Financial Anomaly Detection

Visão Geral do Projeto

Este projeto demonstra como utilizar o Gaio DataOS para construir uma aplicação capaz de detectar anomalias financeiras com base em informações de transações financeiras.

Por meio dessa aplicação, os usuários podem:

• Importar dados de transações financeiras

• Detectar, classificar e visualizar análises

• Obter insights sobre anomalias financeiras presentes em suas transações

---

Etapas de Desenvolvimento

1. Extração de Dados

• Conexão com ClickHouse Cloud ou importação de arquivos CSV

  • Utilização de builder tasks no Gaio para:

    • Importar dados

    • Limpar e transformar dados

  O processo de importação resulta em uma tabela flat chamada tb_financial_anomaly.

---

2. Detecção de Anomalias

A lógica de detecção é dividida em SQL builders para identificar os seguintes tipos de anomalias:

• Despesa elevada (Large Expense)

• Transação duplicada (Duplicate Transaction)

• Transação fora do horário (After Hours Transaction)

• Reembolso repetido (Repeat Reimbursement)

• Pico de receita (Revenue Spike)

• Aumento anormal de reembolsos (Refund Surge)

Cada anomalia detectada recebe:

• Um score de severidade

• Um anomaly_id único

• Metadados enriquecidos

Se múltiplas anomalias ocorrerem na mesma transação, cada uma receberá um anomaly_id diferente.

A consolidação final é realizada na tabela detected_anomalies.

---

3. Dashboards e Interfaces

3.1 Monitor de Transações Suspeitas

• • Utiliza as tabelas detected_anomalies e anomaly_classification_history

  • Métricas como:

    • Quantidade total de anomalias

    • Número de anomalias por tipo de classificação

    • Distribuição por severidade

  Essas análises são criadas com Report Tasks e exibidas em dashboards.

  • Um conjunto de filtros é criado com a Form Task, permitindo filtrar por:

    • Data

    • Tipo de transação

    • Setor

    • Categoria

    • Tipo de pagamento

  Também são exibidas:

  • Uma tabela flat com as classificações mais recentes

  • Uma tabela com todas as anomalias que ainda precisam ser classificadas

  A partir da tabela de anomalias pendentes, os usuários podem classificar uma anomalia ou visualizar detalhes específicos clicando em seu ID.

---

3.2 Classificação de Anomalias

• Ao clicar no ícone mais à esquerda na tabela de anomalias pendentes, o usuário pode classificar uma anomalia por meio da Form Task

• Alguns campos do formulário são preenchidos automaticamente com informações da anomalia selecionada, utilizando parâmetros

  Após o envio do formulário, o processo Update Anomaly Classification é executado, composto por duas etapas principais:

  1. Uma Update Task edita a linha da anomalia na tabela detected_anomalies

  2. Uma Incremental Builder Task adiciona uma nova linha com a anomalia e sua classificação na tabela anomaly_classification_history

---

3.3 Detalhes da Anomalia

• Ao clicar em um anomaly_id, é aberto um dashboard dedicado

  Tabelas utilizadas:

  • detected_anomalies

  • tb_financial_anomaly

  • Utilização de parâmetros para filtragem dinâmica

  O dashboard inclui:

  • Card de nível de risco

  • Insights baseados no tipo de anomalia

  • Gráficos:

    • Linha (médias mensais)

    • Barras (por setor e categoria)

    • Pizza (por cliente ou fornecedor)

  • Tabela de histórico de transações

  Todo o layout é estilizado com HTML & CSS.

---

3.4 Dashboards de Anomalias Confirmadas e em Investigação

• Dois dashboards dedicados utilizando a tabela detected_anomalies

  • Exibem:

    • Anomalias confirmadas

    • Anomalias pendentes

  Construídos com Report Task.

---

Tecnologias Utilizadas

• Workflows visuais de ETL no Gaio DataOS

• Tabelas temporárias e finais para versionamento de dados

• Report Task e Content Task para criação de dashboards adaptativos e visualmente ricos

• Dashboards dinâmicos com filtros, gráficos e tabelas

• HTML e CSS para estilização e responsividade

• Form Task para permitir a classificação de anomalias sem sair do dashboard

• Parâmetros para passagem de dados e navegação fluida entre telas

---

Resultados Esperados

• Desenvolvimento mais rápido da lógica de detecção de anomalias

• Dashboards centralizados para monitoramento

• Melhor controle financeiro e rastreabilidade para auditorias

• Acesso seguro por meio de usuários e grupos com permissões definidas

---

Download this project

33MB

dataset1.csv

Abrir

32KB

bkp_app-48_25-08-01_10-53-38.zip

archive

Abrir