集團企業財務共享智能流程優化研究

于瑞雨

（哈爾濱商業大學會計學院，黑龍江哈爾濱 150028）

0 引言

財務共享是由福特、通用電氣等一些大型跨國企業20世紀末提出的一種組織管理理念，通過將大型企業或集團企業分布在各地區的眾多子公司中可標準化的財務工作歸集至獨立的財務共享中心處理，實現流程再造，為集團企業財務工作流程建設與智能化奠定基礎［1］。財務共享在增強集團管控、降本增效方面成效顯著，受到集團企業關注，推動了組織結構變革。信息化社會，以機器學習、深度學習為代表的人工智能技術突飛猛進，在眾多領域廣泛應用且成效頗佳［2］。人工智能技術可將繁瑣的工作進行數字化處理，財務智能化成為21 世紀財會學科的發展趨勢。集團企業財務共享中心存在員工工作量大、基礎工作多、業務效率低、員工價值提升難、人員流失率大等問題［3-4］。因此，從新技術應用入手優化改造財務共享中心服務與運營尤為重要，應大力推廣先進的賬務系統、OCR 技術、人工智能等相關技術［5］。本文在借鑒前人研究成果基礎上，探索人工智能技術與集團企業結構化數據、自動化系統相結合的途徑，將人工智能運用于解決較復雜問題，以提升集團企業財務智能化水平。

1 集團企業財務共享中心概述

財務共享中心以經濟事項維度統一制定規則、業務流程、制度系統，可代表大量業務單位完成交易處理。其利用服務水平協議（SLA）定義業務單位所接收服務的水平，著重追求流程效率最大化和持續改進。財務共享中心工作流程：先把匯聚來的集團企業所有子公司的同類業務打散，然后在成本較低地區的財務共享中心內按照業務類型實行集中流程化合并作業處理，產生巨大的作業規模優勢，在以較低成本提供優質服務的同時大量減少底層財務作業人員工作量。在該模式下所有業務透明，易于實現規章制度、管理模式的統一以及業務流程的標準化，集團企業可對子公司進行高效管理并提高掌控程度。在整個財務共享模式下，集團企業原有的財務組織體系會被拆分為總部財務、業務財務兩個部分，財務共享中心則作為新增的第三個結構部分。財務共享中心通過集中作業的方式歸集處理集團企業應收、應付、費用、總賬核算和稅務等大量日常標準化業務。

2 集團企業財務共享存在的問題

2.1 業務量超過運營承載力

隨著集團企業業務規模的擴張，財務共享中心承接業務量亦日益增多，常出現業務高峰期無法及時完成財務工作情況，致使財務團隊難堪重負。例如集團企業每月普遍承擔數萬筆財務單據的審核工作，包括費用報銷單、應付賬款單、應收賬款單和財務總賬單等。財務共享中心需要根據幾千條的審核規則，人工判斷是否符合記賬規則，其中還存在提單不規范導致退單率高的現象，造成復審工作量很大。前端的業務多導致財務人員工作任務增加，不堪重負。

2.2 人才資源嚴重浪費

類似單據審核這種財務工作是財務共享中心的重要日常業務之一，其通過前端業務根據自身需求提交相關申請，于系統中完善所需字段并上傳相關附件，以輔助共享中心員工審核信息是否準確，錄入信息量大且非工作日無法完成審批。由于其為相對基礎的工作，專業性較低且內容單一，故不利于員工價值發揮和職業發展，員工的低價值感致使離職風險上升，大大增加管理難度。提升集團企業自動化、智能化水平，讓更多財務工作實現無人化處理勢在必行。

2.3 結構化數據積累困難

集團企業財務共享中心原有工作流程不易積累起足夠的結構化數據，難以為分析決策提供支持，故無法推進更多的智能化項目。如費用項目作為集團企業經營成本的重要組成部分，由于各行業對成本的高敏感性要求必須對其進行分析，將原來僅保存于電算化系統上的單據信息全部轉化為結構化數據，通過深層次挖掘和分析，對業務優化和風險防控具有支持和參考價值。但集團企業核算工作中只有不到一半的票據有國標、行標版式，故對票據進行數據結構化很不容易，這時需運用人工智能技術中的機器學習方法，在已經實現財務融合的集團企業使用財務共享中心的大量歷史財務數據進行訓練，生成規則后不斷獲取新的數據再次對算法進行優化，實現良性循環。

2.4 人工差錯率高

財務工作紙質單據多、審核、記賬規則多，審核耗時且易出疏漏，致使運營成本居高不下。原有的自動化模式雖然對財務工作進行了一定優化，簡化了部分人工流程，但效果并不理想。全員提單背景下部分業務較為復雜，由于流動性較大的提單人員不是專業的財務人員，但同樣需要處理很多專業的票據信息，理解偏差和不規范操作導致提單質量參差不齊，退單率直線上升，復審和修改工作增加了財務人員工作量。另外，當核算事項處于模棱兩可狀態時，某些審核點在執行上就會出現偏差，對復雜審核點、特殊審核點、罕見審核點無法統一意見。

3 集團企業財務共享流程優化

通過財務共享中心的智能流程優化，在財務作業層構建財務共享服務體系，通過流程優化實現集團企業管理模式轉型，真正由管控轉向于服務，讓服務成為共享的內生基因。

圖1 為集團企業財務共享流程優化架構。上層三部分是集團企業需著力研究的高階智能化應用。先抓取所有財務數據并進行清洗，將其歸集到數據管理平臺。管理駕駛艙是集團企業對財務數據的應用，通過預先設置指標實行事中監控，由數據動態反映出集團企業的經營行為。決策支持指流程優化后將以往根據人工制定的少量規則作出決策變為系統通過新生成的大量規則自動作出決策。中間的應用層包括核算、資金、稅務、財務管理模塊系統，以及可進行智能流程優化的共享運營和智能財務模塊。共享運營模塊默認包含集團企業共享作業平臺和OCR 影像系統，可以引入財務機器人、智能審核平臺和記賬模型進行流程優化，處理部分可實現自動化的財務工作。智能財務模塊嘗試與外部系統協同將原有的財務系統對接，把事后控制變為事前控制。比如建立與攜程這類企業對接的商旅平臺，員工出差開銷將不用再墊付差旅相關費用，也不用索要紙質單據，可同時節省業務員和財務人員工作量。還有電商平臺對接辦公用品等日常低值易耗品采購，交通中介平臺對接交通出行，外賣平臺對接員工餐飲等。最下面一層是業財一體化，如ERP、CRM、OA 或HR 系統等。

Fig.1 Optimized structure of financial sharing process optimization in group enterprises圖1 集團企業財務共享流程優化架構

財務核算業務以前依靠電算化軟件內置規則完成，而電算化軟件基本沒有顧及票據數據，實現的是部分數據自動化，內置規則覆蓋面小，非結構化數據規則缺失，不具備基本的推導能力，無法應對復雜核算場景，日常報銷核算和研發費用資本化核算也存在同樣問題。引入人工智能技術對財務共享中心流程優化后，可通過接口或RPA 自動抓取附件影像或相關信息傳輸至智能識別模塊做緩存處理，智能識別附件類型并執行敏感詞、文本格式、收款方類型的檢查程序，應用兩套分類器完成識別準確率分析（置信區間計算）。對準確率低于設定值的字段文本或者不能運用機器判斷的附件類型完成虛擬切割（影像碎片化），然后將其傳輸至人工校對隊列。通過智能識別結合人工補錄規則，運用流程化規則模擬人工操作，可應用于費用、總賬，成本、應收，應付、稅務、資金等各類財務核算工作，宛如虛擬財務人員般服務于各個財務工作環節，巧妙結合應用分類器置信和切割脫敏眾包，利用深度神經網絡達成核算維度分析，實現財務審核細則函數化轉換等，解決了常規電算化自動化率不高的難題，圖2 為財務核算業務優化前后對比，圖3 為人工審核與智能審核獲取、儲存、判斷信息對比。

Fig.2 Comparison of financial accounting business before and after optimization圖2 財務核算業務優化前后對比

Fig.3 Comparison of information acquisition，storage and judgment between manual audit and intelligent audit圖3 人工審核與智能審核獲取、儲存、判斷信息對比

4 集團企業實現智能化財務途徑

4.1 提取財務結構化數據

傳統的財務共享中心業務處理過程中，原始票據由財務人員手工收集、整理，報銷審批過程中無法將原始憑證作為報銷佐證參與審批，而報銷單填制煩瑣，補助計算復雜，整個業務流轉過程耗費大量人力、物力，難以滿足集團企業高效的運作模式，亟需采用既符合現有報銷制度規范，又提升一線人員填報效率的業務處理模式。智能化流程優化要注重數據的生成，OCR 結合人工校對可有效彌補現有技術的欠缺，實現財務結構化數據提取需求。按照業務流程順序，首先由業務人員通過外接硬件設備高速掃描采集原始單據影像信息，識別并提取票據關鍵數據信息，建立與影像集的關聯關系。然后分析每個字段傳遞回的置信值，將準確的財務結構化數據直接歸置數據庫，將低于設定區間的字段以及非制式票據由人工二次處理。為確保信息安全性，可根據實際情況將票據進行切割，把需要補充的部分選用智能審核平臺由人工進行補充。圖4 為結構化數據提取流程。

Fig.4 Structured data extraction process圖4 結構化數據提取流程

4.2 應用隨機森林算法

4.2.1 隨機森林原理及流程

作為當下最炙手可熱的人工智能技術分支之一，機器學習類似一個通過挖掘數據中存在的潛在規律來構建學習器的過程。學習器通常劃分為淺層網絡與深層網絡，淺層網絡由一些傳統的機器學習方法構建，結構簡單且訓練省時，針對小樣本數據有不錯的預測精度，但卻普遍存在過擬合問題［6-8］。隨機森林是一種經典的使用多個決策樹分類器的機器學習集成算法，具有不易發生過擬合的優點，可實現更有效的分類或預測［9-11］。將bootstrap 重抽樣方法與決策樹算法相結合，在構建模型的同時能對特征的重要性進行評估，性能較好［12-13］。每棵決策樹都是一個分類器，決策樹上的葉子節點都具有同一類別的數據，每棵決策樹都在最大程度上生長且沒有剪枝過程，所有的決策樹最后整合成為一個隨機森林。當使用隨機森林建立回歸預測時，決策樹會根據內部選擇的最優分裂節點生成一條從根與葉子節點之間的路徑，對輸入的樣本數據進行分類，該葉子節點就是這個待分類樣本的分類結果，最后根據分類結果數最多的節點決定最終輸出［14-15］。通過對原始數據提取、循環，利用歸集出的多個樣本子集建立決策樹，最終結果由其組成的隨機森林決定。圖5 為隨機森林模型流程。

Fig.5 Flow of random forest model圖5 隨機森林模型流程

4.2.2 隨機森林建立條件

首先，要有大量的經濟活動數據。智能化財務共享流程優化的核心是對集團企業所有的歷史財務數據進行結構化。將收集到的財務數據由算法工程師選擇一種算法運用到財務邏輯中，這種機器學習邏輯就是從大量的數據中找到規律；其次是算法。通過AIPM 與AE 協作實施，選擇一種適用的邏輯從歷史財務數據中梳理出一系列規則，然后通過規則自動地代替人工操作。人工智能大部分應用是處理數據，其次才是建模。具有數據處理能力、算法能力的員工是關鍵，人工智能算法工程師也很重要；最后是算力。算力的獲取相對容易，市場上有大量公司可提供公有云和私有云服務供集團企業租賃。可借助互聯網提供的數據以及數據存儲運轉的空間輔助員工在不同的網絡環境或電腦中工作，亦可對數據、安全性提供一定的管控，幫助集團企業進行流程管理。

4.2.3 財務領域應用示例

財務共享中心作為集團企業數據的沉淀中心，具有海量純凈數據資源，可不斷完善這些數據的結構化以及使用、管理方式。在提取結構化數據后，運用隨機森林算法挖掘數據與數據之間難以通過人工歸納出的潛在聯系，對集團企業歷史財務數據進行標簽，構建一套神經網絡（單一模型），再通過分類器完成不同數據標簽的關聯輸出。通過使用歷史財務數據進行訓練，無需人工建立數據間的關聯規則即可自動生成各文本數據之間的聯系。有別于傳統解決特定任務、硬編碼的軟件程序，隨機森林算法是使用大量數據訓練并尋找規則，從數據中學習如何處理新的任務，并把規則運用于未來數據。通過神經網絡及數據訓練集的配合，在財務數據中尋找場景所需規則，可實現核算科目自動判定，做出相關決策和判斷，形成機器學習模型。基于歷史數據及結果監督的千余棵決策樹成長，并根據置信度決定是否使用最終生成規則，實現難以通過人工整理的財務規則并將其運用到各類業務場景。隨著數據的不斷積累和學習，在執行中自我成長，準確率會越來越高。圖6 為隨機森林算法應用示例。

Fig.6 Application example of random forest algorithm圖6 隨機森林算法應用示例

4.3 實現財務規則自動化

集團企業財務共享中心原本就存在成熟的人工規則條例，這為實現財務規則自動化奠定了堅實的基礎。規則自動化可替代人工判斷實現財務工作智能化。由人工制定出規則手動輸入系統執行轉化為機器學習把梳理出的規則自動植入后臺執行，通過規則自動化進行智能審核和記賬，實現流程優化，無需人工干預即可基本消除人為誤操作。將接收到的財務結構化信息輸入規則自動化引擎中，經過規則判斷，只有審核通過的單據才能繼續完成記賬或支付步驟，未通過的則會根據規則輸出其未通過的原因并給出修改方案。智能財務與傳統自動化相比，不僅準確率接近100%，而且規則數量級也不一樣，可從原有的十幾條規則拓展到全面覆蓋集團企業所有經濟事項的數千條規則。系統可通過生成的規則實現全面控制，在處理大量單據的同時不會像人工處理般產生遺漏，實現系統內部的無感化管控。通過定制化規則的自動化模塊亦可校驗數據間邏輯的合理性與合規性，還可自定義設置以提高應變能力，滿足后續拓展更多類型單據的智能審核需求，方便開展后續數據再挖掘工作。

5 集團企業財務智能化水平提升措施

5.1 引導團隊適應新技術

智能財務在我國應用還不成熟，很多集團企業在靜觀其變，部分財務工作者亦沒有詳細了解智能財務工作優勢，他們認為智能財務有許多弊端，害怕機密信息被竊取、泄漏。尤其在推動智能財務過程中，集團企業具有話語權的高管人員不理解智能財務變革，將嚴重影響智能財務發展。財務工作需要與時俱進，但引入智能財務后面臨熟悉新的財務流程問題，需要培訓員工。國內既懂智能財務技術又懂財務專業知識的人才少之又少，因此需要加強優秀高端人才培養。由專業科技咨詢、技術人員和財務共享中心員工組成流程優化小組，自建或協同技術專家團隊定制財務方案，實現智能財務有效嵌入企業。

5.2 引入智能識別技術（iOCR）

財務共享中心流程優化方案實現關鍵在于OCR 技術應用，基于OCR 技術的識別模塊基本任務是對所采集的原始憑證影像進行圖像處理、分析、定位及自動識別，識別出每張原始憑證中的關鍵業務信息，將信息校檢后的數據按識別順序記錄在系統中［16-17］。結構化數據提取的基礎和關鍵是準確率，可引入智能識別技術（iOCR）處理原始單據，結構化信息識別后提取數據，進行自我認錯和自我學習。基于卷積神經網絡（CNN）技術構建智能識別系統，配合SoftMax 分類器置信，快速、批量化識別不同種類票據圖片中存在的各種信息，形成可編輯的結構化數據，極大提升了OCR 識別的準確率。與OCR 光學識別相比，iOCR 可自動識別錯誤信息，對影像像素要求低，識別率高且識別字段齊全，票據識別兼容性好，能自我學習不斷成長。識別結果不受拍攝角度、背景、亮度、折痕、內容錯位等因素干擾，具備較高的復雜環境可用性，即識別的影響質量越高識別率也越高。表1 為智能識別技術與傳統OCR 識別對比。

Table 1 Comparison between intelligent recognition technology and traditional OCR recognition表1 智能識別技術與傳統OCR 識別對比

5.3 用眾包模式處理非標準數據

集團企業財務共享中心智能優化后，由于部分財務業務的復雜性以及財務對準確率的高要求，單純依靠人工智能技術并不能完全滿足集團企業要求。一方面，人工智能技術無法解決太個性化的業務，另一方面模型訓練存在概率問題，無法達到完全準確。財務工作本就存在很多非發票類單據不如發票般標準的問題，導致在結構化數據提取環節，識別制式附件準確率達不到預期目標，識別非制式附件的錯誤字段或識別不出的字段多，有時還會出現票據切割失敗的技術問題。加上OCR 識別存在響應時間較長、訓練人工干預較多、置信準確率較差等現象，識別錯誤會產生連鎖負面影響，故對識別模型輸出結果進行人工校對仍有必要。財務眾包平臺采用的眾包模式指公司或機構將過去員工的部分工作通過互聯網發布給非指定大眾的一種新型運營模式［18-20］，有著自由、合作、碎片化工作特點。通過智能識別和財務眾包平臺人工補錄并行模式，當出現識別置信值較低的字段時，識別引擎可進行準確切割打散碎片化，將對應字段圖片交由財務眾包平臺進行人工二次提取，確保提取的字段達到100%的正確率。這是目前對智能識別錯誤單據、無法識別的非標準版式單據進行人工補錄的最優方式，能準確把集團企業所有類型單據結構化，有效提高了效率。

6 結語

集團企業財務共享中心應用人工智能技術實現財務工作全流程智能化，可實現大幅降本增效并為用戶提供更優質的服務。配置好規則引擎后，高峰時期業務量增加也無需增加人員編制，能更好地服務于企業戰略和業務發展。降本增效只是第一步，財務風險防控才是智能化的深層價值，集團企業可基于財務活動構建實時監控系統，在財務狀況風險顯露時及時預警，同時利用數據庫中存儲的相關信息明確提出解決方案，最大程度降低財務風險對運營造成的危害。人工智能技術與集團企業財務結合的科學方案仍有待發掘，兩者組合千變萬化但又殊途同歸，上述應用只是冰山一角。需注意的是，人工智能技術雖然比人類速度更快、結果更精準，但并不能達到完全正確，對此需要有正確的認識才能做到有的放矢，使人工智能技術在集團企業財務共享中發揮出最大的應用價值。