Con qué claridad predice con precisión los pedidos fraudulentos utilizando Amazon Fraud Detector

Reeditado por Platón

seguidores: 0

Esta publicación fue coescrita por Ziv Pollak, líder del equipo de aprendizaje automático, y Sarvi Loloei, ingeniero de aprendizaje automático en Clearly. El contenido y las opiniones de esta publicación pertenecen a los autores externos y AWS no es responsable del contenido o la precisión de esta publicación.

Pioneros en compras en línea, Clearly lanzó su primer sitio en 2000. Desde entonces, hemos crecido hasta convertirnos en uno de los minoristas de anteojos en línea más grandes del mundo, brindando anteojos a clientes en Canadá, EE. UU., Australia y Nueva Zelanda. gafas de sol, lentes de contacto y otros productos para la salud ocular. A través de su misión de eliminar la mala visión, Clearly se esfuerza por hacer que los anteojos sean asequibles y accesibles para todos. La creación de una plataforma optimizada de detección de fraudes es una parte clave de esta visión más amplia.

Identificar el fraude en línea es uno de los mayores desafíos que tiene toda organización minorista en línea: cada año se pierden cientos de miles de dólares debido al fraude. Los costos del producto, los costos de envío y los costos de mano de obra para el manejo de pedidos fraudulentos aumentan aún más el impacto del fraude. La evaluación de fraude fácil y rápida también es fundamental para mantener altos índices de satisfacción del cliente. Las transacciones no deben retrasarse debido a largos ciclos de investigación de fraude.

En esta publicación, compartimos cómo Clearly creó una tubería de pronóstico automatizada y orquestada usando Funciones de paso de AWSy usado Detector de fraudes de Amazon para entrenar un modelo de aprendizaje automático (ML) que pueda identificar transacciones fraudulentas en línea y llamar la atención del equipo de operaciones de facturación. Esta solución también recopila métricas y registros, proporciona auditoría y se invoca automáticamente.

Con los servicios de AWS, Clearly implementó una solución sin servidor y bien diseñada en solo unas pocas semanas.

El desafío: Predecir el fraude de forma rápida y precisa

La solución existente de Clearly se basaba en marcar transacciones utilizando reglas codificadas que no se actualizaban con la frecuencia suficiente para capturar nuevos patrones de fraude. Una vez marcada, la transacción fue revisada manualmente por un miembro del equipo de operaciones de facturación.

Este proceso existente tenía importantes inconvenientes:

Inflexible e inexacto – Las reglas codificadas para identificar transacciones fraudulentas eran difíciles de actualizar, lo que significaba que el equipo no podía responder rápidamente a las tendencias de fraude emergentes. Las reglas no pudieron identificar con precisión muchas transacciones sospechosas.
Operacionalmente intensivo – El proceso no podía escalar a eventos de alto volumen de ventas (como el Black Friday), lo que requería que el equipo implementara soluciones alternativas o aceptara tasas de fraude más altas. Además, el alto nivel de participación humana agregó un costo significativo al proceso de entrega del producto.
Pedidos retrasados – El cronograma de cumplimiento de pedidos se retrasó debido a revisiones manuales de fraude, lo que generó clientes insatisfechos.

Si bien nuestro proceso de identificación de fraude existente era un buen punto de partida, no era lo suficientemente preciso ni lo suficientemente rápido para cumplir con las eficiencias de cumplimiento de pedidos que Clearly deseaba.

Otro desafío importante al que nos enfrentamos fue la falta de un equipo de aprendizaje automático permanente: todos los miembros habían estado en la empresa menos de un año cuando se inició el proyecto.

Descripción general de la solución: Amazon Fraud Detector

Amazon Fraud Detector es un servicio completamente administrado que utiliza ML para ofrecer una detección de fraudes de alta precisión y no requiere experiencia en ML. Todo lo que teníamos que hacer era cargar nuestros datos y seguir unos sencillos pasos. Amazon Fraud Detector examinó automáticamente los datos, identificó patrones significativos y produjo un modelo de identificación de fraude capaz de hacer predicciones sobre nuevas transacciones.

El siguiente diagrama ilustra nuestra canalización:

Para operacionalizar el flujo, aplicamos el siguiente flujo de trabajo:

Puente de eventos de Amazon llama a la canalización de orquestación cada hora para revisar todas las transacciones pendientes.
Step Functions ayuda a administrar la canalización de orquestación.
An AWS Lambda llamadas a funciones Atenea amazónica API para recuperar y preparar los datos de entrenamiento, almacenados en Servicio de almacenamiento simple de Amazon (Amazon S3).
Una canalización orquestada de funciones de Lambda entrena un modelo de Amazon Fraud Detector y guarda las métricas de rendimiento del modelo en un depósito S3.
Servicio de notificación simple de Amazon (Amazon SNS) notifica a los usuarios cuando ocurre un problema durante el proceso de detección de fraude o cuando el proceso se completa con éxito.
Los analistas de negocios construyen tableros en Amazon QuickSight, que consulta los datos de fraude de Amazon S3 utilizando Athena, como describimos más adelante en esta publicación.

Elegimos usar Amazon Fraud Detector por varias razones:

El servicio aprovecha años de experiencia que Amazon tiene en la lucha contra el fraude. Esto nos dio mucha confianza en las capacidades del servicio.
La facilidad de uso e implementación nos permitió confirmar rápidamente que tenemos el conjunto de datos que necesitamos para producir resultados precisos.
Debido a que el equipo de Clearly ML tenía menos de 1 año, un servicio completamente administrado nos permitió entregar este proyecto sin necesidad de conocimientos y habilidades técnicas profundas de ML.

Resultados

Escribir los resultados de la predicción en nuestro lago de datos existente nos permite usar QuickSight para crear métricas y paneles para el liderazgo senior. Esto les permite comprender y utilizar estos resultados al tomar decisiones sobre los próximos pasos para cumplir con nuestros objetivos de marketing mensuales.

Pudimos presentar los resultados del pronóstico en dos niveles, comenzando con el desempeño general del negocio y luego profundizando en el desempeño necesario para cada línea de negocio (lentes de contacto y anteojos).

Nuestro tablero incluye la siguiente información:

Fraude por día por diferentes líneas de negocio
Pérdida de ingresos debido a transacciones fraudulentas
Ubicación de transacciones fraudulentas (identificación de puntos críticos de fraude)
Las transacciones fraudulentas se ven afectadas por diferentes códigos de cupón, lo que nos permite monitorear los códigos de cupón problemáticos y tomar medidas adicionales para reducir el riesgo.
Fraude por hora, que nos permite planificar y administrar el equipo de operación de facturación y asegurarnos de que tenemos recursos disponibles para manejar el volumen de transacciones cuando sea necesario

Conclusiones

La predicción efectiva y precisa del fraude del cliente es uno de los mayores desafíos en ML para el comercio minorista en la actualidad, y tener una buena comprensión de nuestros clientes y su comportamiento es vital para el éxito de Clearly. Amazon Fraud Detector proporcionó una solución de aprendizaje automático completamente administrada para crear fácilmente un sistema de predicción de fraude preciso y confiable con una sobrecarga mínima. Las predicciones de Amazon Fraud Detector tienen un alto grado de precisión y son fáciles de generar.

"Con herramientas de comercio electrónico líderes como Prueba virtual, combinado con nuestro incomparable servicio al cliente, nos esforzamos por ayudar a todos a ver claramente de una manera asequible y sin esfuerzo, lo que significa buscar constantemente formas de innovar, mejorar y optimizar los procesos.”, dijo el Dr. Ziv Pollak, líder del equipo de aprendizaje automático. “La detección de fraudes en línea es uno de los mayores desafíos en el aprendizaje automático en el comercio minorista en la actualidad. En solo unas pocas semanas, Amazon Fraud Detector nos ayudó a identificar el fraude de manera precisa y confiable con un nivel muy alto de precisión y a ahorrar miles de dólares."

Sobre la autora

Dra. Ziv Pollak es un líder técnico experimentado que transforma la forma en que las organizaciones utilizan el aprendizaje automático para aumentar los ingresos, reducir los costos, mejorar el servicio al cliente y garantizar el éxito empresarial. Actualmente lidera el equipo de Machine Learning en Clearly.

Sarvi Loloei es ingeniero asociado de aprendizaje automático en Clearly. Con las herramientas de AWS, evalúa la eficacia del modelo para impulsar el crecimiento empresarial, aumentar los ingresos y optimizar la productividad.