Menu
Por padrão, está selecionado o prompt que primeiro revisa a origem. Você pode mudar para um comando direto ou baixar uma cópia local.
Leia o SKILL.md e os arquivos complementares exibidos pelo SkillsMP antes de decidir se vai instalar.
Instalar com Codex ou Claude Copie este prompt, cole no Codex, Claude ou outro assistente e deixe que ele revise a página da skill e instale para você.
Um comando direto ignora o prompt de revisão. Verifique a origem antes de executá-lo.
npx skills add https://github.com/guoliang1114-boop/AriaAI --skill data-analytics-anomaly-detectionO comando permanece em uma só linha. Role horizontalmente para revisá-lo antes de copiar.
Prefere uma cópia local? Baixe os arquivos disponíveis atualmente no SkillsMP.
Generate comprehensive AI strategy reports (15+ slides) in PowerPoint format. Analyzes company's digital readiness, identifies high-value AI use cases, creates implementation roadmaps, and provides ROI projections. Designed for consulting firm quality deliverables.
预约定价安排申请：可行性评估、申请流程、定价方法设计，基于OECD MAP指南及中国国家税务总局公告2016年第64号
Create ArchiMate enterprise architecture diagrams using PlantUML stdlib macros. Best for TOGAF viewpoints, layered EA modeling (Business/Application/Technology), motivation analysis, and migration planning.
Exibindo SKILL.md
| name | data-analytics-anomaly-detection |
| description | 运用数据分析技术识别异常交易和潜在舞弊，涵盖本福特定律、趋势分析、重复检测和关联方筛查 |
| version | 1.0.0 |
| domain | audit |
| last_updated | 2026-08-26 |
| status | stable |
bash - 运行Python/R数据分析脚本write - 创建分析脚本和发现报告read - 读取交易数据文件（CSV、Excel）grep - 搜索数据文件中的特定模式参照 Nigrini, M.J. (2012) "Benford's Law: Applications for Forensic Accounting, Auditing, and Fraud Detection"
本特定律预测自然数据集中首位数字的频率分布:
| 首位数字 | 预期频率 | 预期比例 |
|---|---|---|
| 1 | 30.1% | 0.301 |
| 2 | 17.6% | 0.176 |
| 3 | 12.5% | 0.125 |
| 4 | 9.7% | 0.097 |
| 5 | 7.9% | 0.079 |
| 6 | 6.7% | 0.067 |
| 7 | 5.8% | 0.058 |
| 8 | 5.1% | 0.051 |
| 9 | 4.6% | 0.046 |
适用条件:
统计检验方法:
参照 ISA 520 Analytical Procedures 及 AICPA AU-C 520:
水平分析 (Horizontal Analysis):
垂直分析 (Vertical Analysis):
趋势断裂检测:
关键比率分析:
完全重复检测:
近似重复检测:
阈值设置:
参照 ISA 550 Related Parties 及 SEC Regulation S-K Item 404:
地址匹配:
电话/邮箱匹配:
名称相似度:
交易模式筛查:
统计方法:
业务规则:
============================================================
数据分析发现报告 (Data Analytics Findings Report)
============================================================
客户名称: [客户名称]
报告期间: [YYYY年MM月DD日 至 YYYY年MM月DD日]
编制人: [姓名] | 编制日期: [YYYY-MM-DD]
复核人: [姓名] | 复核日期: [YYYY-MM-DD]
索引号: [索引号]
============================================================
一、分析概述
------------------------------------------------------------
分析目标: [本次数据分析的审计目标]
数据来源: [系统名称、导出日期、记录数、金额范围]
分析方法: [使用的方法列表]
分析期间: [数据覆盖的时间范围]
数据质量评估:
- 总记录数: [N]
- 有效记录数: [N] ([占比%])
- 缺失/异常记录: [N] ([占比%])
- 数据完整性验证: 与TB核对 [一致/差异¥X]
二、本福特定律分析
------------------------------------------------------------
分析对象: [例: 应付账款发票金额首位数字分布]
样本量: [N]条记录
金额范围: ¥[min] - ¥[max]
数字 | 观测频次 | 观测比例 | 预期比例 | 偏差 | Z值 | 标记
1 | [N] | [%] | 30.1% | [±%] | [Z] | [*/**/-]
2 | [N] | [%] | 17.6% | [±%] | [Z] |
3 | [N] | [%] | 12.5% | [±%] | [Z] |
4 | [N] | [%] | 9.7% | [±%] | [Z] |
5 | [N] | [%] | 7.9% | [±%] | [Z] |
6 | [N] | [%] | 6.7% | [±%] | [Z] |
7 | [N] | [%] | 5.8% | [±%] | [Z] |
8 | [N] | [%] | 5.1% | [±%] | [Z] |
9 | [N] | [%] | 4.6% | [±%] | [Z] |
统计检验结果:
- Chi-Square: [值] (临界值15.51, df=8, α=0.05) → [通过/未通过]
- MAD: [值] → [一致性/可接受/边缘/不可接受]
注: * 表示95%置信水平显著偏离, ** 表示99%置信水平显著偏离
偏离分析:
[对显著偏离的首位数字，分析其可能原因，列出相关交易]
三、趋势分析
------------------------------------------------------------
3.1 关键科目变动分析
科目 | 上期金额 | 本期金额 | 变动额 | 变动率 | 阈值 | 标记
营业收入 | ¥[M] | ¥[M] | ¥[M] | [%] | ±10% | [-/!]
营业成本 | ¥[M] | ¥[M] | ¥[M] | [%] | ±10% |
管理费用 | ¥[M] | ¥[M] | ¥[M] | [%] | ±10% | [!]
应收账款 | ¥[M] | ¥[M] | ¥[M] | [%] | ±10% | [!]
应付账款 | ¥[M] | ¥[M] | ¥[M] | [%] | ±10% |
标记说明: [-] 无异常, [!] 超过阈值需调查
3.2 异常变动调查
异常科目: [名称]
变动描述: [变动率及方向]
客户解释: [管理层的解释]
审计验证: [获取的佐证证据]
结论: [解释是否合理，是否需要调整]
3.3 毛利率分析
期间 | 收入 | 成本 | 毛利 | 毛利率 | 行业均值 | 偏离
Q1 2024 | ¥[M] | ¥[M] | ¥[M] | [%] | [%] | [±pp]
Q2 2024 | ¥[M] | ¥[M] | ¥[M] | [%] | [%] | [±pp]
Q3 2024 | ¥[M] | ¥[M] | ¥[M] | [%] | [%] | [±pp]
Q4 2024 | ¥[M] | ¥[M] | ¥[M] | [%] | [%] | [±pp]
全年 | ¥[M] | ¥[M] | ¥[M] | [%] | [%] | [±pp]
四、重复交易检测
------------------------------------------------------------
4.1 完全重复检测
检测范围: [例: AP发票, 记录数: N]
检测维度: 金额 + 日期 + 供应商名称
发现数: [N]组完全重复
序号 | 原始记录ID | 重复记录ID | 金额 | 日期 | 供应商 | 风险等级
1 | INV-00456 | INV-00789 | ¥15,000 | 2024-03-15 | A供应商 | 高
2 | INV-01234 | INV-01567 | ¥8,500 | 2024-06-20 | B供应商 | 高
4.2 近似重复检测
检测维度: 金额(±0.01) + 日期(±3天) + 供应商
发现数: [N]组近似重复
序号 | 记录A | 记录B | 金额差异 | 日期差异 | 供应商差异 | 风险等级
1 | [ID] | [ID] | ¥0.00 | 2天 | 同一 | 高
4.3 反向分录检测
检测范围: [例: GL调整分录]
检测维度: 同一科目金额相同方向相反，间隔≤30天
发现数: [N]组反向分录
序号 | 分录A | 分录B | 金额 | 方向 | 间隔天数 | 风险等级
1 | [ID] | [ID] | ¥50,000 | 借/贷 | 5天 | 中
五、关联方筛查
------------------------------------------------------------
5.1 地址匹配
匹配类型: 供应商地址 vs 员工地址
发现数: [N]条匹配
序号 | 供应商名称 | 供应商地址 | 员工姓名 | 员工地址 | 匹配度
1 | [名称] | [地址] | [姓名] | [地址] | [高/中/低]
5.2 电话/邮箱匹配
匹配类型: 供应商联系方式 vs 员工联系方式
发现数: [N]条匹配
序号 | 供应商名称 | 联系电话/邮箱 | 员工姓名 | 联系电话/邮箱
1 | [名称] | [信息] | [姓名] | [信息]
5.3 名称相似度分析
分析对象: 供应商主数据 vs 已知关联方清单 + 员工姓名
相似度算法: Levenshtein Distance / Jaro-Winkler
阈值: 相似度 > 70%
发现数: [N]条相似
序号 | 供应商名称 | 关联方/员工 | 相似度 | 匹配类型
1 | [名称] | [名称] | [%] | [缩写/音似/形似]
5.4 交易模式异常
筛查规则: [以下按适用规则列出]
发现: [按规则列出异常交易]
六、异常值检测
------------------------------------------------------------
6.1 金额异常值
方法: [Z-Score / IQR / 其他]
分析对象: [科目名称]
发现数: [N]笔异常大额交易
序号 | 交易ID | 日期 | 金额 | 统计值 | 风险等级
1 | [ID] | [日期] | ¥[金额] | Z=[值] | [高/中]
6.2 时间异常
筛查规则: 非工作时间录入、月末大额调整等
发现数: [N]笔
序号 | 交易ID | 日期 | 时间 | 金额 | 异常类型
1 | [ID] | [日期] | [时间] | ¥[金额] | [周末录入/月末调整]
6.3 审批限额规避
筛查规则: 交易金额恰好在审批限额以下（如限额¥50,000，金额¥49,XXX）
发现数: [N]笔
序号 | 交易ID | 金额 | 审批限额 | 差额 | 频率(30天内)
1 | [ID] | ¥49,800 | ¥50,000 | ¥200 | [N]次
七、发现汇总与风险评估
------------------------------------------------------------
编号 | 发现类别 | 发现描述 | 影响金额 | 风险等级 | 审计应对
F-01 | 本福特偏离 | [简述] | ¥[金额] | 高 | [应对措施]
F-02 | 重复交易 | [简述] | ¥[金额] | 高 | [应对措施]
F-03 | 关联方 | [简述] | ¥[金额] | 中 | [应对措施]
F-04 | 异常值 | [简述] | ¥[金额] | [等级] | [应对措施]
风险等级定义:
- 高: 可能存在舞弊或重大错报，需要立即调查并获取充分证据
- 中: 需要额外关注，可能需要扩大测试范围
- 低: 已记录但风险可控，纳入持续监控
八、技术附录
------------------------------------------------------------
分析工具: [Python 3.x / R / IDEA / ACL / Excel]
脚本版本: [版本号]
执行环境: [环境描述]
数据处理日志: [关键数据清洗和转换步骤]
============================================================
audit/
├── [客户名称]/
│ ├── [报告期间]/
│ │ ├── data-analytics/
│ │ │ ├── raw-data/
│ │ │ │ ├── GL-export-YYYYMMDD.csv
│ │ │ │ ├── AP-export-YYYYMMDD.csv
│ │ │ │ └── AR-export-YYYYMMDD.csv
│ │ │ ├── scripts/
│ │ │ │ ├── benford-analysis.py
│ │ │ │ ├── duplicate-detection.py
│ │ │ │ └── related-party-screening.py
│ │ │ ├── output/
│ │ │ │ ├── benford-results.csv
│ │ │ │ ├── duplicates-found.csv
│ │ │ │ └── related-party-matches.csv
│ │ │ ├── DA-Findings-Report.md
│ │ │ └── DA-Technical-Appendix.md
异常不是结论。每个异常结果必须进入闭环：数据质量排除、业务解释收集、证据抽样、风险评级、管理层回应和后续程序。
| Deliverable | When to use | Minimum content | Format |
|---|---|---|---|
| Data quality assessment | 分析前 | 数据范围、字段、缺失、重复、异常和口径问题 | Markdown / Excel |
| Analytics test plan | 设计数据测试 | 目标、规则、数据源、阈值、输出和复核方式 | Markdown |
| Anomaly results table | 输出异常 | 异常编号、规则、金额、对象、风险和状态 | Excel / CSV |
| Findings report | 管理层或审计汇报 | 方法、结果、重点异常、影响和建议 | Word / PPT |
| Technical appendix | 保留可复现过程 | 数据处理、参数、脚本、规则和限制条件 | Markdown |
| Investigation tracker | 后续核查 | 异常、owner、解释、证据、结论和整改状态 | Excel |