Как продемонстрировать влияние машинного обучения на бизнес в случае мошенничества

[CarderPlanet]

Машинное обучение - излюбленный инструмент предотвращения мошенничества, но при описании его влияния на бизнес легко запутаться в модных словечках. Вот как объяснить влияние машинного обучения более широким бизнес-командам…

Наш недавний опрос показывает, что машинное обучение является самым популярным инструментом мошенничества в электронной коммерции, причем более половины продавцов используют модели машинного обучения для борьбы с мошенничеством. Это приятно видеть, поскольку машинное обучение является быстрым, масштабируемым, эффективным и может быть настроено в соответствии с индивидуальными бизнес-приоритетами.

Машинное обучение для предотвращения мошенничества включает в себя обучение алгоритма, превращающего его в индивидуальную модель. Команды по борьбе с мошенничеством вводят исторические данные продавца и создают функции, чтобы научить модель, на какие сигналы мошенничества следует обращать внимание. Обученные модели могут оценивать клиентов на основе того, насколько рискованными они кажутся, и в режиме реального времени принимать решения о том, кого блокировать.

Однако объяснить, как машинное обучение на самом деле работает против мошенничества, может оказаться непросто. Часто рассматриваемые как “черный ящик”, технические показатели могут сбивать с толку. Мы объясним, почему важно сосредоточиться на бизнес-целях и воздействии, когда говорим о машинном обучении и мошенничестве…

Традиционный подход к машинному обучению фокусируется на точности и повторяемости​

Машинное обучение часто объясняется точностью, отзывом и ложноотрицательными результатами. Определения многословны и могут сбивать с толку - см. Ниже:

Точность: доля предотвращенных клиентов, которые на самом деле были мошенниками

Напомним: доля мошенников, которые были фактически предотвращены

Ложные срабатывания: доля подлинных клиентов, которые были предотвращены

Ложноотрицательные результаты: доля мошенников, которым было разрешено

Хотя они точны, их может быть сложно соотнести с руководством и другими бизнес-командами. Как эти возвышенные концепции на самом деле влияют на конечный результат? Далее мы объясним, почему их трудно точно определить количественно.

Вместо точности и отзыва частота блокировок и скорость возврата платежей могут лучше донести преимущества машинного обучения в борьбе с мошенничеством таким образом, чтобы это имело смысл для всего бизнеса. Давайте посмотрим, как сравниваются эти показатели...

Ставки блокировки и возврата платежей отслеживают бизнес-цели​

Определения частоты блокировок и скорости возврата платежей лаконичны и не требуют пояснений:

Частота блокировок: процент транзакций, которые блокируются.

Процент возврата платежей: процент транзакций, которые привели к возврату платежей.

На самом деле точность и отзыв почти синонимичны частоте блокировок и скорости возврата платежей. Оба набора показателей описывают влияние порога риска модели машинного обучения - какие транзакции она должна предотвращать, пересматривать или разрешать на основе показателей мошенничества клиентов.

• Если продавец обладает действительно хорошей точностью, у него будет низкий процент ложных срабатываний, что приводит к более низкой частоте блокировок.
• Если у продавца очень хороший отзыв, у него будет низкий процент ложноотрицательных результатов, что приводит к более низкой ставке возврата средств.

Продавцам необходимо сбалансировать частоту блокировок и скорость возврата платежей, чтобы оптимизировать свою модель предотвращения мошенничества на основе своих текущих приоритетов. Итак, как это работает на практике?

Два примера отслеживания мошенничества продавцами: GottaGrow и Shoeify​

Давайте рассмотрим подходы к мошенничеству двух торговых компаний с разными склонностями к риску и приоритетами, чтобы показать, что ставки блокировки и возврата платежей более соответствуют целям, чем точность и отзыв.

GottaGrow

GottaGrow - это стартап, который продает и поставляет установки. Он находится на ранних стадиях роста и хочет сосредоточиться на привлечении клиентов. Поскольку GottaGrow все еще довольно неизвестен, он пока не является большой целью для мошенников. Он хочет заблокировать как можно меньше клиентов и примет на себя риск большего количества возвратов платежей.

Что касается точности и отзыва, GottaGrow хочет модель с высокой точностью и низким отзывом, но что это на самом деле означает? Команда GottaGrow по борьбе с мошенничеством должна проанализировать эти показатели, чтобы иметь возможность оправдать более высокую стоимость возвратных платежей до уровня C. Частота блокировок и скорость возврата средств сразу же проясняют практическое влияние на бизнес: GottaGrow хочет блокировать только 0,01% транзакций и согласна на более высокую ставку возврата средств в размере 1%.

Shoeify

Shoeify - признанный производитель обуви класса люкс, который хочет сосредоточиться на прибыльности и предотвращать как можно больше случаев мошенничества. Команда мошенников Shoeify стремится к высоким отзывам и будет допускать больше ложноположительных результатов и низкой точности. Чтобы перевести, что это означает для бизнеса, у них будет более высокая частота блокировок в размере 1%, но более низкая скорость возврата средств - всего 0,01%

Позиционируйте защиту от мошенничества как средство, способствующее развитию бизнеса, а не препятствующее получению дохода​

Используя простые показатели, команды по борьбе с мошенничеством могут использовать подход, более ориентированный на клиента. Shoeify может понять, что их модель блокирует слишком много настоящих клиентов, и когда это начинает наносить ущерб репутации их бренда, они могут отрегулировать пороговый уровень риска, чтобы немного снизить частоту блокировок.

Аналогичным образом, эти показатели акцентируют внимание на приоритетах продавца. Ставки возврата платежей напрямую влияют на прибыльность, влияя на выручку и затраты - с каждым возвратом платежей бизнес теряет ценность транзакции и несет комиссию за возврат платежей. GottaGrow может ежемесячно отслеживать стоимость своих возвратных платежей, и когда затраты начинают перевешивать ценность увеличения привлечения клиентов, они могут скорректировать свой подход.

Меньшая зависимость от трудно измеримых ложных срабатываний​

Ложные срабатывания - большая проблема для продавцов. Когда продавец блокирует подлинного клиента, он теряет потенциальный доход от этой продажи, но также может потерять клиента на всю жизнь. Треть потребителей в США заявили, что никогда больше не будут заказывать у продавца после того, как им ошибочно отказали. Когда вы учитываете ущерб репутации бренда и скрытые затраты, такие как потраченные впустую маркетинговые бюджеты, ложноположительные результаты становятся очень дорогими.

Но после того, как вы заблокировали транзакцию, как вы можете выяснить, был ли это на самом деле мошенник или просто реальный клиент, который выглядел рискованным? Команды по борьбе с мошенничеством могут попытаться выявить ложноположительные результаты с помощью проверок вручную (ресурсоемкие и подверженные предвзятости) или разрешить контрольный набор транзакций без предотвращения мошенничества (чрезвычайно высокий риск). В конечном счете, не существует простого способа определить истинный процент ложноположительных результатов.

Точность и отзыв - все это связано с этими трудно поддающимися измерению показателями ложных срабатываний. Но анализ количества блокировок и возвратных платежей не зависит от ложных срабатываний. Вместо этого показатель блокировки ориентирован на то, сколько доходов было потеряно из-за заблокированных транзакций, и как сравниваются затраты на мошенничество.

Краткие сведения​

Машинное обучение в борьбе с мошенничеством может оказать огромное влияние на прибыль вашего бизнеса и приоритеты. Важно донести это влияние до руководителей бизнеса таким образом, чтобы защита от мошенничества позиционировалась как средство, способствующее бизнесу, а не блокирующее доход.