基于RPA的財務機器人數據自動化分類系統設計

摘要：為提高財務數據處理的自動化水平，本文設計了一種基于RPA技術的財務機器人業務數據自動化分類系統。該系統在收集財務數據后，根據分類規則進行自動化分類，并將結果存儲于數據庫中。分類規則基于財務數值、文本和業務邏輯構成，并采用RPA技術進行參數設置，執行邏輯編寫。數據建模使用Apriori算法挖掘數據模式，生成關聯規則，并直接應用于財務機器人的數據自動化分類系統中。經測試，基于RPA技術的財務機器人數據自動化分類系統在高并發環境下的穩定性良好，能夠滿足大規模數據分類的需求。

關鍵詞：RPA技術；財務機器人；數據自動化；分類系統設計

中圖分類號：F273""""""""" 文獻標志碼：A

隨著信息技術飛速發展，企業對財務數據處理的自動化和智能化需求日益增長。為提高財務數據的處理效率和準確性，本文設計了一種基于機器人流程自動化（Robotic Process Automation，RPA）技術的財務機器人數據自動化分類系統。該系統利用RPA技術，可實現財務數據的自動收集、清洗和轉換，并采用Apriori算法挖掘數據模式，生成關聯規則，從而實現財務數據的自動化分類。此外，除了對財務機器人數據自動化分類系統進流程、數據建模、應用與監控等方法進行設計外，還對多個用戶同時向財務機器人輸入數據后的情況進行了測試分析。測試結果表明，基于RPA技術的財務機器人數據自動化分類系統在高并發環境下的穩定性良好，能夠滿足大規模數據分類的需求。本文基于RPA的財務機器人數據自動化分類系統旨在推動企業財務管理現代化進程，提升企業的核心競爭力。

1流程設置

1.1數據處理

設計該系統時，首要任務是對財務數據進行處理。機器人會應用RPA技術自動收集、清洗和轉換各種類型的財務數據，確保數據的完整性和準確性[1]。基于RPA技術的財務機器人數據自動化分類流程如圖1所示。

在確保機器人有權限訪問并連接財務數據源的情況下，機器人能夠應用RPA技術自動從會計軟件、銀行對賬單、發票、工資單等多個財務數據源中收集數據，并對數據進行清洗，以消除重復、不完整、不準確或無關數據。去除重復記錄、填補缺失值、糾正錯誤和標準化數據格式后，將清洗的數據轉換為適合分類的格式。采用RPA編譯將數據轉換為適合機器學習模型的格式。轉換后，財務機器人可對數據信息進行驗證，以確保其完整性和準確性。再將不同來源的數據集成到一個統一的數據集中，處理數據源間的沖突和重復問題，并將數據存儲到數據庫中，以支持后續的數據分析。

1.2設置分類規則

在基于RPA技術的財務機器人業務數據自動化分類系統中，處理規則是保證數據正確分類的關鍵[2]。RPA數據自動化分類系統處理規則流程如圖2所示。

在基于RPA技術的財務機器人業務數據自動化分類系統中，明確財務數據分類的需求和目標可識別出具體的分類規則[3]。分類規則由具體財務數值、財務發票文本、財政年度以及其他業務邏輯構成。設置參數時，需要根據定義好的規則編寫具體的執行邏輯，并為每個規則設置相應的參數。參數設定為固定值——金額、變量——日期以及外部源數據——市場利率。設計數據驗證流程可保證輸入數據符合預設格式標準。對于不符合要求的數據，需要記錄異常、觸發警報，并對其進行異常處理。確定規則并驗證數據后，財務機器人數據自動化分類系統將設計自動化分類流程，使用循環結構遍歷所有數據并應用分類規則。最后根據配置結果輸出報告，生成詳細財務數據信息，并根據報告結果進行反饋循環，以持續優化、調整分類規則，滿足企業的財務數據分類需求。

2數據建模

2.1Apriori算法挖掘

在基于RPA的財務機器人數據自動化分類系統中，Apriori算法有助于識別數據中的模式和關聯，從而輔助生成分類規則[4]。掃描數據集，并統計每個項的支持度計數，可生成頻繁1-項集。基于頻繁k-1項集，可連接產生候選k-項集。對候選k-項集進行剪枝，即可去除不滿足最小支持度要求的候選項。計算每個候選項集在數據集中出現的支持度，可識別出頻繁項集，即在數據集中經常出現的物品組合。支持度計算過程如公式（1）所示。

（1）

式中：x為一個物品或物品組合，即要計算支持度的項集；Sx為物品x的支持度，即物品x在所有交易中出現的概率；Tc為所含物品x的交易數，即數據集中所含物品x的交易數量；Tt為總交易數，即數據集中的總交易數量。

得到支持度后，根據最小支持度閾值篩選出頻繁k-項集，作為下一輪迭代的基礎，并重復進行連接、剪枝、計算支持度和篩選頻繁項集的步驟，直到無法生成新的頻繁k-項集為止。最后，基于挖掘到的頻繁項集生成關聯規則，并計算置信度等指標。置信度指標計算過程如公式（2）所示。

（2）

式中：（x→y）為關聯規則，其中x是規則的前提部分，y是規則的結論部分，表示在購買物品x的情況下也購買物品y；S（x，y）為同時含有物品x和y的交易數，即數據集中同時含有物品x和y的交易數量；S（x）為物品x的支持度，即物品x在所有交易中出現的概率，在此處可用于計算購買物品x時也購買物品y的概率；Cd（x→y）為關聯規則的置信度，即在購買物品x時也購買物品y的概率，該值可衡量關聯規則的強度和可靠性。

置信度指標可評估關聯規則中前提部分與結論部分間的相關性。高置信度表明在前提條件下出現結論的概率較高，規則更可靠。

2.2生成關聯規則

關聯規則可由頻繁項集推導得出[5]。根據最小支持度和最小置信度閾值，從頻繁項集中選擇具有較高支持度和置信度的項集，將其作為關聯規則的候選項。對于每一個頻繁項集，生成所有可能的關聯規則。假設頻繁項集為{A，B，C}，可以生成的關聯規則包括A≥B，C；B≥AC；C≥A，B；A≥B；A≥C；B≥A；B≥C；C≥A；C≥B。計算生成的每個關聯規則的置信度。如果置信度大于等于最小置信度閾值，則將該關聯規則保存下來。對于每個保存下來的關聯規則，根據規則的前置條件和結論部分進行規則命名和描述。如規則A≥B中，C可以命名為“購買A通常伴隨購買B和C”，并對其進行解釋和注釋，以便于后續理解使用。根據增加或減少頻繁項集的選擇調整最小支持度和最小置信度閾值，以獲得更符合實際需求的關聯規則。最后將生成的關聯規則應用于財務機器人的數據自動化分類系統中，輔助分類規則的生成和優化。

3應用與監控

3.1關聯規則應用

在應用過程中，利用生成的關聯規則幫助財務機器人更好地理解數據并進行自動化分類，從而提高分類系統的準確性、效率和智能化水平[6]。同時，計算余弦相似度可衡量2個向量間的相似程度，進而在關聯規則挖掘中評估規則間的相似性，以更好地理解數據間的關系和模式。余弦相似度是指將2個向量在空間中進行投影并計算二者間夾角的余弦值來衡量其相似程度。分子表示2個向量間的內積，分母表示各自長度的乘積。對于任意2條關聯規則對應的向量，余弦相似度計算過程如公式（3）所示。

（3）

式中：x和y分別為2條關聯規則對應的向量；xi和yi分別為2個向量在第i個維度上的取值；Σi xi. yi為2個向量x和y中對應維度值的乘積之和，此部分計算了2個向量在每個

維度上的相似程度為2個向量各自每個維度值的平方和開根號后的乘積，此部分計算了2個向量在每個維度上的長度。

余弦相似度值范圍為[-1，1]，其中1為完全相同，-1為完全不同，0為無相關性。計算余弦相似度，比較不同規則間的方向關系，從而更好地理解數據間的關系和模式。

3.2性能監控

在完成財務數據的自動化分類流程和關聯規則的生成后，為了確保系統的穩定性、準確性并適應可能的變化，需要對系統進行性能監控與調優。首先，應持續監控數據清洗的質量，確保數據的準確性和完整性。通過抽樣檢查或全量檢查相結合的方式，可驗證數據質量。其次，采用交叉驗證測試來評估分類系統的準確率。將財務數據中的原始數據集劃分為訓練集和測試集，并使用訓練集數據訓練分類模型。將訓練集數據劃分為K個等份，每次保留一個份作為測試集，其余（K-1）份作為訓練集，重復k次，得到k個模型評估結果。最后，統計每次交叉驗證的分類結果，計算分類系統的準確率。分類系統的準確率計算過程如公式（4）所示。

×100%（4）

式中：Ac為準確率；Cs為模型正確預測的樣本數量；Ts為總的測試樣本數量。

將k次交叉驗證的準確率取平均值，即可得到最終準確率評估結果，計算過程如公式（5）所示。

Acyi（5）

式中：Fa為最終準確率；k為交叉驗證的折數，表示數據集被劃分為子集進行驗證的子集數量；Acyi為在第i折驗證所得的準確率。

在交叉驗證過程中，對每一次驗證得到的準確率進行求和，并取平均值作為最終的準確率評估指標，由此可以綜合考慮所有折的表現，更全面地評估分類系統的性能。

4測試評估

4.1測試準備

基于RPA技術的財務機器人業務數據自動化分類系統的集成測試以Windows Server2019為操作系統，部署Intel Core i7-10700KF處理器，以滿足系統快速處理大量財務數據的基礎需求。同時，采用Corsair Vengeance LPX16GB（2×8GB）、DDR43200MHz內存，以便系統能夠同時處理多個任務和數據集，并便于機器人與不同的財務系統快速進行數據交換。服務器還設置有Intel X550-AT210GbE SFP+Network Interface Card網絡接口。建立高速穩定的網絡環境，以確保機器人可以無障礙地在不同系統間傳輸數據。完成測試環境搭建后，根據功能測試驗證財務機器人在高并發情況下的數據收集性能。模擬多個用戶同時向數據源輸入數據，并運行數據收集任務，測量收集任務的響應時間和系統資源占用情況，從而驗證系統在高并發情況下能否保持性能的穩定性。

4.2測試結果

為驗證基于RPA技術的財務機器人數據自動化分類系統在高并發情況下的數據收集性能，模擬多個用戶同時向數據源輸入數據，并運行數據收集任務，系統響應時間和資源占用情況見表1。

經測試，隨著用戶數增加，系統響應時間基本保持在2s左右，表明系統在高并發情況下仍能保持較快的數據收集速度。TC-6（60個用戶）的響應時間為2.5s，略高于其他測試用例，但仍然在可接受范圍內。另外，CPU利用率隨著用戶數增加而逐漸上升，但利用率始終保持在60%以下，證明CPU資源沒有達到滿載，仍有余力處理更多的任務。同時，內存利用率同樣隨著用戶數增加而上升，但總體保持在55%～63%，表明內存利用率的增加幅度也相對平穩，系統內存管理得當，表明基于RPA技術的財務機器人數據自動化分類系統在高并發環境下的穩定性良好，能夠滿足大規模數據分類需求。

5結語

基于RPA技術的財務機器人數據自動化分類系統為企業提供了一種高效、準確的財務數據處理解決方案，有助于提升企業的財務管理水平和核心競爭力。設計了基于RPA技術的財務機器人數據自動化分類系統，可實現財務數據處理的自動化和智能化，有效提高企業財務數據處理的效率和準確性。利用RPA技術，可實現財務數據的自動收集、清洗、轉換和分類功能，采用Apriori算法挖掘數據模式并生成關聯規則，可滿足大規模數據分類的需求。經測試，在高并發環境下，系統表現穩定，響應迅速，并且資源利用率在可接受范圍內。表明基于RPA技術的財務機器人數據自動化分類系統具備處理大量財務數據和快速交換數據的能力，可用于企業日常財務數據處理、分析和報告。

參考文獻

[1]彭雪妍. 基于財務數字化轉型背景下的國企集團司庫管理體系建設路徑探析[J]. 國際商務財會，2023（23）：49-52.

[2]徐強艷，李璐涵. 數字化轉型背景下RPA財務機器人在中小型企業財務管理中的應用探究[J]. 老字號品牌營銷，2023

（23）：98-100.

[3]黃月薪，陳兵，王耀東，等. 機器人流程自動化技術驅動科技期刊數字化創新發展的應用路徑——出版流程轉型升級視角[J]. 科技管理研究，2023，43（23）：241-246.

[4]張曉瑋，劉波，戈姍姍，等. 基于人工智能的財務管理創新——財務機器人在XH醫院的應用[J]. 財會月刊，2022

（23）：119-126.

[5]黃成慶，董文宇. 基于RPA技術的醫院醫療收入核算流程優化研究——以FY醫院為例[J]. 會計之友，2022（16）：40-46.

[6]張媛. 基于RPA技術的財務機器人業務數據自動化分類系統[J]. 自動化與儀器儀表，2022（1）：168-171.