Nul
Hoewel Black Friday traditioneel roept beelden van chaos als de consument de vrije loop in baksteen en mortel verkooppunten, dit kan veranderen. In een enquête bracht een paar dagen geleden, 80 procent van de BRITSE consumenten zei dat ze van plan zijn om te voorkomen dat winkels op Black Friday dit jaar, terwijl 21 procent zei dat ze de voorkeur geven om te jagen voor Black Friday aanbiedingen online.
Dit vertaalt zich naar meer en meer online omzet in de detailhandel piek punten. Een van de problemen teistert online verkoop, echter, is fraude. Met meer online omzet komt meer fraude. Data en machine learning kan helpen met anti-fraude, maar ook dit heeft zijn blinde vlekken, die nieuwe EU-verordening beoogt aan te pakken.
Grote Retail, Grote Fraude, Big Data
Volgens een 2016 rapport, de gemiddelde jaarlijkse financiële baten en lasten toegerekend aan de fraude voor de detailhandel was 7,6 procent van de jaarlijkse omzet via alle kanalen, met inbegrip van online en offline verkoop. En dat is op een business-as-usual dag. Op piek-retail dagen, cliënten die op Amazon hebben naar verluidt gezien een stijging van 150 procent in pogingen tot fraude.
Een onlangs gepubliceerde data-gedreven analyse op fraude door het Ziften van de Wetenschap laat zien dat de piek retail dagen zijn niet degenen met het hoogste aandeel voor een poging tot fraude. Zij kunnen degenen zijn die met het hoogste volume in het algemeen, maar er is een verschil.
Als Kevin Lee, Vertrouwen & Veiligheid Architect bij Zift Wetenschap gezegd, gebaseerd op het analyseren van hun data”, het aantal fraude-aanvallen gaan tijdens Black Friday en Cyber Monday. Echter, het is niet zoveel als het totaal aantal legitieme volume op het systeem.
Kernbegrippen: Gratis PDF-download: Data, AI, IoT: De toekomst van retail | Business analytics: De essentie van data-driven besluitvorming
De verhouding van fraude daadwerkelijk naar beneden gaat tijdens de feestdagen omdat de slechte bestellingen worden overschaduwd door de goede orders. Als u een fraude analist ziet u uw werkbelasting (aka fraude bestellingen) dubbele of drievoudige, maar de goede hoeveelheid verkeer (dat hij/zij niet ziet) is het verhogen manier meer”.
Fraude is een full-time baan voor een aantal, en een grote tijd. Afbeelding: Sift Wetenschap
Analyses gedaan door andere anti-fraude-experts, lijken om dit te ondersteunen. Wanneer we kijken naar de transactiegegevens voor de detailhandel, vinden we dat de fraude tarieven blijven vrij constant over het jaar en vaak zelfs naar beneden gaan als een totale percentage van alle transacties, volgens Angie Wit, iovation product marketing manager:
Dit is simpelweg omdat het volume van goede transacties stijgt in die tijd frames. Dit ondersteunt wat we te vertellen hebben jarenlang fraude is uitgegroeid tot een bedrijf. Deze zijn geavanceerde bewerkingen die werken het hele jaar lang, zijn voortdurend in ontwikkeling van hun tactiek, en dit als hun full-time baan.
Gegevens Sift de bevindingen van dit ook ondersteunen. Fraude niet gebeurt terwijl je slaapt, gebeurt de hele tijd, eigenlijk in sync met legitieme transacties. Dus mensen geen fraude te plegen als een kant drukte, maar een fraudeur is een goede baan, als je het zo kunt noemen. De vraag is wat te doen.
Machine learning aan de redding en de mens in de loop
We hebben al gezien hoe de machine leren over online retail fraude. Maar is het ook de enige manier om te gaan? Beide Gegevens Zeef en iovation bieden oplossingen voor online retail anti-fraude, waardoor hun inzichten moeten worden van belang.
Lee zei Gegevens Sift ziet kooplieden leiden met een machine learning eerste benadering voor hun business, het is de meest schaalbare en flexibele tool die verkopers hebben momenteel — de kooplieden’ mechanische voordeel of super power:
We gebruiken onder toezicht van ‘machine learning’, omdat het de hellingen omhoog sneller dan zonder toezicht — niet zo veel gegevens om te leren. We maken gebruik van onze wereldwijde model — meer dan 12.000 websites maken gebruik van ons en we gebruiken ze elkaar te beschermen.
Wij real-time aanpassingsvermogen en opsporing, wat betekent dat we kunnen stoppen met nieuwe vormen van slechte zodra het verschijnt. We hoeven niet te wachten op een model vernieuwen of een regel te worden gegenereerd. Dit vermindert een bedrijf in het gehele bedrijf de blootstelling tarief van fraude.
We oefenen dynamische wrijving, betekenis, machine learning kunnen wij/handelaars te bieden verbazingwekkende ervaringen van gebruikers naar een bekende, vertrouwde klanten. Dit kunnen handelaren om te voltooien de grotere / Amazon-achtige transacties met meer tools onder hun riem. We niveau van het speelveld een beetje.
Primers: Wat is AI? Alles wat u moet weten over Kunstmatige Intelligentie | Machine learning? | Diep leren? | Kunstmatige algemene intelligentie? | De AI, machine learning en data science raadsel: Wie beheert de algoritmes?
Iovation, aan de andere kant, biedt ook een machine learning oplossing, maar is niet afhankelijk van machine learning exclusief. White zei iovation neemt een gelaagde aanpak van de preventie van fraude, die hen in staat stelt te profiteren van de sterke punten van beide machine learning solutions en menselijke inzichten met een op regels gebaseerd systeem:
Werknemers zijn van een bedrijf is de belangrijkste troef. Ze begrijpen het unieke landschap beter dan welke technologie ooit zal kunnen. Fraude analisten kan de vangst van bepaalde soorten van fraude machines zou kunnen missen en snel te reageren op bedreigingen die uniek zijn voor dat bedrijf. Maar ze kunnen missen trends die te subtiel zijn om mensen op te pikken of worden alleen zichtbaar op een wereldwijde schaal.
Onze machine learning algoritmes analyseren miljarden combinaties van inputs om subtiele fraude trends over meerdere bedrijven en sectoren sneller en nauwkeuriger dan een mens. iovation maakt gebruik van het beste van beide werelden.
Online fraude: Er is een verordening voor
Maar de online retail anti-fraude business is aan het veranderen en die verandering is voor consumenten en retailers. Dit is het gevolg van de nieuwe EU-verordening genoemd PSD2. PSD2, die van kracht medio 2019, is het voornamelijk over het openen van bank-Api ‘ s van 3e partijen. Maar het bevat ook bepalingen van toepassing op de online verkoop.
Voor online bedrijven met hoge fraude gebeurtenissen, transacties van €30, – en dient door de zware authenticatie, die is niet van plan te zijn een zeer goede ervaring voor de klanten. Lagere fraude tarieven betekenen dat de drempel omhoog gaat en de klanten zijn niet onderworpen aan dergelijke verificatie. We vroegen de experts hoe zien ze dat uit te spelen.
De bedoeling van deze richtlijn is goed in het hart, maar onnodig levert wrijving op de meer dan 99 procent van de gebruikers die er zijn goed, volgens Lee: “We zijn in wezen het maken van de kopers te voldoen aan een set van regels, omdat het systeem wordt geëxploiteerd door een paar rotte appels.
Onze EU-klanten zijn goed voorbereid te zijn voor deze veranderingen en hebben de juiste voorzorgsmaatregelen in de plaats, met inbegrip van de verbetering van hun systemen met Gegevens Sift s suite van producten die voorzien van machine learning, rapportage en data-visualisatie tools”.
Witte denkt dat we waarschijnlijk gaan om te zien dat de meest succesvolle retailers post-PSD2 zijn degenen die in staat zijn om samen te werken met de payment service providers (Psp ‘ s) voor het verkrijgen van de laagste referentie fraude tarieven en dus de hoogste vrijstelling drempels voor Veilige Klant Verificatie (SCA):
Alleen Psp ‘ s zal kunnen verzoeken om vrijstellingen te SCA gebaseerd op transactie risico-analyse. Maar de verwijzing fraude tarieven zijn berekend op basis van alle transacties die zij verwerken, niet alleen die voor een enkele koopman. Dit betekent dat het gaat om een zeer nauwe samenwerking tussen handelaren en Psp raakte de hoogste vrijstelling tarieven.
Het zal waarschijnlijk nog het effect van het creëren van een gelaagd systeem waar de handelaars met een hogere fraude tarieven, betalen een hoger tarief voor de verwerking van de transactie. De grafiek hieronder correleert de verwijzing fraude met de tarieven van het SCA vrijstelling drempels en voorspelt hoe deze zich verhouden tot de verwerking van de transactie kosten.
PSD2 is een nieuwe EU-verordening die doet een aantal dingen, waaronder de invoering van een gelaagde aanpak voor de handelaren gebaseerd op fraude drempels. Afbeelding: iovation
White zei dat dit gaat een enorme impact hebben op de markt, in het bijzonder in de e-commerce ruimte: “Conversion tarieven zijn al laag is in deze ruimte, en eventuele obstakels of wrijving kan correleren met een toename in de winkelwagen afgestane.
De winnaars gaan naar bedrijven die echt kijken naar hoe ze het maximaliseren van hun SCA vrijstellingen aan het verminderen van het totale aantal transacties onderworpen aan SCA. En dan lage wrijving, vriendelijk voor de gebruiker verificatie voor transacties die onderworpen zijn aan SCA”.
Wat over de interpreteerbaarheid?
Een ander neveneffect van de verordening heeft te maken met de interpreteerbaarheid. Sinds machine learning is, en zal waarschijnlijk zo blijven, de dominante benadering voor anti-fraude vandaag, hoe kan de transparantie-eisen worden voldaan door de machine learning-based anti-fraude aanbod, gegeven de problemen met machine learning model interpreteerbaarheid?
Vaak, machine learning kan worden gezien als een ‘black box’ omdat (als het goed is) het kraken duizenden signalen in real-time en het blootleggen van de onbekende onbekenden en hun correlaties, volgens de Gegevens Ziften.
Wat is GDPR? Alles wat u moet weten over het nieuwe algemeen reglement voor de bescherming van gegevens
Lee opgemerkt dat hun machine learning is gebouwd op een manier te geven analisten meer inzichten in de bekende signalen die sterk heeft bijgedragen tot een verhoogde kans op fraude. Gegevens Sift geeft de analist wat paneermeel om hen te helpen beter te begrijpen, het waarom achter de scores modellen uitgang.
White denkt dat de transparantie-eisen vastgelegd door andere regelgeving, zoals de GDPR en e-Privacy wetgeving vereist leveranciers om ervoor te zorgen dat de meest complexe oplossingen kunnen worden begrepen in de meest eenvoudige termen:
Wat kan er gedaan worden om het openstellen van de zwarte doos van machine learning? Afbeelding: aitrends
Dit kan een moeilijke taak, want als het eenvoudig was zouden we het niet nodig is de voorspellende kracht van machine learning in de eerste plaats. Onze aanpak biedt onze klanten de mogelijkheid om nauwkeurig onderscheid te maken tussen de gebruikers die ze kunnen vertrouwen en die ze niet kunnen. Slimme bedrijven gebruiken deze kennis om zich te concentreren op het verbeteren van de ervaringen voor vertrouwde gebruikers, terwijl fraudeurs op de baai.
Het is niet verwonderlijk dat de antwoorden op deze vraag lijkt niet te gaan heel diep. Machine Learning interpreteerbaarheid is een open onderzoeks-probleem. Ten eerste, niet alle modellen zijn direct interpretable. Diep leren, bijvoorbeeld, is notoir moeilijk te interpreteren. Vaak is er echter een afweging tussen efficiëntie en interpreteerbaarheid.
Maar zelfs voor de ‘machine learning’ – modellen die eenvoudiger, bijvoorbeeld degenen die gebaseerd zijn op de beslissing van de bomen, de notie van interpreteerbaarheid voor bomen met duizenden takken is niet erg duidelijk. Interpreteerbaarheid, of verklaarbaar AI, is een onderwerp in en door zichzelf. We zullen het herzien van het snel.
Wie echt de eigenaar van uw Internet der Dingen gegevens?
In een wereld waar meer en meer objecten komen online en leveranciers zijn betrokken te raken in de supply chain, hoe kan je houden van wat van jou is en wat niet?
Lees Meer
Verwante Onderwerpen:
Data Management
Digitale Transformatie
Robotica
Het Internet van Dingen
Innovatie
Enterprise Software
0