Tác động của phân tích dữ liệu và hoạch định nguồn lực doanh nghiệp đến kế toán quản trị

37
Tập 12, Số 2, 2018
TÁC ĐỘNG CỦA PHÂN TÍCH DỮ LIỆU VÀ HOẠCH ĐỊNH 
NGUỒN LỰC DOANH NGHIỆP ĐẾN KẾ TOÁN QUẢN TRỊ
PHÙNG ANH THƯ*,1, NGUYỄN VĨNH KHƯƠNG2
1Trường Đại học Nguyễn Tất Thành
2Trường Đại học Kinh tế - Luật, Đại học quốc gia TP. Hồ Chí Minh
TÓM TẮT
Nhiệm vụ của kế toán quản trị ngày nay đang phát triển từ việc báo cáo dựa trên số liệu quá khứ, 
đo lường kết quả hoạt động của tổ chức và cung cấp thông tin liên quan để hỗ trợ việc ra quyết định. Các 
hệ thống thông tin doanh nghiệp như các hệ thống lập kế hoạch nguồn lực doanh nghiệp (ERP) cung cấp 
cho kế toán quản trị khả năng lưu trữ dữ liệu mở rộng và tăng cường khả năng phân tích. Bài viết nhằm 
mục đích phân tích ảnh hưởng của phân tích dữ liệu và hệ thống hoạch định nguồn lực đến kế toán quản 
trị thông qua việc trả lời các câu hỏi bao gồm: điều gì đã xảy ra (phân tích mô tả), điều gì sẽ xảy ra (phân 
tích dự đoán) và đề xuất (giải pháp tối ưu sau phân tích). Từ đó, làm cơ sở cho các nghiên cứu tương lai 
khi kế toán quản trị về mặt bản chất và phạm vi hiện nay vẫn chủ yếu sử dụng phân tích mô tả, rất ít sử 
dụng phân tích dự đoán. 
Từ khóa: Phân tích dữ liệu; Hệ thống hoạch định nguồn lực doanh nghiệp; Kế toán quản trị.
ABSTRACT
The Impact of Data Analytics and ERP Systems on Managerial Accounting
The nature of management accountants’ responsibility is evolving from merely reporting aggregated 
historical values to also including organizational performance measurement and providing management 
with decision-related information. Corporate information systems such as enterprise resource planning 
(ERP) systems have provided management accountants with both expanded data storage power and 
enhanced computational power. This article is aimed at utilizing data analytics techniques to answer the 
questions as to: what has happened (descriptive analytics), what will happen (predictive analytics), and 
what is the optimized solution (prescriptive analytics). This will serve as the basis for future studies when 
management accounting in nature and scope today is still mainly used descriptive analytics, very little use 
of predictive analytics. 
Keywords: Data analytics; Enterprise resource planning; Managerial accounting.
1. Giới thiệu
Từ khi xuất hiện đến nay, vai trò của kế toán quản trị đã thay đổi một cách đáng kể. Phục 
vụ mục đích hỗ trợ và tham gia vào việc ra quyết định cho nhà quản lý, kế toán quản trị hiện đại 
hoạt động từ bốn khía cạnh: tham gia vào việc quản trị chi phí chiến lược để đạt được các mục 
tiêu dài hạn, thực hiện quản trị và kiểm soát hoạt động đối với kết quả hoạt động doanh nghiệp, 
lập kế hoạch cho chi phí hoạt động nội bộ và tham gia lập báo cáo tài chính (Brands, 2015). 
*Email: phunganhthu1990@gmail.com
Ngày nhận bài: 02/8/2017; Ngày nhận đăng: 03/11/2017 
Tạp chí Khoa học - Trường ĐH Quy Nhơn, ISSN: 1859-0357, Tập 12, Số 2, 2018, Tr. 37-45
38
Phùng Anh Thư, Nguyễn Vĩnh Khương
Khi tình hình kinh doanh cạnh tranh tăng dần theo hướng phát triển công nghệ, phạm vi kế toán 
quản trị cũng đã mở rộng từ báo cáo dựa trên giá trị quá khứ sang báo cáo dựa trên thời gian thực 
và báo cáo dự báo (Cokins, 2013). 
Trong khi hệ thống doanh nghiệp nâng cao tính hữu hiệu và hiệu quả của kế toán quản trị, 
các nghiên cứu chỉ ra rằng các kỹ thuật quản trị vẫn không thay đổi đáng kể (Granlund và Malmi, 
2002; Scapens và Jazayeri, 2003). Lập luận rằng các nguyên tắc và tiêu chuẩn kế toán quản trị 
được các tổ chức sử dụng trước khi thực hiện các hệ thống doanh nghiệp không thay đổi. Để cung 
cấp thông tin thích hợp và có giá trị hơn cho quản trị trong môi trường kinh doanh sử dụng công 
nghệ thông tin hiện đại, kế toán quản trị phải sử dụng được tất cả các chức năng của hệ thống 
doanh nghiệp (ví dụ: mô tả, dự đoán và phân tích dữ liệu từ nguồn dữ liệu lớn từ cả nguồn nội bộ 
lẫn bên ngoài và thông tin tài chính và phi tài chính) thay vì xem xét hệ thống chỉ đơn giản là việc 
vận hành hệ thống máy tính cỡ lớn hơn.
Mục đích của bài báo này là thảo luận về tác động tiềm ẩn của hệ thống doanh nghiệp, dữ 
liệu lớn và phân tích dữ liệu đến kế toán quản trị. Bài viết dựa trên các nghiên cứu tác động của 
phân tích dữ liệu đối với kế toán quản trị (Nielsen, 2015, Silvi và cộng sự, 2010) và các nghiên 
cứu về sử dụng phân tích dữ liệu để đo lường kết quả hoạt động của doanh nghiệp trong môi 
trường có hệ thống hoạch định nguồn lực (Nielsen và cộng sự, 2014).
2. Sự thay đổi vai trò của kế toán quản trị trong doanh nghiệp
Phát triển từ cách tiếp cận truyền thống về phân tích dựa trên tình hình tài chính và kiểm 
soát ngân sách để hỗ trợ ra quyết định, kế toán quản trị hiện đại bao gồm cách tiếp cận mang tính 
chiến lược hơn nhấn mạnh việc xác định, đo lường và quản trị về các tiêu thức phân bổ cho tình 
hình tài chính và hoạt động nhằm tạo ra giá trị cho cổ đông (Ittner và Larcker, 2001). Mục tiêu của 
kế toán quản trị là cung cấp cho các nhà quản lý thông tin về hoạt động và thông tin quản trị, tài 
chính. Kế toán quản trị đóng vai trò tham gia vào việc quản trị chi phí chiến lược để đạt được các 
mục tiêu dài hạn; thực hiện kiểm soát hoạt động và quản trị nhằm đo lường kết quả hoạt động của 
doanh nghiệp; hoạch định cho chi phí hoạt động nội bộ và tham gia lập báo cáo tài chính (Brands, 
2015). Để hỗ trợ vai trò này, nghĩa vụ chính của kế toán quản trị có thể được phân loại thành (1) 
lập báo cáo tài chính; (2) đo lường kết quả hoạt động của công ty và (3) cung cấp thông tin thích 
hợp để hỗ trợ ra quyết định (Cokins, 2013).
Với hệ thống ERP và các công cụ phân tích dữ liệu mạnh mẽ cung cấp cho doanh nghiệp 
khả năng giải thích và phân tích nhiều dạng dữ liệu khác nhau (như nội bộ / bên ngoài, cấu trúc/
không có cấu trúc và tài chính/phi tài chính), điều quan trọng là kế toán quản trị phải thay đổi trách 
nhiệm của mình để tạo được lợi thế cạnh tranh cho doanh nghiệp (Nielsen, 2015). Trong việc lập 
báo cáo tài chính, kế toán quản trị sử dụng các số liệu quá khứ để báo cáo tình hình tài chính của 
công ty. Tuy nhiên, trong môi trường kinh doanh đòi hỏi nhiều thông tin kịp thời và thích hợp hơn, 
báo cáo tài chính thường không phải là nguồn thông tin lý tưởng cho việc hỗ trợ ra quyết định cho 
ban quản trị vì thông tin đã lạc hậu, báo cáo các sự kiện trong quá khứ chứ không cung cấp các dữ 
liệu cần thiết về tương lai cho việc điều hành. Các kế toán quản trị hiện đại hỗ trợ nhà quản lý đo 
lường kết quả hoạt động từ dữ liệu nội bộ và cung cấp thông tin thích hợp hỗ trợ ra quyết định từ 
cả dữ liệu nội bộ và dữ liệu bên ngoài. Kế toán quản trị không chỉ cung cấp các báo cáo mô tả để 
39
Tập 12, Số 2, 2018
trả lời các câu hỏi về các sự kiện trước đó mà cũng cần đưa ra các dự đoán bao gồm kết quả cho 
sự kiện không chắc chắn và rủi ro (Nielsen, 2015).
Để thực hiện được những nhiệm vụ đầy thách thức này giúp doanh nghiệp tăng khả năng 
cạnh tranh, kế toán quản trị hiện nay có thể sử dụng các công cụ phân tích dữ liệu để hỗ trợ các 
nhà quản lý ra quyết định nhằm giảm đi sự không chắc chắn. Ví dụ, mô hình tối ưu hóa có thể cho 
phép các kế toán trong công ty sản xuất lựa chọn giữa các nhà cung cấp nguyên liệu khác nhau 
có thể giảm chi phí và tăng doanh thu (Taleizadeh và cộng sự, 2015). Điều này cho thấy kế toán 
quản trị viên phải vượt qua ranh giới của kế toán quản trị và cộng tác với cá nhân không thuộc 
lĩnh vực kế toán để giải quyết các vấn đề thực tế (Birnberg, 2009). Cokins (2013) đưa ra bảy xu 
hướng xảy ra trong kế toán quản trị trong thời gian gần đây: (1) mở rộng từ phân tích lợi nhuận 
sản phẩm sang phân tích lợi nhuận kênh phân phối và khách hàng; (2) mở rộng vai trò của kế toán 
quản trị trong quản trị kết quả hoạt động doanh nghiệp (EPM); (3) gia tăng các thông tin dự đoán 
từ kế toán quản trị; (4) phân tích dữ liệu nhúng trong các phương pháp EPM; (5) cải tiến phương 
pháp kế toán quản trị hiện có; (6) quản trị công nghệ thông tin và các dịch vụ chia sẻ như là lĩnh 
vực kinh doanh; (7) nhu cầu về kỹ năng và năng lực tốt hơn về quản trị chi phí hành vi. Tóm lại, 
kế toán quản trị đã mở rộng phạm vi từ các báo cáo tài chính truyền thống đến đo lường kết quả 
và ra quyết định chiến lược. Cụ thể, kế toán quản trị đã mở rộng trọng tâm truyền thống bao gồm 
xác định các tiêu thức phân bổ về kết quả tài chính, cả trong và ngoài. Các số liệu và phương pháp 
phi tài chính mới và cách mạng công nghệ thông tin đã được bổ sung vào các chức năng kế toán 
quản trị với một tác động vẫn đang được các nhà nghiên cứu và nhà thực hành khai phá (Silvi và 
cộng sự, 2010).
3. Hệ thống hoạch định nguồn lực doanh nghiệp tác động đến kế toán quản trị
Hệ thống hoạch định nguồn lực doanh nghiệp (Enterprise Resource Planning) là hệ thống 
thông tin tổng hợp và toàn tổ chức có khả năng quản lý và điều phối tất cả các nguồn lực, thông tin 
và chức năng của doanh nghiệp từ các kho dữ liệu được chia sẻ (Kallunki và cộng sự, 2011). Vì hệ 
thống ERP có thể tích hợp các thông tin doanh nghiệp dựa trên giao dịch vào cơ sở dữ liệu trung 
tâm và cho phép thu thập thông tin từ các đơn vị tổ chức khác nhau (Dechow và Mouritsen, 2005), 
có thể nâng cao năng lực cho kế toán quản trị để thực hiện các vai trò nói trên bằng cách cung cấp 
quyền truy cập vào dữ liệu hoạt động thích hợp và thời gian thực trong việc hỗ trợ ra quyết định 
và kiểm soát.
Nghiên cứu ban đầu cho thấy hệ thống ERP có tác động hạn chế đến kế toán quản trị 
(Granlund và Malmi, 2002). Một trong những lý do là việc triển khai các hệ thống ERP tập trung 
vào việc nâng cao tính hiệu quả của quá trình báo cáo tài chính và không thay đổi bản chất của 
quá trình đó, mặc dù có thể đạt được sự thay đổi thông qua việc thiết kế và thực hiện một hệ thống 
hoạt động tích hợp của toàn bộ tổ chức (Sangster và cộng sự, 2009). Nghĩa là các kế toán quản trị 
viên coi hệ thống ERP là một công cụ mạnh mẽ để tạo ra báo cáo và bỏ qua tiềm năng trong kiểm 
soát quá trình và phân tích hoạt động của công ty.
Để thực hiện thành công ERP, Grabski và cộng sự (2009) chỉ ra rằng bản chất của vai trò kế 
toán quản trị nên được thay đổi đột ngột, theo đó kế toán quản trị trở thành một cố vấn kinh doanh, 
những người có những bước đi tiên phong để hỗ trợ các nhà quản lý và người ra quyết định. 
40
Cụ thể, mô tả mối quan hệ tương tác giữa các hệ thống ERP và kế toán quản trị như sau (Grabski 
và cộng sự, 2009):
1. Khi kế toán quản trị viên tham gia vào việc triển khai hệ thống ERP, có nhiều khả năng 
triển khai sẽ thành công.
2. Ảnh hưởng của hệ thống ERP đối với vai trò của kế toán quản trị có liên quan đến sự 
thành công về nhận thức của việc triển khai hệ thống, với việc triển khai thành công hơn thể hiện 
những thay đổi sâu sắc hơn trong vai trò.
3. Trong khi tất cả các triển khai ERP đều dẫn đến những thay đổi trong các nhiệm vụ của 
các kế toán quản trị, việc thực hiện thành công hệ thống ERP dẫn đến sự thay đổi đáng kể trong 
nhiệm vụ của kế toán quản trị, trở thành các đối tác kinh doanh không chỉ là các nhà cung cấp 
dữ liệu.
4. Kết quả triển khai ERP thành công dẫn đến tăng chất lượng dữ liệu và chất lượng của 
việc ra quyết định và bổ sung thời gian cho kế toán quản trị để tham gia vào các hoạt động tăng 
thêm giá trị chứ không phải là các hoạt động ghi chép và báo cáo thông tin.
5. Kế toán quản trị trong môi trường ERP cần sự hiểu biết sâu sắc về lĩnh vực kinh doanh 
và quy trình kinh doanh, kỹ năng giao tiếp, kỹ năng lãnh đạo, kỹ năng ra quyết định, kỹ năng phân 
tích, kỹ năng lập kế hoạch và kỹ năng mang tính kỹ thuật.
6. Vai trò của kế toán quản trị trong môi trường ERP là nhà tư vấn kinh doanh cho ban lãnh 
đạo cao hơn vai trò của kế toán quản trị truyền thống.
Hơn nữa, Scapens và Jazayeri (2003) đề xuất rằng với khả năng của các hệ thống ERP, 
các kế toán quản trị viên có thể báo cáo nhiều hơn về khả năng dự đoán thông tin và cung cấp hỗ 
trợ trực tiếp hơn cho các nhà quản lý kinh doanh với tin học hóa nhiều nhiệm vụ kế toán truyền 
thống. Đối với các kế toán quản trị viên để có thể cung cấp nhiều báo cáo mang tính dự đoán hơn, 
dữ liệu có sẵn để hỗ trợ các phân tích như vậy có thể cần phải đa dạng và phóng to hơn - nghĩa là 
dữ liệu lớn.
Phân tích dữ liệu có thể được thực hiện để hỗ trợ kế toán quản trị trong cả ba khía cạnh của 
kế toán quản trị. Đối với mục đích báo cáo tài chính, loại phân tích dữ liệu phù hợp nhất là phân 
tích mô tả làm rõ “bức tranh” tình hình tài chính của doanh nghiệp. Trong lĩnh vực đo lường kết 
quả hoạt động, các kế toán quản trị có thể sử dụng các công cụ phân tích dự đoán, có thể sử dụng 
thuật toán học máy (machine learning algorithms) với các đầu vào từ phân tích mô tả để cung 
cấp dự đoán về kết quả hoạt động của doanh nghiệp trong tương lai. Với kết quả từ cả việc tính 
toán chi phí và đo lường kết quả hoạt động, phân tích đề xuất được kết hợp vào việc lập kế hoạch 
và ra quyết định để cung cấp thông tin về giải pháp tối ưu hóa cho các nhà quản lý trong việc ra 
quyết định. Với tư cách là nguồn dữ liệu cho việc phân tích dữ liệu, dữ liệu lớn bao gồm cả dữ 
liệu nội bộ và dữ liệu bên ngoài. Dữ liệu nội bộ thể hiện dữ liệu thu thập được bên trong doanh 
nghiệp. Loại dữ liệu này thường có cấu trúc và quen thuộc với các kế toán quản trị. Mặt khác, dữ 
liệu bên ngoài đại diện cho dữ liệu được thu thập từ các nguồn bên ngoài doanh nghiệp, chẳng 
hạn như tin tức, phương tiện truyền thông xã hội hoặc Internet of Things (IoT). Thông thường, 
dữ liệu bên ngoài là dữ liệu phi cấu trúc chỉ có thể cung cấp thông tin sau khi được xử lý bởi các 
công cụ phân tích. 
Phùng Anh Thư, Nguyễn Vĩnh Khương
41
Tập 12, Số 2, 2018
4. Dữ liệu lớn và phân tích dữ liệu
Dữ liệu lớn và phân tích dữ liệu hiện nay ảnh hưởng đến hầu hết mọi khía cạnh của việc ra 
quyết định, phân tích chiến lược và dự báo của các công ty lớn (Griffin và Wright, 2015). Ngày 
nay, doanh nghiệp có thể tạo, mua, trích xuất, thu thập, xử lý và phân tích hàng triệu các yếu tố 
dữ liệu từ các nguồn bên ngoài hoặc nội bộ để duy trì lợi thế cạnh tranh. Dữ liệu lớn và phân tích 
dữ liệu lớn không còn là tên miền của một số nhà sáng chế và người chấp nhận ban đầu mà được 
phổ biến ở bất kỳ doanh nghiệp nào muốn duy trì sự cạnh tranh (Davenport, 2006). Vì các kế toán 
quản trị viên thường sử dụng thông tin được tạo ra từ các hồ sơ kế toán để hỗ trợ các nhà quản lý 
nên dự đoán rằng sự sẵn có và sử dụng các dữ liệu và phân tích dữ liệu lớn của các doanh nghiệp 
sẽ ảnh hưởng đến nghiệp vụ kế toán quản trị. Tuy nhiên, đầu tiên cần phải hiểu dữ liệu lớn và phân 
tích kinh doanh trong môi trường kinh doanh nội bộ và bối cảnh hiện tại.
4.1. Các dạng phân tích dữ liệu 
Phân tích dữ liệu là việc sử dụng dữ liệu, công nghệ thông tin, phân tích thống kê, phương 
pháp định lượng và các mô hình toán học hoặc dựa trên máy tính để giúp các nhà quản lý có được 
cái nhìn sâu sắc hơn về hoạt động và đưa ra các quyết định thực tế tốt hơn (Davenport và Harris, 
2007, trang 7). Ba khía cạnh được đề xuất gần đây về tên miền, định hướng và kỹ thuật (Holsapple 
và cộng sự, 2014) rất hữu ích cho việc hiểu phạm vi phân tích dữ liệu. Tên miền đề cập đến ngữ 
cảnh hoặc môi trường trong đó các phân tích đang được áp dụng. Định hướng mô tả triển vọng 
của phân tích mô tả, dự đoán hoặc đề xuất. Và cuối cùng, các kỹ thuật đề cập đến quá trình phân 
tích của miền và định hướng. Tính khả thi của việc áp dụng bất kỳ kỹ thuật nào được quyết định 
không chỉ theo định hướng mà còn bởi các dữ liệu có sẵn.
Trong phạm vi bài viết, kích thước miền là quản trị kinh doanh. Kế toán quản trị trong lĩnh 
vực này dự kiến sẽ tạo ra các hệ thống phù hợp với nhiệm vụ và mục tiêu quản lý. Ba khía cạnh 
của định hướng (mô tả, dự đoán, đề xuất) bây giờ sẽ được giải thích để hiểu rõ hơn về tiềm năng 
của chúng trong lĩnh vực kế toán quản trị. Các định hướng về ba khía cạnh là một phần do sự sẵn 
có của các loại dữ liệu khác nhau kết hợp với các kỹ thuật khác nhau và khả năng của các hệ thống 
doanh nghiệp để xử lý dữ liệu lớn.
4.1.1. Phân tích mô tả
Phân tích mô tả trả lời câu hỏi như những gì đã xảy ra. Đây là loại phân tích phổ biến nhất 
được các doanh nghiệp sử dụng (IBM, 2013) và thường được mô tả bằng các số liệu thống kê mô 
tả. Các chỉ số đo lường hoạt động (KPIs), bảng tổng hợp hoặc các hình thức trực quan khác (Dilla 
và cộng sự, 2010). Phân tích mô tả tóm tắt những gì đã xảy ra và cũng là cơ sở của nhiều hệ thống 
cảnh báo theo dõi liên tục, nơi các giao dịch được so sánh với các ngưỡng chuẩn hóa và ngưỡng 
đã được thiết lập từ phân tích tỷ lệ và xu hướng của dữ liệu lịch sử.
4.1.2. Phân tích dự đoán
Phân tích dự đoán là bước tiếp theo với việc thu thập kiến thức từ phân tích mô tả (Bertsimas 
và Kallus, 2014) và trả lời câu hỏi về những gì có thể xảy ra (IBM, 2013). Phân tích này được đặc 
trưng bởi các mô hình dự đoán và xác suất, các dự báo, các phân tích thống kê và các mô hình tính 
điểm. Các mô hình dự đoán sử dụng dữ liệu lịch sử được tích lũy theo thời gian để tính toán các 
42
sự kiện tương lai có thể xảy ra. Hầu hết các doanh nghiệp sử dụng phân tích mô tả chủ yếu và chỉ 
bắt đầu sử dụng phân tích dự đoán (IBM, 2013).
4.1.3. Phân tích đề xuất
Phân tích đề xuất (Bertsimas và Kallus, 2014, Holsapple và cộng sự, 2014, IBM, 2013, 
Ayata, 2012) trả lời câu hỏi về những gì nên được thực hiện với các kết quả phân tích mô tả và 
dự đoán. Phân tích đề xuất có thể được mô tả là cách tiếp cận tối ưu hóa. Phân tích đề xuất vượt 
quá mô tả và dự đoán bằng cách giới thiệu một hoặc nhiều giải pháp và cho thấy kết quả của mỗi 
đề xuất.
 Các kỹ thuật phân tích dự đoán và đề xuất có thể xuất hiện tương tự nhưng định hướng 
và khả năng để đề xuất phụ thuộc vào loại và dữ liệu có sẵn để phân tích. Các loại dữ liệu khác 
nhau, nhiều khả năng các giải pháp có thể được đề xuất. Các kỹ thuật mang đề xuất có thể sử dụng 
dữ liệu định tính và định lượng từ các nguồn bên trong và bên ngoài. Sự phân biệt giữa phân tích 
đề xuất và dự đoán không phải là một trong những loại dữ liệu được yêu cầu nhưng là một trong 
những định hướng - nghĩa là đây là truy vấn tối ưu hóa hoặc phân tích dựa trên xu hướng? Những 
câu hỏi quan trọng đối với nhà quản trị là gì? Phân tích dữ liệu dựa trên định lượng dữ liệu tài chính 
chỉ sử dụng một phần của tất cả các dữ liệu sẵn có, vì hầu hết dữ liệu là định tính (Basu, 2013). 
Dựa trên các quy tắc kinh doanh, các ràng buộc, và các ngưỡng, theo định hướng, các mô hình 
toán học hoặc mô hình tối ưu hóa hoạt động được xây dựng để xác định những điều không chắc 
chắn và các giải pháp để giảm thiểu rủi ro đi kèm hoặc các dự báo bất lợi.
4.2. Tác động của dữ liệu lớn đến kế toán quản trị 
Dữ liệu lớn có thể được coi là bộ dữ liệu quá lớn hoặc không có cấu trúc nên chúng không 
thể xử lý và phân tích dễ dàng bằng hầu hết các hệ thống quản lý cơ sở dữ liệu và các chương trình 
phần mềm (Warren và cộng sự, 2015). Dữ liệu lớn trong toàn bộ có thể bắt nguồn từ hệ thống giao 
dịch truyền thống cũng như từ các nguồn không có cấu trúc mới như email, tệp âm thanh, luồng 
nhấp chuột trên Internet, phương tiện truyền thông xã hội, phương tiện truyền thông, bản ghi cảm 
biến, video và thẻ RFID (Zhang và cộng sự, 2015). Dữ liệu lớn đã trở thành đặc trưng bởi bốn 
phẩm chất được gọi là 4V: khối lượng lớn, tốc độ cao, đa dạng và không chắc chắn về tính xác 
thức (Laney, 2001; IBM, 2012).
Trong lịch sử, dữ liệu kinh doanh và kế toán đã báo cáo các giao dịch và dữ liệu có cấu trúc 
khác, chẳng hạn như đơn đặt hàng, bán hàng, đơn đặt hàng, lô hàng, khoản phải thu, thông tin 
nhân sự, bảng chấm công và hàng tồn kho. Dữ liệu này có thể dự đoán được, có trật tự và quen 
thuộc đối với các doanh nghiệp. Loại dữ liệu này trái ngược với dữ liệu lớn. Trường hợp dữ liệu 
cũ được cấu trúc trong hàng và cột, dữ liệu lớn không có cấu trúc và có thể có vẻ áp đảo để làm 
việc với khối lượng và loại dữ liệu. Sự nổi lên của dữ liệu lớn đã làm thay đổi nhiệm vụ của kế 
toán quản trị. Doanh nghiệp sử dụng dữ liệu lớn sẽ có thể đầu tư các nguồn lực quan trọng để thu 
thập, xử lý, chuẩn bị, và cuối cùng phân tích và do đó mong đợi những hiểu biết sâu hơn và kiến 
thức thu được được xem là kết quả.
Cần thiết cho bất kỳ loại dữ liệu nào, vượt quá số lượng lớn hay không, đó là chất lượng 
cao (Chae và cộng sự, 2014). Dữ liệu chất lượng cao có các đặc tính đầy đủ, chính xác, hợp lệ, 
thích hợp, nhất quán và kịp thời (Redman, 2013). Nghiên cứu cho thấy dữ liệu có chất lượng cao 
Phùng Anh Thư, Nguyễn Vĩnh Khương
43
Tập 12, Số 2, 2018
là tài nguyên và tài sản kinh doanh quan trọng (Chae và Olson, 2013) và có ảnh hưởng to lớn đối 
với hoạt động của doanh nghiệp (Gorla và cộng sự, 2010). Dữ liệu chất lượng kém của bất kỳ loại 
nào và từ bất kỳ nguồn nào cũng có thể tác động tiêu cực đến hoạt động của kế toán quản trị, làm 
cho dự báo bị lỗi. Phân tích và dự báo có giá trị là kết quả của cách tiếp cận phân tích thích hợp 
nhất áp dụng cho dữ liệu chất lượng cao (Redman, 1998). Hoặc, theo như Davenport và cộng sự 
(2010, trang 23): “Bạn không thể phân tích được nếu không có dữ liệu và bạn không thể thực sự 
phân tích tốt nếu không có dữ liệu thực sự tốt”.
Các ứng dụng phân tích dữ liệu trong kế toán quản trị tập trung vào các lĩnh vực chính như 
quản trị chi phí, quản trị tài sản, và lập dự toán.
Quản trị chi phí: Khai phá dữ liệu đã được áp dụng trong lĩnh vực quản trị chi phí ở nhiều 
cấp độ khác nhau: thiết bị, quy trình, xây dựng, sản phẩm và dự án. Ở mức thiết bị, khai phá dữ 
liệu đã được sử dụng để ước tính chi phí sản xuất thiết bị (Chou và cộng sự, 2010; Chou và cộng 
sự, 2011) để nâng cao tính chính xác của việc kiểm tra và sửa chữa thiết bị (Chou và Tsai, 2012) 
Ước tính chi phí thay thế thiết bị (Dessureault và Benito, 2012). Việc ứng dụng khai phá dữ liệu 
vào lĩnh vực quản trị chi phí đã cho thấy nhiều điểm mạnh và điểm yếu. Các điểm mạnh bao gồm 
phương pháp tiếp cận biện pháp đúng đắn (Chou và cộng sự, 2010), sử dụng mô hình hỗn hợp 
(Chou và cộng sự, 2011; Kostakis và cộng sự, 2008) và làm nổi bật tầm quan trọng về sự hiểu biết 
về dữ liệu (Dessureault và Benito, 2012). Điểm yếu bao gồm một phạm vi rất hạn chế và quy mô 
mẫu nghiên cứu (Chou và cộng sự, 2011; Chou và Tsai, 2012), cũng như sử dụng các biến số hạn 
chế (Dessureault và Benito, 2012), hoặc dữ liệu mô phỏng (Kostakis và cộng sự, 2008). Ở cấp 
độ quy trình tại doanh nghiệp, khai phá dữ liệu đã được sử dụng để xác định chi phí các tiêu thức 
phân bổ chi phí dựa trên hoạt động và cải tiến quy trình sản xuất (Kostakis và cộng sự, 2008; Liu 
và cộng sự, 2012), cũng như ra quyết định định giá nội bộ (Kirsch và cộng sự, 1991). Ở cấp độ 
xây dựng, các tác giả (Yu và cộng sự, 2006, Shi và Li, 2008, Migliaccio và cộng sự, 2011, Vouk 
và cộng sự, 2011) tập trung vào ứng dụng khai phá dữ liệu để quản lý chi phí xây dựng, tạo ra 
một mạng lưới thần kinh đơn giản, nhanh chóng và chính xác về chi phí tổng thể hoặc đơn vị xây 
dựng, vận hành và bảo trì. Một số nghiên cứu này không thể nhân rộng được vì các biến được sử 
dụng không được xác định cụ thể (Yu và cộng sự, 2006) và một số không được tích hợp vào các 
hệ thống hoạt động hiện tại (Shi và Li, 2008).
Quản trị tài sản: Cụ thể là quản trị hàng tồn kho, bao gồm phân loại hàng tồn kho, chi phí, 
tối ưu hóa và kiểm soát là yếu tố chính ảnh hưởng đến khả năng cạnh tranh của công ty. Trong 
lĩnh vực kiểm soát hàng tồn kho, mạng nơ-ron được sử dụng để tối ưu hóa mức tồn kho (Bansal 
và cộng sự, 1998; Reyes-Aldasoro và cộng sự, 1999). Báo cáo giảm 50% chi phí hàng tồn kho (từ 
trên một tỷ đô la sang khoảng một nửa tỷ đô la) trong khi vẫn duy trì mức độ đáp ứng giống như 
nhu cầu của một khách hàng. Ngoài ra, các bài báo này mô tả việc sử dụng các kỹ thuật thống kê 
truyền thống để giúp xác định kiểu mạng thần kinh tốt nhất cho một ứng dụng cụ thể. Để quản lý 
tốt hơn hàng tồn kho, nhiều kỹ thuật khai phá dữ liệu đã được sử dụng, bao gồm các cây quyết 
định (Braglia và cộng sự, 2004), mạng thần kinh mờ (Li và Kuo, 2008) và các giải thuật di truyền 
(Zeng và cộng sự, 2006). Những nghiên cứu này báo cáo các quy trình quản lý cải tiến và hệ quả 
là làm giảm chi phí lưu giữ hàng tồn kho bằng cách sử dụng các mô hình khai phá dữ liệu hỗn 
hợp, bao gồm kết hợp các hệ thống mờ và mạng nơ ron, tích hợp mạng nơ ron, quy trình phân tích 
và các giải thuật di truyền.
44
Dự toán: Chou (2009) và Tang (2009) đã phát triển một hệ thống dựa trên wb và dựa trên 
tình huống để lập dự toán chi phí nhanh nhất để hỗ trợ các nhà quản lý ra quyết định trong việc 
kiểm tra dự án và áp dụng phương pháp tập mờ cho việc ra quyết định để cải thiện quyết định 
ngân sách. Trong lĩnh vực quản lý doanh thu, Ragothaman và Lavin (2008) đã sử dụng các mạng 
thần kinh để hạn chế các thực tiễn nhận biết doanh thu không đúng cách bằng cách dự đoán các 
doanh nghiệp sẽ làm tăng doanh thu. Kết quả nghiên cứu cho thấy mô hình mạng thần kinh có 
sức mạnh dự đoán cao hơn để dự đoán doanh thu cải thiện doanh thu so với mô hình phân tích 
phân tác (MDA) và Logit; Mặc dù các mô hình Logit và MDA dự đoán các mô hình hàng bán trả 
lại tốt hơn. 
5. Kết luận
Với sự phát triển của các hệ thống doanh nghiệp cung cấp cho các kế toán quản trị quyền 
truy cập vào nhiều dữ liệu hơn và các loại dữ liệu, lưu trữ dữ liệu lớn hơn, và sức mạnh tính toán 
tốt hơn, các hệ thống doanh nghiệp kết hợp dữ liệu bổ sung này giờ đây có thể sử dụng kỹ thuật 
phân tích dữ liệu để trả lời các câu hỏi bao gồm: Phân tích mô tả, điều gì sẽ xảy ra (phân tích tiên 
đoán), và giải pháp tối ưu là gì (phân tích đề xuất). Tuy nhiên, các nghiên cứu cho thấy bản chất 
và phạm vi của kế toán quản trị chưa phát triển để tận dụng những kỹ thuật này (Sangster và cộng 
sự, 2009). Tình huống này không phải là vấn đề duy nhất đối với kế toán quản trị - theo Gartner 
(2016), câu hỏi đặt ra cho các doanh nghiệp đã đầu tư vào dữ liệu lớn là tìm xem chính xác các 
giá trị được tạo ra hoặc thông tin từ dữ liệu này.
TÀI LIỆU THAM KHẢO
1. Basu, A.,. Five pillars of prescriptive analytics success. Anal. Mag. 8-12, (2013).
2. Bertsimas, D., Kallus, N.,. From predictive to prescriptive analytics. ArXiv Preprint arXiv 1402, 
5481, (2014).
3. Birnberg, J.G., The case for post-modern management accounting: thinking outside the box. J. 
Manag. Account. Res. 21 (1), 3-18, (2009).
4. Brands, K., Business Analytics: Transforming the Role of Management Accountants, (2015).
5. Cokins, G., Top 7 trends in management accounting. Strateg. Financ. 95 (6), 21-30, (2013).
6. Chae, B.K., Yang, C., Olson, D., Sheu, C., The impact of advanced analytics and data accuracy on 
operational performance: a contingent resource based theory (RBT) perspective, Decis. Support. 
Syst. 59, 119-126, (2014).
7. Chou, J.S., Cheng, M.Y., Wu, Y.W., Tai, Y., Predicting high-tech equipment fabrication cost with a 
novel evolutionary SVM inference model. Expert Syst. Appl. 38 (7), 8571-8579, (2011).
8. Chou, J.S., Tsai, C.F., Preliminary cost estimates for thin-film transistor liquid-crystal display 
inspection and repair equipment: a hybrid hierarchical approach. Comput.Ind.Eng.62(2),661-669, 
(2012).
9. Davenport, T., Big Data at Work: Dispelling the myths, Uncovering the Opportunities. Harvard 
Business Review Press, (2014).
10. Dechow, N., Mouritsen, J., Enterprise resource planning systems, management control and the quest 
for integration. Acc. Organ. Soc. 30 (7), 691-733, (2005).
Phùng Anh Thư, Nguyễn Vĩnh Khương
45
Tập 12, Số 2, 2018
11. Granlund, M., Malmi, T., 2002. Moderate impact of ERPS on management accounting: a lag or 
permanent outcome? Manag. Account. Res. 13 (3), 299-321, (2002).
12. Griffin, P.A., Wright, A.M., Commentaries on big data’s importance for accounting and auditing. 
Account. Horiz. 29 (2), 377-379, (2015).
13. Holsapple, C., Lee-Post, A., Pakath, R., A unified foundation for business analytics. Decis. Support. 
Syst. 64, 130-141, (2014).
14. IBM, 2013. Descriptive, predictive, prescriptive: transforming asset and facilities management with 
analytics. In: Thought Leadership White Paper, (2013).
15. Ittner, C.D., Larcker, D.F., Assessing empirical research in managerial accounting: a value-based 
management perspective. J. Account. Econ. 32 (1), 349-410, (2001).
16. Kloptchenko, A., Eklund, T., Karlsson, J., Back, B., Vanharanta, H., Visa, A., Combining data and 
text mining techniques for analyzing financial reports. Intelligent, (2004).
17. Li, S.G., Kuo, X., The inventory management system for automobile spare parts in a central 
warehouse. Expert Syst. Appl. 34 (2), 1144-1153, (2008).
18. Nielsen, E.H., Nielsen, E.H., Jacobsen, A., Pedersen, L.B., Management accounting and business 
analytics. Dan. J. Manag. Bus. 78 (3-4), 31-44, (2014).
19. Nielsen, S., The Impact of Business Analytics on Management Accounting. (Available at SSRN 
2616363), (2015).
20. Silvi, R., Moeller, K., Schlaefke, M., Performance Management Analytics-The Next Extension 
in Managerial Accounting. (Available at SSRN 1656486). Scapens, R.W., Jazayeri, M., 2003. 
ERP systems and management accounting change: opportunities or impacts? A research note. Eur. 
Account. Rev. 12 (1), 201-233, (2010).
21. Systems in Accounting, Finance and Management 12 (1), 29-41.
46