Method of spectral clustering of payments and raw materials supply for the compliance audit planning

Abstract

EN: Context. The analytical procedures used in the audit are currently based on data mining techniques. The work solves the problem of increasing the efficiency and effectiveness of analytical audit procedures by clustering based on spectral decomposition. The object of the research is the process of auditing the compliance of payment and supply sequences for raw materials. Objective. The aim of the work is to increase the effectiveness and efficiency of the audit due to the method of spectral clustering of sequences of payment and supply of raw materials while automating procedures for checking their compliance. Method. The vectors of features are generated for the objects of the sequences of payment and supply of raw materials, which are then used in the proposed method. The created method improves the traditional spectral clustering method by automatically determining the number of clusters based on the explained and sample variance rule; automatic determination of the scale parameter based on local scaling (the rule of K-nearest neighbors is used); resistance to noise and random outliers by replacing the k-means method with a modified PAM method, i.e. replacing centroid clustering with medoid clustering. As in the traditional approach, the data can be sparse, and the clusters can have different shapes and sizes. The characteristics of evaluating the quality of spectral clustering are selected. Results. The proposed spectral clustering method was implemented in the MATLAB package. The results obtained made it possible to study the dependence of the parameter values on the quality of clustering. Conclusions. The experiments carried out have confirmed the efficiency of the proposed method and allow us to recommend it for practical use in solving audit problems. Prospects for further research may lie in the creation of intelligent parallel and distributed computer systems for general and special purposes, which use the proposed method for segmentation, machine learning and pattern recognition tasks. UK: Актуальність. В даний час аналітичні процедури, які використовуються в ході аудиторської перевірки, базуються на методах інтелектуального аналізу даних. В роботі вирішується завдання підвищення результативності та ефективності аналітичних процедур аудиту шляхом кластеризації на основі спектрального розкладання. Об’єктом дослідження є процес аудиту відповідності послідовностей оплати і поставок сировини. Мета. Метою роботи є підвищення результативності та ефективності аудиту за рахунок методу спектральної кластеризації послідовностей оплати і поставок сировини при автоматизації процедур перевірки їх відповідності. Методи. Сформовано вектори ознак для об’єктів послідовностей оплати і поставок сировини, які потім використовуються в запропонованому методі. Створений метод вдосконалює традиційний метод спектральної кластеризації за рахунок автоматичного визначення кількості кластерів на основі правила поясненої і вибіркової дисперсії; автоматичного визначення параметра масштабу на основі локального масштабу (використовується правило K-найближчих сусідів); стійкості до шуму і випадковим викидів за рахунок заміни методу k-середніх модифікованим методом PAM, тобто заміни центроїдної кластеризації медоідною кластерізацією. Як і в традиційному підході дані можуть бути розріджені, а кластера можуть мати різну форму і розмір. Обрані характеристики оцінювання якості спектральної кластеризації. Результати. Запропонований метод спектральної кластеризації був програмно реалізований в пакеті MATLAB. Отримані результати дозволили досліджувати залежність значень параметрів на якість кластеризації. Висновки. Проведені експерименти підтвердили працездатність запропонованого методу і дозволяють рекомендувати його для використання на практиці при вирішенні завдань аудиту. Перспективи подальших досліджень можуть полягати в створенні інтелектуальних паралельних і розподілених комп’ютерних систем загального і спеціального призначення, які використовують запропонований метод для задач сегментації, машинного навчання та розпізнавання образів.