本发明涉及财务管理中的差旅费用管理检测,尤其涉及基于多维度数据分析的异常消费检测方法。
背景技术:
1、在企业管理中,员工的异常消费行为可能会给企业带来潜在的风险和损失。然而,目前的异常消费识别方法存在一些缺陷。传统的异常消费识别方法主要基于单一的指标,如费用金额的阈值等,容易导致误判或漏判。另外,现有方法往往无法考虑到时间和频率的因素,无法识别出在特定时间段内发生频繁的费用,以及频繁出现在相同商家的消费行为。同时,在企业的日常经营活动中,员工的消费行为可能存在异常情况,例如超出预算、频繁消费等。传统的异常消费检测方法主要依赖于人工审核和规则设置,存在以下缺陷:
2、人工审核效率低下:由于费用数据庞大且复杂,传统的人工审核方法需要耗费大量的时间和人力资源。
3、审核结果容易出现漏检和误检:人工审核容易受主观因素影响,可能会漏检一些异常消费行为,或者误判一些正常消费行为。
4、规则设置不够灵活:传统的异常消费检测方法主要依赖于预先设置的规则,无法适应不同企业的特殊需求和变化。
技术实现思路
1、本发明实现了差旅等报销费用的异常检测,主要是通过基于多维度数据分析的异常消费检测方法,筛选剔除同一时间内出现多次报销导致超出预算以及频繁消费的问题,提高了财务的管理效率。
2、为实现上述目的,本发明通过以下技术方案予以实现。
3、基于多维度数据分析的异常消费检测方法,包括以下步骤;
4、自动获取关联报销系统中的报销费用信息以构成数据库,所述数据库中至少包括报销费用信息中的支付时间、支付方式以及供应商;
5、以时间为纵轴,分别构建设定时间段内同一供应商、同一支付时间以及不同支付方式的变化趋势,以形成特征工程;
6、选用pca方法对所述特征工程分别进行降维后,将所述特征工程输入到高斯核函数中,高斯核函数将特征工程的特性映射到高位空间中,得到非线性关系,以构成初步检测模型;
7、将数据库中的支付时间、支付方式以及供应商,分别划分为训练集测试集,并通过k折交叉验证进行异常消费检测模型的验证;
8、根据交叉验证结果,优化初步检测模型中,得到异常消费检测模型;
9、获取员工设定时间段内的报销费用信息作为异常消费检测模型的输入值,并利用异常消费检测模型检测,输出支付时间、支付方式以及供应商是否异常的检测结果。
10、作为本发明的进一步改进,所述自动获取中,还包括加密获取传输,具体为利用随机数生成算法随机生成自动获取密钥,并选择tls作为ssl协议版本,以aes一gcm算法进行自动获取中的加密传输。
11、作为本发明的进一步改进,所述自动获取具体为:利用自动化脚本方式,通过秘钥查询并提取设定时间段内,同一员工或相关员工的报销费用信息。
12、作为本发明的进一步改进,所述支付时间包括工作日支付和非工作日支付,所述支付方式包括线上支付和线下支付,所述数据库中还包括支付用途、支付金额、支付地点。
13、作为本发明的进一步改进,还包括分别构建工作日支付变化趋势、非工作日支付变化趋势以及同一支付用途的变化趋势。
14、作为本发明的进一步改进,所述异常消费检测模型对所述变化趋势进行分析,并设定阈值,且所述非工作日支付变化趋势的阈值小于工作日支付变化趋势的阈值。
15、作为本发明的进一步改进,所述初步检测模型中,还包括同一设定时间段内,不同支付方式的变化趋势的叠加,以判断是否在同一时间段内存在重复支付。
16、作为本发明的进一步改进,所述报销费用信息中还包括员工岗位、岗位等级以及该岗位等级对应的报销额度。
17、作为本发明的进一步改进,还包括对特征工程使用minmaxscaler或standardscaler进行特征缩放。
18、作为本发明的进一步改进,还包括利用鲁棒pca方法或增量pca方法进行特征工程的降维。
19、本发明的有益效果如下:
20、本发明中,通过对不同的供应商等进行分析,避免了财务数据报销时,同一供应商反复多次报销异常,统一支付时间多次支付以及选用不同方式多次支付等造成的报销异常无法识别的问题,提高了财务工作的效率。
21、本发明中,利用机器学习算法对多维度数据进行分析,提高异常消费的检测准确性和效率。
1.基于多维度数据分析的异常消费检测方法,其特征在于,包括以下步骤;
2.根据权利要求1所述的基于多维度数据分析的异常消费检测方法,其特征在于,所述自动获取中,还包括加密获取传输,具体为利用随机数生成算法随机生成自动获取密钥,并选择tls作为ssl协议版本,以aes-gcm算法进行自动获取中的加密传输。
3.根据权利要求2所述的基于多维度数据分析的异常消费检测方法,其特征在于,所述自动获取具体为:利用自动化脚本方式,通过秘钥查询并提取设定时间段内,同一员工或相关员工的报销费用信息。
4.根据权利要求1所述的基于多维度数据分析的异常消费检测方法,其特征在于,所述支付时间包括工作日支付和非工作日支付,所述支付方式包括线上支付和线下支付,所述数据库中还包括支付用途、支付金额、支付地点。
5.根据权利要求4所述的基于多维度数据分析的异常消费检测方法,其特征在于,还包括分别构建工作日支付变化趋势、非工作日支付变化趋势以及同一支付用途的变化趋势。
6.根据权利要求5所述的基于多维度数据分析的异常消费检测方法,其特征在于,所述异常消费检测模型对所述变化趋势进行分析,并设定阈值,且所述非工作日支付变化趋势的阈值小于工作日支付变化趋势的阈值。
7.根据权利要求1所述的基于多维度数据分析的异常消费检测方法,其特征在于,所述初步检测模型中,还包括同一设定时间段内,不同支付方式的变化趋势的叠加,以判断是否在同一时间段内存在重复支付。
8.根据权利要求1所述的基于多维度数据分析的异常消费检测方法,其特征在于,所述报销费用信息中还包括员工岗位、岗位等级以及该岗位等级对应的报销额度。
9.根据权利要求1所述的基于多维度数据分析的异常消费检测方法,其特征在于,还包括对特征工程使用minmaxscaler或standardscaler进行特征缩放。
10.根据权利要求1所述的基于多维度数据分析的异常消费检测方法,其特征在于,还包括利用鲁棒pca方法或增量pca方法进行特征工程的降维。