CN117910801A - 一种基于大数据的财务数据管理方法 - Google Patents
一种基于大数据的财务数据管理方法 Download PDFInfo
- Publication number
- CN117910801A CN117910801A CN202410087513.4A CN202410087513A CN117910801A CN 117910801 A CN117910801 A CN 117910801A CN 202410087513 A CN202410087513 A CN 202410087513A CN 117910801 A CN117910801 A CN 117910801A
- Authority
- CN
- China
- Prior art keywords
- financial
- data
- module
- analysis
- month
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000013523 data management Methods 0.000 title claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 56
- 238000013439 planning Methods 0.000 claims abstract description 43
- 238000007726 management method Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000003993 interaction Effects 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 238000013058 risk prediction model Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 5
- 238000007727 cost benefit analysis Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000005206 flow analysis Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 239000013070 direct material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003571 electronic cigarette Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于财务管理技术领域，具体为一种基于大数据的财务数据管理方法。本发明利用财务管理风险预测模块实现对财务的管理，财务管理风险预测模块是通过神经网络模块计算得出，计算所需要的数据来自于财务管理中的财务数据采集模块、分析模块和预算规划模块，是财务管理过程中的实际数据，包括了历史数据、实际财务金额、通过市场和财务数据得出的财务分析档案以及根据财务分析后的财务预算规划档案，综合了全部的财务数据，再通过该数据来预测未来的月度和季度财务管理方向，再与预警阈值进行比对，通过结果，来实现财务管理过程中，对财务金额数据、分析数据和预算规划数据的更新与优化，实现财务最佳管理。
Description
技术领域
本发明属于财务数据管理技术领域，具体为一种基于大数据的财务数据管理方法。
背景技术
财务管理是在一定的整体目标下，关于资产的购置(投资)，资本的融通(筹资)和经营中现金流量(营运资金)，以及利润分配的管理。财务管理是企业管理的一个组成部分，它是根据财经法规制度，按照财务管理的原则，组织企业财务活动，处理财务关系的一项经济管理工作。
大数据能够记录了企业财务的实时数据，包括财务交易数据，利用财务数据能够对企业的财务状况进行分析，再利用分析的结果，对企业财务的预算和规划进行探讨，目前，很多企业无法根据历史数据以及各种分析报告，有效的对企业财务进行管理，企业的历史数据以及各种分析报告，对企业的未来管理没有得到借鉴和指示，但是，企业的历史数据是对该企业最具备针对性的财产，他对企业的财务管理方向十分关键，因此，针对该问题，本发明整合了企业的实际交易数据、以及根据交易数据得到的分析报告和规划报告，通过整合的数据，与企业最佳运作方向进行比对，可以对企业未来的财务管理方向进行预警，再通过预警，对企业财务数据的处理进行反馈，以此得出企业发展的最佳指示。
发明内容
为解决现有技术中电子烟油的检测需要进行开瓶吸取的问题，本发明提供了一种基于大数据的财务数据管理方法，通过构建神经网络模型和人机交互模型，将企业财务数据转换成数学向量，再通过公式计算，可以对企业未来的财务管理方向进行预警，再通过预警，对企业财务数据的处理进行反馈，以此得出企业发展的最佳指示。
为实现上述目的，具体技术方案如下：
一种基于大数据的财务数据管理方法，包括
财务数据采集模块，用于采集和更新成本数据和交易数据，成本数据包括生产成本和非生产成本，交易数据包括资金流数据和盈利与损失数据；
分析模块，用于执行财务分析流程，流程包括：收集财务数据，用收集到的数据计算各种财务比率、财务趋势分析，对历史财务数据进行水平分析和垂直分析、现金流量分析，分析现金流量表，关注现金的流入和流出、盈利能力分析、成本-效益分析，对企业的投资和决策进行成本-效益分析、竞争分析，与同行业或竞争对手进行财务比较分析；
预算规划模块，利用分析模块了解各项财务指标在一段时间内的变化趋势，并评估其相对比例，评估企业的现金管理状况，评估企业的盈利能力，以了解企业的盈利能力和经济效益，基于历史数据和市场趋势，进行财务预测，同时制定财务规划和预算，设定未来的财务目标，权衡投资的成本与预期效益，确保资源的有效利用，了解企业在市场中的相对地位和竞争力，评估企业面临的各种财务风险，包括市场风险、信用风险；
财务管理风险预测模块，收集财务数据采集模块、分析模块、预算规划模块的文本数据，使用TF-IDF将每个文本转换成数学向量，分别令Xa、Yb、Zc表示财务数据采集模块、分析模块、预算规划模块中的第a、b、c个文本的数学表示；
定义财务风险级别的阈值指数为γ1、γ2、γ3，γ1、γ2、γ3分别为低风险、中风险和高风险的阈值；
构建神经网络模型，对Xa、Yb、Zc参数特征提取，并计算得出风险预测指数ρ，计算出的风险预测指数ρ与财务风险阈值进行比对；
构建神经网络的数学公式为：
其中，Xa、Yb、Zc分别表示神经网络的三个输入端，分别表示财务数据采集模块、分析模块、预算规划模块的风险类型参数特征，L为风险的时间序列，/>分别表示财务数据采集模块、分析模块、预算规划模块在不同时间序列下的数学向量，为风险预测模型参数；
风险预测模型参数涉及到最小化损失函数，计算方法如下：
其中，m分别为财务数据采集模块、分析模块、预算规划模块中文本数据的训练样本数量，分别表示模型第i个样本的向量特征值，γ1为低风险阈值；
通过梯度下降优化算法，我们得到模型参数θ的过程如下：
风险预测指数ρ的计算公式为：
人机交互模块，对财务风险预测结果通过人机交互终端进行显示，并根据预测结果进行财务预警，对财务管理风险预警的判断标准为：
当风险预测指数ρ≧财务风险阈值γ时，拉响财务预警通知，当风险预测指数ρ<财务风险阈值γ时，不通知，通知结果直接通过人机交互终端进行显示。
2.根据权利要求1所述的一种基于大数据的财务数据管理方法，其特征在于：构建所述的神经网络数学公式时，公式中L为月度时间序列，计算L的步骤如下：
S1：提取每月中财务数据采集模块、分析模块、预算规划模块的Xa、Yb、Zc，统一用U进行表示，分别将每月中U的大小从低到高进行排序，得到等级序列；
S2：将等级序列中的第一个标记为1，将等级序列内的第二个等级标记为2，将等级序列内的第三个等级标记为3，以此类推，完成所有等级序列的标记；
S3：计算每月中U的权重，计算公式如下：
上式中，Ui表示第i月中U的权重，表示第i月中的Xa、Yb、Zc的均值，/>表示第i月中的Xa、Yb、Zc的标准差；
S4：提取历史月份的Xa、Yb、Zc，并通过以下公式计算月份变化率：
S5：根据每月的权重，计算L，计算公式如下：
与现有技术相比，本发明的有益效果至少在于：
本发明利用财务管理风险预测模块实现对财务的管理，财务管理风险预测模块是通过神经网络模块计算得出，计算所需要的数据来自于财务管理中的财务数据采集模块、分析模块和预算规划模块，是财务管理过程中的实际数据，包括了历史数据、实际财务金额、通过市场和财务数据得出的财务分析档案以及根据财务分析后的财务预算规划档案，综合了全部的财务数据，利用该数据计算得到的财务风险预测数据，该数据受到月度财务数据以及季度财务数据的直接影响，再通过该数据来预测未来的月度和季度财务管理方向，再与预警阈值进行比对，通过结果，来实现财务管理过程中，对财务金额数据、分析数据和预算规划数据的更新与优化，实现财务最佳管理。
附图说明
图1是本发明财务数据管理预警方法示意图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
参考图1，本发明旨在提供了一种基于大数据的财务数据管理方法，包括
财务数据采集模块，用于采集和更新成本数据和交易数据，成本数据包括生产成本和非生产成本，具体包括直接材料成本、直接人工成本、制造费用、销售和营销费用、行政费用、研发成本以及财务费用，交易数据包括资金流数据和盈利与损失数据，具体包括销售交易、采购交易、收款和付款交易、资本支出交易、财务活动、费用支付、库存交易以及税务交易；
分析模块和预算规划模块，用于执行财务分析流程，流程包括：
收集财务数据：收集企业的财务报表，包括资产负债表、利润表、现金流量表等，这些报表提供了企业在一定时间内的财务信息；
财务比率分析：使用财务比率对企业的不同方面进行评估，比率包括流动比率、速动比率、负债比率、毛利率、净利润率等，可以帮助评估企业的流动性、偿债能力、盈利能力等方面；
趋势分析：比较企业在不同时间点的财务数据，分析财务指标的变化趋势，这有助于识别潜在的问题或改善迹象；
竞争对标分析：将企业的财务表现与同行业其他企业进行比较，了解企业在行业中的地位和竞争力；
现金流量分析：通过分析现金流量表，评估企业的现金流动状况，判断企业是否能够满足短期和长期的支付能力；
成本-收益分析：分析企业的成本结构，了解不同成本组成对盈利能力的影响，寻找降低成本和提高效益的机会；
风险分析：评估企业面临的财务风险，包括市场风险、信用风险、流动性风险等，以便采取相应的风险管理措施；
上述的各项财务分析数据，是财务管理的重要指标，有助于深入了解财务状况和业务绩效。
预算规划模块，是基于上面的分析模块，在一定时期内为实现其战略目标而制定的财务计划和安排，包括以下方面：
销售预算：预测和规划企业在未来一定时期内的销售收入，销售预算是其他预算的基础，对于制定生产、采购和市场营销计划至关重要；
生产预算：根据销售预算和生产能力，制定生产计划，包括生产数量、生产时间表以及所需的原材料和人力资源；
成本预算：预测和规划企业在生产和运营过程中的各项成本，包括直接材料成本、直接人工成本、制造费用、销售和营销费用、行政费用等；
现金预算：预测企业在未来一段时间内的现金流动状况，包括预计的收入、支出、债务偿还和投资活动，以确保企业能够维持足够的现金流动性；
投资预算：规划和安排企业在未来期间内的资本支出，包括购买新设备、扩建、研发等投资项目；
财务预算：整合上述各项预算，形成全面的财务计划，包括预测利润、资产负债表、现金流量表等。
财务管理风险预测模块，具体的，包括如下步骤：
构建财务词汇表：建立一个包含财务领域相关术语的词汇表，词汇表包含各种财务术语或者人为提取的关键词；
收集财务数据采集模块、分析模块、预算规划模块的文本数据，将需要分析的文字数据进行清洗，每个模块分开清洗，值得注意的是，需要去除停用词(如“and”、“the”等)、标点符号和其他噪声文字，并进行词干提取或词形还原；
使用TF-IDF将每个文字数据单词映射到一个高维空间的数学向量，分别令Xa、Yb、Zc表示财务数据采集模块、分析模块、预算规划模块中的第a、b、c个文本的数学表示；
值得注意的是，TF-IDF考虑的是单词在整个文本数据中的重要性，而不仅仅是频率，它是通过计算每个单词的TF-IDF值，从而将文字数据表示为一个数学向量；
定义财务风险级别的阈值指数为γ1、γ2、γ3，γ1、γ2、γ3分别为低风险、中风险和高风险的阈值；
构建神经网络模型，对Xa、Yb、Zc参数特征提取，并计算得出风险预测指数ρ，计算出的风险预测指数ρ与财务风险阈值进行比对；
预警阈值的计算公式为：
上式中，γ为预警阈值，ε为敏感系数，为神经网络模型预警反馈的灵敏度，p为财务数据采集模块、分析模块、预算规划模块中独立模块的神经网络输出节点数，q为财务数据采集模块、分析模块、预算规划模块中对应模块的神经网络输入节点数，为财务数据采集模块、分析模块、预算规划模块中对应模块的神经网络单节点输出值；
构建神经网络的数学公式为：
其中，Xa、Yb、Zc分别表示神经网络的三个输入端，分别表示财务数据采集模块、分析模块、预算规划模块的风险类型参数特征，L为风险的时间序列，/>分别表示财务数据采集模块、分析模块、预算规划模块在不同时间序列下的数学向量，为风险预测模型参数；
风险预测模型参数涉及到最小化损失函数，计算方法如下：
其中，m分别为财务数据采集模块、分析模块、预算规划模块中文本数据的训练样本数量，分别表示模型第i个样本的向量特征值，γ1为低风险阈值；
通过梯度下降优化算法，我们得到模型参数θ的过程如下：
风险预测指数ρ的计算公式为：
人机交互模块，对财务风险预测结果通过人机交互终端进行显示，并根据预测结果进行财务预警，对财务管理风险预警的判断标准为：
当风险预测指数ρ≧财务风险阈值γ时，拉响财务预警通知，当风险预测指数ρ<财务风险阈值γ时，不通知，通知结果直接通过人机交互终端进行显示。
实施例一：
构建所述的神经网络数学公式时，公式中L为月度时间序列，计算L的步骤如下：
S1：提取每月中财务数据采集模块、分析模块、预算规划模块的Xa、Yb、Zc，统一用U进行表示，分别将每月中U的大小从低到高进行排序，得到等级序列；
S2：将等级序列中的第一个标记为1，将等级序列内的第二个等级标记为2，将等级序列内的第三个等级标记为3，以此类推，完成所有等级序列的标记；
S3：计算每月中U的权重，计算公式如下：
上式中，Ui表示第i月中U的权重，表示第i月中的Xa、Yb、Zc的均值，/>表示第i月中的Xa、Yb、Zc的标准差；
S4：提取历史月份的Xa、Yb、Zc，并通过以下公式计算月份变化率：
S5：根据每月的权重，计算L，计算公式如下：
将计算出的L代入式①中，利用式①得到代入到式④中，利用式②和式③计算得出的θ代入到式④中，最终得出当月的财务数据采集模块、分析模块、预算规划模块的风险预测指数ρ，将计算出的ρ分别与γ1、γ2、γ3进行比对：
当ρ<γ1时，不预警；
当γ1<ρ<γ2时，显示白色预警，并通过人机交互模块中的无线通信进行预警信息的传递；
当γ2<ρ<γ3时，显示黄色预警，并通过人机交互模块中的无线通信进行预警信息的传递；
当ρ>γ3时，显示红色预警，并通过人机交互模块中的无线通信进行预警信息的传递。
实施例二：
本实施例与实施例一的区别在于，构建所述的神经网络数学公式时，公式中L为季度时间序列，计算L的步骤如下：
S1：提取每季中财务数据采集模块、分析模块、预算规划模块的Xa、Yb、Zc，统一用U进行表示，分别将每月中U的大小从低到高进行排序，得到等级序列；
S2：将等级序列中的第一个标记为1，将等级序列内的第二个等级标记为2，将等级序列内的第三个等级标记为3，以此类推，完成所有等级序列的标记；
S3：计算每季中U的权重，计算公式如下：
上式中，Ui表示第i季中U的权重，表示第i季中的Xa、Yb、Zc的均值，/>表示第i季中的Xa、Yb、Zc的标准差；
S4：提取历史季度的Xa、Yb、Zc，并通过以下公式计算季度变化率：
S5：根据每季的权重，计算L，计算公式如下：
将计算出的L代入式①中，利用式①得到代入到式④中，利用式②和式③计算得出的θ代入到式④中，最终得出当季的财务数据采集模块、分析模块、预算规划模块的风险预测指数ρ，将计算出的ρ分别与γ1、γ2、γ3进行比对：
当ρ<γ1时，不预警；
当γ1<ρ<γ2时，显示白色预警，并通过人机交互模块中的无线通信进行预警信息的传递；
当γ2<ρ<γ3时，显示黄色预警，并通过人机交互模块中的无线通信进行预警信息的传递；
当ρ>γ3时，显示红色预警，并通过人机交互模块中的无线通信进行预警信息的传递。
应当理解，虽然本说明书按照实施例加以描述，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于大数据的财务数据管理方法，其特征在于，包括
财务数据采集模块，用于采集和更新成本数据和交易数据，成本数据包括生产成本和非生产成本，交易数据包括资金流数据和盈利与损失数据；
分析模块，用于执行财务分析流程，流程包括：收集财务数据，用收集到的数据计算各种财务比率、财务趋势分析，对历史财务数据进行水平分析和垂直分析、现金流量分析，分析现金流量表，关注现金的流入和流出、盈利能力分析、成本-效益分析，对企业的投资和决策进行成本-效益分析、竞争分析，与同行业或竞争对手进行财务比较分析；
预算规划模块，利用分析模块了解各项财务指标在一段时间内的变化趋势，并评估其相对比例，评估企业的现金管理状况，评估企业的盈利能力，以了解企业的盈利能力和经济效益，基于历史数据和市场趋势，进行财务预测，同时制定财务规划和预算，设定未来的财务目标，权衡投资的成本与预期效益，确保资源的有效利用，了解企业在市场中的相对地位和竞争力，评估企业面临的各种财务风险，包括市场风险、信用风险；
财务管理风险预测模块，收集财务数据采集模块、分析模块、预算规划模块的文本数据，使用TF-IDF将每个文本转换成数学向量，分别令Xa、Yb、Zc表示财务数据采集模块、分析模块、预算规划模块中的第a、b、c个文本的数学表示；
定义财务风险级别的阈值指数为γ1、γ2、γ3，γ1、γ2、γ3分别为低风险、中风险和高风险的阈值；
构建神经网络模型，对Xa、Yb、Zc参数特征提取，并计算得出风险预测指数ρ，计算出的风险预测指数ρ与财务风险阈值进行比对；
构建神经网络的数学公式为：
其中，Xa、Yb、Zc分别表示神经网络的三个输入端，分别表示财务数据采集模块、分析模块、预算规划模块的风险类型参数特征，L为风险的时间序列，/>分别表示财务数据采集模块、分析模块、预算规划模块在不同时间序列下的数学向量，为风险预测模型参数；
风险预测模型参数涉及到最小化损失函数，计算方法如下：
其中，m分别为财务数据采集模块、分析模块、预算规划模块中文本数据的训练样本数量，分别表示模型第i个样本的向量特征值，γ1为低风险阈值；
通过梯度下降优化算法，我们得到模型参数θ的过程如下：
风险预测指数ρ的计算公式为：
人机交互模块，对财务风险预测结果通过人机交互终端进行显示，并根据预测结果进行财务预警，对财务管理风险预警的判断标准为：
当风险预测指数ρ≧财务风险阈值γ时，拉响财务预警通知，当风险预测指数ρ<财务风险阈值γ时，不通知，通知结果直接通过人机交互终端进行显示。
2.根据权利要求1所述的一种基于大数据的财务数据管理方法，其特征在于：构建所述的神经网络数学公式时，公式中L为月度时间序列，计算L的步骤如下：
S1：提取每月中财务数据采集模块、分析模块、预算规划模块的Xa、Yb、Zc，统一用U进行表示，分别将每月中U的大小从低到高进行排序，得到等级序列；
S2：将等级序列中的第一个标记为1，将等级序列内的第二个等级标记为2，将等级序列内的第三个等级标记为3，以此类推，完成所有等级序列的标记；
S3：计算每月中U的权重，计算公式如下：
上式中，Ui表示第i月中U的权重，表示第i月中的Xa、Yb、Zc的均值，/>表示第i月中的Xa、Yb、Zc的标准差；
S4：提取历史月份的Xa、Yb、Zc，并通过以下公式计算月份变化率：
S5：根据每月的权重，计算L，计算公式如下：
。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410087513.4A CN117910801A (zh) | 2024-01-22 | 2024-01-22 | 一种基于大数据的财务数据管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410087513.4A CN117910801A (zh) | 2024-01-22 | 2024-01-22 | 一种基于大数据的财务数据管理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117910801A true CN117910801A (zh) | 2024-04-19 |
Family
ID=90681805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410087513.4A Pending CN117910801A (zh) | 2024-01-22 | 2024-01-22 | 一种基于大数据的财务数据管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117910801A (zh) |
-
2024
- 2024-01-22 CN CN202410087513.4A patent/CN117910801A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Developing a strategy map for forensic accounting with fraud risk management: An integrated balanced scorecard-based decision model | |
| US20200242483A1 (en) | Method and system of dynamic model selection for time series forecasting | |
| Ünvan | Financial performance analysis of banks with TOPSIS and fuzzy TOPSIS approaches | |
| CN110415111A (zh) | 基于用户数据与专家特征合并逻辑回归信贷审批的方法 | |
| CN107578270A (zh) | 一种金融标签的构建方法、装置及计算设备 | |
| Holmbom et al. | Customer portfolio analysis using the SOM | |
| Liu et al. | LSTM based reserve prediction for bank outlets | |
| CN117670056A (zh) | 一种财务管理用数据分析系统 | |
| CN111783829A (zh) | 一种基于多标签学习的财务异常检测方法及装置 | |
| CN108734567A (zh) | 一种基于大数据人工智能风控的资产管理系统及其评估方法 | |
| CN109815480B (zh) | 一种数据处理方法和装置、及存储介质 | |
| CN110689437A (zh) | 一种基于随机森林的通信施工项目财务风险预测方法 | |
| Wang et al. | Integrating decision tree with back propagation network to conduct business diagnosis and performance simulation for solar companies | |
| CN112862182A (zh) | 一种投资预测方法、装置、电子设备及存储介质 | |
| Hu | Predicting and improving invoice-to-cash collection through machine learning | |
| CN112037006A (zh) | 小微企业的信用风险识别方法及装置 | |
| ABIDAR et al. | Predicting Customer Segment Changes to Enhance Customer Retention: A Case Study for Online Retail using Machine Learning | |
| Rostamkhani et al. | A quality engineering techniques approach to supply chain management | |
| CN113421014A (zh) | 一种目标企业确定方法、装置、设备和存储介质 | |
| Khajvand et al. | Analyzing customer segmentation based on customer value components (case study: a private bank) | |
| CN117114812A (zh) | 一种针对企业的金融产品推荐方法及装置 | |
| Yu et al. | Long-term and short-term effects of green strategy on corporate performance: evidence from Chinese listed companies | |
| CN117011065A (zh) | 基于企业标签的金融产品动态匹配推荐方法及设备 | |
| CN116911994A (zh) | 对外贸易风险预警系统 | |
| CN117910801A (zh) | 一种基于大数据的财务数据管理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |