Microsoft kombinierte maschinelles Lernen mit Optimierung, um E-Commerce-Betrug zu reduzieren

Jeder Betrugsfilter muss zwischen dem Durchlassen schlechter Bestellungen und der Ablehnung legitimer Bestellungen abwägen, und ein auf Betrugsbekämpfung abgestimmter Filter neigt dazu, auch gute Kunden zu blockieren.

Microsofts System kombinierte sequenzielles maschinelles Lernen, um sowohl bekannten als auch neu entstehenden Betrug zu erkennen, mit einer Optimierungsschicht, die Betrugsverluste, falsch positive Ergebnisse und den auf dem Spiel stehenden Umsatz gegeneinander abwog. Dadurch konnte es die Annahmequote der Bank erhöhen und gleichzeitig die Betrugsverlustquote senken.

Von 2016 bis 2018 reduzierte das Projekt Microsofts Betrugsverlust um 0,52 Prozentpunkte, was jährliche Einsparungen von etwa 75 Millionen US-Dollar und über 1 Milliarde US-Dollar zusätzlichen Umsatz durch mehr durchgehende legitime Käufe generierte. Die Arbeit war Finalist für den INFORMS Franz Edelman Award 2019.

Betrug kennzeichnen und die gute Bestellung weiterlaufen lassen

Die Modellierung sowohl von Betrug als auch von Verlusten durch gute Verkäufe legt die tatsächlichen Kosten jeder Fehlentscheidung offen.

Sequenzielle Modelle erfassen neue Betrugsmuster, die statische Regeln übersehen.

Die Erhöhung der Annahmequote legitimer Käufe steigert den Umsatz und verringert gleichzeitig die Betrugsverluste.

Eine explizite Optimierung ersetzt einen manuell abgestimmten Schwellenwert, der zu viele Bestellungen ablehnte.

Ein Betrugserkennungssystem, das nur an Verlusten gemessen wird, lehnt zu viele Bestellungen ab; die Einbeziehung der Kosten eines verlorenen guten Verkaufs macht die gesamte Entscheidung kostengünstiger.

Das System wurde in Microsofts Onlineshops eingesetzt und wurde zu einer Referenz dafür, wie Online-Händler maschinelles Lernen mit Operations Research im Betrugsmanagement kombinieren. Es wurde als Edelman-Finalist 2019 benannt und in einem Artikel der INFORMS-Fachzeitschrift dokumentiert.