Kuinka selkeästi ennustaa vilpilliset tilaukset Amazon Fraud Detectorin avulla

Tämän viestin ovat kirjoittaneet Ziv Pollak, koneoppimistiimin johtaja, ja Sarvi Loloei, Clearlyn koneoppimisinsinööri. Tämän viestin sisältö ja mielipiteet ovat kolmansien osapuolien kirjoittajia, eikä AWS ole vastuussa tämän viestin sisällöstä tai tarkkuudesta.

Verkkokaupan edelläkävijä selkeästi avasi ensimmäisen sivustonsa vuonna 2000. Siitä lähtien meistä on tullut yksi maailman suurimmista silmälasien verkkokaupoista, joka tarjoaa asiakkailleen laseja Kanadassa, Yhdysvalloissa, Australiassa ja Uudessa-Seelannissa. aurinkolasit, piilolinssit ja muut silmien terveystuotteet. Clearly pyrkii eliminoimaan huonon näön, ja se pyrkii tekemään silmälaseista edullisia ja kaikkien saatavilla. Optimoidun petosten havaitsemisalustan luominen on keskeinen osa tätä laajempaa visiota.

Verkkopetosten tunnistaminen on yksi suurimmista haasteista, joita jokaisella verkkokaupan organisaatiolla on – satoja tuhansia dollareita menetetään petosten vuoksi joka vuosi. Tuotekustannukset, toimituskulut ja vilpillisten tilausten käsittelyyn liittyvät työkustannukset lisäävät edelleen petosten vaikutusta. Helppo ja nopea petosarviointi on myös kriittinen asiakastyytyväisyysasteen ylläpitämiseksi. Tapahtumia ei pidä viivyttää pitkien petosten tutkintajaksojen vuoksi.

Tässä viestissä kerromme, kuinka selkeästi rakensi automatisoidun ja organisoidun ennusteputken käyttämällä AWS-vaihetoiminnot, ja käytetty Amazonin petosilmaisin kouluttaa koneoppimismallin (ML), joka tunnistaa verkossa tapahtuvat vilpilliset tapahtumat ja tuo ne laskutustiimin tietoon. Tämä ratkaisu kerää myös mittareita ja lokeja, tarjoaa tarkastuksen ja se käynnistyy automaattisesti.

AWS-palveluilla Clearly otti käyttöön palvelimettoman, hyvin suunnitellun ratkaisun vain muutamassa viikossa.

Haaste: Petosten ennustaminen nopeasti ja tarkasti

Clearlyn olemassa oleva ratkaisu perustui tapahtumien merkitsemiseen kovakoodattujen sääntöjen avulla, joita ei päivitetty tarpeeksi usein uusien petosmallien havaitsemiseksi. Kun tapahtuma oli merkitty, laskutustoimintotiimin jäsen tarkisti sen manuaalisesti.

Tällä nykyisellä prosessilla oli suuria haittoja:

• joustamaton ja epätarkkoja – Koodattuja sääntöjä petostapahtumien tunnistamiseksi oli vaikea päivittää, joten tiimi ei pystynyt reagoimaan nopeasti nouseviin petostrendeihin. Säännöt eivät pystyneet tunnistamaan tarkasti monia epäilyttäviä liiketoimia.
• Toiminnallisesti intensiivinen – Prosessia ei voitu skaalata suuren myyntivolyymin tapahtumiin (kuten Black Friday), mikä vaati tiimin toteuttamaan kiertotapoja tai hyväksymään korkeammat petosluvut. Lisäksi ihmisten suuri osallistuminen lisäsi huomattavia kustannuksia tuotteen toimitusprosessiin.
• Myöhästyneet tilaukset – Tilauksen toimitusaikataulu viivästyi manuaalisten petosten tarkastelujen vuoksi, mikä johti tyytymättömiin asiakkaisiin.

Vaikka nykyinen petosten tunnistamisprosessimme oli hyvä lähtökohta, se ei ollut riittävän tarkka eikä riittävän nopea vastaamaan selvästi toivomaansa tilauksen toteuttamisen tehokkuuteen.

Toinen suuri haaste, jonka kohtasimme, oli vakinaisen ML-tiimin puute – kaikki jäsenet olivat olleet yrityksessä alle vuoden projektin alkaessa.

Ratkaisun yleiskatsaus: Amazon Fraud Detector

Amazon Fraud Detector on täysin hallittu palvelu, joka käyttää ML:ää erittäin tarkan petosten havaitsemiseen, eikä vaadi ML-asiantuntemusta. Meidän täytyi vain ladata tietomme ja seurata muutamia yksinkertaisia ​​​​vaiheita. Amazon Fraud Detector tutki tiedot automaattisesti, tunnisti merkitykselliset mallit ja loi petoksen tunnistusmallin, joka pystyi ennustamaan uusia tapahtumia.

Seuraava kaavio havainnollistaa putkistoamme:

Käytämme seuraavaa työnkulkua kulun toteuttamiseksi:

1. Amazon EventBridge soittaa orkestrointiputkeen tunnin välein tarkistaakseen kaikki odottavat tapahtumat.
2. Step Functions auttaa hallitsemaan orkestrointiputkea.
3. An AWS Lambda toimintokutsuja Amazon Athena Sovellusliittymät tallennetun harjoitustietojen hakemiseen ja valmistelemiseen Amazonin yksinkertainen tallennuspalvelu (Amazon S3).
4. Orkestroitu Lambda-toimintojen putki kouluttaa Amazon Fraud Detector -mallin ja tallentaa mallin suorituskykymittarit S3-ämpäriin.
5. Amazonin yksinkertainen ilmoituspalvelu (Amazon SNS) ilmoittaa käyttäjille, kun petosten havaitsemisprosessin aikana ilmenee ongelma tai prosessi päättyy onnistuneesti.
6. Liiketoimintaanalyytikot rakentavat kojelaudat niiden varaan Amazon QuickSight, joka kyselee Amazon S3:n petostietoja Athenan avulla, kuten kuvataan myöhemmin tässä viestissä.

Valitsimme käyttää Amazon Fraud Detectoria muutamasta syystä:

• Palvelu hyödyntää Amazonin vuosien kokemusta petosten torjunnassa. Tämä antoi meille paljon luottamusta palvelun kykyihin.
• Helppokäyttöisyys ja käyttöönotto antoivat meille mahdollisuuden varmistaa nopeasti, että meillä on tietojoukko, jota tarvitsemme tarkkojen tulosten tuottamiseen.
• Koska Clearly ML -tiimi oli alle vuoden ikäinen, täysin hallitun palvelun ansiosta pystyimme toteuttamaan tämän projektin ilman syvällisiä teknisiä ML-taitoja ja -tietoja.

tulokset

Ennustetulosten kirjoittaminen olemassa olevaan tietojärvemme antaa meille mahdollisuuden käyttää QuickSightia mittareiden ja kojetaulujen rakentamiseen ylimmän johdon tarpeisiin. Näin he voivat ymmärtää ja käyttää näitä tuloksia, kun he tekevät päätöksiä seuraavista vaiheista kuukausittaisten markkinointitavoitteidemme saavuttamiseksi.

Pystyimme esittämään ennustetulokset kahdella tasolla. Aloitimme liiketoiminnan kokonaissuorituskyvystä ja menimme sitten syvemmälle tarvittavaan suorituskykyyn kullekin toimialalle (kontaktit ja lasit).

Hallintapaneelimme sisältää seuraavat tiedot:

• Petokset päivässä eri toimialoilla
  
• Liikevaihdon menetys petoksista
  
• Petostapahtumien sijainti (petoskohteiden tunnistaminen)
  
• Petostapahtumat vaikuttavat erilaisilla kuponkikoodeilla, jolloin voimme seurata ongelmallisia kuponkikoodeja ja ryhtyä lisätoimenpiteisiin riskin vähentämiseksi
  
• Petos per tunti, jonka avulla voimme suunnitella ja hallita laskutustoimintatiimiä ja varmistaa, että meillä on käytettävissä resursseja käsitellä tapahtumamääriä tarvittaessa

Päätelmät

Tehokas ja tarkka asiakaspetosten ennustaminen on yksi vähittäiskaupan tämän päivän suurimmista haasteista ML:ssä, ja asiakkaidemme ja heidän käyttäytymisensä hyvä ymmärtäminen on erittäin tärkeää Clearlyn menestykselle. Amazon Fraud Detector tarjosi täysin hallitun ML-ratkaisun, jonka avulla voit luoda helposti tarkan ja luotettavan petosten ennustusjärjestelmän minimaalisilla kustannuksilla. Amazon Fraud Detector -ennusteet ovat erittäin tarkkoja, ja ne on helppo luoda.

"Johtavilla verkkokaupan työkaluilla, kuten Virtuaalinen kokeilu, yhdistettynä vertaansa vailla olevaan asiakaspalveluun, pyrimme auttamaan kaikkia näkemään selkeästi edullisella ja vaivattomasti – mikä tarkoittaa jatkuvasti tapoja innovoida, parantaa ja virtaviivaistaa prosesseja," sanoi Dr. Ziv Pollak, koneoppimisryhmän johtaja. "Verkkopetosten havaitseminen on yksi vähittäiskaupan koneoppimisen suurimmista haasteista nykyään. Vain muutamassa viikossa Amazon Fraud Detector auttoi meitä tunnistamaan petokset tarkasti ja luotettavasti erittäin tarkasti ja säästämään tuhansia dollareita."

---

kirjailijasta

Tri Ziv Pollak on kokenut tekninen johtaja, joka muuttaa organisaatioiden tapaa käyttää koneoppimista lisätäkseen tuloja, vähentääkseen kustannuksia, parantaakseen asiakaspalvelua ja varmistaakseen liiketoiminnan menestymisen. Hän johtaa tällä hetkellä Clearlyn koneoppimistiimiä.

Sarvi Loloei on apulaiskoneoppimisinsinööri Clearlyssä. Hän arvioi mallien tehokkuutta AWS-työkalujen avulla liiketoiminnan kasvun edistämiseksi, tulojen kasvattamiseksi ja tuottavuuden optimoimiseksi.

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