Cât de clar prezice cu acuratețe comenzile frauduloase folosind Amazon Fraud Detector

Această postare a fost co-scrisă de Ziv Pollak, liderul echipei de învățare automată și Sarvi Loloei, inginer de învățare automată la Clearly. Conținutul și opiniile din această postare aparțin autorilor terți, iar AWS nu este responsabil pentru conținutul sau acuratețea acestei postări.

Un pionier în cumpărăturile online, Clearly și-a lansat primul site în 2000. De atunci, am devenit unul dintre cei mai mari comercianți online de ochelari din lume, oferind clienților din Canada, SUA, Australia și Noua Zeelandă ochelari, ochelari de soare, lentile de contact și alte produse pentru sănătatea ochilor. Prin misiunea sa de a elimina vederea slabă, Clearly se străduiește să facă ochelarii la prețuri accesibile și accesibile pentru toată lumea. Crearea unei platforme optimizate de detectare a fraudelor este o parte cheie a acestei viziuni mai ample.

Identificarea fraudei online este una dintre cele mai mari provocări pe care le are fiecare organizație de vânzare cu amănuntul online – sute de mii de dolari se pierd din cauza fraudei în fiecare an. Costurile produselor, costurile de transport și costurile forței de muncă pentru gestionarea comenzilor frauduloase cresc și mai mult impactul fraudei. Evaluarea simplă și rapidă a fraudei este, de asemenea, esențială pentru menținerea unor rate ridicate de satisfacție a clienților. Tranzacțiile nu ar trebui să fie întârziate din cauza ciclurilor lungi de investigare a fraudelor.

În această postare, împărtășim modul în care Clearly a construit o conductă de prognoză automatizată și orchestrată folosind Funcții pas AWS, și folosit Detector de fraude Amazon pentru a instrui un model de învățare automată (ML) care poate identifica tranzacțiile frauduloase online și le poate aduce în atenția echipei de operațiuni de facturare. Această soluție colectează, de asemenea, metrici și jurnale, asigură auditare și este invocată automat.

Cu serviciile AWS, Clearly a implementat o soluție fără server, bine proiectată în doar câteva săptămâni.

Provocarea: prevederea fraudei rapid și precis

Soluția existentă a Clearly s-a bazat pe semnalarea tranzacțiilor folosind reguli hard-coded care nu au fost actualizate suficient de frecvent pentru a capta noi modele de fraudă. Odată marcată, tranzacția a fost revizuită manual de un membru al echipei de operațiuni de facturare.

Acest proces existent a avut dezavantaje majore:

• Inflexibil și inexacte – Regulile codificate pentru a identifica tranzacțiile de fraudă au fost dificil de actualizat, ceea ce înseamnă că echipa nu a putut răspunde rapid la tendințele emergente în materie de fraudă. Regulile nu au putut identifica cu exactitate multe tranzacții suspecte.
• Operațional intensiv – Procesul nu s-a putut scala la evenimente cu volum mare de vânzări (cum ar fi Vinerea Neagră), necesitând echipei să implementeze soluții alternative sau să accepte rate mai mari de fraudă. Mai mult, nivelul ridicat de implicare umană a adăugat costuri semnificative procesului de livrare a produsului.
• Comenzi întârziate – Termenul de onorare a comenzii a fost întârziat de evaluările manuale ale fraudei, ceea ce a dus la clienți nemulțumiți.

Deși procesul nostru existent de identificare a fraudei a fost un bun punct de plecare, nu a fost nici suficient de precis și nici suficient de rapid pentru a îndeplini eficiența în îndeplinirea comenzilor pe care le dorea Clearly.

O altă provocare majoră cu care ne-am confruntat a fost lipsa unei echipe de ML titular – toți membrii erau în companie de mai puțin de un an când proiectul a început.

Prezentare generală a soluției: Amazon Fraud Detector

Amazon Fraud Detector este un serviciu complet gestionat care utilizează ML pentru a oferi o detectare extrem de precisă a fraudelor și nu necesită experiență ML. Tot ce trebuia să facem a fost să ne încărcăm datele și să urmăm câțiva pași simpli. Amazon Fraud Detector a examinat automat datele, a identificat modele semnificative și a produs un model de identificare a fraudei capabil să facă predicții asupra noilor tranzacții.

Următoarea diagramă ilustrează conducta noastră:

Pentru a operaționalizarea fluxului, am aplicat următorul flux de lucru:

1. Amazon EventBridge apelează canalul de orchestrare din fiecare oră pentru a examina toate tranzacțiile în așteptare.
2. Step Functions ajută la gestionarea conductei de orchestrare.
3. An AWS Lambdas apeluri funcționale Amazon Atena API-uri pentru a prelua și pregăti datele de antrenament, stocate pe Serviciul Amazon de stocare simplă (Amazon S3).
4. O conductă orchestrată de funcții Lambda antrenează un model Amazon Fraud Detector și salvează valorile de performanță ale modelului într-un compartiment S3.
5. Serviciul de notificare simplă Amazon (Amazon SNS) informează utilizatorii când apare o problemă în timpul procesului de detectare a fraudei sau când procesul se încheie cu succes.
6. Analiștii de afaceri construiesc tablouri de bord pe Amazon QuickSight, care interogează datele de fraudă de la Amazon S3 folosind Athena, așa cum descriem mai târziu în această postare.

Am ales să folosim Amazon Fraud Detector din câteva motive:

• Serviciul se bazează pe ani de experiență pe care Amazon o are în combaterea fraudei. Acest lucru ne-a oferit multă încredere în capacitățile serviciului.
• Ușurința în utilizare și implementare ne-a permis să confirmăm rapid că avem setul de date de care avem nevoie pentru a produce rezultate precise.
• Deoarece echipa Clearly ML avea mai puțin de 1 an, un serviciu complet gestionat ne-a permis să livrăm acest proiect fără a avea nevoie de abilități și cunoștințe tehnice profunde de ML.

REZULTATE

Scrierea rezultatelor predicției în lacul nostru de date existent ne permite să folosim QuickSight pentru a construi metrici și tablouri de bord pentru conducerea superioară. Acest lucru le permite să înțeleagă și să utilizeze aceste rezultate atunci când iau decizii cu privire la următorii pași pentru a îndeplini obiectivele noastre lunare de marketing.

Am reușit să prezentăm rezultatele previziunilor pe două niveluri, începând cu performanța generală a afacerii și apoi mergând mai adânc în performanța necesară pentru fiecare linie de afaceri (performanțe de contact și ochelari).

Tabloul nostru de bord include următoarele informații:

• Fraudă pe zi pe diferite linii de activitate
  
• Pierdere de venituri din cauza tranzacțiilor frauduloase
  
• Locația tranzacțiilor de fraudă (identificarea punctelor fierbinți de fraudă)
  
• Tranzacțiile de fraudă influențează diferite coduri de cupon, ceea ce ne permite să monitorizăm codurile de cupon problematice și să luăm măsuri suplimentare pentru a reduce riscul
  
• Fraudă pe oră, ceea ce ne permite să planificăm și să gestionăm echipa operațională de facturare și să ne asigurăm că avem resurse disponibile pentru a gestiona volumul tranzacțiilor atunci când este necesar

Concluzii

Prevederea eficientă și precisă a fraudei clienților este una dintre cele mai mari provocări în ML pentru retail astăzi, iar înțelegerea corectă a clienților noștri și a comportamentului acestora este vitală pentru succesul Clearly. Amazon Fraud Detector a oferit o soluție ML complet gestionată pentru a crea cu ușurință un sistem de predicție a fraudei precis și fiabil, cu cheltuieli minime. Predicțiile Amazon Fraud Detector au un grad ridicat de acuratețe și sunt ușor de generat.

Cu instrumente de comerț electronic de vârf, cum ar fi Încercați virtual, împreună cu serviciul nostru pentru clienți de neegalat, ne străduim să ajutăm toată lumea să vadă clar, într-un mod accesibil și fără efort, ceea ce înseamnă căutăm în mod constant modalități de a inova, de a îmbunătăți și de a eficientiza procesele,” a spus dr. Ziv Pollak, liderul echipei de învățare automată. „Detectarea fraudelor online este una dintre cele mai mari provocări ale învățării automate în retail în prezent. În doar câteva săptămâni, Amazon Fraud Detector ne-a ajutat să identificăm fraudele cu acuratețe și încredere, cu un nivel foarte ridicat de acuratețe și să economisim mii de dolari.Matei 22:21

---

Despre autor

Dr. Ziv Pollak este un lider tehnic cu experiență care transformă modul în care organizațiile folosesc învățarea automată pentru a crește veniturile, a reduce costurile, a îmbunătăți serviciile pentru clienți și a asigura succesul afacerii. În prezent, conduce echipa de Machine Learning la Clearly.

Sarvi Loloei este inginer asociat de învățare automată la Clearly. Folosind instrumente AWS, ea evaluează eficiența modelului pentru a stimula creșterea afacerii, a crește veniturile și a optimiza productivitatea.

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