K8凯发(中国)天生赢家·一触即发

管理思想进步与实践需求是技术创新的导向和牵引力，而技术创新又成为管理创新的重要基础；在这个互动循环中，数据分析是一个技术创新的典范。早期的数据分析主要是从古代产生、发展而来的概率、数理统计理论的技术与方法；而如今，又产生了基于各种信息化系统、数据库的数据挖掘等分析技术，以及与大数据分析相关的多种新兴计算机技术。云计算、物联网、社交网络等革命性的技术应用正在许多领域改变着人们的工作与生活方式，以及企业组织的决策思维模式、商业经营模式。2006年6月，国务院国资委发布《中央企业全面风险管理指引》（国资发改革[2006]108号），大力推动国有企业的风险管理。对于风险管理来说，其管理对象是未来不确定性，量化分析评估风险、合理预测未来是其核心价值所在，也是难点所在；而数据分析带来了新的技术、方法和思路，为此提供了有力支撑。系统地了解数据分析的技术应用与发展趋势，对提高企业风险管理能力有着重要意义。
1　风险管理中的数据分析
　　从许多关于风险管理的文献中可以看到，人们对风险的认识及、管理思想可以追溯到远古时代 。企业的风险管理实践面临许多实际问题，支撑风险决策的量化分析就是其中一个重点和难点，而应用于风险量化的数据分析正发挥着越来越大的作用。
1.1　风险评估与风险的量化分析
　　风险的本质特征决定了其量化分析的重要性。不同视角、不同研究目的或不同的风险管理目标，对风险本质的理解认识各有不同。郭晓亭等曾把多位中外学者关于风险概念的研究归纳总结为7类，并分别给出了相应的风险数量表达式：风险是未来结果发生的不确定性；风险是损失发生的不确定性；风险是可能发生损失的程度或大小；风险是损失大小及发生可能性；风险是由其构成要素因果递进的结果；金融领域的风险是对价格等变量波动进行统计测算得到的损失值；风险（风险度）是对不确定性随机概率的数理描述。
　　科学应对风险的一个重要前提是评估风险。在国务院国资委（2006）、美国COSO（2004）等许多中外机构推出的风险管理或内部控制框架中，都把风险评估作为一个关键要素或关键环节；风险评估常采用定性和定量相结合的方法。测算风险的大小是定量分析、评估风险的主要内容。从不同的风险定义可以看到，风险评估主要涉及2个方面：①风险的可能性（likelihood），或称发生概率（Probability），即某种状态或结果发生的可能性（Possibility）；②风险的影响（Impact），或称风险发生的结果、风险值或风险影响后果的大小，某种状态或结果与预期结果的偏差值。风险评估还包括对固有风险、剩余风险的评估，其作用不仅是评价风险大小，还是预测和监控风险的重要手段。
1.2　风险量化分析中的数据分析
　　不确定性所包含的随机性、复杂性使风险量化分析一直是个难题，加上风险的分类标准、种类也不统一，难以形成通用的风险分析技术、方法或体系。金融保险等行业、项目管理等领域的风险分析技术发展较为成熟，这也是受益于现代数学、信息化、计算机技术的发展，使数据分析技术不断提高，应用领域也更为广泛。参考国内外现有风险分析模型及方法的主要成果，按照风险事件的数量、相关事项的数据量及关系、预期结果的性质来划分，以数据分析为基础的风险定量分析从简单到复杂的大致分类。
　　1) 初级数据分析。主要是根据概率论等数理统计理论来分析、测算单一事件的概率，用于解决类似抛硬币、判断正反面的概率等简单风险分析问题。
　　2) 中级数据分析。主要是根据确定相关的一个或有限数量的相关事件发生状态或数值进行统计、分析，以测算某一个事件某种或多种可能状态的发生概率；例如信用风险管理中使用多元回归分析、数学规划等统计分析方法的信用评分模型等。
　　3) 基于数据挖掘等信息技术的高级统计分析。主要是根据众多确定或尚未确定的相关事件信息数据、发生状态或数值进行统计、分析，来测算多个事件多个可能状态的发生概率；例如信用风险管理中，基于Levenberg-Marguardt 算法的前向神经网络模型等人工智能模型和神经网络等信息技术的新方法；还有应用于项目及技术风险管理领域的蒙特卡洛模拟、计算机仿真等分析模型。
　　4) 基于大数据环境信息技术的复杂统计分析。主要是根据众多确定或尚未确定的相关事件信息数据，发生状态或数值进行统计、分析，来测算多个事件多个可能状态或未知状态的发生概率。
　　在大数据环境下，数据分析不仅可应用于已知的风险分析，还可根据数据间或有关系来发现和分析未知风险。某电力公司借助凯发k8天生赢家一触即发软件咨询及IT 实力，成功搭建现金流缺口预测模型、融资决策模型和预警模型，采用MSTR（Microstrategy）平台，运用数据查询技术、数据挖掘技术，将电力企业财务和各业务部门数据整合成一个集中的、标准的、可比的分析数据源，在此数据源的基础上建立资金决策支持系统，通过企业管理驾驶舱、现金流预测、融资决策、预警模型等功能，为资金决策者建立起多维度、智能化、动态化资金管理综合分析应用平台。
 
1.3　数据挖掘与大数据分析
　　数据挖掘与大数据是近十几年快速发展起来的新概念、新技术；尽管各界的认识与理解并不统一，但它们已经在日益广泛的领域产生着越来越大的作用和影响。数据挖掘的主要原理是通过对海量相关商业数据进行抽取、转换、分析或模型化处理，以获取有助于决策分析的关键信息。数据挖掘可以理解为一种对数据进行高级处理的方式、过程，用于从大量数据中提取人们感兴趣的隐含信息或知识，并以分类清晰、可靠、简单、易理解的形式呈现出来。数据挖掘主要有2类，一是对现有数据库进行规律（或特征）分析、归纳和总结的描述性挖掘，又称概念描述，是数据挖掘的基本形式；二是根据现有数据库进行推断、预测的预测性挖掘。
　　大数据是一个较为抽象的概念，主要通过特征描述定义大数据。较有代表性的一种观点认为，大数据应具有3V特点：大容量（又称规模性，Volume），多样性（Variety）、高速度（Velocity）。另外也有关于第4个V的讨论，国际数据公司（International Data Corporation，IDC）认为大数据还应具有价值（Value），而IBM认为大数据应具有真实性（Veracity）。与传统的数据库、数据管理相比，大数据的革命性变化主要体现在以下几个方面：数据规模从“池塘”转换为“大海”；数据类型从简单的结构化数据转换为包括半结构化、非结构化的多种类复杂数据；模式（Schema）不再是预设，而是随着数据的种类、数量不断演变；数据不再是简单的处理对象，而是用来分析、解决诸多领域问题的资源；而处理数据的工具、方法也更加多样化，大数据的处理流程包括数据抽取与集成、数据分析以及数据解释，“数据分析”在这里不再是广泛意义上的概念，而是一个具体的数据处理环节；相对于大数据分析技术来说，数据挖掘、机器学习与统计分析等已经属于传统的数据分析技术，而大数据分析在数据采集、存储、分析以及可视化等方面都有很大突破，使其在商业智能、决策支持等许多领域得到应用。电力企业本身掌握着大量购售电信息，掌握着企业及民众的用电数据，利用大数据工具，可有效提升自身风险预警能力，并为提高全社会的风险抵御能力保驾护航。某电力公司借助凯发k8天生赢家一触即发软件咨询及IT 实力，通过该资金决策支持系统在电力企业的实施，实现了资金决策的精细化管理的全面应用，取得了显著成效。首先，对该电力企业资金的历史数据在线分析，提高了数据分析的及时性、科学性和准确性，减轻了财务人员繁重的重复劳动，减少了预测数据的主观性；其次，对资金相关数据提出高质量要求，促使企业不断提升资金相关数据的质量，管理严谨水平不断提高；再次，资金决策支持分析模型提供了更加精益的系统支撑。系统从融资规模、时点、长短期比例、费用等多维度分析，出具可视化融资决策选择方案，并且时时监控资金风险，深化资金安全管理；最后，该系统有利于财务管理和业务管理的深度融合，提升整个企业的管理水平。利用大数据思想，挖掘财务数据、业务数据、外部数据和其他数据的关系，不仅提升资金集中管理价值，还提升了整个企业的价值。
2　数据分析的应用研究
　　从科技文献资料可以看到，国内外已经有不少关于企业财务报告、经营管理行为、经济环境因素变化等信息数据分析在企业风险管理领域的应用研究。主要有供应链管理领域的信用风险管理，银行等金融行业的信用风险管理，特定行业的市场风险、经营风险管理，企业财务风险、会计舞弊风险、审计风险等管理领域。
2.1　供应链领域的风险管理应用
 
　　供应链融合物流、资金流、信息流，是企业生存发展的重要支撑。但由于供应链参与主体多、交易环节多，还常涉及不同地域的法律、市场环境等多种因素，使供应链管理在时间、质量、成本等多目标约束下面临着多种风险。例如，来自供应商等交易伙伴的信用风险就是主要风险之一。张存禄等介绍了数据挖掘在供应商风险管理中的应用 ，其核心思想是在供应商特征属性的客观统计资料中提取相关数据，采用信息增益分析方法进行相关分析，为评价和选择供应商提供决策依据。谢江林等也介绍了数据挖掘在供应链金融风险控制中的应用，主要采用描述性数据挖掘中“维相关分析方法”，通过分析高还款风险经销商的企业规模等特征属性来预测、判断其还款能力。
2.2　银行等金融领域的风险管理应用
　　风险管理在各国的银行、、保险等金融行业发展较为成熟。评估企业或个人客户的信用风险是银行业风险管理的主要内容之一。于立勇认为传统的信用风险评估模式所反映的有限信息不能充分满足信贷风险决策需求，提出可以把信用风险度作为衡量标准，利用人工神经网络构建银行信用风险评估预测模型；使用基于Levenberg-Marguardt 算法的前向神经网络模型，以某商业银行信贷业务数据为例进行实证分析，证明这种方法可以更为客观、准确地评估信用风险。陈为民等在以往研究的基础上提出了针对信用卡客户信用数据分析的“两阶段混合数据挖掘方法”，构建了一个包括自组织神经网络聚类和支持向量机分类两阶段的神经网络信用风险管理模型，并通过实证分析介绍了模型应用。
2.3　特定商品市场的风险管理应用
　　
　　随着各国政府的市场监管日益成熟，许多在境内外上市的中国企业已经建立了较好的风险管理体系，尤其是中央直属的电力、能源、电信行业中的国有企业。商品贸易是中国五矿的一项主要经营业务，该企业在“中央企业管理提升活动”中介绍了其采用风险量化手段管理市场风险的相关经验。以影响钢材等商品市场价格的相关因素分析为基础，其市场风险量化模型包括敞口头寸、浮动盈亏（MtM）、敏感性分析和在险价值（VaR）四个部分，是以商品价格体系和业务持仓结构为数据基础，通过量化估值来评估市场风险。
　　电价是同时影响电网企业购电成本和供售电收入的主要因素，电价波动是电网企业面临的主要经营风险。开展电价风险分析对于电网企业来说非常重要 。凯发k8天生赢家一触即发软件在参与某省电力公司承接的国家电网公司“经营风险管控体系研究”课题中，通过构建多目标管理的指标体系，把影响电价的上下游多种因素融合到电价风险关联关系分析模型中，利用蒙特卡洛模拟对大量指标数据进行仿真测算，实现对电价风险目标水平的概率估计。
2.4　企业财务、审计及信息化领域的风险管理应用
　　　　
　　企业的资金管理等财务风险、会计舞弊相关的审计风险也是国内外企业风险管理的一个焦点。王会金根据美国信息系统审计与控制协会发布的信息及相关技术的控制目标（简称COBIT）相关要求，提出了应用数据挖掘技术构建中观信息系统审计风险控制体系的构想，阐述了设计控制框架与明细控制标准，确定具体挖掘流程及风险控制原型系统，从而整合成为完整体系的过程。管理信息化产生的数据库是数据分析的重要基础，但同时也带来了信息保密性、完整性和可用性等安全属性问题。赵冬梅等研究了利用反向传播神经网络（BP网，一种人工神经网络）进行信息安全风险评估，并结合案例介绍了风险评估流程和步骤，认为这种非线性方法克服了主观性等人为因素，更为简单、高效、客观 。
3　结语
　　　　
　　从宏观经济环境的不规则波动及其全球化蔓延，到企业中、微观环境的复杂多变，以及信息数据的异质性、高度非线性等现实问题，有很多因素影响着企业风险管理量化分析模型的准确性和有效性。通过数据分析的应用研究及案例分析可以看到，数据挖掘、大数据分析等新技术的应用正在多方面提升企业的风险管理能力。数据分析从实际市场环境中提取相关真实数据，大大降低了主观性对风险评估的影响，也使风险管理与实际业务结合得更加紧密。
　　随着信息技术及企业管理信息化的发展，经济大环境已经进入了大数据时代。展望未来，数据分析将在企业经营管理中更多的领域中发挥更大的作用。在经济领域，数据分析不仅能够在煤炭、钢材、石油、电力等单一要素商品市场风险预测与管理方面发挥作用，还会在多种相关要素联动风险分析方面发挥作用，例如用电量对经济活跃度的预测分析等，也将使克强指数等经济分析工具的准确性和适用性得到改善，为企业的战略风险管理提供决策参考。
　　但数据分析也面临许多应用的局限性。例如，企业的信息化基础。大数据分析主要应用于管理信息化应用与发展较为成熟的领域。如果管理信息化基础薄弱、有效数据不足或数据获取、处理的技术有限，都将使数据分析的应用受到限制。因而，面对信息技术革命带来的机遇与挑战，企业要快速推广管理信息化，提高数据信息的分析技术，使风险管理更为精细化，推动企业管理的全面提升。（此文主要内容选编自杨智勤的博士后研究工作报告)