| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-24页 |
| 1.1 研究背景与问题的提出 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 问题提出 | 第11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 应收账款管理相关研究 | 第11-13页 |
| 1.2.2 财务共享相关研究 | 第13-14页 |
| 1.2.3 大数据智能化相关研究 | 第14-15页 |
| 1.2.4 文献评述 | 第15页 |
| 1.3 论文的研究目的和意义 | 第15-17页 |
| 1.3.1 研究目的 | 第15-16页 |
| 1.3.2 研究意义 | 第16-17页 |
| 1.4 研究内容和论文的结构 | 第17-21页 |
| 1.4.1 论文内容 | 第17-19页 |
| 1.4.2 论文结构 | 第19-21页 |
| 1.5 研究方法和技术路线 | 第21-22页 |
| 1.5.1 研究方法 | 第21-22页 |
| 1.5.2 技术路线 | 第22页 |
| 1.6 本文的创新点 | 第22-24页 |
| 2 相关概念和理论基础 | 第24-32页 |
| 2.1 财务共享 | 第24-25页 |
| 2.2 大数据 | 第25-26页 |
| 2.2.1 大数据的特征 | 第25页 |
| 2.2.2 大数据下的财务应用 | 第25-26页 |
| 2.3 机器人流程自动化(RPA) | 第26-27页 |
| 2.3.1 机器人流程自动化的特征 | 第26-27页 |
| 2.3.2 机器人流程自动化与应收账款管理 | 第27页 |
| 2.4 价值链管理理论 | 第27-28页 |
| 2.5 人工神经网络(ANN) | 第28-29页 |
| 2.5.1 BP算法及实现 | 第28-29页 |
| 2.5.2 BP神经网络算法进行应收账款风险评价的可行性分析 | 第29页 |
| 2.6 聚类算法 | 第29-31页 |
| 2.6.1 K-Means聚类算法理论及实现 | 第29-31页 |
| 2.6.2 K-Means聚类算法建立信用评级标准的可行性分析 | 第31页 |
| 2.7 本章小结 | 第31-32页 |
| 3 Z企业应收账款管理现状描述及需求分析 | 第32-42页 |
| 3.1 Z企业概况 | 第32-34页 |
| 3.2 Z企业流动资产质量分析 | 第34-35页 |
| 3.3 Z企业在财务共享服务模式下的应收账款管理业务现状分析 | 第35-41页 |
| 3.3.1 财务共享模式下Z企业应收业务流程现状 | 第35-40页 |
| 3.3.2 Z企业应收业务问题描述 | 第40-41页 |
| 3.4 应收账款管理需求分析 | 第41-42页 |
| 3.4.1 完善应收账款风险管理体系 | 第41页 |
| 3.4.2 跨系统自动取数 | 第41页 |
| 3.4.3 账期自动提示 | 第41-42页 |
| 4 基于大数据智能化的Z企业应收账款管理优化设计 | 第42-62页 |
| 4.1 设计目标 | 第42页 |
| 4.2 基于大数据智能化的Z企业应收账款管理优化框架 | 第42-45页 |
| 4.3 基于RPA和大数据算法的应收账款风险管理模型 | 第45-57页 |
| 4.3.1 基于RPA和 K-Means聚类的业主信用评级 | 第45-51页 |
| 4.3.2 基于BP神经网络算法的Z企业坏账风险预测 | 第51-57页 |
| 4.4 基于RPA的开票流程自动化 | 第57-59页 |
| 4.5 基于RPA的应收账款对账和收款核销流程优化 | 第59-62页 |
| 5 基于大数据智能化的Z企业应收账款管理优化实施 | 第62-76页 |
| 5.1 Z企业应收账款管理流程优化实施—以应收账款对账流程为例 | 第62-66页 |
| 5.1.1 UIPath简介 | 第62-63页 |
| 5.1.2 EXCEL操作自动化 | 第63-66页 |
| 5.1.3 自动发送E-Mail | 第66页 |
| 5.2 基于K-Means聚类算法的业主信用评级实施 | 第66-70页 |
| 5.2.1 因子分析操作 | 第66-69页 |
| 5.2.2 K-Means聚类操作 | 第69-70页 |
| 5.3 基于BP神经网络的坏账风险预测实施 | 第70-73页 |
| 5.4 Z企业应收账款管理智能化实施建议 | 第73-76页 |
| 5.4.1 信息资源整合 | 第73页 |
| 5.4.2 运用大数据技术 | 第73-74页 |
| 5.4.3 财务团队转型 | 第74-76页 |
| 6 研究结论及展望 | 第76-78页 |
| 6.1 研究结论 | 第76页 |
| 6.2 研究展望 | 第76-78页 |
| 致谢 | 第78-80页 |
| 参考文献 | 第80-84页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第84页 |
