Як чітко прогнозує шахрайські замовлення за допомогою Amazon Fraud Detector

Цю публікацію написали Зів Поллак, керівник групи машинного навчання, та Сарві Лолоі, інженер машинного навчання Clearly. Вміст і думки в цьому дописі належать стороннім авторам, і AWS не несе відповідальності за зміст або точність цього допису.

Піонер онлайн-покупок. Clearly запустив свій перший сайт у 2000 році. Відтоді ми перетворилися на одного з найбільших онлайн-магазинів окулярів у світі, продаючи клієнтам у Канаді, США, Австралії та Новій Зеландії окуляри, сонцезахисні окуляри, контактні лінзи та інші товари для здоров’я очей. Завдяки своїй місії щодо усунення поганого зору, Clearly прагне зробити окуляри доступними та доступними для кожного. Створення оптимізованої платформи виявлення шахрайства є ключовою частиною цього ширшого бачення.

Виявлення шахрайства в Інтернеті є однією з найбільших проблем, з якою стикається кожна організація роздрібної торгівлі в Інтернеті: щороку через шахрайство втрачаються сотні тисяч доларів. Вартість продукту, вартість доставки та вартість праці для обробки шахрайських замовлень ще більше посилюють вплив шахрайства. Легка та швидка оцінка шахрайства також має вирішальне значення для підтримки високого рівня задоволеності клієнтів. Трансакції не повинні відкладатися через тривалі цикли розслідування шахрайства.

У цій публікації ми розповідаємо про те, як Clearly створив автоматизований і організований конвеєр прогнозування за допомогою Функції кроку AWS, та б / в Детектор шахрайства Amazon навчити модель машинного навчання (ML), яка може ідентифікувати онлайн-шахрайські транзакції та доводити до них увагу команди з виставлення рахунків. Це рішення також збирає показники та журнали, забезпечує аудит і викликається автоматично.

Завдяки службам AWS компанія Clearly розгорнула безсерверне рішення з гарною архітектурою лише за кілька тижнів.

Завдання: швидко й точно передбачати шахрайство

Існуюче рішення Clearly базувалося на позначенні транзакцій за допомогою жорстко закодованих правил, які не оновлювалися досить часто, щоб виявити нові моделі шахрайства. Після позначення трансакцію вручну перевірив член команди з виставлення рахунків.

Цей існуючий процес мав серйозні недоліки:

• Негнучка і неточно – Жорстко закодовані правила виявлення шахрайських транзакцій було важко оновити, а це означає, що команда не могла швидко реагувати на нові тенденції шахрайства. Правила не змогли точно визначити багато підозрілих операцій.
• Оперативно інтенсивний – Процес не міг масштабуватися до подій із великим обсягом продажів (наприклад, Чорна п’ятниця), що вимагало від команди впровадження обхідних шляхів або прийняття вищих показників шахрайства. Крім того, високий рівень людської участі додав значних витрат до процесу доставки продукції.
• Відкладені замовлення – Терміни виконання замовлення були затримані через перевірки шахрайства вручну, що призвело до незадоволених клієнтів.

Хоча наш існуючий процес виявлення шахрайства був хорошою відправною точкою, він не був ані достатньо точним, ані достатньо швидким, щоб забезпечити ефективність виконання замовлень, яку бажав Clearly.

Ще однією серйозною проблемою, з якою ми зіткнулися, була відсутність штатної команди МЛ — усі члени працювали в компанії менше року, коли проект стартував.

Огляд рішення: Amazon Fraud Detector

Amazon Fraud Detector — це повністю керований сервіс, який використовує ML для високоточного виявлення шахрайства та не потребує досвіду ML. Все, що нам потрібно було зробити, це завантажити наші дані та виконати кілька простих кроків. Amazon Fraud Detector автоматично перевірив дані, виявив значущі закономірності та створив модель ідентифікації шахрайства, здатну робити прогнози щодо нових транзакцій.

Наступна схема ілюструє наш конвеєр:

Щоб реалізувати потік, ми застосували такий робочий процес:

1. Amazon EventBridge щогодини викликає конвеєр оркестровки для перегляду всіх незавершених транзакцій.
2. Step Functions допомагає керувати конвеєром оркестровки.
3. An AWS Lambda функціональні дзвінки Амазонка Афіна API для отримання та підготовки навчальних даних, які зберігаються на Служба простого зберігання Amazon (Amazon S3).
4. Організований конвеєр функцій Lambda навчає модель Amazon Fraud Detector і зберігає показники продуктивності моделі в сегменті S3.
5. Служба простих сповіщень Amazon (Amazon SNS) сповіщає користувачів, коли виникає проблема під час процесу виявлення шахрайства або коли процес успішно завершується.
6. Бізнес-аналітики створюють інформаційні панелі Amazon QuickSight, який запитує дані про шахрайство з Amazon S3 за допомогою Athena, як ми опишемо далі в цій публікації.

Ми вирішили використовувати Amazon Fraud Detector з кількох причин:

• Служба використовує багаторічний досвід Amazon у боротьбі з шахрайством. Це додало нам великої впевненості в можливостях сервісу.
• Простота використання та впровадження дозволили нам швидко підтвердити наявність необхідного набору даних для отримання точних результатів.
• Оскільки команді Clearly ML було менше 1 року, повністю керований сервіс дозволив нам реалізувати цей проект без потреби в глибоких технічних навичках і знаннях ML.

результати

Записування результатів прогнозування в наше існуюче озеро даних дозволяє нам використовувати QuickSight для створення показників і інформаційних панелей для вищого керівництва. Це дає їм змогу зрозуміти та використовувати ці результати під час прийняття рішень щодо наступних кроків для досягнення наших щомісячних маркетингових цілей.

Ми змогли представити результати прогнозу на двох рівнях, починаючи із загальної ефективності бізнесу, а потім заглиблюючись у необхідні показники для кожного напряму діяльності (контакти та окуляри).

Наша інформаційна панель містить таку інформацію:

• Шахрайство за день по різних напрямках діяльності
  
• Втрата доходу через шахрайські операції
  
• Розташування шахрайських транзакцій (визначення гарячих точок шахрайства)
  
• Вплив різних кодів купонів на шахрайські транзакції, що дозволяє нам відстежувати наявність проблемних кодів купонів і вживати подальших заходів для зменшення ризику
  
• Шахрайство на годину, що дає нам змогу планувати та керувати операційною групою з виставлення рахунків і гарантувати, що у нас є ресурси для обробки обсягу транзакцій, коли це необхідно

Висновки

Ефективне та точне передбачення шахрайства клієнтів є одним із найбільших викликів ML для роздрібної торгівлі сьогодні, і добре розуміння наших клієнтів та їхньої поведінки є життєво важливим для успіху Clearly. Amazon Fraud Detector надав повністю кероване рішення ML, щоб легко створити точну та надійну систему прогнозування шахрайства з мінімальними витратами. Прогнози Amazon Fraud Detector мають високу точність і їх легко генерувати.

"З такими провідними інструментами електронної комерції, як Віртуальна спроба, у поєднанні з нашим безпрецедентним обслуговуванням клієнтів, ми прагнемо допомогти кожному бачити чітко доступним і легким способом, що означає постійний пошук шляхів інновацій, покращення та оптимізації процесів,", - сказав доктор Зів Поллак, керівник групи машинного навчання. «Виявлення онлайн-шахрайства є одним із найбільших викликів машинного навчання в роздрібній торгівлі сьогодні. Лише за кілька тижнів Amazon Fraud Detector допоміг нам точно й надійно виявити шахрайство з дуже високим рівнем точності та заощадити тисячі доларів."

---

Про автора

Доктор Зів Поллак є досвідченим технічним керівником, який змінює спосіб, у який організації використовують машинне навчання, щоб збільшити доходи, зменшити витрати, покращити обслуговування клієнтів і забезпечити успіх бізнесу. Зараз він очолює команду машинного навчання в Clearly.

Сарві Лолоей є асоційованим інженером машинного навчання в Clearly. Використовуючи інструменти AWS, вона оцінює ефективність моделі для стимулювання зростання бізнесу, збільшення доходу та оптимізації продуктивності.

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