Dự đoán chính xác rõ ràng các đơn đặt hàng gian lận bằng cách sử dụng Trình phát hiện gian lận của Amazon như thế nào

Bài đăng này được viết bởi Ziv Pollak, Trưởng nhóm học máy và Sarvi Loloei, Kỹ sư học máy tại Clear. Nội dung và ý kiến ​​trong bài đăng này là của các tác giả bên thứ ba và AWS không chịu trách nhiệm về nội dung hoặc tính chính xác của bài đăng này.

Là người tiên phong trong mua sắm trực tuyến, Clear đã ra mắt trang web đầu tiên của họ vào năm 2000. Kể từ đó, chúng tôi đã phát triển trở thành một trong những nhà bán lẻ kính mắt trực tuyến lớn nhất trên thế giới, cung cấp kính cho khách hàng trên khắp Canada, Mỹ, Úc và New Zealand, kính râm, kính áp tròng và các sản phẩm chăm sóc sức khỏe mắt khác. Thông qua sứ mệnh loại bỏ thị lực kém, Rõ ràng cố gắng làm cho kính mắt có giá cả phải chăng và dễ tiếp cận đối với mọi người. Việc tạo ra một nền tảng phát hiện gian lận được tối ưu hóa là một phần quan trọng trong tầm nhìn rộng lớn hơn này.

Xác định gian lận trực tuyến là một trong những thách thức lớn nhất mà mọi tổ chức bán lẻ trực tuyến gặp phải—hàng trăm nghìn đô la bị thất thoát do gian lận mỗi năm. Chi phí sản phẩm, chi phí vận chuyển và chi phí lao động để xử lý các đơn đặt hàng gian lận càng làm tăng tác động của gian lận. Đánh giá gian lận dễ dàng và nhanh chóng cũng rất quan trọng để duy trì tỷ lệ hài lòng của khách hàng cao. Giao dịch không nên bị trì hoãn do chu kỳ điều tra gian lận kéo dài.

Trong bài đăng này, chúng tôi chia sẻ cách Rõ ràng đã xây dựng một quy trình dự báo tự động và được phối hợp bằng cách sử dụng Chức năng bước AWS, và đã sử dụng Phát hiện gian lận Amazon để đào tạo một mô hình máy học (ML) có thể xác định các giao dịch gian lận trực tuyến và thu hút sự chú ý của nhóm điều hành thanh toán. Giải pháp này cũng thu thập số liệu và nhật ký, cung cấp tính năng kiểm tra và được gọi tự động.

Với các dịch vụ AWS, Rõ ràng đã triển khai một giải pháp có cấu trúc tốt, không có máy chủ chỉ trong vài tuần.

Thách thức: Dự đoán gian lận nhanh chóng và chính xác

Giải pháp hiện tại của Clear dựa trên việc gắn cờ các giao dịch bằng cách sử dụng các quy tắc được mã hóa cứng không được cập nhật đủ thường xuyên để nắm bắt các kiểu gian lận mới. Sau khi được gắn cờ, giao dịch đã được một thành viên của nhóm hoạt động thanh toán xem xét thủ công.

Quy trình hiện tại này có những hạn chế lớn:

• Không linh hoạt và không chính xác – Các quy tắc được mã hóa cứng để xác định các giao dịch gian lận rất khó cập nhật, nghĩa là nhóm không thể phản ứng nhanh với các xu hướng gian lận mới nổi. Các quy tắc đã không thể xác định chính xác nhiều giao dịch đáng ngờ.
• hoạt động chuyên sâu – Quy trình không thể mở rộng quy mô cho các sự kiện có doanh số bán hàng cao (như Thứ Sáu Đen), yêu cầu nhóm thực hiện các giải pháp thay thế hoặc chấp nhận tỷ lệ gian lận cao hơn. Hơn nữa, mức độ tham gia cao của con người đã làm tăng thêm chi phí đáng kể cho quá trình phân phối sản phẩm.
• đơn đặt hàng bị trì hoãn – Tiến độ thực hiện đơn hàng bị trì hoãn do đánh giá gian lận thủ công, khiến khách hàng không hài lòng.

Mặc dù quy trình xác định gian lận hiện tại của chúng tôi là một điểm khởi đầu tốt, nhưng nó không đủ chính xác cũng như không đủ nhanh để đáp ứng hiệu quả thực hiện đơn hàng mà Rõ ràng mong muốn.

Một thách thức lớn khác mà chúng tôi phải đối mặt là thiếu nhóm ML có nhiệm kỳ—tất cả các thành viên đều mới làm việc cho công ty chưa đầy một năm khi dự án bắt đầu.

Tổng quan về giải pháp: Amazon Fraud Detector

Amazon Fraud Detector là một dịch vụ được quản lý hoàn toàn, sử dụng ML để cung cấp khả năng phát hiện gian lận có độ chính xác cao và không yêu cầu chuyên môn về ML. Tất cả những gì chúng tôi phải làm là tải dữ liệu của mình lên và làm theo một vài bước đơn giản. Amazon Fraud Detector tự động kiểm tra dữ liệu, xác định các mẫu có ý nghĩa và tạo ra một mô hình nhận dạng gian lận có khả năng đưa ra dự đoán về các giao dịch mới.

Sơ đồ sau đây minh họa đường ống của chúng tôi:

Để vận hành quy trình, chúng tôi đã áp dụng quy trình công việc sau:

1. Sự kiện Amazon gọi đường dẫn điều phối hàng giờ để xem xét tất cả các giao dịch đang chờ xử lý.
2. Step Functions giúp quản lý quy trình điều phối.
3. An AWS Lambda chức năng gọi amazon Athena API để truy xuất và chuẩn bị dữ liệu đào tạo, được lưu trữ trên Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3).
4. Một quy trình phối hợp các chức năng Lambda đào tạo một mô hình Amazon Fraud Detector và lưu các chỉ số hiệu suất của mô hình vào một bộ chứa S3.
5. Dịch vụ thông báo đơn giản của Amazon (Amazon SNS) thông báo cho người dùng khi xảy ra sự cố trong quá trình phát hiện gian lận hoặc khi quá trình hoàn tất thành công.
6. Các nhà phân tích kinh doanh xây dựng bảng điều khiển trên Amazon QuickSight, truy vấn dữ liệu gian lận từ Amazon S3 bằng Athena, như chúng tôi mô tả sau trong bài đăng này.

Chúng tôi chọn sử dụng Amazon Fraud Detector vì một vài lý do:

• Dịch vụ này khai thác kinh nghiệm nhiều năm của Amazon trong việc chống gian lận. Điều này đã cho chúng tôi rất nhiều niềm tin vào khả năng của dịch vụ.
• Tính dễ sử dụng và triển khai cho phép chúng tôi nhanh chóng xác nhận rằng chúng tôi có tập dữ liệu cần thiết để tạo ra kết quả chính xác.
• Bởi vì nhóm Clear ML mới thành lập chưa đầy 1 năm, một dịch vụ được quản lý hoàn toàn cho phép chúng tôi thực hiện dự án này mà không cần kiến ​​thức và kỹ năng kỹ thuật chuyên sâu về ML.

Kết quả

Việc ghi kết quả dự đoán vào kho dữ liệu hiện có của chúng tôi cho phép chúng tôi sử dụng QuickSight để xây dựng các số liệu và bảng điều khiển cho lãnh đạo cấp cao. Điều này cho phép họ hiểu và sử dụng những kết quả này khi đưa ra quyết định về các bước tiếp theo để đáp ứng các mục tiêu tiếp thị hàng tháng của chúng tôi.

Chúng tôi có thể trình bày kết quả dự báo ở hai cấp độ, bắt đầu với hiệu suất kinh doanh tổng thể và sau đó đi sâu hơn vào hiệu suất cần thiết cho từng ngành kinh doanh (danh bạ và kính).

Bảng điều khiển của chúng tôi bao gồm các thông tin sau:

• Gian lận mỗi ngày cho các ngành nghề kinh doanh khác nhau
  
• Tổn thất doanh thu do gian lận giao dịch
  
• Địa điểm giao dịch gian lận (xác định các điểm nóng gian lận)
  
• Các giao dịch gian lận bị ảnh hưởng bởi các mã phiếu giảm giá khác nhau, điều này cho phép chúng tôi theo dõi các mã phiếu giảm giá có vấn đề và thực hiện các hành động tiếp theo để giảm rủi ro
  
• Gian lận mỗi giờ, cho phép chúng tôi lập kế hoạch và quản lý nhóm vận hành thanh toán và đảm bảo rằng chúng tôi có sẵn nguồn lực để xử lý khối lượng giao dịch khi cần

Kết luận

Dự đoán chính xác và hiệu quả hành vi gian lận của khách hàng là một trong những thách thức lớn nhất đối với ML dành cho bán lẻ ngày nay và hiểu rõ về khách hàng cũng như hành vi của họ là yếu tố sống còn đối với thành công của Clear. Amazon Fraud Detector cung cấp giải pháp ML được quản lý toàn phần để dễ dàng tạo hệ thống dự đoán gian lận chính xác và đáng tin cậy với chi phí tối thiểu. Dự đoán của Amazon Fraud Detector có độ chính xác cao và dễ tạo.

"Với các công cụ thương mại điện tử hàng đầu như Thử ảo, kết hợp với dịch vụ khách hàng tuyệt vời của chúng tôi, chúng tôi cố gắng giúp mọi người nhìn thấy rõ ràng một cách hợp lý và dễ dàng—có nghĩa là không ngừng tìm cách đổi mới, cải thiện và hợp lý hóa các quy trình,” Tiến sĩ Ziv Pollak, Trưởng nhóm Học máy cho biết. “Phát hiện gian lận trực tuyến là một trong những thách thức lớn nhất đối với công nghệ máy học trong bán lẻ hiện nay. Chỉ trong vài tuần, Amazon Fraud Detector đã giúp chúng tôi xác định gian lận một cách chính xác và đáng tin cậy với độ chính xác rất cao, đồng thời tiết kiệm hàng nghìn đô la."

---

Lưu ý

Tiến sĩ Ziv Pollak là một nhà lãnh đạo kỹ thuật giàu kinh nghiệm, người đã thay đổi cách các tổ chức sử dụng máy học để tăng doanh thu, giảm chi phí, cải thiện dịch vụ khách hàng và đảm bảo thành công trong kinh doanh. Anh ấy hiện đang lãnh đạo nhóm Machine Learning tại Clear.

Sarvi Loloei là Kỹ sư liên kết học máy tại Rõ ràng. Bằng cách sử dụng các công cụ AWS, cô ấy đánh giá hiệu quả của mô hình để thúc đẩy tăng trưởng kinh doanh, tăng doanh thu và tối ưu hóa năng suất.

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