Kuidas selgelt ennustab Amazoni pettusedetektori abil petturlikke tellimusi

Selle postituse kirjutasid masinõppe meeskonna juht Ziv Pollak ja Clearly masinõppeinsener Sarvi Loloei. Selle postituse sisu ja arvamused on kolmandate osapoolte autorite omad ja AWS ei vastuta selle postituse sisu ega täpsuse eest.

Veebikaubanduse teerajajana käivitas Clearly oma esimese saidi 2000. aastal. Sellest ajast alates oleme kasvanud üheks suurimaks veebipõhiseks prillide jaemüüjaks maailmas, pakkudes klientidele Kanadas, USA-s, Austraalias ja Uus-Meremaal prille, päikeseprillid, kontaktläätsed ja muud silmahooldustooted. Oma missiooni kaudu kõrvaldada halb nägemine, püüab Clearly muuta prillid taskukohaseks ja kõigile kättesaadavaks. Optimeeritud pettuste tuvastamise platvormi loomine on selle laiema visiooni põhiosa.

Interneti-pettuste tuvastamine on üks suurimaid väljakutseid, mis igal veebipõhisel jaemüügiorganisatsioonil on – igal aastal kaotatakse pettuste tõttu sadu tuhandeid dollareid. Pettusega seotud tellimuste käsitlemise tootekulud, saatmiskulud ja tööjõukulud suurendavad veelgi pettuse mõju. Lihtne ja kiire pettuste hindamine on samuti kriitiline, et säilitada kõrge klientide rahulolu. Tehinguid ei tohiks pikkade pettuste uurimistsüklite tõttu edasi lükata.

Selles postituses jagame, kuidas Selgelt ehitas automatiseeritud ja organiseeritud prognoosimistoru AWS-i astmefunktsioonid, ja kasutatud Amazoni pettusedetektor koolitada masinõppe (ML) mudelit, mis suudab tuvastada veebipõhiseid petturlikke tehinguid ja juhtida neile arveldusoperatsioonide meeskonna tähelepanu. See lahendus kogub ka mõõdikuid ja logisid, pakub auditeerimist ja käivitatakse automaatselt.

AWS-i teenustega juurutas Clearly vaid mõne nädalaga serverita hästi läbimõeldud lahenduse.

Väljakutse: pettuste kiire ja täpne ennustamine

Clearly'i olemasolev lahendus põhines tehingute märgistamisel, kasutades kõvasti kodeeritud reegleid, mida ei värskendatud piisavalt sageli, et tabada uusi pettusmustreid. Pärast märgistamist vaatas arveldustoimingute meeskonna liige tehingu käsitsi üle.

Sellel olemasoleval protsessil olid suured puudused:

• Paindumatu ja ebatäpne – Pettustehingute tuvastamiseks mõeldud kõvasti kodeeritud reegleid oli raske uuendada, mis tähendab, et meeskond ei saanud kiiresti reageerida tekkivatele pettustrendidele. Reeglid ei suutnud paljusid kahtlasi tehinguid täpselt tuvastada.
• Operatiivselt intensiivne – Protsessi ei saanud ulatuda suure müügimahuga sündmusteni (nt must reede), mis nõuab, et meeskond rakendaks lahendusi või nõustuks kõrgemate pettuste määraga. Lisaks suurendas inimeste suur osalus toote tarneprotsessile märkimisväärseid kulusid.
• Hilinenud tellimused – Tellimuse täitmise ajakava viibis käsitsi pettuste läbivaatamise tõttu, mis põhjustas rahulolematuid kliente.

Kuigi meie olemasolev pettuste tuvastamise protsess oli hea lähtepunkt, ei olnud see piisavalt täpne ega piisavalt kiire, et tagada selgelt soovitud tellimuste täitmise tõhusus.

Teine suur väljakutse, millega silmitsi seisame, oli ML-i meeskonna puudumine – kõik liikmed olid projekti alguse ajal ettevõttes olnud vähem kui aasta.

Lahenduse ülevaade: Amazon Fraud Detector

Amazon Fraud Detector on täielikult hallatav teenus, mis kasutab ML-i väga täpseks pettuste tuvastamiseks ja mis ei vaja ML-teadmisi. Kõik, mida me tegema pidime, oli oma andmed üles laadida ja järgida mõnda lihtsat sammu. Amazon Fraud Detector uuris andmeid automaatselt, tuvastas tähenduslikud mustrid ja koostas pettuste tuvastamise mudeli, mis võimaldab ennustada uusi tehinguid.

Järgmine diagramm illustreerib meie torujuhet:

Voo käivitamiseks rakendasime järgmist töövoogu:

1. Amazon EventBridge helistab orkestreerimiskonveierile iga tunni tagant, et vaadata üle kõik pooleliolevad tehingud.
2. Step Functions aitab hallata orkestreerimiskonveieri.
3. An AWS Lambda funktsioonikutsed Amazonase Athena API-d salvestatud treeningandmete toomiseks ja ettevalmistamiseks Amazoni lihtne salvestusteenus (Amazon S3).
4. Lambda funktsioonide orkestreeritud torustik treenib Amazoni pettusedetektori mudelit ja salvestab mudeli jõudlusnäitajad S3 ämbrisse.
5. Amazoni lihtne teavitusteenus (Amazon SNS) teavitab kasutajaid, kui pettuse tuvastamise protsessis ilmneb probleem või kui protsess on edukalt lõppenud.
6. Ärianalüütikud loovad armatuurlauad Amazon QuickSight, mis küsib Athena abil Amazon S3 pettuseandmeid, nagu me selles postituses hiljem kirjeldame.

Otsustasime kasutada Amazon Fraud Detectorit mitmel põhjusel:

• Teenus kasutab ära aastatepikkuse kogemuse, mille Amazonil on pettuste vastu võitlemisel. See andis meile palju kindlustunnet teenuse võimaluste suhtes.
• Kasutuslihtsus ja juurutamine võimaldasid meil kiiresti kinnitada, et meil on täpsete tulemuste saamiseks vajalik andmestik.
• Kuna Clearly ML-i meeskond oli alla 1-aastane, võimaldas täielikult hallatud teenus meil selle projekti ellu viia ilma sügavaid tehnilisi ML-oskusi ja teadmisi vajamata.

Tulemused

Ennustuste tulemuste kirjutamine meie olemasolevasse andmejärve võimaldab meil kasutada QuickSighti kõrgemate juhtkondade mõõdikute ja armatuurlaudade koostamiseks. See võimaldab neil neid tulemusi mõista ja kasutada meie igakuiste turunduseesmärkide saavutamiseks vajalike järgmiste sammude üle otsustamisel.

Prognoositulemusi saime esitada kahel tasandil, alustades üldisest äritegevusest ja seejärel süvenedes iga ärivaldkonna (kontaktid ja prillid) vajalike tulemustega.

Meie armatuurlaud sisaldab järgmist teavet:

• Pettused päevas erinevate tegevusalade kaupa
  
• Pettustehingute tõttu saamata jäänud tulu
  
• Pettustehingute asukoht (pettuste levipunktide tuvastamine)
  
• Pettustehinguid mõjutavad erinevad kupongikoodid, mis võimaldab meil jälgida probleemseid kupongikoode ja võtta täiendavaid meetmeid riski vähendamiseks
  
• Pettus tunnis, mis võimaldab meil planeerida ja hallata arveldusoperatsiooni meeskonda ning tagada, et meil on ressursse vajaduse korral tehingumahu haldamiseks

Järeldused

Klientide pettuste tõhus ja täpne prognoosimine on tänapäeval üks suurimaid väljakutseid ML jaekaubanduses ning meie klientide ja nende käitumise hea mõistmine on Clearly edu jaoks ülioluline. Amazon Fraud Detector pakkus täielikult hallatud ML-lahendust, mis võimaldab hõlpsalt luua täpse ja usaldusväärse pettuste ennustamise süsteemi minimaalse üldkuluga. Amazon Fraud Detectori ennustused on suure täpsusega ja neid on lihtne luua.

"Juhtivate poodide tööriistadega nagu Virtuaalne proovimine, koos meie võrratu klienditeenindusega, püüame aidata kõigil selgelt näha taskukohasel ja pingutuseta viisil – see tähendab pidevalt võimaluste otsimist protsesside uuendamiseks, täiustamiseks ja sujuvamaks muutmiseks,” ütles masinõppe meeskonna juht dr Ziv Pollak. “Interneti-pettuste tuvastamine on tänapäeval jaemüügi masinõppe üks suurimaid väljakutseid. Vaid mõne nädalaga aitas Amazon Fraud Detector meil pettuse täpselt ja usaldusväärselt väga suure täpsusega tuvastada ning säästa tuhandeid dollareid."

---

Teave Autor

Dr Ziv Pollak on kogenud tehniline juht, kes muudab organisatsioonide masinõppe kasutamist tulude suurendamiseks, kulude vähendamiseks, klienditeeninduse parandamiseks ja äriedu tagamiseks. Praegu juhib ta ettevõttes Clearly masinõppe meeskonda.

Sarvi Loloei on Clearly'i masinõppeinsener. AWS-i tööriistu kasutades hindab ta mudeli tõhusust, et kiirendada ettevõtte kasvu, suurendada tulusid ja optimeerida tootlikkust.

Allikas: https://aws.amazon.com/blogs/machine-learning/how-clearly-accurately-predicts-fraudulent-orders-using-amazon-fraud-detector/