마이크로소프트, 머신러닝과 최적화를 결합해 전자상거래 사기 줄여

모든 사기 필터는 부정 주문을 통과시키는 것과 정당한 주문을 거부하는 것 사이에서 균형을 맞춰야 하며, 사기를 막는 데 맞춰진 필터는 정상 고객까지 차단하는 경향이 있습니다.

마이크로소프트의 시스템은 알려진 사기와 새로 등장하는 사기를 모두 포착하는 순차적 머신러닝과 사기 손실, 오탐(정상 거래를 부정으로 잘못 판정하는 것), 그리고 걸려 있는 매출을 함께 저울질하는 최적화 계층을 결합했습니다. 이를 통해 은행 승인율을 높이면서 사기 손실률은 낮출 수 있었습니다.

2016년부터 2018년까지 이 프로젝트는 마이크로소프트의 사기 손실을 0.52퍼센트포인트 줄여 연간 약 7,500만 달러의 절감과 더 많은 정당한 구매가 처리되면서 10억 달러가 넘는 추가 매출을 창출했습니다. 이 작업은 2019년 INFORMS 프란츠 에델만상의 최종 후보에 올랐습니다.

사기를 표시하면서도 정상 주문은 계속 처리되게 하기

사기와 정상 판매 손실을 모두 모델링하면 각각의 잘못된 결정이 초래하는 실제 비용이 드러납니다.

순차적 모델은 정적 규칙이 놓치는 새로운 사기 패턴을 포착합니다.

정당한 구매의 승인율을 높이면 매출이 늘고 사기 손실은 줄어듭니다.

명시적 최적화가 과도하게 거부하던 수동 조정 임계값을 대체합니다.

손실만으로 평가되는 사기 시스템은 과도하게 거부합니다. 정상 판매를 놓친 비용을 더하면 전체 결정의 비용이 낮아집니다.

이 시스템은 마이크로소프트의 여러 스토어프런트에 배포되었고, 온라인 소매업체가 사기 관리에서 머신러닝과 운영연구를 어떻게 결합하는지에 대한 참조 사례가 되었습니다. 2019년 에델만상 최종 후보로 선정되었으며 INFORMS 저널 논문으로 문서화되었습니다.