替代人更超越人，企业财务智能化落地如何创造新价值？

▼

更多精彩推荐，请关注我们

▼

财务智能化转型如何加“数”减“负”

企业财务数字化落地的三大必备条件：

第一，拥有海量高质量的数据。企业数字化转型的基础，是企业的经营事项或业务事项要形成数字化。所谓人工智能的机器学习也是在海量的数据中找规律、创建规律，模拟人脑学习规则和操作流程，然后才能替代人工，实现业务的自动化。

第二，与业务匹配的算法技术。人工智能机器学习和传统自动化的最大差异在于，传统自动化是人把规则建立起来，通过技术手段代替人工；而机器学习是将很多人工难以梳理的场景和规则，由机器从海量历史数据中将规则创建起来。

第三，运行海量数据的算力。目前有很多云计算的硬件软件提供商，完全可以支持庞大的数据运算去解决企业大量的业务问题。

信息系统的逐步完善和新技术的发展，将线下的工作逐渐搬到线上后会产生大量的数据，因此带来了业务数据量的增加。

内外系统的一体化，一方面企业内部ERP系统和业务系统进行打通传递经营信息并生成数据；另一方面，企业与外部系统进行直连集采的模式。

另外，图像识别、语音识别、物联网等新技术的推广，让我们有更多的方式去采集数据信息，并和财务系统进行连接，能够达到一定数据量的展示。

 

财务共享等新管理模式的变革，推动了数据质量的提高。

共享中心作业模式的变化、人员的集中管理、标准化和规范化的业务原则，带来了执行的有效性，推动了我们获取数据的质量。

智能化转型落地的最终目标是能否创造新价值

数字化转型是以数据为基础，应用ERP、机器学习、区块链等技术手段，改变原来的业务模式，从而带来新价值，以达到降本增效的目的。

什么是新价值？我们将其定义为“替代人、超越人”。

首先，替代人。智能提单、智能审核、智能记账，能替代人手进行常见的审核记账、资金收付等机械的交易动作，并可将风险监控等工作自动化。

 

其次，超越人。有些事情，机器是否能比人做得更好？智能化转型前，在风险控制的操作上，需要在业务层面做抽样调查，看样本里会有哪些风险，以及风险的重要性如何。但是在数据和技术能够落地的前提下，可以不用做抽样样本，而以全样本量做风险检查，最终做到智能风控。另外在智能预测、智能分析方面也可以超越人脑做得更好。

围绕是否创造新价值的目标，王泽分享了两个案例：智能审核和智能记账。

 

 案例一：智能审核——数字化＋审核 

随着企业规模越来越大，经营事项越来越多，基础会计审核人员就越多。企业在会计审核过程中的业务现状是纸质单据多、审核规则多、记账规则杂、财务人员多，因此存在着审核耗时长、容易出现遗漏、业务水平难以把控、财务数据应用受限、运营成本居高不下、单一技术无法解决等痛点。

对企业来说，真正的痛点是如何模拟人脑获取数据、存储数据，并做出判断？

人工审核的步骤是获取信息，存储信息，规则判断，输出结果。而智能审核解决方案，就是按照这个逻辑：第一步代替人脑做数据提取；第二步，把企业审核规则全部内置到系统里，代替人脑做规则判断。这其中，数据提取是核心，数据提取得越完整，自动化的业务范围就越广。

那么，如何获取数据？

实现智能审核的基础，是获取审核、记账需要的全部数据。费控系统和ERP系统内的数据是结构化数据，可直接使用；但是纸质或影像化的财务原始单据，是非结构化的，需要完成结构化数据转换。

这个过程中会有两个问题：第一，非结构化数据的识别准确度，现阶段的智能识别技术还做不到100%准确。第二，财务审核时，会有大量的非发票类单据，这类单据很难通过技术识别，准确率也非常低。

“人肉OCR”，使用技术+人工完成数据提取

人工补录平台就是为了解决全部单据的数字化问题，即用人工将无法识别的信息提取出来，类似于“人肉OCR”。比如识别纸质发票影像时，有折痕或污损时无法识别，就把这些无法智能识别的图片切割上传到人工补录平台，由人工去补录出来。

为什么做智能化时还有人工介入？关键在于企业的财务场景比较复杂，有大量非标准的纸质单据。如果要做到全自动化，那么数据的完整性是必要的。为了达到这个目标，有些智能识别不了的需要用人工补充。

令才科技人工补录平台有3万多名兼职人员，利用碎片化的时间来做人工补录。平台将发票信息碎片化切割，分发给兼职人员，通过APP或网页端仅需一分钟就可以录一个图片，在效率和成本上都是最优的。

 

规则自动化，能够涵盖全部财务审核规则

有了数据库的积累，下一步就是将审核规则内置到系统中，共包括六大审核内容：

第一，真实性审核。发票验真、事项描述相互校验、企业内外部信息校验等。第二，完整性审核。业务信息完整性校验、原始单据完整性校验、签字完整性校验等。第三，风险审核。发票连号校验、违规事项入账校验、同一供应商多地业务发生校验、大额采购提示等。

第四，合规审核。准则条款审核、税务条款审核、行业监管要求审核等。第五，内控审核。差旅会议标准校验、人均餐费校验、摊销与折旧规则、各类补贴标准校验、挂账要求等。第六，收付审核。收款方与发票盖章方合同盖章方校验、支付金额与发票金额合同、金额采购单、金额校验、收款凭证信息与经营事项校验等。

整个财务智能审核的流程全部为系统内完成，基本属于无感审核。

智能审核与传统审核的差异性：

首先，运营成本低。智能审核7*24小时工作时间，无职场、硬件等成本，无培训、关爱成本。

 

其次，审核效率高。智能审核可以多任务并行处理，影像信息碎片化，效率大大优于串行处理效率。

 

第三，业务灵活性高。智能审核模式多种数据部署方式，按量支付成本，召之即来挥之即去。

 

第四，积累大量结构化数据。智能审核将原来存在于纸质档案、影像图片上“死”的数据结构化，除用于审核规则外，还可以用于更多是数据分析、风险防控。

这就是智能审核与传统人工审核的最大差异点，也是智能审核的核心理念，利用自动化，加上规则自动化去解决人的问题。

 案例二：智能记账——机器学习＋核算 

我们在做一些财务审核时会遇到这样的问题：智能审核结束之后，对于一些复杂的财务场景记账，仍然需要人工来判断。那么，能否实现智能记账？

基于一些经济事项复杂、经济数据多，以及人工很难判断的场景，可以用机器学习的方法来实现。

机器学习的流程，是先构建数据，然后从历史数据中梳理出记账规则，把这个规则用技术的方式建立起来，直接生成代码，以实现自动化判断。

在构建一套规则时，包括电算化数据和原始单据数据，需要通过OCR智能识别＋人工补录的方式，把所有经济事项的数据全部结构化。那么，机器是如何学习的？

通过随机森林算法实现核算科目自动判定，并在执行中自我成长。

机器学习的第一步是模型训练。那么，机器如何去寻找规则？

这个方法叫做随机森林法，假设森林里有1万棵决策树，我们把100万条企业已经记过账的经营数据全部结构化，然后把这些信息放到这1万棵决策树上，这些信息就会在决策树中随机分布，当树上出现什么数据，下方就会生成什么结果。

这些数据的算法都是随机的，在各个决策树里面去组合，此时机器就会自动判断，哪棵决策树上面的结果是正确的科目，它就会加一分，专业术语叫置信，不一样的就不加分，这样第一条数据就训练完成了。

当再给决策树两条、三条甚至十万、百万条数据的时候，它就会继续随机组合，并得出随机结果，随着数据量的增加，就能得出一个概率，即当一条决策树上出现某一组词，生成其对应会计科目的概率是95%，当出现另一组词时，生成概率为98%，这就是我们机器训练后的结果。

概率达到95%以上的决策树，就认为已经训练成熟，也就是说它已经建出来一套规则了，之后便可以应用到实际的业务场景中，当相同的经济事项再次出现时，机器就会自动判断。因此，机器学习的最大核心点，是通过技术去构建一条人工无法梳理出来的规则。

所有的数字化转型和智能化的落地的基础，一定是要有海量的数据。如果数据不够，不敢保证机器学习的技术能够解决我们的问题，因此它们是相辅相成的关系。

话题讨论

问题1：从共享中心的视角看，企业推进数字化转型的关键抓手有哪些？

企业做共享中心，对于数字化转型是很有利的，缺少技术可以引进，但一个最关键的核心点，是企业需要具备大量可用的数字化、标准化的数据。

通常因为业务快速上线的问题，就会导致企业在业务的标准化上做得并不好，可能更多人会关注到技术的问题，但是我认为更应该关注的是企业的标准化建设，以及数据的可用性。因此要推进数字化转型，制定标准化的制度和流程很重要。

问题2：不断涌现的数字化工具，对于企业财务在加“数”减“负”方面，哪些工具比较有务实的成效？

目前市场上有很多所谓智能化、数字化的工具，其实并不是真正意义上的数字化，包括RPA机器人流程自动化，只是传统意义上的自动化，因为它的底层逻辑并不是依托于数据，它只是控制流程，但从结果上来看，它确实能够代替人工。在财务分析和财务审核层面上，大家都在使用OCR来采集抓取信息，但是采集之后要解决什么问题才是最关键的。

现阶段大量的数字化工具，更多的是把原始数据源头和业务源头进行数字化，但我认为更应该关心的是业务处理判断的逻辑，是否有可能建立数字化的模型和工具，这些要比单纯的数字化信息采集更重要的多。

来源：令才汇