Hoe Duidelijk frauduleuze bestellingen nauwkeurig voorspelt met behulp van Amazon Fraud Detector

Dit bericht is mede geschreven door Ziv Pollak, teamleider Machine Learning, en Sarvi Loloei, Machine Learning Engineer bij Clearly. De inhoud en meningen in dit bericht zijn die van de externe auteurs en AWS is niet verantwoordelijk voor de inhoud of nauwkeurigheid van dit bericht.

Clearly, een pionier op het gebied van online winkelen, lanceerde hun eerste site in 2000. Sindsdien zijn we uitgegroeid tot een van de grootste online brillenverkopers ter wereld, die klanten in heel Canada, de VS, Australië en Nieuw-Zeeland voorziet van brillen, zonnebrillen, contactlenzen en andere ooggezondheidsproducten. Door haar missie om slecht zicht uit te bannen, streeft Clearly ernaar om brillen voor iedereen betaalbaar en toegankelijk te maken. Het creëren van een geoptimaliseerd platform voor fraudedetectie is een belangrijk onderdeel van deze bredere visie.

Het identificeren van online fraude is een van de grootste uitdagingen voor elke online retailorganisatie: elk jaar gaan honderdduizenden dollars verloren als gevolg van fraude. Productkosten, verzendkosten en arbeidskosten voor het afhandelen van frauduleuze bestellingen verhogen de impact van fraude nog verder. Gemakkelijke en snelle fraude-evaluatie is ook van cruciaal belang voor het handhaven van hoge klanttevredenheidspercentages. Transacties mogen niet worden vertraagd vanwege langdurige fraudeonderzoekscycli.

In dit bericht delen we hoe Clearly een geautomatiseerde en georkestreerde prognosepijplijn heeft gebouwd met behulp van AWS Stap Functies, en gebruikt Amazone fraude detector om een ​​machine learning (ML)-model te trainen dat online frauduleuze transacties kan identificeren en onder de aandacht kan brengen van het facturatieteam. Deze oplossing verzamelt ook metrische gegevens en logboeken, biedt auditing en wordt automatisch aangeroepen.

Met AWS-services implementeerde Clearly in slechts enkele weken een serverloze, goed ontworpen oplossing.

De uitdaging: fraude snel en nauwkeurig voorspellen

De bestaande oplossing van Clearly was gebaseerd op het markeren van transacties met behulp van hardgecodeerde regels die niet vaak genoeg werden bijgewerkt om nieuwe fraudepatronen vast te leggen. Eenmaal gemarkeerd, werd de transactie handmatig beoordeeld door een lid van het facturatieteam.

Dit bestaande proces had grote nadelen:

• onbuigzaam en onnauwkeurig – De hardgecodeerde regels om fraudetransacties te identificeren waren moeilijk bij te werken, wat betekende dat het team niet snel kon reageren op opkomende fraudetrends. De regels waren niet in staat om veel verdachte transacties nauwkeurig te identificeren.
• Operationeel intensief – Het proces kon niet worden geschaald naar evenementen met een hoog verkoopvolume (zoals Black Friday), waardoor het team tijdelijke oplossingen moest implementeren of hogere fraudepercentages moest accepteren. Bovendien zorgde de hoge mate van menselijke betrokkenheid voor aanzienlijke kosten voor het leveringsproces van het product.
• Vertraagde bestellingen – De tijdlijn voor de uitvoering van de bestelling werd vertraagd door handmatige fraudecontroles, wat leidde tot ontevreden klanten.

Hoewel ons bestaande fraude-identificatieproces een goed startpunt was, was het noch nauwkeurig genoeg noch snel genoeg om de efficiëntie van de orderafhandeling te bereiken die duidelijk gewenst was.

Een andere grote uitdaging waarmee we te maken hadden, was het ontbreken van een vast ML-team - alle leden waren minder dan een jaar bij het bedrijf toen het project van start ging.

Overzicht van oplossing: Amazon Fraud Detector

Amazon Fraud Detector is een volledig beheerde service die ML gebruikt om zeer nauwkeurige fraudedetectie te leveren en vereist geen ML-expertise. Het enige dat we moesten doen, was onze gegevens uploaden en een paar eenvoudige stappen volgen. Amazon Fraud Detector onderzocht de gegevens automatisch, identificeerde betekenisvolle patronen en produceerde een model voor fraude-identificatie dat voorspellingen kon doen over nieuwe transacties.

Het volgende diagram illustreert onze pijplijn:

Om de flow te operationaliseren, hebben we de volgende workflow toegepast:

1. Amazon EventBridge roept elk uur de orkestratiepijplijn aan om alle openstaande transacties te bekijken.
2. Step Functions helpt bij het beheren van de orkestratiepijplijn.
3. An AWS Lambda functieaanroepen Amazone Athene API's om de opgeslagen trainingsgegevens op te halen en voor te bereiden Amazon eenvoudige opslagservice (Amazone S3).
4. Een georkestreerde pijplijn van Lambda-functies traint een Amazon Fraud Detector-model en slaat de prestatiestatistieken van het model op in een S3-bucket.
5. Amazon eenvoudige meldingsservice (Amazon SNS) stelt gebruikers op de hoogte wanneer er een probleem optreedt tijdens het fraudedetectieproces of wanneer het proces met succes is voltooid.
6. Business analisten bouwen dashboards op Amazon QuickSight, die de fraudegegevens van Amazon S3 opvraagt ​​met behulp van Athena, zoals we verderop in dit bericht beschrijven.

We hebben om een ​​aantal redenen ervoor gekozen om Amazon Fraud Detector te gebruiken:

• De service maakt gebruik van jarenlange expertise die Amazon heeft om fraude te bestrijden. Dit gaf ons veel vertrouwen in de mogelijkheden van de dienst.
• Door het gebruiksgemak en de implementatie konden we snel bevestigen dat we de dataset hebben die we nodig hebben om nauwkeurige resultaten te produceren.
• Omdat het Clearly ML-team nog geen 1 jaar oud was, stelde een volledig beheerde service ons in staat dit project op te leveren zonder diepgaande technische ML-vaardigheden en -kennis.

Resultaten

Door de voorspellingsresultaten in ons bestaande datameer te schrijven, kunnen we QuickSight gebruiken om statistieken en dashboards te bouwen voor senior leiderschap. Hierdoor kunnen ze deze resultaten begrijpen en gebruiken bij het nemen van beslissingen over de volgende stappen om onze maandelijkse marketingdoelstellingen te halen.

We waren in staat om de prognoseresultaten op twee niveaus te presenteren, te beginnen met de algehele bedrijfsprestaties en vervolgens dieper in te gaan op de benodigde prestaties per branche (contacten en brillen).

Ons dashboard bevat de volgende informatie:

• Fraude per dag per verschillende bedrijfstakken
  
• Inkomstenverlies als gevolg van fraudetransacties
  
• Locatie van fraudetransacties (fraudehotspots identificeren)
  
• Fraudetransacties worden beïnvloed door verschillende couponcodes, waardoor we kunnen controleren op problematische couponcodes en verdere maatregelen kunnen nemen om het risico te verkleinen
  
• Fraude per uur, waardoor we het factureringsteam kunnen plannen en beheren en ervoor kunnen zorgen dat we middelen beschikbaar hebben om het transactievolume te verwerken wanneer dat nodig is

Conclusies

Effectieve en nauwkeurige voorspelling van klantfraude is tegenwoordig een van de grootste uitdagingen in ML voor de detailhandel, en een goed begrip van onze klanten en hun gedrag is essentieel voor het succes van Clearly. Amazon Fraud Detector bood een volledig beheerde ML-oplossing om eenvoudig een nauwkeurig en betrouwbaar fraudevoorspellingssysteem te creëren met minimale overhead. Amazon Fraud Detector-voorspellingen hebben een hoge mate van nauwkeurigheid en zijn eenvoudig te genereren.

"Met toonaangevende e-commercetools zoals Virtueel uitproberen, gecombineerd met onze ongeëvenaarde klantenservice, streven we ernaar om iedereen te helpen duidelijk te zien op een betaalbare en moeiteloze manier - wat betekent dat we voortdurend op zoek zijn naar manieren om processen te innoveren, verbeteren en stroomlijnen,” zei Dr. Ziv Pollak, teamleider Machine Learning. “Het opsporen van online fraude is tegenwoordig een van de grootste uitdagingen op het gebied van machine learning in de detailhandel. In slechts een paar weken tijd hielp Amazon Fraud Detector ons nauwkeurig en betrouwbaar fraude met een zeer hoge mate van nauwkeurigheid te identificeren en duizenden dollars te besparen."

---

Over de auteur

Dr Ziv Pollak is een ervaren technisch leider die de manier transformeert waarop organisaties machine learning gebruiken om de omzet te verhogen, de kosten te verlagen, de klantenservice te verbeteren en zakelijk succes te garanderen. Momenteel leidt hij het Machine Learning-team bij Clearly.

Sarvi Loloei is Associate Machine Learning Engineer bij Clearly. Met behulp van AWS-tools evalueert ze de effectiviteit van modellen om de bedrijfsgroei te stimuleren, de omzet te verhogen en de productiviteit te optimaliseren.

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