作者：娜塔莉亚·丁斯莫尔2019年11月21日电子商务出现了前所未有的创新。消费者需求正在推动商家在全球范围内扩张，并提供新的、创新的全渠道流动。随着业务的变化，欺诈行为变得越来越复杂。但即使在这种不断变化的环境中，许多商家仍在使用过时的基于规则的系统，而这些系统正努力跟上。更糟糕的是，他们迫使商家花费资源不断调整和调整与及时的规则相反，机器学习使欺诈管理具有可扩展性。通过利用这项技术，大数据对比，商家可以继续创新，不仅是在欺诈管理领域，而且可以朝着更好的客户体验方向发展，这可以通过客户生命周期价值转化为收入增长。在这篇文章中，我将解释为什么机器学习优于传统的基于规则的欺诈预防系统。适应性决策事实上，Riskified的消费者调查发现，有45%的千禧一代会使用智能手机上网购物。然而，就在两年前，超过90%的商家还在使用单一的策略来分析网络和移动交易。因此，一项旨在审查桌面订单的规则不会考虑移动交易特有的地理数据。假设一个在欧洲旅行的美国大学生试图用他们的美国信用卡从他们的移动设备上预订即将在纽约举行的音乐会的门票：从规则的角度来看，这将显示为IP/BIN不匹配，a下降的可能性更大机器学习有什么帮助？ 机器学习模型，不用设定规则。相反，风险因素及其相关性是根据最新的模式确定的，如大量实时订单数据所反映的。这些模型评估了包括IP和设备在内的数千个数据点，以便根据订单在任何给定时间最有影响力的数据组合来优化决策。其结果是对购物模式有了更准确和适应性的理解。更好的数据（借助功能）Riskified的研究显示，近三分之一的被错误拒绝的购物者完全放弃了他们的购买，或者转向了竞争对手。这不仅意味着商家错过了销售机会，更重要的是，浪费了时间，失去了一位尊贵客户的忠诚度。对付这种情况的一个有效方法是放开严格的规则。规则本质上是黑白的，这种僵化根本无法解释识别欺诈所涉及的数百个变量。模型之所以能够以如此准确和快速的速度评估一个事务，是因为特征是机器模型的关键部分。特征是机器学习预测任务中使用的数据元素，它们可以是简单的，比如订单量，低价云服务器，也可以是更复杂的，比如键盘语言和信用卡原产国之间的匹配。特征的价值或权重与其对整体风险水平的贡献相关。这是模型如何帮助数据上下文化的核心。这对欺诈意味着什么？功能的真正突出之处在于它们可以是动态的。动态特性允许模型在欺诈发生时实时做出反应。动态特性可能是具有特定风险的IP和BIN组合，例如，印度IP和法国信用卡。如果此IP和BIN组合的欺诈行为突然出现高峰，网站云服务器，则所有具有此功能的模型的风险水平将立即调整。这样做的效果是更快、更准确的预测和更少的虚假下跌。对于商家来说，好评返现文案，智能工厂解决方案，这意味着模型能够持续检测出新出现的欺诈计划的风险。情境训练在考虑欺诈管理解决方案时，需要记住的一点是，未来证明始终是重要的。规则不容易证明时间。它们需要大量的内部资源来保持相关性。另一方面，机器学习模型能够在规模上提高精度。模特是怎么做到的？通过一个培训过程，使用对当前欺诈情况最准确的描述来改进模型。思考这个问题的一个好方法就是看看假期。随着购物者争先恐后地买到最优惠的商品，他们的礼物能及时送到朋友和家人手中，国际订单的激增和快速发货是很常见的。对于一个在节前训练过的模特来说，这些峰值会跳出来，风险很大，准确性也会受到影响。这就是为什么培训不是一刀切的原因。相反，每个模型都有一种独特的方法来衡量成功与否，这取决于模型的应用方式、地点和时间通过放大独特的购物行为，模型可以对看不见的数据做出更准确的预测，而不管是哪个季节。对于一个商人来说，这意味着一个具有可塑性的欺诈管理解决方案会随着时间的推移变得更好底线机器学习可以帮助商家管理当今电子商务环境的复杂性。要了解更多关于我们的模型和技术堆栈，请阅读我们如何使用弹性链接作为审查过程的一部分。