Bad customers do fraud behavior in financial transactions is cause of economic losses and the threat for companies and organizations. Transactions exploded recently because of the development of mobile, online transactions in whole the world. Therefore, transaction processing and detecting anomalous behavior from hundreds of thousands of transactions with various types of behavior are no longer suitable for manual processing. In this paper, motif discovery for time series and anomaly detection by machine learning are proposed. A model that identifies fraudulent behavior patterns and classifies objects in the account level anomaly detection problem is modeled. The proposed model is experimented and then used to discover anomalies in retail activity data. Experimentally, the model has an accuracy of F1 of 75%Những khách hàng xấu thực hiện các hành vi gian lận trong các giao dịch tài chính gây thiệt hại về kinh tế và là mối nguy hiểm cho các công ty, tổ chức. Trong thời gian gần đây, các giao dịch bùng nổ bởi sự phát triển của các giao dịch tài chính qua mạng và di động trên toàn thế giới. Vì vậy, việc xử lý giao dịch và phát hiện những hành vi bất thường từ hàng trăm ngàn giao dịch với vô số loại hành vi khác nhau không còn phù hợp với phương thức xử lý thủ công. Trong bài báo này việc khai phá motif cho chuỗi thời gian và phát hiện bất thường bằng thuật toán học máy rừng ngẫu nhiên được đề xuất. Một mô hình xác định các mẫu hành vi gian lận và phân loại các đối tượng trong bài toán phát hiện bất thường ở cấp độ tài khoản được mô hình hoá. Mô hình đề xuất được thử nghiệm và sau đó sử dụng để phát hiện ra các khách hàng bất thường trong dữ liệu hoạt động bán lẻ. Bằng thực nghiệm chỉ ra mô hình có độ chính xác F1 là 75%.