前言：本站為你精心整理了會計云服務平臺的構建范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

摘要:為了解決大數據環境下會計數據的獲取成本高、處理效率低以及挖掘周期長等問題，研究了會計云服務平臺的構建．分析了會計云服務平臺的可行性;設計了平臺的體系架構，構建了會計云服務平臺的功能．并對平臺進行測試仿真分析，結果表明所設計的平臺效果良好．

關鍵詞:大數據環境;會計;云服務平臺

在大數據環境下，企業最為重要的資源是各種信息和內部數據［1］．隨著企業的交流，企業內部會產生大量數據，如何篩選和利用大數據，從而提取出有效數據則會為企業帶來不可估量的產業價值．以會計信息系統為對象，面對海量的會計數據需求的壓力與日俱增．考慮到會計數據的獲取成本高、處理效率低以及挖掘周期長等原因，現階段構建的會計信息系統無論在會計數據處理方面還是提供有效科學的決策方面都缺乏競爭力．因此，本文利用云計算處理技術來幫助構建高效的大數據處理平臺，這不僅可以完善會計信息系統的各項功能，而且還能夠提供更有效的商業決策，具有較高的應用價值．

1大數據環境下會計云服務平臺構建的可行性分析

在企業內部構建基于大數據環境的會計云服務平臺的前提條件就是進行系統的可行性分析，首先論證開發此平臺的理論是否科學合理，然后對于后期的構建和維護成本進行預算，最后估計該服務平臺的經濟效益．

1．1理論可行性分析利用連續性隨機變量期望的定義方式［2］，構建基于企業的會計方面的大數據(用Y表示)，其數學表達式為Y=∫ρ(x)dx(1)其中，ρ(x)表示會計大數據的概率密度函數，利用式(1)得到會計大數據的客觀信息，然后利用有效會計大數據V修正客觀會計大數據:V=Yr(2)其中，該表達式的價值系數為r∈［0，1］，而且當r=1時，V=Y，此時會計大數據可認定為具有價值;當r=0時，V=1，則表示只有一條會計大數據具有價值．知識數據K與有價值的會計大數據V的關系為K=∫iVdV(3)其中，參數i表示有價值信息的知識轉化參數．具體來講，會計信息處理系統會針對客觀數據Y進行分類、篩選、整理以及深度挖掘處理，然后自動生成決策信息K．本文設計的會計云服務平臺就是擴大會計數據的處理范圍，利用先進的信息處理技術來分析和挖掘會計大數據，并提供有效的企業決策．因此，在可行性方面，該平臺有較好的可行性．

1．2經濟可行性分析企業可以將內部的會計數據全部存儲在專業云端平臺上，任何授權的機構可以通過云端獲取到所需的會計數據，這樣將大大減少企業成本［3］．首先，在前期構建會計云服務平臺時，企業可以節約一部分存儲成本;其次，企業也無需在投入系統擴展以面對高峰期數據服務需求．需要說明的是，企業應用的高端服務器的應用率不到20%，因此借助于云端平臺企業將不再受到存儲容量以及高端服務器的使用限制，從而進一步地節約成本;最后云計算服務提供商可以為企業提供具有不同應用層次的服務，而企業只需按照服務級別付費即可，無需購買多余設備，這也節約了一些硬件成本．利用云計算技術來構建會計云服務平臺不僅可以加快數據傳輸速度，而且還支持多數據格式相互轉換，讓企業的工作人員可以隨時隨地通過網絡訪問云端，并從中獲取到所需的數據信息，從而加強了企業內部的相互交流和協作，保障了部門之間的資源共享，整體上提高了工作效率．因此，本文設計的大數據環境下會計云服務平臺具有良好的經濟可行性．

2平臺體系架構設計

按照層次來分，基于大數據環境的會計云服務平臺主要包括數據輸出展示層、數據加工存儲層以及數據獲取層等，并且將大數據安全機制以及標準化方式應用到整個云服務平臺當中，具體平臺整體框架圖如圖1所示．其中云服務平臺主要由系統的存儲設施、網絡設施以及相應的操作系統構成，其工作模式為云計算提供的服務模式，因此該系統的基礎運行環境還是由云計算服務提供商來提供的．該系統的數據獲取層主要功能為從企業內部或者外部獲取所需的會計業務類型數據、財務管理類型數據以及公開的企業會計信息數據等;系統的數據加工存儲層主要功能為統一整合會計大數據，然后將加工后的數據保存在相應的數據庫中，比如關于客戶信息的會計數據、銷售類型的會計數據以及人力資源類型的會計數據統一存儲在基礎數據庫中，而關于知識庫、模型庫以及方法庫等信息數據統一存儲在分析類型的數據庫中，從而為后續的分析使用提供相應的數據支持．數據輸入輸出層的主要功能為利用多種數據挖掘技術來分析和處理會計數據，并從不同模塊中輸出處理后的會計數據．

2．1會計大數據加工存儲會計大數據加工存儲功能就是利用存儲器收集、整理以及存儲不同來源和不同類型的會計大數據，并構建不同的數據存儲庫．當然還可以參照大數據的中高度維度和粒度分析會計大數據，并利用ETL工具轉換原始的大數據，并將轉換后的數據存儲在不同維度表中以便進行有效的調用和管理．加工存儲的工作重點在于如何幫助簡化數據的結構化、非結構化以及半結構化等特點，從而顯著提高數據的可存儲性、可傳輸性、可表示性以及可處理性等［4］．與此同時，還可以將人工智能技術以及Hadoop架構技術應用到加工存儲功能中，這不僅可以有效去除數據的冗余度，優化數據結構和存儲成本，而且還能夠優化大數據的非關系類型，為后續的可視化顯示提供便利．

2．2會計大數據分析輸出會計大數據的分析輸出功能主要是在現有數據挖掘技術的基礎上改進數據挖掘技術，將現有的財務分析模型、數據判別方法以及運算方式進行統一整理，并進行集成化處理，從而實現對于分布式數據庫中的會計大數據進行數據挖掘以及多維分析處理等，然后再利用操作交互界面顯示數據挖掘結果，從而滿足企業的數據需求．一般來講，系統的實時性分析工具可以使用Oracle公司的Exadata軟件，還可以利用Hadoopl軟件來處理半結構化或者非結構化數據［5］．

3平臺功能構建

3．1財務綜合分析本文在基于大數據的財務綜合分析功能中添加了哈佛分析功能，從而為企業提供會計數據分析、財務分析、企業戰略分析以及企業發展前景分析等功能．具體來講，在企業戰略分析過程中，專門設立基于企業經營、行業發展以及競爭決策等功能［6］．在整個行業發展過程中，企業可以通過分析市場需求、行業特點、企業競爭力以及企業發展戰略等方面找到該企業的生存和發展策略，比如在企業產品、企業技術以及企業員工等方面進行突破，并利用大數據技術挖掘企業的潛在價值．

3．2財務綜合決策大數據技術的應用為平臺的財務綜合決策提供了海量的會計數據，而且該綜合決策也不能再單一依賴于決策者的經驗和基本財務數據來進行判斷，因此該平臺的綜合決策更多地依賴于數據的收集、分析、整理以及應用水平．具體的財務綜合決策分析流程如圖2所示，該平臺使用的數據源主要來自于互聯網、社會化網絡、物聯網以及移動互聯網等，當然還可以從企業內部系統、工商管理部門以及銀行等機構獲取．財務綜合決策系統規范處理大數據的同時還可以利用數據分析和挖掘技術來挖掘和篩選出相關的出納、審計以及稅收等信息，然后利用可視化技術、基于文本分析技術、智能搜索技術以及智能化技術等幫助進行財務決策．圖2財務綜合決策分析流程

3．3財務綜合預測在財務綜合預測過程中，應該根據內部企業資料、外部環境因素以及財務綜合分析的結果進行分析，并利用基于單變量和多變量的線性回歸方式來預測未來企業的財務狀況，為企業規避風險和提高利潤提供幫助．營業成本預測技術利用作業成本技術將分配成本方案應用到各個作業中，然后利用聚類分析方法來分析各個因素對于成本的影響，最后根據以往成本和營業數據來選擇與之相似的營業趨勢模型，從而更好地預測企業未來成本．財務風險預測技術利用了周首華等學者提出的F計分模型來預測企業未來財務風險，還可以利用Kalman濾波技術以及BP神經網絡模型來針對企業的財務狀況進行智能預警．比如利用Kalman濾波技術以及BP神經網絡模型來構建財務預警動態模型，從而提供智能動態預警功能．由于財務危機的誘因就是企業財務狀況惡化，而企業經營不善又是財務狀況惡化的主導因素，內部和外部因素是財務惡化的推動器，公司財務管理力度不強又是財務惡化的內在原因，因此本文從上述4個方面收集相關企業數據資源，然后利用會計大數據技術來分析企業的經營環境，從而更好地整理出準確反映企業財務風險的因素．財務動態預警分析體系可以將各項指標進行量化處理，從而構建合理的綜合指標監測體系，然后進行財務預警，并針對相關企業財務風險及時進行提示和報警．

4平臺核心功能的測試分析

4．1測試營業收入和營業成本預測情況會計云計算服務平臺根據從2000年到2013年的營業成本和營業收入數據來自動預測未來5年的財務狀況，其具體的平臺營業收入和營業成本預測圖如圖3所示．本文設計的預測模型預測該企業的2010年的營業收入約為417．34億元，企業實際的營業收入為386．87億元，其誤差率約為7．8%;預測模型預測2011年企業的營業收入為545．57億元，企業實際的圖3會計云平臺營業收入與成本預測營業收入為549．01億元，其誤差率約為0.6%;預測模型預測2012年企業的營業收入為674.11億元，企業實際的營業收入為680.67億元，其誤差率約為0．96%;預測模型預測2013年企業的營業收入為781.24億元，企業實際的營業收入為783．11億元，其誤差率為0．23%，從中不難看出，除了2010年的預測誤差較大之外，其余幾年的預測誤差都比較理想．考慮到2010年企業的營業收入小于預測的營業收入，究其原因，主要是因為新醫改政策帶來的企業結構調整，當然宏觀經濟環境、相關政策法規以及市場整理都對企業的營業收入產生了一定的影響，在這之后企業及時進行戰略調整，所以在2011年企業的營業收入有了顯著提高．以企業在2010年的營業收入作為觀測對象，點擊可以詳細查看企業不同產品在不同區域的銷售柱狀圖，如果點擊收入還能夠查看不同產品的銷售記錄．如果點擊營業成本點，還可以查看該行業的營業成本關系，具體數據通過點擊營業成本選項．

4．2測試3項費用預測情況本文設計的預測模型預測2010年企業的銷售費用為28.57億元，企業實際的銷售費用為30.56億元，其誤差率為5%;預測2011年企業的銷售費用為32.69億元，企業實際銷售費用為32.46億元，其誤差率為0．67%;預測2012年企業銷售費用38.36億元，企業實際銷售費用為45.21億元，其誤差率為2．9%;預測2013年企業銷售費用43.83億元，企業實際銷售費用為45.26億元，其誤差率為2．8%．預測模型關于企業的財務費用和管理費用的預測示意圖如圖4所示．圖4會計云平臺3項經費預測從圖4中不難看出，企業的2010年與2012年的銷售費用和管理費用存在較大的誤差，主要原因是在2010年和2012年有很多企業進行整合，因此在報表合并時會產生高昂的銷售費用和管理費用．企業在2011年財務費用增加的主要原因是大量匯兌造成的，而且2012年企業恢復正常，利用內部融資方案來盡量降低相關財務費用．正是由于預測模型的匯率與實際匯率存在一定的誤差，從而造成了預測模型在2010年和2012年產生較大的誤差率．上述這些因素都是突發性的，而會計云服務平臺無法應對，這也是平臺設計的缺陷．

4．3財務預警預測分析測試會計云服務平臺利用Z值模型來預測集團財務狀況．Z=1．2X1+1．4X2+3．3X3+0．6X4+X5(4)其中當Z＜1．80時，企業存在嚴重的財務危機，預測一年內會出現破產;當1．80＜Z＜2．66時，企業存在一般財務危機;當Z＞2．66時，企業沒有存在財務風險，預計企業不會出現財務危機．該平臺還專門設定自動報警功能，當Z值一旦低于1．80時，系統會自動提醒企業注意．從表1可以看出:集團Z值主要受到X這一因素的影響，而且系統會實時觀測這個影響因素．本文專門針對預測結果和企業具體運行數據進行分析比對，從中發現該集團在年初會出現一定的財務危機，主要是因為年初或者月初的銷售計劃剛剛開啟，企業比較容易陷入財務危機．尤其是企業在2012年中上旬出現財務報表造假現象，而該預測系統預測企業在該年3月或4月出現財務危機，企業實際情況與預測情況相符;但是企業在2014年3月并沒有出現財務危機，這與預測的結果有一定出入，因此預測模型還需進一步改進。

5結論

在大數據時代，會計部門將面臨海量的企業數據，這已經成為會計部門重要工作之一．通過大數據技術以及云計算技術等，可以幫助挖掘和分析會計大數據的特點，為進一步解決數據資源匱乏、信息孤島以及企業決策困難等問題提供一體化的解決方案，從而有效管理企業數據，為企業管理者提供科學合理的決策．

參考文獻：

［1］成靜靜，喻朝新．基于云計算的大數據統一分析平臺研究與設計［J］．廣東通信技術，2013(1):6－10．

［2］何曉行，王劍虹．云計算環境下的取證問題研究［J］．計算機科學，2012(39):105－108．

［3］孫琪華．新形勢下高校財務信息化建設的思考［J］．會計之友，2013(12):77－79．

［4］徐立冰．云計算和大數據時代網絡技術揭秘［M］．北京:人民郵電出版社，2013:2－7．

［5］許金葉，徐琳．構建會計大數據分析型企業［J］．會計之友，2013(8):97－100．［6］程平，韓佳佚．大數據時代基于云會計的企業固定資產投資決策［J］．會計之友，2015(4):128－131．

作者：楊瑾淑 單位：1．臺州經濟研究所;2．臺州職業技術學院管理學院