چکیده:
در ﻃﻮل ﺳﺎﻟﯿﺎن اﺧﯿﺮ، ﺑﺎ ﭘﯿﺸﺮﻓﺖ ﻓﻨﺎوری اﻃﻼﻋﺎت، ﺣﺠﻢ داده ﻫﺎ در ﭘﺎﯾﮕﺎه داده ﻫﺎ ﻫﺮ دو ﺳﺎل ﯾﮏ ﺑﺎر، دو ﺑﺮاﺑﺮ ﺷﺪ و ﻫﻤﭽﻨﺎن ﺑﺎﺳﺮﻋﺖ ﺑﯿﺶ ﺗﺮی ﻧﺴﺒﺖ ﺑﻪ ﮔﺬﺷﺘﻪ ﺣﺠﻢ اﻃﻼﻋﺎت ذﺧﯿﺮه ﺷﺪه ﺑﯿﺶ ﺗﺮوﺑﯿﺶ ﺗﺮ ﻣﯽ ﺷﻮد. ﺑﺎ وﺟﻮد ﺷﺒﮑﻪ ﺟﻬﺎﻧﯽ وب، ﺳﯿﺴﺘﻢ ﺎی ﯾﮑﭙﺎرﭼﻪ اﻃﻼﻋﺎﺗﯽ، ﺳﯿﺴﺘﻢ ﻫﺎی ﯾﮑﭙﺎرﭼﻪ ﺑﺎﻧﮑﯽ، ﺗﺠﺎرت اﻟﮑﺘﺮوﻧﯿﮑﯽ و ... ﻟﺤﻈﻪ ﺑﻪ ﻟﺤﻈﻪ ﺑﻪ ﺣﺠﻢ داده ﻫﺎ در ﭘﺎﯾﮕﺎه داده ﻫﺎ اﺿﺎﻓﻪ ﺷﺪه و ﺑﺎﻋﺚ ﺑﻪ وﺟﻮد آﻣﺪن اﻧﺒﺎرﻫﺎی (ﺗﻮده ﻫﺎی) ﻋﻈﯿﻤﯽ از داده ﻫﺎ ﺷﺪه اﺳﺖ، ﺑﻪ ﻃﻮری ﮐﻪ ﺿﺮورت ﮐﺸﻒ و اﺳﺘﺨﺮاج ﺳﺮﯾﻊ و دﻗﯿﻖ داﻧﺶ از اﯾﻦ ﭘﺎﯾﮕﺎه داده ﻫﺎ را ﺑﯿﺶ از ﭘﯿﺶ ﻧﻤﺎﯾﺎن ﮐﺮده اﺳﺖ. در ﺣﺎل ﺣﺎﺿﺮ، داده ﮐﺎوی ﻣﻬﻢ ﺗﺮﯾﻦ ﻓﻨﺎوری ﺑﺮای ﺑﻬﺮه وری ﻣﻮﺛﺮ، ﺻﺤﯿﺢ و ﺳﺮﯾﻊ ازداده ﻫﺎی ﺣﺠﯿﻢ اﺳﺖ و اﻫﻤﯿﺖ آن رو ﺑﻪ ﻓﺰوﻧﯽ اﺳﺖ. داده ﮐﺎوی ﭘﻞ ارﺗﺒﺎﻃﯽ ﻣﯿﺎن ﻋﻠﻢ آﻣﺎر، ﻋﻠﻢ ﮐﺎﻣﭙﯿﻮﺗﺮ، ﻫﻮش ﻣﺼﻨﻮﻋﯽ، اﻟﮕﻮﺷﻨﺎﺳﯽ، ﻓﺮاﮔﯿﺮی ﻣﺎﺷﯿﻦ داده ﻣﯽ ﺑﺎﺷﺪ. داده ﮐﺎوی ﻓﺮآﯾﻨﺪی ﭘﯿﭽﯿﺪه ﺟﻬﺖ ﺷﻨﺎﺳﺎﯾﯽ اﻟﮕﻮﻫﺎ ﺪل ﻫﺎی ﺻﺤﯿﺢ، ﺟﺪﯾﺪ و ﺑﻪ ﺻﻮرت ﺑﺎﻟﻘﻮه ﻣﻔﯿﺪ، در ﺣﺠﻢ وﺳﯿﻌﯽ از داده ﻣﯽ ﺑﺎﺷﺪ، ﺑﻪ ﻃﺮﯾﻘﯽ ﮐﻪ اﯾﻦ اﻟﮕﻮ ﻫﺎ و ﻣﺪل ﻫﺎ ﺑﺮای اﻧﺴﺎن ﻫﺎ ﻗﺎﺑﻞ درک ﺑﺎﺷﻨﺪ. ازﻣﺸﻬﻮرﺗﺮﯾﻦ ﮐﺎرﺑﺮد داده ﮐﺎوی ﻫﻮﺷﻤﻨﺪی ﮐﺴﺐ و ﮐﺎر، اﺳﺖ. ﻗﺎﺑﻠﯿﺖ ﻫﺎی اﺑﺰاری داده ﮐﺎوی ﻣﻨﺠﺮ ﺑﻪ اﺳﺘﻔﺎده از اﯾﻦ ﻓﻨﺎوری در اﻣﻮر ﻣﺎﻟﯽ وﺣﺴﺎﺑﺪاری ﺷﺪه اﺳﺖ اﯾﻦ اﺑﺰارﻫﺎ ﺑﻪ ﻣﻨﻈﻮر ﭘﯿﺶ ﺑﯿﻨﯽ ورﺷﮑﺴﺘﮕﯽ، وﺿﻌﯿﺖ ﺗﺪا م ﻓﻌﺎﻟﯿﺖ، ﭘﯿﺶ ﺑﯿﻨﯽ درﻣﺎﻧﺪﮔﻰ ﻣﺎﻟﯽ، ﺗﺸﺨﯿﺺ و ﺷﻨﺎﺳﺎﯾﯽ ﺗﻘﻠﺐ ﻣﺪﯾﺮﯾﺖ، ﺗﺨﻤﯿﻦ رﯾﺴﮏ اﻋﺘﺒﺎری و ﻋﻤﻠﮑﺮد واﺣﺪ ﺗﺠﺎری ﺷﺪ ﺑﺪﯾﻦ ﺗﺮﺗﯿﺐ داده ﮐﺎوی راﺗﺒﺪﯾﻞ ﺑﻪ ﻣﻮﺿﻮﻋﯽ ﺑﺎ اﻫﻤﯿﺖ زﯾﺎد، در اﻣﻮر ﻣﺎﻟﯽ و ﺣﺴﺎﺑﺪاری ﻧﻤﻮده اﺳﺖ. ﻫﺪف اﯾﻦ ﻣﻘﺎﻟﻪ ﺑﺮرﺳﯽ اﺟﻤﺎﻟﯽ اﯾﻦ ﻓﻨﺎوری ﺟﺪﯾﺪ و ﺗﺤﻘﯿﻘﺎت ﻣﺮﺗﺒﻂ ﺑﺎ آن، ﺑﻪ ﻣﻨﻈﻮر ﻧﻤﺎﯾﺎن ﺳﺎﺧﺘﻦ ﮐﺎرﮐﺮدﻫﺎی داده ﮐﺎوی در اﻣﻮر ﻣﺎﻟﯽ و ﻓﺮﺻﺖ ﻫﺎی ﺗﺤﻘﯿﻘﺎﺗﯽ آن ﻣﯽ ﺑﺎﺷﺪ.
Over the past few years, with the advancement of information technology, the volume of data in databases has
doubled every two years, and still more than the past volume of stored information is further tightened. With the
World Wide Web, integrated information systems, integrated banking systems, e-commerce, and ...
instantaneously added to the amount of data in databases and created massive amounts of data. So that the need
to quickly and accurately extract and extract knowledge from these databases has become more evident.
Nowadays, data mining is the most important technology for efficient, correct and fast use of bulk data, and its
importance is increasing. Data mining is a bridge between statistical science, computer science, artificial
intelligence, modeling, machine learning. Data mining is a complex process for identifying patterns and models
are correct, new and potentially useful, in a large amount of data, in such a way that these patterns and models
can be understood by humans. The most advanced application of business intelligence is data mining. Data
mining tools have led to the use of this technology in finance and accounting. These tools are used to predict
bankruptcy, continuity of activities, predict financial distress, identify and identify management fraud. The
estimation of the credit risk and the operation of the commercial unit, and thus the data mining of Rattbadil has
become an issue of great importance in financial affairs and accounting. The purpose of this article is to provide
a brief overview of this new technology and its related research, in order to illustrate the effectiveness of the
technology in its financial affairs and its research activities
خلاصه ماشینی:
"نمونه هایی ازمسائل طبقه بندی مالی شامل ورشکستگی شرکت ها، تخمین ریسک اعتباری، گزارش تداوم ، فعالیت ، درماندگی مالی و پیش بینی عملکرد واحد تجاری میباشد بدین ترتیب دامنه اهمیت داد ه کاوی در امور مالی و حسابداری میتواند طیفی گسترده از کشف تقلب تا افزایش سودآوری واحد تجاری باشد (سجادی و همکاران ، ١٣٨٦).
198 ٣-حوزه کاربردی داده کاوی در امور مالی: به واسطه قابلیت های طبقه بندی و پیش بینی روش های داده کاوی، این فنون به منظور تسهیل فرآیند حسابرسی، پیش بینی عملکرد شرکت و کمک به ارزیابی ریسک اعتباری مورد استفاده واقع میشوند.
لین و مک لین (٢٠٠١) تلاش کردند تا با استفاده از ٤ روش متفاوت ، ورشکستگی شرکت ها مورد از این روش ها، (روش های آماری تحلیل تشخیصی ورگرسیون لجستیک ) و دو مورد دیگر نیز از فنون یادگیری ماشیندرختان تصمیم گیری و شبکه های عصبی بوده اند.
تانگ وهمکاران یک روش ترکیبی را با یکپارچه سازی شبکه های عصبی مصنوعی و سیستم های فازی به کار برده اند این مدل که شبکه عصبی فازی خود سازمانده عمومی نامیده می شود، یک سیستم مبتنی بر قاعده است بوده که نهایتا منجر به خود تعدیلی پارامترهای (اگر- آنگاه ) که مبتنی بر قانون فازی با استفاده از الگوریتم های یادگیری میگردد.
پیش بینی ورشکستگی به نظر می رسد، مهم ترین حوزه مورد بررسی باشد روش های داده کاوی به کار رفته در ادبیات مربوط شامل شبکه های عصبی، الگوریتم ژنتیک ، درخت های تصمیم وبرنامه ریزی ریاضی اند."