User CMA Smart & Secure - Data Analytics

User CMA Smart & Secure - Data Analytics Data Analytics ဆိုင်ရာ အထောက်အကူပြု သင်တန်းများ

Data Analytics, Cybersecurity Awareness နှင့် Microsoft Excel ဆိုင်ရာ သင်တန်းများ ပို့ချနေသော သင်တန်းကျောင်းဖြစ်ပါသည်...
ဖော်ပြပါ ပညာရပ်များနှင့်ပတ်သက်၍ စဉ်ဆက်မပြတ် အသိပညာမျှဝေမှုများကိုလည်း ဆောင်ရွက်လျက် ရှိပါသည်...

❌ ရှာတော့ရှာတယ် result မတွေ့ဘူး...🚩 Dataset တစ်ခုကို quality review လုပ်တဲ့အဆင့်မှာ “outlier” တွေ ပါဝင်နေမှုရှိ၊မရှိ ရှာ...
18/08/2026

❌ ရှာတော့ရှာတယ် result မတွေ့ဘူး...
🚩 Dataset တစ်ခုကို quality review လုပ်တဲ့အဆင့်မှာ “outlier” တွေ ပါဝင်နေမှုရှိ၊မရှိ ရှာဖွေစိစစ်ဖို့ရာလည်း အရေးကြီးပါတယ်...
🚩 Outlier ကို ရှာဖွေဖို့ statistical နည်းလမ်းတွေကို အသုံးချရပါတယ်... Quick overview အတွက် visual နည်းလမ်းကို သုံးနိုင်ပါတယ်... Box plot တွေနဲ့ ကြည့်လိုက်ရင် potential outlier တွေ ရှိ၊မရှိကို အလွယ်တကူ သိနိုင်ပါတယ်...
🚩 Transaction level အဆင့်အထိ ရှာဖွေဖို့ကတော့ IQR, Z Score, Modified Z Score, Percentile-based threshold စသဖြင့် နည်းလမ်းတစ်ခုခု သုံးနိုင်ပါတယ်... ဒီနည်းလမ်းတွေက သာမန်အားဖြင့် ခက်ခဲတယ်ဆိုတဲ့အထဲမှာ မပါပါဘူး... လွယ်လွယ်ကူကူ တွက်ချက်နိုင်ပါတယ်...
🚩 ဒါပေမယ့် တကယ့်လက်တွေ့မှာက statistical method ကို အသုံးချတတ်ရုံနဲ့ မလုံလောက်ပါဘူး... အရေးတကြီး သတိပြုလိုက်နာရမယ့် data analytics principles တွေကိုလည်း သိရှိထားဖို့လိုသလို၊ လိုက်နာကျင့်သုံးဖို့လည်း အရေးကြီးပါတယ်...
🟣 ဥပမာတစ်ခု-
🟣 လုပ်ငန်းတစ်ခုက Laptop နဲ့ Mouse ရောင်းတယ်ဆိုပါစို့... Laptop တစ်လုံး 20 သိန်း... Mouse တစ်လုံး 5 သောင်းလို့ ဆိုကြပါစို့...
🟣 ဒီလုပ်ငန်းရဲ့ sales dataset ထဲမှာ outlier ရှာဖွေမယ်ဆိုရင် Laptop နဲ့ Mouse ကို သီးခြားစီခွဲပြီး စိစစ်တာက ပိုသင့်တော်ပါတယ်... Data Analytics principle တစ်ခုဖြစ်တဲ့ “Segmentation is non-negotiable” ဆိုတဲ့ principle နဲ့လည်း ကိုက်ညီပါတယ်...
🟣 ဘာကြောင့်လဲဆိုတော့ Laptop နဲ့ Mouse ရဲ့ တန်ဖိုးချင်း သိသိသာသာကွာခြားမှုရှိတယ်... Distribution သဘောသဘာဝလည်း မတူနိုင်ပါဘူး... ဒါကြောင့် subgroup တွေကို သင့်တော်သလို ခွဲထုတ်ပြီးမှ outlier detection လုပ်မှသာ အဓိပ္ပာယ်ရှိတဲ့ potential outlier တွေကို ပိုမိုတိကျစွာ ရှာဖွေဖော်ထုတ်နိုင်မှာ ဖြစ်ပါတယ်...
🟣 မဟုတ်ရင် Product group မတူတဲ့ observations တွေကို population တစ်ခုတည်းအဖြစ် ပေါင်းစပ်ပြီး analysis လုပ်တဲ့အတွက် group difference ကြောင့် ပုံမှန် data တစ်ခုကို unusual တစ်ခုအနေနဲ့ သတ်မှတ်မိသွားနိုင်ပါတယ်... ဥပမာ Laptop အရောင်းတွေက high extreme ဖြစ်သလို၊ Mouse အရောင်းတွေက low extreme ဖြစ်သလိုမျိူး ပြနိုင်ပါတယ်... ဒါဟာ data error ဖြစ်တယ်လို့ တန်းပြီးဆုံးဖြတ်လို့မရသလို genuine outlier ဖြစ်တယ်လို့လည်း တန်းပြီးဆုံးဖြတ်လို့မရပါဘူး... Underlying subgroup structure ကို မစဉ်းစားဘဲ ဆောင်ရွက်ခြင်းကြောင့် ဖြစ်လာတဲ့ ရလဒ်အမှား ဖြစ်နိုင်ပါတယ်...
🟡 ဒါဆို နောက်ထပ် ဥပမာတစ်ခု-
🟡 ရောင်းချတဲ့ Product က (20) မျိုး ရှိတယ်... မြန်မာနိုင်ငံနဲ့အဝှမ်း နေရာဒေသ (10) ခုမှာ ဖြန့်ချိရောင်းချနေတယ်ဆိုပါစို့... Product (20) မျိုးက တစ်ခုနဲ့တစ်ခု တန်ဖိုးကော၊ သဘောသဘာဝကော သိသိသာသာ ကွာခြားမှုရှိတယ်... နေရာဒေသ (10) ခုကလည်း တစ်နေရာနဲ့တစ်နေရာ သိသိသာသာ ကွာခြားမှုရှိတယ်ဆိုကြပါစို့...
🟡 ဒါဆိုရင် Product × Region ကို စဉ်းစားမယ်ဆိုရင် (20 × 10 = 200) subgroup combinations ရှိလာမှာ ဖြစ်ပါတယ်... ဒီလိုအခြေအနေမှာ သက်ဆိုင်ရာ subgroup တွေကို သီးခြားစီ စဉ်းစားပြီး outlier ရှာဖွေစိစစ်တာက ပိုသင့်တော်ပါတယ်...
🟡 ဒါပေမယ့် subgroup 200 ခု ရှိတယ်ဆိုတာနဲ့ subgroup 200 ခုလုံးမှာ မဖြစ်မနေ သီးခြား outlier calculation လုပ်ရမယ်လို့တော့ မဆိုလိုပါဘူး... Subgroup တစ်ခုချင်းစီမှာ observation အရေအတွက် လုံလောက်မှုရှိ၊မရှိ၊ distribution ရဲ့ သဘောသဘာဝ၊ analysis objective နဲ့ business context တွေကို ထည့်သွင်းစဉ်းစားပြီး လိုအပ်ရင် သီးခြားစီ ဆောင်ရွက်ရပါမယ်...
🟡 Initial stage မှာတင် အဲ့လောက်လုပ်ဖို့လိုအပ်လို့လား? အဲ့လိုအများကြီးလုပ်နေရင် ကြာမှာပေါ့... စသဖြင့် စောဒကတက်လို့ မရပါဘူး... “Segmentation is non-negotiable” ဆိုတာက data ရဲ့ underlying structure, business context, analysis objective တွေအရ sub-group ခွဲမှ ဆီလျော်မှန်ကန်မှုရှိမယ်ဆိုတဲ့ အနေအထားမှာ စောဒကတက်ပိုင်ခွင့်မရှိတာပါ...
🟡 ဒီနေရာမှာ tool ရဲ့ ကျွမ်းကျင်မှုကို အသုံးချပါ... Excel မှာ formula တွေရေးပြီး မိနစ်ပိုင်းနဲ့ ဆောင်ရွက်နိုင်ပါတယ်... Advanced tools (KNIME, Python, etc.) တွေမှာ just one click လောက်နဲ့လည်း ဖြေရှင်းနိုင်ပါတယ်...
💪💪💪

🚩 Benford's Law (first-digit analysis) for Anomaly Detection🚩 လတစ်လရဲ့ အသုံးစရိတ်စာရင်းတစ်ခုမှာ အသုံးစရိတ်ပမာဏ တစ်ခုချင်...
16/08/2026

🚩 Benford's Law (first-digit analysis) for Anomaly Detection
🚩 လတစ်လရဲ့ အသုံးစရိတ်စာရင်းတစ်ခုမှာ အသုံးစရိတ်ပမာဏ တစ်ခုချင်းစီရဲ့ ရှေ့ဆုံး နံပါတ်တွေ (ဥပမာ - တစ်၊ နှစ်၊ သုံး၊ .... အစရှိသဖြင့်) ကို ဆွဲထုတ်ပြီး ရေတွက်ကြည့်ရင် အဲ့ နံပါတ်တွေရဲ့ ပါဝင်ပျံ့နှံ့မှုက ဘောင်တစ်ခုအတွင်းမှာ စနစ်တကျရှိနေပါတယ်... ဒါကိုအသုံးချပြီး audit planning နဲ့ initial anomaly (unusual) screening အတွက် အသုံးပြုနိုင်ပါတယ်...
🚩 တကယ်တမ်း သမရိုးကျစဉ်းစားကြည့်ရင် ဘာမှလည်းမဆိုင်လောက်ပါဘူး၊ ဟုတ်ပါမလားလို့ ထင်စရာရှိပါတယ်... Simon Newcomb, Frank Benford ဆိုတဲ့ ပညာရှင်တွေကတော အဲ့လိုမထင်ခဲ့ပါဘူး...
🟢 Simon Newcomb (1881)
🟢 သင်္ချာနဲ့ နက္ခတာရာပညာရှင်တစ်ယောက်ဖြစ်တဲ့ Simon Newcomb ဆိုသူက logarithmic table တွေကို အသုံးပြုနေရင်းနဲ့ logarithm table ထဲမှာ 1 နဲ့စတဲ့ ဂဏန်းတွေပါတဲ့ စာမျက်နှာတွေဟာ 8, 9 နဲ့ စတဲ့ စာမျက်နှာတွေထက် ပိုမိုဟောင်းနွမ်းပြီး အသုံးများနေကြောင်း သတိပြုမိခဲ့ပါတယ်…
🟢 ဒါနဲ့ပတ်သက်ပြီး American Journal of Mathematics, 1881 မှာ သူ့ရဲ့ တွေ့ရှိချက်ကို ဖော်ထုတ်ရေးသားခဲ့ပါတယ်...
🟡 Frank Benford (1938)
🟡 ထပ်မံပြီး ရူပဗေဒပညာရှင်တစ်ဦးဖြစ်တဲ့ Frank Benford က ဒါနဲ့ပတ်သက်ပြီး မတူညီတဲ့ dataset (20) ခုကနေ observation စုစုပေါင်း (20,229) ခုကို လေ့လာစမ်းသပ်ခဲ့ပါတယ်...
🟡 ဒီရလဒ်ကနေ first digit distribution table တစ်ခုထွက်လာပြီး The Law of Anomalous Numbers, 1938 မှာ သူ့ရဲ့ တွေ့ရှိချက်ကို ဖော်ထုတ်ရေးသားခဲ့ပါတယ်... ဒီ distribution table ကို အသုံးချပြီး Accounting, Auditing, Tax Examination နဲ့ Fraud Risk Assessment တွေမှာ initial analytical procedure အဖြစ် အသုံးပြုလာကြပါတယ်... နောက်ပိုင်းမှာ Benford’s law (first-digit analysis) ဆိုပြီး လူသိများလာပါတယ်...
❓ မေးခွန်း (1): Dataset တိုင်းမှာ အသုံးပြုလို့ရလား?
✅ အဖြေ (1):
✅ Benford's Law ဟာ dataset အားလုံးအတွက် မသက်ဆိုင်ပါဘူး... Natural occurring numbers များစွာပါဝင်ပြီး sample size လုံလောက်တဲ့ dataset များအတွက် အထူးသင့်တော်ပါတယ်... Assigned numbers (Invoice No., Phone No., Employee ID စသည်) များအတွက် မသင့်တော်ပါဘူး...
❓မေးခွန်း (2): ဘာကြောင့်ရွေးချယ်တာလဲ?
☑️ အဖြေ (2):
☑️ Benford's Law ဟာ General Ledger ထဲက transaction amount dataset များကို initial anomaly screening ပြုလုပ်ရာမှာ အထူးအသုံးဝင်ပါတယ်... Auditing, Accounting & Finance, Risk & Compliance (AAFRC) professional တွေအတွက် အသုံးများတဲ့ analytical procedure တစ်ခုဖြစ်ပါတယ်...
☑️ Benford's Law ဟာ digit distribution ကို အခြေခံပြီး anomaly များကို စစ်ဆေးတဲ့ ထူးခြားတဲ့ analytical technique တစ်ခုဖြစ်တာကြောင့်၊ အခြား anomaly detection နည်းစနစ်များနဲ့ ပေါင်းစပ်အသုံးပြုနိုင်တဲ့ အားသာချက်ရှိပါတယ်...
🚩 Mark J. Nigrini ရေးသားထားတဲ့ Benford's Law: Applications for Forensic Accounting, Auditing, and Fraud Detection ဟာ Benford's Law ကို Auditing, Forensic Accounting နဲ့ Fraud Risk Assessment လုပ်ငန်းတွေမှာ ဘယ်လိုအသုံးချနိုင်သလဲဆိုတာကို အသေးစိတ်ရှင်းပြထားတဲ့ အရေးပါတဲ့ reference စာအုပ်တစ်အုပ်ဖြစ်ပါတယ်...
🚩 Benford's Law ကို anomaly detection နဲ့ audit analytics နယ်ပယ်မှာ ဘယ်လောက်အသုံးဝင်တဲ့ analytical technique တစ်ခုအဖြစ် လက်တွေ့အသုံးချနေကြသလဲဆိုတာကို တွေ့ရပါလိမ့်မယ်...
🔎🔎🔎

🚩 Data Analytics မှာ အလွန် (အလွန်) အရေးကြီးတဲ့ principle တစ်ခုရှိတယ်...🚩 “Segmentation is non-negotiable” ဆိုတဲ့ princip...
13/08/2026

🚩 Data Analytics မှာ အလွန် (အလွန်) အရေးကြီးတဲ့ principle တစ်ခုရှိတယ်...
🚩 “Segmentation is non-negotiable” ဆိုတဲ့ principle ပါ...
🔵 “Data Analytics | Data Science | Business Intelligence” နယ်ပယ်တွေမှာသာမက၊
🔵 “Auditing | Accounting & Finance | Risk & Compliance | Sales & Marketing” အစရှိတဲ့ data analytics ကို အသုံးပြုရတဲ့ ဘယ်နယ်ပယ်မှာမဆို ဒီ principle ကို မဖြစ်မနေ (မဖြစ်မနေ) လိုက်နာဖို့ အရေးကြီးပါတယ်...
🔵 မလိုက်နာရင် ဘာဖြစ်မှာလဲ? ရလဒ်တွေ လွဲမှားသွားနိုင်ပါတယ်... တချို့ project တွေမှာဆိုရင် project fail ဖြစ်တဲ့အထိ ဖြစ်သွားနိုင်ပါတယ်... 😧
🔵 Dataset တစ်ခုဟာ heterogeneous dataset type ဖြစ်တယ်... တနည်းအားဖြင့် diverse sub-group တွေ ပါဝင်နေတယ်... Sub-group တစ်ခုချင်းစီဟာ မတူညီတဲ့ “characteristics, behaviors, patterns” တွေရှိနေတယ်... ဒီလို မတူညီတဲ့ sub-group တွေကို dataset တစ်ခုတည်းအဖြစ် aggregate လုပ်ပြီး analysis လုပ်လိုက်ရင် subgroup တစ်ခုချင်းစီရဲ့ behavior တွေ ပျောက်ကွယ်သွားနိုင်ပါတယ်...
🔵 ဒီလို မတူညီခြင်းက analysis result နဲ့ business interpretation ကို အကျိုးသက်ရောက်စေနိုင်တယ်ဆိုရင် “Segmentation is non-negotiable” ဖြစ်ပါတယ်...
✅ ဆိုလိုတာက meaningful sub-group တွေကို မဖြစ်မနေ သီးခြားခွဲပြီး analysis ပြုလုပ်ပေးရပါမယ်...
🟡 ဥပမာ-
🟡 လုပ်ငန်းတစ်ခုဟာ “Laptop, Monitor, Desktop, Phone, Hard Disk, Keyboard, Mouse” အစရှိတဲ့ Product အမျိုး (20) ကို မြန်မာနိုင်ငံနဲ့အဝှမ်း နေရာဒေသ (10) ခုမှာ ဖြန့်ချိရောင်းချတယ်ဆိုကြပါစို့...
🟡 Laptop ရဲ့ ရောင်းအားနဲ့ Monitor ရဲ့ ရောင်းအား မတူညီနိုင်ပါဘူး... Laptop တစ်လုံးရောင်းရတိုင်း Monitor တစ်လုံး လိုက်ပြီး မရောင်းရနိုင်ပါဘူး... Product တစ်ခုနဲ့တစ်ခု “demand pattern, customer preference, sales behavior” မတူနိုင်ပါဘူး...
🟡 Yangon က ဆိုင်မှာ Laptop (10) လုံး ရောင်းရချိန်မှာ Naypyitaw ကဆိုင်မှာ (1) လုံးပဲ ရောင်းရတာမျိုး ဖြစ်နိုင်ပါတယ်... နေရာဒေသအလိုက်လည်း sales behavior ကွာခြားနိုင်ပါတယ်...
✅ ဒါဆို ဒီ dataset ဟာ heterogeneous dataset ဖြစ်ပါတယ်...
🟡 Product နဲ့ Region ကို analysis objective အရ segmentation ပြုလုပ်ဖို့လိုမယ်ဆိုရင် “20 Products × 10 Regions = 100 Sub-Groups” ရရှိနိုင်ပါတယ်...
🟡 တကယ်လို့ company က “Product-Region အဆင့်” baseline performance ကို သတ်မှတ်ပြီး transaction level အထိ evaluation ပြုလုပ်ချင်တယ်ဆိုရင် overall Mean (Average) တစ်ခုတည်းကို အသုံးပြုလို့ မရပါဘူး... လိုအပ်တဲ့ အဆင့်အထိ segment ဖွဲ့ပြီး segmental Mean အထိ တွက်ထုတ်ပေးရပါမယ်...
“Segmentation is non-negotiable”
❌ စောဒက တက်ပိုင်ခွင့်မရှိ ❌

🔴 PDF_file (5) သောင်း ကို table အလွယ်ပြောင်းမယ်...🟢 လတ်တလော ကြုံခဲ့ရတဲ့ အတွေ့အကြုံတစ်ခုပါ... Data က PDF_file format နဲ့ပ...
10/08/2026

🔴 PDF_file (5) သောင်း ကို table အလွယ်ပြောင်းမယ်...
🟢 လတ်တလော ကြုံခဲ့ရတဲ့ အတွေ့အကြုံတစ်ခုပါ... Data က PDF_file format နဲ့ပဲ ရှိတယ်... Invoice လိုမျိုး ပုံစံတွေပါ... အထဲမှာ ကိုယ်လိုချင်တဲ့ transaction table လေးတွေ ပါဝင်နေမယ်... ဖိုင်ပေါင်း (5) သောင်း လောက်ရှိတယ်... လိုချင်တာက combined transaction detail report ပုံစံမျိုးပါ...
🟢 ဟုတ်ပါတယ်... တစ်ခါတစ်လေ ကျွန်တော်တို့ မထင်ထားသလိုမျိုး အဲ့လို ပုံစံတွေလည်း ကြုံတွေ့ရတက်ပါတယ်...
🟢 အပေါ်မှာ ပြောထားတဲ့အခြေအနေက data accessing နဲ့ data cleaning & transformation အဆင့်မှာ raw data to combining (append) လုပ်ဖို့ လိုအပ်နေတာပါ...
🟢 ကျွန်တော်က tool (3) ခု သုံးပါတယ်... Excel, Power Query နဲ့ KNIME ပါ... Power Query ကို Power BI မှာထက် Excel ထဲမှာ ပိုအသုံးများပါတယ်...
🟢 ဒီနေရာမှာ ဖိုင်အရေအတွက်လည်းများတယ်၊ translation volume လည်း များတာဖြစ်လို့ KNIME ကို သုံးသင့်ပါတယ်... ဒါပေမယ့် ပြသနာက PDF_file reader အပိုင်းမှာ နည်းနည်းပိုခက်ပါတယ်... ဒါကြောင့် testing workflow တွေဘာတွေလုပ်ကြည့်ရမယ်... နည်းနည်းအချိန်ပေးရပါမယ်...
🟢 နောက်ဆုံး Power Query နဲ့ပဲ သုံးဖြစ်ပါတယ်... ဒီလို အခြေအနေမျိုးမှာ Power Query က တော်တော်လေးကို မြန်မြန်ဆန်ဆန်နဲ့ data access, data cleaning & transformation ကို လုပ်သွားနိုင်ပါတယ်... Data volume အရမ်းများလို့ loading မှာ နှေးသွားတာမျိုးတော့ ရှိလာပါတယ်...
🟢 အဲ့တော့ လက်တွေ့လုပ်ငန်းခွင်မှာက “အလုပ်ဖြစ်အောင် လုပ်ရမယ်” ဆိုတဲ့ သဘောဖြစ်ပါတယ်... Timeline တွေ deadline တွေနဲ့ သွားရတာကိုး... ကိုယ်က tool ဘယ်နှစ်ခု သုံးနိုင်တယ်၊ ဘယ်လိုအဆင့်မြင့်တဲ့ tool တွေ သုံးနိုင်တယ်ဆိုတာက အဓိက မကျပါဘူး...
🟢 ဒါကြောင့် လေ့လာ၊ လေ့ကျင့်နေတဲ့ အချိန်မှာ ကျွမ်းကျင်ပိုင်နိုင်အောင် လေ့ကျင့်ထားဖို့လိုပါတယ်... အကြိမ်ရေ များများလေ့ကျင့်ထားပြီး၊ case study, project တွေ ပုံစံမျိုးစုံ လေ့လာ၊ လေ့ကျင့်ထားသင့်ပါတယ်...
💪💪💪

🚩 အတန်းအပ်ထားသူများအား Viber group ဖွဲ့ထားပြီး ဖြစ်ပါတယ်... အချက်အလက်များ ပေးပို့ထားပြီး ဖြစ်ပါတယ်...🚩 အကြောင်းကြောင်းကြ...
09/08/2026

🚩 အတန်းအပ်ထားသူများအား
Viber group ဖွဲ့ထားပြီး ဖြစ်ပါတယ်... အချက်အလက်များ ပေးပို့ထားပြီး ဖြစ်ပါတယ်...
🚩 အကြောင်းကြောင်းကြောင့် group ထဲ့ မရောက်သူများရှိပါက ဆက်သွယ်ပေးကြပါခင်ဗျ...
🔎 Anomaly Detection
💪💪💪

🤔 ဘယ်လောက်အတိုင်းအတာဆိုရင် ပုံမှန်လို့ ပြောမလဲ? ဘယ်လောက်ဆိုရင် ပုံမှန်မဟုတ်ဘူးလို့ ပြောမလဲ?🚩 Dataset တစ်ခုမှာ အခြား data...
09/08/2026

🤔 ဘယ်လောက်အတိုင်းအတာဆိုရင် ပုံမှန်လို့ ပြောမလဲ? ဘယ်လောက်ဆိုရင် ပုံမှန်မဟုတ်ဘူးလို့ ပြောမလဲ?
🚩 Dataset တစ်ခုမှာ အခြား data အများစုနဲ့ နှိုင်းယှဉ်လိုက်ရင် သိသိသာသာ ကွာခြားနေတဲ့ observation ကို outlier လို့ ခေါ်ပါတယ်... Outlier ဆိုတာ unusual တွေပါပဲ... သာမန်ထက် ထူးကဲပြီး များနေတာ ဖြစ်နိုင်တယ်... သာမန်ထက် ထူးကဲပြီး နည်းနေတာလည်း ဖြစ်နိုင်ပါတယ်...
🚩 ဥပမာ-
🚩 Sales data တစ်ခုကို ကိုင်တွယ်ဆောင်ရွက်နေတယ် ဆိုပါစို့... Sales amount တွေကို ကြည့်ရင် ဘယ်လောက်ပမာဏနဲ့အထက်ကို သာမန်ထက်များနေတယ်လို့ ပြောမလဲ? ဘယ်လောက်ပမာဏနဲ့ အောက်ကို သာမန်ထက် လျော့နည်းနေတယ်လို့ ပြောမလဲ?
🚩 Outlier detection က ဒါကို အဖြေထုတ်ပေးပါတယ်... Dataset တစ်ခုမှာ high outlier, low outlier တွေ ရှိနေရင် outlier detection နည်းစနစ်တွေနဲ့ စိစစ်ဖော်ထုတ်နိုင်ပါတယ်... Outlier detection လုပ်ဖို့ statistical နည်းစနစ်တွေ သုံးရပါတယ်...
❓ မေးခွန်း (1) Outlier တွေကို ဘာလို့ သိချင်တာလဲ?
✅ အဖြေ (1) Dataset တစ်ခုမှာ ပုံမှန်မဟုတ်တဲ့ data တွေ ပါဝင်နေတာကို မသိချင်တဲ့သူ ရှိပါ့မလား? Outlier တစ်ခုက Potential fraud indicator တစ်ခု ဖြစ်နေနိုင်ပါတယ်... Outlier တစ်ခုက Error တစ်ခု ဖြစ်နေနိုင်ပါတယ်... Outlier တစ်ခုက Internal control deficiency တစ်ခု ဖြစ်နေနိုင်ပါတယ်... Outlier ကို စိစစ်ဖော်ထုတ်တာက အရေးကြီးတဲ့ data analytics principle တစ်ခုဖြစ်ပါတယ်...
✅ Auditing, Accounting & Finance, Risk & Compliance (AAFRC) professional တွေအတွက် outlier detection က အရေးတကြီး ဆောင်ရွက်ရမယ့် လုပ်ငန်းစဉ်တစ်ခုဖြစ်ပါတယ်...
🔴 ဥပမာ-
🔴 Sales dataset တစ်ခုမှာ high outlier တွေ့တယ်ဆိုပါတော့...
🚩 ဒါဟာ fake sales တွေ ထည့်ထားတာဆိုရင် > Fraud indicator
🚩 ဒါဟာ 10 သိန်း သွင်းရမှာကို သုညတစ်လုံး ပိုသွင်းမိပြီး သိန်း 100 ဖြစ်သွားတာ > Error
🚩 Duplicate invoice ကို system က တားဆီးမထားလို့ duplicate posting ဖြစ်သွားတာ > Internal control deficiency
စသဖြင့် ဖြစ်နိုင်ပါတယ်...
❓မေးခွန်း (2) ဘာကြောင့် IQR Method ကို ရွေးလဲ?
✅ အဖြေ (2) လက်တွေ့ပိုအသုံးကျလို့ ရွေးတာဖြစ်ပါတယ်... ဥပမာ- တစ်ခြားနည်းတစ်ခု Z-Score Method ဆိုရင် normal distribution (သို့) approximately normal distribution ဖြစ်တဲ့ dataset တွေမှာ ပိုသင့်တော်ပါတယ်...
✅ လက်တွေ့ dataset တွေက normal distribution ဖြစ်တာက ရှားနိုင်ပါတယ်... မဟုတ်ရင်လည်း normal distribution test တွေ ထပ်လုပ်ဖို့ အချိန်ပေးရနိုင်ပါတယ်... Statistics ကို လက်တွေ့အသုံးချရာမှာ ဒီနေရာတွေကို တော်တော်ဂရုပြုရပါတယ်... မဟုတ်ရင် အချိန်ကုန်တာပဲ အဖတ်တင်ပါမယ်... ပိုဆိုးတာက ရွေးချယ်မှုမှားပြီး ရလဒ်မှားသွားနိုင်တာပါ...
✅ Outlier detection ကို Boxplot လိုမျိုး visualization နဲ့ ပြတာက just quick overview အတွက်ပဲ ရပါမယ်... Transaction ထောင်၊ သောင်း၊ သိန်း ပေါင်းများစွာရှိတဲ့ dataset တွေမှာ transaction တစ်ခုချင်းစီကို identify လုပ်ဖို့တော့ မလုံလောက်ပါဘူး...
❓မေးခွန်း (3) Outlier ကို မဖြစ်နေ စိစစ်ဖော်ထုတ်ဖို့ လိုအပ်တာလား?
✅ အဖြေ (3) မဖြစ်မနေဆောင်ရွက်သင့်ပါတယ်... Data Analytics process အရ Key Stage (2): Data Accessing အဆင့်မှာ Dataset quality review လုပ်ရပါတယ်... Missing Value, Duplicate, Error, Inconsistency, Outlier ဒီ (5) မျိုး ရှိမရှိ စိစစ်ရပါတယ်... ဒါကြောင့် outlier detection က dataset quality review ရဲ့ အစိတ်အပိုင်းတစ်ခုအနေနဲ့ ပါဝင်ပါတယ်...
🚩အနှစ်ချုုပ်အားဖြင့် data တွေကို ကိုင်တွယ်ဆောင်ရွက်နေတဲ့ ဘယ်သူမဆို outlier detection ကို အသုံးပြုပြီး dataset ထဲမှာ ပါဝင်နေတဲ့ unusual data တွေကို စိစစ်ဖော်ထုတ်သင့်ပါကြောင်း အကြံပြုပါတယ်...
🔎🔎🔎

🔎 Transaction တစ်သိန်းမှာ unusual ဘယ်လောက်ရှိမလဲ?⚠️ သာမန်အားဖြင့် sampling review တစ်ခုတည်းကိုသာ အသုံးပြုရင် unusual tra...
09/08/2026

🔎 Transaction တစ်သိန်းမှာ unusual ဘယ်လောက်ရှိမလဲ?
⚠️ သာမန်အားဖြင့် sampling review တစ်ခုတည်းကိုသာ အသုံးပြုရင် unusual transaction အချို့ မပါဝင်ဘဲ လွတ်သွားနိုင်တဲ့ risk ရှိပါတယ်......
✅ ကနဦးအဆင့်မှာ Anomaly Detection ဆောင်ရွက်ခဲ့ရင်တော့ unusual တွေကို ပိုပြီး စိစစ်ဖော်ထုတ်နိုင်တာဖြစ်လို့ အကျိုးကျေးဇူး များပါတယ်...
🔎 ဥပမာ- ဒီနမူနာမှာ transaction 98,982 ရှိပြီး IQR method အရ outlier (unusual) 1,707 transactions စိစစ်ဖော်ထုတ်တွေ့ရှိရပါတယ်... စုစုပေါင်းရဲ့ 2% ဝန်းကျင်ပဲ ရှိပါတယ်... လုပ်ငန်းသဘောတရားအရ လိုအပ်ရင် multiplier k value ကို 3 အထိ ထပ်တင်နိုင်ပါတယ်... K value ကို တိုးလိုက်ရင် threshold ပိုကျယ်သွားတဲ့အတွက် outlier (unusual) အဖြစ် သတ်မှတ်ခံရတဲ့ transactions အရေအတွက် လျော့နည်းလာနိုင်ပါတယ်...
🔎 ဆိုတော့ planning အဆင့်မှာ unusual အုပ်စုကို သီးခြား review လုပ်မယ်... ကျန်တဲ့ residual population ထဲကိုမှ sample ပြန်ကောက်မယ်ဆိုရင် risk-based review ကို ပိုမိုထိရောက်စွာ ဆောင်ရွက်နိုင်ပါတယ်...
🔎 AAFRC professional တွေအနေနဲ့ data analytics ကို အသုံးချမယ်ဆိုရင် anomaly detection နည်းလမ်းတွေက အကျိုးကျေးဇူးအများကြီး ရရှိစေပါတယ်...
🔎 Data Analyst, Data Scientists တွေအတွက်လည်း dataset quality review အဆင့်မှာ unusual တွေကို သိရှိပြီး လိုအပ်ရင် data cleaning အဆင့်မှာ သင့်လျော်သလို ကိုင်တွယ်ဖြေရှင်းထားဖို့ အင်မတန် အရေးကြီးပါတယ်...
📊 Anomaly Detection & Fraud Risk Alert using Data Analytics (ADDA) Course
📅 12-August-2026 စပါမည်...

Data Analytics ➕ Audit, Account & Finance🔴 ACCA Future Qualification ရဲ့ နောက်ဆုံး Strategic Professional Level မှာ “Dat...
08/08/2026

Data Analytics ➕ Audit, Account & Finance
🔴 ACCA Future Qualification ရဲ့ နောက်ဆုံး Strategic Professional Level မှာ “Data Science Professional (SDS)” ဟာ Options Exam တစ်ခုအနေနဲ့ ပါဝင်လာတာကို အားလုံးသိထားကြမှာပါ...
🔴 ACCA လို accounting profession မှာ နာမည်ကြီးပြီးသား qualification တစ်ခုက ယနေ့ခေတ်မှာ ပိုမိုအရေးပါလာတဲ့ Data Analytics & Data Science ကို Accounting & Finance context ထဲမှာ တရားဝင်ထည့်သွင်းလာတာကို တွေ့ရမှာပါ...
🔴 ဒါဟာ နောက်ပိုင်းမှာ Audit, Accounting & Finance နယ်ပယ်အတွင်း Data Analytics နဲ့ Data Science ကို ပိုမိုစိတ်ဝင်စားလာစေမယ့် trend တစ်ခု ဖြစ်လာနိုင်တယ်လို့ သုံးသပ်မိပါတယ်...
🔴 ACCA Data Science Professional (SDS) ရဲ့ syllabus ကိုကြည့်မယ်ဆိုရင် Techniques အပိုင်းမှာ “Anomaly Detection, Clustering & Segmentation” တွေကို ထည့်သွင်းထားတာ တွေ့ရပါတယ်…
🔴 တကယ်တမ်းတော့ Audit, Accounting & Finance professionals တွေအတွက် ဒီ concept တွေက လုံးဝအသစ်တွေတော့ မဟုတ်ပါဘူး… အထူးသဖြင့် Statistics ကို လေ့လာခဲ့ဖူးသူတွေအနေနဲ့ Outlier, Distribution, Probability စတဲ့ အခြေခံ concept တွေကို အနည်းဆုံး သိထားပြီးသားဖြစ်နိုင်ပါတယ်... ဒါပေမယ့် အဓိကကွာခြားချက်က “သိထားခြင်း” နဲ့ “လက်တွေ့အသုံးချခြင်း” ပါ...
🟡 ဥပမာ — Outlier ဆိုတာကို Statistics ရဲ့ အခြေခံအဆင့်ကတည်းက လေ့လာခဲ့ကြပါတယ်။
🟡 ဒါပေမယ့် လက်တွေ့လုပ်ငန်းခွင်မှာ ကိုယ့်ရဲ့ Financial Data, Transaction Data, Expense Data, Revenue Data စတာတွေထဲက ပုံမှန် pattern ကနေ ထူးထူးခြားခြား ကွဲထွက်နေတဲ့ observation တွေကို စနစ်တကျရှာဖွေပြီး Anomaly Detection အဖြစ် အသုံးချတာကတော့ အခြားကိစ္စတစ်ခု ဖြစ်ပါတယ်…
🟣 Future Trend vs Practical Application
🟣 Future Trend အနေနဲ့ဆိုရင် Anomaly Detection, Clustering, Segmentation, Predictive Modelling စတဲ့ Data Science techniques တွေအကြောင်းကို အရင်ကထက် ပိုပြီးပြောလာကြ၊ လေ့လာလာကြ၊ သိရှိလာကြမှာ သေချာပါတယ်…
🟣 ဒါပေမယ့်... လက်တွေ့အသုံးချမှုအပိုင်းမှာကော???
🟣 အလွယ်ဆုံးနည်းလမ်းတစ်ခုဖြစ်တဲ့ Outlier Detection ကိုတောင် ကိုယ့်လုပ်ငန်းခွင်ရဲ့ data မှာ စနစ်တကျအသုံးချနိုင်မယ်ဆိုရင် Audit, Accounting & Finance professionals တွေအတွက် အသုံးဝင်တဲ့ Insight တွေ အများကြီးရရှိနိုင်ပါတယ်… ကိုယ်တိုင်လည်း လက်တွေ့အသုံးချနေတဲ့အတွက် ဒီအပိုင်းရဲ့ practical value ကိုတော့ အတော်လေးယုံကြည်ပါတယ်…
🚩 အရေးကြီးတာက Data Analytics ကို “Future Trend” အနေနဲ့ပဲ သိထားတာမဟုတ်ဘဲ “Practical Skill” အဖြစ် ပြောင်းလဲအသုံးချနိုင်ဖို့ ဖြစ်ပါတယ်…
🚩 Data Analytics ဟာ Audit, Accounting & Finance professionals တွေအတွက် တဖြည်းဖြည်း ပိုမိုအရေးပါလာမယ့် skill တစ်ခု ဖြစ်တဲ့အတွက် အချိန်ကာလတစ်ခုသတ်မှတ်ပြီး စနစ်တကျလေ့လာကာ ကိုယ့်ရဲ့ professional skill set ကို အဆင့်မြှင့်ထားသင့်ပါတယ်…
💪💪💪

📊 Data Analytics for🟩 Auditing, Accounting & Finance, Risk & Compliance (AAFRC) Professionals🟣 သင်ဟာ Audit, Account, Fin...
05/08/2026

📊 Data Analytics for
🟩 Auditing, Accounting & Finance, Risk & Compliance (AAFRC) Professionals
🟣 သင်ဟာ Audit, Account, Finance, Risk အစရှိတဲ့ နယ်ပယ်တွေနဲ့ ပတ်သက်ဆက်နွယ်တယ်…
🟣 ဒီနယ်ပယ်တွေမှာ Data Analytics ကို အသုံးချဖို့ စိတ်ဝင်စားတယ်ဆိုရင်...
✅ ဒီ Data Analytics course ဟာ သင့်အတွက်ပါပဲ...
🟣 AAFRC Professionals တွေဟာ data analytics နဲ့ သိပ်တော့ မစိမ်းကြပါဘူး... နေ့စဉ်လုပ်ငန်းဆောင်တာတွေမှာ အသုံးချနေရတာပါပဲ... ဒါကြောင့်လည်း add-on skill တစ်ခုအနေနဲ့ အရေးကြီးပါတယ်...
🟣 AAFRC Professionals တွေအတွက် အရေးအပါဆုံးသော၊ အကျိုးကျေးဇူးအရှိဆုံးသော data analytics technique ကို ပြပါဆိုရင် Anomaly Detection ကို ထိပ်ဆုံးကပြရပါမယ်...
🟣 ပုံမှန်မဟုတ်တဲ့ ဖြစ်စဉ်တွေရှိမရှိ စိစစ်ဖော်ထုတ်တာကို Anomaly (unusual) Detection လို့ခေါ်ပါတယ်... ဒီ course မှာ Anomaly Detection နည်းလမ်း (6) မျိုး ကို လေ့လာရပါမယ်...
🔴 ACCA ရဲ့ Future ACCA Qualification မှာ Data Science အပိုင်းကို ထည့်သွင်းလာတာကိုလည်း အားလုံးတွေ့ကြမှာပါ... အဲ့မှာလည်း Anomaly Detection ကို အဓိက focus လုပ်ထားတွေ့ရပါတယ်... ဒါကြောင့် အခုကတည်းက သိရှိထားပြီး အသုံးချနိုင်တယ်ဆိုရင် ACCA လေ့လာနေသူတွေအတွက် အကျိုးကျေးဇူးများစွာ ရှိစေပါတယ်... (Ref: ACCA > SDS Data Science Professional > Syllabus)
✅ Page messenger မှာ ဆက်သွယ်ပြီးတော့ course outline & detail ကို လေ့လာနိုင်ပါတယ်... အချိန် 12 နာရီ လောက်သုံးရုံနဲ့ Global Trend ကို အမီလိုက်နိုင်ပါပြီ...

Address

Naypyidaw
11211

Telephone

+959254313816

Website

Alerts

Be the first to know and let us send you an email when User CMA Smart & Secure - Data Analytics posts news and promotions. Your email address will not be used for any other purpose, and you can unsubscribe at any time.

Shortcuts

Share