微軟結合機器學習與最佳化，降低電子商務詐欺

每一道詐欺過濾機制都必須在讓不良訂單通過與拒絕合法訂單之間取得平衡，而一套以阻止詐欺為調校目標的過濾機制，往往也會擋下好客戶。

微軟的系統結合了序列式機器學習（用以辨識已知與新興的詐欺）與一層最佳化機制（用以權衡詐欺損失、偽陽性以及所涉營收）。這讓系統得以提高銀行核准率，同時降低詐欺損失率。

在2016年至2018年間，該專案使微軟的詐欺損失降低了0.52個百分點，每年節省約7500萬美元，並因更多合法交易順利通過而帶來超過10億美元的額外營收。這項工作入圍了2019年INFORMS Franz Edelman獎決選。

標記詐欺，同時讓良好訂單繼續推進

同時對詐欺與良好銷售損失建模，能揭露每一次錯誤決策的真實成本。

序列式模型能捕捉靜態規則漏掉的新詐欺模式。

提高合法交易的核准率，既能增加營收，又能縮小詐欺損失。

以明確的最佳化機制取代原本過度拒絕的手動調校門檻。

只以損失來評斷的詐欺系統會過度拒絕；把損失一筆良好銷售的成本也納入考量，能讓整體決策成本更低。

該系統已部署於微軟的各個店面，並成為線上零售商如何在詐欺管理中結合機器學習與作業研究的參考範例。它獲選為2019年Edelman獎決選入圍者，並記錄於一篇INFORMS期刊論文中。