โพสต์นี้เขียนร่วมโดย Ziv Pollak หัวหน้าทีม Machine Learning และ Sarvi Loloei วิศวกร Machine Learning ของ Clearly เนื้อหาและความคิดเห็นในโพสต์นี้เป็นของผู้เขียนบุคคลที่สาม และ AWS ไม่รับผิดชอบต่อเนื้อหาหรือความถูกต้องของโพสต์นี้
ผู้บุกเบิกการช็อปปิ้งออนไลน์ Clearly เปิดตัวเว็บไซต์แรกในปี 2000 ตั้งแต่นั้นมา เราก็เติบโตขึ้นจนกลายเป็นหนึ่งในผู้ค้าปลีกแว่นตาออนไลน์ที่ใหญ่ที่สุดในโลก โดยให้บริการลูกค้าทั่วแคนาดา สหรัฐอเมริกา ออสเตรเลีย และนิวซีแลนด์ด้วยแว่นตา แว่นกันแดด คอนแทคเลนส์ และผลิตภัณฑ์เพื่อสุขภาพตาอื่นๆ ด้วยภารกิจในการกำจัดการมองเห็นที่ไม่ดี Clearly มุ่งมั่นที่จะทำให้แว่นตามีราคาไม่แพงและเข้าถึงได้สำหรับทุกคน การสร้างแพลตฟอร์มการตรวจจับการฉ้อโกงที่ปรับให้เหมาะสมเป็นส่วนสำคัญของวิสัยทัศน์ที่กว้างขึ้นนี้
การระบุการฉ้อโกงออนไลน์เป็นหนึ่งในความท้าทายที่ใหญ่ที่สุดที่องค์กรค้าปลีกออนไลน์ทุกแห่งมี—เงินหลายแสนเหรียญหายไปเนื่องจากการฉ้อโกงทุกปี ต้นทุนผลิตภัณฑ์ ค่าขนส่ง และค่าแรงในการจัดการคำสั่งซื้อที่ฉ้อโกง ช่วยเพิ่มผลกระทบของการฉ้อโกง การประเมินการฉ้อโกงที่ง่ายและรวดเร็วเป็นสิ่งสำคัญสำหรับการรักษาอัตราความพึงพอใจของลูกค้าในระดับสูง ธุรกรรมไม่ควรล่าช้าเนื่องจากรอบการตรวจสอบการฉ้อโกงที่ยาวนาน
ในโพสต์นี้ เราแชร์วิธีสร้างไปป์ไลน์การพยากรณ์แบบอัตโนมัติและจัดการอย่างชัดเจนโดยใช้ ฟังก์ชันขั้นตอนของ AWSและใช้ เครื่องตรวจจับการฉ้อโกงของ Amazon เพื่อฝึกอบรมโมเดลแมชชีนเลิร์นนิง (ML) ที่สามารถระบุธุรกรรมที่เป็นการฉ้อโกงออนไลน์และแจ้งให้ทีมดำเนินการเรียกเก็บเงินทราบ โซลูชันนี้ยังรวบรวมเมตริกและบันทึก ให้การตรวจสอบ และเรียกใช้โดยอัตโนมัติ
ด้วยบริการของ AWS ได้ปรับใช้โซลูชันที่ไร้เซิร์ฟเวอร์และมีสถาปัตยกรรมที่ดีในเวลาเพียงไม่กี่สัปดาห์
ความท้าทาย: การทำนายการฉ้อโกงอย่างรวดเร็วและแม่นยำ
โซลูชันที่มีอยู่ของ Clearly อิงตามธุรกรรมการติดธงโดยใช้กฎฮาร์ดโค้ดซึ่งไม่ได้รับการอัปเดตบ่อยพอที่จะจับรูปแบบการฉ้อโกงใหม่ เมื่อตั้งค่าสถานะแล้ว ธุรกรรมจะถูกตรวจสอบโดยสมาชิกของทีมดำเนินการเรียกเก็บเงิน
กระบวนการที่มีอยู่นี้มีข้อเสียที่สำคัญ:
- ไม่ยืดหยุ่น และไม่ถูกต้อง – กฎฮาร์ดโค้ดเพื่อระบุธุรกรรมการฉ้อโกงนั้นอัปเดตได้ยาก ซึ่งหมายความว่าทีมไม่สามารถตอบสนองต่อแนวโน้มการฉ้อโกงที่เกิดขึ้นได้อย่างรวดเร็ว กฎไม่สามารถระบุธุรกรรมที่น่าสงสัยได้อย่างแม่นยำ
- เข้มข้นในการดำเนินงาน – กระบวนการนี้ไม่สามารถปรับขนาดเป็นเหตุการณ์ที่มีปริมาณการขายสูง (เช่น Black Friday) ทำให้ทีมต้องดำเนินการแก้ไขปัญหาชั่วคราวหรือยอมรับอัตราการฉ้อโกงที่สูงขึ้น นอกจากนี้ การมีส่วนร่วมของมนุษย์ในระดับสูงยังเพิ่มต้นทุนที่สำคัญให้กับกระบวนการจัดส่งผลิตภัณฑ์อีกด้วย
- ออเดอร์ล่าช้า – ระยะเวลาในการดำเนินการตามคำสั่งซื้อล่าช้าจากการตรวจสอบการฉ้อโกงด้วยตนเอง ส่งผลให้ลูกค้าไม่พอใจ
แม้ว่ากระบวนการระบุการฉ้อโกงที่มีอยู่ของเราจะเป็นจุดเริ่มต้นที่ดี แต่ก็ไม่แม่นยำเพียงพอและไม่เร็วพอที่จะบรรลุประสิทธิภาพในการดำเนินการตามคำสั่งซื้อที่ต้องการอย่างชัดเจน
ความท้าทายสำคัญอีกประการหนึ่งที่เราเผชิญคือการขาดทีม ML ที่ดำรงตำแหน่ง—สมาชิกทุกคนอยู่กับบริษัทมาไม่ถึงหนึ่งปีเมื่อโครงการเริ่มต้นขึ้น
ภาพรวมของโซลูชัน: Amazon Fraud Detector
Amazon Fraud Detector เป็นบริการที่มีการจัดการเต็มรูปแบบซึ่งใช้ ML เพื่อส่งมอบการตรวจจับการฉ้อโกงที่มีความแม่นยำสูง และไม่ต้องมีผู้เชี่ยวชาญด้าน ML สิ่งที่เราต้องทำคืออัปโหลดข้อมูลและทำตามขั้นตอนง่ายๆ ไม่กี่ขั้นตอน Amazon Fraud Detector ตรวจสอบข้อมูลโดยอัตโนมัติ ระบุรูปแบบที่มีความหมาย และสร้างแบบจำลองการระบุการทุจริตที่สามารถคาดการณ์ธุรกรรมใหม่ได้
ไดอะแกรมต่อไปนี้แสดงไปป์ไลน์ของเรา:
ในการดำเนินการโฟลว์ เราใช้เวิร์กโฟลว์ต่อไปนี้:
- อเมซอน EventBridge เรียกไปป์ไลน์การประสานรายชั่วโมงเพื่อตรวจสอบธุรกรรมที่รอดำเนินการทั้งหมด
- ฟังก์ชันขั้นตอนช่วยจัดการไปป์ไลน์การประสาน
- An AWS แลมบ์ดา เรียกใช้ฟังก์ชัน อเมซอน อาเธน่า API เพื่อดึงและเตรียมข้อมูลการฝึกอบรม จัดเก็บบน บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน เอส3).
- ไปป์ไลน์ที่ประสานกันของฟังก์ชัน Lambda จะฝึกโมเดล Amazon Fraud Detector และบันทึกตัววัดประสิทธิภาพของโมเดลไปยังบัคเก็ต S3
- บริการแจ้งเตือนแบบง่ายของ Amazon (Amazon SNS) แจ้งเตือนผู้ใช้เมื่อเกิดปัญหาระหว่างกระบวนการตรวจจับการฉ้อโกงหรือเมื่อกระบวนการเสร็จสมบูรณ์
- นักวิเคราะห์ธุรกิจสร้างแดชบอร์ดบน อเมซอน QuickSightซึ่งสืบค้นข้อมูลการฉ้อโกงจาก Amazon S3 โดยใช้ Athena ดังที่เราอธิบายในภายหลังในโพสต์นี้
เราเลือกใช้ Amazon Fraud Detector ด้วยเหตุผลบางประการ:
- บริการนี้ใช้ความเชี่ยวชาญหลายปีที่ Amazon ต่อสู้กับการฉ้อโกง สิ่งนี้ทำให้เรามั่นใจในความสามารถของบริการเป็นอย่างมาก
- ความง่ายในการใช้งานและการใช้งานช่วยให้เรายืนยันได้อย่างรวดเร็วว่าเรามีชุดข้อมูลที่เราต้องการเพื่อให้ได้ผลลัพธ์ที่แม่นยำ
- เนื่องจากทีม Clearly ML อายุน้อยกว่า 1 ปี บริการที่มีการจัดการเต็มรูปแบบช่วยให้เราส่งมอบโครงการนี้ได้โดยไม่ต้องอาศัยทักษะและความรู้เชิงลึกเกี่ยวกับ ML
ผลสอบ
การเขียนผลการคาดคะเนลงใน Data Lake ที่มีอยู่ช่วยให้เราใช้ QuickSight เพื่อสร้างตัวชี้วัดและแดชบอร์ดสำหรับผู้บริหารระดับสูง ซึ่งช่วยให้พวกเขาเข้าใจและใช้ผลลัพธ์เหล่านี้ในการตัดสินใจในขั้นตอนต่อไปเพื่อให้บรรลุเป้าหมายทางการตลาดรายเดือนของเรา
เราสามารถนำเสนอผลการคาดการณ์ได้สองระดับ โดยเริ่มจากประสิทธิภาพโดยรวมของธุรกิจ จากนั้นจึงเจาะลึกถึงประสิทธิภาพที่จำเป็นต่อแต่ละสายธุรกิจ (รายชื่อติดต่อและแว่นตา)
แดชบอร์ดของเราประกอบด้วยข้อมูลต่อไปนี้:
- การฉ้อโกงต่อวันต่อสายธุรกิจต่างๆ
- การสูญเสียรายได้อันเนื่องมาจากธุรกรรมฉ้อโกง
- ตำแหน่งของธุรกรรมการฉ้อโกง (ระบุฮอตสปอตการฉ้อโกง)
- ธุรกรรมฉ้อโกงส่งผลกระทบต่อรหัสคูปองที่แตกต่างกัน ซึ่งช่วยให้เราตรวจสอบรหัสคูปองที่มีปัญหาและดำเนินการเพิ่มเติมเพื่อลดความเสี่ยง
- การฉ้อโกงต่อชั่วโมง ซึ่งช่วยให้เราสามารถวางแผนและจัดการทีมดำเนินการเรียกเก็บเงิน และทำให้แน่ใจว่าเรามีทรัพยากรที่พร้อมสำหรับจัดการปริมาณธุรกรรมเมื่อจำเป็น
สรุป
การคาดคะเนการฉ้อโกงของลูกค้าอย่างมีประสิทธิภาพและแม่นยำเป็นหนึ่งในความท้าทายที่ใหญ่ที่สุดใน ML สำหรับการค้าปลีกในปัจจุบัน และการเข้าใจลูกค้าของเราเป็นอย่างดีและพฤติกรรมของพวกเขามีความสำคัญต่อความสำเร็จของ Clearly Amazon Fraud Detector มอบโซลูชัน ML ที่มีการจัดการเต็มรูปแบบเพื่อสร้างระบบคาดการณ์การทุจริตที่แม่นยำและเชื่อถือได้โดยมีค่าใช้จ่ายเพียงเล็กน้อย การคาดคะเนของ Amazon Fraud Detector มีความแม่นยำสูงและสร้างได้ง่าย
"ด้วยเครื่องมืออีคอมเมิร์ซชั้นนำอย่าง ลองเสมือนจริงเมื่อรวมกับการบริการลูกค้าที่เหนือชั้น เรามุ่งมั่นที่จะช่วยให้ทุกคนมองเห็นได้อย่างชัดเจนในราคาประหยัดและไม่ต้องพยายาม—ซึ่งหมายถึงการมองหาวิธีในการสร้างสรรค์ ปรับปรุง และปรับปรุงกระบวนการอย่างต่อเนื่องDr. Ziv Pollak หัวหน้าทีมแมชชีนเลิร์นนิงกล่าว “การตรวจจับการฉ้อโกงออนไลน์เป็นหนึ่งในความท้าทายที่ใหญ่ที่สุดในการเรียนรู้ของเครื่องในร้านค้าปลีกในปัจจุบัน ในเวลาเพียงไม่กี่สัปดาห์ Amazon Fraud Detector ช่วยให้เราระบุการทุจริตได้อย่างแม่นยำและเชื่อถือได้ด้วยระดับความแม่นยำที่สูงมาก และประหยัดเงินได้หลายพันดอลลาร์"
เกี่ยวกับผู้เขียน
ดร.ซิฟ พอลลัก เป็นผู้นำด้านเทคนิคที่มีประสบการณ์ ซึ่งเปลี่ยนวิธีที่องค์กรใช้แมชชีนเลิร์นนิงเพื่อเพิ่มรายได้ ลดต้นทุน ปรับปรุงการบริการลูกค้า และรับรองความสำเร็จของธุรกิจ ปัจจุบันเขาเป็นผู้นำทีม Machine Learning ที่ Clearly
สารี โลเล เป็น Associate Machine Learning Engineer ที่ Clearly โดยใช้เครื่องมือของ AWS เธอประเมินประสิทธิภาพของแบบจำลองเพื่อขับเคลื่อนการเติบโตของธุรกิจ เพิ่มรายได้ และเพิ่มประสิทธิภาพการทำงาน
- '
- "
- 100
- ข้าม
- การปฏิบัติ
- ทั้งหมด
- อเมซอน
- เครื่องตรวจจับการฉ้อโกงของ Amazon
- APIs
- ออสเตรเลีย
- ผู้เขียน
- อัตโนมัติ
- ใช้ได้
- AWS
- ที่ใหญ่ที่สุด
- การเรียกเก็บเงิน
- Black
- ในวัน Black Friday
- สร้าง
- ธุรกิจ
- ผลการดำเนินงาน
- แคนาดา
- ท้าทาย
- ความท้าทาย
- เก็บรวบรวม
- บริษัท
- ความมั่นใจ
- เนื้อหา
- ค่าใช้จ่าย
- การสร้าง
- วิกฤติ
- ความพึงพอใจของลูกค้า
- บริการลูกค้า
- ลูกค้า
- หน้าปัด
- ข้อมูล
- ดาต้าเลค
- วัน
- การจัดส่ง
- การตรวจพบ
- ต่าง
- ดอลลาร์
- ในระหว่าง
- อย่างง่ายดาย
- อีคอมเมิร์ซ
- กากกะรุน
- วิศวกร
- เหตุการณ์
- ความชำนาญ
- ตา
- แว่นตา
- ต้องเผชิญกับ
- FAST
- ชื่อจริง
- ไหล
- ปฏิบัติตาม
- การหลอกลวง
- วันศุกร์
- ปฏิบัติตาม
- ฟังก์ชัน
- ฟังก์ชั่น
- สร้าง
- แว่นตา
- ไป
- ดี
- การเจริญเติบโต
- การจัดการ
- มี
- สุขภาพ
- ช่วย
- จะช่วยให้
- จุดสูง
- อย่างสูง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- HTTPS
- ประจำตัว
- แยกแยะ
- ส่งผลกระทบ
- การดำเนินการ
- เพิ่ม
- ข้อมูล
- การสอบสวน
- IT
- คีย์
- ความรู้
- แรงงาน
- นำ
- ความเป็นผู้นำ
- ชั้นนำ
- การเรียนรู้
- ชั้น
- ระดับ
- Line
- ที่ต้องการหา
- เรียนรู้เครื่อง
- สำคัญ
- การทำ
- คู่มือ
- การตลาด
- สมาชิก
- ตัวชี้วัด
- ภารกิจ
- ML
- แบบ
- จำเป็น
- นิวซีแลนด์
- การประกาศ
- ออนไลน์
- ค้าปลีกออนไลน์
- ช้อปปิ้งออนไลน์
- การดำเนินการ
- ความคิดเห็น
- ใบสั่ง
- คำสั่งซื้อ
- organizacja
- องค์กร
- อื่นๆ
- การปฏิบัติ
- เวที
- น่าสงสาร
- คำทำนาย
- การคาดการณ์
- นำเสนอ
- ปัญหา
- กระบวนการ
- กระบวนการ
- ผลิต
- ผลิตภัณฑ์
- ผลผลิต
- ผลิตภัณฑ์
- โครงการ
- ให้
- ราคา
- เหตุผล
- ลด
- แหล่งข้อมูล
- ผลสอบ
- ค้าปลีก
- ร้านค้าปลีก
- รายได้
- ทบทวน
- รีวิว
- กฎระเบียบ
- กล่าวว่า
- ขาย
- ความพอใจ
- ขนาด
- serverless
- บริการ
- Share
- การส่งสินค้า
- ช้อปปิ้ง
- สำคัญ
- ง่าย
- ทักษะ
- การเก็บรักษา
- ความสำเร็จ
- ประสบความสำเร็จ
- ระบบ
- วิชาการ
- โลก
- ของบุคคลที่สาม
- ตลอด
- ในวันนี้
- เครื่องมือ
- การฝึกอบรม
- รถไฟ
- การทำธุกรรม
- การทำธุรกรรม
- แนวโน้ม
- บันทึก
- us
- ผู้ใช้
- วิสัยทัศน์
- ปริมาณ
- WHO
- ไม่มี
- เวิร์กโฟลว์
- โลก
- ปี
- ปี