6月18日，由上海国家会计学院主办，中兴新云服务有限公司、金蝶软件（中国）有限公司、浪潮数字企业技术有限公司、用友网络科技股份有限公司、北京元年科技股份有限公司、上海汉得信息技术股份有限公司联合主办的“会计数字化转型的中国经验”主题论坛暨2023年影响中国会计行业的十大信息技术评选结果发布会在上海国家会计学院国际会议中心顺利举行。本次论坛揭晓了2023年影响中国会计行业的十大信息技术。
小编特邀了参与本次评选的十位专家，从他们研究的视角，对入选的十大信息技术进行简要解读，侧重与会计的融合。需要说明的是，信息技术的理解是多层面的，专家的解读以启发为主，希望引发读者更多的思考。
信息技术按得票从高到低排名。
杭州新诺微电子有限公司财务副总经理
韩晓园
全面数字化电子发票简称数电发票或全电发票，是与纸质发票具有同等法律效力的全新发票，是将纸质发票的票面信息全面数字化，通过标签管理将多个票种集成归并为电子发票单一票种，设立税务数字账户，实现全国统一赋码、智能赋予发票开具金额总额度、自动流转交付。
发票的电子化的发展经历了4个重要阶段，包括多个发票系统并存、开始启用网络发票、电子普通发票应用、全面数字化电子发票。至2022年8月28日，全电发票的受票试点工作扩展至全国所有省市。对管理工作产生了明显影响，全电发票开票、验票、报销等一系列操作的全程电子化，而且还能够与企业ERP系统、财务软件等其他系统无缝对接，从而实现数字化财务管理。对会计领域来说，财务部门通过税务的电票信息提前掌握业务数据，不用等到业务部门提交报销凭据；财务档案全面实现电子化，不用再装订凭证；交易信息更加透明，越来越少的人为舞弊。
从未来趋势判断，增值税申报取消进项税认证环节，收到电子发票自动抵扣，企业只需补充申报需转出的进项税；纳税申报可能需要补充电票信息与资金往来的核销内容；税务部门会掌握更多更详实更准确的经济信息，为国家经济政策走向提供决策依据，而不仅仅是收取税款。
山西财经大学会计学院副院长（主持工作）
续慧泓
会计大数据分析与处理是对微观和宏观价值运动数据进行感知、获取、存储、计算、整理、分析、可视化和数据治理等相关技术的总称，是会计数据价值的挖掘和体现过程。主要包括：对海量高频交易数据进行捕获和记录过程，利用大模型和AI技术对数据加工、清洗和治理过程，基于分析与应用主题对数据进行利用、披露和展现过程。会计大数据分析与处理突破了传统的简单分析范畴，而是凭借强大的算力和复杂的算法模型对业财数据和宏微观经济数据进行价值挖掘的过程。
在实践中，已经涌现了大量的应用场景，包括基于大数据的全面预算智能编制、作业成本分析与管控、客户信用评级和风险识别、资金预测与管理等。会计大数据分析与处理技术的应用有助于扩展会计的分析、决策与控制职能；有助于建立数据驱动的会计管理与控制模式；有助于形成一体化的数据共享服务平台。同时，传统的会计数据加工模式会产生颠覆性影响，多维综合报告、管理报告、即时信息将成为会计信息提供的主流方式，社会化的会计数据服务平台将成为应用的主要平台。
孙彦丛
财务云是在共享服务管理模式基础上，融合大数据、人工智能、移动互联、云计算、物联网等各类新兴技术的应用，一方面实现了财务核心能力的沉淀与共享，一方面推动了业财一体化、流程自动化以及财务数智化转型，促进财务共享服务中心向数据中心发展。财务云以共享服务管理模式为基础，自2005年起经历了萌芽、试点、发展、创新探索等多个阶段的发展，关注重点从效率提升逐渐向价值创造发展。
借助云计算、移动互联网、大数据、人工智能等各类数智技术，财务云实现了信息流转、审核及核算工作的自动化和智能化，广泛应用于费用、往来、税务和资金等业务场景，并通过标准化处理流程和操作规范，保障基础数据口径的一致性，为系统间数据交互和经营数据沉淀提供基础。未来，财务云将在信息技术的驱动下进一步转型发展成为企业数据中心，基于数据分析为各需求方提供全方位的数据服务，推动管理决策从经验主导向数据和算法驱动转变，助力企业数字化转型。
艺赛旗软件股份有限公司创始人兼 CEO
唐琦松
智能流程自动化是一种将RPA与AI相结合的技术，通过融入例如光学字符识别（OCR）、自然语言处理（NLP）以及大规模预训练模型（LLM）等算法，可以处理和理解所有类型的数据，执行包括识别、提取、分析、决策等更复杂的操作。流程自动化能够自动执行一系列规则性、重复性的财务任务，例如自动处理发票、编制财务报告等，显著节省人工操作的时间和精力，同时也降低了人为错误的可能性。而AI技术的引入，让IPA拥有了自我学习和优化的能力，能够适应并改进工作流程，从而更好地处理更复杂的任务，例如发现自动化机会、识别潜在的财务风险、预测预算变动等。此外，还能根据历史数据和分析模式，为财务决策提供有力的数据支持。
为了进一步在财务领域实现规模化、覆盖范围更大的自动化，IPA的发展将以云化和标准化为重点，通过财务共享中心，云端方案可以降低IT硬件和运维的成本，提供24/7的财务服务，更好地处理敏感数据，并满足各种合规要求。同时，由于许多财务流程都是标准化和规范化的，还可以使用标准化的流程模板，让财务团队快速实施流程自动化，减少错误，提高效率，也有利于财务团队的培训和交接。为了实现范围更大的自动化任务，还需要借助大模型的理解和推理能力，发现自动化机会，自动生成相应的流程，并为财务决策提供数据支持和决策建议，帮助财务团队提高决策的效率和准确性，提升财务服务的价值。
上海财经大学
会计与财务实验室主任，副教授，博导
饶艳超
2022年4月7日，国家档案局发布了《中华人民共和国档案行业标准》DA/T 94-2022《电子会计档案管理规范》，并于2022年7月1日开始实施。需要关注的是，电子会计档案在归档前被称为电子会计资料。按照2023年影响会计行业的十大信息技术评选活动定义的会计信息技术五级成熟度模型，电子会计档案正处于扩散期转向成熟期的阶段，电子会计档案技术已形成应用标准和实施方法论，即将在各不同类型不同规模的企业全面应用。
电子会计档案的首要特征是规范化。首先，表现为归档过程及其各环节任务的规范、档案文件格式和保存形式的规范、各环节相关人员责任的明确。其次，表现在电子会计档案数据项的规范化，电子会计档案的所有数据项编号、名称和来源系统都要求规范。再次，表现在分类方法，完全采用纸质会计档案相同的分类方法。最后，表现为电子会计档案管理信息系统功能需求的规范化，这将有助于电子会计档案的全生命周期管理。电子会计档案的重要特征是自动化，指从电子会计资料的收集、整理、分类、归档、保管、统计、利用和处置的电子会计档案生命周期全过程都可以自动化。
电子会计档案的应用将在不同的场景下对会计工作产生不同影响。例如，与纸质会计档案相比，电子会计档案系统内置了编码规则，保存的是结构化数据，建立有精准匹配的管理模式，可以实现会计档案的快速查询和借阅，同时有效降低会计档案信息的查阅成本。再如，会计档案都是重要的审计证据来源，电子会计档案的四性（真实性、可用性、安全性、完整性）是审计重点关注的会计档案特征，而这四性也是电子会计档案存档前必须通过检测的特性。电子会计档案不仅有助于有效提升审计证据链的追溯查询效率，还有助于在线审计和远程审计工作的推广应用。
本内容为摘录版，全文点击“查看原文”。
金蝶软件（中国）有限公司
金蝶中国星瀚解决方案部总经理
张鄂豫
中台技术的核心是能力复用共享，通过解耦和抽象成为“前台”和“后台”之间联动的齿轮。是企业快速变化的前台业务与相对稳定的后台管理之间的速度调节器，也是抽离出通用的部分让更多的新业务能够快速复用和共享这部分能力的加速器。
中台技术在财务管理领域的应用主要体现在三层架构上，底层是以事件驱动会计为底座的业财数据集市，使用了多维、向量等数据库技术和实时引擎；中间层是以可复用的规则、算法和模型为特征的能力中心，如记账、关账、对账、审单等引擎，针对海量实时的业财数据使用了以大模型和领域模型预训练为重心的生成式AI技术；上层是面向不同行业和不同业务能够快速迭代的应用服务中心，如集团企业下不同行业或业务板块下的会计中心或共享服务中心。主要使用了可组装技术。
中台通常会被理解成一种技术架构，但从广义上讲，它还可以是一种企业组织模式和管理理念，财务共享服务中心就是一种典型的中台架构组织模式。中台组织模式与技术架构促进了业务和数据在各应用间的交叉共享，大大减少了重复建设和重复投资，由此，也造就了可持续沉淀积累和运行的企业资产，中台技术因此也成为企业数字化转型的新基建。
郝宇晓
新一代ERP是对进入企业数字化转型时代的企业核心系统的一个过渡性称呼。传统ERP在数字化时代面临系统框架老旧、业财融合度差、快速迭代乏力、只关注业务和交易而无法承载决策与分析、人工智能应用不足等根本性的问题，加之很多企业的ERP在实施中实际上只能做到满足财务核算的要求和部分的业务模块的实施，无法深入满足业财融合和管理会计等核心诉求，因此数字时代的企业必然面临如何重构企业核心系统的挑战。
新一代ERP的管理思想，应当既涵盖了传统企业管理的智慧，又具备承载数字化时代业财融合、数据驱动、智慧赋能、快速迭代、体验至上等新的管理要求的能力。
目前看，可以说，新一代ERP既是ERP，又不是ERP。“是ERP”，是指其必然涵盖传统ERP所能实现的诸多功能模块；"不是"ERP，指的是其功能范围在传统ERP之外，还应当具备如下特征：第一，能力上，应当满足企业数字化转型思想的要求，并能快速实现数字化时代企业商业模式与生态、管理机制与架构、内外协作与交互、客户体验等核心诉求；第二，功能上，包含诸如管理会计、税务、采购、商旅以及财务共享等传统ERP不具备的功能模块；第三，场景上，新增企业决策中心、规则中心、策略中心等核心应用，并支撑各类场景化的应用；第四，技术上，具备低代码的实现方式、平台化的技术架构、强大的数据建模能力和深度多维数据库应用、人工智能的深度应用；第五，实现上，其实现机制应该是基于云原生、微服务以及类似应用市场的服务方式。
朱 轩
数据治理 (DG) 是基于内部数据标准和数据使用的策略来管理企业数据，以达到统一性、可用性、完整性和安全性的过程。数据治理作为企业数字化转型计划中最重要的组成部分，理所应当地入选了今年影响中国会计行业的十大信息技术。但与其说是技术，不如说数据治理有着其高于技术本身的公司治理层面的意义，就好比会计伦理与道德与会计学专业知识理论的关系，也使其成为促进其他入选技术（比如商业智能（BI）、数据挖掘、会计大数据分析、数电发票等）高速发展的重要基石。
如果没有有效的数据治理，组织中不同系统中的数据不一致问题可能无法得到解决。首先要明确的一点是数据治理，而不是数据管理。数据治理是数据管理的核心组成部分，数据治理要确保为正确的人员分配正确的数据职责，而数据管理是指确保数据准确、可控且易于相关方发现和处理的必要活动。数据治理主要涉及战略、角色、组织和政策，而数据管理则主要涉及执行和操作。
数据治理面临很多挑战。通常，数据治理工作的早期可能是最困难的，因为企业组织的不同部门通常对关键数据实体（例如客户或产品）有不同的看法。这些差异必须作为数据治理流程的一部分得到解决——例如，就通用数据定义和格式达成一致。需要持续展示数据治理的商业价值。需要说服企业内部利益相关者主动参与数据治理，就必须持续展示数据治理所带来的商业价值，否则获得批准、资助和支持可能会很困难。特别是在数据质量改进方面。这可能包括每季度解决的数据错误数量以及由此带来的收入收益或成本节省。其他常见的数据质量指标衡量数据集和相关属性的准确性和错误率，例如数据完整性和一致性。数据滥用和访问限制。数据治理计划必须确保数据准确且可供自助服务用户访问，但也要确保这些用户不会滥用数据或违反数据隐私和安全访问限制。用于实时分析的数据流使数据治理工作进一步复杂化。治理大数据。数据治理程序传统上专注于存储在关系数据库中的结构化数据，但现在还必须考虑处理大数据环境通常包含的结构化、非结构化和半结构化数据的混合。此外，大数据集通常以原始形式存储在数据湖中，然后根据分析用途的需要进行过滤，这使数据治理进一步复杂化。
随着数据用途的不断扩大和新技术的出现，数据治理可能会得到更广泛的应用。例如，人们正在努力将数据治理流程应用于机器学习算法和其他人工智能工具。此外，备受瞩目的数据泄露事件以及各类隐私保护法律也使得将隐私保护纳入数据治理政策成为治理工作的核心部分。
本内容为摘录版，全文点击“查看原文” 。
Infor北亚区财务总监
金 磊
商业智能 (BI) 是支持数据准备、数据挖掘、数据管理和数据可视化的技术的总称。这些技术表现在客户端通常是通过报告分析，数据查询和数据可视化，以及数据下行分析等方式，从而把来自企业内外海量的信息进行实时交互式呈现，为企业成功提供最大限度的支持。也许超出很多人想象，商业智能的概念最早在1865年就由理查德·米勒·德文斯 (Richard Millar Devens)提出，传统的商业智能系统需要专家来解读数据并根据不同需求生成不同报告。而我们所看到的现代商业智能系统具备组织大量数据的能力，也很自然地为现代财务系统带来了巨大变革。
当我们在使用报表分析工具进行本期和上期的差异分析中，通过可视化数据的层层下行挖掘而获得该数据的每一笔交易的分录而迅速找到差异产生的原因时，我们正在体验BI带来的有效，互动且精准的分析功能。当我们在需要提取海量数据时，发现无论从提取的便捷性（数据来源可以是EXCEL , 电子邮件，音频视频，XML 等等），还是数据分析的高速性，我们正在体验BI带来的高性能数据整理：根据事先的设定形成报告并用电子邮件发送给相关人员，或生成会计分录。当公司管理层和业务人员根据自己的需求实时从系统中得到不同维度的报告，我们正在体验BI带来的高度可视化的决策支持。
商业智能对财务领域所带来的多维度推进是显而易见的，它不但能改进会计流程和提高效率，提高分析能力，还可以提高数据可视化，推动数据驱动决策。我们期待BI为企业创造无限可能。
本内容为摘录版，全文点击“查看原文” 。
中国平安财产保险股份有限公司
财务部副总经理（主持工作）
董皓
数据挖掘，简单理解为“透过数据看本质”，即通过对数据的深度洞察，获取人们事先不知或不易预知的，深藏在数据内部的信息。数据挖掘的背后是巨大的数据集合，其内核是诸多学科的汇集，覆盖统计、模式学习、人工智能、分布式计算等多交叉学科技术。数据挖掘技术的发展经历了数据搜集、访问、决策支持和挖掘四个阶段。目前已经相对成熟。随着大数据技术的出现，数据挖掘逐渐具备了预测能力。
数据挖掘技术的发展在会计领域带来的是更多经营洞察能力和风险发现、预防能力的提升。1）经营洞察方面，通过数据挖掘技术能够发现数据间的相关性关系，从而构建预测模型，进行决策支持。如通过对费用投入、产出之间的数据挖掘构建模拟模型，能够对费用投产进行预测，更加有效地进行资源配置。2）风险防范方面，能够通过数据挖掘，发现数据因子之间的非直觉关系，构建风险关系网络和预防模型，更加积极主动地发现潜在风险并实施防范。未来，数据挖掘将带动会计职能向业务前端更加深入地融合，能够从事后反映走向事前决策支持。也会将数据挖掘工程师引入会计序列。
