Wie maschinelles lernen ist die Aufnahme auf online-retail-Betrug

0

Alamy

Amazon Prime Day (APD) war ein großer Erfolg, sagen Sie. Bei einer Schätzung 60 Prozent Umsatzplus über 2016 und fast $2 Milliarden bei den Einnahmen, ist es schwer anders zu argumentieren.

Wenn Sie möchten, sprechen Sie zahlen, obwohl, betrachten wir diese. Was würden Sie sagen, wenn Sie erfuhren, dass Amazon könnte verlieren fast 5 Prozent, die Einnahmen, oder $100 Millionen, wegen Betrug?

Das ist eine Menge Geld. Und es ist nicht nur Amazon auf seiner Blütezeit Tag, es ist jedem online-Händler, der ausgesetzt wird, um online-Betrug an jedem einzelnen Tag.

Einzelhandel Markenzeichen wie APD oder Weihnachten noch schlimmer machen. Was kann getan werden, um dies zu verhindern? Machine learning (ML) – zur Rettung. ZDNet Sprach mit Betrugsprävention startups Fraugster und Riskified, um Ihre Erkenntnisse.

Die Anatomie des Betrugs

Nach Angaben der Industrie-blog Einzelhandel Gemerkt, es gibt zwei Arten von Betrug-chargeback-Betrug-und-Karte-Tests Betrug. Chargeback-Betrug beinhaltet Käufe, die berichtet werden, als nie geliefert und dann geladen zurück zu dem Händler von dem Kreditkarten-Unternehmen.

– Karte-Tests Betrug passiert, wenn die Diebe mit einer Liste der gestohlenen Karte zahlen im wesentlichen “play slots” durch versuchten Kauf nach dem Kauf von einem online-Shop mit verschiedenen zahlen, bis Sie finden, eine Kartennummer, die gelingt. Dann verwenden Sie diese Zahl, um betrügerische Einkäufe in anderen Geschäften.

Es braucht sowohl know-how und Ressourcen erkennen zu können, Betrug. Giganten wie Amazon können in der Lage sein, um sich mit diesem in-house, aber die meisten Händler sind nicht. Und in jedem Fall, dies ist nicht etwas, Einzelhändler verbringen möchte, Ressourcen auf.

Nach einem 2016-Bericht, die Durchschnittliche jährliche finanzielle Aufwand zugeschrieben Betrug für den Einzelhandel war mit 7,6 Prozent der jährlichen Einnahmen über alle Kanäle, einschließlich online-und offline-Vertrieb. Sieben Prozent, das ist auf Stornos; 74 Prozent ist für fraud-management-software, – hardware und-Mitarbeiter; 19 Prozent kommt von false-positives — Transaktionen, die fälschlicherweise abgelehnt, da Betrug.

Und das ist auf einem business-as-usual ” – Tag. Auf AMD, Kunden, die auf Amazon haben angeblich gesehen, ein Anstieg von 150 Prozent Betrug versucht. Tun die Mathematik für Rücklastschriften und false-positives, kommen wir zu den 5 Prozent/$100 Millionen zahlen.

Natürlich, die stumpfen von Händler verbringen auf Betrug zurückzuführen geht um fraud-management-software, hardware und Mitarbeiter. Gut angelegtes Geld, soweit die Einzelhändler sind besorgt, wahrscheinlich, weil Sie repräsentieren Ressourcen, die erforderlich sind, um zu minimieren die Auswirkungen von Betrug.

Dies ist eine Branche, die mit erheblichen Ressourcen zu verbringen und die motivation, dies zu tun, produzieren, und sitzen auf Lasten der Daten. Wie jede andere domain mit diesen Eigenschaften scheint reif für die Automatisierung mit Hilfe von ML. Hier ist, wie Fraugster und Riskified diesen Ansatz.

Keine false-positives, wir sind positiv

Riskified ist ein fraud-management-Lösung für enterprise-online-Händler, Mitbegründer von Eido Gal und Assaf Feldman im Jahr 2012. Assaf ist einer MIT-Absolventin mit 15 Jahren Erfahrung in der Entwicklung von machine-learning-algorithmen und Gal hatten gearbeitet, Risiko-und identity-Lösungen bei verschiedenen Start-UPS, einschließlich Betrug Wissenschaften, die war per PayPal gekauft.

Gal sagt, dass Sie erkannte, gab es eine Lücke in der Art und Weise der E-Commerce-Branche verwaltete Risiko: “während die meisten Einzelhändler verlassen sich auf Lösungen von Drittanbietern für Teile Ihres online-Geschäfts, wie Zahlungsabwicklung und website-Erstellung, jeder Händler versucht hatte, Sie zu verwalten, Betrug im eigenen Haus. Betrugsprävention-tools auf dem Markt verfügbar zu dieser Zeit in der Regel ein Einzelhändler mit einem Risiko-score pro Transaktion, und die Händler die in-house-Betrugs-team wurde beauftragt, mit der Entscheidung, ob Sie den Auftrag annehmen oder ablehnen.”

Gal hingewiesen, dass scoring-tools markiert jede statistisch riskante Transaktion, Betrug und teams konzentrierten sich auf das verhindern von Verlusten.

Diese Kombination bedeutet, dass Einzelhändler herauf das drehen Weg viele seriöse Kunden, die wegen Verdacht auf Betrug, und dabei auf erhebliche Einnahmen. Riskified vision war die Auslagerung von Betrugsfällen an Experten, sodass Einzelhändler-Fokus auf Steigerung der Umsätze und zur Verbesserung des Kundenservice.

Das Unternehmen baute eine ML-basierte fraud detection system-und leveraged-ein business-Modell, das Sie sagen, für Ihre Ziele ausrichten mit dem Handel: Umsatz um gute Kunden bei der Vermeidung von Betrug. Anstatt den Risiko-score Berechnung einer Pauschale Gebühr für jede Transaktion, Riskified bietet Händlern die option zum genehmigen oder ablehnen der Transaktion.

Riskified zunächst spezialisiert auf die Identifizierung von false positives, aber hat ausgedehnt andere Betrugs-Szenarien als gut. Bild: Riskified

Riskified nur eine Gebühr für die genehmigten Bestellungen, bedeckt mit einer chargeback-Garantie im Fall von Betrug. Die Gal sagt, das schafft Riskified zu genehmigen, wie viele gute Geschäfte wie möglich, während seine chargeback-Garantie bedeutet, es nimmt auf Betrug Haftung für jede Bestellung, die es billigt, dass die Unternehmen, genau zu identifizieren, Betrug versucht.

Um für diese zu arbeiten, Riskified algorithmen muss entweder weniger wählerisch, was Sie genehmigen oder mehrere smart. Gal sagt, dass in legacy-Systeme, jedes Datenelement erhält eine Punktzahl, die dazu beigetragen haben das Allgemeine Risiko-score der Transaktionen.

Zum Beispiel, um Sie den Versand an eine re-VERSENDER oder einer gesetzt, über einem proxy-server, werden “bestraft”, wie diese, sind potentielle Indikatoren für betrügerische Aktivitäten.

“Riskified die ML-Modelle sind viel komplexer und berücksichtigt viele weitere Daten-Punkte zu entdecken, den Rahmen der Bestellung. In diesem Beispiel Dank der automatischen Anreicherung der Daten unsere Systeme haben eine Anzeige, die während der Bestellung ist der Versand an eine US-basierte re-VERSENDER, der Artikel ist final destination in China.

Wir wissen, dass statistisch gesehen, ist es üblich, für die Verbraucher in China die Verwendung von proxy-Servern, beim online-shopping, und dass zur Vermeidung von hohen Versandkosten, viele gute chinesische Käufer über die re-Versand-services. Diese Erkenntnis wurde als ein feature in unserer algorithmen.

Aber unser ML-Modelle betrachten viele zusätzliche Daten, wie der Käufer das online-Verhalten, Ihren digitalen Fußabdruck und Ihre vergangenen Transaktionen mit anderen Kaufmann mit Riskified Lösung. Erst nach Auswertung aller relevanten Daten, die Modelle erreichen eine Entscheidung zu genehmigen oder abzulehnen die Transaktion.

Wenn wir zum ersten mal gestartet Riskified, unsere gesamte service war die Identifizierung gute Aufträge, die Einzelhändler geplant zu sinken. Wir haben seit erweitert, unser Angebot, und heute sind die meisten Händler nutzen Riskified für Ihre gesamte online-volume.”

Schau, Mama, keine Regeln

Fraugster, eine Deutsch-israelische payment security-Unternehmen, gegründet im Jahr 2014, seine eigene Strategie hier. Fraugster wurde gegründet von Max Laemmle und Chen Zamir. Laemmle sagt, dass nach Jahren der Arbeit in der zahlungsverkehrsbranche, die Sie erlebte aus Erster hand die Herausforderungen von fraud für den e-commerce-Händler.

Er beschreibt Ihre vision war “zu entwerfen und bauen eine anti-Betrugs-Technologie, die helfen könnten, erstellen ein Betrug, der der freien Welt.” Laemmle, sagt Sie festgestellt, dass Sie alle bestehenden anti-fraud-Lösungen basieren auf veralteten Technologien und konnte nicht umgehen mit ausgeklügelten cyber-kriminellen:

“Vorhandene Regel-basierte Systeme als auch klassische ML-Lösungen sind teuer und langsam bei der Anpassung an neue fraud-Muster in Echtzeit, daher ungenau. Unser team von intelligence und payment-Experten die letzten Jahre damit verbracht Gestaltung unserer proprietären Technologie von Grund auf neu. Das Ergebnis ist eine erweiterte künstliche Intelligenz (KI) – Technologie, die nicht nur zu beseitigen, Betrug im Zahlungsverkehr, sondern auch Maximierung der Einnahmen durch die Verringerung von false positives.”

Laemmle, erklärt Ihren Ansatz wie folgt:

“Übersetzung von intuition, von den Regeln oder Verfahren entspricht einem menschlichen diktieren zu einer Maschine, wie an die Vernunft. Dies erfordert viel manuelle Arbeit. Was unsere engine verwendet, ML-Techniken, die nicht ersetzt werden sollen, diese Dinge, aber ersetzen Sie die menschliche intuition Teil, mit dem wir Grund.

Das Ergebnis ist eine deterministische genaue system, ausgebildet, nicht von einem Menschen, sondern von einer Maschine. Unsere engine benötigt einen reichen Wortschatz und die Fähigkeit zu binden, in diese einzelnen Wörter zu Sätzen und Absätzen, die erzählen eine Geschichte. Wir möchten, erweitern unseren Wortschatz und weiter trainieren, den Motor zu wählen, die richtigen Vokabeln zu sagen, die richtige Geschichte.”

Laemmle berichten, dass Ihre Kunden, die auf Amazon gab es einen Anstieg um 150 Prozent Betrugsfälle auf AMD.

“Dies sind die Zeiten, wenn es einfacher für Betrug Durchlaufen einen manuellen review-system oder klassische ML-system durch mehr Transaktionen und weniger Ressourcen.

Nicht, weil der Mangel an Genauigkeit, weil der Mangel an Skalierbarkeit und der notwendigen Geschwindigkeit zur Anpassung an neue fraudpatterns. Ein cyber-krimineller in der Regel nicht kümmern sales (Sie plan auf das Element für kostenlos sowieso), aber während der Zeit, die Sie gehen Sie durch eine weniger negative security system.

Man, da gibt es mehr Transaktionen, und es ist schwierig für die manuelle Bewertungen zu halten und zwei, ein Element, das auf Verkauf gehen könnte, durch ein system, das dazu bestimmt ist, zu schauen, preisgünstigere Elemente, denken, Regel-basierte Systeme. Unsere Technologie ist super, skalierbare und self-learning, so kann es identifizieren neue fraud-Muster, wie Sie entstehen, in Echtzeit.

Alle ML-Spieler zu bauen Problemumgehungen Arbeit, weil Sie nicht können Prozessdaten in Echtzeit. Das heißt, Sie haben zu pre-segmentize der Daten, etc. Ihre Lösungen sind nicht voll automatisiert / glatten. Fraugster ist nicht mit menschlichen Analysten, Regeln oder Modelle. Unser Motor arbeitet völlig autonom, ohne einen Beitrag keine Reibung in den check-out-Prozess.”

Geist der black box

Jedes Unternehmen hat seine eigene Vorgehensweise und stärken, aber der Punkt hier ist nicht zu vergleichen. Der Punkt ist, dass diese sind einige der am meisten einflussreichen Anwendungen von real-life-big-data-Innovationen. Anwendungen wie diese, auch wenn der Betrieb im stealth so weit wie die meisten von uns betroffen sind, die Grenzen auf verschiedenen Ebenen.

Ebenso wichtig ist der technische Aspekt sind die Aspekte der Transparenz und compliance. Assaf erläutert:

“Während der jüngsten EU-Gesetz Organisationen, die sich darauf verlassen ML für Benutzer auf Entscheidungen vollständig erklären, die Daten führten zu dieser Entscheidung, Transparenz in ML Entscheidungen ist auch ein business-Anforderung. In unserer Branche, die Einzelhändler müssen wissen, warum eine bestimmte shopper den Kauf war identifiziert als Betrug und später ging.

Im Falle einer schweren Betrugs ring Angriff, führte zu hohen chargeback-raten, online-Händler sind dafür verantwortlich, durch die Zahlungs-gateway/Prozessor — und Notwendigkeit zu erklären, warum diese betrügerische Einkäufe wurden genehmigt durch die algorithmen, und was wurde getan, um sicherzustellen solchen Fällen richtig erkannt werden für die Zukunft.

Dies war ein blindspot von der tech-community, und ist ein wichtiger Grund, dass viele Unternehmen nur ungern nutzen-ML-basierten tools, die Sie als “black-box” – Lösungen. Riskified investiert erhebliche Ressourcen in die Bereitstellung Händler mit Transparenz in unsere ML Entscheidungen.

Erreicht wurde dies durch die übersetzung der verwendeten tools durch Riskified Daten-Wissenschaftler bei der Erforschung ML decisioning in eine Visualisierung, die zusammenhängend vermittelt die Logik, die hinter den Modellen’ Entscheidungen.”

Als wir bemerkt haben, bevor, Transparenz und ML-Ansätzen scheint im Widerspruch zu präsentieren. Die Anforderung der Klarheit wird nicht nur von rechtlichen Rahmenbedingungen, aber im großen und ganzen kommt es aus dem business-Anwender auch, wie bereits von vielen Praktikern. Während verschiedene Ansätze wurden vorgeschlagen, um dieses Problem zu umgehen, in dieser Zeit keine perfekte Lösung zu geben scheint.

0