Fin- SAP Concur体验报告

Concur作为首款上线的SaaS产品,面临用户体验差、灵活性不足与报销流程效率低等问题。文章深入分析了这些问题背后的原因,包括产品设计缺陷、业务适配度不高以及企业内部流程混乱等,并提出了针对性的解决方案。
部署运行你感兴趣的模型镜像

Concur是上线的第一个Saas产品,深受员工诟病。一是用户体验极差,国外产品的通病,即使是sap,用户友好度也不及格。第一次使用时,研究了半小时,愣是没提交成功。对着操作手册,又花了半小 时,才算搞掂。一个如此简单的系统,还有这么高的学习成本。没有数据支撑,但个人认为,国内互联网产品,通过细节打磨,可节省一大半学习成本;二是产品灵活度有限,无法满足业务需求,不提供定制开发,没有test和demo环境,系统接口都要找厂家开发。这是唯一没有IT运维的产品,因为不需要。日常分配账户、管理权限、监控异常单据,由业务管理员维护即可;三不是产品原因,是报销流程效率太低。作为员工最care的流程,容忍度自然也是最低的。

当初选型阶段,业务调研不够充分,同时业务自身也没有想清楚。不同于对公报销,涉及较多管理会计属性。对私报销,场景相对简单。提前梳理好科目;规定报销需提前走预算申请,哪些可直接报销;梳理审批流程;梳理各项额度及超额申报流程。基本可用标准功能实现,且对私报销业务相对稳定,因此采用Saas产品快速上线。现在看来,产品都有适合其存在的环境。在没有清晰规则、管理较混乱的企业,强业务属性的Saas产品,是很难用起来的。

对接系统,一是商旅平台,往往成熟产品已与各大OTA平台具备现成接口;二是基本的人员、组织信息;三是项目;四是费控科目;五是erp应付。

核心功能点

  • 申请:特定类型费用,需提前提交费用申请,提报费用预算。往往用在因公出差场景,若实际费用超出预算规定百分比后,需额外补充申请

  • 差旅:对接商旅平台的差旅信息,这是concur的优势。

  • 费用:可基于费用申请或直接创建费用报告。提交时会根据财务预设要求进行校验。例如费用超额,特定科目费用需填写特定字段信息。

 

 

 

 

您可能感兴趣的与本文相关的镜像

Python3.10

Python3.10

Conda
Python

Python 是一种高级、解释型、通用的编程语言,以其简洁易读的语法而闻名,适用于广泛的应用,包括Web开发、数据分析、人工智能和自动化脚本

### 使用 Fin-R1 的方法 Fin-R1 是一个专为金融领域设计的推理大模型,基于 Qwen2.5-7B 架构,通过监督微调(SFT)和强化学习(RL)两阶段训练,能够处理复杂的金融推理任务。要使用 Fin-R1,可以从以下几个方面入手: #### 1. 环境准备 由于 Fin-R1 是一个基于深度学习的模型,因此需要准备好相应的运行环境。得益于其 7B 的轻量级设计,Fin-R1 可以在单张 NVIDIA 4090 或类似性能的消费级/企业级 GPU 上运行[^2]。基本的环境配置包括: - 安装 Python 3.x - 配置 CUDA 和 cuDNN(如果使用 GPU) - 安装必要的深度学习框架,如 PyTorch 或 Transformers 库 #### 2. 获取模型 Fin-R1 的代码和相关资源已经开源,可以通过 GitHub 获取。访问其开源地址:[Fin-R1 on GitHub](https://github.com/SUFE-AIFLM-Lab/Fin-R1) 下载模型权重和训练代码[^3]。确保你已经克隆了仓库,并按照文档中的说明安装所需的依赖包。 #### 3. 模型推理 Fin-R1 主要用于金融领域的推理任务,例如金融数据处理、自动化决策、多语言金融计算等。你可以通过以下方式进行推理: - **加载模型**:使用 Hugging Face 的 `transformers` 库加载 Fin-R1 模型。 - **输入格式**:将金融问题或任务以自然语言的形式输入模型,例如“计算某只股票的市盈率”或“分析某公司的财务报表”。 - **输出结果**:模型将生成对应的推理结果,并给出详细的解释。 以下是一个简单的推理示例: ```python from transformers import AutoTokenizer, AutoModelForCausalLM # 加载模型和分词器 tokenizer = AutoTokenizer.from_pretrained("SUFE-AIFLM-Lab/Fin-R1") model = AutoModelForCausalLM.from_pretrained("SUFE-AIFLM-Lab/Fin-R1") # 输入金融问题 input_text = "计算某只股票的市盈率" input_ids = tokenizer.encode(input_text, return_tensors="pt") # 生成推理结果 output = model.generate(input_ids, max_length=200) result = tokenizer.decode(output[0], skip_special_tokens=True) print(result) ``` #### 4. 微调与定制 如果需要将 Fin-R1 应用于特定的金融业务场景,可以通过微调来进一步优化模型的表现。Fin-R1 的训练基于 Fin-R1-Data 数据集,该数据集包含约 60,091 条高质量的思维链(CoT)数据,覆盖多种金融推理场景[^3]。你可以根据自己的业务需求,构建新的训练数据,并进行监督微调(SFT)或强化学习(RL)训练。 #### 5. 部署与应用 Fin-R1 的轻量级设计使其易于部署。可以将其部署为 API 服务,供多个金融应用调用。例如,使用 FastAPI 构建一个简单的推理服务: ```python from fastapi import FastAPI from transformers import AutoTokenizer, AutoModelForCausalLM import torch app = FastAPI() # 加载模型 tokenizer = AutoTokenizer.from_pretrained("SUFE-AIFLM-Lab/Fin-R1") model = AutoModelForCausalLM.from_pretrained("SUFE-AIFLM-Lab/Fin-R1") @app.post("/infer") def infer(input_text: str): input_ids = tokenizer.encode(input_text, return_tensors="pt") output = model.generate(input_ids, max_length=200) result = tokenizer.decode(output[0], skip_special_tokens=True) return {"result": result} ``` 启动服务后,可以通过 HTTP 请求调用 `/infer` 接口,传入金融问题并获取推理结果。 #### 6. 实际应用场景 Fin-R1 在金融合规、智能投顾等领域展现了强大的自动化推理与决策能力。例如: - **金融合规**:自动分析监管文件,识别合规风险。 - **智能投顾**:根据用户的风险偏好和市场数据,生成个性化的投资建议。 - **财务分析**:解析财务报表,生成关键财务指标的分析报告---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值