En la era de la creciente digitalización, las organizaciones enfrentan el desafío crítico de detectar anomalías en grandes volúmenes de datos, que pueden indicar actividades sospechosas. Para abordar este desafío, se realizan auditorías de manera regular, y los auditores internos y los especialistas en compras buscan métodos innovadores para agilizar estos procesos. Este estudio presenta una metodología para priorizar la investigación de anomalías identificadas en dos grandes conjuntos de datos de compras del mundo real. El objetivo principal es mejorar la efectividad de los esfuerzos de control de las empresas y aumentar la eficiencia de las tareas de detección de anomalías. El enfoque comienza con un análisis exploratorio de datos exhaustivo, seguido de la aplicación de técnicas de aprendizaje automático no supervisado para identificar anomalías. Se realiza un análisis univariante utilizando el índice z-Score y el algoritmo DBSCAN, mientras que el análisis multivariante emplea algoritmos de agrupamiento k-Means y Isolation Forest. Además, se utiliza el índice Silhouette para evaluar la calidad del agrupamiento, asegurando que cada método produzca una lista priorizada de transacciones candidatas para una revisión más detallada. Para refinar este proceso, se desarrolla un marco de priorización en conjunto, integrando múltiples métodos. Además, se utilizan herramientas de explicabilidad como SHAP para proporcionar información procesable y apoyar a los especialistas en la interpretación de los resultados. Esta metodología tiene como objetivo empoderar a las organizaciones para detectar anomalías de manera más efectiva y agilizar el proceso de auditoría.