近年来，如何利用“大智移云”等新一代数字技术推动企业管理进步，成为热议话题。今年全国两会召开前夕，中共中央、国务院印发了《数字中国建设整体布局规划》（以下简称《规划》），提出数字中国建设的整体框架，标志着数字经济被放到更重要的位置。《规划》指出，要全面赋能经济社会发展，一是做强做优做大数字经济，推动数字技术和实体经济深度融合，在农业、工业、金融、教育、医疗、交通、能源等重点领域，加快数字技术创新应用。近期，备受关注的聊天机器人ChatGPT发布最新升级版本——GPT-4语言模型，再次将以ChatGPT 为代表的人工智能技术如何应用于企业管理推向新的讨论高潮。
尝试后，大家发现ChatGPT现阶段可以应用在艺术创作、生成文章等领域，但离商业环境中的实际应用还有较大差距。相比“试用阶段”的ChatGPT，已经上市3年的元年C1智答——面向各类企业的数据智能分析助手，已融入到多个行业、多家企业的管理实践中，在“数字技术和实体经济深度融合”方面，元年C1智答创造了“元年经验”。
下文将以元年C1智答在海尔集团的应用为例，系统阐述海尔集团智能分析机器人的框架设计、发布路线，从实践出发讨论了建设过程中海尔集团遇到的实际问题和对策，并就智能分析机器人在智能财务领域的具体应用场景和应用成效进行了分析总结，以期对人工智能等新一代数字技术如何落地企业财务场景提供参考。（文内元年C1智答产品相关资料，免费申领中）
本文摘编自《财务与会计》杂志
作者：熊媛媛 海尔集团数据平台总经理、高大群 海尔集团数据平台战略运营总监、李彤 元年科技股份有限公司执行总裁
随着数字经济时代开启，企业内外环境不确定性提升，业务实际需求趋于多变，管理层对报表及时性和个性化提出更高要求，现有传统BI系统开发工作量大、响应时间长，难以支持大量的敏捷性业务决策，亟需加大在智能财务领域的探索与实践。海尔集团创立于1984年，是全球领先的美好生活解决方案服务商，致力于构建衣食住行康养医教等物联网生态圈，为全球用户定制个性化的智慧生活。公司连续3年蝉联BrandZ全球百强，连续12年稳居欧睿国际世界家电第一品牌，拥有3家上市公司，经营业务深入全球160个国家和地区。配合最新的“生态品牌战略”，海尔集团去年启动了“智能分析机器人”的项目建设，以共享财务的公司智能账户预警、运营分析部门的集团财务经营类指标查询、分析为主要需求，采用AI+大数据手段，推动公司财务领域的数字化转型。
智能分析机器人建设目标
海尔集团以从本质上改善集团内部“人与数”的关系为目标建设智能分析机器人，以满足业务人员业务决策和分析师数据分析需求，更好地打造“数据驱动的文化”，向业务人员提供可以随时随地使用、无学习门槛的智能化信息系统；向分析人员提供可以快速定位和解构问题的能力，提升财务智能化水平，提升业务数据分析的效率。
具体而言，一是优化现有数据服务,利用智能分析机器人，满足公司内部“人找数据”、“数据找人”的刚性需求。以问答的形式，由机器人实时回答业务人员关于数据的问题，实现自动找数；通过机器人自动识别数据异常，自动定位和分析异常原因，第一时间推送消息到相关责任人，实现自动预警。
二是数据驱动智能决策,以智能分析机器人为核心，建立公司的智能化运营中心，利用机器学习算法建立数据科学模型，从数据中挖掘出隐藏的商业洞察，为决策提供依据，提高决策质量；同时，利用知识图谱技术建立垂直领域的业务知识模型，构建认知推理模型，实现自动化决策；
三是提升前沿用户体验,以智能助手的形态，将智能分析机器人功能嵌入现有的OA系统、BI系统中，为用户提供即时且无门槛的人机交互，通过充分发挥智能机器人的持续学习和自我迭代能力，为用户打造专属助手。
智能分析机器人系统框架设计及发布路线
智能分析机器人系统框架设计
图1 智能分析机器人系统框架
海尔集团智能分析机器人系统框架如图1所示，主要分为数据层（数据源、数据适配）、知识层、模型层、应用层和接入层：
1.数据层：“非侵入”数据准备和异源异构数据连接能力
数据层涉及数据源和数据适配。集团内部不同业务系统之间的数据库具有“异源异构”的特性，按数据源不同可以分为企业内部结构化数据、企业内部非结构化数据和外部数据，不同业务数仓中也存在编码不统一、表结构差异等情况，在构建智能分析机器人时，涉及到与不同业务数据库的连接，需要将各业务系统数据标准统一，这就要求进行具有“非侵入”特性的数据准备，用数据连接虚拟化技术，在不改变原业务系统表结构的前提下，构建数据表中元数据的关联描述，形成数据连接网，并在查询数据时进行实时映射。
2.知识层：从事理知识图谱到企业“智库
在业务活动中产生的数据本身具关联性，比如：“利润=收入- 成本 - 费用”，基于这种关联性可以形成事实知识图谱。除了事实关联性，业务事件之间也存在逻辑关联性，比如：房地产市场的繁荣会促进下游家电行业的需求、产品需求增加将需要匹配更大的生产产能及采购订单。利用业务事件之间的逻辑关联性，可以构建事理知识图谱。通过建立统一的知识库，来收集、创建、储存，并不断地刷新事理知识图谱，逐步形成企业的“智库”，帮助企业更好的做决策。
3.模型层：无代码数据科学建模和机器学习框架内置
通过引入机器学习算法可以从数据中挖掘出大量隐藏的信息。机器学习算法的使用依赖大量的模型调优和参数优化，对于普通的IT人员、业务人员具有非常高的门槛，而数据科学人员又往往会因为缺少业务背景，导致参数优化出现无业务价值的过拟合。通过建立基于AutoML的模型层，内置丰富的机器学习框架与模型，并把业务场景归类到统计、分类、聚类、预测、优化等数据问题，可以让无代码、无算法背景的业务人员也能进行数据科学建模，从而解决机器学习算法的使用难题。
4.应用层：智能可视化及个性化助手
数据可视化可以帮助使用者从数据中快速获取重要信息。利用人工智能的算法，可以提取数据的特征与不同数据可视化的特点进行交叉验证，最终得到数据可视化的推荐算法，根据不同数据的特征，推荐不同的可视化结果。同时，通过人工智能赋予机器人一定的自学习能力，为机器人提供与终端用户进行对话的能力。智能财务机器人可以理解用户的意图并将其翻译为行动执行，在无法清晰识别用户意图时，以反问的方式引导用户通过选择来完成指令，最后把执行结果清晰的反馈给用户。通过在交互过程中不断进行自学习，智能财务机器人可以适应不同用户的个性化表达方式，减少对话系统中原本需要人工完成的大量配置工作，成为用户更加个性化的助手。
5.接入层：打造开放性的生态系统
企业的智能化建设是一个持续过程，集团内各产业线都会有各自的智能化团队，也存在大量三方合作的智能化项目。因此，智能分析机器人系统需要满足开放性原则。通过开放API接入的方式，可以快速引入集团内已有数据分析能力，并将机器人系统嵌入集团内部已有的OA、办公系统，从而把智能分析机器人的创新型能力有效输出到集团内部，随时随地为集团提供服务。
智能分析机器人的发布路线
为确保智能分析机器人的有效落地，海尔集团制定了场景试点、逐步完善的发布路线，具体如下：
（1）选定试点业务场景，调研用户数据获取相关场景的需求，进行数据质量的评估；
（2）搭建智能数据分析机器人系统，完成数据接入的工作，输出数据问答能力，进行内测；
（3）为机器人添加数据预警的能力，实现对异动数据的主动监控，进行内测；
（4）在OA与数据报表系统中嵌入数据分析机器人，面向部分用户开放权限，进行灰度发布；
（5）持续收集语料，提高机器人的识别力，完善业务语言与数据的映射；
（6）持续收集业务预警需求，建立并完善预警规则，扩展机器人风险识别能力；
（7）向机器人添加数据科学的算法能力，提供预测、归因算法等，并进行正式发布；
（8）持续扩展垂直领域的知识，形成面向特定场景、特定业务的知识图谱；
（9）后续构建面向企业智能化、自动化的运营机器人（iRPA），赋能数据驱动决策。
智能技术选择和实践问题解决
AI技术（语音处理、NLP、机器学习、知识图谱等）
在完成市场调研后，海尔集团选择与元年科技合作，在其数据智能产品——“智答”的基础上，构建海尔的智能分析机器人。在构建智能分析机器人的过程中，海尔集团选择使用的智能技术主要包括：
（1）语音处理：支持识别用户的语音指令，并增强了方言识别能力；
（2）自然语言处理：采用了前沿的预训练语言模型Bert，在有效范围内，识别准确率达95%，具备识别用户指令的意图、业务术语、行业用语的自然语言理解功能，根据用户指令产生不同的回复语、帮助用户理解结果的自然语言生成功能，以及自动将用户意图翻译成数据库的查询语言并适配多种数据库的自然语言数据查询功能；
（3）知识图谱支持下的虚拟化数据：进行非侵入的数据准备，生成数据关联图谱，并采用虚拟化的连接技术进行异源异构数据库适配；
（4）机器学习：采用了facebook开源的prophet算法进行时序预测，并通过在线实时收集用户与机器人的交互行为自动调优算法，实现主动学习；
（5）自动化的专家系统：将业务专家的分析路径进行建模，自动化执行数据分析策略，输出分析结果；
（6）智能推荐：基于数据的特征，推荐适合的可视化图表，并引入数据关联与业务关联的图谱技术，基于历史查询数据推荐用户还可能关注的数据。
实践中主要问题和解决方案
在智能财务机器人的实践过程中海尔集团遇到不少挑战，其中大部分属于AI系统在企业内部落地遇到的通用问题，需要通过使用丰富的前沿智能技术来解决。
1.数据质量管理
企业过往数仓大部分基于报表体系进行建立和发展，在信息化的初期阶段这种模式是可行的。但是，随着数字化进程深入，信息系统的主要功能正在从收集记录过渡到决策分析，对数据质量提出更高要求，数据质量问题也成为企业落地AI应用需要解决的首要问题。
在智能数据分析机器人的实践中，海尔集团一方面从技术出发，进行了数据虚拟化技术研发，以消耗掉一定性能进行实时数据处理为代价，使得系统可以在异源异构系统中进行数据获取；另一方面，从数据标准出发，海尔集团探索面向智能化应用场景的最优数据标准，并在小范围内进行试点尝试，通过摸底当前数据质量，给数据中台建设提出明确要求，为以后推荐全面智能化做准备。
2.小样本训练
通用领域的AI模型可以在互联网等公开渠道获取大量训练数据，但企业内部AI模型时常面临缺少训练数据、冷启动等问题，这对算法模型和系统设计都提出巨大挑战。
海尔集团利用小样本训练和系统设计作为对策：一方面，通过采用小样本表现优秀的算法模型，如使用facebook开源的prophet作为底层算法构建预测模型；另一方面，通过系统设计实现持续智能，如在对话识别环节通过收集用户对机器人指令的纠正行为，实现机器人能力的自我提升，再采用小样本训练数据就可以上线模型，在使用的过程中完成模型的二次训练。
3.AI系统期望管理
目前，大众对AI技术认知有限。受科幻影视作品影响，许多企业或管理层对AI系统抱有非常高的期望，也会提出远超当前技术水平的要求，导致在看到AI系统初期阶段成品后，产生较大心理落差和挫败感。海尔集团在智能分析机器人的实践过程中不断通过软性宣传，向员工普及AI能力边界，形成对AI的正确认知和对AI系统成长性的信心。
4.业务目标匹配
在AI系统的建设中，容易出现过分专注技术目标，而忽略业务目标的问题，最终导致AI系统与业务目标有偏差，无法最大化业务价值，造成研发资源的浪费。海尔集团在智能数据分析机器人的实践中，而不再将业务用户视为项目外的被服务对象，而是把把业务用户纳入项目团队，充分调动业务用户参与积极性，共同打造贴合业务用户需求的AI系统。
智能财务应用场景及应用成效
应用场景
场景一：数据洞察
应用智能分析机器人的智能问答能力赋能海尔集团内部的数据分析流程，打造企业智能助手。通过将智答系统嵌入移动门户、PC门户、集团及其下的产业报表平台，大幅提升以往数据分析流程（如图2所示）执行效率，大量减少明细数据加工、分析报告呈现等以往需要人工执行的工作，促进数据分析师将更多时间投入到数据洞察分析、业务信息沟通与洞察验证、提炼业务驱动因素等高价值工作。在新流程下（如图3所示），智能分析助手承担了数据查询、问题定位、数据分析、可视化报告输出等原本散落在分散流程节点的工作，不仅简化了流程，提升了数据分析效率，还打通了各个业务部门与管理部门，统一了决策者阅读数据和分析数据的口径。
图2 嵌入智能分析机器人前的数据分析流程
图3 嵌入智能分析机器人后的数据分析流程
场景二：智能预警
通过嵌入智能分析机器人，海尔集团对收入、费用及其他各类运营指标实现了AI自动监控和预警。通过事先设定指标偏差阈值，智能分析机器人可以自动监控运营数据并捕捉异常，超过阈值则自动触发预警机制，将异常数据报告直接推送给相关责任人，实现“数据找人”和事中管理。
图3 智能分析机器人监控预警流程
场景三：业务分析
利用知识图谱技术，构建数据关系，海尔集团智能分析机器人可以实现对报表数据的预测分析、归因分析等功能。以归因分析为例，通过将智能分析机器人嵌入海尔的报表体系，财务和运营分析师可以直接点选报表上各指标的的偏差点（比预算偏差、同比偏差、环比偏差等），由机器人直接解析出偏差导致的原因。例如，通过智能归因分析，可以直接将收入偏差自动归因到影响最大的某个产品线中的某个产品系列，配合规划中的事理图谱，进一步进行业务事件分析，明确该产品系列收入偏低主要导致的原因是均价下降或营销补贴不足等。（如图4所示）
此外，利用智能分析机器人还可以进行协同分析。通过与Portal以及内部社区软件iHaier进行无缝嵌入，在经营分析、预警后分析以及各类需要进一步进行业务沟通的分析场景，均可以便捷地选择报告卡片和评论，直接将相关数据发送给业务人员，大幅提高沟通效率，并且确保分析相关责任人承接和落地，实现管理闭环。
图4 智能分析机器人收入归因分析流程
应用成效
海尔集团通过将智能分析机器人应用于数据洞察、智能预警和业务分析，数据处理效率大幅提高，不仅实现了在业务环节降本增效，还节省了知识管理时间，并为零售业务后续从传统预测向智能预测转型打下基础。
1.数据处理效率大幅提高
海尔集团应用智能分析机器人后，数据处理效率达到人工的500倍，对于临时性分析、经营分析等场景，耗费时间从以往人均数据加工的3-4天缩减到半天，让分析师更多的可以将时间资源分配到与业务端沟通和数据洞察等高价值任务。未来，海尔集团将在此基础上进一步增强分析师的数据洞察分析能力。通过增加自动数据洞察模块（内置多种检验算法对数据集进行分析并提供结论），让分析师能借助AI算法进行更全面和深入的数据分析，同时逐渐培养和提高业务分析师多维观察数据的素养，最终沉淀为企业的分析能力。
2.业务环节持续降本增效
由于智答系统采用自然语言，操作门槛低，业务人员可以直接使用，不需要再反复向IT部门的数据处理人员提出需求，海尔集团基于智能分析机器人增强分析引擎下的数据洞察服务，可以实现全量数据24H不间断的主动分析，向业务输出有价值的信息，实现业务环节持续降本增效。未来在业务系统全面推广后，预计将节约30%的报表开发成本、提升分析人员及管理人员20%的工作效率，合计每年约1500万。
3.知识共享助力业务决策
利用智能分析机器人一问多答功能设计，可以将经营分析的知识沉淀，并进行分析思维的引导，让拥有不同分析水平的业务人员均可以快速全面地了解业务相关的各类信息，更好地支撑业务决策。通过建立企业内部的知识平台，沉淀业务事理知识图谱，构建认知推理的模型，推动RPA自动化机器人向IPA智能自动化机器人升级，将帮助企业实现运营决策的自动化。同时，基于事理知识图谱的知识库可以自动更新，大量节约知识管理时间。
4.构筑智能预测升级基础
海尔集团的一期智能数据分析机器人主要发挥连接作用，即通过搭建“人与数据”高效连接的通道，逐步将集团数据质量建设提高到能支撑未来智能应用的标准，为后续海尔集团智能分析机器人的拓展建设和应用打下坚实基础。未来，海尔集团的智能分析机器人将着重在“决策层”发挥作用，并促进企业管理从事后管理往事前管理转变。海尔集团计划通过AI和ML算法等增加大数据智能预测能力，在智能分析机器人中嵌入针对集团零售业务的大数据预测模型，实现从传统的滚动预测（由业务人员层层填报）到智能预测（AI算法）的升级，为业务决策争取时间上的提前量。
参考文献：
[1]刘梅玲，胡家煜，王纪平，黄虎.企业智能财务建设的逻辑、要素与发展趋势[J].财务与会计，2020（21）：18-21.
[2]李斐然.智能财务的最新应用与思考[J].财务与会计,2020（3）：83-84.
[3]刘勤，杨寅.智能财务的体系架构、实现路径和应用趋势探讨[J].管理会计研究，2018（1）：84-90.