این روزها، اطلاعات حجیم (Big Data)، داده كاوی و تجزیه و تحلیل كسب و كار در اوج خود هستند. آیا راهی برای اینكه حسابداران بتوانند از این راهكارها استفاده كنند، وجود دارد؟

این مقاله نمونه ای از استفاده اطلاعات حجیم حسابداری جهت اجرای تجزیه و تحلیل سودآوری مشتری ارایه می كند.

۱.درباره ابزارها و رویكردهای تجزیه و تحلیل اطلاعات:

شما حتما درباره اطلاعات حجیم و تجزیه و تحلیل اطلاعات شنیده اید. كسب و كار مختلف و حوزه های غیر مربوط به مشاغل از این مفاهیم استفاده می نمایند و حسابداری هم ازین قاعده مستثنی نیست. حسابداری مقدار زیادی از اطلاعات را تولید می كند كه اغلب به محض ساخته شدن راكد و بلااستفاده می شوند. اگرچه، این قبیل اطلاعات ممكن است بینش با ارزشی از جنبه های متنوع به اجرا درآوردن كسب و كار را فراهم كنند.

تعداد زیادی از ابزارهای تجزیه و تحلیل اطلاعات حسابداری كسب و كار و بسته های نرم افزاری كه شامل روش ها و الگوریتم های ساده و یا پیچیده هستند، وجود دارد. نرم افزار اكسل مایكروسافت (یا سایر نرم افزارهای صفحه گسترده) ممكن است ابزارهای نسبتا ساده تجزیه و تحلیل اطلاعات را ارایه دهند. SAP و SAS شامل مدل های جامع و وسیعی جهت تجزیه و تحلیل اطلاعات هستند.

جدای از ابزارهای مختلف، راه های مختلف دیگری نیز در رویكردهای متفاوت به منظور تجزیه و تحلیل اطلاعات وجود دارد. بعضی از آن ها نسبتا ساده هستند مانند محاسبه مقدار سفارش متوسط و بعضی دیگر پیچیده مانند رگرسیون یا پسرفت آماری.

۲.نمونه ای از اجرای تجزیه و تحلیل سودآوری مشتری:

اجازه دهید نگاهی به نمونه پیچیده تری از تجزیه و تحلیل سودآوری مشتری با استفاده از الگوریتم قسمت بندی بازگشتی (Recursive Partitioning) بیاندازیم.

این الگوریتم معمولا با استفاده از بسته های نرم افزاری اجرا می گردد.

مبنای این ایده اینست كه اطلاعات تمامی مشتریان تجزیه و تحلیل گردد و فاكتورهایی كه بر سودآوری بیشتر مشتری تاثیرگذار است، شناسایی گردد و بر اساس نتایج حاصله اقدام گردد. در این تجزیه و تحلیل فرض می شود كه در شركت به اندازه كافی و دقیق اطلاعات هزینه ها، به منظور اجرای محاسبه مورد نظر وجود دارد. در این مورد خاص اطلاعات دقیق هزینه ها به این معناست كه اطلاعات درآمد حاصله از یک مشتری با كلیه جزییات آن آمده است. برخی ازین اطلاعات تراكنش های كسب و كار دربرگیرنده اینست كه كدام گروه از مشتریان به صورت جداگانه بررسی خواهند شد و ممكن است كه این بررسی شامل میزان سفارش متوسط، تعداد محموله در هر سفارش، میزان بازده مشتری و غیره باشد.

اطلاعات درباره مشتری در بسته های نرم افزاری كه محاسبه الگوریتمی را اجرا می كنند به منظور تعیین بهترین روش گروه بندی مشتریان به زیر شاخه های مختلف با استفاده از ویژگی ها و شاخص های ذكر شده می باشد. زیرشاخه های ساخته شده دوباره خودشان به زیر شاخه هایی دیگر  با استفاده از ابعاد متفاوت تبدیل می شوند. در اثر این فرآیند یك درخت با یك شاخه در قسمت بالایی آن و دو شاخه در سطح دوم و 4شاخه در سطح سوم و الی آخر به وجود می آید.

برای نمونه، در نتیجه این تجزیه و تحلیل ممكن است به این روش اشاره كند كه بهترین راه گروه بندی مشتریان در ابتدا بر اساس میزان سفارش آنها باشد. بیشترین مشتریان سودآور در زیر شاخه میزان سفارشات بیشتر قرار خواهند گرفت و مشتریان كمتر سودآور در زیر شاخه میزان سفارشات كمتر قرار خواهند گرفت. و سپس هر كدام از این شاخه ها به زیرشاخه های بیشتر تقسیم خواهند شد. شاخه میزان سفارشات بیشتر ممكن است به دو قسمت با استفاده از تعداد سفارشات هر محموله تقسیم شود. از طرف دیگر شاخه میزان سفارشات كمتر به 2 زیرشاخه بر اساس بازده مشتریان تقسیم گردد. هنگامی كه درخت كامل گردد، حسابداران می توانند ببینند كه كدام مشتریان كمتر سودآور هستند و چه شاخه هایی از مشتریان اصلا سودآوری و بهره ای ندارند. (در این مثال، مشتریان یا میزان سفارشات كمتر و با بازده مشتری پایین)

با استفاده از این اطلاعات حسابداران می توانند به مدیریت درباره اقدامات احتمالی ممكن توصیه های لازم را ارائه نمایند.