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:
- Amazon Event Bridge chama o pipeline de orquestração a cada hora para revisar todas as transações pendentes.
- O Step Functions ajuda a gerenciar o pipeline de orquestração.
- 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).
- 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.
- 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.
- 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.
- '
- "
- 100
- em
- ações
- Todos os Produtos
- Amazon
- Detector de fraude da Amazon
- APIs
- Australia
- autores
- Automatizado
- disponível
- AWS
- O maior
- morada
- Preto
- Black Friday
- construir
- negócio
- desempenho dos negócios
- Localização: Canadá
- desafiar
- desafios
- coleta
- Empresa
- confiança
- conteúdo
- custos
- Criar
- crítico
- A satisfação do cliente
- Atendimento ao Cliente
- Clientes
- painel de instrumentos
- dados,
- lago data
- dia
- Entrega
- Detecção
- diferente
- dólares
- durante
- facilmente
- Loja virtual
- emergente
- engenheiro
- eventos
- experiência
- olho
- eyewear
- enfrentou
- RÁPIDO
- Primeiro nome
- fluxo
- seguir
- fraude
- Sexta-feira
- cumprimento
- função
- funções
- gerar
- óculos
- vai
- Bom estado, com sinais de uso
- Growth
- Manipulação
- ter
- Saúde
- ajudar
- ajuda
- Alta
- altamente
- Como funciona o dobrador de carta de canal
- HTTPS
- identificação
- identificar
- Impacto
- executar
- Crescimento
- INFORMAÇÕES
- investigação
- IT
- Chave
- Conhecimento
- trabalho
- conduzir
- Liderança
- principal
- aprendizagem
- Nível
- níveis
- Line
- procurando
- aprendizado de máquina
- principal
- Fazendo
- manual
- Marketing
- Membros
- Métrica
- Missão
- ML
- modelo
- necessário
- Nova Zelândia
- notificação
- online
- varejo on-line
- compras on-line
- Operações
- Opiniões
- ordem
- ordens
- organização
- organizações
- Outros
- atuação
- plataforma
- pobre
- predição
- Previsões
- presente
- Problema
- processo
- processos
- Produzido
- Produto
- produtividade
- Produtos
- projeto
- fornece
- Preços
- razões
- reduzir
- Recursos
- Resultados
- varejo
- varejistas
- receita
- rever
- Opinões
- regras
- Dito
- vendas
- satisfação
- Escala
- Serverless
- Serviços
- Partilhar
- Envios
- minha
- periodo
- simples
- Habilidades
- armazenamento
- sucesso
- entraram com sucesso
- .
- Dados Técnicos:
- o mundo
- De terceiros
- Através da
- hoje
- ferramentas
- Training
- trens
- transação
- Transações
- Tendências
- Atualizar
- us
- usuários
- visão
- volume
- QUEM
- sem
- de gestão de documentos
- mundo
- ano
- anos