AI Phát Hiện Gian Lận Chi Phí Công Tác, Tiếp Khách Bằng Mô Hình Chấm Điểm Bất Thường

Giới thiệu

Chi phí công tác, tiếp khách, hóa đơn tiếp thị là những khoản mục quen thuộc nhưng cũng là "vùng xám" dễ bị lạm dụng nhất trong doanh nghiệp: hóa đơn khống, chia nhỏ hóa đơn để né duyệt, khai chi phí cao hơn thực tế, hoặc lặp lại một hóa đơn ở nhiều đợt thanh toán khác nhau. Kiểm tra thủ công theo kiểu chọn mẫu ngẫu nhiên chỉ phát hiện được một phần nhỏ so với AI-assisted auditing, vốn được ghi nhận phát hiện được nhiều bất thường hơn đáng kể so với soát xét mẫu thủ công truyền thống. Bài viết này trình bày cách xây dựng một mô hình chấm điểm bất thường (anomaly scoring) đơn giản, dễ triển khai cho phòng kế toán - tài chính vừa và nhỏ, không cần đội ngũ data science chuyên sâu.

1. Các dạng gian lận chi phí phổ biến cần AI "bắt bài"

• Chia nhỏ hóa đơn (structuring): tách một khoản chi lớn thành nhiều hóa đơn nhỏ hơn hạn mức phải phê duyệt cấp cao.
• Trùng lặp chứng từ: cùng một hóa đơn được đưa vào đề nghị thanh toán 2 lần ở 2 kỳ khác nhau, hoặc bởi 2 nhân viên khác nhau.
• Chi phí bất thường so với định mức: tiếp khách/công tác cao vọt so với trung bình của cùng vị trí, cùng khu vực công tác.
• Nhà cung cấp lạ, mới xuất hiện: hóa đơn từ nhà cung cấp không có trong danh sách đã xác minh, địa chỉ hoặc mã số thuế bất thường.
• Số tiền "vừa dưới ngưỡng duyệt": ví dụ định mức duyệt cấp trưởng phòng là 5 triệu, nhưng xuất hiện tần suất bất thường các khoản chi 4.8 - 4.95 triệu.

2. Nguyên lý mô hình chấm điểm bất thường (anomaly scoring)

Khác với hệ thống rule-based cứng nhắc (nếu > X thì cảnh báo), mô hình AI học từ dữ liệu lịch sử để tự nhận diện điều gì là "bình thường" với từng nhân viên, từng bộ phận, rồi chấm điểm mức độ lệch chuẩn cho mỗi giao dịch mới. Hai kỹ thuật phổ biến, dễ tiếp cận nhất:

Isolation Forest: một thuật toán học không giám sát (unsupervised), hoạt động bằng cách "cô lập" các điểm dữ liệu bất thường - những giao dịch càng dễ bị tách biệt khỏi phần còn lại của dữ liệu bằng ít phép chia ngẫu nhiên, điểm bất thường càng cao. Ưu điểm: không cần dữ liệu gán nhãn gian lận từ trước, vốn rất hiếm trong thực tế kế toán nội bộ.

Định luật Benford (Benford's Law): kiểm tra phân phối chữ số đầu tiên trong tập hợp số tiền hóa đơn. Trong dữ liệu tài chính tự nhiên, chữ số 1 xuất hiện ở vị trí đầu tiên khoảng 30% số trường hợp, giảm dần đến chữ số 9. Khi số liệu bị con người "bịa" ra, phân phối này thường lệch khỏi quy luật Benford - đây là kỹ thuật kiểm toán kinh điển, dễ triển khai chỉ bằng Excel hoặc vài dòng Python.

Kết hợp cả hai: Isolation Forest chấm điểm bất thường theo hành vi (tần suất, số tiền, thời điểm, người duyệt), Benford's Law chấm điểm bất thường theo cấu trúc con số - hai lớp lọc bổ sung cho nhau.

3. Quy trình triển khai thực tế (không cần đội data science riêng)

1. Chuẩn hóa dữ liệu đầu vào: xuất dữ liệu đề nghị thanh toán chi phí công tác/tiếp khách từ phần mềm kế toán (Misa, Fast, SAP...) ra Excel/CSV với các trường tối thiểu: mã nhân viên, bộ phận, ngày, số tiền, nhà cung cấp, người duyệt, loại chi phí.
2. Tính các đặc trưng (feature) cơ bản: số tiền so với trung bình 6 tháng gần nhất của cùng nhân viên/bộ phận, khoảng cách ngày so với giao dịch gần nhất cùng nhà cung cấp, tỷ lệ số tiền so với ngưỡng duyệt gần nhất.
3. Chạy mô hình Isolation Forest (dùng thư viện scikit-learn trong Python, hoặc nhờ công cụ AI viết sẵn script chạy trên file Excel xuất ra) để xếp hạng các giao dịch theo điểm bất thường.
4. Áp Định luật Benford cho tập số tiền hóa đơn theo từng nhà cung cấp hoặc từng nhân viên có khối lượng giao dịch đủ lớn (khuyến nghị tối thiểu 100 giao dịch để kết quả có ý nghĩa thống kê).
5. Xếp hạng và khoanh vùng: chỉ đưa nhóm 5-10% điểm bất thường cao nhất vào danh sách cần kiểm tra thủ công sâu - đây chính là điểm mạnh của AI: thu hẹp phạm vi rà soát từ hàng nghìn giao dịch xuống còn vài chục trường hợp trọng yếu.
6. Vòng lặp phản hồi: kết quả kiểm tra thủ công (xác nhận gian lận thật hay false positive) được đưa ngược lại làm dữ liệu để tinh chỉnh ngưỡng cảnh báo cho kỳ sau.

4. Một số chỉ báo (red flags) nên đưa vào mô hình

5. Ví dụ minh họa đơn giản

Phòng kế toán một doanh nghiệp thương mại có khoảng 400 đề nghị thanh toán chi phí công tác/tiếp khách mỗi tháng. Sau khi chạy Isolation Forest trên dữ liệu 6 tháng gần nhất, mô hình xếp hạng ra 20 giao dịch (5%) có điểm bất thường cao nhất. Kiểm tra thủ công phát hiện: 3 trường hợp là hóa đơn tiếp khách bị chia nhỏ thành 2 hóa đơn liên tiếp cùng ngày, cùng nhà hàng, để né mức duyệt của trưởng phòng; 2 trường hợp là chi phí công tác cao bất thường do nhân viên tự đặt vé máy bay hạng thương gia trái quy định; các trường hợp còn lại là false positive (chi phí cao hợp lý do đi công tác dài ngày). Tỷ lệ phát hiện đúng 25% trên nhóm được khoanh vùng - cao hơn nhiều so với xác suất phát hiện ngẫu nhiên nếu chỉ chọn mẫu kiểm tra 20 hồ sơ trong tổng số 400.

6. Lưu ý khi triển khai tại doanh nghiệp Việt Nam

• Không dùng kết quả chấm điểm AI để kết luận gian lận ngay - đây là công cụ khoanh vùng ưu tiên kiểm tra, quyết định cuối cùng vẫn cần con người đối chiếu chứng từ gốc, hóa đơn điện tử hợp lệ theo quy định thuế hiện hành.
• Cần có quy chế nội bộ rõ ràng về việc sử dụng dữ liệu chi phí cá nhân của nhân viên để tránh vi phạm quy định bảo vệ dữ liệu cá nhân.
• Bắt đầu từ quy mô nhỏ: áp dụng thí điểm cho 1-2 bộ phận có chi phí công tác/tiếp khách lớn nhất trước khi triển khai toàn công ty.
• Kết hợp với kiểm soát nội bộ hiện có (quy trình phê duyệt nhiều cấp, đối chiếu hóa đơn điện tử với cơ quan thuế) thay vì thay thế hoàn toàn.

Kết luận

AI không thay thế vai trò của kiểm soát nội bộ và kế toán trưởng, nhưng giúp thu hẹp đáng kể phạm vi cần rà soát thủ công bằng cách chấm điểm mức độ bất thường của từng giao dịch chi phí. Với các công cụ như Isolation Forest và Định luật Benford, ngay cả doanh nghiệp vừa và nhỏ không có đội data science cũng có thể triển khai một lớp kiểm soát gian lận chi phí hiệu quả hơn nhiều so với chọn mẫu ngẫu nhiên truyền thống.