Phát hiện gian lận tài chính bằng Claude — Benford's Law và phân tích bất thường

Gian lận tài chính gây thiệt hại ước tính 5% doanh thu hàng năm của các doanh nghiệp trên toàn cầu, theo Hiệp hội Kiểm tra Gian lận (ACFE). Tại Việt Nam, với sự phát triển nhanh chóng của giao dịch số và fintech, nhu cầu phát hiện gian lận ngày càng cấp thiết. Bài viết này hướng dẫn cách sử dụng Claude kết hợp với Benford's Law — một quy luật toán học mạnh mẽ — để phát hiện các dấu hiệu gian lận trong dữ liệu tài chính.

Benford's Law là gì?

Benford's Law (Luật Benford), còn gọi là Luật Chữ số Đầu tiên, phát biểu rằng trong nhiều tập dữ liệu tự nhiên, chữ số đầu tiên không phân bố đều. Cụ thể, chữ số 1 xuất hiện ở vị trí đầu tiên khoảng 30.1% các trường hợp, chữ số 2 khoảng 17.6%, và giảm dần đến chữ số 9 chỉ khoảng 4.6%.

Công thức toán học: P(d) = log10(1 + 1/d), trong đó d là chữ số đầu tiên (1-9).

Phân bố Benford lý thuyết:

• Chữ số 1: 30.1%
• Chữ số 2: 17.6%
• Chữ số 3: 12.5%
• Chữ số 4: 9.7%
• Chữ số 5: 7.9%
• Chữ số 6: 6.7%
• Chữ số 7: 5.8%
• Chữ số 8: 5.1%
• Chữ số 9: 4.6%

Tại sao Benford's Law phát hiện được gian lận?

Khi con người bịa số liệu, họ có xu hướng phân bố đều các chữ số đầu tiên — nghĩa là chữ số 1 đến 9 xuất hiện với tần suất gần bằng nhau (khoảng 11% mỗi chữ số). Điều này khác biệt rõ rệt so với phân bố Benford tự nhiên. Ngoài ra, con người thường tránh lặp lại chữ số và ưu tiên các số "tròn" — những pattern mà kiểm toán viên có kinh nghiệm có thể nhận ra, và Claude có thể phát hiện một cách hệ thống.

Benford's Law áp dụng tốt cho các tập dữ liệu:

• Số lượng giao dịch, doanh thu, chi phí
• Số dư tài khoản, giá trị hợp đồng
• Dữ liệu thuế, khai báo hải quan
• Dân số, diện tích, dữ liệu khoa học

Benford's Law KHÔNG áp dụng tốt cho:

• Số điện thoại, mã bưu chính (có cấu trúc cố định)
• Dữ liệu có phạm vi hẹp (ví dụ: giá sản phẩm từ 50,000-99,000 VND)
• Tập dữ liệu quá nhỏ (dưới 100 bản ghi)

Phân tích Benford bằng Python

Trước tiên, hãy xây dựng công cụ phân tích Benford cơ bản bằng Python. Kết quả phân tích này sẽ được gửi cho Claude để diễn giải và đưa ra kết luận.

import math
from collections import Counter

def benford_expected():
    """Trả về phân bố Benford lý thuyết."""
    return {d: math.log10(1 + 1/d) for d in range(1, 10)}

def first_digit_distribution(numbers: list[float]) -> dict:
    """
    Tính phân bố chữ số đầu tiên từ danh sách số.
    Bỏ qua số 0 và số âm (lấy giá trị tuyệt đối).
    """
    first_digits = []
    for n in numbers:
        n = abs(n)
        if n == 0:
            continue
        while n < 1:
            n *= 10
        first_digits.append(int(str(n)[0]))

    total = len(first_digits)
    counts = Counter(first_digits)

    return {d: counts.get(d, 0) / total for d in range(1, 10)}

def chi_square_test(observed: dict, expected: dict, n: int) -> dict:
    """
    Kiểm định Chi-square so sánh phân bố thực tế với Benford.

    Returns:
        chi2: giá trị chi-square
        p_value_threshold: ngưỡng để đánh giá (15.507 cho df=8, alpha=0.05)
        significant: True nếu khác biệt có ý nghĩa thống kê
    """
    chi2 = 0
    for d in range(1, 10):
        obs = observed.get(d, 0) * n
        exp = expected[d] * n
        chi2 += (obs - exp) ** 2 / exp

    # Critical value cho df=8, alpha=0.05
    critical_value = 15.507

    return {
        "chi_square": round(chi2, 4),
        "critical_value": critical_value,
        "significant": chi2 > critical_value,
        "interpretation": "Dữ liệu KHÔNG tuân theo Benford - cần điều tra thêm"
            if chi2 > critical_value
            else "Dữ liệu tuân theo Benford - không phát hiện bất thường rõ ràng"
    }

def analyze_benford(transactions: list[float]) -> dict:
    """
    Phân tích Benford hoàn chỉnh cho một tập giao dịch.
    """
    expected = benford_expected()
    observed = first_digit_distribution(transactions)
    n = len([t for t in transactions if t != 0])

    # Tính độ lệch cho từng chữ số
    deviations = {}
    for d in range(1, 10):
        diff = observed.get(d, 0) - expected[d]
        deviations[d] = {
            "expected": round(expected[d] * 100, 1),
            "observed": round(observed.get(d, 0) * 100, 1),
            "deviation": round(diff * 100, 1),
            "flag": abs(diff) > 0.05  # Cờ nếu lệch hơn 5%
        }

    chi2_result = chi_square_test(observed, expected, n)

    return {
        "total_transactions": n,
        "digit_analysis": deviations,
        "chi_square_test": chi2_result,
        "flagged_digits": [d for d, v in deviations.items() if v["flag"]]
    }

Sử dụng Claude để diễn giải kết quả

Sau khi có kết quả phân tích Benford, Claude sẽ giúp diễn giải và đưa ra các bước điều tra tiếp theo. Đây là nơi sức mạnh thực sự của Claude phát huy — khả năng suy luận và đưa ra context mà công cụ thống kê thuần túy không làm được.

Tôi đang kiểm toán dữ liệu chi phí của phòng Mua hàng, gồm 2,847 giao dịch
trong quý 4/2025. Dưới đây là kết quả phân tích Benford's Law:

Phân bố chữ số đầu tiên (Thực tế vs Benford lý thuyết):
Chữ số 1: 18.2% (kỳ vọng 30.1%) -> Lệch -11.9%
Chữ số 2: 14.1% (kỳ vọng 17.6%) -> Lệch -3.5%
Chữ số 3: 11.8% (kỳ vọng 12.5%) -> Lệch -0.7%
Chữ số 4: 12.3% (kỳ vọng 9.7%) -> Lệch +2.6%
Chữ số 5: 11.9% (kỳ vọng 7.9%) -> Lệch +4.0%
Chữ số 6: 8.7% (kỳ vọng 6.7%) -> Lệch +2.0%
Chữ số 7: 7.2% (kỳ vọng 5.8%) -> Lệch +1.4%
Chữ số 8: 9.1% (kỳ vọng 5.1%) -> Lệch +4.0%
Chữ số 9: 6.7% (kỳ vọng 4.6%) -> Lệch +2.1%

Chi-square: 187.4 (ngưỡng 15.507)

Hãy phân tích kết quả này và cho tôi biết:
1. Mức độ nghiêm trọng của sai lệch (thang điểm 1-10)
2. Các pattern đáng ngờ cụ thể
3. Giả thuyết có thể giải thích cho sai lệch này
4. Các bước điều tra tiếp theo tôi nên thực hiện
5. Những giao dịch nào cần ưu tiên kiểm tra

Phát hiện Red Flags trong dữ liệu giao dịch

Ngoài Benford's Law, có nhiều dấu hiệu cảnh báo (red flags) khác trong dữ liệu tài chính mà Claude có thể giúp phát hiện. Các pattern phổ biến bao gồm:

1. Giao dịch ngay dưới ngưỡng phê duyệt

Nếu ngưỡng phê duyệt là 50 triệu VND, và có nhiều giao dịch ở mức 48-49.9 triệu, đây là dấu hiệu "structuring" — chia nhỏ giao dịch để tránh phê duyệt cấp cao hơn.

2. Giao dịch vào thời điểm bất thường

Giao dịch vào cuối tuần, ngày lễ, hoặc ngoài giờ làm việc có thể là dấu hiệu đáng ngờ, đặc biệt với các giao dịch giá trị lớn.

3. Nhà cung cấp mới với giá trị lớn

Nhà cung cấp được thêm vào hệ thống và nhận thanh toán lớn ngay lập tức, đặc biệt nếu không có quy trình đấu thầu hoặc đánh giá.

4. Số tròn bất thường

Tỷ lệ giao dịch có giá trị tròn (ví dụ: đúng 10,000,000 VND) cao hơn bình thường có thể là dấu hiệu giao dịch bịa đặt.

Dưới đây là 500 giao dịch chi phí gần nhất của phòng Mua hàng (CSV):
[Dán dữ liệu CSV gồm: ngày, mã giao dịch, nhà cung cấp, mô tả, số tiền, người duyệt]

Hãy phân tích dữ liệu này để phát hiện các dấu hiệu gian lận tiềm năng.
Kiểm tra các pattern sau:

1. Structuring: giao dịch ngay dưới ngưỡng phê duyệt (ngưỡng: 50 triệu, 200 triệu, 500 triệu)
2. Timing: giao dịch vào thời điểm bất thường (cuối tuần, sau 18h, ngày lễ)
3. Vendor risk: nhà cung cấp mới nhận thanh toán lớn trong 30 ngày đầu
4. Round numbers: tỷ lệ số tròn bất thường
5. Duplicate patterns: mô tả giống nhau, số tiền giống nhau ở nhiều giao dịch
6. Sequence breaks: khoảng trống bất thường trong mã giao dịch

Với mỗi phát hiện, xếp hạng mức độ rủi ro (Cao/Trung bình/Thấp) và đề xuất
hành động cụ thể.

Quy trình điều tra gian lận với Claude

Khi phát hiện các dấu hiệu bất thường, bạn cần một quy trình điều tra có hệ thống. Claude có thể hỗ trợ ở mỗi bước trong quy trình 5 giai đoạn:

Giai đoạn 1: Thu thập và sàng lọc

Sử dụng phân tích Benford và các kiểm tra red flag ở trên để xác định phạm vi nghi ngờ. Claude giúp tổng hợp kết quả và ưu tiên các hướng điều tra.

Giai đoạn 2: Phân tích sâu

Với các giao dịch đã được đánh dấu, Claude giúp phân tích chi tiết mối quan hệ giữa các bên, tìm kiếm pattern lặp lại, và xây dựng timeline sự kiện.

Tôi đã xác định 23 giao dịch đáng ngờ với nhà cung cấp "ABC Trading Co."
trong 6 tháng qua. Dưới đây là chi tiết:

[Dán danh sách 23 giao dịch]

Thông tin bổ sung:
- Nhà cung cấp này được thêm vào hệ thống bởi nhân viên Nguyễn Văn A
  ngày 15/07/2025
- Tất cả đơn hàng đều do Nguyễn Văn A duyệt
- Địa chỉ nhà cung cấp là địa chỉ dân cư, không phải văn phòng/kho
- Nhà cung cấp không có website hoặc hồ sơ doanh nghiệp rõ ràng

Hãy phân tích:
1. Xây dựng timeline chi tiết các sự kiện
2. Xác định các pattern đáng ngờ trong giao dịch (tần suất, giá trị, timing)
3. Đánh giá rủi ro: đây có thể là gì? (vendor fraud, kickback, shell company?)
4. Đề xuất các bằng chứng bổ sung cần thu thập
5. Dự thảo câu hỏi phỏng vấn cho nhân viên liên quan

Giai đoạn 3: Đối chiếu chéo

So sánh thông tin từ nhiều nguồn để xác nhận hoặc bác bỏ giả thuyết. Claude giúp phân tích sự không nhất quán giữa các tài liệu.

Giai đoạn 4: Tổng hợp báo cáo

Claude giúp viết báo cáo điều tra chuyên nghiệp, trình bày phát hiện, bằng chứng, và kết luận theo chuẩn kiểm toán.

Giai đoạn 5: Đề xuất biện pháp phòng ngừa

Dựa trên kết quả điều tra, Claude đề xuất các biện pháp kiểm soát để ngăn ngừa gian lận tương tự trong tương lai.

Xây dựng hệ thống giám sát tự động

Để phát hiện gian lận sớm, bạn nên xây dựng hệ thống giám sát chạy định kỳ. Dưới đây là kiến trúc cơ bản:

import anthropic
import json
from datetime import datetime, timedelta

class FraudMonitor:
    def __init__(self):
        self.client = anthropic.Anthropic()
        self.thresholds = {
            "benford_chi2": 15.507,
            "round_number_ratio": 0.15,
            "approval_threshold_ratio": 0.10,
            "new_vendor_large_payment": 50_000_000
        }

    def daily_scan(self, transactions: list[dict]) -> dict:
        """
        Quét giao dịch hàng ngày để phát hiện bất thường.
        """
        alerts = []

        # Kiểm tra 1: Benford's Law
        amounts = [t["amount"] for t in transactions]
        benford_result = analyze_benford(amounts)
        if benford_result["chi_square_test"]["significant"]:
            alerts.append({
                "type": "BENFORD_VIOLATION",
                "severity": "HIGH",
                "details": benford_result
            })

        # Kiểm tra 2: Giao dịch ngay dưới ngưỡng
        approval_limits = [50_000_000, 200_000_000, 500_000_000]
        for limit in approval_limits:
            near_limit = [t for t in transactions
                         if limit * 0.95 <= t["amount"] < limit]
            if len(near_limit) > len(transactions) * self.thresholds["approval_threshold_ratio"]:
                alerts.append({
                    "type": "STRUCTURING_SUSPECTED",
                    "severity": "MEDIUM",
                    "details": {
                        "threshold": limit,
                        "count": len(near_limit),
                        "transactions": near_limit
                    }
                })

        # Kiểm tra 3: Số tròn bất thường
        round_numbers = [t for t in transactions if t["amount"] % 1_000_000 == 0]
        round_ratio = len(round_numbers) / len(transactions) if transactions else 0
        if round_ratio > self.thresholds["round_number_ratio"]:
            alerts.append({
                "type": "ROUND_NUMBER_ANOMALY",
                "severity": "LOW",
                "details": {
                    "ratio": round(round_ratio, 3),
                    "count": len(round_numbers)
                }
            })

        return {
            "scan_date": datetime.now().isoformat(),
            "transactions_scanned": len(transactions),
            "alerts": alerts,
            "risk_level": self._calculate_risk(alerts)
        }

    def _calculate_risk(self, alerts: list[dict]) -> str:
        high_count = sum(1 for a in alerts if a["severity"] == "HIGH")
        medium_count = sum(1 for a in alerts if a["severity"] == "MEDIUM")

        if high_count > 0:
            return "CAO"
        elif medium_count >= 2:
            return "TRUNG BINH"
        else:
            return "THAP"

    def generate_report(self, scan_result: dict) -> str:
        """
        Gửi kết quả quét cho Claude để tạo báo cáo diễn giải.
        """
        message = self.client.messages.create(
            model="claude-sonnet-4-20250514",
            max_tokens=4096,
            messages=[
                {
                    "role": "user",
                    "content": f"""Dưới đây là kết quả quét gian lận hàng ngày:

{json.dumps(scan_result, indent=2, ensure_ascii=False)}

Hãy tạo báo cáo tóm tắt bằng tiếng Việt gồm:
1. Tổng quan tình hình (1-2 câu)
2. Các cảnh báo quan trọng cần hành động ngay
3. Các xu hướng cần theo dõi
4. Đề xuất hành động cụ thể cho kiểm toán viên"""
                }
            ],
        )

        return message.content[0].text

Phân tích mạng lưới giao dịch

Gian lận phức tạp thường liên quan đến mạng lưới nhiều bên. Claude có thể giúp phân tích mối quan hệ giữa các thực thể trong dữ liệu giao dịch để phát hiện các mạng lưới đáng ngờ.

Tôi có dữ liệu giao dịch giữa công ty và 150 nhà cung cấp trong 12 tháng.
Dưới đây là danh sách nhà cung cấp và tổng giá trị giao dịch:

[Dán dữ liệu]

Hãy phân tích để phát hiện:
1. Nhà cung cấp có cùng địa chỉ, số điện thoại, hoặc tài khoản ngân hàng
2. Nhà cung cấp được thêm bởi cùng một nhân viên và nhận thanh toán bất thường
3. Pattern giao dịch "vòng tròn" (A trả B, B trả C, C trả A)
4. Nhà cung cấp có tên tương tự nhau (có thể là shell companies)
5. Tập trung giao dịch bất thường vào một nhóm nhà cung cấp nhỏ

Trình bày kết quả dưới dạng sơ đồ mối quan hệ (text-based) và đánh giá
mức độ rủi ro cho từng cluster.

Lưu ý về đạo đức và pháp lý

Khi sử dụng Claude để phát hiện gian lận, cần lưu ý các nguyên tắc quan trọng:

• Benford's Law là chỉ báo, không phải bằng chứng: Vi phạm Benford's Law không chứng minh gian lận. Cần điều tra thêm trước khi đưa ra kết luận.
• Bảo mật dữ liệu: Dữ liệu tài chính là thông tin nhạy cảm. Cân nhắc sử dụng Claude trên hạ tầng riêng hoặc ẩn danh dữ liệu trước khi phân tích.
• Quy trình pháp lý: Nếu phát hiện gian lận, cần tuân thủ quy trình pháp lý, bao gồm bảo toàn bằng chứng và báo cáo theo đúng thẩm quyền.
• Thiên kiến xác nhận: Tránh sử dụng Claude để tìm bằng chứng ủng hộ kết luận đã có sẵn. Luôn yêu cầu Claude xem xét cả giải thích hợp lý cho dữ liệu bất thường.
• Tuân thủ Luật Phòng chống rửa tiền: Tại Việt Nam, Luật Phòng chống rửa tiền 2022 quy định nghĩa vụ báo cáo giao dịch đáng ngờ. Kết quả phân tích của Claude có thể hỗ trợ nhưng không thay thế nghĩa vụ pháp lý này.

Bước tiếp theo

Benford's Law kết hợp với Claude tạo nên công cụ phát hiện gian lận mạnh mẽ cho kiểm toán viên và nhà phân tích tài chính. Bằng cách tự động hóa các phân tích định lượng và tận dụng khả năng suy luận của Claude cho phần định tính, bạn có thể xây dựng hệ thống giám sát gian lận toàn diện. Khám phá thêm các ứng dụng Claude trong tài chính tại Thư viện Ứng dụng Claude.