Applied Machine Learning to Anomaly Detection in Enterprise Purchase Processes

在不断数字化的过程中，组织必须应对检测异常的挑战，以揭示越来越多数据中可能存在的可疑活动。为了追求这个目标，审计工作需要定期进行，内部审计员和采购专员也在不断寻找新的自动化方法。本文提出了一种方法论，以优先考虑两个真实数据集中检测到的案例调查，旨在提高公司控制工作的效率和执行此类任务的性能。在使用无监督机器学习技术检测异常之前，进行了全面的探索性数据分析。通过z-Score指数和DBSCAN算法应用了单变量方法，而通过k-Means和孤立森林算法以及轮廓系数实现了多变量分析，每种方法都提供了要审核的交易候选人的建议。提供了一个集成的候选人优先级，同时提供了解释方法的建议（LIME、Shapley、SHAP），以帮助公司专家理解。

提高公司控制工作的效率和性能，解决大量数据中检测异常的挑战。

通过综合探索性数据分析和无监督机器学习技术，提出了一种优先调查检测到的案例的方法，包括使用z-Score指数和DBSCAN算法的单变量方法，以及使用k-Means和孤立森林算法以及Silhouette指数的多变量方法。

使用真实数据集进行了全面的探索性数据分析和实验。提供了一个候选交易的集合，以及LIME、Shapley和SHAP等可解释性方法的提议，以帮助公司专家理解。

该领域的相关研究包括使用机器学习技术进行异常检测的其他论文，例如“Unsupervised Anomaly Detection: A Machine Learning Approach for Network Intrusion Detection”和“Anomaly Detection in Time Series Data: A Survey and Systematic Evaluation”。