TIỂU LUẬN PHÂN TÍCH DỮ LIỆU TRONG KIỂM SOÁT NỘI BỘ

<span class="text_page_counter">Trang 1</span><div class="page_container" data-page="1">

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC KINH TẾ - LUẬT

KHOA KẾ TỐN – KIỂM TỐN

<b>TIỂU LUẬN</b>

<b>PHÂN TÍCH DỮ LIỆU TRONG KIỂM SOÁT NỘI BỘGiảng viên hướng dẫn: TS. Nguyễn Vĩnh Khương</b>

Nguyễn Ngọc Bảo Trâm

Lê Thị Yến Nhi

</div><span class="text_page_counter">Trang 2</span><div class="page_container" data-page="2">

<i> Tp. Hồ Chí Minh, ngày 12 tháng 11 năm 2023</i>

</div><span class="text_page_counter">Trang 3</span><div class="page_container" data-page="3">

<b>Mục lục</b>

<b>LỜI MỞ ĐẦU...1</b>

<b>CHƯƠNG 1. GIỚI THIỆU...2</b>

I. Giới thiệu chung...2

II. Phạm vi nghiên cứu...4

III. Mục đích...4

<b>CHƯƠNG 2. NỘI DUNG CHÍNH...5</b>

I. Benford's Law (Định luật Benford)...5

1. Khái niệm và nguyên lý của Benford's Law...5

2. Ứng dụng của Benford’s Law trong phát hiện gian lận...6

3. Ví dụ và trường hợp ứng dụng Benford’s Law...6

II. Number Duplication Test (Kiểm tra trùng lặp số trong dữ liệu)...10

1. Giới thiệu về sự trùng lặp số trong dữ liệu...10

2. Phương pháp và phân tích sự trùng lặp số...10

III. Z-score...15

1. Khái niệm và ý nghĩa của Z-score trong phân tích dữ liệu...15

2. Sử dụng Z-Score để phát hiện các ngoại lệ và biểu hiện bất thường....16

IV. Relative Size Factor Test...19

1. Khái niệm về relative size factor và vai trị của nó trong phân tích dữ liệu...19

2. Kỹ thuật áp dụng relative size ford để phát hiện gian lận...21

V. Same-Same-Same Test...22

1. Giới thiệu về kỹ thuật Same-Same-Same trong phân tích dữ liệu...22 2. Ứng dụng Same-Same-Same để phát hiện các biểu hiện lặp lại không tự

</div><span class="text_page_counter">Trang 4</span><div class="page_container" data-page="4">

1. Khái niệm và cách sử dụng kỹ thuật Same-Same-Different trong phân

tích dữ liệu...24

2. Sử dụng Same-Same-Different để tìm kiếm những mơ hình đáng chú ý và phát hiện gian lận...26

VII. Even Amount...27

1. Khám phá các kỹ thuật phân tích số liệu để phát hiện sự xuất hiện khơng tự nhiên của số tiền chẵn...27

2. Sử dụng Even Amount để phát hiện các gian lận trong các giao dịch tài

</div><span class="text_page_counter">Trang 5</span><div class="page_container" data-page="5">

<b>LỜI MỞ ĐẦU</b>

Công nghệ và ứng dụng phát triển đã góp phần rất lớn vào nền kinh tế chung của thế giới và đất nước, không chỉ trong việc phát triển quy mô hoạt động kinh doanh mà còn trong việc quản lý doanh nghiệp. Việc áp dụng ngày càng nhiều các nền tảng điện toán đám mây cho các hoạt động tại trung tâm dữ liệu của doanh nghiệp đã khiến cho việc giams sát và phân tích dữ liệu theo thời gian thực trở nên khả thi. Các nền tảng đám mây có những lợi thế nhất định so với các trung tâm dữ liệu nội bộ như: khả năng mở rộng cao, giảm thiểu chi phí, nhiều lựa chọn tài nguyên phân tích và BI hơn và không cần quản lý dữ liệu nội bộ. Hybrid Cloud có khả năng mở rộng, an tồn và tiết kiệm chi phí nhiều hơn nữa.

Một cuộc khảo sát của Deloitte đã chỉ ra rằng đại dịch Covid có thể dẫn đến một bước nhảy vọt về gian lận trong các báo cáo của doanh nghiệp khi mà các công ty phải đối mặt với sự gián đoạn và ảnh hưởng lớn. Thực tế cho thấy rằng, phân tích dữ liệu có thể phát hiện những gian lận này và có thể hỗ trợ cho việc kiểm soát các gian lận trở nên hiệu quả hơn.

Bài nghiên cứu của nhóm sẽ làm rõ nội dung phân tích dữ liệu nói chung và vai trị, ứng dụng của chúng trong việc thực hiện công tác kiểm tra gian lận.

</div><span class="text_page_counter">Trang 6</span><div class="page_container" data-page="6">

<b>CHƯƠNG 1. GIỚI THIỆU</b>

<b>I. Giới thiệu chung</b>

Phân tích dữ liệu trong giao dịch là sự tiếp cận chủ động trong việc phát hiện gian lận. Việc ứng dụng phân tích dữ liệu trong kiểm sốt nội bộ nói chung và phát hiện gian lận nói riêng đang được nhân rộng những năm gần đây. Những bước tiến trong việc thu thập và lưu trữ dữ liệu mà chúng ta đang thấy cùng với sự phát triển của các kỹ thuật ngày càng phức tạp, cho thấy ngày càng có nhiều chức năng kiểm tốn nội bộ tìm cách xây dựng khả năng phân tích dữ liệu.

Phân tích dữ liệu giúp xác định các biểu hiện và mơ hình có khả năng chỉ ra sự gian lận. Bằng cách phân tích dữ liệu lịch sử, phân loại và phân tích biến, phân tích dữ liệu có thể tìm ra các biểu hiện gian lận điển hình như các giao dịch lạ lùng, hành vi không phù hợp, hoặc mơ hình khơng bình thường.

Phân tích dữ liệu giúp giảm thiểu số lượng các sai sót và tổn thất trong quá trình phát hiện gian lận. Bằng cách sử dụng các kỹ thuật phân tích mẫu, phân tích bất thường và mơ hình hóa dữ liệu, người dùng có thể xác định và tập trung vào các mẫu gian lận quan trọng nhất mà không phải xem xét tất cả các dữ liệu. Bằng cách sử dụng các công cụ và kỹ thuật phân tích dữ liệu tự động, công tác phát hiện và thông báo về các biểu hiện gian lận có thể được thực hiện nhanh chóng và hiệu quả hơn. Thơng qua phân tích dữ liệu, người dùng có thể hiểu rõ hơn về mơ hình và xu hướng, từ đó đưa ra các quyết định quan trọng để phát hiện và ngăn chặn các hành vi gian lận.

Khi thu thập dữ liệu, sẽ có khả năng xuất hiện các điểm dữ liệu bất thường (Anomalies). Dữ liệu bất thường là những dữ liệu lệch khỏi quy chuẩn của tổng thể dữ liệu, tạo nên sự khơng nhất qn trong đó. Điểm bất thường có thể là từ những gian lận trong khai báo dữ liệu, lỗi trong quá trình nhập hay chỉ đơn giản là dữ liệu đó rất khác so với phần cịn lại không phải do sai lệch. Sau khi nhận diện được điểm bất thường, nhà phân tích sẽ nghiên cứu sâu hơn về chúng để biết có thực sự là do gian lận hay do lỗi sai sót, đây là một việc hết sức cần thiết cho bước đầu xử lý dữ liệu, việc này địi hỏi người kiểm tốn phải có hiểu biết về dữ liệu, đánh giá chun mơn cũng như khả năng phân tích và trực giác về tính đúng sai.

Kiểm định phân tích dữ liệu được dùng để phát hiện điểm bất thường, kiểu dữ liệu

</div><span class="text_page_counter">Trang 7</span><div class="page_container" data-page="7">

trong đó. Khơng như q trình chọn mẫu chỉ lấy một phần của tổng thể, quá trình phân tích dữ liệu có thể cùng lúc kiểm tra hết tất cả giao dịch. Các điểm dữ liệu bất thường nhờ đó được lọc ra và nhìn nhận một cách đầy đủ. Cần chú ý là kiểm định sẽ cho ra tập hợp các điểm dữ liệu bất thường chứ không phải những trường hợp lỗi hay gian lận, việc này địi hỏi phải có sự xem xét, đánh giá kĩ lưỡng từ phía các kiểm tốn viên.

Sau khi đã thực hiện phân tích, sẽ có nhiều giao dịch thể hiện là dương tính giả (false positivities), dữ liệu kỳ dị là đúng nhưng bị gán là lỗi. Nên thông thường, khi xem xét các điểm bất thường, các kiểm toán viên sẽ phải đánh giá lại các điểm bất thường, xem xét những giả thuyết, chỉnh sửa các phép kiểm định hay thực hiện thêm các phương pháp phân tích, kiểm tốn khác nhằm tinh chỉnh lại những trường hợp dương tính giả ấy. Sau khi thực hiện vài lần vịng lặp các q trình, kiểm định sẽ xác định được các giao dịch có rủi ro gian lận cao. Với số lượng trường hợp nghi ngờ gian lận đã được giảm, việc đánh giá theo quy trình kiểm toán gian lận sẽ trở nên dễ dàng hơn. Một khi trường hợp đã được xác nhận là gian lận hay lỗi, ta sẽ xem xét lại kế hoạch nhằm mở rộng việc điều tra, đánh giá.

Khi kiểm toán viên đã làm quen được với dữ liệu, bản chất hệ thống và môi trường của doanh nghiệp, một số kiểm định phân tính tổng quát sẽ được sử dụng cho tồn bộ dữ liệu hoặc một loại tính chất cụ thể hoặc nhóm các giao dịch. Các kiểm định phân tích tổng qt có thể và nên được sử dụng lên tồn bộ bộ dữ liệu để cho kiểm tốn viên cái nhìn ban đầu từ đó có thể kiểm toán và xem xét. Kiểm định tổng quát xuất ra những điểm dữ liệu ngoại lệ, bất thường hay đáng nghi với nguy cơ gian lận. Với việc có thể được áp dụng lên cả bộ dữ liệu lớn ban đầu, từ hàng triệu giao dịch bị lọc ra chỉ còn vài trường hợp cần được xem xét, … Các phép kiểm định cũng cho biết những điểm dữ liệu có nằm ở đúng vị trị hay khơng. Cho phép kiểm toán viên thực hiện được nhiều hơn là chỉ lấy mẫu và cho phép họ kiểm tra giả thuyết cũng như các trường hợp gian lận tiềm năng. Việc có thể kiểm tra các giao dịch tại nguồn đảm bảo rằng thơng tin vẫn giữ được tính tồn vẹn. Đồng thời cho phép kiểm toán viên hiểu rõ hơn các dấu hiệu gian lận có thể xảy ra và tính hiệu quả của kiểm sốt nội bộ. Thơng thường, những điểm bất thường nhỏ hay bị bỏ qua nhưng chính những điểm bất thường nhỏ này lại cho thấy được những điểm yếu trong kiểm sốt nội bộ có thể bị khai thác.

</div><span class="text_page_counter">Trang 8</span><div class="page_container" data-page="8">

<b>II. Phạm vi nghiên cứu</b>

Phạm vi nghiên cứu của tiểu luận này là các phương pháp được sử dụng trong phân tích dữ liệu nhằm phục vụ cho việc phát hiện và kiểm soát các gian lận, ở mỗi phương pháp đều sẽ được đề cập cụ thể đến những ưu điểm và khuyết điểm nhằm làm rõ các phương pháp nhất có thể.

<b>III. Mục đích </b>

Mục đích của bài tiểu luận là tìm hiểu và trình bày về những phương pháp được sử dụng trong phân tích dữ liệu nhằm phục vụ cho việc phát hiện và kiểm soát các gian lận, tìm hiểu về các trường hợp cụ thể để ứng dụng các phương pháp đó vào thực tế trong cơng việc và nghiên cứu.

</div><span class="text_page_counter">Trang 9</span><div class="page_container" data-page="9">

<b>CHƯƠNG 2. NỘI DUNG CHÍNH</b>

<b>I. Benford's Law (Định luật Benford)</b>

<b>1. Khái niệm và nguyên lý của Benford's Law</b>

<i><b>1.1. Khái niệm</b></i>

Định luật Benford phân tích các chữ số trong dữ liệu số, giúp xác định các điểm bất thường và phát hiện hành vi thao túng dữ liệu một cách có hệ thống (nghĩa là tạo ra các số sai) dựa trên sự phân bố kỹ thuật số trong tổng thể tự nhiên. Tổng thể tự nhiên có thể gần như bất cứ thứ gì, chẳng hạn như tất cả các giao dịch trong sổ cái tổng hợp, các giao dịch trong tài khoản phải trả, hay thậm chí là mét khối nước trong tất cả các hồ ở Châu Phi.

Các bài kiểm tra dựa trên Luật của Benford báo hiệu sự trùng lặp bất thường. Cơ sở toán học của Định luật Benford cho chúng ta những sự trùng lặp được mong đợi hoặc bình thường, và những sự trùng lặp trên mức bình thường là bất thường hoặc quá mức. Các thử nghiệm liên quan là hai chữ số cuối, số trùng lặp và mơ hình hệ số biến dạng.

<i><b>1.2. Ngun lý</b></i>

Để Luật Benford có thể áp dụng được, phải đáp ứng một số điều kiện nhất định.  Các con số trong bộ dữ liệu phải mô tả cùng một đối tượng.

 Khơng nên có sẵn mức tối đa hoặc tối thiểu cho các con số.

 Không nên chỉ định các số như số điện thoại, số tài khoản ngân hàng số, số bảo hiểm xã hội hoặc số an sinh xã hội.

 Không áp dụng cho việc phân phối đồng phục như xổ số mà đồng phục quả bóng được chọn và không phải là con số thực tế.

Các bài kiểm tra Luật Benford sơ cấp là các bài kiểm tra chữ số đầu tiên, hai chữ số đầu tiên, ba chữ số đầu tiên và các bài kiểm tra chữ số thứ hai. Các bài kiểm tra Luật Benford nâng cao là phép tính tổng và bậc hai.

Bài kiểm tra trùng lặp số xác định các số cụ thể gây ra sự đột biến hoặc bất thường trong các bài kiểm tra sơ cấp và tổng hợp. Sự tăng đột biến trong các thử nghiệm cơ bản là do một số con số cụ thể xảy ra quá thường xuyên một cách bất thường. Những con số lớn bất thường về giá trị sẽ gây ra sự đột biến trong phép thử tính tổng.

</div><span class="text_page_counter">Trang 10</span><div class="page_container" data-page="10">

Mơ hình hệ số biến dạng cho biết dữ liệu có vượt quá chữ số thấp hơn hay chữ số cao hơn hay khơng. Nó giả định rằng số thực được thay đổi thành số sai trong cùng phạm vi hoặc tỷ lệ phần trăm với số thực

<b>2. Ứng dụng của Benford’s Law trong phát hiện gian lận</b>

Hầu hết các bài thuyết trình và bài viết đều thảo luận về việc sử dụng Định luật Benford để phát hiện các con số gần giới hạn ủy quyền của chúng.

<i>Ví dụ: Nếu giới hạn ủy quyền của ai đó là 10.000 USD thì nhiều hai chữ số đầutiên trong khu vực 99, 98 và 97 sẽ được phát hiện bằng Luật Benford nếu họ đang cốgắng tối đa hóa chi tiêu ủy quyền.</i>

<i>Một số ứng dụng thực tế khác bao gồm: Dữ liệu khoản phải trả, Ước tính dồn tíchtrong sổ cái, Doanh thu, Mua vào, Giao dịch độc lập, Hoàn tiền cho khách hàng, Nợxấu, Chống rửa tiền.</i>

Có khả năng phát hiện hoạt động rửa tiền vì hoạt động rửa tiền đưa tiền vào dịng doanh thu khơng được tạo ra bởi hoạt động kinh doanh thơng thường. Vì việc nộp thuế thu nhập đối với doanh thu giả là điều khơng mong muốn nên các chi phí tương ứng sẽ được bù đắp để bù đắp cho khoản doanh thu giả. Nếu có đủ các chi phí hoặc con số bù đắp này, Định luật Benford có thể phát hiện ra những điều bất thường. Định luật Benford không chỉ liên quan đến việc phát hiện những điểm bất thường trong dữ liệu liên quan đến tài chính mà cịn có thể áp dụng trong các lĩnh vực khác.

<i>Ví dụ: Một nghiên cứu được cơng bố trên tạp chí New Zealand Nghiên cứu vềbiển và nước ngọt có tựa đề “Phát hiện gian lận thống kê trong thương mại”. Nghiêncứu này đã kiểm tra độ tin cậy của dữ liệu khai thác thủy sản ở Canada. Nghiên cứuđược thúc đẩy bởi thực tế là việc bán tôm hùm chiếm một phần lớn trong nền kinh tếngầm. Đơn vị chống tội phạm của Cảnh sát Hoàng gia Canada lúc đầu nghĩ rằng sốtiền lớn chuyển vào chi nhánh ngân hàng là từ tiền ma túy, nhưng sau đó phát hiện rachúng là từ việc bán tôm hùm bằng tiền mặt. Từ các khu vực đánh bắt tôm hùm đượcquản lý chặt chẽ, dữ liệu được phát hiện là phù hợp với sự phân bổ như mong đợi củaĐịnh luật Benford. Dữ liệu về tôm hùm và cua tuyết từ các khu vực khác, ít quy địnhhơn khơng phù hợp.</i>

</div><span class="text_page_counter">Trang 11</span><div class="page_container" data-page="11">

<b>3. Ví dụ và trường hợp ứng dụng Benford’s Law </b>

 Áp dụng định luật Benford kiểm tra 2 chữ số đầu tiên tệp Tài khoản phải thu của nhà sản xuất ơ tơ:

thu bình thường từ 19.000 đến 32.000 USD. Kiến thức về doanh nghiệp cho phép bạn loại bỏ lĩnh vực này để xem xét bổ sung.

 Ví dụ về định luật Benford trên ảnh nén:

</div><span class="text_page_counter">Trang 12</span><div class="page_container" data-page="12">

Đường màu đỏ là phân bố của luật Benford. Cột xanh dương là của ảnh không nén. Đường xanh lá là của 2 ảnh nén. Chúng ta có thể quan sát và thấy rằng phân bố của các cột màu xanh dương rất gần với đường màu đỏ (là phân bố theo luật Benford) trong khi 2 đường màu xanh lá cây có khác biệt lớn hơn và rối loạn hơn. Căn cứ vào đó, người ta đã xây dựng lên các cơ sở để phát hiện ra ảnh đã bị nén như thế nào.

 Sử dụng Định luật Benford trong IDEA:

Tính năng Luật Benford trong IDEA có thể cung cấp bài kiểm tra tính hợp lý có giá trị cho các tập dữ liệu lớn. IDEA chỉ kiểm tra các số dương từ 10 trở lên trong file dữ liệu. Đối với số âm, các giá trị lớn hơn âm 10 bị loại trừ (loại trừ –9, -8, . . . –1). Các bước này loại bỏ các mục khơng quan trọng khỏi q trình phân tích. Số dương và số âm được phân tích riêng biệt. Các số dương và số âm được tự đánh giá do thực tế là số dương hoạt động rất khác với số âm.

<i>Ví dụ: Khi thu nhập dương bị thao túng để lấy tiền thưởng quản lý, sẽ có động lựcđể tăng thu nhập, chuyển từ số 0 sang số lớn hơn. Khi có lỗ và ban quản lý mong</i>

</div><span class="text_page_counter">Trang 13</span><div class="page_container" data-page="13">

<i>muốn cải thiện giá cổ phiếu, sẽ có động cơ để chuyển số âm lớn hơn sang số nhỏ hơnvề 0.</i>

IDEA có thể áp dụng hầu hết các bài kiểm tra Định luật Benford và cũng có thể hiển thị các kết quả đáng ngờ ở định dạng đồ họa. Các bài kiểm tra được cung cấp trong IDEA là chữ số đầu tiên, hai chữ số đầu tiên, ba chữ số đầu tiên, chữ số thứ hai, hai chữ số cuối, thứ tự thứ hai và các bài kiểm tra tổng như trong Hình 5.6.

Các kết quả cho thấy không phù hợp với Định luật Benford nên được kiểm tra vì chúng là dấu hiệu của sự trùng lặp và bất thường quá mức.

Kết quả thử nghiệm chính gồm hai chữ số đầu tiên này từ IDEA chỉ ra rằng nó hơi phù hợp với Hình 5.7. Biểu đồ nêu bật ba con số đáng ngờ nhất và ba mục đáng ngờ nhất bằng cách đặt con trỏ lên bất kỳ thanh nào

</div><span class="text_page_counter">Trang 14</span><div class="page_container" data-page="14">

<i><b>Kết luận:</b></i>

 <i>Phân tích của Benford, khi được sử dụng đúng cách, sẽ là một công cụ mạnhmẽ để xác định nghi phạm tài khoản hoặc số tiền để phân tích thêm.</i>

 <i>Phân tích của Benford là một cơng cụ bổ sung cho các thử nghiệm/công cụ bổsung.</i>

 <i>Người dùng phải có kiến thức chun mơn trong việc diễn giải kết quả.</i>

 <i>Định luật Benford là một công cụ tuyệt vời để đánh giá rủi ro ban đầu đối vớinội dung của tập dữ liệu. Nó cung cấp cho kiểm toán viên hoặc điều tra viên một điểmkhởi đầu tốt. Người dùng phải hiểu doanh nghiệp và ngành để sử dụng hiệu quả côngcụ này. Kiến thức về doanh nghiệp có thể nhanh chóng loại bỏ các kết quả dương tínhgiả, chẳng hạn như trong ví dụ về nhà sản xuất ô tô khi doanh số bán ô tô cho các đạilý đã gây ra sự tăng vọt đối với hai chữ số đầu tiên trong phạm vi 18 đến 32 chữ số,như được hiển thị trong Hình 5.3.</i>

</div><span class="text_page_counter">Trang 15</span><div class="page_container" data-page="15">

<b>II. Number Duplication Test (Kiểm tra trùng lặp số trong dữ liệu)1. Giới thiệu về sự trùng lặp số trong dữ liệu</b>

Kiểm tra trùng lặp số trong dữ liệu (NDT) không phải là bài kiểm tra Luật Benford cụ thể; đúng hơn nó là một bài kiểm tra liên quan có thể được sử dụng để cung cấp thêm thông tin từ các bài kiểm tra Định luật Benford. NDT có thể xuất ra các số cụ thể gây ra sự đột biến trong các bài kiểm tra thứ tự đầu tiên (kiểm tra hai chữ số đầu tiên là một ví dụ) và bài kiểm tra tổng, là bài kiểm tra Định luật Benford nâng cao.

Mức tăng đột biến từ bất kỳ thử nghiệm thứ tự đầu tiên nào là do các số xuất hiện thường xuyên hơn dự kiến trong khi mức tăng đột biến trong thử nghiệm tổng thường là do số lượng lớn các số giống nhau lặp lại thường xuyên hơn bình thường.

<i>Ví dụ: Mark Nigrini đã viết, “Bài kiểm tra trùng lặp số được phát triển như mộtphần của luận án tiến sĩ của tơi khi tơi đang tìm kiếm số tiền đóng thuế thường xuyênbị trùng lặp một cách bất thường. Tôi tin rằng những sự trùng lặp bất thường này tồntại bởi vì những người đóng thuế đã phát minh ra những con số và rằng, vì chúng tasuy nghĩ giống nhau nên mọi người sẽ bị thu hút về việc tạo ra những con số giốngnhau. Có một số kết quả thú vị đối với các lĩnh vực suy luận như đóng góp từ thiện.”</i>

Đầu ra sẽ hiển thị số tiền được nhân đôi và số lượng cho mỗi số tiền.

Thứ hạng của số lượng thể hiện những người có số lượng trùng lặp cao nhất gần đầu kết quả.

IDEA khơng có quy trình tự động cho NDT. Tuy nhiên, việc thực hiện việc này một cách thủ công trong IDEA không hề phức tạp.

Sử dụng tệp dữ liệu chi phí đi lại để thực hiện NDT. Tệp chi phí du lịch có các trường dành cho nhiều loại chi phí đi lại khác nhau, chẳng hạn như vận chuyển, vé máy bay, chỗ ở, bữa ăn, v.v. Ta sẽ kiểm tra số tiền điều chỉnh và số tiền lớn hơn hoặc

</div><span class="text_page_counter">Trang 16</span><div class="page_container" data-page="16">

1. Tóm tắt theo lĩnh vực thử nghiệm được lựa chọn là CHỖ Ở với tiêu chí ACCOMMODATION 10 như hình 5.11.

2. Tạo một tệp mới bằng tính năng sắp xếp trên trường NO_OF_RECORDS theo hướng giảm dần thứ tự thể hiện trong hình 5.12. Đây là trường đếm ta sẽ dễ dàng xếp hạng sau này vì đã chọn sắp xếp theo thứ tự giảm dần. Việc sắp xếp tạo ra một cơ sở dữ liệu mới với thứ tự sắp xếp đã chọn được đặt về mặt vật lý.

</div><span class="text_page_counter">Trang 17</span><div class="page_container" data-page="17">

3. Chúng ta sẽ tạo hai trường mới bằng cách sử dụng tính năng Nối trường. Đặt tên trường mới đầu tiên là RANK được đặt làm trường số ảo khơng có số thập phân. Sử dụng chức năng của @Precno( ), trả về số bản ghi vật lý trong tệp sẽ giữ nguyên ngay cả khi tệp sau đó được lập chỉ mục khác. Cái này sẽ tương đương với thứ hạng mà ta muốn xem.

Ngồi ra, chúng ta có thể rút ra hai chữ số đầu tiên từ số tiền hỗ trợ cho mỗi bản ghi. Nối một trường mới có tên FIRST_TWO được đặt làm trường số ảo với khơng có chữ số thập phân. Đối với trường mới sử dụng phương trình

<i>@Val(@Left(@Str(ACCOMMODATION, 2, 2), 2)).</i>

Phương trình này chuyển đổi trường ACCOMMODATION thành trường ký tự bằng cách sử dụng hàm @Str để xuất ra tối thiểu hai ký tự. 2 thứ hai là số thập phân. Ta có thể nhập 0 hoặc bất kỳ số vị trí thập phân nào, nhưng vị trí thập phân sẽ bị loại bỏ vì ta đã chỉ định rằng trường mới sẽ khơng chứa vị trí thập phân.

Hai chữ số thập phân được sử dụng ở đây như bình thường bạn mong muốn có hai chữ số thập phân và cũng để tạo cơ hội để thực hiện quan điểm này. Trường ACCOMMODATION số phải được thay đổi thành trường ký tự để thực hiện bất kỳ

</div><span class="text_page_counter">Trang 18</span><div class="page_container" data-page="18">

đầu từ vị trí bên trái. Sau đó, chúng ta sử dụng hàm @Val để chuyển đổi mọi thứ về dạng số, như trong Hình 5.13.

Bây giờ chúng ta có tất cả các chi phí chỗ ở từ trường NO_OF_RECS, vì vậy chúng ta biết số tiền chính xác đó xuất hiện trong cơ sở dữ liệu trong Hình 5.14 bao nhiêu lần.

</div>