金融ファクシミリ新聞社 第 3817 回セミナー

1. AIを活用し経理業務を「データサイエンス業務」に
変革するためのポイントと実務
-経理人材が今後目指すべき方向性を提示-
公認会計士・公認情報システム監査人(CISA)
原 幹
2019年1月15日

2. 自己紹介
原 幹 (HARA , Kan)
1992年 井上斉藤英和監査法人
会計監査・コンサルティングサービス部門(現 プライスウォーターハウスクーパースコンサルタント)の初期メンバーとして、
主に製造業を対象とした連結決算・グループ経営管理・活動基準原価計算などのシステム企画・設計・構築を行う
1998年 フューチャーシステムコンサルティング
ビジネスアナリストとして、主に製造業・流通業を対象としたビジネスプロセスリエンジニアリング(BPR)実行支援・
システム化要件分析を行う
2001年 ウルシステムズ
サービス業・流通業を対象としたビジネス要件分析・業務改革支援・システム要件分析を行う
2004年 NTTデータ システムデザイン
製造業を対象とした業務改革支援・プロジェクトマネジメント・定着化支援およびプロジェクト管理システムの
企画・設計・運用を行う
2007年 独立開業
現任 株式会社クレタ・アソシエイツ 代表取締役 http://kleta.co.jp/
原幹公認会計士事務所 代表 http://harakancpa.com/
freee株式会社 監査役(社外) http://freee.co.jp/
• 常に実践的な課題解決を展開し、多くのプロジェクトにて高い顧客満足度を得る
• 会計およびIT領域での豊富な経験を有し、主要な技術要素やコンサルティングメソッドにも精通
• 「経営に貢献するITとは？」という一貫した視点をベースにキャリアを形成、翻訳書およびメディアでの連載実績多数
• 専門領域 連結会計・内部統制・国際会計(IFRS)・ITマネジメント
• 保有資格 公認会計士・税理士・公認情報システム監査人(CISA)
2

3. 本日お伝えしたいこと
 AIの進化の過程と現在位置
 どのように進化して、今どのような状況なのか
 経理業務にAIをどのように活用しうるか
 クラウド会計の台頭による経理業務への影響
 会計人材がAIを活用するために何をすべきか
 視点の転換 ストック人材からフロー人材へ
 人材育成の方向性とは
3

4. 1. AIの進化と現在
4

5. AIとは
 AI(Artificial Intelligence)とは
 さまざまな人工知能の定義
 「大量の知識データに対して高度な推論を的確に行うことを目指したもの」
(一般社団法人 人工知能学会設立趣意書より)
 “the simulation of human intelligence processes by machines,
especially computer systems“ (*)
 一般的には「自律的に振る舞いヒトの脳の代替を行う」
 現実的なAIの振る舞い
 ヒトの振る舞いの一部を模倣する
 模倣するための学習データが必要
 基本的なAIの振る舞い
 探索
 知識表現
 進化的手法
 機械学習
5
(*) https://searchenterpriseai.techtarget.com/definition/AI-Artificial-Intelligence

6. AIの基本的な振る舞い
 「探索」
 膨大なデータから必要な情報を探し出す機能
 地図ルート案内
 あらかじめ登録された地図情報・交通状況・コスト情報にもとづいて最適経
路やコストを検索し、利用者に提示する
 「力づく探索」は、迷路を一方向で検索するため非効率
 検索条件の集合体である探索木(search tree)をいかに効率的に
解くかがポイント
 探索木をくまなく探索する方法
 縦型探索
 横型探索
 知識を用いてより効率的に探索する方法
 発見的探索
 最良優先探索
 山登り法
 最適経路探索
6

7. AIの基本的な振る舞い
 「知識表現」
 大量のデータの集合体を「知識」として分析可能なデータ形式
に変換する技術
 意味ネットワーク(semantic network)
 データや事象の関係をネットワーク形式で表現する
 フレーム(frame)
 ある概念に関するひとくくりの単位の知識を扱うための知識表現法
7

8. AIの基本的な振る舞い
 「進化的手法」
 生物進化や生物群の移動を模倣することでデータの
最適化を行う技術
 遺伝的アルゴリズム(Genetic algorithm, GA)
 解決する問題の解の候補を「0」「1」の2つの「遺伝子」として表現し、問
題の解も遺伝子として表現する「遺伝的プログラミング」を行う
8

9. AIの基本的な振る舞い
 「機械学習」
 人工知能分野において進展が著しい領域
 入力データの特性に基づき、最も合理的に説明がつくように
データの分割及び再構成を自動的に行う
 より人間の思考に近い高度な振る舞いが実現される
 機械学習の種類
 教師データの有無
 学習用データを与えて行う「教師あり学習」
 学習用データなしに行う「教師なし学習」
 強化学習
 未知のデータに対しても自力で学習内容を変化できるようにする
 深層学習(ディープラーニング)
 正解データに到達するまでに多層の処理階層を持つ
 表現力の深い関数を用いる(データと計算量が多いほど精度が上がる)
9

10. AIの基本的な振る舞い
 「機械学習」
 深層学習(ディープラーニング)の最新技術
 深層生成モデル
 データ生成の過程そのものをモデル化する「生成モデル」を深い階層のニューラルネ
ットワークによって実現する
 実装例
 変分オートエンコーダー(Variational Autoencoder: VAE)
 生成的敵対ネットワーク(Generative Adversarial Network: GAN)
 深層強化学習
 価値算出変数の組み合わせを生成するため、深い関数で「状態」から
「価値」の計算を学習する
 実装例
 Q学習 DQN(deep Q-Network)
 DeepMindなど
10

11.  Amazon GO (Amazon)
 完全無人店舗 2016.12より
1. カメラで店内を撮影
2. ゲートを通過
3. Amazonアカウントに請求
11
https://en.wikipedia.org/wiki/Amazon_Go
教師あり学習の活用事例

12.  Apolong Baidu(百度)/厦門金龍汽車集団
 レベル4自動運転バス 2018.07より
 自動運転システム「Apollo」を搭載
 日本でも実証実験を展開
12
教師あり学習の活用事例
https://www.baidu.jp/info/103/

13. AIの世代変化
 第1次ブーム 1960～80年代
 ルールベースのアルゴリズムに基づいた問題処理システムを
「エキスパートシステム」の誕生を契機に、有機化合物の化学
構造を求める研究が進んだ
 第2次ブーム 1980～90年代
 コンピューティングの進歩とともに、人間の脳の仕組みを模倣
する「ニューラルネットワーク」の開発が進んだ
 第3次ブーム 2000年代～現在
 機械学習と深層学習の進化が新たなブームを迎えた
 ディープラーニング(深層学習)の登場により、大量のデータから
有用な特徴をコンピュータが自律的に分析することができる
 コンピュータの飛躍的な機能向上がブームを後押ししている
13

14. AIと統計的思考
 AIは「統計的思考」を基礎にしている
 大量のデータに基づく推論は統計的推論により行われる
 AIの振る舞いにおいては多くの局面で統計的思考が求められる
 統計学の類型
 記述統計学(descriptive statistics)
 推測統計学(inferential statistics)
 ベイズ推定(Bayesian inference)
14

15. 記述統計学
 全てのデータをもとに分析する
 データの「代表値」をあらわす
 平均値(mean)
 中央値(median)
 最頻値(mode)
 データの「ばらつき」を表す
 分散(Variance)
 確率変数の分布が期待値からどれだけばらついているか
 標準偏差(Standard Deviation)
 分散の正の平方根
15

16. 推測統計学
 大量データから抽出したサンプルから母集団の特徴を推測す
る
 仮説検定
 検証を行ううえで「棄却」されることを期待される仮説
(帰無仮説)を設定する
 帰無仮説を棄却(否定)することで残りの仮説を採用する
16

17. 推測統計学
 正規分布の危険率(通常は5%程度)を超えない程度の確からし
さがあるかどうかを検証する
17
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
-5.0 -4.0 -3.0 -2.0 -1.0 0.0 1.0 2.0 3.0 4.0 5.0
正規分布曲線
-2.5% +2.5%
危険率(5%)の範囲にデータがある場合に帰無仮説を「棄却」する

18. ベイズ推定
 トーマス・ベイズが考案しラプラスが体系化した学問領域
 統計学の学問体系における近年においての大きな進展
 伝統的統計学(記述統計学や推測統計学)に対して、主観的な見解
で確率を決めたり変更したりする考え方を追加した
 ベイズ統計の出現により、実務領域でも飛躍的進化を遂げた
 ベイズフィルター
 迷惑メールの抽出において使用されるフィルター
 メールシステムの実装で広く利用されている
18

19. なぜいまAIが注目されるのか
 海外では
 AI関連特許出願数は級数的に伸びている
19
「AI白書」独立行政法人情報処理推進機構(IPA) P166より

20. なぜいまAIが注目されるのか
 海外では
 AIソフトウェア世界市場の伸びも著しい
20
https://www.tractica.com/research/artificial-intelligence-use-cases/

21. なぜいまAIが注目されるのか
 各国の政策動向
 米国
 Summit on Artificial Intelligence for American Industry
 Artificial Intelligence for the American People
 EU
 AIに関する協力宣言(2018.04)
 EU全体としてのAI活用の取り組み提案
 イノベーション助成プログラム “HORIZON Europe”
 中国
 新世代人工知能発展計画 2017.07-
 “Internet Plus”
 人工知能革新発展
 デジタルエコノミー
21

22. なぜいまAIが注目されるのか
 日本の動向
 少子高齢化・労働人口の減少
 単純作業に割ける人手が絶対的に不足してきたことによる
自動化や効率化の要請の高まり
 生産性向上の手段としてAIが注目されつつある
22

23. なぜいまAIが注目されるのか
 日本の動向
 「業務効率化」
「生産性向上」
目的が60%以上
23
「AI白書」独立行政法人情報処理推進機構(IPA) P326より

24. なぜいまAIが注目されるのか
 内閣府「人間中心のAI社会原則検討会議」
24
https://www8.cao.go.jp/cstp/tyousakai/humanai/2kai/siryo4.pdf

25. 作業の自動化に向けたRPAの活用
 RPAとは
 処理の自動化・高速化
 操作記録に基づく自動化で業務の高速化を図る
 あくまで既存の「人力の作業」を自動化するための仕組み
 RPAとAIとの違い
 RPAは？
 コンピュータに対する人間の指示に基づき操作を自動化する
 操作記録に基づく自動化により業務の高速化を図ることができる
 課題を自律的に解決するわけではない
 課題自体を見つけることができない
 課題設定、解決方法は人間が考える必要がある
 AIは？
 課題を設定し、解決方法を探索する
 AIは自律的に思考と探索を行い、最適解を追求する
25

26. 作業の自動化に向けたRPAの活用
 RPA適用領域の例
26
業務領域 RPA活用業務例
人事 • 給与計算とチェック、福利厚生業務
• 休暇申請の処理・管理
• 複数のERPに対する従業員情報のメンテナンス
• 人事考課結果の入力管理
財務経理 • 請求書処理や売掛金・買掛金などの仕訳
• 督促や回収業務
• 財務マスターデータの作成
• 固定費分析などの財務レポート作成
IT • ソフトウェアのインストール及びメンテナンス
• ファイル管理やサーバー監視
• プリンターのセットアップ
• 各アプリケーションに対する新規アカウント作成
サプライチェーン • 在庫管理や所在監視などに関わる業務
• 作業依頼や指図管理の指示出し
• 物流管理、返品処理業務
• 契約管理業務
「RPA(ロボティック・プロセス/オートメーション)市場の実態と展望2018」矢野経済研究所 2017年11月

27. AIのビジネスでの活用領域と先進事例
 AIのビジネスでの活用とは
 合理化・自動化のツールにとどまるのか
 人間の意思決定を補完する役割なのか
 あるいは新たな役割が与えられる？
27
自動化 意思決定 ？？

28. AIのビジネスでの活用領域と先進事例
 「煩雑さをなくす」という視点を持つ
 仕事の目的の障害になるものを取り除く
 Uberの例
 仕事の目的は「目的地にたどりつくこと」
 顧客が「目的地にたどりつくこと」の障害を可能なかぎり取り除く
 阻害要因とは
 タクシーを探す
 目的地を指示する
 支払う
 阻害要因を取り除くために運転手と
道路情報による学習とフィードバックが必要
 タクシーを探す→最短地点を学習する
 目的地を指示する→最短経路を学習する
 支払う→決済を効率化する
28
https://www.uber.com/jp/ja/

29. AIのビジネスでの活用領域と先進事例
 学習とフィードバックのためにはビッグデータの蓄積が必要
 あらゆるデバイスからデータを収集
 収集したデータをビッグデータとして蓄積
 蓄積したデータに基づく機械学習
 継続学習とフィードバックのサイクルがAIの活用には必須
29
AI
IoT
Big
Data

30. 適用領域
検討
PoC
パイロット
導入
効果測定 本格導入
AI適用の実際
 導入サイクルは”小さく生んで大きく育てる”
30
データ取得
データ蓄積
学習デプロイ
運用
データ取得
データ蓄積
学習デプロイ
運用

31. AIの導入事例: IHI
31
https://www.ihi.co.jp/ihi/all_news/2017/industrial_general_machine/2017-12-07/index.html

32. AIの導入事例: オムロン
32
https://www.omron.co.jp/press/2018/10/c1001.html

33. 2. AIと経理業務の関係
33

34. 経理業務におけるAIの活用機会
 仕訳生成の自動化
 会計ソフト等がクレジットカードや銀行入出金などの明細デー
タを自動取得し、明細データから勘定科目名を抽出する
 勘定科目名の候補を表示し、ユーザが確認・修正を行う
 不正検知
 本来整合するべきデータを検出してユーザに提示する
 入出金明細の値と元帳残高の不整合
 未決済残高と決済済み金額の不整合
 会計数値の月次推移等から想定の傾向を超える異常値を検出
 予測・見積り
 不確実性のある取引への対応
 減損・税効果・退職給付債務
 財務分析
 特徴の把握・今後の方向性予測・健全性抽出・改善ポイント
34

35. 経理業務とAIの相性
 テキストマイニング
 大量のテキスト情報から統計的手法に基づく言語処理アルゴリ
ズムを適用してデータを処理する方法
 コンピュータを使って大量のテキストデータを分析し、データ
に内在する有用な情報を抽出する技術
 「データマイニング」の適用領域のひとつとして普及してきた
 マーケティング分野の利用が活発だが、経理領域においても効
果が実証されている
 経理業務は「情報」を取り回す業務である
 大量にデータを蓄積し、分析し、活用する環境として最適
35

36. 不正検知へのAIの活用事例
 特徴・メリット
 大量・高速のデータを扱うAIの特性を活用できる
 事例
 異常値分析 範囲外のデータ、境界値など
 権限外のデータ登録や承認 登録者と承認者の一致など
 統制違反の操作
36

37. 不正検知へのAIの活用事例
37
http://www.itmedia.co.jp/enterprise/articles/1804/17/news056.html

38. 監査領域へのAIの活用事例
 これまでの監査支援
 人的リソースの制約があった
 サンプル抽出も人力に頼ってきた
 「90%以上の信頼性を得るために25件のサンプルを抽出」
 これからの監査支援
 仕訳テストの要請(監査手続として必須のものに)
 実務でコンピュータ利用監査技法(Computer Assisted
Auditing Techniques, CAAT)が推奨される
 試査から精査へ
 大量データの取り扱いが容易になった
 分析的手続機能がAIに期待できる
 経理財務部門の立場からも、監査に耐えうる必要十分な監査
証跡を提供するためにどのようなデータセットを準備するの
かを検討するべき時期が到来しつつある
38

39. 監査領域へのAIの活用事例
 新日本監査法人の取り組み
 異常検知アルゴリズムの開発
 異常仕訳の分析・抽出
39
https://www.shinnihon.or.jp/about-us/news-releases/2017/2017-11-06.html

40. 監査領域へのAIの活用事例
 監査法人トーマツの取り組み
 データを活用した監査手続
 監査業務管理システム
 AIを利用した文書解析
40
https://www2.deloitte.com/jp/ja/pages/audit/articles/ai/audit-innovation-actions.html

41. 3. 経理業務にAIを活用するため
のポイント
41

42. AIと経理業務(財務会計)の適合性
 定型・高速・大量処理
 過去の学習成果を活用できる
 性能により高速化を図ることができる
 非定型・判断処理
 判断する基準がない場合に対応できない
 非定型処理は高速化が困難
42

43. AIを適用しやすい業務領域(財務会計)
 入力業務
 仕訳起票の自動化
 集計業務
 整合性チェック
 B/Sと明細
 P/Lと明細
 G/Lと増減明細期末残高
 統制チェック
 仕訳登録と承認
 承認エラー、異常データの検知
 出力業務
 表示チェック
 基準の準拠性
 財務諸表本表と注記情報の整合性チェック
 変更の影響チェック
43

44. AIを適用しにくい業務領域(財務会計)
 高度な判断業務
 会計費目の選定が困難
 仕訳自体の生成が困難
 税務面での判断が必要
 特徴
 複雑・少量・自動化が困難
 非定型・判断が必要な処理
 開示にあたっての重要性判定
 キャッシュ・フロー「その他」の内訳分析
44

45. AIの財務会計領域への適用
 人間の組み合わせによる効果
 単純な集計業務は自動化し、高度な判断業務は人間が行う
 AIが人間の仕事を奪うのではなく、AIが人間の仕事を補完する
 一次集計とチェックをAIが実施、最終確認を人間が行う など
45
AIによる支援
記録 処理 判断

46. AIの業務リスクと対処方法
 データ所有権のリスク
 分析の元データとなる財務会計データは利用者(個人または法人)
の重要な業務データである
 再利用や活用はサービス提供事業者の独断で進められるべき性
質のものではない
 特にサービス提供事業者は大量のユーザーデータを保持してい
ることから、それらのデータを横串で分析し、データに新たな
価値を付与しうる立場にある
 データの利活用を行うのであれば以下の必要な対応を経たうえ
で法的なリスクを低減する必要がある
 データ所有者や契約者の同意
 取り扱うデータの適切な匿名化
46

47. AIの業務リスクと対処方法
 情報漏洩のリスク
 取り扱うデータに個人情報が含まれているならば適切な個人情
報保護施策を図る必要
 個人情報保護法
 個人情報の定義の明確化、個人情報の第三者提供、外国の第三者への提供制
限
 EU一般データ保護規則(General Data Protection Regulation,
GDPR)
 個人の明確な同意、「忘れられる権利」、データ・ポータビリティ 等
47
https://eugdpr.org/

48. AIの業務リスクと対処方法
 AIの振る舞いにまつわるリスク
 誤処理(入力や集計)を「高速」「大量」に行う
 勘定科目の設定ミスなど
 対策
 出力結果の検証を徹底、エンジンの品質維持
 定期的なメンテナンスによる品質改善
48

49. クラウド会計ソフトにおけるAIの主要な機能
 クラウド会計ソフトとは
 クラウドサービスとして会計帳簿作成機能を提供する
 AIの利点を生かした実装サービスとして2012年頃から台頭して
きた
 SaaSの経理業務領域への適用事例となる
 AIの機能を会計領域に適用した先進事例として注目される
49

50. クラウド会計ソフトの主な機能
 自動仕訳作成
 監査対応(AI監査)
 ワークフロー確立(データの発生から消滅まで)
 ペーパーレスの実現
50

51. クラウド会計ソフトのこれまでの会計ソフトとの違い
 オンプレミスvsクラウド
 インストール不要
 最新機能を常に使うことができる
 手入力の削減と自動化
 通帳や明細資料からの手動転記をなくす
 サービス料金体系
 無料＋月額定額課金
 初期費用＋アップグレード費用
 仕訳ビッグデータの蓄積
 大量の事業者データを保持
51

52. クラウド会計ソフトのマーケット概況
 オンプレミスでは弥生、勘定奉行がメインプレイヤー
 クラウド会計では「freee」「マネーフォワードクラウド」
が先行
 オンプレミス製品がクラウド対応を進めてきており
競争が激化している
52

53. クラウド会計におけるAIの活用
 自動仕訳
 カード明細や銀行入出金から仕訳の費目を自動化
 機械学習による勘定科目の推測
 帳簿チェック
 整合性の確認
 帳簿残高と明細の整合
 基準適合性の確認
 10万円を超えた場合の消耗品費の計上
 ボトルネックの発見
 申請データの傾向分析
53
https://corp.freee.co.jp/news/freee-aigetsujikannsa-8360.html

54. クラウド会計ソフトにおける要素技術
 自然言語処理
 請求書や領収書などの証憑書類に記載された「日付」「利用店
名」「金額」「摘要」といった情報をOCRなどの技術を使って
手書きや印刷された文字からコンピュータが利用できるデジタ
ルデータに変換する
 機械学習の成果を利用して、適切な仕訳を生成するために最適
な勘定科目の推測を行う
 単語の出現頻度や対応表の利用により、より確度の高い勘定科
目を推測する
 大規模データ処理
 ある程度データ母集団が多くなければ、それらの相関を見極め
るのは難しい
 200件の取引データよりも、200,000件の取引データから得られ
る分析結果のほうが有意な結果を得やすくなる
54

55. クラウド会計ソフトにおける要素技術
 基礎技術
 形態素解析
 テキストデータから必要な単語を抽出する
 構文解析
 形態素のつながりからテキストの構造を調べ、テキスト全体の構造を解析す
る
 意味解析
 形態素解析や構文解析の結果を用いてテキストの「意味」を分析する
 応用技術
 頻出する単語や情報を統計的手法により抽出するtf-idf
(term-frequency inverse document frequency)手法
 特定の文書における出現頻度と多くの文書に共通の出現頻度を
組み合わせ、特定の単語がその文書の特徴をどの程度表現して
いるかどうかを分析する
55

56. クラウド会計ソフトにおける要素技術
 スクレイピングとAPI連携
56
yamada
******
ID
PASS
代理ログイン 入出金データ提供
クラウド会計ソフト
ネットバンキング
サービス
ID
PASS
API連携
入出金データ提供
クラウド会計ソフト
ネットバンキング
サービス
ログイン情報を
保存する
ログイン情報を
保存しない
スクレイピング API連携

57. 経理業務におけるAIの活用事例
 クラウド会計ソフトの事例
 導入による合理化
 ワークフロー確立による生産性向上
 今後の方向性
 多言語展開
 多拠点展開
 APIサービス連携(経理機能以外)
57

58. 経理業務におけるAIの活用事例
 クラウド会計ソフトの事例
58
https://www.freee.co.jp/cases/-/business_houjin/?cond=service_accounting

59. AIと経理業務(管理会計)の適合性
 財務会計に比べて適用が遅れている領域
 今後の適用領域拡大が期待される
 主要な適用領域
 予算管理
 事業計画策定
 売上予測
 与信管理
 経営計画策定支援
59

60. 予算実績管理
 予算実績管理の要件
 計画・予算値と実績値との乖離をタイムリーに把握する
 継続的に次の打ち手につなげる
 財務会計費目ごとの実績として、クラウド会計ソフトが保持し
ている総勘定元帳データを利用可能
 主要な機能
 取得した実績値と当初予算を比較し、乖離と過去の統計データ
に基づき要因仮説を抽出する
 予算管理担当者が予算修正の適否を判断する(必要に応じ修正)
 AIが仮予算案を設定、修正後仮予算に基づく効果予測を行う
 必要に応じて修正後予算に対するファイナンス提案を作成する
 予算管理担当者はマネジメントに承認された仮予算を本予算と
して確定する
60

61. 予算実績管理
 ある予算変数をコントロールするで、売上や利益にどのタイ
ミングで影響が出てくるのかの相関を分析
 広告宣伝費をn月で増額した場合に、そのインパクトが(n+1)月
目や(n+2)月目で売上や利益にどのような影響を及ぼすのか
 シミュレーションにあたり機械学習の適用可能性がある
61

62. 売上予測(組織改編との関連)
 組織改編に伴う管理変数の変化が、売上や利益といった管理
対象データにどう貢献するかをシミュレートする
 売上に関しては異動前の組織または個人が持っている見込み客
数(リード数、アポ数)に対してどのような相関を示すのか分析し
、損益の影響を試算する
 メンバーの活動に直接関連するコスト
 部署で管理可能なコスト
 部署で管理不能な全社コスト
62

63. 売上予測(新規事業との関連)
 新規事業計画における予測変数
 費用の変動固定分解
 損益分岐点の特定
 費用の変動固定分解において
 過去実績データに基づく傾向分析が可能
 損益分岐点の特定において
 売上目標や安全余裕率の想定に基づく分析が可能
 その他
 その他のリスク係数を折り込んだうえで、より確度の高い事業
予算の策定にAIが貢献する
 製品ライフサイクルを予測したうえで、次の新サービスを投入
するタイミングやそれによる収益貢献予測を行う
63

64. 与信管理
 クラウド会計ソフトが保持する取引データの集積を与信判定
に利用する
 外部サービスに依存しない独自のスコアリングを提供可能
 相手企業の同意のもとに会計データの開示を求め、取引データ
を共有し、スコアリングを行う
 定量データの共有
 過去売上高、総資産、キャッシュ・フロー、従業員数
 定性データの共有
 経営者プロファイル、主要取引先
 分析結果の学習に基づき、将来の新規取引先の発生において
も「業種」「売上規模」「サービス特性」といった変数をも
とに簡易なスコアリングを高速に行う
64

65. 立ち上げフェーズにおける経営計画策定支援
 事業開始に伴うさまざまな事務手続きや資金繰りのための対
外的な折衝など、本業に集中することを妨げる要因が非常に
多い
 事業計画は初期に暫定的に策定された後に定期的な見直しが
行われることなく形骸化していきがち
 AIの活用局面
 事業立ち上げ段階で必要な経営計画の素案をAIの活用により作
成し、それらを事業主が加工して利用できるようにする
 経営計画の素案は以下の変数をもとに、過去の経理実績データ
からAIが最適値をシミュレーションする
 業種、規模、サービス性質、主要KPI、キャッシュ・フロー、従業員数
 事業主はこの素案を叩き台として経営計画を作成し、さらに必
要な資金調達の規模やタイミングをAIがシミュレーションする
ことによって企業がより短い時間で本業にフォーカスすること
を支援する
65

66. 4. データサイエンス業務に
進化する経理業務
66

67. 経理業務の本質とAIの適用可能性
 データ加工業務としての経理業務
 入力情報
 明細データ
 証憑類
 処理情報
 伝票起票
 仕訳登録
 出力情報
 仕訳
 試算表
 決算書
67

68. 経理業務の付加価値とは
 社内に散在する情報をとりまとめる
 元情報は非定型・被構造化・分散保存されている
 元情報を定型・構造化・集中保存する
 複式簿記のルールに基づいてデータを整理する
 構造化・集中保存されたデータから仕訳を起票する
 定型化された仕訳は容易に起票可能
 非定型的な仕訳は専門知識をもとに起票する必要がある
 一定の形式で判断可能な情報を出力する
 仕訳帳
 総勘定元帳
 試算表
 決算書
 決算書本体
 注記
68

69. 経理業務の付加価値とは
 経理業務の付加価値とは情報の加工・集計を通じて
情報に付加価値をつけること
69
非構造化
非整形
散在
構造化
整形
集中
書類
明細
モノ
会話
データ
加工・集計

70. 経理業務の付加価値を高めるための要点
 正確性
 業務習熟度に比例する
 ダブルチェックによる正確さの確保
 信頼性
 検証を経た数値
 相互チェックによる品質確保
 高速性
 タイムリーな成果物の作成
 人間が補完できる領域に注力
70
正確性
信頼性高速性

71. 経理業務に求められるスキルセット
 ビジネススキル
 会計・税務の基本知識
 事務処理能力
 コミュニケーション
 テクノロジースキル
 ITサービスやツールを使いこなせること
 プログラミングスキルも推奨される
 語学スキル
 海外拠点対応
 連結決算対応
71

72. 経理人材が今後目指すべき方向性
 ストック型知識からフロー型知識へ
 いままで
 会計基準(ストック)から知識を得る
 ストック型知識を適用して判断する
 これから
 会計基準はAIが解釈する(一時判断は対応可能)
 他社事例、解釈事例など最新情報を検索する(フロー型知識)
 フロー型知識を適用して実務判断を行う
72

73. データサイエンス会計人材とは
 今後有望な学問・実務領域として「データサイエンス」が
挙げられるようになった
 アカデミックの世界では人気も高く、多くの企業では優秀な
データサイエンティストの採用争奪戦になっている
 会計領域についてもデータサイエンスの知見が生かされるよ
うになってきた
 “データサイエンス会計人材”とは
 経理領域でAIを使いこなせる
 これまでの会計人材に統計・テクノロジーの知識を強化
 労働マーケットでの競争力を高めるものとして期待される
73

74. データサイエンス会計人材に必要な要素
 経理業務の基本スキルに加えて以下が必要
 セルフスターター
 自分で考える、判断できる
 情報収集能力
 自分で情報を集める、解釈する
 ディスカッション、コミュニケーション
 文化を超えたコミュニケーション機会の増加
 AIの基本知識と活用方法
 内部構造を理解していなくても使い方がわかる
 統計の基本的知識
 「常に傍らにAIがいる環境」のなかで
「AIと共存した仕事のあり方」が求められる
74

75. 経理人材からデータサイエンス会計人材への変革
 経理財務の領域は伝統的な業務機能だった
 今後はAIの支援を受けてより合理化を進めることが期待
 経理数値という大量のデータに業務の視点から「意味」を与
えるという点で、財務経理業務も広義のデータサイエンスと
もいえる
 単純作業をAIに委ねることでむしろ今後ますます創造的な業
務領域になっていく
 財務経理担当者は「社内データサイエンティスト」として、
統計やAIに関する基本的な素養が求められる時代が到来
75

76. 経理人材からデータサイエンス会計人材への変革
 データサイエンス会計人材のあるべき姿
 ストック型知識を継続的に習得している
 フロー型知識を積極的に収集することができる
 集計作業・一時判断をAIに任せつつ実務判断を正確に行う
76
会計人材に必要なスキルセットを拡張して
AIと共存した仕事のスタイルを確立する

77. データサイエンス会計人材の育成プロセス
 知識レベルの設定
 初級－上級にレベル分け
 不足スキルと強化ポイントを洗い出す
 資格のモデルを参考する
 勉強会
 テクノロジー(特にAI)
 AIの利用法、使いこなしTIPS
 統計の基礎
 セルフスターターを支援する環境づくり
 自由度の高さ、アイデア重視)
 オーガニック人材が成長する環境
77

78. データサイエンス会計人材の育成
78
http://www.meti.go.jp/committee/kenkyukai/mirainokyositu/pdf/002_s01_00.pdf

79.  第四次産業革命スキル習得講座
 認定講座(第1回)
79
データサイエンス会計人材の育成
http://www.meti.go.jp/press/2017/01/20180110001/20180110001.html

80.  第四次産業革命スキル習得講座
 認定講座(第1回)
80
データサイエンス会計人材の育成
http://www.meti.go.jp/press/2017/01/20180110001/20180110001.html

81.  第四次産業革命スキル習得講座
 認定講座(第2回)
81
データサイエンス会計人材の育成
http://www.meti.go.jp/press/2018/07/20180725003/20180725003-1.pdf

82.  第四次産業革命スキル習得講座
 認定講座(第2回)
82
データサイエンス会計人材の育成
http://www.meti.go.jp/press/2018/07/20180725003/20180725003-1.pdf

83. 現場での分析力の活用
 技術トレンドを経理部門に統合するためにまずやるべきこと
 教育担当者のボランティアを募る
 “アーリーアダプター”として知見を部署で共有する
 教育担当者の学習を推奨する
 Khan Academy/ Udemy/ Coursera
 基礎固めを優先する
 ブロックチェーン、AIなど基礎知識の習得を優先する
 最新技術のリサーチプロジェクトを立ち上げる
 オープンソースの動画、オンライン学習コース など
 グループプロジェクトを課す
 スプレッドシートから最新技術に業務をどのように進化させるか
83
https://www.journalofaccountancy.com/newsletters/extra-credit/blockchain-artificial-intelligence-accounting-curriculum.html

84. 参考: 分析力と組織成熟度
84
ダベンポート＋ハリス
「分析力を武器とする企業」日経BP社

85. まとめ
 AIの進化の過程と現在位置
 どのように進化して、今どのような状況なのか
 経理業務にAIをどのように活用しうるか
 クラウド会計の台頭による経理業務への影響
 会計人材がAIを活用するために何をすべきか
 視点の転換 ストック人材からフロー人材へ
 人材育成の方向性とは
85