Wie klar und genau betrügerische Bestellungen mit Amazon Fraud Detector vorhersagt

Neuauflage von Plato

Verfolger: 0

Dieser Beitrag wurde gemeinsam von Ziv Pollak, Teamleiter für maschinelles Lernen, und Sarvi Loloei, Ingenieur für maschinelles Lernen bei Clearly, verfasst. Der Inhalt und die Meinungen in diesem Beitrag sind die der Drittautoren und AWS ist nicht verantwortlich für den Inhalt oder die Genauigkeit dieses Beitrags.

Als Pionier im Online-Shopping startete Clearly seine erste Website im Jahr 2000. Seitdem haben wir uns zu einem der größten Online-Brillenhändler der Welt entwickelt und beliefern Kunden in ganz Kanada, den USA, Australien und Neuseeland mit Brillen. Sonnenbrillen, Kontaktlinsen und andere Augengesundheitsprodukte. Durch seine Mission, schlechtes Sehen zu beseitigen, strebt Clearly danach, Brillen für jedermann erschwinglich und zugänglich zu machen. Die Schaffung einer optimierten Betrugserkennungsplattform ist ein wesentlicher Bestandteil dieser umfassenderen Vision.

Das Erkennen von Online-Betrug ist eine der größten Herausforderungen für jedes Online-Einzelhandelsunternehmen – Hunderttausende von Dollar gehen jedes Jahr durch Betrug verloren. Produktkosten, Versandkosten und Arbeitskosten für die Bearbeitung betrügerischer Bestellungen erhöhen die Auswirkungen von Betrug weiter. Eine einfache und schnelle Betrugsbewertung ist ebenfalls entscheidend für die Aufrechterhaltung einer hohen Kundenzufriedenheit. Transaktionen sollten nicht aufgrund langer Betrugsuntersuchungszyklen verzögert werden.

In diesem Beitrag teilen wir mit, wie Clearly eine automatisierte und orchestrierte Prognosepipeline mithilfe von erstellt hat AWS Step-Funktionenund verwendet Amazon Fraud Detector um ein Modell für maschinelles Lernen (ML) zu trainieren, das betrügerische Online-Transaktionen identifizieren und das Abrechnungsteam darauf aufmerksam machen kann. Diese Lösung sammelt auch Metriken und Protokolle, bietet Auditing und wird automatisch aufgerufen.

Mit AWS-Services hat Clearly in nur wenigen Wochen eine serverlose, gut strukturierte Lösung bereitgestellt.

Die Herausforderung: Betrug schnell und genau vorhersagen

Die vorhandene Lösung von Clearly basierte auf der Kennzeichnung von Transaktionen mit fest codierten Regeln, die nicht häufig genug aktualisiert wurden, um neue Betrugsmuster zu erkennen. Nach der Kennzeichnung wurde die Transaktion manuell von einem Mitglied des Abrechnungsbetriebsteams überprüft.

Dieses bestehende Verfahren hatte große Nachteile:

Unflexibel und ungenau – Die fest programmierten Regeln zur Identifizierung von Betrugstransaktionen waren schwer zu aktualisieren, was bedeutete, dass das Team nicht schnell auf neue Betrugstrends reagieren konnte. Die Regeln waren nicht in der Lage, viele verdächtige Transaktionen genau zu identifizieren.
Betriebsintensiv – Der Prozess konnte nicht auf Veranstaltungen mit hohem Verkaufsvolumen (wie Black Friday) skaliert werden, sodass das Team Problemumgehungen implementieren oder höhere Betrugsraten akzeptieren musste. Darüber hinaus verursachte das hohe Maß an menschlicher Beteiligung erhebliche Kosten für den Produktlieferungsprozess.
Verspätete Bestellungen – Der Zeitplan für die Auftragserfüllung wurde durch manuelle Betrugsüberprüfungen verzögert, was zu unzufriedenen Kunden führte.

Obwohl unser bestehender Betrugserkennungsprozess ein guter Ausgangspunkt war, war er weder genau noch schnell genug, um die von Clearly gewünschte Effizienz der Auftragsabwicklung zu erreichen.

Eine weitere große Herausforderung, mit der wir konfrontiert waren, war das Fehlen eines fest angestellten ML-Teams – alle Mitglieder waren weniger als ein Jahr im Unternehmen, als das Projekt startete.

Lösungsübersicht: Amazon Fraud Detector

Amazon Fraud Detector ist ein vollständig verwalteter Dienst, der ML verwendet, um eine hochpräzise Betrugserkennung zu liefern, und keine ML-Expertise erfordert. Alles, was wir tun mussten, war, unsere Daten hochzuladen und ein paar einfache Schritte zu befolgen. Amazon Fraud Detector untersuchte die Daten automatisch, identifizierte aussagekräftige Muster und erstellte ein Betrugserkennungsmodell, das Vorhersagen über neue Transaktionen treffen kann.

Das folgende Diagramm veranschaulicht unsere Pipeline:

Um den Ablauf zu operationalisieren, haben wir den folgenden Workflow angewendet:

Amazon EventBridge ruft die Orchestrierungspipeline stündlich auf, um alle ausstehenden Transaktionen zu überprüfen.
Step Functions hilft bei der Verwaltung der Orchestrierungspipeline.
An AWS Lambda Funktionsaufrufe Amazonas Athena APIs zum Abrufen und Vorbereiten der Trainingsdaten, gespeichert auf Amazon Simple Storage-Service (Amazon S3).
Eine orchestrierte Pipeline von Lambda-Funktionen trainiert ein Amazon Fraud Detector-Modell und speichert die Modellleistungsmetriken in einem S3-Bucket.
Amazon Simple Notification Service (Amazon SNS) benachrichtigt Benutzer, wenn während des Betrugserkennungsprozesses ein Problem auftritt oder wenn der Prozess erfolgreich abgeschlossen wird.
Business-Analysten bauen Dashboards auf Amazon QuickSight, das die Betrugsdaten von Amazon S3 mit Athena abfragt, wie wir später in diesem Beitrag beschreiben.

Wir haben uns aus mehreren Gründen für Amazon Fraud Detector entschieden:

Der Dienst nutzt die jahrelange Expertise von Amazon im Kampf gegen Betrug. Dies gab uns großes Vertrauen in die Leistungsfähigkeit des Dienstes.
Die Benutzerfreundlichkeit und Implementierung ermöglichten es uns, schnell zu bestätigen, dass wir über den Datensatz verfügen, den wir benötigen, um genaue Ergebnisse zu erzielen.
Da das Clearly ML-Team weniger als 1 Jahr alt war, ermöglichte uns ein vollständig verwalteter Service, dieses Projekt durchzuführen, ohne tiefgreifende technische ML-Fähigkeiten und -Kenntnisse zu benötigen.

Die Ergebnisse

Durch das Schreiben der Vorhersageergebnisse in unseren bestehenden Data Lake können wir QuickSight verwenden, um Metriken und Dashboards für Führungskräfte zu erstellen. Dadurch können sie diese Ergebnisse verstehen und verwenden, wenn sie Entscheidungen über die nächsten Schritte treffen, um unsere monatlichen Marketingziele zu erreichen.

Wir konnten die Prognoseergebnisse auf zwei Ebenen präsentieren, beginnend mit der Gesamtleistung des Unternehmens und dann tiefer in die erforderliche Leistung pro Geschäftsbereich (Kontakte und Brillen) einsteigen.

Unser Dashboard enthält die folgenden Informationen:

Betrug pro Tag in verschiedenen Geschäftsbereichen
Umsatzverluste aufgrund von Betrugstransaktionen
Standort von Betrugstransaktionen (Identifizierung von Betrugsschwerpunkten)
Betrugstransaktionen wirken sich auf unterschiedliche Gutscheincodes aus, wodurch wir problematische Gutscheincodes überwachen und weitere Maßnahmen ergreifen können, um das Risiko zu verringern
Betrug pro Stunde, was es uns ermöglicht, das Abrechnungsteam zu planen und zu verwalten und sicherzustellen, dass wir Ressourcen zur Verfügung haben, um das Transaktionsvolumen bei Bedarf zu bewältigen

Schlussfolgerungen

Die effektive und genaue Vorhersage von Kundenbetrug ist heute eine der größten Herausforderungen im ML-Bereich für den Einzelhandel, und ein gutes Verständnis unserer Kunden und ihres Verhaltens ist für den Erfolg von Clearly von entscheidender Bedeutung. Amazon Fraud Detector stellte eine vollständig verwaltete ML-Lösung bereit, um auf einfache Weise ein genaues und zuverlässiges Betrugsvorhersagesystem mit minimalem Overhead zu erstellen. Vorhersagen von Amazon Fraud Detector haben ein hohes Maß an Genauigkeit und sind einfach zu generieren.

"Mit führenden E-Commerce-Tools wie Virtuelles Anprobieren, kombiniert mit unserem beispiellosen Kundenservice, bemühen wir uns, allen auf erschwingliche und mühelose Weise zu helfen, klar zu sehen – was bedeutet, dass wir ständig nach Wegen suchen, um Prozesse zu innovieren, zu verbessern und zu rationalisieren,“, sagte Dr. Ziv Pollak, Teamleiter für maschinelles Lernen. „Die Online-Betrugserkennung ist heute eine der größten Herausforderungen des maschinellen Lernens im Einzelhandel. In nur wenigen Wochen hat uns Amazon Fraud Detector dabei geholfen, Betrug genau und zuverlässig mit einem sehr hohen Maß an Genauigkeit zu erkennen und Tausende von Dollar zu sparen."

Über den Autor

Ziv Pollak ist ein erfahrener technischer Leiter, der die Art und Weise verändert, wie Unternehmen maschinelles Lernen nutzen, um den Umsatz zu steigern, Kosten zu senken, den Kundenservice zu verbessern und den Geschäftserfolg sicherzustellen. Derzeit leitet er das Team für maschinelles Lernen bei Clearly.

Sarvi Loloei ist Associate Machine Learning Engineer bei Clearly. Mithilfe von AWS-Tools bewertet sie die Modelleffektivität, um das Unternehmenswachstum voranzutreiben, den Umsatz zu steigern und die Produktivität zu optimieren.