Kiểm Toán Danh Mục Chi Phí
PROTự động xác định chi phí phân loại sai, nộp trùng lặp, vi phạm chính sách và mẫu gian lận sử dụng phát hiện bất thường học máy. Đạt độ chính xác phát hiện 90-95% với phân tích hành vi theo ngữ cảnh.
Ví dụ sử dụng
Kiểm toán danh mục chi phí tự động
Prompt Skill
Skill này hoạt động tốt nhất khi được sao chép từ findskill.ai — nó bao gồm các biến và định dạng có thể không được chuyển đúng cách từ nơi khác.
Cách sử dụng Skill này
1
Sao chép skill bằng nút ở trên
2
Dán vào trợ lý AI của bạn (Claude, ChatGPT, v.v.)
3
Điền thông tin bên dưới (tùy chọn) và sao chép để thêm vào prompt
4
Gửi và bắt đầu trò chuyện với AI của bạn
Tùy chỉnh gợi ý
| Mô tả | Mặc định | Giá trị của bạn |
|---|---|---|
| Detection aggressiveness (0-1). Higher catches more issues but increases false positives. | 0.75 | |
| Similarity threshold for duplicate detection (0-1). Accounts for minor amount/description variations. | 0.85 | |
| Violation handling: soft_alert (warning), hard_stop (block), or escalate (route to approver). | soft_alert | |
| Enable behavioral baseline comparison for contextual anomaly detection. | true | |
| Dollar amount triggering higher approval authority. | 5000 | |
| Require receipt image analysis for expenses above threshold. | true | |
| Enable automatic quarterly GL coding pattern audits. | true |
Nguồn nghiên cứu
Skill này được xây dựng từ các nguồn uy tín sau:
- Expense Coding Audit Red Flags Comprehensive guide on categorization inconsistencies and audit triggers.
- Expense Fraud Detection and Prevention AI-powered fraud detection methods and prevention strategies.
- Preparing for an Expense Audit 2025 Audit preparation checklist and best practices.
- ML-Based Personal Finance Assistant Multi-model approach for expense categorization and anomaly detection.
- Expense Tracker Using Machine Learning ML techniques for expense tracking and pattern analysis.
- Graph Neural Networks for Fraud Detection Advanced GNN approaches for financial fraud detection.
- Anomaly Detection in Financial Data Contextual anomaly detection techniques for financial systems.
- Deep Learning for Financial Anomalies Deep learning methods including autoencoders and LSTM for anomaly detection.