Hur tydligt förutsäger bedrägliga beställningar med Amazon Fraud Detector

Det här inlägget skrevs av Ziv Pollak, Team Lead för maskininlärning, och Sarvi Loloei, maskininlärningsingenjör på Clearly. Innehållet och åsikterna i det här inlägget är tredje parts författare och AWS ansvarar inte för innehållet eller riktigheten i detta inlägg.

Clearly var en pionjär inom onlineshopping och lanserade sin första sida 2000. Sedan dess har vi vuxit till att bli en av de största glasögonåterförsäljarna online i världen och förser kunder över hela Kanada, USA, Australien och Nya Zeeland med glasögon, solglasögon, kontaktlinser och andra ögonhälsoprodukter. Genom sitt uppdrag att eliminera dålig syn strävar Clearly efter att göra glasögon överkomliga och tillgängliga för alla. Att skapa en optimerad bedrägeriupptäckningsplattform är en viktig del av denna bredare vision.

Att identifiera bedrägerier online är en av de största utmaningarna som alla onlinebutiker har – hundratusentals dollar går förlorade på grund av bedrägerier varje år. Produktkostnader, fraktkostnader och arbetskostnader för hantering av bedrägliga beställningar ökar effekten av bedrägeri ytterligare. Enkel och snabb bedrägeriutvärdering är också avgörande för att upprätthålla en hög kundnöjdhet. Transaktioner bör inte försenas på grund av långa bedrägeriutredningscykler.

I det här inlägget delar vi hur Clearly byggde en automatiserad och orkestrerad prognospipeline med hjälp av AWS stegfunktioneroch används Amazon bedrägeri detektor att träna en maskininlärningsmodell (ML) som kan identifiera bedrägliga transaktioner online och uppmärksamma dem på faktureringsteamet. Denna lösning samlar också in mätvärden och loggar, tillhandahåller revision och anropas automatiskt.

Med AWS-tjänster distribuerade Clearly en serverlös, väldesignad lösning på bara några veckor.

Utmaningen: Förutsäga bedrägerier snabbt och exakt

Clearys befintliga lösning baserades på att flagga transaktioner med hårdkodade regler som inte uppdaterades tillräckligt ofta för att fånga nya bedrägerimönster. När transaktionen väl flaggats granskades den manuellt av en medlem i faktureringsteamet.

Denna befintliga process hade stora nackdelar:

• Oböjlig och felaktiga – De hårdkodade reglerna för att identifiera bedrägeritransaktioner var svåra att uppdatera, vilket innebar att teamet inte kunde reagera snabbt på nya bedrägeritrender. Reglerna kunde inte exakt identifiera många misstänkta transaktioner.
• Driftintensivt – Processen kunde inte skalas till händelser med hög försäljningsvolym (som Black Friday), vilket krävde att teamet implementerade lösningar eller accepterade högre bedrägerifrekvenser. Dessutom tillförde den höga nivån av mänskligt engagemang betydande kostnader för produktleveransprocessen.
• Försenade beställningar – Tidslinjen för orderuppfyllelse försenades av manuella bedrägerigranskningar, vilket ledde till missnöjda kunder.

Även om vår befintliga bedrägeriidentifieringsprocess var en bra utgångspunkt, var den varken tillräckligt exakt eller tillräckligt snabb för att uppfylla de effektivitetsvinster som Clearly önskade.

En annan stor utmaning vi stod inför var bristen på ett fast ML-team – alla medlemmar hade varit i företaget mindre än ett år när projektet startade.

Översikt över lösningen: Amazon Fraud Detector

Amazon Fraud Detector är en fullständigt hanterad tjänst som använder ML för att leverera mycket exakt bedrägeriupptäckt och kräver ingen ML-expertis. Allt vi behövde göra var att ladda upp vår data och följa några enkla steg. Amazon Fraud Detector undersökte automatiskt data, identifierade meningsfulla mönster och tog fram en bedrägeriidentifieringsmodell som kan göra förutsägelser om nya transaktioner.

Följande diagram illustrerar vår pipeline:

För att operationalisera flödet tillämpade vi följande arbetsflöde:

1. Amazon EventBridge ringer orkestreringspipelinen varje timme för att granska alla pågående transaktioner.
2. Step Functions hjälper till att hantera orkestreringspipeline.
3. An AWS Lambda funktion samtal Amazonas Athena API:er för att hämta och förbereda träningsdata, lagrad på Amazon enkel lagringstjänst (Amazon S3).
4. En orkestrerad pipeline av Lambda-funktioner tränar en Amazon Fraud Detector-modell och sparar modellens prestandamått i en S3-skopa.
5. Amazon enkel meddelandetjänst (Amazon SNS) meddelar användare när ett problem uppstår under bedrägeriupptäcktsprocessen eller när processen slutförs framgångsrikt.
6. Affärsanalytiker bygger instrumentpaneler på Amazon QuickSight, som frågar efter bedrägeridata från Amazon S3 med Athena, som vi beskriver senare i det här inlägget.

Vi valde att använda Amazon Fraud Detector av några anledningar:

• Tjänsten utnyttjar år av expertis som Amazon har att bekämpa bedrägerier. Detta gav oss ett stort förtroende för tjänstens kapacitet.
• Den enkla användningen och implementeringen gjorde det möjligt för oss att snabbt bekräfta att vi har den datauppsättning vi behöver för att producera korrekta resultat.
• Eftersom Clearly ML-teamet var mindre än 1 år gammalt, gjorde en fullständigt hanterad tjänst det möjligt för oss att leverera detta projekt utan att behöva djupa tekniska ML-kunskaper och kunskaper.

Resultat

Genom att skriva in förutsägelseresultaten i vår befintliga datasjö kan vi använda QuickSight för att bygga mätvärden och instrumentpaneler för seniort ledarskap. Detta gör det möjligt för dem att förstå och använda dessa resultat när de fattar beslut om nästa steg för att nå våra månatliga marknadsföringsmål.

Vi kunde presentera prognostiserade resultat på två nivåer, att börja med den övergripande verksamhetens resultat och sedan gå djupare in på nödvändig prestation för varje bransch (kontakter och glasögon).

Vår instrumentpanel innehåller följande information:

• Bedrägeri per dag per olika branscher
  
• Intäktsförlust på grund av bedrägeritransaktioner
  
• Plats för bedrägeritransaktioner (identifierar hotspots för bedrägeri)
  
• Bedrägeritransaktioner påverkas av olika kupongkoder, vilket gör att vi kan övervaka problematiska kupongkoder och vidta ytterligare åtgärder för att minska risken
  
• Bedrägeri per timme, vilket gör att vi kan planera och hantera faktureringsteamet och se till att vi har resurser tillgängliga för att hantera transaktionsvolymen vid behov

Slutsatser

Effektiv och korrekt förutsägelse av kundbedrägerier är en av de största utmaningarna inom ML för detaljhandeln idag, och att ha en god förståelse för våra kunder och deras beteende är avgörande för Clearlys framgång. Amazon Fraud Detector tillhandahöll en fullt hanterad ML-lösning för att enkelt skapa ett exakt och tillförlitligt bedrägeriförutsägelsesystem med minimal omkostnad. Amazon Fraud Detector-förutsägelser har en hög grad av noggrannhet och är enkla att generera.

"Med ledande e-handelsverktyg som Virtuellt prova på, i kombination med vår oöverträffade kundservice, strävar vi efter att hjälpa alla att se klart på ett prisvärt och enkelt sätt – vilket innebär att ständigt leta efter sätt att förnya, förbättra och effektivisera processer,” sa Dr Ziv Pollak, Team Leader för maskininlärning. "Bedrägeriupptäckt online är en av de största utmaningarna inom maskininlärning i detaljhandeln idag. På bara några veckor hjälpte Amazon Fraud Detector oss att exakt och tillförlitligt identifiera bedrägerier med en mycket hög noggrannhet och spara tusentals dollar."

---

Om författaren

Dr Ziv Pollak är en erfaren teknisk ledare som förändrar hur organisationer använder maskininlärning för att öka intäkterna, minska kostnaderna, förbättra kundservicen och säkerställa affärsframgång. Han leder för närvarande Machine Learning-teamet på Clearly.

Sarvi Loloei är en Associate Machine Learning Engineer på Clearly. Med hjälp av AWS-verktyg utvärderar hon modellens effektivitet för att driva affärstillväxt, öka intäkterna och optimera produktiviteten.

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