Функционал поиска аномалий направлен на выявление отклонений и необычных событий в корпоративных процессах, которые могут указывать на наличие рисков, нарушений или потенциальных проблем. Этот функционал включает следующие возможности:

1. Анализ данных: автоматический сбор и обработка больших объемов данных из различных источников для выявления скрытых закономерностей и тенденций.
2. Определение пороговых значений: настройка критериев для определения нормальных и аномальных показателей, основанных на исторических данных и экспертных оценках.
3. Алгоритмы машинного обучения: использование алгоритмов для автоматического обнаружения аномалий и прогнозирования возможных рисков.
4. Оповещения и уведомления: создание системы оповещений, которая немедленно уведомляет ответственных лиц о выявленных аномалиях для своевременного реагирования.
5. Гибкая настройка правил: возможность настройки индивидуальных правил и сценариев для поиска конкретных типов аномалий, соответствующих специфике бизнеса.

Этот функционал помогает компаниям своевременно обнаруживать отклонения, минимизировать риски и предотвращать возможные убытки.

Как это работает? 

Сбор и обработка данных:

• Анализ записей из ERP-систем.
• Категориальные и числовые атрибуты: учет центров ответственности, валют, счетов и транзакций.
• Обучение нейронных сетей:
• Использование глубокого обучения для распознавания нормального поведения.
• Применение логарифмического масштабирования и нормализации данных.

Обнаружение аномалий:

• Визуализация и оценка ошибок восстановления.
• Автоматическое выделение подозрительных операций для проверки.

Преимущества

• Сокращение времени проверки: до 60% быстрее по сравнению с ручным анализом.
• Интеграция с ERP-системами: легко встраивается в существующую инфраструктуру.
• Масштабируемость: подходит как для малого бизнеса, так и для международных корпораций.

Работы:

• Обработка данных (очистка, выявление закономерностей в данных и тд) для поиска аномалий
• Исследование полученных данных в рамках поиска аномалий, выводы
• Разработка моделей выявления аномалий, тестирование на выборке полученных данных
• Подборка ансамбля решений поиска аномалий
• Разработка API по проверки подозрительных транзакций
• Определение источника исторических данных для предиктивной аналитики
• Определение требований к данным для предикативной аналитики
• Выгрузка силами Заказчика необходимых данных в согласованном формате для предикативной аналитики
• Расчет данных по предикативной аналитике за 23 год на основании 22 года и ранее. Сравнение факта и предсказанных данных за 23 год. Выявление точности предсказания.

Результаты:

• Матрицы несоответствий (tp - спрогнозировано аномальное значение и это верно, tn - спрогнозировано нормальное значение и это верно, fp - спрогнозировано аномальное значение и это неверно, fn - спрогнозировано нормальное значение и это неверно)
• Замер метрики достижения результата. Задача достижения точность предсказания: 0,7 (70%) - низкая, 0,83 - удовлетворительная, 0,9 - идеальная
• API сервис для интеграции во внешние системы, на который подается транзакция и возвращается вероятность подозрительной транзакции

Архитектура модуля