【精品观察】人机协同:机器作业取代共享服务的起手姿势

人机协同 

在财务共享服务的领域，业内同仁一直都在关心什么时候人工智能开始能够向人工作业发起总攻，并最终实现机器取代人工作业。尽管这一未来是必然的趋势，也是让人充满憧憬的，但我们也必须要认识到，这一进程是需要时间，并且循序渐进来实现的。

而在这一进程启动是，我们看到，基于人机协同的初级人工智能模式成为现阶段可行，可落地，并且能够快速提升财务共享服务中心产能的机遇，我们不妨称之为机器作业取代财务共享服务的起手姿势。 

一、财务共享服务中心智能化的

机会在哪里？

财务共享服务中心在我国是在近十余年来受到高度重视并快速发展起来的创新财务运营模式。在这个过程中，财务共享服务中心本身体现了财务的创新和自我突破能力，很多企业通过财务共享服务中心的建设，实现了从分散运营向集中高效运营的转变，并在这个过程中提升了运营效率，降低了成本，提升了风险管控能力。

但时至今日，智能化的到来，让财务共享服务也感受到了进一步提升的压力。越来越多的企业在建立财务共享服务中心的同时已经不得不进一步思考智能化会带来怎样的影响。而庆幸的是，我们能够看到，财务共享服务为智能化的建设打下了很好的基础，可以说，如果没有经历这个过程，中国的企业很有可能在智能化的浪潮中被全球的领先实践远远抛下。

那么财务共享服务向智能化的转型中，我们会遇到怎样的境遇呢？财务共享服务先天所具备的规模经济，规则标准以及信息技术优势，让我们能够更容易抓住智能化的机会。

1、共享中心具备智能化的规模效益基础

对于智能化来说，一定是作业规模越大，所能够带来的规模效益越显著。这也是为什么人工智能技术在金融、电商等产业规模及数据量庞大的行业率先得到应用的原因。而当我们考虑将人工智能技术应用于财务领域是，同样需要找到具有规模效益的场景作为切入的机会点。在这一背景下，我们不难看到，财务共享服务中心的特性与规模效益这一需求是具备契合点的。

财务共享服务中心从本质上是实现了类似会计工厂方式的集中运营作业。在这种模式下，大量原先分散在各个分支机构处理的财务业务被集中至财务共享服务中心按照流程化的模式进行运营处理，这种基于专业分工的大规模作业较之传统财务呈现了极大的规模效益。而在智能化模式下，通过机器作业对当下大规模人工作业的替代，规模的价值将得到进一步的挖掘，财务共享服务为智能化奠定了扎实的规模基础。

2、共享中心具备智能化的规则标准基础

另一方面，智能化的实现建立在数据的基础上。规范化，标准化的数据基础能够极快的加速智能化的进程。而在获得了丰富标签化的数据后，我们就掌握了大量优质的生产资料，通过对业务处理的规则化，智能系统能够基于生产资料形成生产力。

对于财务共享作业来说，我们需要将大量的来自业务前端的原始凭证通过审核作业规则处理后，形成合制度、合规与否的判断，以及形成会计信息的产出。这个过程在传统模式下是依靠将审核规则交由每个作业人员学习掌握后再基于人工来进行处理的。而智能化在财务共享服务中心的实现逻辑也是类似的，唯一的差别在于我们需要通过信息系统来获取规范化的数据并将规则梳理植入系统来进行作业处理。

庆幸的是，财务共享服务中心为了更为高效的培养作业人员在对作业规则的标准化上已经进行了大量的前置工作，大量原先要靠所谓的专业判断力进行解析的制度、规则在财务共享服务中心被清晰的进行了定义，这使得我们进一步考虑将这些规则进一步拆解为计算机能够理解并执行处理的规则时减少了大量的工作量。试想，如果没有经历这一过程，智能化要进行规则梳理的挑战是难以承受的。

3、共享中心具备智能化的信息技术基础

最后，我们也必须意识到，智能化是信息技术的进化，也就是说，我们很难在智能化的进程中实现跳空式的发展，即使是基于突破也要有突变的基础和载体。对于智能化来说，互联网技术和信息系统是其最基本的载体。

对于财务共享服务中心来说，尽管早期也有一些共享中心尝试基于脱离信息系统的人工流程来进行处理，但很快变化发现这条道路之艰难，并快速的转型了信息化。而今天，大部分的财务共享服务中心都使用了影像系统、共享派工、运营管理等作业工具，也实现了与会计核算系统、资金系统的自动化对接与制证。这些技术的广泛应用，让智能化在财务共享服务领域的实现具备了良好的技术基础，也避免了跳空危机。

二、如何实现财务共享服务中心的

人机协同智能化？

当我们认识到，财务共享服务中心先天具备了智能化的基础之后，越来越多的企业蠢蠢欲动，希望能够抓住智能化的基于，在财务共享服务之路上实现向智能化的大转折。尽管目标是清晰且丰满的，但现实是骨感的，作为新兴技术，与财务共享服务场景的融合并不是一件容易的事情，要想一步实现智能化，实现机器替代人工作业似乎并不可行。

在大量实践基础的积累之上，一种变通的思路被提出，基于人机协同的智能化，让财务共享在智能化之路上实现了质的突破。在人工与机器自动化相结合的条件下，借助OCR、网关、风险分级引擎、规则引擎所构建的人机协同智能共享技术成为过渡阶段一种具有落地性的选择。

1、数据采集的人机协同

要实现财务共享的智能化，首先要解决的就是原始凭证如何数字化的问题。不幸的是，当前的财务原始凭证的结构化水平是严重不足的，在营改增之前，我国的发票种类繁多，要想获取发票中的信息，更多的只能靠财务共享作业人员逐张审视。这种状况在这两年得到了改善，随着营改增的推行，越来越多差异化的发票样式向增值税专票和普票进行统一，这使得我们有机会采用新的方式来面对原始凭证。OCR(Optical Character Regnition，光学字符识别)技术在这一领域被尝试使用。

事实上，利用OCR提取发票信息的尝试一直在进行着，但如上文所说，在原始凭证，特别是发票种类繁多的时候，使用OCR技术的难度是很高的，由于现行的OCR技术主要还是基于模板配置的方式来进行采集准备，这使得模板开发和优化的工作量巨大，再加之识别率的不足，使得不少尝试胎死腹中。但随着发票版式的统一，这一模式再次被提升议程，基于OCR技术，并且针对增值税专票和普遍的定向优化，能够将识别率提升到可接受的水平。

但我们必须要认识到，100%的OCR识别率是难以做到的，这使得全自动化的最后一步难以迈出，在这种情况下，人机协同模式的出现打破了僵局。通过在流程中植入OCR后的人工补录流程，让我们能够以较小的代价来实现全信息的数字化。实践看到，人机结合的OCR采集模式充分利用了识别技术的有点，也克服了阻碍最后一步的难题。当我们获取了完整的信息后，下一步的自动化机会豁然开朗，呈现在我们的眼前。

2、共享派工的人机协同

在缺少数据支撑的情况下，财务共享服务中心在作业时通常是采用随机派工的方式，通过强制分派制或者是抢单的方式来实现作业任务的分派。这种方式的优点在于能够带来任务分派的公平性，减少不必要的协同问题，但也存在其不足。采用随机分派的方式，忽视了不同任务之间风险水平的差异，也忽视了共享作业人员之间能力的差异。

当我们尝试去正视这个问题的时候，会发现，如果能够将任务的风险水平与员工技能水平相匹配，那么我们能够获得收益。这种收益来自于风险更高的任务由技能更强的员工来进行处理，这样我们把控风险的能力得到了提升，而低风险的任务交给系统自动处理或者低水平的员工来进行处理，进而降低了成本。这打破了现行共享服务主流的大锅饭模式。而当我们能够使用计算机进行自动的信用与风险分级后，再结合相匹配的人工作业，我们实现了另一种方式的人工协同。

当然，要做到这一点并不是简单的事情，最大的挑战就在于如何对每一个进入共享中心派工池的作业任务来识别并定义风险等级。在原始凭证没有数据化之前是很难做到这一点的，但随着数据采集人机协同的应用，我们获得了更为广泛的财务数据，在数据的基础上，建立风险的分级模型，让我们有能力将任务分成不同的风险等级，并进行差异化的派工处理。但是，在这个阶段，将任务分级的模型算法更多的还是基于人员的作业经验来提炼。这从一定程度上仍然局限了人机协同的能力最大化的实现。

3、共享作业的人机协同

最后一个环节，也是最重要的一个环节，是共享作业的人机协同。传统的财务共享服务模式下，共享作业任务的处理主要依靠作业人员掌握了审核作业的规则要求后进行人为的判断处理。这种处理方式虽然采用了劳动分工的科学管理方法，通过标准化推进了人工处理的难度，但是，其背后仍然需要大量具有丰富经验的财务共享服务人员作为支撑。

在这种情况下，人们思考，是否有更好的方式方法来进一步优化共享作业模式。对于利用系统进行自动化处理的探索也一直在进行。但受制于前端数据的不足，以及系统进行自动化处理的工具局限，这一尝试的进展也是有限的。

但随着原始凭证基于采集人机协同的数字化进程的推进，一种使用规则引擎进行自动化处理的人机协同方式被提出。传统模式下需要靠人记忆并执行的作业规则被进一步的颗粒化，并被植入规则引擎中。规则引擎依靠丰富的数据输入以及设置的颗粒化规则进行批量审核作业，对于所有规则校验通过的任务免除人工处理，对于出现异常审核结果的任务转为人工处理。当然，这里的任务是指在上一环节识别的低风险任务，高风险任务仍然建议人工处理。

在这个过程中，一个非常重要的概念是规则引擎。那么规则引擎是怎样架构的呢？规则引擎可以理解为是一个业务规则的解析器。在这个解析器中，原本一个相对复杂的规则被要求拆分到相对简单可以定义的规则包。针对每个规则包都涵盖了数据输入、算法处理、输出反馈的过程。而规则引擎允许我们定义大量的规则包，并将这些规则包管理起来协同运作，实现了将复杂的人的审核过程自动化的处理。

这个事情说起来简单，但在实际的开发实现的过程中，需要克服几个困难。

首先，需要能够让业务团队理解规则引擎中规则包的处理能力，也就是颗粒度。只有让业务人员理解了这个概念，才有可能保证业务人员拆解的规则颗粒是系统可实现的。

那么，第二个难点，就是业务人员在理解规则包颗粒度的基础上将共享作业规则进一步拆解和颗粒化的过程。对于每个拆解的规则都需要能够满足规则包所设定的可处理要求，不重不漏，细致活。同时，这些规则高度依靠经验提炼，带来了需求人员的依赖性。

第三个难点在于规则的系统化，实际上不少规则引擎还难以做到完全的业务人员自主定义，通常还是有不少复杂的规则包要通过开发来实现的。这些规则包一方面需要消耗大量的开发资源，而且如果没有建立很好的需求和开发文档管理，也会造成潜在的规则或算法风险。

针对这些困难和挑战，我们也期待有更好更为灵活的规则引擎产品的出现，这将使得共享服务智能化的道路进入高速时代。

三、机器学习未来将带来财务共享

怎样进一步的智能化？

人机结合模式的应用让我们在财务共享服务中心自动化智能化的进程中找到了一个阶段性的过渡方法。但这并不是终点，一个好的平台应当尽最大的可能打掉人工干预的断点。通过技术手段，将人机协同进化为人工智能的闭环是未来的必由之路。

在今天，我们已经能够看到人工智能技术高速发展所带来的希望。特别是机器学习领域的突破，能够帮助我们在OCR、风险分级和共享作业三个领域均带来一定的突破。

1、机器学习提升OCR识别率和识别范围

传统的OCR技术是基于一套设定的流程来执行的：

首先，对于输入的图像也好进行预处理，例如二值化、去噪、倾斜较正等。其次，进行版面分析，将文档图片切分成一个一个小的目标，对于发票来说，这种切分时可以基于发票的版面来进行预先设定的。

随后，进行字符切割，将一个一个汉字能够独立出来，并根据预先设立的字库对比来进行汉字识别。但这并不是最终结果的形成，还可以进一步基于语言上下文的关系来进行结果的矫正，这被称为后处理。在这种模式下，识别率受到多种因素的影响，特别在字库比对和后校验环节很容易出现问题。

基于机器学习的OCR方式，能够通过对大量的带有特征值和结果标签的影像进行监督学习，就像做题的方式一样，告诉OCR引擎题目和答案，通过大量的训练后，机器学习能够自主的找到能够提升识别率的优化算法的发现，从而持续的提升OCR的识别率。这种方法在针对同一性质的原始凭证进行大量的学习训练后能够有效的提升OCR的识别效果。

另一个方面，语义学习在OCR的后处理环节同样能够发挥作用，基于机器学习进行持续的语义训练，能够帮助OCR在后处理时，以更接近人的思维逻辑在几个模糊的可能选择中找到更正确的答案，持续的训练，同样能够提升后处理的精准度。

基于以上两个领域的机器学习的深入应用，OCR的识别率能够提升，同时，一些传统OCR技术难以识别的领域，特别是手写体领域的识别得以突破。事实上，针对OCR的机器学习的应用已经出现了不少达到商用级别的产品，这个领域已经立足现在。

2、机器学习提升风险分级精度

在另一领域，机器学习同样能够助力财务共享自动化水平的进一步提升。如上文所说，传统技术下的风险分级规则的设定是基于人的经验来总结的。这就必然会面对人的能力经验的局限性。甚至很多时候，因为有经验人力的缺失，使得这一动作直接被搁置。

对于风险分级来说，其核心逻辑是要基于输入的数据信息来对每一份原始凭证进行其风险等级的评价。这一过程和金融行业的信用评价体系是有所类似的。当获得了大量的输入后，通过设定的算法得到一个风险的结果值。

当机器学习应用到这一领域后，可以考虑先通过人工进行大量的训练题库的积累，由供需服务中心的作业人员先进行基于经验规则加上人工的人机协同模式下的风险级别设定。这个设定过程由于人机协同，最终结果可能是很难靠人力完全抽象为模型的。但当我们积累了一定人机协同作业下的题库后，能够引入机器学习引擎，对当下的系统中植入的经验规则进行学习优化，从而将人机协同的人的部分进一步机器化，而这一转换比例将在持续学习的过程中不断提升。并最终提升风险分级的精度。

当然，对于风险分级模型的优化，还有很多需要同步进行的动作，如报账人关系网络的搭建、报账人、供应商信用体系的搭建等等。

3、机器学习实现作业规则的自我优化

最后，机器学习的一项重要价值在于能够帮助我们实现共享作业规则的持续优化。

和风险分级类似，在没有引入机器学习之前，我们通过规则引擎进行自动审核，而规则引擎中的规则时基于作业人员的经验来进行总结提炼的。当我们基于规则引擎的人机协同模式获得了大量的历史题库后，同样可以基于机器学习引擎开展对于规则引擎中规则的优化和提升，从而实现人机协同向高度自动化、智能化的转变。

董师傅：在财务共享服务中心，机器取代人工的进程已经启动，不是是否的问题，而是何时完成的问题。