0
Alamy
Amazon Prime Dag (APD) var en kæmpe succes, siger de. På en skøn 60 procent stigning i salget i løbet af 2016, og næsten $2 milliarder i indtægter, og det er svært at argumentere for andet.
Hvis du ønsker at tale numre men lad os overveje dette. Hvad ville du sige, hvis du fik at vide, at Amazon kunne miste næsten 5 procent af omsætningen, eller $100 millioner, på grund af svig?
Det er en masse penge. Og det er ikke bare Amazon på sin Prime Dag, er det eneste online-forhandler, der er udsat for bedrageri online hver eneste dag.
Detail-kendetegn som APD eller Jul, gøre tingene værre. Hvad kan gøres for at forhindre dette? Machine learning (ML) til undsætning. ZDNet talte til forebyggelse af svig nystartede Fraugster og Riskified at få deres indsigt.
Anatomi af svig
Ifølge industrien blog Detail-Minded, at der er to hovedtyper af svig — tilbageførsel af svig og kort-test svig. Tilbageførsel svig indebærer køb, der er rapporteret som aldrig leveres, og derefter betale tilbage til købmanden fra kreditkortselskabet.
Kort-test af svig, der sker, når tyvene med en liste over stjålne kort numre væsentlige “spille slots” ved at forsøge køb, efter køb fra en online butik med forskellige numre, indtil de finder et kort nummer, der lykkes. De så bruge dette tal til at foretage svigagtige indkøb i andre butikker.
Det tager både ekspertise og ressourcer til at være i stand til at opdage bedrageri. Kolosser som Amazon kan være i stand til at beskæftige sig med dette i hus, men de fleste forhandlere er ikke. Og under alle omstændigheder, det er ikke noget, detailhandlere, der ønsker at bruge ressourcer på.
Ifølge en 2016 rapport, er de gennemsnitlige årlige økonomiske udgift tilskrives svig for detailhandlere var 7,6 procent af de årlige indtægter på tværs af alle kanaler, herunder online og offline salg. Syv procent af det er, der kan henføres til tilbageførsler; 74 procent er for bedrageri management software, hardware og medarbejdere, og 19 procent kommer fra falske positiver — transaktioner fejlagtigt afvist som for bedrageri.
Og det er på en business-as-usual dag. På AMD, er kunder, der opererer på Amazon har angiveligt set en stigning på 150 procent i forsøg på svindel. Gøre det math for tilbageførsler og falske positiver, ankommer vi til 5%/$100 millioner tal.
Selvfølgelig, den stump af detailhandler bruge tilskrives svig går til fraud management software, hardware og medarbejdere. Penge er godt givet ud, for så vidt som detailhandlere er bekymret for, formentlig, da de repræsenterer ressourcer, der er nødvendige for at minimere virkningerne af svindel.
Det er en branche med betydelige ressourcer til at bruge og motivation til at gøre det, producerer og sidder på masser af data. Ligesom alle andre domæne med disse egenskaber, det synes moden for automation ved hjælp af ML. Her er, hvordan Fraugster og Riskified tilgang til denne.
Ingen falske positiver, vi er positive
Riskified er et bedrageri management løsning til enterprise online-forhandlere, medstifter af Eido Gal og Assaf Feldman i 2012. Assaf er en MIT kandidat med mere end 15 års erfaring med udvikling af machine learning algoritmer, og Gal havde arbejdet på risiko og identitet løsninger på forskellige nystartede virksomheder, herunder Svig Videnskaber, som blev købt af PayPal.
Gal siger, at de indså, at der var et hul i den måde, e-handel industri lykkedes risiko: “mens de fleste detailhandlere var afhængige af tredjeparts-løsninger for nogle dele af deres online-forretning, såsom betaling forarbejdning og hjemmeside oprettelse, hver købmand var at forsøge at styre svig in-house. Forebyggelse af svig værktøjer til rådighed på markedet på dette tidspunkt generelt forudsat detailhandlere med en risiko, score per transaktion, og formidleren ‘ s in-house svig team fik til opgave at beslutte, om de vil acceptere eller afvise den.”
Gal bemærkes, at scoring værktøjer markeret statistisk risikable transaktioner, og svindel-hold var fokus på at forebygge tab.
Denne kombination betød, at detailhandlere endte med at dreje væk mange legitime kunder på grund af mistanke om svig, og mister betydelige indtægter. Riskified ‘ s vision var at outsource til afsløring af bedrageri for at eksperter, der tillader forhandlere at fokusere på stigende indtægter og forbedre kundeservice.
Virksomheden opbygget et ML baseret fraud detection system, og gearede en forretningsmodel, siger de sikrer, at deres mål og juster med forhandlere: kørsel på salg til gode kunder og samtidig undgå svig. I stedet for at levere en risiko, score og opkræve et fast gebyr for hver transaktion, Riskified tilbyder forhandlere mulighed for at godkende eller afvise transaktionen.
Riskified specialiserer sig i første omgang i at identificere falske positiver, men er udvidet til at dække andre former for svig scenarier, så godt. Billede: Riskified
Riskified kun opkræver et gebyr for godkendte ordrer, der er omfattet af en tilbageførsel garanti i tilfælde af svig. Gal siger, at dette drivkræfter Riskified at godkende så mange gode transaktioner, som muligt, mens dens tilbageførsel garanti betyder, at det tager på svig ansvar for hver ordre, den godkender, kræver virksomheden for at identificere forsøg på svindel.
For at dette skal fungere, Riskified ‘ s algoritmer, der enten skal være mindre kræsne om, hvad de godkende, eller mere smart. Gal siger, at i legacy-systemer, hvert dataelement får en score, som bidrog til den samlede risikovurdering af transaktioner.
For eksempel, enhver for levering til en re-afsender eller en afgivet via en proxy-server, der vil blive “straffet”, som disse potentielle indikatorer for svigagtig aktivitet.
“Riskified ML modeller er langt mere kompleks, idet der tages hensyn til mange flere datapunkter til at afdække rammerne af ordren. I dette eksempel, takket være automatisk data berigelse, vores systemer vil have en indikation af, at mens ordre er afsendt til OS-baseret re-afsender, emne endelige destination i Kina.
Vi ved, at der statistisk set, er det almindeligt, at forbrugerne er baseret i Kina til at bruge proxy-servere, når de handler online, og at man for at undgå høje forsendelsesomkostninger, mange gode Kinesiske handlende bruge re-tjenester. Denne indsigt er indarbejdet som en funktion i vores algoritmer.
Men vores ML modeller overveje, mange yderligere data punkter, som shopper online adfærd, deres digitale fodspor, og deres tidligere transaktioner med andre handlende ved hjælp af Riskified ‘ s løsning. Kun efter at have vurderet alle relevante data, modeller nå frem til en beslutning om at godkende eller afvise transaktionen.
Da vi første gang lancerede Riskified, hele vores service var at identificere gode ordrer om, at forhandlere, der er planlagt til at falde. Vi har siden udvidet vores tilbud, og i dag er de fleste forhandlere bruge Riskified for hele deres online arkiv.”
Se, mor, ingen regler
Fraugster, en tysk-Israelske betaling sikkerhed company, der blev grundlagt i 2014, har sin egen tilgang her. Fraugster blev grundlagt af Max Laemmle og Chen Zamir. Laemmle siger, at efter flere års arbejde i betalingssektoren, de oplevede på første hånd de udfordringer, der er bedrageri i forbindelse med e-handel handlende.
Han beskriver deres vision var at designe og opbygge en anti-svindel-teknologi, der kan bidrage til at skabe et bedrageri frie verden.” Laemmle siger, at de fandt, at alle de eksisterende anti-svig løsninger, der var bygget på forældede teknologier og ikke kunne beskæftige sig med avanceret cyber-kriminelle:
“Eksisterende regel-baserede systemer samt klassiske ML løsninger er dyre og langsomme til at tilpasse sig til nye svig mønstre i real-tid, og derfor ukorrekt. Vores team af intelligens og betaling eksperter brugt de sidste mange år at designe vores patenterede teknologi fra bunden. Resultatet er en avanceret kunstig intelligens (AI) teknologi, som ikke kun fjerne betaling bedrageri, men også maksimere indtægterne ved at reducere falske positiver.”
Laemmle forklarer deres fremgangsmåde som følger:
“Oversætte intuition fra regler eller processer, der er lig et menneske, der dikterer at en maskine sådan grund. Dette kræver en masse manuelt arbejde. Hvad vores motor gør, er at bruge ML teknikker, der ikke erstatte disse ting, men erstatte det menneskelige intuition del, som vi grund.
Slutresultatet er en deterministisk præcise system, uddannet, ikke af et menneske, men ved en maskine. Vores motor kræver et stort ordforråd og evnen til at binde i disse separate ord til sætninger og afsnit, der fortæller en historie. Vi ønsker at udvide vores ordforråd og fortsætte med at uddanne motoren til at vælge den rigtige ordforråd til at fortælle den rigtige historie.”
Laemmle rapporterer, at deres kunder, der opererer på Amazon er der sket en stigning på 150 procent i forsøg på svindel på AMD.
“Disse er de tidspunkter, hvor det er lettere for svig til at passere gennem en manuel gennemgang system eller klassisk ML system på grund af flere transaktioner, og færre ressourcer.
Ikke på grund af mangel på præcision, på grund af manglende skalerbarhed og den nødvendige speed til at tilpasse sig nye fraudpatterns. En cyber-kriminelle ikke generelt bekymrer sig om salg (de har planer om at få varen gratis anyways), men i forbindelse med salg gang de går gennem en mindre negativ sikkerhed system.
Den ene, fordi der er flere transaktioner, og det er vanskeligt for manuelle anmeldelser til at holde op og to, et element, der er til salg der kan gå gennem et system, der er beregnet til at se på lavere prissat emner, tror regel-baserede systemer. Vores teknologi er super skalerbar og selv-læring, så det kan finde nye svig mønstre, som de opstår i realtid.
Alle ML spillere er nødt til at opbygge work arounds, fordi de ikke kan behandle data i real-time. Dette betyder, at de er nødt til at pre-segmentize data, osv. Deres løsninger er ikke fuldt automatiseret / gnidningsfrit. Fraugster ikke bruger menneskelige analytikere, regler eller modeller. Vores søgemaskine fungerer helt selvstændigt uden at bidrage med nogen friktion i tjek-ud processen.”
Sind, den sorte box
Hvert selskab har sin egen tilgang og styrker, men pointen her er ikke at sammenligne dem. Pointen er, at disse er nogle af de mest indflydelsesrige anvendelser af real-life big data innovation. Programmer som disse, selv når de opererer i stealth, for så vidt som de fleste af os er bekymrede for, at skubbe grænserne på en række niveauer.
Lige så vigtigt, at det tekniske aspekt, er de aspekter af gennemsigtighed og respekt. Assaf uddyber:
“Mens den nylige EU-lov kræver, at organisationer, der er afhængige af ML til bruger, der påvirker beslutninger til fuldt ud at forklare de data, der resulterede i denne afgørelse, gennemsigtighed i ML beslutninger er også en virksomhed krav. I vores branche, forhandlere har brug for at vide, hvorfor en bestemt shopper ‘ s køb blev identificeret som bedrageri, og efterfølgende faldt.
I tilfælde af en alvorlig svig ring angreb, der resulterede i stor tilbageførsel, rabat online købmænd er holdt ansvarlige af betalings-gateway/processor — og har brug for til at forklare, hvorfor disse svigagtige indkøb blev godkendt af de algoritmer, og hvad der er blevet gjort for at sikre, at sådanne sager er identificeret korrekt fremadrettet.
Det har været en blindspot af tech samfund, og er en væsentlig grund til, at mange virksomheder er tilbageholdende med at udnytte ML-baserede værktøjer, som de anser for at være “black-box” – løsninger. Riskified har investeret betydelige ressourcer i at give forhandlere med gennemsigtighed i vores ML beslutninger.
Dette blev opnået ved at oversætte de værktøjer, der anvendes af Riskified data forskere at forske i, når ML decisioning ind i en visualisering, som på en sammenhængende måde formidler logikken bag modellen’ beslutninger.”
Som vi har nævnt før, gennemsigtighed og ML tilgange synes at være i strid på nuværende tidspunkt. Kravet om klarhed, ikke kun fra de lovgivningsmæssige rammer, men i det store og det kommer fra business-brugere også, som påpeget af mange praktiserende læger. Mens forskellige tilgange har været foreslået at arbejde omkring dette spørgsmål, på dette tidspunkt ikke nogen perfekt løsning ser ud til at eksistere.
0