機器學習技術如何打擊網路零售欺詐行為

至頂網軟體頻道消息： Amazon Prime會員日取得了巨大的成功。據稱今年的銷售總額較2016年提升了60%，總收入達到近20億美元，稱其為成功確實並不為過。

但同樣著眼於數字，很多朋友可能並不清楚，Amazon公司有近5%的收入因欺詐行為而損失，總額達1億美元。對於企業來說，這絕不是筆小錢。而且不僅僅是Amazon Prime會員日，事實上每一家網路零售商在每一天的運營當中都面臨著網路欺詐的威脅。

而聖誕節等標誌性零售高潮期的到來則會令事情變得更糟。有鑒於此，我們該如何阻止此類狀況？至頂網與Fraugster與Riskified兩家欺詐預防初創企業就機器學習技術在這一領域中的作用展開了交流。

欺詐行為解析

根據零售行業博客平台Retail Minded發布的文章，目前主要存在兩種欺詐類型，即退款欺詐與信用卡欺詐。退款欺詐主要體現為以未發貨為理由進行退款申請，而信用卡欺詐則是買家違約而導致發卡方向商家收回貨款。

信用卡欺詐在本質上由惡意人士利用被盜卡號在各電商網站當中嘗試購買商品，直到找出能夠順利使用的卡號為止。在此之後，他們會利用同一卡號在其它商店進行欺詐性採購。

此類欺詐行為能夠依靠專業知識與資源被及時發現。像Amazon這樣的電商巨頭可能會選擇內部處理，但大多數零售商並不具備這樣的能力。總而言之，任何零售商都不希望把資源浪費在這樣的工作身上。

根據2016年發布的一份報告，零售商因欺詐承受的損失約佔其年度全渠道營收總額的7.6%，包括線上與線下銷售。其中7%來自退款欺詐; 74%用於欺詐管理軟體、硬體及員工的相關支出; 19%則來自誤報問題--即正常交易被錯誤地識別為欺詐行為。

而這一切都在我們身邊持續發生。單以AMD產品為例，相關商品在Amazon之上的欺詐嘗試活動出現150%的快速增長。而將退款欺詐與誤報問題另以結合，我們可以計算出這部分損失將佔整體營收的5%，即前文提到的Amazon Prime會員日1億美元損失這項結論。

當然，零售商在欺詐管理軟體、硬體以及員工方面的支出早已有之。對其而言，這部分開銷已經被視為儘可能降低欺詐損失所帶來的必要成本。

很明顯，這一行業需要耗費相當規模的資源、時間與精力，且以大量數據作為判斷指導。而與任何其它擁有類似情況的行業一樣，機器學習技術似乎為其指明了新的解決思路。而這也正是Fraugster與Riskified得出的結論。

不再誤報，我們主動出擊

Riskified公司專門為企業級網路零售商提供欺詐管理解決方案，且由Eido Gal與Assaf Feldman創立於2012年。Assaf為麻省理工學院畢業生，擁有長達15年的機器學習演算法開發經驗; 而Gal則一直效力於各類風險與身份解決方案初創企業，包括已經被PayPal收購的Fraud Sciences公司。

Gal解釋稱，他們意識到電子商務行業在風險管理方面存在短板。"雖然大多數零售商都依賴於第三方解決方案部署在線業務，例如付款處理與網站創建，但每位商家卻都希望能夠內部搞定欺詐問題。當時市場上提供的欺詐預防工具主要負責為零售商提供每筆交易的風險評分，而零售商的內部團隊則藉此決定是否接受該筆訂單。"

Gal指出，這類評分工具能夠標出一切在統計學意義上存在風險的交易，而欺詐團隊則專註於防止相關損失。

這樣的結合意味著零售商有可能因涉嫌欺詐而最終流失大量合法客戶，進而引發營收降低。面對這一挑戰，Riskified公司的思路在於將欺詐檢測工作外包給專家處理，而零售商則可繼續專註於能夠切實提升營收並改進客戶服務的事務。

該公司構建起一套基於機器學習技術的欺詐檢測系統，同時儘可能確保其商業模式與零售商的目標保持一致，即為客戶提供更好的銷售體驗，同時避免欺詐問題。Riskified公司並非為每筆交易提供風險評分並收取固定費用，而是直接向零售商提交交易的批准或者拒絕結論。

Riskified公司最初專註於發現誤報問題，但隨後亦逐步將業務擴大到其它欺詐方向。公司僅向實際涉及退款欺詐的相關批准訂單收取費用。Gal指出，這能夠激勵Riskified方面儘可能多地批准正常交易，而其懇求承諾則意味著其需要為批准的每項交易承擔責任--這意味著其必須儘可能準確地發現各類欺詐行為。

為了實現這項目標，Riskified公司的演算法必須既不太過挑剔、又不過於寬鬆。Gal解釋稱，在原有系統當中，每個數據元素都會帶來一項分數，而最終交易風險正是以這樣的積累分數所表現。

舉例來說，任何涉及中間轉發人或者通過代理伺服器下達的訂單都會受到評分"懲罰"--因為這些正是欺詐活動中的常見指標。

"Riskified公司的機器學習模型則要複雜得多，其會考慮引入更多能夠提供訂單上下文信息的數據點。在本示例當中，歸功於豐富的自動數據體系，我們的系統能夠利用種種跡象證明商品的最終交付地為中國。"

"我們都知道，從統計學角度來看，中國的消費者能夠會使用代理伺服器進行在線購物; 另外為了避免高昂的運輸成本，很多中國消費者亦會使用中間人轉寄服務。這些結論都會作為特徵被納入到我們的演算法當中。"

"不過我們的機器學習模型還需要納入更多其它數據點，例如購物者的在線行為、訪問足跡以及以往與其它商家之間的交易等等。只有在對這些相關數據進行評估之後，模型才能夠做出最終的交易批准或者拒絕決定。"

"在我們剛剛建立Riskified公司時，我們的整體服務在於幫助各零售商判斷正常的交易訂單。但在此之後，我們不斷擴大業務範疇，如今大多數零售商如今都開始利用Riskified方案處理其整體在線業務。"

無為而治

在應對欺詐活動方面，Fraugster這家建立於2014年的德國-以色列支付安全廠商則有著自己的辦法。Fraugster公司由Max Laemmle與Chen Zamir建立。Laemmle曾強調稱，在經過多年的支付行業工作之後，他們切實體會到電子商務欺詐行為所帶來的嚴峻挑戰。

他將自己的願景描述為"設計並構建一套有助於建立無欺詐世界的反欺詐技術方案"。Laemmle指出，他們發現全部現有反欺詐解決方案都是利用過時技術構建而成，且無法應對水平高超的網路犯罪分子。

"現有基於規則的系統以及經典的機器學習解決方案存在昂貴與速度緩慢兩大弊端，其無法實時適應新的欺詐模式，因此不能提供準確的結果。我們的情報與支付專家團隊近年來一直在努力設計專有技術，而最終打造出的先進人工智慧（簡稱AI）技術不僅能夠消除支付欺詐問題，還能夠降低誤報數量以最大限度提高企業收益。"

"將源自人類自規則或流程總結出的直覺轉化為機器推理能力。如此一來，原本需要大量人力工作的任務即可由機器學習技術所取代--其並非取代原有規則或流程，而是直接充當人類的直覺判斷。最終的結果是，機器經過訓練後能夠提供一套具備良好確定性的精準判斷系統。我們的引擎需要豐富的辭彙作為基礎，且能夠將這些獨立辭彙與描述性語句乃至段落正確結合。我們需要擴充辭彙量、持續訓練引擎並選擇正確的辭彙以描述正確的情景。"

Laemmle指出，其立足Amazon進行電商銷售的客戶將AMD相關產品的欺詐行為發現率提升了150%。

"由於交易數量增長以及相關資源分配量的降低，如今欺詐活動往往能夠輕易逃脫人力審查系統或者經典機器學習系統的檢測。"

"這並不是由於準確性不足，而是因為這些系統往往缺乏可擴展性與必要的速度以適應新的欺詐模式。網路犯罪分子通常並不關註銷售本身（因為其根本不打算實際支付款項），而只是考慮在銷售期間如何逃過安全系統的法眼。"

"其一，由於交易數量更大，因此人工審查往往難以與之匹配，因此在售商品可能會交由另一套專門負責查詢低價商品並遵循審查規則的系統處理。我們的技術方案擁有極強的可擴展性與自我學習能力，因此其能夠實時發現各類前所未有的欺詐模式。"

"一切機器學習廠商都需要考慮數據無法實時處理的情況，這意境豐其必須對數據進行預先分段。其解決方案不具備充分的自動化/無摩擦特性。相比之下，Fraugster公司沒有使用任何人類分析師、規則或者模型。我們的引擎完全自主運行，且不會在退款流程當中出現任何衝突。"

黑匣子中的判斷流程

每家企業都擁有自己的實踐思路與業務優勢，這一點不在本文的討論範圍之內。關鍵在於，對於大數據創新成果在現實生活當中最具影響力的應用方向，即使我們大多數人都並不關注甚至無法理解其運作原理，但其確實會在多種層面上帶來深遠影響。

同樣重要的是，技術解決方案的透明度與合規性同樣需要得到嚴格保障。就這一話題，Assaf解釋稱：

"儘管最近歐盟法律要求各依賴於機器學習技術以制定用戶相關決策的組織機構充分解釋這類決策當中涉及的具體數據，但從另一個角度來講，機器學習決策流程當中的透明度本身就是一種商業需求。在我們這個行業當中，零售商需要明確了解特定買家的採購訂單為何被視為欺詐活動並遭到拒絕。"

"如果發生了導致極高退款額度的連環性欺詐攻擊，那麼在線商家必須要接受支付網關/處理人員的問責，同時需要解釋這些欺詐性採購活動為何會被演算法認定為合法，以及其曾經採取哪些舉措以確保案例的正確識別。"

"這長久以來一直是科技領域的一大盲點，也正是眾多企業不願使用基於機器學習技術相關工具的一大關鍵性原因。他們認為這些工具屬於"黑匣子"類解決方案。面對這樣的困擾，Riskified公司投入了大量資源，希望幫助零售商以透明化方式了解我們的機器學習決策過程及其合理性。"

"這一切皆已經由Riskified公司的數據科學家們經過努力而實現。在利用機器學習決策方案進行判斷時，數據科學家們會將這一流程進行可視化處理，從而連貫地傳達決策模型背後所遵循的判斷邏輯。"

正如我們在前文中所提到，目前市場產品中的透明度與機器學習表現存在巨大差異。這種對透明度的要求不僅源自監管框架，同時亦來自大多數商業用戶。而正如眾多從業者所強調的，儘管目前各方已經提出多種方法以解決此類問題，但真正完美的解決辦法尚未真正出現。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！