第五章管理會計智能化目錄第一節：新技術對管理會計的影響第二節：智能預算管理第三節：智能成本管理第四節：智能經營預測第五節：智能績效管理第六節：智能管理會計報告吉利控股集團(以下簡稱“吉利”)是一家全球化企業，總部位于中國杭州。吉利始建于1986年，于1997年進入汽車行業。吉利已發展成為一家集汽車整車、動力總成和關鍵零部件設計的研發、生產、銷售及服務于一體，并涵蓋出行服務、線上科技創新、金融服務、教育、賽車運動等業務在內的全球化企業。吉利控股集團:智能財務助力企業發展引例吉利控股集團:智能財務助力企業發展知識點脈絡圖第一節新技術對管理會計的影響1一、應用新趨勢新一代財務共享助力管理會計中臺為管理會計提供全新系統架構高質量數據賦能管理會計財務共享中心解決傳統財務模式的痛點：將財務管理重心前移到前段業務環節在交易過程中建立財務數據中心，收集全量數據在交易發生前和發生過程中，對數據質量實時控制數據中臺打破了傳統的架構，通過在前后臺間增加一層系統，將企業信息化架構由不同平臺下分散的煙囪式系統集群變革為部署在同一平臺下基于服務的應用系統集群（周勇等，2019）。數據中臺不同數據系統：結構化、半結構化、非結構化數據提升數據質量雜亂無章的數據變得清晰有序智能時代下對管理會計有應用價值的三類數據：①財務數據：收入、成本、利潤、資產、負債等②業務數據：產品、客戶、渠道、生產、研發等③外部數據：競爭環境、盈利模式、消費模式等二、智能化影響發展動力增強技術環境改善預測能力提升智能化解決原有管理會計的痛點：受成本、技術方法和數據等限制,管理會計的價值往往受到限制。隨著大數據對海量數據的挖掘使用，管理會計的價值進一步放大。數字經濟緩解信息不對稱，為管理會計提供準確數據支持。大數據和信息技術使管理會計在數據獲取、分析和處理方面更高效。數智技術提升會計數據可靠性，拓展預測功能。決策機制優化依靠數智技術的應用,為經營管理提供更多全面、客觀、有洞見性和前瞻性信息。推進人類智能與機器智能的互補,在人機交互機制的支持下做出更好的決策,實現資源的最優化使用目標。機器學習憑借豐富的數據和高速運算的計算機實現快速發展,相較傳統的回歸分析技術而言,能夠更有效地將數據用于相關預測,為有效的管理決策制定奠定了基礎。第二節智能預算管理2一、傳統預算管理的局限預算目標難以科學合理確定預算控制欠佳、監督滯后預算編制質量不高、效率較低缺乏高質量數據支持外部變化太大未來發展趨勢難以預測滾動預算方法難以全面實施集團下屬機構多、財務數據標準不一年度預算結果往往失真業務部門在編制預算上比較被動信息的不公開與不透明企業缺乏對預算執行過程的監督。多數企業未建立定期進行預算分析的機制,滾動預算應用并不廣泛落地效果并不理想資源消耗大編制過程復雜二、預算管理的智能化發展數據展示層數據應用層數據建模層數據中臺層原始數據層數據展示層根據使用者的需要采用多種方式進行展示，包括可視化方式、人機互動等。數據應用層面向涉及的相關人員，企業開展預算管理活動主要在這一層數據建模層通過邏輯規則和算法對數據進行分析。數據中臺層通過數據湖技術從互聯網、第三方數據提供者、企業自有信息系統中采集數據，數據的類型包括結構化數據、非結構化數據、輿情數據、外部數據、手工數據等。原始數據層數據包括社會數據、行業生態交易數據以及從企業業務系統采集的業務過程數據等1智能預算管理的體系框架二、預算管理的智能化發展預算目標制定和分解傳統預算數據來源單一，存在與業務脫節、時效性和局限性問題。利用數據智能分析模型，結合戰略規劃和歷史數據，制定多維度預算目標。構建量化模型，提高預算數據準確性，助力企業發展。預算編制和評審智能技術提升數據存儲、計算和分析能力。通過機器學習構建多因子模型，基于歷史數據建立指標相關性，查看歷史走勢。系統推薦多套指標調整方案，助力預算指標分解和資源分配。預算執行和控制利用自然語言識別、語音轉寫等技術，企業管理者可通過人機交互查詢數據。結合預設預警規則，實時推送數據異常預警信息，讓業務相關者及時知曉異常。通過預實歸因、時序歸因等分析算法，挖掘數據深層含義，解釋異常原因。預算分析和評價智能時代，通過整合機器學習、知識圖譜等技術，企業管理者可實時掌握預算執行情況，生成分析報告。智能技術助力預算分析，提升數據交互能力，實現預算指標分解與資源分配。智能數據分析技術使企業管理者能夠基于場景化大屏做出戰略決策，提升預算對經營活動的指導作用。2智能化全面預算管理模式二、預算管理的智能化發展傳統滾動預測落地效果不佳，主要因管理層重視不足、員工協同性差，以及傳統預算信息系統難以滿足其工作要求。滾動預測需頻繁更新和修正預算數據，計算量大，對系統集成性、數據時效性和準確性要求高。新技術發展使系統數據存儲、計算和分析能力大幅提升，能快速響應滾動預測需求。新一代智能預算管理平臺將預算周期縮短至月、周甚至實時，為滾動預測提供了更高效的應用基礎“上月實際數+后3個月精確滾動預測+剩余期間粗略滾動預測”模式幫助企業及時跟上市場變化，縮短預算期間3智能預算管理的滾動預測元年科技的T+3滾動預測二、預算管理的智能化發展4智能預算管理的業務預測第三節智能成本管理3一、傳統成本管理模式的局限成本控制效果不理想成本信息相關性不強產品成本核算不全面傳統成本管理依賴人工，效率低且質量難把控，部分企業雖引入計算機技術，但應用仍處于初級階段。降本增效是企業重要目標，成本管理需克服信息采集與核算困境。通過實現高效自動化流程，可降低重復成本產生的可能性管理會計成本在核算目的、對象和資料上與財務會計有差異。傳統管理會計報表個性化不強或復雜，成本信息與經營活動難以對應。成本報表多以直接人工工時為分攤標準，當直接人工占比小時，易出現成本失真，影響決策。成本管理活動靜態化傳統成本管理易忽視作業環節的資源依存關系，過度聚焦制造成本的經營性控制。產品成本管理應重視各成本要素間的內部聯動關系，而非僅關注獨立成本要素。現實中，成本管理注重績效考核范圍內的成本改善，靜態化管理影響效率。傳統觀念僅關注營業收入與營業成本，忽視產品總成本概念。現有成本核算方法（如作業成本法、標準成本法）無法區分無效成本和有效成本，存在監管盲區。產品投產決策應關注設計、設備改造、生產準備、營銷、售后等環節的資源消耗。。二、成本管理的智能化發展自動采集數據：在新的人機交互技術和條碼、RFID、采集器等物聯網技術的幫助下，企業成本庫的歸集工作可以利用不同的識別方式自動完成，數據到各系統中就自動傳輸到處理系統中，等待結轉流程。自動結轉數據：企業可以利用智能建模、大數據和云計算等技術提數據處理能力，將數據采集的結果根據不同目的導入系統中進行分配和歸集，具體的分配和歸集方式可以通過事先的設定或直接使用對歷史數據分析產生的預測值，最終經過成本模型處理后的數據自動導入系統下一環節。自動結賬成完工成本：企業對數據進行結轉后可以利用云計算的處理平臺將最終數據登入到對應的成本賬戶上去，云計算平臺可以自動轉換數據的格式，自動生成明細賬、財務報告，給成本監管者和信息使用者提供更大的便利。傳統的成本管理中的成本核算流程包括：①生產費用支出的審核；②確定成本計算對象和成本項目③進行要素費用的分配；④進行綜合費用的分配；⑤進行完工產品成本與在產品成本的劃分；⑥計算產品的總成本和單位成本這六大步驟。但是在智能時代下，成本核算的流程可以簡化為以下三個步驟：①自動采集數據；②自動結轉數據；③自動轉賬成完工成本。原來各環節的分配工作可以交由系統內部結轉，無需人工單獨分列成各個生產環節獨立核算后再錄入系統。1智能化成本核算流程優化二、成本管理的智能化發展成本基礎設置：成本核算支持多方案、多維度成本歸集數據池支持多源獲取成本分攤規則支持多場景靈活定義成本歸集分攤：成本分攤智能化、過程可視化成本核算分層分級自動化處理成本分析：基于成本分配結果,智能成本管理系統支持對成本數據按期間、部門、項目等維度自由組合查詢,包括成本性態分析、成本構成分析、收益分析、本量利分析等，實現不同角度的成本分析,為管理決策提供數據支持。2智能成本管理的平臺構建海底撈人力成本物流成本倉儲成本加工成本考慮到人工成本在營業收入中的高占比，因此嘗試實現人工智能化，利用人工智能機器人來替代人力，只在門店處留下部分優質服務員，并對其的服務質量進行實時測評和打分反饋。與阿里云相合作，利用云計算技術實現精準的營銷對點，并利用大數據計算外賣顧客與門店的最近距離，減少了外送顧客和門店之間的遠距離的時間和配送成本浪費，實現資源的高效配置。通過大智能化現代物流模式進行職能管理，海底撈可以第一時間從最近的倉庫進行調貨，減少采購成本，并利用算法進行門店銷量預測以及實時的庫存跟蹤，從而預測出每家門店每天的需要進貨量以最大限度減少庫存并保證供應。與阿里云合作的智能化云平臺和IKMS系統（智能廚房管理系統）利用大數據、物聯網等設備將海底撈的后廚實現了實時的智能監管，對海底撈廚房整體的運行狀態、生產狀況、庫存狀況、保質期狀況等信息進行實時上報，提高了菜品的加工效率，規避了經營過程的菜品腐爛等情況，從而減少加工活動的糾錯成本。海底撈的成本管理第四節智能經營預測4一、傳統經營預測的局限傳統預測方法偏差較大不能準確提供數據信息企業經營預測的應用不夠深入缺乏高質量數據支持外部變化太大未來發展趨勢難以預測集團下屬機構多、財務數據標準不一年度預算結果往往失真業務部門在編制預算上比較被動歷史資料內在聯系不斷修正歸納總結定性定量預測建立預測模型歷史數據預測影響因子分離模型訓練數據屬性歸納智能經營預測流程變化信息的不公開與不透明企業缺乏對預算執行過程的監督。多數企業未建立定期進行預算分析的機制,二、經營預測的智能化發展（1）智能需求預測BCG曾與谷歌公司攜手開展了一項研究，結果顯示，通過大規模使用人工智能和高級分析，消費品公司可以實現超過10％的營收增長。其中，需求預測對拉動企業業務增長的重要性排在了第一。傳統的需求預測主要存在以下幾個弊端依賴人難擴展效率低精度差需求預測的主要應用場景①精準控制庫存②把握銷售機會③指導排產、配送④指導人員配置，優化排班智能成本管理的平臺構建1短期經營預測的智能化發展二、經營預測的智能化發展阿里巴巴金融利用網絡平臺的優勢，得到了許多傳統企業得不到的數據，對其貸款對象進行360度全方位的信用評級，從而在有效地控制貸款風險的同時，提高了貸款的效率。這正是其將大數據技術應用到企業風險管理中的結果。（2）智能應收賬款風險預測大數據技術可以從不同的渠道獲得反映客戶不同方面的全面數據，而不僅僅是財務狀況的數據，深度挖掘存量風險客戶集群性、共性特征。針對已發生逾期不良的客戶及債項，從客戶資質、合作機構、人行征信、押品擔保等方面分析其存在的共性特征，提取、量化、訓練特征因子變量，構建風險特征因子庫。應用機器學習分類算法，預判客戶違約概率。生成預警客戶名單時，同步智能輸出客戶風險成因，即觸發的特征因子。應用人工智能算法和知識圖譜技術，構建客戶關聯網絡。整合客戶資金結算、上下游供應商、投資主體、實際控制人、高管、經營實體等信息，應用關聯網絡分析算法，構建個人客戶關聯關系模型，自動批量生成并輸出關聯體結果。基于關聯網絡，構建關聯關系傳導機器學習模型，有效測算違約風險沿各類關聯關系傳導的路徑和條件概率，預測客戶未違約概率。1短期經營預測的智能化發展阿里巴巴金融二、經營預測的智能化發展（3）智能收入、成本、利潤預測收入預測智能化成本預測智能化利潤預測智能化在設備層可以用數據挖掘來評估設備制造成本，從而提高設備檢查和維修的精確度，追蹤設備更新成本；在流程層數據挖掘技術用來在成本核算中確定成本驅動因素，并有助于制定轉移定價的決策；在施工層通過創建神經網絡系統，實現快速并足夠精確的成本評估；在產品層挖掘出的數據可用于預測產品單元的成本、評估產品生命周期成本；在項目層數據挖掘可以協助建立成本評估體系，包括有形產品和無形產品，如軟件和應用等。智能收入預測可以通過數據挖掘、回歸分析、機器學習等手段對歷史數據進行處理，同時結合智能需求預測進行綜合分析，預測市場需求，確定資源配置，對業務收入情況進行科學預測，優化企業管理過程。企業的經營成果與供應鏈上的其他企業息息相關，知識圖譜技術可以穿透上下游企業及其關聯方關系，為企業評估業務的可持續性、未來收入走向提供有力的依據。利潤預測是對企業經營狀況進行預判的重要方式，具體的預測方法先對整體的銷售情況進行預測，然后通過對產品產銷量、價格、結構等因素進行分析評估，測算企業未來期間可能達到的利潤水平及其變動趨勢。就目前而言，企業利潤預測模型面臨許多不確定的因素，借助智能技術構建的預測模型，企業可以豐富更多影響因子，幫助企業獲得更準確的利潤預測。1短期經營預測的智能化發展蘿卜投資設計開發的AI盈利預測就本質而言即是在為它所預測的每只個股定制統一的預測模型框架,先從基本面投研邏輯出發，對該公司的主營業務結構等基礎財務信息進行拆分，再進行第二階段，在新的預測系統里引入宏觀、行業和個股這三個方面的影響因子，并將對應數據搭載進框架之中，最后通過尋找適合小數據的預測引擎，實現偏差小十不確定性低的預測效果。與此同時，在整個預測框架內，蘿卜投資還增加了自主編輯功能，用戶可結合市場環境和自身的從業經驗在框架中融入自己對市場未來走向的預判，通過編輯新變量、掛載特色數據等方式，提高盈利預測的準確性。例如在對恒順醋業的年報預測中，蘿卜投資就在其構建的知識圖譜中先對恒順醋業的財務結構進行剖析，隨后引入宏觀、行業和個股的三個方面的影響因子，將社會消費品零售數據、食醋行業普價和線上電商的特色數據等引入整體預測框架中，再結合專家人員的從業經驗，最終得出恒順醋業的盈利預測結果。蘿卜投資：AI盈利預測二、經營預測的智能化發展1短期經營預測的智能化發展二、經營預測的智能化發展（1）智能宏觀環境預測預測宏觀環境的變化，制造消費。大數據技術的應用一方面在挖掘客戶需求，另一方面還可以通過對天氣、各種社會事件、環境等數據的分析，預測一些社會事件的發生。沃爾瑪正是利用大數據技術的思維，2011年4月以3億美元收購了Kosmix公司。Kosmix從事的業務是收集、分析網絡上的海量資料（大數據），并將這些數據賣給企業。Kosmix為沃爾瑪打造的大數據系統連結到美國著名的社交網站Twitter、Facebook等。網站的工作人員從每天熱門消息中，推出與社會時事呼應的商品，創造消費需求。（2）智能利率預測在智能化風險定價方面，由于利率市場化推進，擠壓銀行利潤，這就使得銀行不得不根據客戶利率敏感程度、金額、周期、信用風險預測等因素，通過智能化手段建立差異化的定價模型，對不同人群推出不同信貸利率，從而獲得更高的收益。（3）智能匯率預測隨著計算機的發展，尤其是計算機的計算及處理數據的能力越來越強，又加上預測方法不斷推陳出新，人工智能技術、智能識別及歸納總結數據的能力越來越顯現出來，并應用到實際的匯率預測領域。近些年來，人工神經網絡技術開啟了匯率預測的新時代，出現大大地提高了對于匯率預測的樣本內擬合的程度。其中反饋過程的優異表現使得BP神經網絡能夠更直接更生動地反映系統的動態特征。神經網絡借助其較強的自學習、聯想、識別等功能，收集數據訓練網絡，用其算法建立數學模型進行預測。BP神經網絡是其中最具代表性且運用相當廣泛的一種按誤差逆傳播算法訓練的多層前饋網絡。在通過學習歷史數據和訓練了數據的生成機制后，即可對匯率進行預測。2長期經營預測的智能化發展聯合利華是全球最大的日用消費品公司之一。面對不斷變化的零售消費環境，日新月異的行銷策略、市場推廣渠道和競爭格局都需要用數據快速指導決策。聯合利華與觀遠數據合作，打造通過“人工智能+商業智能”的新零售需求預測解決方案，用更高效準確的市場需求預測贏得更多的決策反應時間和更高的計劃可行性，并推動S&OP（銷售與運營規劃流程）管理的良性發展。該方案一鍵式應用機器學習模型，基于歷史銷量、日期、節日、商品、促銷、倉庫、銷售終端等多種特征進行SKU商品在未來四個月的銷量預測，打造了“數據獲取-數據分析-模型搭建-數據預測-智能決策-新數據融入”的完整數據閉環，通過快速精準的銷量預測制定訂貨和出貨計劃，減少人工決策帶來的偏見，平衡商品產量與市場需求。數據獲取數據分析模型搭建數據預測智能決策新數據融入聯合利華：AI需求預測二、經營預測的智能化發展2長期經營預測的智能化發展第五節智能績效管理5一、傳統績效管理的局限企業績效管理傳統流程包括計劃、實施、評價和反饋，通過循環體系發現問題并優化管理。常用方法有平衡計分卡（四維度）、關鍵績效指標法（細化關鍵指標）和目標管理法（員工參與設定目標）。企業績效管理因規模和組織架構不同而有差異，大企業采用全面方法，小微企業偏好簡單方法。隨著大數據、區塊鏈、云計算等技術發展，企業績效管理迎來新契機，助力精益管理和資源配置優化。計劃實施評價反饋二、績效管理的智能化發展企業內部的績效管理流程呈現目標制定、戰略細化、預警監督、追溯分析、績效考核和總結改進六個步驟：企業能夠利用物聯網和大數據對企業既有經營狀況進行數據采集，并能對獲取的內外部數據進行結構化整合，為后續的數據分析提供數據源。利用知識圖譜等技術，企業能夠對各業務部門的具體業務有更直觀的了解，也更能根據宏觀經濟發展態勢和企業整體發展戰略對各部門的真實經營情況進行預測和實時調節，克服以往目標制定者和實際業務職能部門之間的信息脫節問題，將企業戰略合理細化為部門任務。區塊鏈等分布式記錄技術和物聯網等傳感設備的助力下，管理人員能夠在績效管理系統里通過實施監控對業務活動中的一些簡單錯誤進行快速追蹤認責，同時對業績水平不佳和工作態度不良的業務部門進行預警，使績效管理產生更明顯的激勵和監管效果。智能時代的績效考評更為綜合和全面，一些非結構化數據能夠被融合到最終的績效考評中，評價對象的差異性、工作崗位的特殊性質等因素都會被考慮到整個績效管理活動中，更加靈活和人性化。在績效管理流程結束后，管理人員可以針對業績波動更加準確地識別出績效管理的有效性與激勵效果，從而也能夠調整績效考評系統的運行機制。除此之外，靈活的信息輸送結構也能夠對員工的反饋結果進行更好的采集，實時、不可篡改的信息儲存技術也能夠增加意見的真實性，為管理人員的后續決策提供信息來源。1智能績效管理的流程設計二、績效管理的智能化發展企業經營中常見的績效管理工具包括平衡計分卡（BSC）、經濟增長值、關鍵績效指標法（KPI）等，智能技術的變革也為上述績效管理的實際應用造成了變化：平衡計分卡：企業可以應用區塊鏈技術，把財務、客戶、內部運營、學習與成長四個維度細分為區塊鏈中的四個區塊，將企業的具體數據錄入四個區塊中，形成不可篡改的、真實的、透明、形成共識的智能合約，將其確認為整體的績效管理目標。不光如此，企業也可以應用商業智能系統（BI）在企業各業務層級獲取數據并將這類數據自動轉化為企業內部銷售、采購、產品制造和財務的關鍵績效業務指標，然后利用可視化技術進行綜合展現，并對上述四個維度中涵蓋的異常數據進行精確化識別和追溯。關鍵績效法：前文也提及的包括大數據、物聯網帶來的數據源的擴大和區塊鏈技術的分布存儲技術都能為關鍵指標法的應用帶來新的衡量價值，使其跳脫出原有的機械的考核方式，更加符合差異化、個性化的分工趨勢。除此之外，關鍵績效指標法還可以與平衡計分卡配套使用，將平衡計分卡四個區塊進行分解細化，例如財務區塊可以分解成收入、成本、利潤、現金流量等關鍵績效指標；客戶區塊可以分解成市場占有率、客戶滿意度等關鍵績效指標；內部運營區塊可以分解成新產品研發、物流配送等關鍵績效指標;學習與成長區塊可以分解成員工技能提升、管理提升度等關鍵績效指標，細化指標，使其發揮更精準的考核管理效果。經濟增加值：只要設定好算法和數據源，企業便能直接從數據庫中調