How Clearly מנבא במדויק הזמנות הונאה באמצעות Amazon Fraud Detector

הפוסט הזה נכתב על ידי זיו פולק, ראש צוות למידת מכונה, וסרבי לולוי, מהנדס למידת מכונה בחברת Clearly. התוכן והדעות בפוסט זה הם של מחברי צד שלישי ו-AWS אינה אחראית לתוכן או לדיוק של פוסט זה.

חלוצים בקניות מקוונות, Clearly השיקו את האתר הראשון שלהם בשנת 2000. מאז, גדלנו והפכו לאחת מקמעונאי המשקפיים המקוונים הגדולים בעולם, ומספקים ללקוחות ברחבי קנדה, ארה"ב, אוסטרליה וניו זילנד משקפיים, משקפי שמש, עדשות מגע ומוצרים אחרים לבריאות העיניים. באמצעות משימתה להעלים ראייה לקויה, Clearly שואפת להפוך משקפיים לזמינים ונגישים עבור כולם. יצירת פלטפורמת זיהוי הונאה אופטימלית היא חלק מרכזי בחזון רחב יותר זה.

זיהוי הונאה מקוונת הוא אחד האתגרים הגדולים ביותר שיש לכל ארגון קמעונאי מקוון - מאות אלפי דולרים הולכים לאיבוד עקב הונאה מדי שנה. עלויות מוצר, עלויות משלוח ועלויות עבודה לטיפול בהזמנות הונאה מגדילות עוד יותר את ההשפעה של הונאה. הערכת הונאה קלה ומהירה היא גם קריטית לשמירה על שיעורי שביעות רצון גבוהים של לקוחות. אין לעכב עסקאות עקב מחזורי חקירת הונאה ארוכים.

בפוסט זה, אנו משתפים כיצד Clearly בנה צינור חיזוי אוטומטי ומתוזמר באמצעות פונקציות שלב AWS, ומשומש גלאי הונאות של אמזון להכשיר מודל למידת מכונה (ML) שיכול לזהות עסקאות הונאה מקוונות ולהביא אותן לידיעת צוות פעולות החיוב. פתרון זה גם אוסף מדדים ויומנים, מספק ביקורת ומופעל אוטומטית.

עם שירותי AWS, Clearly פרסה פתרון נטול שרתים, ארכיטקט היטב תוך מספר שבועות בלבד.

האתגר: חיזוי הונאה במהירות ובדייקנות

הפתרון הקיים של Clearly התבסס על סימון עסקאות באמצעות כללים מקודדים שלא עודכנו בתדירות מספקת כדי ללכוד דפוסי הונאה חדשים. לאחר שסומנה, העסקה נבדקה ידנית על ידי חבר בצוות פעולות החיוב.

לתהליך הקיים הזה היו חסרונות גדולים:

• נוּקשֶׁה ולא מדויק - קשה היה לעדכן את הכללים המקודדים לזיהוי עסקאות הונאה, כלומר הצוות לא יכול היה להגיב במהירות למגמות הונאה מתעוררות. הכללים לא הצליחו לזהות במדויק עסקאות חשודות רבות.
• אינטנסיבי מבצעית - התהליך לא הצליח להתרחב לאירועי נפח מכירות גבוהים (כמו בלאק פריידי), מה שדרש מהצוות ליישם דרכים לעקיפת הבעיה או לקבל שיעורי הונאה גבוהים יותר. יתרה מכך, רמת המעורבות הגבוהה של האדם הוסיפה עלות משמעותית לתהליך אספקת המוצר.
• הזמנות מעוכבות - ציר הזמן של מימוש ההזמנות התעכב על ידי סקירות הונאה ידניות, מה שהוביל ללקוחות לא מרוצים.

למרות שתהליך זיהוי ההונאה הקיים שלנו היה נקודת התחלה טובה, הוא לא היה מספיק מדויק ולא מספיק מהיר כדי לעמוד ביעילות מילוי ההזמנות ש-Clearly רצתה.

אתגר מרכזי נוסף שעמדנו בפנינו היה היעדר צוות ML קבוע - כל החברים היו בחברה פחות משנה כשהפרויקט יצא לדרך.

סקירה כללית של הפתרון: Amazon Fraud Detector

Amazon Fraud Detector הוא שירות מנוהל במלואו המשתמש ב-ML כדי לספק זיהוי הונאה מדויק ביותר ואינו דורש מומחיות ב-ML. כל מה שהיינו צריכים לעשות זה להעלות את הנתונים שלנו ולבצע כמה צעדים פשוטים. Amazon Fraud Detector בדק אוטומטית את הנתונים, זיהה דפוסים משמעותיים ויצר מודל זיהוי הונאה המסוגל לבצע תחזיות לגבי עסקאות חדשות.

התרשים הבא ממחיש את הצינור שלנו:

כדי להפעיל את הזרימה, יישמנו את זרימת העבודה הבאה:

1. אמזון EventBridge מתקשר לצינור התזמור מדי שעה כדי לבדוק את כל העסקאות הממתינות.
2. Step Functions עוזר לנהל את צינור התזמור.
3. An AWS למבדה פונקציות שיחות אמזונה אתנה ממשקי API לאחזור והכנת נתוני ההדרכה, המאוחסנים ב שירות אחסון פשוט של אמזון (אמזון S3).
4. צינור מתוזמר של פונקציות Lambda מאמן דגם של Amazon Fraud Detector ושומר את מדדי הביצועים של הדגם לדלי S3.
5. שירות התראה פשוט של אמזון (Amazon SNS) מודיע למשתמשים כאשר מתרחשת בעיה במהלך תהליך גילוי ההונאה או כאשר התהליך מסתיים בהצלחה.
6. אנליסטים עסקיים בונים לוחות מחוונים עליהם אמזון קוויקסייט, אשר שוללת את נתוני ההונאה מאמזון S3 באמצעות Athena, כפי שנתאר בהמשך פוסט זה.

בחרנו להשתמש ב-Amazon Fraud Detector מכמה סיבות:

• השירות מנצל שנים של מומחיות שיש לאמזון במאבק בהונאה. זה נתן לנו הרבה ביטחון ביכולות השירות.
• קלות השימוש והיישום אפשרו לנו לאשר במהירות שיש לנו את מערך הנתונים הדרוש לנו כדי להפיק תוצאות מדויקות.
• מכיוון שצוות Clearly ML היה בן פחות משנה, שירות מנוהל במלואו אפשר לנו לספק את הפרויקט הזה מבלי להזדקק למיומנויות וידע ML טכניים עמוקים.

תוצאות

כתיבת תוצאות החיזוי לתוך אגם הנתונים הקיים שלנו מאפשרת לנו להשתמש ב-QuickSight כדי לבנות מדדים ולוחות מחוונים למנהיגות בכירה. זה מאפשר להם להבין ולהשתמש בתוצאות הללו בעת קבלת החלטות לגבי הצעדים הבאים כדי לעמוד ביעדי השיווק החודשיים שלנו.

הצלחנו להציג את תוצאות התחזית בשתי רמות, החל מהביצועים העסקיים הכוללים ואז נכנסים עמוק יותר לביצועים הדרושים לכל תחום עסק (אנשי קשר ומשקפיים).

לוח המחוונים שלנו כולל את המידע הבא:

• הונאה ליום לפי ענפי עסקים שונים
  
• אובדן הכנסות עקב עסקאות הונאה
  
• מיקום עסקאות הונאה (זיהוי מוקדי הונאה)
  
• עסקאות הונאה משפיעות על קודי קופון שונים, מה שמאפשר לנו לעקוב אחר קודי קופון בעייתיים ולנקוט פעולות נוספות כדי להפחית את הסיכון
  
• הונאה לשעה, המאפשרת לנו לתכנן ולנהל את צוות תפעול החיוב ולוודא שיש לנו משאבים זמינים לטיפול בנפח העסקאות בעת הצורך

מסקנות

חיזוי יעיל ומדויק של הונאות לקוחות הוא אחד האתגרים הגדולים ביותר ב-ML לקמעונאות כיום, והבנה טובה של הלקוחות שלנו והתנהגותם חיונית להצלחת Clearly. Amazon Fraud Detector סיפק פתרון ML מנוהל במלואו כדי ליצור בקלות מערכת חיזוי הונאה מדויקת ואמינה עם תקורה מינימלית. תחזיות גלאי ההונאה של אמזון הן בעלות רמת דיוק גבוהה והן פשוטות להפקה.

"עם כלי מסחר אלקטרוני מובילים כמו נסה וירטואלי, בשילוב עם שירות הלקוחות שאין שני לו, אנו שואפים לעזור לכולם לראות ברור בצורה משתלמת וללא מאמץ - מה שאומר לחפש כל הזמן דרכים לחדש, לשפר ולייעל תהליכים," אמר ד"ר זיו פולק, ראש צוות למידת מכונה. "זיהוי הונאה מקוון הוא אחד האתגרים הגדולים ביותר בלמידת מכונה בקמעונאות כיום. תוך מספר שבועות בלבד, Amazon Fraud Detector עזר לנו לזהות במדויק ובאמינות הונאה ברמת דיוק גבוהה מאוד, ולחסוך אלפי דולרים."

---

על המחבר

ד"ר זיו פולק הוא מנהיג טכני מנוסה אשר משנה את הדרך שבה ארגונים משתמשים בלמידת מכונה כדי להגדיל הכנסות, להפחית עלויות, לשפר את שירות הלקוחות ולהבטיח הצלחה עסקית. כיום הוא מוביל את צוות למידת מכונה ב-Clearly.

סרווי לולאי הוא מהנדס למידת מכונה עמית ב-Clearly. באמצעות כלי AWS, היא מעריכה את יעילות המודל כדי להניע צמיחה עסקית, להגדיל את ההכנסות ולמטב את הפרודוקטיביות.

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