如何使用 Amazon Fraud Detector 清晰准确地预测欺诈订单

这篇文章由机器学习团队负责人 Ziv Pollak 和 Clearly 的机器学习工程师 Sarvi Loloei 共同撰写。 本博文中的内容和观点属于第三方作者，AWS 不对本博文的内容或准确性负责。

作为在线购物的先驱，Clearly 于 2000 年推出了他们的第一个网站。从那时起，我们已经发展成为世界上最大的在线眼镜零售商之一，为加拿大、美国、澳大利亚和新西兰的客户提供眼镜、太阳镜、隐形眼镜和其他眼睛保健产品。 通过其消除视力不佳的使命，Clearly 努力让每个人都能负担得起和使用眼镜。 创建优化的欺诈检测平台是这一更广泛愿景的关键部分。

识别在线欺诈是每个在线零售组织面临的最大挑战之一——每年因欺诈造成数十万美元的损失。 处理欺诈订单的产品成本、运输成本和人工成本进一步增加了欺诈的影响。 简单快速的欺诈评估对于保持较高的客户满意度也很重要。 交易不应因冗长的欺诈调查周期而延迟。

在这篇文章中，我们分享了如何使用 Clearly 构建自动化和协调的预测管道 AWS步骤功能，并使用 亚马逊欺诈检测器 训练机器学习 (ML) 模型，该模型可以识别在线欺诈交易并引起计费运营团队的注意。 该解决方案还收集指标和日志、提供审计并自动调用。

借助 AWS 服务，Clearly 在短短几周内部署了一个架构完善的无服务器解决方案。

挑战：快速准确地预测欺诈

Clearly 现有的解决方案基于使用硬编码规则标记交易，这些规则更新频率不够高，无法捕获新的欺诈模式。 一旦被标记，该交易将由计费操作团队的一名成员进行人工审查。

这个现有的过程有主要的缺点：

• 僵硬的 并且不准确 – 识别欺诈交易的硬编码规则难以更新，这意味着团队无法快速响应新出现的欺诈趋势。 该规则无法准确识别许多可疑交易。
• 操作密集型 – 该流程无法扩展到高销量活动（如黑色星期五），需要团队实施变通办法或接受更高的欺诈率。 此外，大量的人员参与增加了产品交付过程的大量成本。
• 延迟订单 – 订单履行时间表因人工欺诈审查而延迟，导致客户不满意。

尽管我们现有的欺诈识别流程是一个很好的起点，但它既不够准确也不够快速，无法满足 Clearly 期望的订单履行效率。

我们面临的另一个主要挑战是缺乏一个终身的 ML 团队——所有成员在项目开始时都在公司工作了不到一年。

解决方案概述：Amazon Fraud Detector

Amazon Fraud Detector 是一项完全托管的服务，它使用 ML 来提供高度准确的欺诈检测，并且不需要 ML 专业知识。 我们所要做的就是上传我们的数据并遵循几个简单的步骤。 Amazon Fraud Detector 自动检查数据，识别有意义的模式，并生成能够对新交易进行预测的欺诈识别模型。

下图说明了我们的管道：

为了实施流程，我们应用了以下工作流程：

1. 亚马逊EventBridge 每小时调用编排管道以审查所有待处理的事务。
2. Step Functions 帮助管理编排管道。
3. An AWS Lambda 函数调用 亚马逊雅典娜 用于检索和准备训练数据的 API，存储在 亚马逊简单存储服务 （亚马逊S3）。
4. Lambda 函数的编排管道训练 Amazon Fraud Detector 模型并将模型性能指标保存到 S3 存储桶。
5. 亚马逊简单通知服务 (Amazon SNS) 在欺诈检测过程中出现问题或过程成功完成时通知用户。
6. 业务分析师在其上构建仪表板 亚马逊QuickSight，它使用 Athena 从 Amazon S3 查询欺诈数据，正如我们在本文后面描述的那样。

我们选择使用 Amazon Fraud Detector 有以下几个原因：

• 该服务利用了亚马逊多年来在打击欺诈方面的专业知识。 这让我们对服务的能力充满信心。
• 易于使用和实施使我们能够快速确认我们拥有产生准确结果所需的数据集。
• 由于 Clearly ML 团队成立不到 1 年，完全托管的服务使我们能够交付该项目，而无需深厚的 ML 技术技能和知识。

成果

将预测结果写入我们现有的数据湖，使我们能够使用 QuickSight 为高层领导构建指标和仪表板。 这使他们能够在决定下一步以实现我们的月度营销目标时理解和使用这些结果。

我们能够在两个层面上呈现预测结果，从整体业务绩效开始，然后深入到每个业务线（隐形眼镜和眼镜）所需的绩效。

我们的仪表板包含以下信息：

• 每个不同业务线每天的欺诈
  
• 欺诈交易造成的收入损失
  
• 欺诈交易的位置（识别欺诈热点）
  
• 不同优惠券代码对欺诈交易的影响，这使我们能够监控有问题的优惠券代码并采取进一步措施来降低风险
  
• 每小时欺诈，这使我们能够计划和管理计费操作团队，并确保我们有可用资源在需要时处理交易量

结论

有效准确地预测客户欺诈是当今零售业 ML 面临的最大挑战之一，充分了解我们的客户及其行为对于 Clearly 的成功至关重要。 Amazon Fraud Detector 提供了一个完全托管的 ML 解决方案，可以以最少的开销轻松创建准确可靠的欺诈预测系统。 Amazon Fraud Detector 预测具有很高的准确性并且易于生成。

“借助领先的电子商务工具，例如 虚拟试穿，结合我们无与伦比的客户服务，我们努力以负担得起且轻松的方式帮助每个人清楚地看到——这意味着不断寻找创新、改进和简化流程的方法，”机器学习团队负责人 Ziv Pollak 博士说。 “在线欺诈检测是当今零售业机器学习面临的最大挑战之一。 在短短几周内，Amazon Fraud Detector 帮助我们以非常高的准确性准确可靠地识别欺诈行为，并节省了数千美元。=

---

关于作者

Ziv Pollak 博士 是一位经验丰富的技术领导者，他改变了组织使用机器学习来增加收入、降低成本、改善客户服务并确保业务成功的方式。 他目前在 Clearly 领导机器学习团队。

萨尔维洛洛伊 是 Clearly 的助理机器学习工程师。 她使用 AWS 工具评估模型有效性以推动业务增长、增加收入和优化生产力。

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