变化的原因及影响因素，以便更好地揭示企业经营规律。二是要充分开发非财务指标，比如技术人才储备、技术研发创新、新技术运用、消费者满意度等。三是财务与非财务指标相结合使用，从而解决企业产品薄利却无法多销、产品政策没变而销量一直下滑等情况。只有结合非财务指标的分析，才会使财务分析更加完善与立体。4.体现交互与变化。企业经营是一个动态的过程，智能财务分析可以紧密结合企业经营活动，将财务分析结果及时运用到企业经营中去，又能从经营数据中及时感知经营的变化，并对变化有所体现，真正实现了人机交互。比如企业并购后，财务分析要能及时调整，使数据在经营有变化时还具有可比性。5.创新财务分析方法。智能财务分析支持结构化与非结构化数据分析，实现了业财融合，传统的财务分析方法远远不能满足分析的需要，财务人员要敢于尝试新的方法运用于财务分析，比如标准成本法、质量管理、资源会计、环境会计等方法。
（二）建设融合数据平台
1.业财数据集成与共享。数据是财务分析的基础与保证，实现智能财务分析的前提是借助大数据技术建立财务与业务数据融合共享的平台，打破目前数据框架，全面整合企业所需数据。业财数据实现融合共享才能意味着财务与业务的沟通与传递成为日常，也方便业务前端及时生成所需的业务分析。财务全面深入业务，确保各环节数据信息有效共享，才能实现跨部门的综合财务分析。2.业财数据同步。智能财务分析要建立适合自己企业特点的分析模型，在业财数据实现集成共享后，能实现业务数据与财务数据的双向传递与同步更新，而不是像传统分析模式那样，数据只是单方向传递到财务部门。经营决策需要数据支撑，同时业务部门执行结果也表现为数据。只有业财数据做到同步无缝对接，智能财务分析才能真正为企业生产经营服务。3.加大业财指标关联度。业务是企业核心，财务分析是帮助业务提升的，所以财务必须深入理解业务，与业务部门深入沟通，基于业务流程与价值链环节，确保关键节点所设置的指标能体现与业务有较大关联度。如果业务发生调整要及时根据需要重新考虑设置新的关联指标。关联度高的指标才可以帮助业务管理找出薄弱环节，促进业务提升。4.结合业绩考核。企业管理的一项重要内容就是业绩考核，财务预算是标杆，财务分析可以帮助明确业绩考核的合理性及存在的不可控性。有时业绩不理想并不是员工不努力，也不是预算不合理，而是由于市场变化或其他原因造成的，财务要综合分析出原因，并给出一定的参考意见，这样才能为后续的价值创造贡献力量。
（三）强化大数据库建设与应用
智能财务分析有一套标准化、流程化的分析工具和模型，要想强化大数据分析应用，首先就是处理好数据与企业经营活动的关系，建立大数据库。1.非标准化数据。智能财务分析不但要更快更好地处理好财务数据和结构化数据，而且要能利用新的财务分析工具和技术，对非财务数据加以反馈，以及对非结构化数据能从多维度加以体现，以解决标准化数据存在的局限性。2.内外部数据对接。智能化财务分析平台不仅能对接不同部门，实现数据共享与协同，而且可以与必要的外部数据做好对接，比如产业链上下游企业的相关数据、行业数据等，只有获取了决策所需的充分数据，财务分析才算准备到位。3.数据准确与精确。大数据库的数据准确性可以理解为两个方面，一方面是基础数据的来源要准确，这是确保财务分析质量的前提。另一方面，大数据下的智能化也意味着必然存在人为不可控的因素，也就是说会存在一定的不精确。智能财务分析在强调实时与效率的同时，不能保证绝对的精确。财务分析是面向未来的，所以在基础数据准确的前提下分析结果也可能不精确，财务人员需要加以仔细判断。
（四）实行精细化财务分析
精细化管理需要精细化财务分析作好决策支撑。1.流程化管理分析。精细化财务分析下的基础数据来源于不同的业务部门，业务数据应该渗透到业务流程的每个环节，这样方便财务分析时按流程环节查找问题，进行提升。2.全方位业务管理分析。精细化财务分析是为业务服务的，只有对业务管理进行全方位的分析才能把精细化管理的触角延到企业的供应商和客户。比如每一笔应收账款、每一批商品、每一笔付款等具体的数据都有责任人，并定时给出自己的分析，然后相关部门按业务性质统一汇总。3.岗位化成本管理分析。成本管理对于每个企业来说都是至关重要的，成本是由各个岗位产生的，精细化管理下有必要对成本进行岗位化的精细分析，每一岗位成本都要落实到相应岗位的具体人员。比如订货成本是否合理，要由具体的采购、生产和销售岗位共同负责。在智能财务分析体系中，对于成本的核算与分析也是非常及时的，每日都有反馈，细化成本单元，深入业务前端，动态掌握企业成本管理情况。4.项目化管理分析。大数据时代企业的管理更趋向于扁平化，决策管理人员直接面向的就是一线的大数据。那么财务人员以什么样的逻辑把分析结果呈现在管理人员面前？除了部门、产品，可能更多是的项目，这样的项目组是依据企业需要随时进行调整的，更加灵活。
（五）丰富财务分析形式
购物车(0)