Hogyan egyértelműen előrejelzi pontosan a csaló rendeléseket az Amazon csalásérzékelő segítségével

Ezt a bejegyzést Ziv Pollak, a gépi tanulási csapat vezetője és Sarvi Loloei, a Clearly gépi tanulási mérnöke írta. A bejegyzés tartalma és véleménye a harmadik fél szerzőitől származik, és az AWS nem vállal felelősséget a bejegyzés tartalmáért vagy pontosságáért.

Az online vásárlás úttörője, Clearly 2000-ben indította el első webhelyét. Azóta a világ egyik legnagyobb online szemüveg-kiskereskedőjévé nőttünk, amely Kanadában, az Egyesült Államokban, Ausztráliában és Új-Zélandon kínál szemüveget vásárlóinak, napszemüvegek, kontaktlencsék és egyéb szemápoló termékek. A gyenge látás megszüntetésére irányuló küldetése révén a Clearly arra törekszik, hogy a szemüvegeket mindenki számára megfizethetővé és hozzáférhetővé tegye. Egy optimalizált csalásfelderítő platform létrehozása kulcsfontosságú része ennek a tágabb jövőképnek.

Az online csalások azonosítása az egyik legnagyobb kihívás, amellyel minden online kiskereskedelmi szervezet szembesül – évente több százezer dollárt veszítenek csalások miatt. A csalárd rendelések kezelésével kapcsolatos termékköltségek, szállítási költségek és munkaerőköltségek tovább növelik a csalás hatását. A csalás egyszerű és gyors értékelése szintén kritikus fontosságú a magas ügyfél-elégedettségi arány fenntartásához. A tranzakciókat nem szabad késleltetni a hosszú csalási kivizsgálási ciklusok miatt.

Ebben a bejegyzésben megosztjuk, hogyan épített Clearly egy automatizált és összehangolt előrejelzési folyamat segítségével AWS lépésfunkciók, és használt Amazon csalásészlelő olyan gépi tanulási (ML) modell betanítására, amely képes azonosítani az online csaló tranzakciókat, és felhívni rájuk a számlázási műveleti csapat figyelmét. Ez a megoldás mérőszámokat és naplókat is gyűjt, auditálást biztosít, és automatikusan meghívódik.

Az AWS-szolgáltatásokkal a Clearly néhány hét alatt telepített egy szerver nélküli, jól felépített megoldást.

A kihívás: A csalás gyors és pontos előrejelzése

A Clearly meglévő megoldása a tranzakciók megjelölésén alapult olyan kemény kódolt szabályokkal, amelyeket nem frissítettek elég gyakran ahhoz, hogy új csalási mintákat rögzítsenek. A megjelölést követően a tranzakciót manuálisan ellenőrizte a számlázási műveleti csapat egyik tagja.

Ennek a jelenlegi folyamatnak jelentős hátrányai voltak:

• Merev és pontatlan – A csalási tranzakciók azonosítására szolgáló, szigorúan kódolt szabályokat nehéz volt frissíteni, ami azt jelenti, hogy a csapat nem tudott gyorsan reagálni a feltörekvő csalási trendekre. A szabályok sok gyanús tranzakciót nem tudtak pontosan azonosítani.
• Üzemintenzív – A folyamat nem terjedhet ki a nagy értékesítési volumenű eseményekre (például a fekete péntekre), ami megköveteli a csapattól, hogy megoldásokat hajtson végre, vagy fogadja el a magasabb csalási arányt. Ezenkívül a magas szintű emberi részvétel jelentős költségekkel járt a termék szállítási folyamatában.
• Késleltetett rendelések – A megrendelés teljesítésének ütemezését a kézi csalások késleltették, ami elégedetlen ügyfelekhez vezetett.

Bár a meglévő csalás-azonosítási eljárásunk jó kiindulópont volt, nem volt sem elég pontos, sem elég gyors ahhoz, hogy megfeleljen a rendelések teljesítésének egyértelműen kívánt hatékonyságának.

Egy másik nagy kihívás, amellyel szembesültünk, az volt, hogy hiányzott a hivatalban lévő ML-csapat – valamennyi tag kevesebb mint egy éve volt a cégnél, amikor a projekt elindult.

A megoldás áttekintése: Amazon Fraud Detector

Az Amazon Fraud Detector egy teljesen felügyelt szolgáltatás, amely az ML segítségével rendkívül pontos csalásészlelést tesz lehetővé, és nem igényel ML szakértelmet. Nem kellett mást tennünk, mint feltölteni adatainkat, és követni néhány egyszerű lépést. Az Amazon Fraud Detector automatikusan megvizsgálta az adatokat, értelmes mintákat azonosított, és olyan csalásazonosító modellt készített, amely képes előre jelezni az új tranzakciókat.

Az alábbi ábra szemlélteti csővezetékünket:

A folyamat operatívvá tételéhez a következő munkafolyamatot alkalmaztuk:

1. Amazon EventBridge óránként felhívja a hangszerelési folyamatot, hogy áttekintse az összes függőben lévő tranzakciót.
2. A Step Functions segít a hangszerelési folyamat kezelésében.
3. An AWS Lambda függvényhívások Amazon Athéné API-k a tárolt edzési adatok lekéréséhez és előkészítéséhez Amazon egyszerű tárolási szolgáltatás (Amazon S3).
4. A Lambda-funkciók összehangolt folyamata betanítja az Amazon csalásészlelő modellt, és elmenti a modell teljesítménymutatóit egy S3 tárolóba.
5. Amazon Simple Notification Service (Amazon SNS) értesíti a felhasználókat, ha probléma lép fel a csalásfelderítési folyamat során, vagy ha a folyamat sikeresen befejeződik.
6. Az üzleti elemzők az irányítópultokat építik rá Amazon QuickSight, amely lekérdezi az Amazon S3 csalási adatait az Athena használatával, amint azt később leírjuk ebben a bejegyzésben.

Az Amazon Fraud Detector használata mellett döntöttünk néhány okból:

• A szolgáltatás az Amazon által a csalás elleni küzdelemben szerzett több éves tapasztalatot aknázza ki. Ez nagy bizalmat adott a szolgáltatás képességei iránt.
• A könnyű használat és megvalósítás lehetővé tette számunkra, hogy gyorsan megbizonyosodjunk arról, hogy rendelkezünk a pontos eredmények eléréséhez szükséges adatkészlettel.
• Mivel a Clearly ML csapata 1 évesnél fiatalabb volt, egy teljes körűen felügyelt szolgáltatás lehetővé tette számunkra, hogy a projektet mélyreható technikai ML-készségekre és ismeretekre szükségünk legyen.

Eredmények

Ha az előrejelzési eredményeket beleírjuk a meglévő adatforrásunkba, akkor a QuickSight segítségével mérőszámokat és irányítópultokat készíthetünk a felső vezetés számára. Ez lehetővé teszi számukra, hogy megértsék és felhasználják ezeket az eredményeket, amikor döntéseket hoznak a havi marketingcéljaink eléréséhez szükséges következő lépésekről.

Az előrejelzési eredményeket két szinten tudtuk bemutatni, kezdve az általános üzleti teljesítménytől, majd az egyes üzletágakon (kapcsolattartók és szemüvegek) szükséges teljesítmények mélyebbre bontása.

Irányítópultunk a következő információkat tartalmazza:

• Napi csalás különböző üzletágak szerint
  
• Csalási tranzakciók miatti bevételkiesés
  
• A csalási tranzakciók helye (a csalás forró pontjainak azonosítása)
  
• A csalási tranzakciókat különböző kuponkódok befolyásolják, ami lehetővé teszi számunkra, hogy figyeljük a problémás kuponkódokat, és további lépéseket tegyünk a kockázat csökkentése érdekében
  
• Óránkénti csalás, amely lehetővé teszi számunkra a számlázási műveleti csapat megtervezését és irányítását, és gondoskodunk arról, hogy szükség esetén rendelkezésre álljanak erőforrásaink a tranzakciós mennyiség kezelésére

Következtetések

Az ügyfélcsalás hatékony és pontos előrejelzése ma az egyik legnagyobb kihívás a kiskereskedelemben az ML-ben, és ügyfeleink és viselkedésük megfelelő megértése elengedhetetlen a Clearly sikeréhez. Az Amazon Fraud Detector egy teljesen felügyelt ML-megoldást kínált a pontos és megbízható csalás-előrejelző rendszer egyszerű létrehozásához minimális többletköltséggel. Az Amazon Fraud Detector előrejelzései nagyfokú pontossággal rendelkeznek, és egyszerűen generálhatók.

"Olyan vezető e-kereskedelmi eszközökkel, mint pl Virtuális próbapáratlan ügyfélszolgálatunkkal párosulva arra törekszünk, hogy mindenki tisztán lásson megfizethető és könnyed módon – ami azt jelenti, hogy folyamatosan keressük az innovációt, a folyamatok javítását és egyszerűsítését,” – mondta Dr. Ziv Pollak, a gépi tanulási csoport vezetője. "Az online csalások felderítése napjainkban az egyik legnagyobb kihívás a kiskereskedelmi gépi tanulás terén. Néhány hét alatt az Amazon Fraud Detector segített pontosan és megbízhatóan, nagyon nagy pontossággal azonosítani a csalást, és több ezer dollárt takarított meg."

---

A szerzőről

Dr. Ziv Pollak egy tapasztalt műszaki vezető, aki átalakítja a szervezetek gépi tanulási módszerét a bevétel növelése, a költségek csökkentése, az ügyfélszolgálat javítása és az üzleti siker biztosítása érdekében. Jelenleg a Clearly gépi tanulási csapatát vezeti.

Sarvi Loloei a Clearly gépi tanulási mérnöke. Az AWS-eszközök segítségével értékeli a modell hatékonyságát az üzleti növekedés ösztönzése, a bevétel növelése és a termelékenység optimalizálása érdekében.

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