案例库 · 软件与 IT · 技术决策 · 2016–2018
微软结合机器学习和优化技术减少电商欺诈
微软的欺诈检测系统利用机器学习和运筹学，既接受好订单又拦截坏订单，每年节省7500万美元。
Microsoft
那一手
每个欺诈过滤器都必须在放行坏订单和拒绝合法订单之间取得平衡，而一个旨在阻止欺诈的过滤器往往会连好客户也一起挡在门外。
微软的系统结合了顺序机器学习来识别已知和新出现的欺诈，再加上一个优化层，权衡欺诈损失、误报和涉及的收入。这使其能够提高银行接受率，同时降低欺诈损失率。
从2016年到2018年，该项目将微软的欺诈损失降低了0.52个百分点，每年节省约7500万美元，并通过更多合法购买获得超过10亿美元的额外收入。该成果入围了2019年INFORMS Franz Edelman奖的决赛。
为什么管用
- 对欺诈和好销售损失都进行建模，才能揭示每个错误决策的真实成本。
- 顺序模型能捕捉静态规则遗漏的新欺诈模式。
- 提高合法购买的接受率能在减少欺诈损失的同时增加收入。
- 显式优化取代了手动调整的阈值，后者过度拒绝。
值了多少标记欺诈并保持好订单继续进行聪明
可以搬走什么
仅以损失来评判欺诈系统会导致过度拒绝；加上好销售损失的代价，会让整个决策更经济。
后来呢
该系统部署在微软的所有商店中，并成为在线零售商将机器学习与运筹学结合用于欺诈管理的参考。它入围了2019年埃德尔曼奖决赛，并在INFORMS期刊论文中有所记录。
资料来源
- 2019 Edelman Finalist Microsoft
- Microsoft Uses Machine Learning and Optimization to Reduce E-Commerce Fraud
发现哪里写错了？告诉我们。