Amazon Fraud Detector kullanarak sahte siparişleri ne kadar net bir şekilde tahmin eder?

Bu gönderi, Makine Öğrenimi Takım Lideri Ziv Pollak ve Clearly'de Makine Öğrenimi Mühendisi Sarvi Loloei tarafından yazılmıştır. Bu gönderideki içerik ve görüşler, üçüncü taraf yazarlara aittir ve bu gönderinin içeriğinden veya doğruluğundan AWS sorumlu değildir.

Çevrimiçi alışverişte bir öncü olan Clearly, ilk sitesini 2000 yılında başlattı. O zamandan beri, Kanada, ABD, Avustralya ve Yeni Zelanda'daki müşterilere gözlük sağlayan, dünyanın en büyük çevrimiçi gözlük perakendecilerinden biri haline geldik. güneş gözlüğü, kontakt lensler ve diğer göz sağlığı ürünleri. Clearly, zayıf görüşü ortadan kaldırma misyonuyla, gözlükleri herkes için uygun fiyatlı ve erişilebilir hale getirmeye çalışıyor. Optimize edilmiş bir dolandırıcılık tespit platformu oluşturmak, bu daha geniş vizyonun önemli bir parçasıdır.

Çevrimiçi dolandırıcılığı tespit etmek, her çevrimiçi perakende kuruluşunun karşılaştığı en büyük zorluklardan biridir; her yıl dolandırıcılık nedeniyle yüzbinlerce dolar kaybedilmektedir. Hileli siparişleri işlemek için ürün maliyetleri, nakliye maliyetleri ve işçilik maliyetleri, dolandırıcılığın etkisini daha da artırır. Kolay ve hızlı dolandırıcılık değerlendirmesi, yüksek müşteri memnuniyet oranlarını korumak için de kritik öneme sahiptir. Uzun dolandırıcılık soruşturma döngüleri nedeniyle işlemler ertelenmemelidir.

Bu gönderide, Clearly'nin kullanarak otomatikleştirilmiş ve düzenlenmiş bir tahmin işlem hattını nasıl oluşturduğunu paylaşıyoruz. AWS Basamak İşlevlerive kullanılmış Amazon Sahtekarlık Dedektörü çevrimiçi dolandırıcılık işlemlerini tanımlayabilen ve bunları faturalandırma operasyonları ekibinin dikkatine sunabilen bir makine öğrenimi (ML) modeli eğitmek. Bu çözüm ayrıca ölçümleri ve günlükleri toplar, denetim sağlar ve otomatik olarak çağrılır.

AWS hizmetleriyle Clearly, sunucusuz, iyi tasarlanmış bir çözümü yalnızca birkaç hafta içinde devreye aldı.

Zorluk: Dolandırıcılığı hızlı ve doğru bir şekilde tahmin etmek

Clearly'nin mevcut çözümü, yeni dolandırıcılık modellerini yakalayacak kadar sık ​​güncellenmeyen sabit kodlu kuralları kullanan işlemlerin işaretlenmesine dayanıyordu. İşaretlendikten sonra işlem, faturalandırma operasyonları ekibinin bir üyesi tarafından manuel olarak incelendi.

Bu mevcut sürecin önemli dezavantajları vardı:

• eğilmez ve yanlış – Dolandırıcılık işlemlerini belirlemeye yönelik sabit kodlu kuralların güncellenmesi zordu, bu da ekibin ortaya çıkan dolandırıcılık eğilimlerine hızlı bir şekilde yanıt veremediği anlamına geliyordu. Kurallar, birçok şüpheli işlemi doğru bir şekilde tanımlayamadı.
• Operasyonel olarak yoğun – Süreç, ekibin geçici çözümler uygulamasını veya daha yüksek dolandırıcılık oranlarını kabul etmesini gerektirecek şekilde yüksek satış hacimli olaylara (Kara Cuma gibi) ölçeklenemedi. Ayrıca, yüksek düzeyde insan katılımı, ürün teslim sürecine önemli bir maliyet ekledi.
• Geciken siparişler – Sipariş yerine getirme zaman çizelgesi, manuel dolandırıcılık incelemeleri nedeniyle ertelendi ve bu da mutsuz müşterilere yol açtı.

Mevcut dolandırıcılık tanımlama sürecimiz iyi bir başlangıç ​​noktası olsa da, Clearly'nin arzuladığı sipariş karşılama verimliliklerini karşılamak için ne yeterince doğru ne de yeterince hızlıydı.

Karşılaştığımız bir diğer büyük zorluk, kadrolu bir makine öğrenimi ekibinin olmamasıydı; proje başladığında tüm üyeler şirkette bir yıldan az bir süredir çalışıyordu.

Çözüme genel bakış: Amazon Fraud Detector

Amazon Fraud Detector, son derece doğru dolandırıcılık tespiti sağlamak için makine öğrenimi kullanan ve makine öğrenimi uzmanlığı gerektirmeyen, tümüyle yönetilen bir hizmettir. Tek yapmamız gereken verilerimizi yüklemek ve birkaç basit adımı izlemekti. Amazon Fraud Detector, verileri otomatik olarak inceledi, anlamlı kalıplar belirledi ve yeni işlemlerle ilgili tahminlerde bulunabilen bir dolandırıcılık tanımlama modeli üretti.

Aşağıdaki şema boru hattımızı göstermektedir:

Akışı işlevsel hale getirmek için aşağıdaki iş akışını uyguladık:

1. Amazon EventBridge bekleyen tüm işlemleri gözden geçirmek için düzenleme işlem hattını saatlik olarak çağırır.
2. Step Functions, düzenleme işlem hattının yönetilmesine yardımcı olur.
3. An AWS Lambda işlev çağrıları Amazon Atina Üzerinde depolanan eğitim verilerini almak ve hazırlamak için API'ler Amazon Basit Depolama Hizmeti (Amazon S3).
4. Düzenlenmiş bir Lambda işlevleri ardışık düzeni, bir Amazon Fraud Detector modelini eğitir ve model performans ölçümlerini bir S3 klasörüne kaydeder.
5. Amazon Basit Bildirim Servisi (Amazon SNS), dolandırıcılık tespit sürecinde bir sorun oluştuğunda veya süreç başarıyla tamamlandığında kullanıcıları bilgilendirir.
6. İş analistleri gösterge panoları oluşturur Amazon QuickSightBu gönderide daha sonra açıklayacağımız gibi, Athena'yı kullanarak Amazon S3'ten dolandırıcılık verilerini sorgulayan.

Amazon Fraud Detector'ı birkaç nedenden dolayı kullanmayı seçtik:

• Hizmet, Amazon'un dolandırıcılıkla mücadele ettiği yılların uzmanlığından yararlanıyor. Bu, hizmetin yetenekleri konusunda bize çok güven verdi.
• Kullanım ve uygulama kolaylığı, doğru sonuçlar üretmek için ihtiyaç duyduğumuz veri setine sahip olduğumuzu hızlı bir şekilde doğrulamamızı sağladı.
• Clearly ML ekibi 1 yaşından küçük olduğu için tam olarak yönetilen bir hizmet, bu projeyi derin teknik ML becerilerine ve bilgisine ihtiyaç duymadan teslim etmemizi sağladı.

Sonuçlar

Tahmin sonuçlarını mevcut veri gölümüze yazmak, üst düzey liderlik için metrikler ve panolar oluşturmak üzere QuickSight'ı kullanmamıza olanak tanır. Bu, aylık pazarlama hedeflerimizi karşılamak için sonraki adımlarda karar verirken bu sonuçları anlamalarını ve kullanmalarını sağlar.

Tahmin sonuçlarını, genel iş performansından başlayarak ve ardından her bir iş kolu (temas ve gözlük) başına gereken performansa daha derine inerek iki düzeyde sunabildik.

Kontrol panelimiz aşağıdaki bilgileri içerir:

• Farklı iş kollarına göre günlük dolandırıcılık
  
• Dolandırıcılık işlemlerinden kaynaklanan gelir kaybı
  
• Dolandırıcılık işlemlerinin yeri (dolandırıcılık sıcak noktalarının belirlenmesi)
  
• Dolandırıcılık işlemleri, sorunlu kupon kodlarını izlememize ve riski azaltmak için daha fazla önlem almamıza olanak tanıyan farklı kupon kodlarından etkilenir.
  
• Faturalandırma operasyon ekibini planlamamıza ve yönetmemize ve gerektiğinde işlem hacmini yönetecek kaynaklarımız olduğundan emin olmamıza olanak tanıyan, saat başına dolandırıcılık

Sonuç

Müşteri dolandırıcılığının etkili ve doğru tahmini, günümüzde perakende için Makine Öğrenimindeki en büyük zorluklardan biridir ve müşterilerimizi ve davranışlarını iyi anlamak Clearly'nin başarısı için hayati önem taşır. Amazon Fraud Detector, minimum ek yük ile kolayca doğru ve güvenilir bir dolandırıcılık tahmin sistemi oluşturmak için tam olarak yönetilen bir makine öğrenimi çözümü sağladı. Amazon Fraud Detector tahminleri yüksek derecede doğruluğa sahiptir ve oluşturulması kolaydır.

"gibi önde gelen e-ticaret araçlarıyla Sanal Deneme, benzersiz müşteri hizmetlerimizle birleştiğinde, uygun fiyatlı ve zahmetsiz bir şekilde herkesin net bir şekilde görmesine yardımcı olmak için çalışıyoruz;” dedi Makine Öğrenimi Takım Lideri Dr. Ziv Pollak. “Çevrimiçi dolandırıcılık tespiti, günümüzde perakende sektöründe makine öğrenimindeki en büyük zorluklardan biridir. Amazon Fraud Detector, yalnızca birkaç hafta içinde dolandırıcılığı çok yüksek bir doğruluk düzeyiyle doğru ve güvenilir bir şekilde belirlememize ve binlerce dolar tasarruf etmemize yardımcı oldu.başlıklı bir kılavuz yayınladı

---

Yazar Hakkında

Dr.Ziv Pollak kuruluşların geliri artırmak, maliyetleri azaltmak, müşteri hizmetlerini iyileştirmek ve iş başarısını sağlamak için makine öğrenimini kullanma şeklini dönüştüren deneyimli bir teknik liderdir. Şu anda Clearly'de Makine Öğrenimi ekibine liderlik ediyor.

Sarvi Loloei Clearly'de Yardımcı Makine Öğrenimi Mühendisidir. AWS araçlarını kullanarak iş büyümesini desteklemek, geliri artırmak ve üretkenliği optimize etmek için model etkinliğini değerlendiriyor.

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