集团企业财务共享智能流程优化研究

于瑞雨

（哈尔滨商业大学会计学院，黑龙江哈尔滨 150028）

0 引言

财务共享是由福特、通用电气等一些大型跨国企业20世纪末提出的一种组织管理理念，通过将大型企业或集团企业分布在各地区的众多子公司中可标准化的财务工作归集至独立的财务共享中心处理，实现流程再造，为集团企业财务工作流程建设与智能化奠定基础［1］。财务共享在增强集团管控、降本增效方面成效显著，受到集团企业关注，推动了组织结构变革。信息化社会，以机器学习、深度学习为代表的人工智能技术突飞猛进，在众多领域广泛应用且成效颇佳［2］。人工智能技术可将繁琐的工作进行数字化处理，财务智能化成为21 世纪财会学科的发展趋势。集团企业财务共享中心存在员工工作量大、基础工作多、业务效率低、员工价值提升难、人员流失率大等问题［3-4］。因此，从新技术应用入手优化改造财务共享中心服务与运营尤为重要，应大力推广先进的账务系统、OCR 技术、人工智能等相关技术［5］。本文在借鉴前人研究成果基础上，探索人工智能技术与集团企业结构化数据、自动化系统相结合的途径，将人工智能运用于解决较复杂问题，以提升集团企业财务智能化水平。

1 集团企业财务共享中心概述

财务共享中心以经济事项维度统一制定规则、业务流程、制度系统，可代表大量业务单位完成交易处理。其利用服务水平协议（SLA）定义业务单位所接收服务的水平，着重追求流程效率最大化和持续改进。财务共享中心工作流程：先把汇聚来的集团企业所有子公司的同类业务打散，然后在成本较低地区的财务共享中心内按照业务类型实行集中流程化合并作业处理，产生巨大的作业规模优势，在以较低成本提供优质服务的同时大量减少底层财务作业人员工作量。在该模式下所有业务透明，易于实现规章制度、管理模式的统一以及业务流程的标准化，集团企业可对子公司进行高效管理并提高掌控程度。在整个财务共享模式下，集团企业原有的财务组织体系会被拆分为总部财务、业务财务两个部分，财务共享中心则作为新增的第三个结构部分。财务共享中心通过集中作业的方式归集处理集团企业应收、应付、费用、总账核算和税务等大量日常标准化业务。

2 集团企业财务共享存在的问题

2.1 业务量超过运营承载力

随着集团企业业务规模的扩张，财务共享中心承接业务量亦日益增多，常出现业务高峰期无法及时完成财务工作情况，致使财务团队难堪重负。例如集团企业每月普遍承担数万笔财务单据的审核工作，包括费用报销单、应付账款单、应收账款单和财务总账单等。财务共享中心需要根据几千条的审核规则，人工判断是否符合记账规则，其中还存在提单不规范导致退单率高的现象，造成复审工作量很大。前端的业务多导致财务人员工作任务增加，不堪重负。

2.2 人才资源严重浪费

类似单据审核这种财务工作是财务共享中心的重要日常业务之一，其通过前端业务根据自身需求提交相关申请，于系统中完善所需字段并上传相关附件，以辅助共享中心员工审核信息是否准确，录入信息量大且非工作日无法完成审批。由于其为相对基础的工作，专业性较低且内容单一，故不利于员工价值发挥和职业发展，员工的低价值感致使离职风险上升，大大增加管理难度。提升集团企业自动化、智能化水平，让更多财务工作实现无人化处理势在必行。

2.3 结构化数据积累困难

集团企业财务共享中心原有工作流程不易积累起足够的结构化数据，难以为分析决策提供支持，故无法推进更多的智能化项目。如费用项目作为集团企业经营成本的重要组成部分，由于各行业对成本的高敏感性要求必须对其进行分析，将原来仅保存于电算化系统上的单据信息全部转化为结构化数据，通过深层次挖掘和分析，对业务优化和风险防控具有支持和参考价值。但集团企业核算工作中只有不到一半的票据有国标、行标版式，故对票据进行数据结构化很不容易，这时需运用人工智能技术中的机器学习方法，在已经实现财务融合的集团企业使用财务共享中心的大量历史财务数据进行训练，生成规则后不断获取新的数据再次对算法进行优化，实现良性循环。

2.4 人工差错率高

财务工作纸质单据多、审核、记账规则多，审核耗时且易出疏漏，致使运营成本居高不下。原有的自动化模式虽然对财务工作进行了一定优化，简化了部分人工流程，但效果并不理想。全员提单背景下部分业务较为复杂，由于流动性较大的提单人员不是专业的财务人员，但同样需要处理很多专业的票据信息，理解偏差和不规范操作导致提单质量参差不齐，退单率直线上升，复审和修改工作增加了财务人员工作量。另外，当核算事项处于模棱两可状态时，某些审核点在执行上就会出现偏差，对复杂审核点、特殊审核点、罕见审核点无法统一意见。

3 集团企业财务共享流程优化

通过财务共享中心的智能流程优化，在财务作业层构建财务共享服务体系，通过流程优化实现集团企业管理模式转型，真正由管控转向于服务，让服务成为共享的内生基因。

图1 为集团企业财务共享流程优化架构。上层三部分是集团企业需着力研究的高阶智能化应用。先抓取所有财务数据并进行清洗，将其归集到数据管理平台。管理驾驶舱是集团企业对财务数据的应用，通过预先设置指标实行事中监控，由数据动态反映出集团企业的经营行为。决策支持指流程优化后将以往根据人工制定的少量规则作出决策变为系统通过新生成的大量规则自动作出决策。中间的应用层包括核算、资金、税务、财务管理模块系统，以及可进行智能流程优化的共享运营和智能财务模块。共享运营模块默认包含集团企业共享作业平台和OCR 影像系统，可以引入财务机器人、智能审核平台和记账模型进行流程优化，处理部分可实现自动化的财务工作。智能财务模块尝试与外部系统协同将原有的财务系统对接，把事后控制变为事前控制。比如建立与携程这类企业对接的商旅平台，员工出差开销将不用再垫付差旅相关费用，也不用索要纸质单据，可同时节省业务员和财务人员工作量。还有电商平台对接办公用品等日常低值易耗品采购，交通中介平台对接交通出行，外卖平台对接员工餐饮等。最下面一层是业财一体化，如ERP、CRM、OA 或HR 系统等。

Fig.1 Optimized structure of financial sharing process optimization in group enterprises图1 集团企业财务共享流程优化架构

财务核算业务以前依靠电算化软件内置规则完成，而电算化软件基本没有顾及票据数据，实现的是部分数据自动化，内置规则覆盖面小，非结构化数据规则缺失，不具备基本的推导能力，无法应对复杂核算场景，日常报销核算和研发费用资本化核算也存在同样问题。引入人工智能技术对财务共享中心流程优化后，可通过接口或RPA 自动抓取附件影像或相关信息传输至智能识别模块做缓存处理，智能识别附件类型并执行敏感词、文本格式、收款方类型的检查程序，应用两套分类器完成识别准确率分析（置信区间计算）。对准确率低于设定值的字段文本或者不能运用机器判断的附件类型完成虚拟切割（影像碎片化），然后将其传输至人工校对队列。通过智能识别结合人工补录规则，运用流程化规则模拟人工操作，可应用于费用、总账，成本、应收，应付、税务、资金等各类财务核算工作，宛如虚拟财务人员般服务于各个财务工作环节，巧妙结合应用分类器置信和切割脱敏众包，利用深度神经网络达成核算维度分析，实现财务审核细则函数化转换等，解决了常规电算化自动化率不高的难题，图2 为财务核算业务优化前后对比，图3 为人工审核与智能审核获取、储存、判断信息对比。

Fig.2 Comparison of financial accounting business before and after optimization图2 财务核算业务优化前后对比

Fig.3 Comparison of information acquisition，storage and judgment between manual audit and intelligent audit图3 人工审核与智能审核获取、储存、判断信息对比

4 集团企业实现智能化财务途径

4.1 提取财务结构化数据

传统的财务共享中心业务处理过程中，原始票据由财务人员手工收集、整理，报销审批过程中无法将原始凭证作为报销佐证参与审批，而报销单填制烦琐，补助计算复杂，整个业务流转过程耗费大量人力、物力，难以满足集团企业高效的运作模式，亟需采用既符合现有报销制度规范，又提升一线人员填报效率的业务处理模式。智能化流程优化要注重数据的生成，OCR 结合人工校对可有效弥补现有技术的欠缺，实现财务结构化数据提取需求。按照业务流程顺序，首先由业务人员通过外接硬件设备高速扫描采集原始单据影像信息，识别并提取票据关键数据信息，建立与影像集的关联关系。然后分析每个字段传递回的置信值，将准确的财务结构化数据直接归置数据库，将低于设定区间的字段以及非制式票据由人工二次处理。为确保信息安全性，可根据实际情况将票据进行切割，把需要补充的部分选用智能审核平台由人工进行补充。图4 为结构化数据提取流程。

Fig.4 Structured data extraction process图4 结构化数据提取流程

4.2 应用随机森林算法

4.2.1 随机森林原理及流程

作为当下最炙手可热的人工智能技术分支之一，机器学习类似一个通过挖掘数据中存在的潜在规律来构建学习器的过程。学习器通常划分为浅层网络与深层网络，浅层网络由一些传统的机器学习方法构建，结构简单且训练省时，针对小样本数据有不错的预测精度，但却普遍存在过拟合问题［6-8］。随机森林是一种经典的使用多个决策树分类器的机器学习集成算法，具有不易发生过拟合的优点，可实现更有效的分类或预测［9-11］。将bootstrap 重抽样方法与决策树算法相结合，在构建模型的同时能对特征的重要性进行评估，性能较好［12-13］。每棵决策树都是一个分类器，决策树上的叶子节点都具有同一类别的数据，每棵决策树都在最大程度上生长且没有剪枝过程，所有的决策树最后整合成为一个随机森林。当使用随机森林建立回归预测时，决策树会根据内部选择的最优分裂节点生成一条从根与叶子节点之间的路径，对输入的样本数据进行分类，该叶子节点就是这个待分类样本的分类结果，最后根据分类结果数最多的节点决定最终输出［14-15］。通过对原始数据提取、循环，利用归集出的多个样本子集建立决策树，最终结果由其组成的随机森林决定。图5 为随机森林模型流程。

Fig.5 Flow of random forest model图5 随机森林模型流程

4.2.2 随机森林建立条件

首先，要有大量的经济活动数据。智能化财务共享流程优化的核心是对集团企业所有的历史财务数据进行结构化。将收集到的财务数据由算法工程师选择一种算法运用到财务逻辑中，这种机器学习逻辑就是从大量的数据中找到规律；其次是算法。通过AIPM 与AE 协作实施，选择一种适用的逻辑从历史财务数据中梳理出一系列规则，然后通过规则自动地代替人工操作。人工智能大部分应用是处理数据，其次才是建模。具有数据处理能力、算法能力的员工是关键，人工智能算法工程师也很重要；最后是算力。算力的获取相对容易，市场上有大量公司可提供公有云和私有云服务供集团企业租赁。可借助互联网提供的数据以及数据存储运转的空间辅助员工在不同的网络环境或电脑中工作，亦可对数据、安全性提供一定的管控，帮助集团企业进行流程管理。

4.2.3 财务领域应用示例

财务共享中心作为集团企业数据的沉淀中心，具有海量纯净数据资源，可不断完善这些数据的结构化以及使用、管理方式。在提取结构化数据后，运用随机森林算法挖掘数据与数据之间难以通过人工归纳出的潜在联系，对集团企业历史财务数据进行标签，构建一套神经网络（单一模型），再通过分类器完成不同数据标签的关联输出。通过使用历史财务数据进行训练，无需人工建立数据间的关联规则即可自动生成各文本数据之间的联系。有别于传统解决特定任务、硬编码的软件程序，随机森林算法是使用大量数据训练并寻找规则，从数据中学习如何处理新的任务，并把规则运用于未来数据。通过神经网络及数据训练集的配合，在财务数据中寻找场景所需规则，可实现核算科目自动判定，做出相关决策和判断，形成机器学习模型。基于历史数据及结果监督的千余棵决策树成长，并根据置信度决定是否使用最终生成规则，实现难以通过人工整理的财务规则并将其运用到各类业务场景。随着数据的不断积累和学习，在执行中自我成长，准确率会越来越高。图6 为随机森林算法应用示例。

Fig.6 Application example of random forest algorithm图6 随机森林算法应用示例

4.3 实现财务规则自动化

集团企业财务共享中心原本就存在成熟的人工规则条例，这为实现财务规则自动化奠定了坚实的基础。规则自动化可替代人工判断实现财务工作智能化。由人工制定出规则手动输入系统执行转化为机器学习把梳理出的规则自动植入后台执行，通过规则自动化进行智能审核和记账，实现流程优化，无需人工干预即可基本消除人为误操作。将接收到的财务结构化信息输入规则自动化引擎中，经过规则判断，只有审核通过的单据才能继续完成记账或支付步骤，未通过的则会根据规则输出其未通过的原因并给出修改方案。智能财务与传统自动化相比，不仅准确率接近100%，而且规则数量级也不一样，可从原有的十几条规则拓展到全面覆盖集团企业所有经济事项的数千条规则。系统可通过生成的规则实现全面控制，在处理大量单据的同时不会像人工处理般产生遗漏，实现系统内部的无感化管控。通过定制化规则的自动化模块亦可校验数据间逻辑的合理性与合规性，还可自定义设置以提高应变能力，满足后续拓展更多类型单据的智能审核需求，方便开展后续数据再挖掘工作。

5 集团企业财务智能化水平提升措施

5.1 引导团队适应新技术

智能财务在我国应用还不成熟，很多集团企业在静观其变，部分财务工作者亦没有详细了解智能财务工作优势，他们认为智能财务有许多弊端，害怕机密信息被窃取、泄漏。尤其在推动智能财务过程中，集团企业具有话语权的高管人员不理解智能财务变革，将严重影响智能财务发展。财务工作需要与时俱进，但引入智能财务后面临熟悉新的财务流程问题，需要培训员工。国内既懂智能财务技术又懂财务专业知识的人才少之又少，因此需要加强优秀高端人才培养。由专业科技咨询、技术人员和财务共享中心员工组成流程优化小组，自建或协同技术专家团队定制财务方案，实现智能财务有效嵌入企业。

5.2 引入智能识别技术（iOCR）

财务共享中心流程优化方案实现关键在于OCR 技术应用，基于OCR 技术的识别模块基本任务是对所采集的原始凭证影像进行图像处理、分析、定位及自动识别，识别出每张原始凭证中的关键业务信息，将信息校检后的数据按识别顺序记录在系统中［16-17］。结构化数据提取的基础和关键是准确率，可引入智能识别技术（iOCR）处理原始单据，结构化信息识别后提取数据，进行自我认错和自我学习。基于卷积神经网络（CNN）技术构建智能识别系统，配合SoftMax 分类器置信，快速、批量化识别不同种类票据图片中存在的各种信息，形成可编辑的结构化数据，极大提升了OCR 识别的准确率。与OCR 光学识别相比，iOCR 可自动识别错误信息，对影像像素要求低，识别率高且识别字段齐全，票据识别兼容性好，能自我学习不断成长。识别结果不受拍摄角度、背景、亮度、折痕、内容错位等因素干扰，具备较高的复杂环境可用性，即识别的影响质量越高识别率也越高。表1 为智能识别技术与传统OCR 识别对比。

Table 1 Comparison between intelligent recognition technology and traditional OCR recognition表1 智能识别技术与传统OCR 识别对比

5.3 用众包模式处理非标准数据

集团企业财务共享中心智能优化后，由于部分财务业务的复杂性以及财务对准确率的高要求，单纯依靠人工智能技术并不能完全满足集团企业要求。一方面，人工智能技术无法解决太个性化的业务，另一方面模型训练存在概率问题，无法达到完全准确。财务工作本就存在很多非发票类单据不如发票般标准的问题，导致在结构化数据提取环节，识别制式附件准确率达不到预期目标，识别非制式附件的错误字段或识别不出的字段多，有时还会出现票据切割失败的技术问题。加上OCR 识别存在响应时间较长、训练人工干预较多、置信准确率较差等现象，识别错误会产生连锁负面影响，故对识别模型输出结果进行人工校对仍有必要。财务众包平台采用的众包模式指公司或机构将过去员工的部分工作通过互联网发布给非指定大众的一种新型运营模式［18-20］，有着自由、合作、碎片化工作特点。通过智能识别和财务众包平台人工补录并行模式，当出现识别置信值较低的字段时，识别引擎可进行准确切割打散碎片化，将对应字段图片交由财务众包平台进行人工二次提取，确保提取的字段达到100%的正确率。这是目前对智能识别错误单据、无法识别的非标准版式单据进行人工补录的最优方式，能准确把集团企业所有类型单据结构化，有效提高了效率。

6 结语

集团企业财务共享中心应用人工智能技术实现财务工作全流程智能化，可实现大幅降本增效并为用户提供更优质的服务。配置好规则引擎后，高峰时期业务量增加也无需增加人员编制，能更好地服务于企业战略和业务发展。降本增效只是第一步，财务风险防控才是智能化的深层价值，集团企业可基于财务活动构建实时监控系统，在财务状况风险显露时及时预警，同时利用数据库中存储的相关信息明确提出解决方案，最大程度降低财务风险对运营造成的危害。人工智能技术与集团企业财务结合的科学方案仍有待发掘，两者组合千变万化但又殊途同归，上述应用只是冰山一角。需注意的是，人工智能技术虽然比人类速度更快、结果更精准，但并不能达到完全正确，对此需要有正确的认识才能做到有的放矢，使人工智能技术在集团企业财务共享中发挥出最大的应用价值。