历经了迅猛增长和2015年禽流感带来的重创后，成立已21周年、总部位于美国爱荷华州斯皮里特湖畔的蛋品公司Rembrandt，一直在努力重新成为性价比最高的蛋制品供应商。

　　公司CFO兼财务与IT副总裁Greg Hoggard于2019年加入公司，他发现：“在大规模增长期间，试图为所有客户提供他们想要的产品的做法是很有吸引力的。这样一来，Rembrandt就开始有些失去重点了。随着公司投资于各种卫星设施，物流优势受到削弱，供应链变得松弛，整个企业的资源分配效率低下。”

第一阶段：准确度与作业成本法

　　爱荷华厂区有600万只母鸡，每日产蛋超过500万个。这些鸡蛋会传送到主传送带上，进行清洗、破蛋、分离、巴氏杀菌与加工。尽管这一连续化生产线让Rembrandt以极具竞争力的价格生产蛋制品和富含有机氮的肥料，到Hoggard接手时，这一生产流程在好几个方面都很复杂（见图1）。

        首先，Rembrandt采用模拟计数器来计算母鸡产下的所有鸡蛋，即当有东西通过传感器时便会记作一个鸡蛋。每个鸡棚有80台模拟计数器，该厂区有20个鸡棚。之后，鸡蛋数会记录在企业资源规划（ERP）系统中。现今，这些模拟系统在蛋品行业非常普遍，其安装维护成本高达数百万美元，但问题在于：计数器容易出错。

　　Rembrandt还必须给鸡蛋称重，因为没有两个鸡蛋是一样重的。显然不可能对农场产下的每个鸡蛋手动称重。为估算鸡蛋重量，Rembrandt每天都会进行容重检测。员工随机挑选360个鸡蛋（一箱），在移动秤上称重。每个鸡棚里被检测鸡蛋（箱）的容重取平均数，记录在ERP系统中。鸡蛋（箱）的容重乘以模拟计数器统计的箱数，得出每个鸡棚每天的带壳蛋总重量（磅）。鸡棚产出率则用带壳蛋总重量除以总饲料消耗量（磅）计算得出。

　　最后，产下的每个鸡蛋会通过传送带系统进入清洗机和破蛋机，打破后再分离为蛋清（蛋白）和蛋黄。蛋壳丢弃，蛋白和蛋黄要经过流量计，并由此得出顺利从鸡棚到破蛋机之后的蛋液总重量（磅）。破壳设备产出率用流量计计量的蛋液总重量除以鸡棚的带壳蛋总重量计算得出。

        这个集数学、科学与假设于一体、每天都在重复的流程似乎产生了不错的效果。虽然不确定损失发生在哪里，不过可以从局部得出或推测出答案。即便如此，有机生命体仍不可避免地呈现出多样性。企业可以采取很多措施来尽可能减少变化，但要准确跟踪产蛋量仍是一个挑战。要想设计出一种能够可靠地计量与跟踪蛋产量、让流程井然有序的方式，需要创造性地运用假设或数据。

聚焦于指标与数据

　　尽管存在（又或许是因为）前述的自然变化和复杂的数据收集流程，测量得出的工厂产出效率与实际财务绩效之间仍存在较大差异。Rembrandt的管理层确信问题在于标准成本不准确。

　　Hoggard及其团队着力于实施作业成本法，供应链和持续改进团队开展时间研究。他们验证了物料清单，以确保物料被正确使用；计算了产量和设备综合效率，基于此计算人工、可变成本和固定制造费用吸收率；标准在ERP系统中进行验证或更新；成本会计的任务是每日跟踪实际产量与标准之间的差异，并向管理层汇报结果。

　　同时，Rembrandt采用高端的科里奥利质量流量计取代了破蛋设备中的传统流量计。这些流量计专门为精确测量夹杂气泡的黏性液体而设计，如鸡蛋或冰淇淋之类的黏性液体。校准和检修这些流量计后，Rembrandt对在破蛋设备中生产并交付给食品生产部门的蛋液量的准确度相当有信心。

　　此时出现了一个大问题。安装新的流量计后，公司发现所产的带壳蛋重量出现严重错报。流量计刚刚经过校准和准确度确证，为什么会影响所产的带壳蛋重量呢？会计部门追踪了现有系统中的所有数据。

　　调查发现，已编码进入现有系统的一项假设造成了破蛋机82%的产出率。这似乎是2015年为应对禽流感危机而采取的措施。该代码后被删除，Rembrandt又重新使用模拟计数器和容重检测来推算带壳蛋重量，结果导致破蛋设备的产出率比先前报告的低很多。这实际上更贴近真实情况，但没人愿意相信。之后，运营经理、高管和会计人员之间持续数月不和。

　　你可能听说过“你无法管理你不能计量的东西”这句话，反之亦然：你无法计量你管理不了的东西。在Rembrandt案例中，经理者们都确信自己在为公司尽己所能，毕竟，按照计分卡的标准衡量，成本节省高达上百万美元，已经达成甚至超额完成目标了。然而，Rembrandt在财务上仍旧困难重重。

第二阶段：创新与计算机视觉

　　Hoggard在参加IMA管理会计师协会2019年全球年会后找到了一些解决问题的思路。圆桌午餐会期间，他坐在数据科学家Daniel Smith旁边。两人互加了领英，随后Hoggard又参加了Smith关于如何使用Python构建区块链的讲座。

　　在观看Smith揭秘人工智能面部识别软件的视频时，Hoggard找到了灵感。他邀请Smith协助为Rembrandt设计解决方案。Hoggard清晰地意识到：如果相机可以计算和识别人脸，那肯定可以用来计算鸡蛋数量。

　　Hoggard与Smith开始了合作，在企业中运用技术的第一步是证明技术有效，亦即“概念验证”。但同等重要的是，迈向持续性组织变革（技术或其他方面）的第一步是改变领导文化。

　　危急时期，管理者通常会放弃构建或维护基于流程的可持续解决方案，而选择临时的捷径来度过难关。Rembrandt在2015年禽流感期间就犯了这个错：不使用正常流程，忽视数据治理，为当前利益牺牲未来利益。

　　但危机过后，企业会面临选择：在设计和实施新流程时，是否要为了记录原有流程而继续延长生产力方面的损失？还是让员工尽快解决问题，使企业重新开始盈利？

技术负债周期

　　人们每天都在盘算着如何借用未来的时间来节省现在的时间，其结果就是试图加速技术解决方案的开发（有人可能会争辩说现代商业的大多数解决方案都是技术性的）而产生的技术负债。如此，当公司为顺利按时交付而采用次优解决方案（如修理打滑的皮带而未记录修理方法）时，技术负债就会累积，这需要额外的资源去应对。

　　在这种情况下，当问题再次出现时，必须重新确定修理方案。因此，为支持先前的次优方案（即“捷径”）而累积的额外时间和精力被称为技术负债的利息。

　　随着因技术负债及其利息而损失的资源呈周期性扩大，感知到生产力下降（即便资源过度分配）的员工也会士气低落。而士气低落会导致人员流失，工作量增加——这甚至会带来更多的技术负债（见图2）。这便是所谓的紧缩文化（crunch culture）。

概念验证

　　尽管强大的、深度学习的图像识别解决方案最终会产生最准确的结果，但Rembrandt在其新的鸡蛋计数图像识别流程的第一阶段选择了一种更为传统的图像分割技术，因为公司的数据存储与处理设施在现场而非云端（见图3）。

        图像分割是指将图像分成不同的部分，然后对与想要计量对象相关的部分进行计量。在Rembrandt案例中，图像识别将白色圆形目标对象与其他物体区别开，然后统计之。

　　具体而言，该流程分为目标检测和边缘检测。边缘检测用于识别目标对象周围的边界，在更高级的应用程序中也可用于识别目标对象的大小，例如，基于鸡蛋体积计算鸡蛋产量。但对于概念验证而言，用一个简单的公式确定像素突然由亮变暗的位置就足够了。上述变化的阈值是通过数百万次模型迭代确定的，即“模型校正”。

　　目标检测步骤较多，但过程更简单。首先，基于模型校正中确定的阈值，将灰度图像设置为黑色或白色。然后，过滤掉给定尺寸变量（亦在模型校正中确定）以下的白色目标对象。尺寸过滤可防止灰尘和水渍等人为图像被识别为鸡蛋。

　　最后，识别到的目标对象会与检测到的边缘重叠，在一大片鸡蛋里只要能够被视作单个目标对象的都会被边缘区分开来。

　　在理想条件下，这一流程（模型）准确度可高达98%到99%，但在现实条件下并没有那么有效。阴影和强光阻碍了边缘识别，相机上凝结的水汽会被当作一个大鸡蛋算进去，再加上其他不可避免的情况，导致该模型在实际应用时的准确度下降到95%左右。

　　95%的准确度仍比原先的解决方案好得多，但Hoggard和Smith知道这仍有提升的空间。

第三阶段：深度学习图像分割

　　展示成功的概念验证有助于同领导层就紧缩文化和技术负债的危害进行更广泛的探讨。一旦整个团队意识到其帮助企业的个体努力合起来反而会损害企业利益，他们很快就会达成一致意见，继续推进下一阶段：Vision 1.0。

        图像识别的下一阶段是提高可变条件下的准确度并确定每个鸡蛋的重量。要完成如此复杂的任务需要用到深度学习技术，尤其是R-CNN（基于区域的卷积神经网络），这是一种专门设计用于分割图像和视频中的目标对象并界定其大小的算法序列。

　　数十张图像经过手工细心标注，其中一些图像包含了数百个鸡蛋（见图4）。当新模型开始生成结果时，所有的付出都是值得的（见图5）。在任何情况下，其都可以对分散在多个位置的数百个鸡蛋同时计数。该模型甚至可以在鸡蛋被部分遮挡时预测其大小（见图6），并开始学习在新的环境下识别鸡蛋（见图7和图8）。

         最重要的是覆盖每个鸡蛋的掩膜（见图9）。掩膜表示图像中每个鸡蛋所占据的区域，由于鸡蛋是垂直对称且总是平放的，鸡蛋的任何图像显示的都是其最宽和最长的横截面。基于这一点，就可能通过模型训练来预测每个鸡蛋的重量。

成果

　　公司花了点时间才接受这种新的鸡蛋计数方法。“我们在制造控制部门找到了一些非常强大的盟友。”Hoggard说道，“该部门向运营经理汇报，在争取运营团队的支持方面发挥了关键作用，尤其是公司的过程控制主管Adam Hoogeterp，他立马就意识到新方法能够改良其部门的控制和监控能力。Adam及控制团队采购了摄像头并运用3D打印定做安装支架，Smith、控制团队和IT团队针对鸡蛋计数的算法进行了测试和故障排除。在大约三个月内，我们就有了一套AI摄像系统（后来其命名为‘Vision’），鸡蛋计数的准确度达到97%。Vision持续进行学习，三个月之后的计数准确度高达99.8%。”

　　Vision启用两周后，公司的IT经理Marc Oleson及其团队使用微软Power BI创建了出色的可视化仪表板。Vision不仅可以计算鸡蛋数量，还可以近乎实时地反映设备效率情况，这是该项目的意外收获。Oleson通过简单有效的可视化方式，以每小时产量为维度将两星期的产蛋数据呈现出来。“我的第一反应是‘这看起来太可怕了！’”Hoggard回忆道，“[Oleson]吃了一惊，问他们团队是不是犯了什么数据上的错误。我向他表明了我的想法，可视化非常棒，全公司劳动密集程度最高的流程中的时间浪费情况一目了然。”

　　Oleson和Hoggard决定与运营和高管团队分享可视化成果，而且没有使用注脚或翻译。“数据说明一切，任何解释都是多余的。”在使用可视化后的两个月内，经过运营团队的辛勤工作和努力，每日的破蛋设备工作时间缩短了3个小时。这一变化使Rembrandt能够利用现有劳动力来填补所有空缺职位，从而在严峻的劳动力市场环境下消除了对临时劳动力的需求。

　　除此之外，自从启用Vision以来，破蛋设备的产出率增加了6个百分点。对于Rembrandt这个体量的公司来说，减少6%的废料对环境的影响相当于每天生产360,000个鸡蛋！

未来展望

　　Rembrandt仍然要给鸡蛋称重，得出带壳蛋的重量。但目前正在开发的Vision 2.0将能够计算每个鸡蛋的带壳重量和预期的蛋液重量。如此，关键绩效指标将会驱动假设，让更多员工去做更好、更有意义的工作，发掘更多带来盈利与增长的机遇。

　　“通过对技术、可视化和数据的投入与综合使用，我们找到了发生实际损耗的环节。”Hoggard总结道，“如果没有Vision系统，无论是一线员工、经理还是高管，没人会知道要聚焦于何处、改变哪些工作。我们是禽流感的受害者，从那以后，我们一直在解决各种问题。我们原先以为有些业务领域一直在按预想正常运转，但实际并非如此。AI、可视化和数据给了我们勇气和信心，让我们加倍努力地变革这些业务领域的管理。要实现全部财务目标还有很长一段路要走，但我们正走在正确的道路上，已经扭亏为盈。你或许会好奇Rembrandt在这个项目上的投资回收期是多长，答案是18天。我预计未来一段时间内的投资回报将达到上百万美元。”

Daniel Smith，CMA，TheoryLane云集成解决方案公司创始人兼创新主管，IMA技术解决方案和实践委员会成员，IMA达拉斯沃斯堡地区分会成员。联系方式：daniel.smith@theorylane.com。

Greg Hoggard，CMA，Rembrandt食品公司CFO兼财务与IT副总裁，IMA明尼阿波利斯分会成员。联系方式：greg_hoggard@rembrandtinc.com。

颖哲 译，郭强 校