Jak wyraźnie dokładnie przewiduje nieuczciwe zamówienia za pomocą narzędzia Amazon Fraud Detector

Ten post został napisany wspólnie przez Ziva Pollaka, kierownika zespołu uczenia maszynowego i Sarvi Loloei, inżyniera uczenia maszynowego w firmie Clearly. Treść i opinie w tym poście należą do autorów zewnętrznych, a AWS nie ponosi odpowiedzialności za treść ani dokładność tego postu.

Jako pionier w dziedzinie zakupów online firma Clearly uruchomiła swoją pierwszą witrynę w 2000 roku. Od tego czasu staliśmy się jednym z największych internetowych sprzedawców okularów na świecie, dostarczając okulary klientom w Kanadzie, Stanach Zjednoczonych, Australii i Nowej Zelandii, okulary przeciwsłoneczne, soczewki kontaktowe i inne produkty zdrowotne dla oczu. Realizując swoją misję wyeliminowania słabego wzroku, Clearly dąży do tego, aby okulary były przystępne cenowo i dostępne dla każdego. Stworzenie zoptymalizowanej platformy wykrywania oszustw jest kluczowym elementem tej szerszej wizji.

Identyfikacja oszustw internetowych to jedno z największych wyzwań, przed którymi stoi każda internetowa organizacja zajmująca się sprzedażą detaliczną — co roku z powodu oszustw giną setki tysięcy dolarów. Koszty produktów, koszty wysyłki i koszty pracy związane z obsługą fałszywych zamówień dodatkowo zwiększają wpływ oszustwa. Łatwa i szybka ocena oszustw ma również kluczowe znaczenie dla utrzymania wysokiego poziomu zadowolenia klientów. Transakcje nie powinny być opóźniane z powodu długich cykli dochodzenia w sprawie oszustwa.

W tym poście dzielimy się tym, jak firma Clearly zbudowała zautomatyzowany i zorganizowany potok prognozowania przy użyciu Funkcje kroków AWSi używane Wykrywacz oszustw Amazon trenować model uczenia maszynowego (ML), który może identyfikować oszukańcze transakcje online i zwracać na nie uwagę zespołu operacji rozliczeniowych. To rozwiązanie zbiera również metryki i dzienniki, zapewnia inspekcję i jest wywoływane automatycznie.

Dzięki usługom AWS firma Clearly wdrożyła bezserwerowe, dobrze zaprojektowane rozwiązanie w ciągu zaledwie kilku tygodni.

Wyzwanie: szybkie i dokładne przewidywanie oszustw

Istniejące rozwiązanie Clearly opierało się na oznaczaniu transakcji przy użyciu zakodowanych na stałe reguł, które nie były aktualizowane wystarczająco często, aby wykryć nowe wzorce oszustw. Po oznaczeniu transakcja została ręcznie sprawdzona przez członka zespołu operacji rozliczeniowych.

Ten istniejący proces miał poważne wady:

• Nieelastyczny i niedokładne – Zakodowane na stałe zasady identyfikowania oszustw były trudne do zaktualizowania, co oznaczało, że zespół nie mógł szybko reagować na pojawiające się trendy oszustw. Reguły nie były w stanie dokładnie zidentyfikować wielu podejrzanych transakcji.
• Intensywny pod względem operacyjnym – Procesu nie można było skalować do wydarzeń o dużej sprzedaży (takich jak Czarny piątek), co wymagało od zespołu wdrożenia obejść lub zaakceptowania wyższych wskaźników oszustw. Co więcej, wysoki poziom zaangażowania ludzi dodawał znacznych kosztów do procesu dostawy produktu.
• Opóźnione zamówienia – Termin realizacji zamówienia został opóźniony z powodu ręcznych kontroli oszustw, co doprowadziło do niezadowolenia klientów.

Chociaż nasz istniejący proces identyfikacji oszustw był dobrym punktem wyjścia, nie był ani wystarczająco dokładny, ani wystarczająco szybki, aby zapewnić wydajność realizacji zamówień, której wyraźnie sobie życzył.

Kolejnym poważnym wyzwaniem, przed którym stanęliśmy, był brak stałego zespołu ML — wszyscy członkowie pracowali w firmie krócej niż rok, kiedy projekt się rozpoczął.

Przegląd rozwiązania: Amazon Fraud Detector

Amazon Fraud Detector to w pełni zarządzana usługa, która wykorzystuje uczenie maszynowe do dostarczania bardzo dokładnego wykrywania oszustw i nie wymaga specjalistycznej wiedzy w zakresie uczenia maszynowego. Wszystko, co musieliśmy zrobić, to przesłać nasze dane i wykonać kilka prostych kroków. Amazon Fraud Detector automatycznie przeanalizował dane, zidentyfikował znaczące wzorce i stworzył model identyfikacji oszustw, który może przewidywać nowe transakcje.

Poniższy diagram ilustruje nasz potok:

Aby zoperacjonalizować przepływ, zastosowaliśmy następujący przepływ pracy:

1. Most zdarzeń Amazona wywołuje potok aranżacji co godzinę, aby przejrzeć wszystkie oczekujące transakcje.
2. Step Functions pomaga zarządzać potokiem aranżacji.
3. An AWS Lambda wywołania funkcji Amazonka Atena Interfejsy API do pobierania i przygotowywania przechowywanych danych szkoleniowych Usługa Amazon Simple Storage (Amazonka S3).
4. Zorganizowany potok funkcji Lambda trenuje model Amazon Fraud Detector i zapisuje metryki wydajności modelu w zasobniku S3.
5. Usługa prostego powiadomienia Amazon (Amazon SNS) powiadamia użytkowników, gdy wystąpi problem podczas procesu wykrywania oszustw lub gdy proces zakończy się pomyślnie.
6. Analitycy biznesowi budują pulpity nawigacyjne Amazon QuickSight, który wyszukuje dane o oszustwach z Amazon S3 za pomocą Atheny, jak opisujemy w dalszej części tego posta.

Zdecydowaliśmy się na użycie Amazon Fraud Detector z kilku powodów:

• Usługa wykorzystuje wieloletnie doświadczenie Amazon w walce z oszustwami. Dało nam to duże zaufanie do możliwości serwisu.
• Łatwość użytkowania i implementacji pozwoliła nam szybko potwierdzić, że dysponujemy zestawem danych potrzebnym do uzyskania dokładnych wyników.
• Ponieważ zespół Clearly ML miał mniej niż 1 rok, w pełni zarządzana usługa pozwoliła nam zrealizować ten projekt bez konieczności posiadania głębokich umiejętności i wiedzy technicznej w zakresie ML.

Efekt

Zapisanie wyników przewidywań w naszym istniejącym jeziorze danych pozwala nam używać QuickSight do tworzenia wskaźników i pulpitów nawigacyjnych dla kierownictwa wyższego szczebla. Dzięki temu mogą zrozumieć i wykorzystać te wyniki przy podejmowaniu decyzji o kolejnych krokach, aby osiągnąć nasze miesięczne cele marketingowe.

Udało nam się przedstawić wyniki prognozy na dwóch poziomach, zaczynając od ogólnej wydajności biznesowej, a następnie zagłębiając się w wymaganą wydajność dla każdej linii biznesowej (kontakty i okulary).

Nasz pulpit nawigacyjny zawiera następujące informacje:

• Oszustwo dziennie na różne linie biznesowe
  
• Utrata dochodów z powodu oszustw
  
• Lokalizacja transakcji oszustwa (identyfikacja gorących punktów oszustwa)
  
• Transakcje oszustwa mają wpływ na różne kody kuponów, co pozwala nam monitorować problematyczne kody kuponów i podejmować dalsze działania w celu zmniejszenia ryzyka
  
• Oszustwa na godzinę, co pozwala nam planować i zarządzać zespołem operacji rozliczeniowych oraz upewnić się, że mamy dostępne zasoby do obsługi wolumenu transakcji w razie potrzeby

wnioski

Skuteczne i dokładne przewidywanie oszustw klientów jest obecnie jednym z największych wyzwań związanych z ML dla handlu detalicznego, a dobre zrozumienie naszych klientów i ich zachowań ma kluczowe znaczenie dla sukcesu firmy Clearly. Amazon Fraud Detector dostarczył w pełni zarządzane rozwiązanie ML do łatwego tworzenia dokładnego i niezawodnego systemu przewidywania oszustw przy minimalnym nakładzie pracy. Prognozy Amazon Fraud Detector mają wysoki stopień dokładności i są łatwe do wygenerowania.

"Dzięki wiodącym narzędziom e-commerce, takim jak Wirtualna przymierz, w połączeniu z naszą niezrównaną obsługą klienta, staramy się pomóc wszystkim wyraźnie widzieć w przystępny i łatwy sposób — co oznacza ciągłe poszukiwanie sposobów na innowacje, ulepszenia i usprawnienie procesów,” powiedział dr Ziv Pollak, Lider Zespołu Uczenia Maszynowego. “Wykrywanie oszustw internetowych jest obecnie jednym z największych wyzwań uczenia maszynowego w handlu detalicznym. W ciągu zaledwie kilku tygodni Amazon Fraud Detector pomógł nam dokładnie i niezawodnie zidentyfikować oszustwo z bardzo wysokim poziomem dokładności i zaoszczędzić tysiące dolarów."

---

O autorze

dr Ziv Pollak jest doświadczonym liderem technicznym, który zmienia sposób, w jaki organizacje wykorzystują uczenie maszynowe, aby zwiększyć przychody, obniżyć koszty, poprawić obsługę klienta i zapewnić sukces biznesowy. Obecnie kieruje zespołem Machine Learning w Clearly.

Sarvi Loloei jest Associate Machine Learning Engineer w Clear. Używając narzędzi AWS, ocenia skuteczność modelu w celu napędzania rozwoju firmy, zwiększania przychodów i optymalizacji wydajności.

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