AmazonFraudDetectorを使用して不正注文を明確に予測する方法

この投稿は、Clearly の機械学習チーム リーダーである Ziv Pollak と、機械学習エンジニアである Sarvi Loloei によって共同執筆されました。 この投稿の内容と意見はサードパーティの著者のものであり、AWS はこの投稿の内容または正確性について責任を負いません。

オンライン ショッピングのパイオニアである Clearly は、2000 年に最初のサイトを立ち上げました。それ以来、当社は世界最大のオンライン眼鏡小売業者の XNUMX つに成長し、カナダ、米国、オーストラリア、ニュージーランドの顧客に眼鏡を提供しています。サングラス、コンタクトレンズ、その他の目の健康製品。 Clearly は、視力低下をなくすという使命を通じて、誰もが手頃な価格でアクセスしやすいアイウェアを作ることに努めています。 最適化された不正検出プラットフォームを作成することは、この幅広いビジョンの重要な部分です。

オンライン詐欺を特定することは、すべてのオンライン小売組織が抱える最大の課題の XNUMX つです。毎年、詐欺によって数十万ドルが失われています。 不正な注文を処理するための製品コスト、配送コスト、および人件費は、不正の影響をさらに増大させます。 簡単で迅速な不正評価も、高い顧客満足度を維持するために重要です。 長い不正調査サイクルのためにトランザクションが遅れてはなりません。

この投稿では、Clearly がどのように自動化およびオーケストレーションされた予測パイプラインを構築したかを紹介します。 AWSステップ関数、使用済み アマゾン詐欺検出器 オンラインの不正取引を特定し、請求業務チームの注意を引くことができる機械学習 (ML) モデルをトレーニングします。 このソリューションは、メトリックとログも収集し、監査を提供し、自動的に呼び出されます。

AWS のサービスにより、Clearly はサーバーレスで適切に設計されたソリューションをわずか数週間でデプロイしました。

課題: 不正を迅速かつ正確に予測する

Clearly の既存のソリューションは、新しい不正パターンを捕捉するのに十分な頻度で更新されていない、ハードコードされたルールを使用してトランザクションにフラグを立てることに基づいていました。 フラグが立てられると、トランザクションは請求業務チームのメンバーによって手動でレビューされました。

この既存のプロセスには、次のような大きな欠点がありました。

• 柔軟性がない そして不正確 – 不正取引を特定するためのハードコーディングされたルールは更新が難しく、チームは新たな不正の傾向に迅速に対応できませんでした。 ルールでは、多くの疑わしい取引を正確に特定できませんでした。
• 運用集約的 – このプロセスは、大量の販売イベント (ブラック フライデーなど) に対応できず、チームは回避策を実装するか、より高い不正率を受け入れる必要がありました。 さらに、人が関与するレベルが高いため、製品の配送プロセスにかなりのコストがかかりました。
• 遅延注文 – 注文のフルフィルメント タイムラインは、手動の不正レビューによって遅れ、顧客の不満につながりました。

既存の不正識別プロセスは出発点としては適切でしたが、Clearly が求めていた注文フルフィルメントの効率性を満たすには、正確性も速度も十分ではありませんでした。

私たちが直面したもう XNUMX つの大きな課題は、終身雇用の ML チームが不足していたことでした。プロジェクトが開始されたとき、すべてのメンバーは会社に在籍して XNUMX 年未満でした。

ソリューションの概要: Amazon Fraud Detector

Amazon Fraud Detector は、ML を使用して非常に正確な不正検出を提供する完全マネージド型のサービスであり、ML の専門知識は必要ありません。 私たちがしなければならなかったのは、データをアップロードして、いくつかの簡単な手順に従うことだけでした. Amazon Fraud Detector は自動的にデータを調べ、意味のあるパターンを特定し、新しいトランザクションを予測できる不正識別モデルを作成しました。

次の図は、パイプラインを示しています。

フローを操作可能にするために、次のワークフローを適用しました。

1. アマゾンイベントブリッジ オーケストレーション パイプラインを XNUMX 時間ごとに呼び出して、保留中のすべてのトランザクションを確認します。
2. Step Functions は、オーケストレーション パイプラインの管理に役立ちます。
3. An AWSラムダ 関数呼び出し アマゾンアテナ に保存されているトレーニング データを取得して準備するための API Amazon シンプル ストレージ サービス （Amazon S3）。
4. Lambda 関数のオーケストレーションされたパイプラインは、Amazon Fraud Detector モデルをトレーニングし、モデルのパフォーマンスメトリクスを S3 バケットに保存します。
5. Amazon シンプル通知サービス (Amazon SNS) は、不正検出プロセス中に問題が発生した場合、またはプロセスが正常に完了した場合にユーザーに通知します。
6. ビジネス アナリストがダッシュボードを構築する アマゾンクイックサイトこの投稿で後述するように、Athena を使用して Amazon S3 から不正データをクエリします。

Amazon Fraud Detector を使用することにした理由はいくつかあります。

• このサービスは、Amazon が詐欺と戦ってきた長年の専門知識を活用しています。 これにより、サービスの機能に大きな自信が持てました。
• 使いやすさと実装の容易さにより、正確な結果を生成するために必要なデータセットがあることをすぐに確認できました。
• Clearly ML チームは 1 年未満だったので、完全に管理されたサービスにより、高度な技術的 ML スキルと知識を必要とせずにこのプロジェクトを提供できました。

結果

予測結果を既存のデータ レイクに書き込むことで、QuickSight を使用して上級管理職向けのメトリクスとダッシュボードを構築できます。 これにより、毎月のマーケティング目標を達成するための次のステップを決定する際に、これらの結果を理解して使用することができます。

XNUMX つのレベルで予測結果を提示することができました。まず全体的なビジネス パフォーマンスから始めて、各ビジネス ライン (コンタクトとメガネ) ごとに必要なパフォーマンスをさらに掘り下げます。

ダッシュボードには次の情報が含まれています。

• 業種ごとの XNUMX 日あたりの不正行為
  
• 不正取引による収益の損失
  
• 不正取引の場所 (不正のホット スポットの特定)
  
• さまざまなクーポン コードによる不正取引の影響。これにより、問題のあるクーポン コードを監視し、リスクを軽減するためのさらなる措置を講じることができます。
  
• XNUMX時間あたりの不正行為。これにより、請求業務チームを計画および管理し、必要に応じてトランザクション量を処理するためのリソースを確保できます

結論

顧客の不正行為を効果的かつ正確に予測することは、今日の小売業の ML における最大の課題の XNUMX つであり、Clearly の成功には顧客とその行動をよく理解することが不可欠です。 Amazon Fraud Detector は、最小限のオーバーヘッドで正確で信頼性の高い不正予測システムを簡単に作成するための完全マネージド型 ML ソリューションを提供しました。 Amazon Fraud Detector の予測は精度が高く、簡単に生成できます。

「次のような主要な e コマース ツールを使用して 仮想試着、比類のない顧客サービスと組み合わせることで、誰もが手頃な価格で楽な方法で明確に見えるように努めています。つまり、プロセスを革新、改善、合理化する方法を常に探しています。機械学習チームのリーダーである Ziv Pollak 博士は次のように述べています。 「オンラインの不正検出は、今日の小売業における機械学習における最大の課題の XNUMX つです。 わずか数週間で、Amazon Fraud Detector は、非常に高い精度で詐欺を正確かつ確実に特定し、数千ドルを節約するのに役立ちました。　

---

著者について

ジヴ・ポラック博士 組織が機械学習を使用して収益を増やし、コストを削減し、顧客サービスを改善し、ビジネスの成功を確実にする方法を変革する経験豊富な技術リーダーです。 彼は現在、Clearly で機械学習チームを率いています。

サルヴィ・ロロイ Clearly の Associate Machine Learning Engineer です。 彼女は AWS ツールを使用してモデルの有効性を評価し、ビジネスの成長を促進し、収益を増やし、生産性を最適化しています。

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