9月3日，令才科技总经理王泽受邀做客缔联财税思享会，围绕《基于财务共享的智能财务案例分析》做主题分享。从财务共享的典型特征、共享模式下数字会计档案管理、智能审核、智能记账四个模块展开交流。

【以下为文字实录精华版】

今天的分享基于财务共享模式，结合当下电子档案的背景，通过案例分析，和大家交流如何实现财务智能审核。

共分4个模块：财务共享的典型特征；财务共享模式下，企业财务信息化和数字化转型；数字化背景下的智能审核；基于机器学习技术的会计记账应用案例。

01

财务共享的典型特征

财务共享中心，是20世纪80年代一些跨国公司发明的组织管理模式。如福特、GE，全球各经营地都有一套财务人员，企业重复投入，成本高，管理难。那么，如何解决分散在各地的会计审核记账、资金、税务等工作？能否采用生产制造型企业流水线的作业方式，来处理财务工作？

所以就发明了共享中心的模式，把企业全球财务审核记账工作，集中到共享中心统一处理。这样的模式会涉及到整个财务组织结构变革，也会涉及到信息系统的建设。

财务共享中心通过集中作业方式，把企业常见的费用报销、应付应收、总账核算、资金收付、税务等常见的、交易量大的、相对标准化的业务上收，采用特定的组织管理模式或信息系统方式，统一解决问题，达到降本增效的目的。

总结来看，共享中心就是通过集中化、标准化、端到端，把企业的交易性业务集中解决。而原来的财务体系会拆成总部财务和业务财务两个组织结构。总部财务，即企业的总公司或集团财务部，承担管理职能，包括制定政策制度，承担预算管理、成本分析、风险管理等。业务财务，承担总部管理会计的落地，更多地深入到经营端。

在整个共享模式下，企业的财务组织就形成一个“三足鼎立”的结构。每个结构承担一部分职能，总部财务和业务财务承担财务管理的职能，财务共享中心承担企业交易性业务职能。每个组织、每个人做自己最专业的一部分事情，工作更高效，管控更有力度。

在跟很多企业交流时发现，共享中心有个典型特征，即标准化和规范化。共享中心把子公司同类业务集中标准化、规范化处理。所有子公司的同一个经济事项用到的审核规则，其管理标准必须一致。这是共享中心的一个核心点。

另一个核心点，是共享中心的作业模式，即把所有子公司的业务打散，按照业务类型分组处理，提高作业效率。现在市场上有些共享中心的作业模式，是按照法律主体或地域分组，这其实不算是一个标准化的财务共享中心。

当共享中心的概念传到国内后，我们也看到了集中管控的效果。原来子公司的经营分散在各地，集团或总公司无法把控，但在共享的模式下，所有分支机构的业务都是透明的。

所以，国内企业建共享中心基本有两个目标，一是降本增效，一是对分子公司的集中化管理，提高作业质量。

业务集中到共享中心后，就需要建立统一的规章制度，标准化的业务流程，统一的信息系统，统一的人员管理。在标准化和规范化的基础上，信息化系统才能更好地落地，信息化程度就会越高。同时，通过信息化手段收集经营端的数据，进而实现更多的自动化和智能化。

最近这些年看一些中大型企业的发展会发现，信息化程度做得比较好的一个原因，就是来源于共享中心的建设。因为通过共享这种模式，把企业前端的业务进行标准化、规范化后，就会传导到财务工作。

02

共享模式下数字会计档案管理

接下来，我们看看共享模式下财务信息化基本框架。首先来看中间的应用层：

（1）核算管理，基本上可以定义为核算系统、合并报表系统、档案管理系统。

（2）资金管理，包括资金上收、资金的头寸管理、资金计划、资金账户管理，对应到信息系统，就是企业会有资金管理系统、收付费渠道。

（3）税务管理，包括纸质或电子开票系统，进项管理系统，税务管理平台。企业内部做税务风险监控分析，包括税务核算和税务申报表出具，都是在税务管理平台操作。

（4）财务管理，就是企业做费用预算，就要用预算编制系统，控制费用，会有费用控制系统，成本分析，就会有分摊分析系统。财务管理这一部分，可能战略财务和业务财务会用得多一些。

（5）共享运营，标配有共享作业平台和影像系统。共享作业平台一般会跟费控系统连着搭，传统人工作业时，所有业务集中到共享中心，业务人员提单，预算控制后传到共享派单，人工处理完成后，由后台监控处理时效，处理质量、差错率等。影像系统是将纸质单据扫描或拍照，上传到影像系统，共享中心用影像化的原始单据进行审核记账。还有RPA财务机器人，可以解决一些流程自动化的工作。智能审核平台和智能记账模型，会在第三、四部分详细聊。

（6）智能财务，就是通过集采，跟财务系统对接。比如企业建一个商旅平台，外部跟携程这类企业对接，员工出差的所有行为可以通过商旅平台，不用再垫付机票，酒店费用，也不用收集单据，既能节省员工的时间和精力，又能解决财务审核的时间和精力。现在很多企业都在尝试做外部系统的协同，像办公用品等日常低值易耗品采购，跟京东、苏宁对接，跟滴滴对接打车，跟饿了么对接吃饭。当然，还会建一些规则引擎或者风险引擎，把事后管理变成事前监控。

我们把应用层这个部分定义为应用系统，现在有一些企业在探索，但还没有特别标准化的产品或应用。

最下面是业财一体化，如ERP、CRM、OA或者HR系统。前端业务发生后，通过自动化的规则映射，完成自动核算。

上面一层是很多企业在重点探索的，就是把所有的应用数据抓到数据管理平台，包括应用系统，前端系统的数据，然后对数据汇总、清洗。

而管理驾驶舱则是对数据的应用，通过指标设置进行监控，比如仪表盘、BI，通过数据展示，来反映企业的经营行为。

最上面一层决策支持，是我们跟企业探讨的更高层级的自动化应用。原来是由人工通过指标做决策，现在是不是可以系统直接去做一些决策？比如系统自动提示预算超支了，经营成本率超限了，甚至直接做管理，设置系统权限禁止，限制某项经营行为。

不管是传统财务机器人，还是其他自动化管理决策的探索，都是基于企业的数字线上化和信息化，去收集各种财务单据，和企业经营信息。

03

智能审核：数字化+会计审核

智能审核是什么？首先还是基于企业的需求和痛点。共享中心把全国的单据集中上来，由几百个人在做原始单据的审核。审核人员的痛点，是企业经营事项随时发生，每月有100多万张纸质单据都会扫描到系统，集中到共享中心。他们需要根据几千条的审核规则，人工判断是否符合记账规则。所以痛点就是前端的业务多，导致财务人员也多。

那是否可以实现基础会计审核工作的全部自动化？

基础会计审核的工作流程分为三步：

第一步获取信息，传统模式，会计人员审核的是纸质单据；共享模式下，是通过费控系统或影像系统去看单据图片，然后存储到大脑。

第二步叫存储信息。

第三步是信息判断，会计人员根据已经培训过的审核规则，会计准则，去判断从系统中看到的单据是否符合规则。

智能审核正是沿着这样的作业逻辑，当费用审核到财务环节，原来是人工审，现在由系统模拟人眼去获取结构化数据，并根据已写到系统里的规则自动判断，根据结果记账、付款。这就等于帮企业建立一个员工审核的大脑。

把智能审核的逻辑，拆分来看，第一个模块是数据提取模块，这个环节要汇总审核需用到的所有数据。数据一部分是系统数据，比如费控系统或ERP系统的数据，这些数据本身是结构化的，可直接归到数据库。还有一部分是已经扫描成图片的原始单据，这类非结构化数据只有转换成结构化数据后，才能做自动化。

我们通过技术手段可以把像发票、火车票、出租车票、银行回单、行程单等有固定版本的票据信息，进行智能识别，获得结构化数据。

但企业财务里还有很多非发票类的单据，比如竣工验收单、收据、采购合同、出库单、签名表等等，这些都是企业财务要求证明经济事项真实发生的一些资料，这些跟发票相比就属于不太标准。没办法通过OCR技术准确抓取到上面的信息。所以，我们通过人工补录的方式，去获取这类非标准单据上的信息。

人工补录平台采用的方式，常见的叫众包模式。即把OCR识别不了的财务影像单据，切割打散碎片化，由平台上3万多名会计专业类的在校大学生，利用兼职的碎片时间，把单据图片信息录入系统。这是对智能识别技术的一种最优补充方式，能把企业所有类型单据结构化，且准确率达到99.9%。

第二步，把审核规则植入企业系统后台，将数据放入规则中，由规则自动化模块代替人工判断。

通过一个案例来看，比如差旅费的单据审核，我们要审核住宿费的发票和住宿费的水单，如果企业要求住宿费开票的发票项目，必须是住宿服务*住宿费，员工要报销住宿费，不能拿餐费的发票来报销住宿费，这是财务要审核的。首先看发票有没有问题，发票金额跟水单金额是否一致。然后看是否符合公司标准，如果符合则审核通过。另外，校验水单中每天的房费是不是符合标准，如果超标则不通过。我们把这些规则都设置在系统中，逐一审核，当审核到某一项不通过，则后面的内容就不审了，直接退回。

智能审核跟传统系统，比如费控系统的审核规则数量级是不一样的。传统系统可能就做到10来条规则，而智能审核可以涵盖企业所有经济事项，大概4000-5000条审核规则，全部可以自动化。而这些规则又涵盖了真实性审核、风险审核、完整性审核、合规性审核、收付款审核。在这样的模式下，智能审核涵盖了所有人工会计审核的点，就能直接替代会计审核岗，也叫做系统内部的无感审核。

通过业务逻辑的流程来看，首先是数据归集，由前端业务人员提单，如果提单信息是ERP系统数据，就直接归到数据库；如果是财务原始单据扫描过来的影像，先通过智能识别，识别出的准确数据直接结构化归到数据库，识别不出的部分，碎片化后，用人工补录成结构化数据，进行数据汇总。未来电子发票过来了，也可以直接通过系统归到数据库。

然后，所有数据经过规则自动化模块，审核不通过的退单、退影像；通过的，做客户确认，资金支付，到账确认。

整个智能审核可以实现直接人工替代，能替代几十到上百个人力，同时融入了5000多条审核规则，涵盖企业常见的财务审核规则。

智能审核的核心价值，第一就是完全替代人工。

第二就是帮企业做海量的数据结构化。传统模式下，系统中的纸质档案或图片档案都是“死”的数据，就是会计审完后就放在那，没有发挥作用。在智能审核模式下，通过OCR，或者人工补录，把这些数据结构化，就可以做很多自动化的东西。

第三，保证规则的绝对执行，只要把审核规则放到系统里，系统就能帮我们绝对的控制，它不像人工在审核大量单据的时候，会有遗漏。

业务效果上，智能审核的审核时效在20分钟以内，从单据提交到智能审核平台，20分钟就把结果返回去。这其中主要还是在人工补录那些结构化数据，规则自动化这部分都是秒级完成，不像人工还需要思考。

审核准确率达到99.8%，这是高于人工准确度的，现在行业内共享模式下，人工差错率能做到1%就很不错了，而智能审核能实现2‰。

成本降低，自动化的方式比人力成本、管理成本要低很多，能够帮助企业节省40~50%的运营成本。

对于一些大型企业，在记账环节会复杂一点，有一些个性化的东西。一些常见的经营事项，我们是通过发票、发票项目、预算科目，就能映射到一个会计科目。但实际上大型企业，我们判断经济事项时，需要根据更复杂的企业信息去判断。比如1个单据有20个附件，有20个原始单据，要从这20个原始单据去判断经济事项，然后才能对应到会计科目。

原来对于多元化经营的企业，记账是没办法做到刚才说的一一对应的，更多的是凭经验，会计根据费控系统里筛选出的5~10个科目，根据自己的经验，判断原始单据信息，选一个科目。

AI机器学习+会计核算就是解决这部分问题。

04

AI机器学习+会计核算

现在财务领域对人工智能有点太夸大了，比如凭证自动生成，资金支付，做个银企直联就叫人工智能，其实都不是，包括RPA机器人流程自动化，都不是人工智能，只是传统的自动化。

如果把人工智能和传统自动化做一个界定：传统自动化是人制定出规则，给到IT，IT把规则放进系统，系统自动执行这套规则。人工智能，尤其是机器学习，是人定不出规则，通过机器学习技术从历史数据中把这套规则梳理出来，然后放到系统中自动执行。

人工智能的落地有三个基础：算力、算法、大量的数据。核心点是要有数据，机器学习的逻辑，就是从大量的数据中找规律。算法就是要用什么逻辑把历史数据的规则梳理出来，然后代替人工去建立一套规则。

回到财务的痛点上来，费用审核时，会计员工从所有的原始单据寻找关键词，然后判断所属的经济事项，对应的会计科目，那能不能用机器学习的方式来解决这个作业逻辑。

首先，要有数据。智能审核落地的关键就在于，企业所有的数据需要结构化。有数据了，然后由算法工程师，选一种算法用到财务逻辑里。算力比较简单，私有云、公有云都能用。

通过一个案例，来详细说明机器学习是怎么通过“训练”总结出数据规律。

首先是训练过程。假设随机森林里有1万个决策树，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1万个决策树，这些信息就会在决策树中随机分布。

接下来是监督学习，因为都是历史数据，这笔经济事项的正确会计科目是已知的。然后我们就看哪个决策树上是正确的科目，我就给它加一分，专业术语叫置信。这样第一条数据就训练完了。

随着数据的增加，就能得出一个概率，即当第一条决策树上出现某三个特定词，生成其对应会计科目的概率是99%。概率达到95%以上的决策树，我们就认为训练成熟了，也就是它已经建出来一套规则了，就可以放到系统中去运行了。当有新单据提上来，就按生成的规则做判断。

如果概率太小，就说明数据量不够，准确度就低。我们只能在积累数据，然后再去训练。

机器学习还有第二个核心点，就是它可以在运行的过程中自我优化。做的单据越多，它就会不断地调整叶片上的结构，调整规则。

比如报销招待费，原来它通过“招待费”和“餐费”这两个词去做决策，（这只是举例，在机器学习做决策时，可能要几十到上百个词去做判断，准确率就很高。）当它处理了100个新增单据时，发现这些单据里边“吃饭”这个词出现了30次，已经达到了预设值，那就把“吃饭”这个词放到决策树去做辅助判断，这样的话准确度就会越来越高。

机器学习是一个概率问题，通过各种统计，去判断规则，做的越多，就越完善。

这就说到了机器学习跟传统自动化第二个比较大的区别。传统自动化要改规则，只能由人工修改规则后，让IT改后台代码。而机器学习能自我优化调整，人工只要调整一些参数即可，它在干活的过程中就会不断调整。

这是把机器学习用到会计记账领域，当然还可以再延伸去帮我们从复杂业务中梳理出人工没法梳理出来的规则。

比如提单。一些业务比较复杂的企业，业务人员提单时，要在系统里选择十几、二十项段值，但这些信息很多都是财务口径的，业务人员根本不懂，他选完之后提到共享中心，共享中心一看不对就退回去了。

这也是财务的一个痛点，就是业务人员提单总是出错，退单就带来重复审核，降低工作效率。

其实，机器学习模型也可以用在这里，比如把过去的提单信息给到这套模型，模型就能梳理出来，当发生某类经济事项，或者合同发票出现特定的词，按照模型梳理出来的规则提单，准确率就能达到90%。

所以，机器学习不是专属用在会计科目生成环节，它可以围绕着财务一些复杂的业务去做各种的规则建立。这是第四部分，AI+会计审核落地的案例。