0
Alamy
Amazon Prime Day (APD) è stato un successo enorme, dicono. Una stima 60 per cento di aumento delle vendite di oltre il 2016, e di quasi $2 miliardi di fatturato, è difficile sostenere il contrario.
Se si vuole parlare di numeri, però, andiamo a prendere in considerazione questo. Cosa diresti se ti hanno detto che Amazon potrebbe perdere quasi il 5 per cento del fatturato, o $100 milioni, a causa di frodi?
Che è un sacco di soldi. E non è solo Amazon nel suo Primo Giorno, ogni rivenditore online che è esposto a una frode online, ogni singolo giorno.
Retail caratteristiche come APD o di Natale peggiorare le cose. Che cosa si può fare per prevenire questo? Machine learning (ML) per il salvataggio. ZDNet ha parlato alla prevenzione delle frodi startup Fraugster e Riskified per ottenere le loro idee.
L’anatomia di frode
Secondo l’industria blog di vendita al Dettaglio di Mentalità, ci sono due principali tipi di frode — chargeback la frode e la scheda di test di frode. Chargeback frode coinvolge gli acquisti che vengono segnalati come mai consegnata e quindi addebitato per il mercante, l’azienda della carta di credito.
Scheda di test di frode succede quando i ladri con un elenco di numeri di carte rubate essenzialmente “giocare alle slot” tentando di acquisto dopo l’acquisto da un negozio online con numeri diversi fino a trovare un numero di carta che riesce. Essi quindi utilizzare questo numero per fare acquisti fraudolenti in altri negozi.
Si occupa sia di competenze e risorse per essere in grado di identificare le frodi. Colossi come Amazon potrebbe essere in grado di gestire questo in casa, ma la maggior parte dei rivenditori non. E, in ogni caso, questo non è qualcosa di rivenditori vorrei spendere le risorse.
Secondo un 2016 del report, la media annuale oneri finanziari attribuito alla frode per i rivenditori 7,6 per cento del fatturato annuo in tutti i canali, comprese le vendite online e offline. Sette per cento di ciò è attribuibile a storni di addebito; il 74 per cento è per frode gestione di software, hardware e dipendenti; e il 19 per cento viene da falsi positivi — operazioni rifiutati di frodi.
E che è un business-as-usual giorno. Su AMD, clienti che operano su Amazon hanno riferito visto un aumento del 150 per cento in tentativi di frode. Fare la matematica per storni di addebito e di falsi positivi, si arriva al 5%/$100 milioni di cifre.
Naturalmente, il sistema di rivenditore trascorrere attribuito alla frode va per frode gestione di software, hardware e dipendenti. Soldi ben spesi, per quanto i rivenditori sono interessato probabilmente, dal momento che essi rappresentano le risorse necessarie per ridurre al minimo l’impatto delle frodi.
Questo è un settore con notevoli risorse da spendere e la motivazione per farlo, la produzione e la seduta sui carichi di dati. Come qualsiasi altro dominio con queste caratteristiche, sembra maturo per automazione, mezzi di ML. Ecco come Fraugster e Riskified approccio.
Senza falsi positivi, siamo positivi
Riskified è una frode soluzione di gestione per l’impresa, i rivenditori online, co-fondata da Eido Gal e Assaf Feldman nel 2012. Assaf è un laureato del MIT con 15 anni di esperienza nello sviluppo di algoritmi di machine learning, e la Ragazza aveva lavorato al rischio e soluzioni di identità in varie start-up, tra cui la Frode Scienze, che è stato acquistato da PayPal.
Ragazza dice che si è accorta che c’era una lacuna nel modo in cui l’e-commerce settore gestito rischio: “mentre la maggior parte dei rivenditori sono stati affidarsi a soluzioni di terze parti per alcune parti del proprio business online, come ad esempio il pagamento di elaborazione e realizzazione del sito web, ogni commerciante stava cercando di gestire la frode in-house. Di prevenzione delle frodi strumenti disponibili sul mercato a quel tempo generalmente condizione rivenditori con un punteggio di rischio per ogni transazione, e il rivenditore in-casa frode squadra aveva il compito di decidere se accettare o rifiutare l’ordine.”
Gal notato che il punteggio strumenti contrassegnati qualsiasi statisticamente rischiosa operazione, e la frode squadre si sono concentrati sulla prevenzione delle perdite.
Questa combinazione significava che i rivenditori finì per allontanarsi molti legittimi dei clienti a causa del sospetto di frode, e di perdere una parte significativa delle entrate. Riskified la visione di esternalizzare il rilevamento delle frodi, per gli esperti, consentendo ai rivenditori di concentrarsi sulla crescita del fatturato e migliorare il servizio clienti.
La società ha costruito un ML a base di sistema di individuazione di frodi, e il leveraged un modello di business che dicono che garantisce loro obiettivi allineati con i rivenditori: la guida di vendita di buoni clienti, evitando le frodi. Invece di fornire un punteggio di rischio e la carica di una quota fissa per ogni transazione, Riskified offre ai retailer la possibilità di approvare o rifiutare la transazione.
Riskified inizialmente specializzati nell’identificazione dei falsi positivi, ma ha spaziato in altri scenari di frode. Immagine: Riskified
Riskified solo a pagamento per gli ordini approvati coperto da un chargeback garanzia in caso di frode. Gal dice questo incentivizes Riskified di approvare, come molte operazioni, mentre la sua chargeback di garanzia assume frode responsabilità per ogni ordine di approvazione, che richiedono all’azienda di identificare con precisione le eventuali tentativi di frode.
In ordine per questo lavoro, Riskified gli algoritmi devono essere meno pignoli su quello che si approva, o più intelligente. Ragazza dice che nei sistemi legacy, ogni elemento di dati riceve un punteggio, che ha contribuito al punteggio di rischio globale delle transazioni.
Per esempio, eventuali spese di spedizione dell’ordine di un re-mittente o un posto tramite un server proxy consente di essere “penalizzato”, come questi sono potenziali indicatori di attività fraudolente.
“Riskified s ML modelli sono ben più complesso, tenendo conto di molti più punti di dati per scoprire il contesto dell’ordine. In questo esempio, grazie alla funzione automatica di dati di arricchimento, i nostri sistemi hanno un’indicazione che, mentre l’ordine è in spedizione a ri-mittente, l’elemento di destinazione finale in Cina.
Sappiamo che, statisticamente, è comune per i consumatori, con sede in Cina per l’utilizzo di proxy server quando lo shopping online, e che, per evitare gli alti costi di spedizione, molti buoni clienti Cinesi utilizzare nuovamente i servizi di trasporto. Questa intuizione è costituito in funzione nei nostri algoritmi.
Ma il nostro ML di modelli di considerare molti altri punti dati, come le shopper in linea di comportamento, la loro impronta digitale, e il loro passato transazioni con qualsiasi altro commerciante che utilizza Riskified soluzione. Solo dopo la valutazione di tutti i dati relativi ai modelli di giungere a una decisione di approvare o rifiutare la transazione.
Quando abbiamo lanciato Riskified, tutto il nostro servizio è stato l’individuazione di buone ordini rivenditori previsto un calo. Da allora abbiamo ampliato la nostra offerta, e oggi la maggior parte dei rivenditori di utilizzare Riskified per il loro intero volume online.”
Guarda mamma, senza regole
Fraugster, un tedesco-Israeliano di pagamento di sicurezza di azienda, fondata nel 2014, ha un suo proprio modo qui. Fraugster è stata fondata da Max Laemmle e Chen Zamir. Laemmle dice che dopo anni di lavoro nel settore dei pagamenti, hanno vissuto in prima persona le sfide di frode per i commercianti e-commerce.
Egli descrive la loro visione era di “progettare e costruire un anti-frode tecnologia che potrebbe aiutare a creare una frode mondo libero.” Laemmle dice di aver trovato un nuovo anti-frode soluzioni che sono state costruite su tecnologie obsolete e non poteva trattare con sofisticati criminali informatici:
“Esistenti sistemi basati su regole classica, così come ML soluzioni sono costose e lenta ad adattarsi alle nuove modalità di frode in tempo reale, quindi impreciso. Il nostro team di intelligence e di pagamento esperti trascorse gli ultimi anni a progettare la nostra tecnologia brevettata da zero. Il risultato è avanzato di intelligenza artificiale (AI), la tecnologia in grado non solo di eliminare le frodi nei pagamenti, ma anche di massimizzare il profitto riducendo i falsi positivi.”
Laemmle spiega il loro approccio come segue:
“Tradurre l’intuizione da regole o processi equivale a un essere umano, detta a una macchina come la ragione. Questo richiede un sacco di lavoro manuale. Quello che il nostro motore non è in uso ML di tecniche che non sostituire queste cose, ma sostituire l’intuizione umana, parte con la quale abbiamo ragione.
Il risultato finale è un deterministico accurato sistema, formazione non da una persona ma da una macchina. Il nostro motore richiede un ricco vocabolario e la capacità di legare in questi separare le parole in frasi e paragrafi che raccontano una narrazione. Vogliamo ampliare il nostro vocabolario e continuare a formare il motore di scegliere il giusto vocabolario per raccontare la storia giusta.”
Laemmle rapporti che i loro clienti che operano su Amazon visto un aumento del 150 per cento in tentativi di frode su AMD.
“Questi sono momenti in cui è più facile per frode passare attraverso una revisione manuale del sistema o classica ML di sistema a causa di transazioni e la diminuzione delle risorse.
Non a causa della mancanza di precisione, a causa della mancanza di scalabilità e la velocità necessaria per adattarsi alle nuove fraudpatterns. Un cyber criminale non generalmente interessano le vendite (che intendono ottenere l’elemento gratuitamente in ogni modo), ma durante il periodo dei saldi che passare attraverso una meno negativi del sistema di sicurezza.
Uno, perché ci sono più operazioni ed è difficile per il manuale di giudizi di tenere il passo e due, un elemento che è in vendita potrebbe passare attraverso un sistema che è destinato a guardare a un prezzo minore, elementi, pensare a sistemi basati su regole. La nostra tecnologia è super scalabile e di auto-apprendimento, in modo è possibile identificare nuove modalità di frode che emergono in tempo reale.
Tutte ML i giocatori devono costruire soluzioni perché non sono in grado di elaborare dati in tempo reale. Questo significa che hanno pre-casella di selezione segmentize dati, etc. Le loro soluzioni non sono completamente automatizzato / privo di attrito. Fraugster non uso umano analisti di, regole o modelli. Il nostro motore di operare in piena autonomia senza contribuire in alcun attrito nel processo di check-out.”
Presente la scatola nera
Ogni azienda ha il suo approccio e la sua forza, ma il punto qui non è per confrontarli. Il punto è che questi sono alcuni dei più influenti applicazioni della vita reale big data per l’innovazione. Applicazioni come queste, anche quando si opera in stealth, per quanto la maggior parte di noi sono interessati, a spingere i confini di un certo numero di livelli.
Altrettanto importante l’aspetto tecnico sono gli aspetti di trasparenza e di rispetto. Assaf elabora:
“Mentre la recente normativa UE che richiedono le organizzazioni che si basano su ML per utenti che hanno un impatto sulle decisioni di spiegare completamente i dati che hanno portato a questa decisione, la trasparenza, in ML decisioni è anche un requisito aziendale. Nel nostro settore, i rivenditori hanno bisogno di sapere perché un certo shopper acquisto è stato identificato come la frode, e successivamente è sceso.
In caso di una grave frode anello di attacco che ha provocato costi alti tassi di, commercianti online sono ritenuti responsabili di pagamento (payment gateway/processore — e bisogno di spiegare perché tali acquisti fraudolenti sono stati approvati dagli algoritmi, e ciò che è stato fatto per assicurare che tali casi sono correttamente identificati, di andare avanti.
Questo è stato un blindspot di comunità tech, ed è una delle ragioni principali che molte aziende sono riluttanti a sfruttare ML di base di strumenti, che considerano “scatola nera” delle soluzioni. Riskified ha investito notevoli risorse nella fornitura di distributori con la trasparenza nel nostro ML decisioni.
Questo è stato ottenuto da tradurre gli strumenti utilizzati da Riskified dati scienziati, quando la ricerca ML di decisione in una visualizzazione che coerentemente trasmette la logica dietro i modelli e le decisioni.”
Come abbiamo notato in precedenza, la trasparenza e la ML di approccio sembra essere in disaccordo. Il requisito per chiarezza non solo dal quadro normativo, ma gran parte di esso proviene da utenti di business troppo, come notato da molti professionisti. Mentre diversi approcci sono stati proposti per risolvere questo problema, in questo momento non perfetta soluzione sembra non esistere.
0