Com que precisão prevê pedidos fraudulentos usando o Amazon Fraud Detector

Esta postagem foi coescrita por Ziv Pollak, líder da equipe de aprendizado de máquina, e Sarvi Loloei, engenheiro de aprendizado de máquina da Clearly. O conteúdo e as opiniões desta postagem são de autores terceirizados e a AWS não é responsável pelo conteúdo ou precisão desta postagem.

Pioneira em compras on-line, a Clearly lançou seu primeiro site em 2000. Desde então, crescemos e nos tornamos um dos maiores varejistas on-line de óculos do mundo, oferecendo aos clientes no Canadá, Estados Unidos, Austrália e Nova Zelândia óculos, óculos de sol, lentes de contato e outros produtos para a saúde ocular. Por meio de sua missão de eliminar problemas de visão, a Clearly se esforça para tornar os óculos acessíveis a todos. A criação de uma plataforma otimizada de detecção de fraudes é uma parte fundamental dessa visão mais ampla.

Identificar fraudes online é um dos maiores desafios que toda organização de varejo online enfrenta – centenas de milhares de dólares são perdidos devido a fraudes todos os anos. Os custos do produto, os custos de envio e os custos de mão-de-obra para lidar com pedidos fraudulentos aumentam ainda mais o impacto da fraude. A avaliação fácil e rápida de fraudes também é crítica para manter altas taxas de satisfação do cliente. As transações não devem ser atrasadas devido a longos ciclos de investigação de fraude.

Nesta postagem, compartilhamos como a Clearly construiu um pipeline de previsão automatizado e orquestrado usando Funções de etapa da AWS, e usado Detector de fraude da Amazon treinar um modelo de aprendizado de máquina (ML) capaz de identificar transações fraudulentas on-line e alertá-las para a equipe de operações de cobrança. Essa solução também coleta métricas e logs, fornece auditoria e é invocada automaticamente.

Com os serviços da AWS, a Clearly implantou uma solução bem arquitetada e sem servidor em apenas algumas semanas.

O desafio: prever fraudes com rapidez e precisão

A solução existente da Clearly baseava-se na sinalização de transações usando regras codificadas que não eram atualizadas com frequência suficiente para capturar novos padrões de fraude. Depois de sinalizada, a transação era revisada manualmente por um membro da equipe de operações de cobrança.

Este processo existente tinha grandes inconvenientes:

• Inflexível e impreciso – As regras codificadas para identificar transações fraudulentas eram difíceis de atualizar, o que significava que a equipe não conseguia responder rapidamente às tendências emergentes de fraude. As regras não foram capazes de identificar com precisão muitas transações suspeitas.
• Operacionalmente intensivo – O processo não poderia escalar para eventos de alto volume de vendas (como Black Friday), exigindo que a equipe implementasse soluções alternativas ou aceitasse taxas de fraude mais altas. Além disso, o alto nível de envolvimento humano adicionava um custo significativo ao processo de entrega do produto.
• Pedidos atrasados – O cronograma de atendimento do pedido foi atrasado por revisões manuais de fraude, levando a clientes insatisfeitos.

Embora nosso processo de identificação de fraude existente fosse um bom ponto de partida, ele não era nem preciso nem rápido o suficiente para atender às eficiências de atendimento de pedidos que a Claramente desejava.

Outro grande desafio que enfrentamos foi a falta de uma equipe de ML permanente - todos os membros estavam na empresa há menos de um ano quando o projeto começou.

Visão geral da solução: Amazon Fraud Detector

O Amazon Fraud Detector é um serviço totalmente gerenciado que usa ML para fornecer detecção de fraude altamente precisa e não requer experiência em ML. Tudo o que precisávamos fazer era carregar nossos dados e seguir algumas etapas simples. O Amazon Fraud Detector examinou automaticamente os dados, identificou padrões significativos e produziu um modelo de identificação de fraude capaz de fazer previsões sobre novas transações.

O diagrama a seguir ilustra nosso pipeline:

Para operacionalizar o fluxo, aplicamos o seguinte workflow:

1. Amazon Event Bridge chama o pipeline de orquestração a cada hora para revisar todas as transações pendentes.
2. O Step Functions ajuda a gerenciar o pipeline de orquestração.
3. An AWS Lambda chamadas de função Amazona atena APIs para recuperar e preparar os dados de treinamento, armazenados em Serviço de armazenamento simples da Amazon (Amazônia S3).
4. Um pipeline orquestrado de funções do Lambda treina um modelo do Amazon Fraud Detector e salva as métricas de desempenho do modelo em um bucket do S3.
5. Serviço de notificação simples da Amazon (Amazon SNS) notifica os usuários quando ocorre um problema durante o processo de detecção de fraude ou quando o processo é concluído com sucesso.
6. Analistas de negócios criam painéis em AmazonQuickSight, que consulta os dados de fraude do Amazon S3 usando o Athena, conforme descreveremos mais adiante nesta postagem.

Escolhemos usar o Amazon Fraud Detector por alguns motivos:

• O serviço aproveita anos de experiência que a Amazon tem no combate à fraude. Isso nos deu muita confiança nas capacidades do serviço.
• A facilidade de uso e implementação nos permitiu confirmar rapidamente que temos o conjunto de dados de que precisamos para produzir resultados precisos.
• Como a equipe Clearly ML tinha menos de 1 ano, um serviço totalmente gerenciado nos permitiu entregar este projeto sem a necessidade de habilidades e conhecimentos técnicos profundos de ML.

Resultados

Escrever os resultados da previsão em nosso data lake existente nos permite usar o QuickSight para criar métricas e painéis para a liderança sênior. Isso permite que eles entendam e usem esses resultados ao tomar decisões sobre as próximas etapas para atingir nossas metas mensais de marketing.

Pudemos apresentar os resultados da previsão em dois níveis, começando com o desempenho geral do negócio e depois nos aprofundando no desempenho necessário para cada linha de negócios (lentes de contato e óculos).

Nosso painel inclui as seguintes informações:

• Fraude por dia por diferentes linhas de negócios
  
• Perda de receita devido a transações fraudulentas
  
• Localização de transações fraudulentas (identificando pontos quentes de fraude)
  
• Transações fraudulentas impactam por diferentes códigos de cupom, o que nos permite monitorar códigos de cupom problemáticos e tomar outras ações para reduzir o risco
  
• Fraude por hora, o que nos permite planejar e gerenciar a equipe de operação de cobrança e garantir que tenhamos recursos disponíveis para lidar com o volume de transações quando necessário

Conclusões

A previsão eficaz e precisa da fraude do cliente é um dos maiores desafios do ML para o varejo hoje, e ter um bom entendimento de nossos clientes e seu comportamento é vital para o sucesso da Clearly. O Amazon Fraud Detector forneceu uma solução de ML totalmente gerenciada para criar facilmente um sistema de previsão de fraude preciso e confiável com sobrecarga mínima. As previsões do Amazon Fraud Detector têm um alto grau de precisão e são simples de gerar.

"Com as principais ferramentas de comércio eletrônico, como Teste virtual, combinado com nosso atendimento ao cliente incomparável, nos esforçamos para ajudar todos a ver claramente de maneira acessível e sem esforço - o que significa buscar constantemente maneiras de inovar, melhorar e simplificar processos,” disse o Dr. Ziv Pollak, líder da equipe de aprendizado de máquina. “A detecção de fraudes online é um dos maiores desafios do aprendizado de máquina no varejo atualmente. Em apenas algumas semanas, o Amazon Fraud Detector nos ajudou a identificar fraudes de forma precisa e confiável com um nível muito alto de precisão e economizar milhares de dólares."

---

Sobre o autor

Dr. Ziv Pollak é um líder técnico experiente que transforma a maneira como as organizações usam o aprendizado de máquina para aumentar a receita, reduzir custos, melhorar o atendimento ao cliente e garantir o sucesso dos negócios. Atualmente, ele lidera a equipe de Machine Learning da Clearly.

Sarvi Loloei é Engenheiro Associado de Aprendizado de Máquina na Clearly. Usando as ferramentas da AWS, ela avalia a eficácia do modelo para impulsionar o crescimento dos negócios, aumentar a receita e otimizar a produtividade.

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