Πώς προβλέπει με σαφήνεια και ακρίβεια δόλιες παραγγελίες χρησιμοποιώντας τον ανιχνευτή απάτης της Amazon

Αναδημοσίευση από τον Πλάτωνα

Ακολουθούν: 0

Αυτή η ανάρτηση συντάχθηκε από τον Ziv Pollak, επικεφαλής της ομάδας μηχανικής εκμάθησης, και τον Sarvi Loloei, μηχανικό μηχανικής μάθησης στο Clearly. Το περιεχόμενο και οι απόψεις σε αυτήν την ανάρτηση ανήκουν στους συγγραφείς τρίτων και η AWS δεν ευθύνεται για το περιεχόμενο ή την ακρίβεια αυτής της ανάρτησης.

Πρωτοπόρος στις ηλεκτρονικές αγορές, η Clearly κυκλοφόρησε τον πρώτο τους ιστότοπο το 2000. Από τότε, έχουμε εξελιχθεί σε έναν από τους μεγαλύτερους διαδικτυακούς εμπόρους γυαλιών λιανικής στον κόσμο, παρέχοντας γυαλιά σε πελάτες σε όλο τον Καναδά, τις ΗΠΑ, την Αυστραλία και τη Νέα Ζηλανδία, γυαλιά ηλίου, φακούς επαφής και άλλα προϊόντα για την υγεία των ματιών. Μέσω της αποστολής της να εξαλείψει την κακή όραση, η Clearly προσπαθεί να κάνει τα γυαλιά προσιτά και προσιτά σε όλους. Η δημιουργία μιας βελτιστοποιημένης πλατφόρμας ανίχνευσης απάτης αποτελεί βασικό μέρος αυτού του ευρύτερου οράματος.

Ο εντοπισμός της διαδικτυακής απάτης είναι μία από τις μεγαλύτερες προκλήσεις που αντιμετωπίζει κάθε διαδικτυακός οργανισμός λιανικής πώλησης - εκατοντάδες χιλιάδες δολάρια χάνονται λόγω απάτης κάθε χρόνο. Το κόστος προϊόντος, το κόστος αποστολής και το κόστος εργασίας για τον χειρισμό δόλιων παραγγελιών αυξάνουν περαιτέρω τον αντίκτυπο της απάτης. Η εύκολη και γρήγορη αξιολόγηση της απάτης είναι επίσης κρίσιμη για τη διατήρηση υψηλών ποσοστών ικανοποίησης πελατών. Οι συναλλαγές δεν θα πρέπει να καθυστερούν λόγω μακρών κύκλων έρευνας απάτης.

Σε αυτήν την ανάρτηση, μοιραζόμαστε πώς η Clearly κατασκεύασε έναν αυτοματοποιημένο και ενορχηστρωμένο αγωγό πρόβλεψης χρησιμοποιώντας Λειτουργίες βημάτων AWS, και χρησιμοποιείται Ανιχνευτής απάτης Amazon να εκπαιδεύσει ένα μοντέλο μηχανικής εκμάθησης (ML) που μπορεί να εντοπίσει διαδικτυακές δόλιες συναλλαγές και να τις φέρει στην προσοχή της ομάδας λειτουργιών χρέωσης. Αυτή η λύση συλλέγει επίσης μετρήσεις και αρχεία καταγραφής, παρέχει έλεγχο και καλείται αυτόματα.

Με τις υπηρεσίες AWS, η Clearly ανέπτυξε μια καλά σχεδιασμένη λύση χωρίς διακομιστή σε λίγες μόνο εβδομάδες.

Η πρόκληση: Πρόβλεψη απάτης γρήγορα και με ακρίβεια

Η υπάρχουσα λύση της Clearly βασιζόταν στην επισήμανση συναλλαγών χρησιμοποιώντας αυστηρούς κωδικοποιημένους κανόνες που δεν ενημερώνονταν αρκετά συχνά για να καταγράψουν νέα μοτίβα απάτης. Μόλις επισημανθεί, η συναλλαγή ελέγχθηκε μη αυτόματα από ένα μέλος της ομάδας λειτουργιών χρέωσης.

Αυτή η υπάρχουσα διαδικασία είχε σημαντικά μειονεκτήματα:

Ακαμπτος και ανακριβής – Οι αυστηρά κωδικοποιημένοι κανόνες για τον εντοπισμό συναλλαγών απάτης ήταν δύσκολο να ενημερωθούν, πράγμα που σημαίνει ότι η ομάδα δεν μπορούσε να ανταποκριθεί γρήγορα στις αναδυόμενες τάσεις απάτης. Οι κανόνες δεν μπόρεσαν να προσδιορίσουν με ακρίβεια πολλές ύποπτες συναλλαγές.
Λειτουργικά εντατική – Η διαδικασία δεν μπορούσε να κλιμακωθεί σε γεγονότα υψηλού όγκου πωλήσεων (όπως η Black Friday), απαιτώντας από την ομάδα να εφαρμόσει λύσεις ή να αποδεχτεί υψηλότερα ποσοστά απάτης. Επιπλέον, το υψηλό επίπεδο ανθρώπινης συμμετοχής πρόσθεσε σημαντικό κόστος στη διαδικασία παράδοσης του προϊόντος.
Καθυστερημένες παραγγελίες – Το χρονοδιάγραμμα εκπλήρωσης της παραγγελίας καθυστέρησε λόγω μη αυτόματων ελέγχων απάτης, με αποτέλεσμα δυσαρεστημένοι πελάτες.

Αν και η υπάρχουσα διαδικασία εντοπισμού απάτης ήταν ένα καλό σημείο εκκίνησης, δεν ήταν ούτε αρκετά ακριβής ούτε αρκετά γρήγορη για να καλύψει την αποτελεσματικότητα εκπλήρωσης παραγγελιών που Σαφώς επιθυμούσαμε.

Μια άλλη σημαντική πρόκληση που αντιμετωπίσαμε ήταν η έλλειψη μιας μόνιμης ομάδας ML—όλα τα μέλη ήταν στην εταιρεία λιγότερο από ένα χρόνο όταν ξεκίνησε το έργο.

Επισκόπηση της λύσης: Amazon Fraud Detector

Το Amazon Fraud Detector είναι μια πλήρως διαχειριζόμενη υπηρεσία που χρησιμοποιεί ML για να παρέχει εξαιρετικά ακριβή εντοπισμό απάτης και δεν απαιτεί τεχνογνωσία ML. Το μόνο που έπρεπε να κάνουμε ήταν να ανεβάσουμε τα δεδομένα μας και να ακολουθήσουμε μερικά απλά βήματα. Το Amazon Fraud Detector εξέτασε αυτόματα τα δεδομένα, εντόπισε σημαντικά μοτίβα και παρήγαγε ένα μοντέλο αναγνώρισης απάτης ικανό να κάνει προβλέψεις για νέες συναλλαγές.

Το παρακάτω διάγραμμα απεικονίζει τον αγωγό μας:

Για να λειτουργήσει η ροή, εφαρμόσαμε την ακόλουθη ροή εργασίας:

Amazon EventBridge καλεί τον αγωγό ενορχήστρωσης κάθε ώρα για να ελέγξει όλες τις εκκρεμείς συναλλαγές.
Το Step Functions βοηθά στη διαχείριση του αγωγού ενορχήστρωσης.
An AWS Lambda κλήσεις λειτουργιών Αμαζόν Αθηνά API για την ανάκτηση και προετοιμασία των δεδομένων εκπαίδευσης, που είναι αποθηκευμένα Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3).
Ένας ενορχηστρωμένος αγωγός λειτουργιών Lambda εκπαιδεύει ένα μοντέλο Amazon Fraud Detector και αποθηκεύει τις μετρήσεις απόδοσης του μοντέλου σε έναν κάδο S3.
Υπηρεσία απλών ειδοποιήσεων Amazon (Amazon SNS) ειδοποιεί τους χρήστες όταν παρουσιάζεται κάποιο πρόβλημα κατά τη διαδικασία εντοπισμού απάτης ή όταν η διαδικασία ολοκληρωθεί με επιτυχία.
Οι επιχειρηματικοί αναλυτές δημιουργούν πίνακες εργαλείων Amazon QuickSight, το οποίο ρωτά τα δεδομένα απάτης από το Amazon S3 χρησιμοποιώντας το Athena, όπως περιγράφουμε αργότερα σε αυτήν την ανάρτηση.

Επιλέξαμε να χρησιμοποιήσουμε το Amazon Fraud Detector για μερικούς λόγους:

Η υπηρεσία αξιοποιεί χρόνια εμπειρίας που διαθέτει η Amazon για την καταπολέμηση της απάτης. Αυτό μας έδωσε μεγάλη εμπιστοσύνη στις δυνατότητες της υπηρεσίας.
Η ευκολία χρήσης και υλοποίησης μας επέτρεψε να επιβεβαιώσουμε γρήγορα ότι διαθέτουμε το σύνολο δεδομένων που χρειαζόμαστε για να παράγουμε ακριβή αποτελέσματα.
Επειδή η ομάδα Clearly ML ήταν λιγότερο από 1 έτους, μια πλήρως διαχειριζόμενη υπηρεσία μας επέτρεψε να παραδώσουμε αυτό το έργο χωρίς να χρειαζόμαστε βαθιές τεχνικές δεξιότητες και γνώσεις ML.

Αποτελέσματα

Η εγγραφή των αποτελεσμάτων πρόβλεψης στην υπάρχουσα λίμνη δεδομένων μας επιτρέπει να χρησιμοποιούμε το QuickSight για να δημιουργήσουμε μετρήσεις και πίνακες εργαλείων για ανώτερα στελέχη. Αυτό τους δίνει τη δυνατότητα να κατανοούν και να χρησιμοποιούν αυτά τα αποτελέσματα όταν λαμβάνουν αποφάσεις για τα επόμενα βήματα για την επίτευξη των μηνιαίων στόχων μάρκετινγκ.

Καταφέραμε να παρουσιάσουμε τα αποτελέσματα των προβλέψεων σε δύο επίπεδα, ξεκινώντας από τη συνολική επιχειρηματική απόδοση και μετά εμβαθύνοντας στις απαιτούμενες επιδόσεις για κάθε τομέα δραστηριότητας (επαφές και γυαλιά).

Ο πίνακας ελέγχου μας περιλαμβάνει τις ακόλουθες πληροφορίες:

Απάτη ανά ημέρα ανά διαφορετικούς τομείς δραστηριότητας
Απώλεια εσόδων λόγω συναλλαγών απάτης
Τοποθεσία συναλλαγών απάτης (εντοπισμός καυτών σημείων απάτης)
Οι συναλλαγές απάτης επηρεάζονται από διαφορετικούς κωδικούς κουπονιών, γεγονός που μας επιτρέπει να παρακολουθούμε για προβληματικούς κωδικούς κουπονιών και να λαμβάνουμε περαιτέρω ενέργειες για τη μείωση του κινδύνου
Απάτη ανά ώρα, η οποία μας επιτρέπει να σχεδιάζουμε και να διαχειριζόμαστε την ομάδα λειτουργίας τιμολόγησης και να διασφαλίζουμε ότι έχουμε διαθέσιμους πόρους για τη διαχείριση του όγκου συναλλαγών όταν χρειάζεται

συμπεράσματα

Η αποτελεσματική και ακριβής πρόβλεψη της απάτης πελατών είναι μια από τις μεγαλύτερες προκλήσεις στο ML για το λιανικό εμπόριο σήμερα, και η καλή κατανόηση των πελατών μας και της συμπεριφοράς τους είναι ζωτικής σημασίας για την επιτυχία της Clearly. Το Amazon Fraud Detector παρείχε μια πλήρως διαχειριζόμενη λύση ML για να δημιουργήσει εύκολα ένα ακριβές και αξιόπιστο σύστημα πρόβλεψης απάτης με ελάχιστο κόστος. Οι προβλέψεις του Amazon Fraud Detector έχουν υψηλό βαθμό ακρίβειας και είναι απλές στη δημιουργία τους.

"Με κορυφαία εργαλεία ηλεκτρονικού εμπορίου όπως Εικονική δοκιμή, σε συνδυασμό με την απαράμιλλη εξυπηρέτηση πελατών μας, προσπαθούμε να βοηθήσουμε όλους να βλέπουν καθαρά με προσιτό και αβίαστο τρόπο—που σημαίνει ότι αναζητούμε συνεχώς τρόπους καινοτομίας, βελτίωσης και εξορθολογισμού των διαδικασιών,», είπε ο Δρ Ziv Pollak, Επικεφαλής της Ομάδας Μηχανικής Μάθησης. "Ο εντοπισμός διαδικτυακής απάτης είναι μια από τις μεγαλύτερες προκλήσεις στη μηχανική εκμάθηση στο λιανικό εμπόριο σήμερα. Μέσα σε λίγες μόνο εβδομάδες, το Amazon Fraud Detector μας βοήθησε να εντοπίσουμε με ακρίβεια και αξιοπιστία την απάτη με πολύ υψηλό επίπεδο ακρίβειας και να εξοικονομήσουμε χιλιάδες δολάρια."

Σχετικά με το Συγγραφέας

Δρ Ζιβ Πόλακ είναι ένας έμπειρος τεχνικός ηγέτης που μεταμορφώνει τον τρόπο με τον οποίο οι οργανισμοί χρησιμοποιούν τη μηχανική εκμάθηση για να αυξήσουν τα έσοδα, να μειώσουν το κόστος, να βελτιώσουν την εξυπηρέτηση πελατών και να εξασφαλίσουν την επιχειρηματική επιτυχία. Αυτή τη στιγμή ηγείται της ομάδας Machine Learning στο Clearly.

Sarvi Loloei είναι Associate Machine Learning Engineer στο Clearly. Χρησιμοποιώντας εργαλεία AWS, αξιολογεί την αποτελεσματικότητα του μοντέλου για να οδηγήσει την επιχειρηματική ανάπτυξη, να αυξήσει τα έσοδα και να βελτιστοποιήσει την παραγωγικότητα.