Con quanta precisione è possibile prevedere gli ordini fraudolenti utilizzando Amazon Fraud Detector

Ripubblicato da Platone

Seguaci: 0

Questo post è stato scritto da Ziv Pollak, Machine Learning Team Lead, e Sarvi Loloei, Machine Learning Engineer presso Clearly. Il contenuto e le opinioni di questo post appartengono ad autori di terze parti e AWS non è responsabile del contenuto o dell'accuratezza di questo post.

Pioniere dello shopping online, Clearly ha lanciato il suo primo sito nel 2000. Da allora, siamo cresciuti fino a diventare uno dei più grandi rivenditori di occhiali online al mondo, fornendo ai clienti in Canada, Stati Uniti, Australia e Nuova Zelanda occhiali, occhiali da sole, lenti a contatto e altri prodotti per la salute degli occhi. Attraverso la sua missione di eliminare i problemi di vista, Clearly si impegna a rendere gli occhiali convenienti e accessibili a tutti. La creazione di una piattaforma ottimizzata per il rilevamento delle frodi è una parte fondamentale di questa visione più ampia.

Identificare le frodi online è una delle sfide più grandi che ogni organizzazione di vendita al dettaglio online deve affrontare: ogni anno centinaia di migliaia di dollari vengono persi a causa delle frodi. I costi dei prodotti, i costi di spedizione e i costi della manodopera per la gestione degli ordini fraudolenti aumentano ulteriormente l’impatto della frode. Anche una valutazione semplice e veloce delle frodi è fondamentale per mantenere elevati tassi di soddisfazione dei clienti. Le transazioni non dovrebbero subire ritardi a causa dei lunghi cicli di indagine sulle frodi.

In questo post, condividiamo come Clearly ha creato una pipeline di previsione automatizzata e orchestrata utilizzando Funzioni AWS Stepe usato Amazon Fraud Detector addestrare un modello di machine learning (ML) in grado di identificare transazioni fraudolente online e portarle all'attenzione del team operativo di fatturazione. Questa soluzione raccoglie inoltre parametri e log, fornisce controllo e viene richiamata automaticamente.

Con i servizi AWS, Clearly ha implementato una soluzione serverless e ben architettata in poche settimane.

La sfida: prevedere le frodi in modo rapido e accurato

La soluzione esistente di Chiaramente si basava sulla segnalazione delle transazioni utilizzando regole codificate che non venivano aggiornate con sufficiente frequenza per individuare nuovi modelli di frode. Una volta contrassegnata, la transazione veniva esaminata manualmente da un membro del team delle operazioni di fatturazione.

Questo processo esistente presentava importanti inconvenienti:

Inflessibile e impreciso – Le regole codificate per identificare le transazioni fraudolente erano difficili da aggiornare, il che significa che il team non poteva rispondere rapidamente alle tendenze emergenti delle frodi. Le regole non sono state in grado di identificare con precisione molte transazioni sospette.
Operativamente intensivo – Il processo non poteva adattarsi a eventi con volumi di vendita elevati (come il Black Friday), richiedendo al team di implementare soluzioni alternative o accettare tassi di frode più elevati. Inoltre, l’elevato livello di coinvolgimento umano ha aggiunto costi significativi al processo di consegna del prodotto.
Ordini ritardati – La tempistica di evasione degli ordini è stata ritardata da revisioni manuali delle frodi, che hanno portato a clienti insoddisfatti.

Sebbene il nostro processo di identificazione delle frodi esistente fosse un buon punto di partenza, non era né abbastanza preciso né abbastanza veloce da soddisfare le efficienze di evasione degli ordini chiaramente desiderate.

Un'altra grande sfida che abbiamo dovuto affrontare è stata la mancanza di un team di ML di ruolo: tutti i membri erano in azienda da meno di un anno quando il progetto è iniziato.

Panoramica della soluzione: Amazon Fraud Detector

Amazon Fraud Detector è un servizio completamente gestito che utilizza il machine learning per fornire un rilevamento delle frodi estremamente accurato e non richiede competenze in materia di machine learning. Tutto quello che dovevamo fare era caricare i nostri dati e seguire alcuni semplici passaggi. Amazon Fraud Detector ha esaminato automaticamente i dati, ha identificato modelli significativi e ha prodotto un modello di identificazione delle frodi in grado di fare previsioni sulle nuove transazioni.

Il diagramma seguente illustra la nostra pipeline:

Per rendere operativo il flusso, abbiamo applicato il seguente flusso di lavoro:

Amazon EventBridge chiama la pipeline di orchestrazione ogni ora per esaminare tutte le transazioni in sospeso.
Step Functions aiuta a gestire la pipeline di orchestrazione.
An AWS Lambda chiamate di funzione Amazzone Atena API per recuperare e preparare i dati di training, archiviati su Servizio di archiviazione semplice Amazon (Amazon S3).
Una pipeline orchestrata di funzioni Lambda addestra un modello Amazon Fraud Detector e salva i parametri delle prestazioni del modello in un bucket S3.
Servizio di notifica semplice Amazon (Amazon SNS) avvisa gli utenti quando si verifica un problema durante il processo di rilevamento delle frodi o quando il processo viene completato correttamente.
Gli analisti aziendali creano dashboard su Amazon QuickSight, che interroga i dati sulle frodi di Amazon S3 utilizzando Athena, come descritto più avanti in questo post.

Abbiamo scelto di utilizzare Amazon Fraud Detector per alcuni motivi:

Il servizio attinge ad anni di esperienza di Amazon nella lotta alle frodi. Questo ci ha dato molta fiducia nelle capacità del servizio.
La facilità d'uso e di implementazione ci ha permesso di confermare rapidamente di avere il set di dati di cui abbiamo bisogno per produrre risultati accurati.
Poiché il team di Clearly ML esisteva da meno di 1 anno, un servizio completamente gestito ci ha consentito di realizzare questo progetto senza bisogno di competenze e conoscenze tecniche approfondite di ML.

Risultati

Scrivere i risultati della previsione nel nostro data Lake esistente ci consente di utilizzare QuickSight per creare metriche e dashboard per la leadership senior. Ciò consente loro di comprendere e utilizzare questi risultati quando prendono decisioni sui passaggi successivi per raggiungere i nostri obiettivi di marketing mensili.

Siamo stati in grado di presentare i risultati previsti su due livelli, iniziando con la performance aziendale complessiva e poi approfondendo le prestazioni necessarie per ciascuna linea di business (contatti e occhiali).

La nostra dashboard include le seguenti informazioni:

Frode al giorno per diversi settori di attività
Perdita di entrate dovuta a transazioni fraudolente
Ubicazione delle transazioni fraudolente (identificazione dei punti caldi delle frodi)
Le transazioni fraudolente influiscono su diversi codici coupon, il che ci consente di monitorare i codici coupon problematici e intraprendere ulteriori azioni per ridurre il rischio
Frode all'ora, che ci consente di pianificare e gestire il team operativo di fatturazione e assicurarci di avere risorse disponibili per gestire il volume delle transazioni quando necessario

Conclusioni

Una previsione efficace e accurata delle frodi dei clienti è oggi una delle maggiori sfide del machine learning per la vendita al dettaglio e avere una buona conoscenza dei nostri clienti e del loro comportamento è vitale per il successo di Clearly. Amazon Fraud Detector ha fornito una soluzione ML completamente gestita per creare facilmente un sistema di previsione delle frodi accurato e affidabile con un sovraccarico minimo. Le previsioni di Amazon Fraud Detector hanno un elevato grado di precisione e sono semplici da generare.

"Con i principali strumenti di e-commerce come Prova virtuale, insieme al nostro impareggiabile servizio clienti, ci impegniamo ad aiutare tutti a vedere chiaramente in modo conveniente e semplice, il che significa cercare costantemente modi per innovare, migliorare e semplificare i processi," ha affermato il Dott. Ziv Pollak, responsabile del team di machine learning. “Il rilevamento delle frodi online è oggi una delle maggiori sfide dell’apprendimento automatico nel commercio al dettaglio. In poche settimane, Amazon Fraud Detector ci ha aiutato a identificare le frodi in modo accurato e affidabile con un livello di precisione molto elevato e a risparmiare migliaia di dollari."

L'autore

Dottor Ziv Pollak è un leader tecnico esperto che trasforma il modo in cui le organizzazioni utilizzano l'apprendimento automatico per aumentare le entrate, ridurre i costi, migliorare il servizio clienti e garantire il successo aziendale. Attualmente è a capo del team di Machine Learning presso Clearly.

Sarvi Loloei è un ingegnere associato di machine learning presso Clearly. Utilizzando gli strumenti AWS, valuta l'efficacia del modello per favorire la crescita del business, aumentare le entrate e ottimizzare la produttività.