Prédiction claire et précise des commandes frauduleuses à l'aide d'Amazon Fraud Detector

Republié par Platon

Suiveurs: 0

Cet article a été coécrit par Ziv Pollak, chef d'équipe d'apprentissage automatique, et Sarvi Loloei, ingénieur en apprentissage automatique chez Clearly. Le contenu et les opinions de cet article sont ceux des auteurs tiers et AWS n'est pas responsable du contenu ou de l'exactitude de cet article.

Pionnier du magasinage en ligne, Clearly a lancé son premier site en 2000. Depuis lors, nous sommes devenus l'un des plus grands détaillants de lunettes en ligne au monde, offrant aux clients du Canada, des États-Unis, de l'Australie et de la Nouvelle-Zélande des lunettes, lunettes de soleil, lentilles de contact et autres produits de santé oculaire. Grâce à sa mission d'éliminer la mauvaise vision, Clearly s'efforce de rendre les lunettes abordables et accessibles à tous. La création d'une plateforme optimisée de détection des fraudes est un élément clé de cette vision plus large.

L'identification de la fraude en ligne est l'un des plus grands défis auxquels toute entreprise de vente au détail en ligne est confrontée : des centaines de milliers de dollars sont perdus à cause de la fraude chaque année. Les coûts des produits, les frais d'expédition et les coûts de main-d'œuvre liés au traitement des commandes frauduleuses augmentent encore l'impact de la fraude. Une évaluation simple et rapide des fraudes est également essentielle pour maintenir des taux de satisfaction client élevés. Les transactions ne doivent pas être retardées en raison de longs cycles d'enquête sur les fraudes.

Dans cet article, nous expliquons comment Clearly a construit un pipeline de prévision automatisé et orchestré à l'aide de Fonctions d'étape AWS, et utilisé Détecteur de fraude Amazon pour former un modèle d'apprentissage automatique (ML) capable d'identifier les transactions frauduleuses en ligne et de les porter à l'attention de l'équipe des opérations de facturation. Cette solution collecte également des métriques et des journaux, fournit des audits et est invoquée automatiquement.

Avec les services AWS, Clearly a déployé une solution sans serveur bien architecturée en quelques semaines seulement.

Le défi : prévoir la fraude rapidement et avec précision

La solution existante de Clearly était basée sur le signalement des transactions à l'aide de règles codées en dur qui n'étaient pas mises à jour assez fréquemment pour détecter de nouveaux modèles de fraude. Une fois signalée, la transaction était examinée manuellement par un membre de l'équipe des opérations de facturation.

Ce procédé existant présentait des inconvénients majeurs :

Inflexible et inexact – Les règles codées en dur pour identifier les transactions frauduleuses étaient difficiles à mettre à jour, ce qui signifiait que l'équipe ne pouvait pas réagir rapidement aux tendances émergentes en matière de fraude. Les règles n'ont pas été en mesure d'identifier avec précision de nombreuses transactions suspectes.
Intensif sur le plan opérationnel – Le processus ne pouvait pas s'adapter à des événements à volume de ventes élevé (comme le Black Friday), obligeant l'équipe à mettre en œuvre des solutions de contournement ou à accepter des taux de fraude plus élevés. De plus, le niveau élevé d'implication humaine a ajouté un coût significatif au processus de livraison du produit.
Commandes retardées – Le délai d'exécution des commandes a été retardé par des examens manuels des fraudes, ce qui a rendu les clients mécontents.

Bien que notre processus d'identification des fraudes existant ait été un bon point de départ, il n'était ni assez précis ni assez rapide pour atteindre l'efficacité d'exécution des commandes souhaitée par Clearly.

Un autre défi majeur auquel nous avons été confrontés était le manque d'équipe ML permanente - tous les membres étaient dans l'entreprise depuis moins d'un an lorsque le projet a démarré.

Présentation de la solution : Amazon Fraud Detector

Amazon Fraud Detector est un service entièrement géré qui utilise ML pour fournir une détection de fraude très précise et ne nécessite aucune expertise en ML. Tout ce que nous avions à faire était de télécharger nos données et de suivre quelques étapes simples. Amazon Fraud Detector a automatiquement examiné les données, identifié des modèles significatifs et produit un modèle d'identification de fraude capable de faire des prédictions sur les nouvelles transactions.

Le schéma suivant illustre notre pipeline :

Pour opérationnaliser le flux, nous avons appliqué le workflow suivant :

Amazon Event Bridge appelle le pipeline d'orchestration toutes les heures pour examiner toutes les transactions en attente.
Step Functions aide à gérer le pipeline d'orchestration.
An AWS Lambda appels de fonction Amazone Athéna Des API pour récupérer et préparer les données d'entraînement, stockées sur Service de stockage simple Amazon (Amazon S3).
Un pipeline orchestré de fonctions Lambda forme un modèle Amazon Fraud Detector et enregistre les métriques de performances du modèle dans un compartiment S3.
Service de notification simple d'Amazon (Amazon SNS) avertit les utilisateurs lorsqu'un problème survient pendant le processus de détection de fraude ou lorsque le processus se termine avec succès.
Les analystes commerciaux créent des tableaux de bord sur Amazon QuickSight, qui interroge les données de fraude d'Amazon S3 à l'aide d'Athena, comme nous le décrivons plus loin dans cet article.

Nous avons choisi d'utiliser Amazon Fraud Detector pour plusieurs raisons :

Le service s'appuie sur des années d'expertise d'Amazon dans la lutte contre la fraude. Cela nous a donné une grande confiance dans les capacités du service.
La facilité d'utilisation et de mise en œuvre nous a permis de confirmer rapidement que nous disposions de l'ensemble de données dont nous avions besoin pour produire des résultats précis.
Étant donné que l'équipe de Clearly ML avait moins d'un an, un service entièrement géré nous a permis de réaliser ce projet sans avoir besoin de compétences et de connaissances techniques approfondies en matière de ML.

Résultats

L'écriture des résultats de prédiction dans notre lac de données existant nous permet d'utiliser QuickSight pour créer des métriques et des tableaux de bord pour la haute direction. Cela leur permet de comprendre et d'utiliser ces résultats lors de la prise de décisions sur les prochaines étapes pour atteindre nos objectifs marketing mensuels.

Nous avons pu présenter les résultats des prévisions à deux niveaux, en commençant par les performances globales de l'entreprise, puis en approfondissant les performances nécessaires pour chaque secteur d'activité (contacts et lunettes).

Notre tableau de bord comprend les informations suivantes :

Fraude par jour et par différents secteurs d'activité
Perte de revenus due à des transactions frauduleuses
Localisation des transactions frauduleuses (identification des points chauds de fraude)
Impact des transactions frauduleuses par différents codes de coupon, ce qui nous permet de surveiller les codes de coupon problématiques et de prendre d'autres mesures pour réduire le risque
Fraude par heure, ce qui nous permet de planifier et de gérer l'équipe chargée des opérations de facturation et de nous assurer que nous disposons de ressources pour gérer le volume de transactions en cas de besoin

Conclusions

La prédiction efficace et précise de la fraude client est l'un des plus grands défis du ML pour le commerce de détail aujourd'hui, et avoir une bonne compréhension de nos clients et de leur comportement est essentiel au succès de Clearly. Amazon Fraud Detector a fourni une solution ML entièrement gérée pour créer facilement un système de prédiction de fraude précis et fiable avec un minimum de frais généraux. Les prédictions d'Amazon Fraud Detector ont un haut degré de précision et sont simples à générer.

"Avec des outils de commerce électronique de premier plan comme Essai virtuel, combiné à notre service client inégalé, nous nous efforçons d'aider tout le monde à voir clair de manière abordable et sans effort, ce qui signifie constamment rechercher des moyens d'innover, d'améliorer et de rationaliser les processus,», a déclaré le Dr Ziv Pollak, chef d'équipe d'apprentissage automatique. "La détection des fraudes en ligne est aujourd'hui l'un des plus grands défis de l'apprentissage automatique dans le commerce de détail. En quelques semaines seulement, Amazon Fraud Detector nous a aidés à identifier de manière précise et fiable les fraudes avec un très haut niveau de précision et à économiser des milliers de dollars. »

À propos de l’auteur

Dr Ziv Pollak est un leader technique expérimenté qui transforme la façon dont les organisations utilisent l'apprentissage automatique pour augmenter les revenus, réduire les coûts, améliorer le service client et assurer le succès de l'entreprise. Il dirige actuellement l'équipe Machine Learning chez Clearly.

Sarvi Loloei est ingénieur associé en apprentissage automatique chez Clearly. À l'aide des outils AWS, elle évalue l'efficacité des modèles pour stimuler la croissance de l'entreprise, augmenter les revenus et optimiser la productivité.