Seberapa Jelas secara akurat memprediksi pesanan penipuan menggunakan Amazon Fraud Detector

Posting ini ditulis bersama oleh Ziv Pollak, Ketua Tim Pembelajaran Mesin, dan Sarvi Loloei, Insinyur Pembelajaran Mesin di Clearly. Konten dan opini dalam postingan ini adalah milik penulis pihak ketiga dan AWS tidak bertanggung jawab atas konten atau keakuratan postingan ini.

Pelopor dalam belanja online, Jelas meluncurkan situs pertama mereka pada tahun 2000. Sejak itu, kami telah berkembang menjadi salah satu pengecer kacamata online terbesar di dunia, menyediakan pelanggan di Kanada, AS, Australia, dan Selandia Baru dengan kacamata, kacamata hitam, lensa kontak, dan produk kesehatan mata lainnya. Melalui misinya untuk menghilangkan penglihatan yang buruk, Jelas berusaha untuk membuat kacamata terjangkau dan dapat diakses oleh semua orang. Menciptakan platform deteksi penipuan yang dioptimalkan adalah bagian penting dari visi yang lebih luas ini.

Mengidentifikasi penipuan online adalah salah satu tantangan terbesar yang dimiliki setiap organisasi ritel online—ratusan ribu dolar hilang karena penipuan setiap tahun. Biaya produk, biaya pengiriman, dan biaya tenaga kerja untuk menangani pesanan penipuan semakin meningkatkan dampak penipuan. Evaluasi penipuan yang mudah dan cepat juga penting untuk mempertahankan tingkat kepuasan pelanggan yang tinggi. Transaksi tidak boleh ditunda karena siklus investigasi penipuan yang panjang.

Dalam postingan ini, kami membagikan cara menggunakan pipeline peramalan otomatis dan terorkestrasi dengan jelas Fungsi Langkah AWS, dan digunakan Detektor Penipuan Amazon untuk melatih model pembelajaran mesin (ML) yang dapat mengidentifikasi transaksi penipuan online dan menyampaikannya kepada tim operasi penagihan. Solusi ini juga mengumpulkan metrik dan log, menyediakan audit, dan dipanggil secara otomatis.

Dengan layanan AWS, jelas menerapkan solusi tanpa server yang dirancang dengan baik hanya dalam beberapa minggu.

Tantangannya: Memprediksi penipuan dengan cepat dan akurat

Solusi jelas yang ada didasarkan pada penandaan transaksi menggunakan aturan hard-coded yang tidak cukup sering diperbarui untuk menangkap pola penipuan baru. Setelah ditandai, transaksi ditinjau secara manual oleh anggota tim operasi penagihan.

Proses yang ada ini memiliki kelemahan utama:

• Tidak fleksibel dan tidak akurat – Aturan hard-coded untuk mengidentifikasi transaksi penipuan sulit diperbarui, artinya tim tidak dapat merespons dengan cepat tren penipuan yang muncul. Aturan tidak dapat secara akurat mengidentifikasi banyak transaksi yang mencurigakan.
• Intensif secara operasional – Proses tidak dapat menskalakan acara volume penjualan tinggi (seperti Black Friday), mengharuskan tim untuk menerapkan solusi atau menerima tingkat penipuan yang lebih tinggi. Selain itu, tingkat keterlibatan manusia yang tinggi menambah biaya yang signifikan pada proses pengiriman produk.
• Pesanan tertunda – Garis waktu pemenuhan pesanan tertunda oleh ulasan penipuan manual, yang menyebabkan pelanggan tidak puas.

Meskipun proses identifikasi penipuan kami saat ini merupakan titik awal yang baik, itu tidak cukup akurat dan tidak cukup cepat untuk memenuhi efisiensi pemenuhan pesanan yang jelas diinginkan.

Tantangan besar lain yang kami hadapi adalah kurangnya tim ML tetap—semua anggota telah bekerja di perusahaan kurang dari setahun saat proyek dimulai.

Gambaran umum solusi: Detektor Penipuan Amazon

Amazon Fraud Detector adalah layanan terkelola sepenuhnya yang menggunakan ML untuk memberikan deteksi penipuan yang sangat akurat dan tidak memerlukan keahlian ML. Yang harus kami lakukan hanyalah mengunggah data kami dan mengikuti beberapa langkah mudah. Amazon Fraud Detector secara otomatis memeriksa data, mengidentifikasi pola yang bermakna, dan menghasilkan model identifikasi penipuan yang mampu memprediksi transaksi baru.

Diagram berikut mengilustrasikan pipeline kami:

Untuk mengoperasionalkan alur, kami menerapkan alur kerja berikut:

1. Jembatan Acara Amazon memanggil pipa orkestrasi setiap jam untuk meninjau semua transaksi yang tertunda.
2. Step Functions membantu mengelola pipeline orkestrasi.
3. An AWS Lambda panggilan fungsi Amazon Athena API untuk mengambil dan menyiapkan data pelatihan, disimpan di Layanan Penyimpanan Sederhana Amazon (Amazon S3).
4. Pipeline orkestra fungsi Lambda melatih model Amazon Fraud Detector dan menyimpan metrik kinerja model ke bucket S3.
5. Layanan Pemberitahuan Sederhana Amazon (Amazon SNS) memberi tahu pengguna saat terjadi masalah selama proses deteksi penipuan atau saat proses selesai dengan sukses.
6. Analis bisnis membuat dasbor Amazon QuickSight, yang menanyakan data penipuan dari Amazon S3 menggunakan Athena, seperti yang akan kami jelaskan nanti di postingan ini.

Kami memilih untuk menggunakan Amazon Fraud Detector karena beberapa alasan:

• Layanan ini memanfaatkan keahlian selama bertahun-tahun yang dimiliki Amazon dalam memerangi penipuan. Ini memberi kami banyak kepercayaan pada kemampuan layanan.
• Kemudahan penggunaan dan implementasi memungkinkan kami untuk dengan cepat mengonfirmasi bahwa kami memiliki kumpulan data yang kami perlukan untuk memberikan hasil yang akurat.
• Karena tim Clearly ML berusia kurang dari 1 tahun, layanan yang terkelola sepenuhnya memungkinkan kami menyelesaikan proyek ini tanpa memerlukan keterampilan dan pengetahuan teknis ML yang mendalam.

Hasil

Menulis hasil prediksi ke dalam data lake kami yang ada memungkinkan kami menggunakan QuickSight untuk membangun metrik dan dasbor untuk kepemimpinan senior. Hal ini memungkinkan mereka untuk memahami dan menggunakan hasil ini saat mengambil keputusan tentang langkah selanjutnya untuk memenuhi target pemasaran bulanan kami.

Kami dapat menyajikan hasil prakiraan pada dua tingkat, dimulai dengan kinerja bisnis secara keseluruhan dan kemudian masuk lebih dalam ke kinerja yang dibutuhkan per setiap lini bisnis (kontak dan kacamata).

Dasbor kami mencakup informasi berikut:

• Penipuan per hari per lini bisnis yang berbeda
  
• Kehilangan pendapatan karena transaksi penipuan
  
• Lokasi transaksi penipuan (mengidentifikasi hot spot penipuan)
  
• Transaksi penipuan berdampak pada kode kupon yang berbeda, yang memungkinkan kami memantau kode kupon yang bermasalah dan mengambil tindakan lebih lanjut untuk mengurangi risiko
  
• Penipuan per jam, yang memungkinkan kami merencanakan dan mengelola tim operasi penagihan dan memastikan kami memiliki sumber daya yang tersedia untuk menangani volume transaksi bila diperlukan

Kesimpulan

Prediksi penipuan pelanggan yang efektif dan akurat adalah salah satu tantangan terbesar dalam ML untuk ritel saat ini, dan memiliki pemahaman yang baik tentang pelanggan kami dan perilaku mereka sangat penting untuk kesuksesan Clear. Amazon Fraud Detector memberikan solusi ML yang terkelola sepenuhnya untuk membuat sistem prediksi penipuan yang akurat dan andal dengan biaya overhead yang minimal. Prediksi Amazon Fraud Detector memiliki tingkat akurasi yang tinggi dan mudah dibuat.

"Dengan alat e-niaga terkemuka seperti Coba Virtual, dikombinasikan dengan layanan pelanggan kami yang tak tertandingi, kami berusaha untuk membantu semua orang melihat dengan jelas dengan cara yang terjangkau dan mudah—yang berarti terus mencari cara untuk berinovasi, meningkatkan, dan merampingkan proses,kata Dr. Ziv Pollak, Ketua Tim Pembelajaran Mesin. “Deteksi penipuan online adalah salah satu tantangan terbesar dalam pembelajaran mesin di ritel saat ini. Hanya dalam beberapa minggu, Amazon Fraud Detector membantu kami mengidentifikasi penipuan secara akurat dan andal dengan tingkat akurasi yang sangat tinggi, dan menghemat ribuan dolar."

---

tentang Penulis

Dr Ziv Pollak adalah pemimpin teknis berpengalaman yang mengubah cara organisasi menggunakan pembelajaran mesin untuk meningkatkan pendapatan, mengurangi biaya, meningkatkan layanan pelanggan, dan memastikan kesuksesan bisnis. Dia saat ini memimpin tim Pembelajaran Mesin di Clear.

Sarvi Loloei adalah Insinyur Pembelajaran Mesin Associate di Clear. Menggunakan alat AWS, dia mengevaluasi keefektifan model untuk mendorong pertumbuhan bisnis, meningkatkan pendapatan, dan mengoptimalkan produktivitas.

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