How Clearly natančno predvidi goljufiva naročila z uporabo Amazon Fraud Detector

To objavo sta skupaj napisala Ziv Pollak, vodja ekipe za strojno učenje, in Sarvi Loloei, inženir strojnega učenja pri Clearly. Vsebina in mnenja v tej objavi so avtorji tretjih oseb in AWS ni odgovoren za vsebino ali točnost te objave.

Pionir spletnega nakupovanja, Clearly je svoje prvo spletno mesto odprl leta 2000. Od takrat smo zrasli in postali eden največjih spletnih prodajalcev očal na svetu, ki strankam po vsej Kanadi, ZDA, Avstraliji in Novi Zelandiji ponuja očala, sončna očala, kontaktne leče in drugi izdelki za zdravje oči. S svojim poslanstvom odpravljanja slabega vida si Clearly prizadeva narediti očala cenovno ugodna in dostopna vsem. Ustvarjanje optimizirane platforme za odkrivanje goljufij je ključni del te širše vizije.

Prepoznavanje spletnih goljufij je eden največjih izzivov, s katerimi se sooča vsaka spletna maloprodajna organizacija – vsako leto se zaradi goljufije izgubi na stotine tisoč dolarjev. Stroški izdelkov, stroški pošiljanja in stroški dela za obdelavo goljufivih naročil dodatno povečujejo učinek goljufij. Enostavno in hitro ocenjevanje goljufij je ključnega pomena tudi za ohranjanje visoke stopnje zadovoljstva strank. Transakcije ne bi smele biti odložene zaradi dolgih ciklov preiskav goljufij.

V tej objavi delimo, kako je Clearly zgradil avtomatiziran in orkestriran cevovod za napovedovanje z uporabo Korak funkcije AWS, in uporabljeno Amazonski detektor prevare usposobiti model strojnega učenja (ML), ki lahko prepozna goljufive spletne transakcije in nanje opozori skupino za obračunavanje. Ta rešitev zbira tudi metrike in dnevnike, zagotavlja nadzor in se samodejno prikliče.

S storitvami AWS je Clearly v samo nekaj tednih uvedel dobro zasnovano rešitev brez strežnika.

Izziv: Hitro in natančno napovedovanje goljufij

Obstoječa rešitev podjetja Clearly je temeljila na označevanju transakcij z uporabo trdo kodiranih pravil, ki niso bila dovolj pogosto posodobljena, da bi zajela nove vzorce goljufij. Ko je bila transakcija označena, jo je ročno pregledal član skupine za obračunavanje.

Ta obstoječi postopek je imel velike pomanjkljivosti:

• Neprožni in netočno – Trdo kodirana pravila za prepoznavanje goljufivih transakcij je bilo težko posodobiti, kar pomeni, da se ekipa ni mogla hitro odzvati na nastajajoče trende goljufij. Pravila niso mogla natančno prepoznati številnih sumljivih transakcij.
• Operativno intenzivno – Procesa ni bilo mogoče razširiti na dogodke z velikim obsegom prodaje (kot je črni petek), zaradi česar je morala ekipa uvesti rešitve ali sprejeti višje stopnje goljufij. Poleg tega je visoka stopnja človeškega sodelovanja dodala znatne stroške procesu dostave izdelka.
• Odložena naročila – Časovnica izpolnitve naročila je bila zamaknjena zaradi ročnih pregledov goljufij, kar je vodilo do nezadovoljnih strank.

Čeprav je bil naš obstoječi postopek prepoznavanja goljufij dobro izhodišče, ni bil niti dovolj natančen niti dovolj hiter, da bi dosegel učinkovitost izpolnjevanja naročil, ki jo je želel Clearly.

Drug velik izziv, s katerim smo se srečali, je bilo pomanjkanje stalne ekipe za strojno upravljanje – vsi člani so bili v podjetju manj kot eno leto, ko se je projekt začel.

Pregled rešitve: Amazon Fraud Detector

Amazon Fraud Detector je popolnoma upravljana storitev, ki uporablja ML za zagotavljanje zelo natančnega odkrivanja goljufij in ne zahteva strokovnega znanja o ML. Vse, kar smo morali storiti, je bilo naložiti svoje podatke in slediti nekaj enostavnim korakom. Amazon Fraud Detector je samodejno preučil podatke, identificiral pomembne vzorce in izdelal model za identifikacijo goljufij, s katerim je mogoče predvideti nove transakcije.

Naslednji diagram ponazarja naš cevovod:

Za operacionalizacijo toka smo uporabili naslednji potek dela:

1. Amazon EventBridge vsako uro pokliče orkestracijski cevovod, da pregleda vse čakajoče transakcije.
2. Step Functions pomaga upravljati cevovod za orkestracijo.
3. An AWS Lambda funkcijske klice Amazonska Atena API-ji za pridobivanje in pripravo podatkov o usposabljanju, shranjenih na Preprosta storitev shranjevanja Amazon (Amazon S3).
4. Urejen cevovod funkcij Lambda usposablja model detektorja goljufij Amazon in shrani meritve zmogljivosti modela v vedro S3.
5. Amazon Simple notification Service (Amazon SNS) obvesti uporabnike, ko pride do težave med postopkom odkrivanja goljufije ali ko se postopek uspešno zaključi.
6. Poslovni analitiki gradijo nadzorne plošče Amazon QuickSight, ki poizveduje po podatkih o goljufijah iz Amazona S3 z uporabo Athene, kot bomo opisali kasneje v tej objavi.

Za uporabo Amazon Fraud Detector smo se odločili iz nekaj razlogov:

• Storitev temelji na letih strokovnega znanja, ki ga ima Amazon v boju proti goljufijam. To nam je dalo veliko zaupanja v zmogljivosti storitve.
• Enostavna uporaba in implementacija sta nam omogočili, da hitro potrdimo, da imamo nabor podatkov, ki ga potrebujemo za izdelavo natančnih rezultatov.
• Ker je bila ekipa Clearly ML stara manj kot 1 leto, nam je popolnoma upravljana storitev omogočila izvedbo tega projekta, ne da bi potrebovali poglobljene tehnične veščine in znanje ML.

Rezultati

Zapisovanje rezultatov napovedi v naše obstoječe podatkovno jezero nam omogoča uporabo QuickSighta za izdelavo meritev in nadzornih plošč za višje vodstvo. To jim omogoča razumevanje in uporabo teh rezultatov pri sprejemanju odločitev o naslednjih korakih za doseganje naših mesečnih trženjskih ciljev.

Rezultate napovedi smo lahko predstavili na dveh ravneh, začenši s celotno poslovno uspešnostjo in nato poglobljeni v potrebno uspešnost za vsako poslovno linijo (stiki in očala).

Naša nadzorna plošča vključuje naslednje informacije:

• Goljufije na dan za različne poslovne dejavnosti
  
• Izguba prihodka zaradi goljufivih transakcij
  
• Lokacija goljufivih transakcij (prepoznavanje vročih točk goljufij)
  
• Vpliv transakcij goljufij z različnimi kodami kuponov, kar nam omogoča, da spremljamo problematične kode kuponov in sprejmemo nadaljnje ukrepe za zmanjšanje tveganja
  
• Goljufije na uro, kar nam omogoča načrtovanje in upravljanje ekipe za obračunavanje ter zagotavljanje, da imamo na voljo vire za obravnavo količine transakcij, kadar je to potrebno.

Sklepi

Učinkovito in natančno predvidevanje goljufij strank je danes eden največjih izzivov v ML za maloprodajo, zato je dobro poznavanje naših strank in njihovega vedenja ključnega pomena za uspeh družbe Clearly. Amazon Fraud Detector je zagotovil popolnoma upravljano rešitev ML za preprosto ustvarjanje natančnega in zanesljivega sistema za napovedovanje goljufij z minimalnimi stroški. Napovedi Amazon Fraud Detector imajo visoko stopnjo natančnosti in jih je preprosto ustvariti.

"Z vodilnimi orodji za e-trgovino, kot je Virtualni poskus, v kombinaciji z našo neprimerljivo storitvijo za stranke, si prizadevamo pomagati vsem, da jasno vidijo na cenovno dostopen in enostaven način – kar pomeni nenehno iskanje načinov za inovacije, izboljšave in racionalizacijo procesov,« je dejal dr. Ziv Pollak, vodja skupine za strojno učenje. “Odkrivanje spletnih goljufij je danes eden največjih izzivov strojnega učenja v maloprodaji. V samo nekaj tednih nam je Amazon Fraud Detector pomagal natančno in zanesljivo identificirati goljufije z zelo visoko stopnjo natančnosti in prihraniti na tisoče dolarjev."

---

O Author

dr. Živ Pollak je izkušen tehnični vodja, ki spreminja način, kako organizacije uporabljajo strojno učenje za povečanje prihodkov, zmanjšanje stroškov, izboljšanje storitev za stranke in zagotavljanje poslovne uspešnosti. Trenutno vodi ekipo za strojno učenje pri podjetju Clearly.

Sarvi Loloei je pridruženi inženir strojnega učenja pri podjetju Clearly. Z orodji AWS ocenjuje učinkovitost modela za spodbujanje poslovne rasti, povečanje prihodkov in optimizacijo produktivnosti.

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