Насколько точно Clearly предсказывает мошеннические заказы с помощью Amazon Fraud Detector

Этот пост был написан в соавторстве с Зивом Поллаком, руководителем группы машинного обучения, и Сарви Лолоей, инженером по машинному обучению в Clearly. Содержание и мнения в этом сообщении принадлежат сторонним авторам, и AWS не несет ответственности за содержание или точность этого сообщения.

Являясь пионером в области онлайн-покупок, компания Clearly запустила свой первый сайт в 2000 году. С тех пор мы превратились в одного из крупнейших интернет-магазинов очков в мире, предоставляя покупателям в Канаде, США, Австралии и Новой Зеландии очки, солнцезащитные очки, контактные линзы и другие товары для здоровья глаз. Выполняя свою миссию по устранению плохого зрения, Clearly стремится сделать очки доступными для всех. Создание оптимизированной платформы для обнаружения мошенничества является ключевой частью этого более широкого видения.

Выявление онлайн-мошенничества является одной из самых больших проблем, с которыми сталкивается каждая организация розничной торговли в Интернете: ежегодно из-за мошенничества теряются сотни тысяч долларов. Стоимость продукции, стоимость доставки и затраты на рабочую силу для обработки мошеннических заказов еще больше увеличивают влияние мошенничества. Простая и быстрая оценка мошенничества также имеет решающее значение для поддержания высокого уровня удовлетворенности клиентов. Транзакции не должны задерживаться из-за длительных циклов расследования мошенничества.

В этом посте мы расскажем, как Clearly построила автоматизированный и организованный конвейер прогнозирования, используя Шаговые функции AWSи использовал Амазон детектор мошенничества для обучения модели машинного обучения (ML), которая может выявлять мошеннические онлайн-транзакции и доводить их до сведения группы операций по выставлению счетов. Это решение также собирает метрики и журналы, обеспечивает аудит и запускается автоматически.

С помощью сервисов AWS компания Clearly развернула бессерверное решение с хорошей архитектурой всего за несколько недель.

Задача: Быстрое и точное прогнозирование мошенничества

Существующее решение Clearly было основано на пометке транзакций с использованием жестко запрограммированных правил, которые не обновлялись достаточно часто, чтобы выявлять новые схемы мошенничества. После того, как транзакция была отмечена, она была вручную проверена членом команды по выставлению счетов.

Этот существующий процесс имел серьезные недостатки:

• негибкий и неточный – Жестко закодированные правила выявления мошеннических транзакций было трудно обновлять, поэтому команда не могла быстро реагировать на возникающие тенденции мошенничества. Правила не смогли точно определить многие подозрительные транзакции.
• Оперативно интенсивный – Процесс нельзя было масштабировать для мероприятий с большим объемом продаж (таких как Черная пятница), что требовало от команды внедрения обходных путей или принятия более высоких показателей мошенничества. Кроме того, высокий уровень участия человека значительно увеличивает стоимость процесса доставки продукта.
• Отложенные заказы – Сроки выполнения заказа были задержаны из-за ручных мошеннических проверок, что привело к недовольству клиентов.

Хотя наш существующий процесс выявления мошенничества был хорошей отправной точкой, он не был ни достаточно точным, ни достаточно быстрым, чтобы обеспечить эффективность выполнения заказов, которую желала Clearly.

Еще одна серьезная проблема, с которой мы столкнулись, заключалась в отсутствии штатной команды машинного обучения — все члены проработали в компании менее года, когда проект стартовал.

Обзор решения: Amazon Fraud Detector

Amazon Fraud Detector – это полностью управляемый сервис, использующий машинное обучение для высокоточного обнаружения мошенничества и не требующий специальных знаний в области машинного обучения. Все, что нам нужно было сделать, это загрузить наши данные и выполнить несколько простых шагов. Amazon Fraud Detector автоматически анализирует данные, выявляет значимые закономерности и создает модель идентификации мошенничества, способную делать прогнозы для новых транзакций.

Следующая диаграмма иллюстрирует наш конвейер:

Чтобы запустить поток, мы применили следующий рабочий процесс:

1. Amazon EventBridge ежечасно вызывает конвейер оркестровки для просмотра всех ожидающих транзакций.
2. Step Functions помогает управлять конвейером оркестровки.
3. An AWS Lambda вызовы функций Амазонка Афина API для извлечения и подготовки обучающих данных, хранящихся на Простой сервис хранения Amazon (Amazon S3).
4. Организованный конвейер функций Lambda обучает модель Amazon Fraud Detector и сохраняет показатели производительности модели в корзине S3.
5. Amazon Простая служба уведомлений (Amazon SNS) уведомляет пользователей о возникновении проблемы в процессе обнаружения мошенничества или об успешном завершении процесса.
6. Бизнес-аналитики строят информационные панели на Amazon QuickSight, который запрашивает данные о мошенничестве из Amazon S3 с помощью Athena, как мы опишем далее в этом посте.

Мы решили использовать Amazon Fraud Detector по нескольким причинам:

• Сервис использует многолетний опыт Amazon в борьбе с мошенничеством. Это вселило в нас большую уверенность в возможностях сервиса.
• Простота использования и внедрения позволили нам быстро подтвердить, что у нас есть набор данных, необходимый для получения точных результатов.
• Поскольку команде Clearly ML было меньше года, полностью управляемый сервис позволил нам реализовать этот проект, не требуя глубоких технических навыков и знаний в области машинного обучения.

Итоги

Запись результатов прогнозирования в наше существующее озеро данных позволяет нам использовать QuickSight для создания метрик и информационных панелей для высшего руководства. Это позволяет им понять и использовать эти результаты при принятии решений о следующих шагах для достижения наших ежемесячных маркетинговых целей.

Мы смогли представить результаты прогноза на двух уровнях, начиная с общей эффективности бизнеса и затем углубляясь в необходимую производительность по каждому направлению бизнеса (контакты и очки).

Наша информационная панель содержит следующую информацию:

• Мошенничество в день по разным направлениям бизнеса
  
• Потеря дохода из-за мошеннических транзакций
  
• Расположение мошеннических транзакций (выявление горячих точек мошенничества)
  
• Различные коды купонов влияют на мошеннические транзакции, что позволяет нам отслеживать проблемные коды купонов и предпринимать дальнейшие действия для снижения риска.
  
• Мошенничество в час, что позволяет нам планировать и управлять командой по выставлению счетов, а также обеспечивать наличие ресурсов для обработки объема транзакций, когда это необходимо.

Выводы

Эффективное и точное прогнозирование мошенничества с клиентами — одна из самых больших проблем в ML для розничной торговли сегодня, и хорошее понимание наших клиентов и их поведения жизненно важно для успеха Clearly. Amazon Fraud Detector предоставил полностью управляемое решение для машинного обучения, позволяющее легко создать точную и надежную систему прогнозирования мошенничества с минимальными затратами. Прогнозы Amazon Fraud Detector отличаются высокой степенью точности и их легко генерировать.

С ведущими инструментами электронной коммерции, такими как Виртуальная примерка, в сочетании с нашим непревзойденным обслуживанием клиентов, мы стремимся помочь каждому ясно видеть доступным и легким способом, что означает постоянный поиск способов инноваций, улучшения и оптимизации процессов,— сказал д-р Зив Поллак, руководитель группы машинного обучения. “Обнаружение онлайн-мошенничества — одна из самых больших проблем машинного обучения в розничной торговле сегодня. Всего за несколько недель Amazon Fraud Detector помог нам точно и надежно идентифицировать мошенничество с очень высоким уровнем точности и сэкономить тысячи долларов.

---

Об авторе

Доктор Зив Поллак — опытный технический лидер, который меняет способы использования машинного обучения в организациях для увеличения доходов, сокращения затрат, улучшения обслуживания клиентов и обеспечения успеха в бизнесе. В настоящее время он возглавляет команду машинного обучения в компании Clearly.

Сарви Лолоей является младшим инженером по машинному обучению в компании Clearly. Используя инструменты AWS, она оценивает эффективность моделей для стимулирования роста бизнеса, увеличения доходов и оптимизации производительности.

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