ความแม่นยำในการทำนายคำสั่งซื้อที่เป็นการฉ้อโกงโดยใช้ Amazon Fraud Detector

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:

1. อเมซอน EventBridge เรียกไปป์ไลน์การประสานรายชั่วโมงเพื่อตรวจสอบธุรกรรมที่รอดำเนินการทั้งหมด
2. ฟังก์ชันขั้นตอนช่วยจัดการไปป์ไลน์การประสาน
3. An AWS แลมบ์ดา เรียกใช้ฟังก์ชัน อเมซอน อาเธน่า API เพื่อดึงและเตรียมข้อมูลการฝึกอบรม จัดเก็บบน บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน เอส3).
4. ไปป์ไลน์ที่ประสานกันของฟังก์ชัน Lambda จะฝึกโมเดล Amazon Fraud Detector และบันทึกตัววัดประสิทธิภาพของโมเดลไปยังบัคเก็ต S3
5. บริการแจ้งเตือนแบบง่ายของ Amazon (Amazon SNS) แจ้งเตือนผู้ใช้เมื่อเกิดปัญหาระหว่างกระบวนการตรวจจับการฉ้อโกงหรือเมื่อกระบวนการเสร็จสมบูรณ์
6. 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

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