技術部落格

集結國內外精選文章,掌握最新雲端技術新知與應用

首頁 / 產業解決方案 / 如何使用 Amazon Fraud Detector 清晰準確預測詐欺訂單
a

如何使用 Amazon Fraud Detector 清晰準確預測詐欺訂單

這篇文章由 Clearly 的機器學習團隊負責人 Ziv Pollak 和機器學習工程師 Sarvi Loloei 共同撰寫。本文中的內容和觀點屬於第三方作者,AWS 不對本文的內容或準確性負責。

作為線上購物的先驅,Clearly 於 2000 年推出了他們的第一個網站。從那時起,我們已成長為世界上最大的線上眼鏡零售商之一,為加拿大、美國、澳大利亞和紐西蘭的客戶提供眼鏡,太陽鏡、隱形眼鏡和其他眼部保健產品。通過消除視力不佳的使命,Clearly 致力於讓每個人都能負擔得起和使用眼鏡。創建優化的詐欺檢測平台是這一更廣泛願景的關鍵部分。

 

識別線上詐欺是每個線上零售組織面臨的最大挑戰之一—每年因詐欺而損失數十萬美元。處理詐欺訂單的產品成本、運輸成本和人工成本進一步增加了詐欺的影響。簡單快速的詐欺評估對於保持較高的客戶滿意度也至關重要。不應因詐欺調查週期過長而延遲交易。

 

在這篇文中,我們分享了 Clearly 如何使用 AWS Step Functions 構建一個自動化和協調的預測管道,並使用 Amazon Fraud Detector訓練一個機器學習 (ML) 模型,該模型可以識別線上詐欺交易並將其通知計費團隊。該解決方案可自動收集指標與紀錄,並提供稽核功能。
借助 AWS 服務,Clearly 在短短幾週內就部署了一個架構完善的無伺服器解決方案。

 

挑戰:快速準確地預測詐欺

Clearly 現有的解決方案基於使用寫死程式碼規則標記交易,這些規則更新頻率不足以捕獲新的詐欺模式。標記後,計費操作團隊的成員會手動審查交易。

這個現有的流程有很大的缺點:

  • 不靈活且不準確—識別詐欺交易的程式碼規則難以更新,這意味著團隊無法快速響應新興的詐欺趨勢。這些規則無法準確識別許多可疑交易。
  • 需要大量人工—該流程無法擴展到大型促銷活動(如黑色星期五),需要團隊實施變通辦法或接受更高的詐欺率。此外,大量的人工參與增加了產品交付過程的巨大成本。
  • 訂單延遲—訂單履行時間表因人工詐欺審查而延遲,導致客戶不滿意。

儘管我們現有的詐欺識別流程是一個很好的起點,但它既不夠準確也不夠快,無法滿足所期望的訂單履行效率。我們面臨的另一個主要挑戰是缺乏一個有經驗的 ML 團隊—項目啟動時,所有成員都在公司工作不到一年。

 

解決方案概述:Amazon Fraud Detector

Amazon Fraud Detector 是一項完全託管的服務,它使用 ML 提供高度準確的詐欺檢測,並且不需要 ML 專業知識。我們所要做的就是上傳我們的數據並遵循幾個簡單的步驟。Amazon Fraud Detector 會自動檢查數據,識別有意義的模式,並生成能夠對新交易進行預測的詐欺識別模型。

下圖說明了我們的管道:

為了實作流程,我們應用了以下工作流:

  1. Amazon EventBridge 每小時調用一次編排管道以查看所有待處理事務。
  2. Step Functions 有助於管理編排管道。
  3. AWS Lambda 函數調用 Amazon Athena API 來檢索和準備存儲在 Amazon Simple Storage Service (Amazon S3)上的訓練數據。
  4. Lambda 函數的編排管道訓練 Amazon Fraud Detector 模型並將模型性能指標保存到 S3 儲存桶。
  5. 當詐欺檢測過程中出現問題或該過程成功完成時,Amazon Simple Notification Service (Amazon SNS) 會通知用戶。
  6. 業務分析師在 Amazon QuickSight 上構建儀表板,該儀表板使用 Athena 從 Amazon S3 查詢詐欺數據,我們將在本文後面進行描述。

我們選擇使用 Amazon Fraud Detector 有幾個原因:

    • 該服務利用了亞馬遜多年來打擊詐欺的專業知識。這讓我們對服務的能力充滿信心。
    • 易於使用和實施使我們能夠快速確認我們擁有生成準確結果所需的資料庫。
    • 由於 Clearly ML 團隊成立不到 1 年,全託管的服務使我們能夠交付這個項目,而無需深厚的 ML 技術技能和知識。

諮詢iKala Cloud,了解更多雲端運用!

結果

欺詐交易的位置(識別欺詐熱點)將預測結果寫入我們現有的數據池使我們能夠使用 QuickSight 為高階管理層構建指標和儀表板。這使他們能夠在決定後續步驟以實現我們的每月行銷目標時理解和使用這些結果。

我們能夠在兩個層面上展示預測結果,從整體業務績效開始,然後深入了解每個產品線(隱形眼鏡和眼鏡)所需的績效。

 

我們的儀表板包括以下訊息:

  • 不同業務線每天的詐欺行為
  • 詐欺交易導致的收入損失
  • 詐欺交易的位置(識別詐欺熱點)
  • 詐欺交易受不同優惠券代碼的影響,這使我們能夠監控有問題的優惠券代碼並採取進一步措施降低風險

   

  • 每小時詐欺量,這使我們能夠計劃和管理計費營運團隊,並確保我們有可用資源在需要時處理交易量

結論

有效和準確地預測客戶詐欺是當今零售業機器學習面臨的最大挑戰之一,而充分了解我們的客戶及其行為對於 Clearly 的成功至關重要。Amazon Fraud Detector 提供了一個完全託管的 ML 解決方案,可以以最小的開銷輕鬆創建準​​確可靠的詐欺預測系統。Amazon Fraud Detector 預測具有高度的準確性並且易於生成。

「借助 Virtual Try On 等領先的電子商務工具,再加上我們無與倫比的客戶服務,我們努力幫助每個人以經濟實惠且輕鬆的方式清晰地看到 – 這意味著不斷尋找創新、改進和簡化流程的方法。」機器學習團隊的負責人,Ziv Pollak 博士說。「在線詐欺檢測是當今零售業機器學習面臨的最大挑戰之一。在短短幾週內,Amazon Fraud Detector 幫助我們以非常高的準確度準確可靠地識別詐欺行為,並節省了數千美元。」

 

諮詢iKala Cloud,了解更多雲端運用!

分享本文:
FacebookLineTwitter
回到頂端
This site is registered on wpml.org as a development site.