财务数据分析应用实战 购买课程 ¥998.00
Peixun.net > DVD > 财会 > 财务数据分析应用实战

财务数据分析应用实战

满意程度:     课程系列:A5
课时:20 分钟| 9人学习 分享 收藏
视频课程,购买后点击课程章节在线观看,自购买开通之日起1年内不限次观看。

财务数据分析应用实战

1 审时度势提出目标任务的能力

1-1 背景介绍、分析逻辑(可试听)立即播放

1-2 分析现状以及发展趋势

2 围绕目标任务组织数据的能力

2-1 基本原则、数据源(核心数据)

2-2 数据源(跨界数据、互联网数据)

2-3 数据采集与存储

2-4 数据整理

2-5 数据质量分析

3 基于良好的素养构建模型的能力

3-1 主要思路、分析环境、分析目标、样本分组

3-2 数据处理(原理介绍)

3-3 数据处理(程序演示)

3-4 样本选择

3-5 模型构建:神经网络、决策树

3-6 模型构建:支持向量机、K近邻回归

3-7 模型构建:随机森林基本原理

3-8 模型构建:随机森林程序实例(上)

3-8 模型构建:随机森林程序实例(中)

3-8 模型构建:随机森林程序实例(下)

3-9 模型构建:五折交叉检验程序实例

3-10 模型构建:时间序列

3-11 模型构建:贝叶斯网络

3-12 模型构建:关联规则分析1

3-13 模型构建:关联规则分析2

3-14 模型构建:文本挖掘

3-15 附加价值:随机森林变量重要性等

3-16 总结-案例的主程序介绍

4 对输出结果的专业解析与呈现能力

4-1 分层次的专业化展现

4-2 大数据可视化展现

5.总结


财务行为是企业经济活动的重要维度,随着时代的变迁、企业发展以及财会制度的演进,财会分析的视角、对象、方法等也在不断改进,在大数据时代,财会分析的流程以及要点在哪里?进行财会分析应具备哪些素质?

1课程介绍。

课程系统地提出了财会分析应具有四大能力:第一,审时度势提出目标任务的能力。要求深度了解财会分析的背景、逻辑、现状以及发展趋势;第二,围绕目标任务组织数据的能力。从组织数据的基本原则、数据源的界定、数据采集与存储、数据整理、数据质量分析五个方面系统阐述了财会数据的整备问题;第三,基于良好的素养构建模型的能力。从主要思路、分析环境、分析目标、样本分组、样本处理、样本选择、模型构建以及附加价值等方面进行了系统阐述。第四,对输出结果的专业解析与呈现能力,主要体现在分层次的专业化展现和大数据可视化展现两个方面。


1 审时度势提出目标任务的能力

1-1 背景介绍、分析逻辑、分析现状以及发展趋势

背景介绍:对财会边界以及财会分析发展所处的阶段进行了简单介绍,指出财会大数据分析是新时期财会人员的使命和担当。

分析逻辑:介绍了财会分析的核心以及分析维度,强调机器学习是财会大数据分析的重点考虑的核心方法之一。

分析现状以及发展趋势:系统梳理了财会数据分析的指标法、经典方法、传统方法以及前沿方法,比较了各方法的优劣。最终,提出了“指标-模型-指标”和“以经典方法做指导、前沿方法为核心、以传统方法为佐证”的财会分析新思路。


2 围绕目标任务组织数据的能力

2-1 基本原则、数据源(核心数据)

基本原则:指出财会数据采集要本着实事求是、稳步推进、持续优化的原则,盲目地、高耗地采集数据是不可取的,应该要讲求科学性。

数据源:在厘清财会数据来源的基础上,讲解了财会数据分析的核心数据(财务报表、ERP、CRM等)的取得途径以及数据自身的约束。

2-2 数据源(跨界数据、互联网数据)

在厘清财会数据来源的基础上,讲解了财会数据分析的跨界数据(工商数据、税务数据、银行数据、法院数据等)、互联网数据(新闻信息、招标信息、政策信息、同业信息等)的来源以及数据存在的约束。

2-3 数据采集与存储

   在介绍财会数据抽取(sql)和抓取(爬虫)基本原理的基础之上,介绍了数据采集之后的数据存储格式(XML、json、csv等)以及数据库(Sqlsever、oracle、Mongodb、ES、hadoop、人大金仓等)的基本知识,。

2-4 数据整理

  介绍了结构化数据、非结构化数据整理的基本原理、工具和方法。结构化数据主要介绍了数据整理的SQL方法、python方法和R方法,非结构化数据简单介绍了文本、图像、声音、视频的数据情况。

2-5 数据质量分析

 概括了数据质量分析主要区分为业务角度和统计角度。基于2015年度新三板企业数据,重点介绍了统计角度中连续变量零空值的分布统计、分类变量summary的统计分布两种数据质量分析方法,并附于R程序演示,建议数据质量分析应形成数据质量分析报告。

  数据1:新三板企业数据。


3 基于良好的素养构建模型的能力

3-1 主要思路、分析环境、分析目标、样本分组

主要思路:介绍财会大数据分析的核心是构建因变量和自变量之间的关系,并基于该关系进行相关预测。

分析环境:重点介绍了大数据分析中比较流行的两种语言:R与Python的基本情况并比较了两者的优缺点。

分析目标:介绍了本课程主案例的分析对象(我国9309户新三板企业数据)、Y变量(因变量)的定义、Y变量设置方法以及Y变量的统计描述。

样本分组:强调了样本量过大情况下样本分组的必要性,概括了样本分组主要区分为有监督分组和无监督分组的方法,并以K-means作为例子介绍了新三板企业数据无监督分组的方法并附于R程序演示。

  数据2:新三板企业数据。

3-2 数据处理(原理介绍)

      概括了数据处理主要区分为连续变量和分类变量两种类型,介绍了两种类型数据处理的基本原理。

3-3 数据处理(程序演示)

 以R程序演示为例,基于2015年度新三板企业数据,重点讲解了运用简单统计的方法做了分类变量的比例统计,实现了财会数据分类变量过多的处理;运用中心插值(centralImputation的)的方法做了连续变量的处理,实现了财会数据缺失的弥补。

  数据3:新三板企业数据。

3-4 样本选择

强调了财会大数据分析寻找可信赖的样本的重要性,主要区分为经验逻辑和数据逻辑,以R程序演示为例,介绍了随机森林取交集或并集的方法进行样本筛选,从而实现理想训练集的构建过程。

  数据4:新三板企业数据。

3-5 模型构建:神经网络、决策树

    在构建核心模型之前,为更多介绍模型和便于模型选择,介绍了机器学习之常用神经网络、决策树的基本原理、构建方法并以历史财税数据分析作为应用举例,最后评述了神经网络、决策树算法在财会数据分析中的优劣。

3-6 模型构建:支持向量机、K近邻回归

    在构建核心模型之前,为更多介绍模型和便于模型选择,介绍了机器学习之常用支持向量机、K近邻回归的基本原理、构建方法并以历史财税数据分析作为应用举例,最后评述了支持向量机、K近邻回归算法在财会数据分析中的优劣。

3-7 模型构建:随机森林基本原理

    介绍了本课程主案例的核算机器学习算法随机森林的基本原理、使用方法,总结了随机森林在财会大数据分析中的优势。

3-8 模型构建:随机森林程序实例

      基于2015年度新三板企业数据,详细介绍了财会大数据横向分析随机森林R程序的配置和实现过程,实现了财会科目(比如,营业利润)的预测。

  数据5:新三板企业数据。

3-9 模型构建:五折交叉检验程序实例

    以五折交叉检验为例,基于2015年度新三板企业数据,详细介绍了随机森林、R程序的标准化均方误差的计算过程以及模型检验的基本原理。

  数据6:新三板企业数据。

3-10 模型构建:时间序列

      基于某阶段股票涨跌数据,以时间序列ARIMA方法为例,实现了企业股票价格的波动性分析,详细介绍了财会大数据分析纵向分析之时间序列的基本原理、应用场景以及R语言实现过程。

  数据7:股票涨跌数据。

3-11 模型构建:贝叶斯网络

    基于2015年度新三板企业数据,以贝叶斯网络方法做了会计科目之间因果推理,介绍了财会大数据分析之贝叶斯网络的基本原理、应用场景以及R语言实现过程。

  数据8:新三板企业数据。

3-12 模型构建:关联规则分析1

    详细介绍了财会大数据分析之关联规则的基本原理、应用场景。

3-13 模型构建:关联规则分析2

    基于创业板数据,用了关联规则分析的方法做了研发强度和其他要素之间的关系分析,实现了财会科目相关性分析,详细介绍了财会大数据分析之关联规则的R程序实现过程。

  数据9:创业板企业数据。

3-14 模型构建:文本挖掘

    基于互联网抓取的部分食品内容和非视频内容数据,以贝叶斯方法做了文本信息分析,介绍了文本挖掘的基本原理、应用场景以及R语言实现过程。

  数据10:互联网数据。

3-15 附加价值:随机森林变量重要性等

      介绍了上述视频3-8随机森林模型构建过程中,模型所输出的随机森林变量重要性、localImp、proximity部分信息的内容以及所带来的财会数据分析中的价值。

3-16 总结-案例的主程序介绍

以数据分析R程序工程化、标准化为原则,基于2015年新三板企业数据,从源数据(读取)、(参数)输入、主程序、(结果)输出四个维度,系统总结了本课程主案例的源数据读取、数据处理、随机森林模型训练预测、模型检验、结果输出等过程,呈现了财会数据分析完整的过程,构建了财会大数据分析的通用R语言程序框架。

  数据11:新三板企业数据。


4 对输出结果的专业解析与呈现能力

4-1 分层次的专业化展现

总结了财会大数据分析应最终所呈现出四个层次:科目级、指标级、报告级、方案级的分层次的专业性报表,并基于上述分析的结果,简单介绍了上述四个层次的展现方式。在指标级中,以层次分析法为例,介绍了指标赋予权重的方法并附于R程序实现过程。

4-2 大数据可视化展现

课程强调可视化也是财会大数据分析的重要环节和呈现形式,可视化分为四个级别:初级、中级、高级、专家级。以R实现专家级可视化为例,详细介绍了基于R进行简单画图和复杂画图的方法,重点讲述了如何运用R的rechart方法进行盒形图、中国地图、热力图、蛛网图、词云图的画图方法,从而实现财会数据可视化展现的目标,

  数据12:新三板企业数据。

5.总结

 系统回顾了财会大数据分析所应有的四大能力:第一,审时度势提出目标任务的能力;第二,围绕目标任务组织数据的能力;第三,基于良好的素养构建模型的能力;第四,对输出结果的专业解析与呈现能力。总结,财会分析需要跨界知识,诸如计算机、统计学、财务会计等,但也是有规律可循的,希望,通过本课程我们一起打开财会大数据分析的大门,并沿着正确的方向走得更加深远。

附数据介绍:

  数据1:新三板企业数据。

  数据2:新三板企业数据。

  数据3:新三板企业数据。

  数据4:新三板企业数据。

  数据5:新三板企业数据。

  数据6:新三板企业数据。

  数据7:股票涨跌数据。

  数据8:新三板企业数据。

  数据9:创业板企业数据。

  数据10:互联网数据。

  数据11:新三板企业数据。

  数据12:新三板企业数据。


2、讲师介绍

孙存一

中国人民大学博士、北京大学博士后

中国人民大学金融与财税电子化研究所 特邀研究员

中央财经大学税务管理中心 特邀研究员

北邮在线金融科技研究院 特邀研究员

CDA数据分析师 特邀讲师

发改委大讲堂 特邀研究员

在核心期刊公开发表行业大数据专著论文十余篇

具有县级、省市级、国家级十余年政府部门、企业工作经验,参与主持国家、部委、总局、企业等大型财税、金融大数据项目几十个,已推广应用大数据、金融、财税、医学领域智能引擎十余个。


3、方法介绍。

大数据时代,什么是财会分析的最优方法呢?一种是以“理论为导向”的模型构建方法(包括指标法),基于经济学中理性假设的角度用经济学原理分析,从思维方式上看是演绎,称之为“数学模型”;一种是以“数据为导向”的模型构建方法,从数据的特征规律出发,以算法原理捕捉到数据之间的相关性,从思维方式上看是归纳,称之为“算法模型”。本课程提出“以经典方法为指导、以前沿方法为核心、以主流方法为辅助”的财会分析新思路,重点阐述了机器学习方法在财会分析中的重要性并辅以完整案例的实证分享。


4、软件介绍。

R语言。R是统计领域广泛使用的语言之一,诞生于1980年左右的S语言的一个分支,R是自由、免费、源代码开放的软件,统计学家通过R代码和包交流想法和概念,R语言社区总是在不断地添加新的软件包和功能,逐渐让R语言拥有强大完善的的生态系统。R是各国统计领域的主要教学和研究软件,已经成为了数据科学家的宠儿以及各国统计学家展示自己方法的首要平台,企业界开始越来越接受R。


5、用户对象。

用户对象:财会分析人员、数据分析人员


6、预期达到的学习效果

(1)、了解新形势下财会大数据分析的目标任务、职责定位以及发展趋势;

(2)、掌握财会大数据分析的分析视角、分析逻辑、分析方法、结果解读以及生成报告的方法;

(3)、熟知财会领域的数据采集、数据处理、模型构建、结果展现的内在机理,特别是机器学习算法的模型构建思路;

(4)、学会R语言的基础理论、学习方法、进阶路线以及环境配置、程序包检索和加载、数据读入写出、运算符与表达式、函数与模块、模型构建、图形展示、异常处理等知识。


7、培训优惠:

(1)同时报两个班及以上,9折优惠

(2)为学员在论坛开设"统计软件培训班答疑区",提供独享的疑难解答和经验交流,授课老师负责回答。


8、报名咨询

曾老师

电话:(010)68472925
QQ:
619492407619492407
邮箱: training@pinggu.org

课程订阅

讲师介绍


Peixun.net

财务数据分析应用实战

请认真填写以下信息,方便为您服务
  • 姓名:
  • 电话:
  • 邮箱:
  • 备注:
  • 邀请码:
  • 您还可以选择 登录 或者 注册 更方便您管理课程。

Peixun.net

您关于:

财务数据分析应用实战

的报名信息已经提交成功。

去购物车结算
您可以选择 登录 或者 注册 更方便您管理课程。
回头再说
微信扫码二维码
关注经管云课堂服务号

邮件已发送!

已成功发送邮件到您注册的邮箱 请前往查询并点击链接重置密码

有待解答的问题

3 名学员对您的课程提问,需要您作出回答。 现在就去