اندیشکده مدیریت و اقتصاد تدبیر نیکان هوشمندسازی در حسابداری، اقتصاد و مدیریت مالی 2 پیاپی 7 1405 02 01 Designing an Intelligent Model for Detecting Financial Anomalies in Organizational Transactions Using Unsupervised Learning Algorithms طراحی مدل هوشمند کشف ناهنجاری‌های مالی در تراکنش‌های سازمانی با استفاده از الگوریتم‌های یادگیری بدون نظارت 1 13 FA مهدیه سادات کریمی پور گروه مدیریت مالی، دانشگاه تبریز، تبریز، ایران Journal Article <p>This study aimed to design an intelligent model for detecting financial anomalies in organizational transactions by emphasizing unsupervised learning algorithms, data requirements, expert validation, and financial governance mechanisms. This study employed a qualitative, applied-developmental design. The participants included 18 experts in finance, internal auditing, risk management, data analytics, and financial information technology from large organizations located in Tehran. Participants were selected through purposive and snowball sampling. Data were collected only through semi-structured interviews, and the interview process continued until theoretical saturation was achieved. Thematic analysis was used to analyze the data through open, axial, and selective coding with the support of NVivo software. The credibility and dependability of the findings were strengthened through member checking, peer review, audit trail documentation, and constant comparison of codes and categories. The analysis of interviews resulted in five main categories: data architecture and transaction integration, algorithmic capabilities of unsupervised learning, interpretability and human validation, risk governance and internal control, and organizational implementation requirements. Participants emphasized that an intelligent anomaly detection model can be effective only when financial, operational, and behavioral data are integrated, cleaned, traceable, and analytically usable. They also stated that algorithms such as clustering, DBSCAN, Local Outlier Factor, Isolation Forest, and autoencoders can identify unusual transaction patterns without relying on labeled fraud data. However, algorithmic outputs should be interpreted, prioritized, and validated by financial experts, internal auditors, and risk management units. The proposed model indicates that intelligent detection of financial anomalies in organizational transactions is not merely a technical issue; rather, it requires alignment among data quality, algorithmic design, accounting knowledge, internal control, data governance, and organizational accountability. Unsupervised learning can enhance early detection of errors, misuse, control circumvention, and atypical transaction patterns, provided that it is implemented alongside human, ethical, and organizational oversight mechanisms.</p> <p>هدف پژوهش حاضر طراحی مدل هوشمند کشف ناهنجاری‌های مالی در تراکنش‌های سازمانی با تأکید بر قابلیت‌های الگوریتم‌های یادگیری بدون نظارت، الزامات داده‌ای، اعتبارسنجی خبرگانی و سازوکارهای حکمرانی مالی بود. این پژوهش از نظر رویکرد، کیفی و از نظر هدف، کاربردی ـ توسعه‌ای است. مشارکت‌کنندگان شامل ۱۸ نفر از خبرگان مالی، حسابرسی داخلی، مدیریت ریسک، تحلیل داده و فناوری اطلاعات مالی در سازمان‌های بزرگ مستقر در تهران بودند که با روش نمونه‌گیری هدفمند و گلوله‌برفی انتخاب شدند. داده‌ها صرفاً از طریق مصاحبه‌های نیمه‌ساختاریافته گردآوری شد و فرایند مصاحبه‌ها تا دستیابی به اشباع نظری ادامه یافت. برای تحلیل داده‌ها از تحلیل مضمون و کدگذاری باز، محوری و انتخابی با کمک نرم‌افزار NVivo استفاده شد. اعتبار یافته‌ها از طریق بازبینی مشارکت‌کنندگان، بازبینی همتایان، ثبت مسیر حسابرسی و مقایسه مستمر کدها تقویت شد. تحلیل مصاحبه‌ها به استخراج پنج مقوله اصلی منجر شد: معماری داده و یکپارچگی تراکنش‌ها، قابلیت‌های الگوریتمی یادگیری بدون نظارت، تفسیرپذیری و اعتبارسنجی انسانی، حکمرانی ریسک و کنترل داخلی، و الزامات پیاده‌سازی سازمانی. مشارکت‌کنندگان تأکید کردند که مدل هوشمند کشف ناهنجاری تنها زمانی اثربخش است که داده‌های مالی، عملیاتی و رفتاری به‌صورت یکپارچه، پاک‌سازی‌شده و قابل ردیابی در دسترس باشد. همچنین الگوریتم‌هایی مانند خوشه‌بندی، DBSCAN، Local Outlier Factor، Isolation Forest و خودرمزگذارها می‌توانند الگوهای غیرعادی را بدون نیاز به برچسب‌های تقلب شناسایی کنند، اما خروجی آن‌ها باید توسط متخصصان مالی، حسابرسان داخلی و واحد مدیریت ریسک تفسیر و اولویت‌بندی شود. مدل پیشنهادی پژوهش نشان می‌دهد کشف هوشمند ناهنجاری‌های مالی در تراکنش‌های سازمانی، یک مسئله صرفاً فنی نیست، بلکه نیازمند هم‌راستایی میان کیفیت داده، طراحی الگوریتم، دانش حسابداری، کنترل داخلی، حکمرانی داده و فرهنگ پاسخگویی سازمانی است. استفاده از یادگیری بدون نظارت می‌تواند توان کشف زودهنگام خطا، سوءاستفاده، دورزدن کنترل‌ها و الگوهای تراکنشی غیرمتعارف را افزایش دهد؛ مشروط بر آنکه مدل در کنار سازوکارهای انسانی، اخلاقی و سازمانی اجرا شود.</p> https://jsaefm.com/index.php/jsaefm/article/download/39/37